具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参见图1，其是本发明实施例提供的车辆驾驶故障检测方法的流程图。

本发明实施例提供的车辆驾驶故障检测方法，包括步骤S11到步骤S15：

步骤S11，将获取到的行车训练数据样本输入到预先构建的深度学习模型中，得到驾驶故障监控模型；

步骤S12，基于所述驾驶故障监控模型，结合核密度估计法得到所述驾驶故障监控模型的控制限，并将所述控制限作为故障监控阈值；

步骤S13，获取实时采集到的车辆行车测试数据，并基于所述驾驶故障监控模型得到所述车辆行车测试数据的异常监控指标；

步骤S14，考虑特征的故障敏感性差异，引入动态加权因子对所述异常监控指标进行处理，得到动态监控指标；

步骤S15，当所述动态监控指标大于所述故障监控阈值时，判定车辆出现行车故障，并向车辆驾驶员发出故障警告。

示例性的，所述步骤S15中，所述故障警告可以为警告车辆出现行车故障，驾驶员需迅速靠边停车检查的报警。所述故障警告可以以语音的方式进行播报，以报警驾驶员。

本发明实施例提供的车辆驾驶故障检测方法包括将获取到的行车训练数据样本输入到预先构建的深度学习模型中，得到驾驶故障监控模型；基于所述驾驶故障监控模型，结合核密度估计法得到所述驾驶故障监控模型的控制限，并将所述控制限作为故障监控阈值；获取实时采集到的车辆行车测试数据，并基于所述驾驶故障监控模型得到所述车辆行车测试数据的异常监控指标；考虑特征的故障敏感性差异，引入动态加权因子对所述异常监控指标进行处理，得到动态监控指标；当所述动态监控指标大于所述故障监控阈值时，判定车辆出现行车故障，并向车辆驾驶员发出故障警告，其通过深度学习模型构建驾驶故障监控模型，结合核密度估计得到所述驾驶故障监控模型的故障监控阈值，并采用动态加权因子突出故障敏感特征的影响以提高故障检测的灵敏度，得到动态监控指标，并判断动态监控指标是否超过故障监控阈值，以实现车辆行驶过程中驾驶故障的实时智能监控，进而能在检测到车辆有危险故障发生时，可以及时向驾驶员发出警告，避免交通事故意外的发生。

在一种实施方式中，所述步骤S11“将获取到的行车训练数据样本输入到预先构建的深度学习模型中，得到驾驶故障监控模型”，具体包括：

构建基于深度特征的深度支持向量数据模型；

将获取到的行车训练数据样本输入到所述深度支持向量数据模型中，得到驾驶故障监控模型。

可以理解的是，支持向量数据模型(SVDD)采用的是浅层的学习框架，难以有效地对车辆行驶过程中产生的复杂故障进行有效智能监控，因此，本发明实施例在支持向量数据模型(SVDD)上进行改进优化，在深度学习框架下重新定义SVDD的优化目标函数，构建基于深度特征的深度支持向量数据模型(DSVDD)。下面对SVDD进行简单的介绍，并基于SVDD的基础上对本发明实施例的基于深度特征的深度支持向量数据模型进行介绍。

SVDD是一种重要的单分类算法，该方法将复杂数据映射到高维特征空间中，寻找尽可能小的超球体包围所有的训练样本，超出超球体边界的样本被视为异常样本。给定数据集X＝[x₁，x₂…x_n]^T∈R^n×m，其中n和m分别为样本和变量数目，SVDD引入非线性映射函数，将所有的样本x_n映射到特征空间中φ(x_n)中，并在特征空间中寻找最小超球体实现对数据的包围，对应的优化目标函数如下：

其中，R为超球体半径，O为超球体中心，σ_i为松弛变量，C为平衡超球体积与边界外样本的惩罚因子。

基于上述问题可建立拉格朗日函数：

其中，α_i>0和β_i>0是拉格朗日乘数。进一步分析可得到原优化问题的对偶描述：

其中，K(x_i，x_j)＝φ(x_n)^Tφ(x_n)为核函数运算，即特征空间中两个向量的内容可以用原始空间中的核函数计算，常用的核函数为高斯核函数。

公式(3)描述了一个标准的二次优化问题，求解该问题可以得到超球体中心：

半径R可以通过计算支持向量到中心的距离得到：

R＝||φ(x^*)-O|| (5)

其中，x^*表示对应α_i>0的任意向量x_i。

对于t时刻的测试样本x_t，定义其到超球体中心距离的平方D_t作为监控指标，其表达式如下：

通过将D_t与R²进行比较，可以判断过程数据的情况；如果D_t≤R²，则将相应的向量x_i归类为正常样本；否则，视为异常样本。

SVDD模型的基本框架包含了两个主要步骤，即单层非线性映射、超球体建模。在该模型结构中，非线性映射是一个空间变换，起到了特征提取的作用，实际计算过程中借助于核函数完成。由于基本的SVDD仅涉及一个特征提取层，往往难以有效处理复杂的数据关系，所以传统SVDD算法不能直接适用于对汽车驾驶过程中的故障分析。

基于对传统SVDD模型结构的局限性分析，本发明实施例提出一种深度支持向量数据模型用于故障监控。该方法将基于多层神经网络的深度特征提取技术引入SVDD模型中，代替传统的隐式非线性变换，提高模型对数据内在特征的挖掘和表达能力。同时，针对深度特征在故障信息表达上的差异性问题，进一步设计特征加权单元，根据特征的故障敏感程度计算权值，增强对复杂故障的监控能力。深度支持向量数据模型的构建的关键在于两点：深度SVDD模型构建和特征加权策略设计。

深度SVDD(DSVDD)是在SVDD基础上发展起来的一种新方法，其基本思想是通过深度学习网络进行特征提取，然后在深度特征基础上构建一个端到端的异常检测网络模型。其与传统SVDD方法最大区别在于，利用多个特征提取层代替简单的单层核映射来获得数据特征表示。

对于数据{x_i∈R^m，i＝1，2，…，n}，多层特征提取过程可以描述为函数关系：

其中，φ^(l)(1≤l≤L)表示深层网络中的逐层非线性映射函数关系，W⁽⁾(1≤l≤L)表示第l层网络权值参数，最终所提取的特征如下：

y_i ^(L)＝Φ(x_i；W)＝φ^(L)(φ^(L-1)(…φ⁽¹⁾(x_i；W⁽¹⁾))…；W^(L-1))；W^(L)) (8)

其中，W＝{W⁽¹⁾，W⁽²⁾，…，W^(L)}表示深度网络集体参数集合。

由于深度特征提取技术的应用，传统的SVDD优化目标函数不再适用。深度SVDD模型的优化目标是通过训练调试参数集W使得输出的深度特征y_i ^(L)尽可能密集的分布在半径为R，中心为O的超球体内，对应的优化目标函数：

其中，ν是调节超球体外异常数据点影响的平衡参数，λ是对网络权重大小的惩罚系数，O是先验指定的球体中心。在单分类任务中，一般假设训练数据集均为正常样本，此时可以将目标函数进一步简化为：

通过深度网络优化算法对权值参数W进行优化，训练样本能够在深度特征空间中聚集到超球中心O附近，从而形成一个描述正常训练数据的超球体，训练得到的网络权重参数为W^*。

对于样本x_t，其异常程度监控指标定义为该点的深度特征y_t ^(L)＝Φ(x_t；W^*)到超球面中心O的距离平方，即：

D_t＝||y_t ^(L)-O||²＝||φ(x_t；W^*)-O||² (11)

与式(6)中的SVDD监控指标不同，上式描述的深度SVDD监控指标可以直接计算，无需利用复杂的核函数映射。

在一种实施方式中，所述步骤S12“基于所述驾驶故障监控模型，结合核密度估计法得到所述驾驶故障监控模型的控制限，并将所述控制限作为故障监控阈值”，具体包括：

获取所述行车训练数据样本在所述驾驶故障监控模型中得到的训练样本监控指标；

基于所述行车训练数据样本，构建所述训练样本监控指标的概率密度函数；

计算所述概率密度函数在预设置信度时的估计值，得到相应的控制限，并将所述控制限作为故障监控阈值。

具体的，先通过公式(7)～(11)得到行车训练数据样本的训练样本监控指标，由于深度SVDD模型中没有定义超球体半径，必须寻找另一种方法来设置检测阈值。在本发明实施例中，采用核密度估计来获得训练样本监控指标的概率分布，进而计算其控制限作为故障监控阈值。当测试样本对应的监控指标超过其该故障监控阈值时，即被认为是故障数据点。

具体的，核密度估计(KDE)是一种非参数概率密度估计技术，可以根据给定的训练数据估计随机变量的概率密度函数。对于深度SVDD建模过程中的训练数据样本{x₁，x₂，…，x_n}，计算得到相应的训练样本监控指标D₁，D₂，…D_n，基于训练数据集构建D_t的概率密度函数f(D_t)，其表达式为：

其中，g(x)表示KDE采用的核函数，a表示核函数的宽度参数。

在给定置信度δ的前提下，可以通过概率密度函数的积分公式求解相应的控制限D_lim，即

置信度δ的概念意义为：正常样本对应的监控指标数值有δ％的概率不超过D_lim。

在一种实施方式中，所述步骤S13“获取实时采集到的车辆行车测试数据，并基于所述驾驶故障监控模型得到所述车辆行车测试数据的异常监控指标”，具体包括：

将实时采集到的车辆行车测试数据输入到所述驾驶故障监控模型中，进行多层特征提取，得到所述测试数据的深度特征集；

对所述深度特征集进行超球体建模，计算所述深度特征集到超球面中心的距离平方，将计算得到的距离平方作为测试数据的异常监控指标。

在本发明实施例中，将车辆行车测试数据输入到驾驶故障监控模型中，进行多层特征提取，得到对应的深度特征集，进而根据公式(11)计算得到测试数据的异常监控指标。

在一种实施方式中，所述步骤S14“考虑特征的故障敏感性差异，引入动态加权因子对所述异常监控指标进行处理，得到动态监控指标”，具体包括：

获取所述行车测试数据在所述驾驶故障监控模型提取得到的深度特征集；

针对所述深度特征集，采用滑动窗方式建立一个长度为d的历史窗口{D_t-d+1,i,D_t-d+2,i,…,D_t,i}，根据历史窗口的动态数据对所述异常监控指标进行估计，得到动态监控指标：

其中，DD_t为动态监控指标，为动态权重因子，P_t-j+1,i为第i个深度特征在一个长度为d的时间窗口内第(t-j+1)时刻的故障概率，y_t-j+1,i ^(L)为第(t-j+1)时刻的第L层网络的第i个深度特征，O_i为第i个深度特征对应的超球体中心，s为一个新变量，0≤s≤d，表示一个长度为d的时间窗口内的s时刻，表示第i个深度特征在s时刻的静态权重因子，表示引入新样本点j后在一个长度为d时间窗内的动态权重因子，D_t-s+1,i表示第i个深度特征在一个长度为d的时间窗口内s时刻的监控指标，表示第i个深度特征在一个长度为d的时间窗口内的监控指标平均值，n为样本的个数，D_lim,i为第i个深度特征的监控指标最大值。

需说明的是，上述公式(14)到(16)中的s值，除了有特定说明s从1开始递增至d，其余的s值都是随机生成的。

具体的，对式(11)的监控指标公式进行分析，可以看出D_t本质描述了深度特征空间中的欧氏距离。列出深度特征和超球体中心的具体表达式y_t ^(L)＝[y_t,1 ^(L),y_t,2 ^(L),…y_t,k ^(L)]，O＝[O₁，O₂，…O_k]，则式子(11)可表达为：

D_t＝(y_t,1 ^(L)-O₁)²+(y_t,2 ^(L)-O₂)²+…+(y_t,k ^(L)-O_k)² (17)

从式(17)可以看出，监控指标平等对待于每个深度特征。实际应用过程中，某些故障可能只影响少数特征(可称为故障敏感特征)，大部分特征仍然处于正常状态。此时，微量的故障信息可能会被正常的噪声信息淹没，从而使得故障难以得到有效检测。本质上，这是一个不同特征的故障敏感性差异导致的现象。针对该问题，本发明实施例提出采用加权策略来突出故障敏感特征的影响，从而提高对复杂故障检测的灵敏性。

为方便起见，定义第i个深度特征在故障监控指标中的子成分为：

D_t,i＝(y_t,i ^(L)-O_i)² (18)

如果特征y_t,i ^(L)为故障敏感特征，则相应的故障监控指标子成分D_t,i必然发生显著变化。为度量深度特征对故障的敏感程度，进一步定义深度特征的故障概率为：

其中，D_lim,i为D_t,i对应的δ％控制限，可以根据核密度估计法算出。对于正常数据变化，故障概率P_t,i趋近于0。反之，故障敏感样本对应的概率趋近于1。γ为调节因子，通过改变其数值，可以影响概率曲线的分布情况。

具体的，所述动态权重因子能更有效地挖掘深度特征中蕴含的故障信息，从而提高故障检测性能。

进一步的，在一种实施方式中，所述车辆驾驶故障检测方法还包括：

引入静态加权因子对所述异常监控指标进行处理，得到静态监控指标；

当所述静态监控指标大于所述故障监控阈值时，向车辆驾驶员发出行车安全提醒。

示例性的，所述行车安全提醒可以为提醒驾驶员在行车过程中需多注意观察车辆行驶状况。

在本发明实施例中，还设计了静态加权策略，利用静态权重因子突出故障敏感特征的影响。在具体实施当中，通过引入静态加权策略和动态加权策略，能在保持低误报率的基础上，有效的提高了对故障检测的准确率，有效的实现了对汽车驾驶过程中意外故障的智能检测。

具体的，所述引入静态加权因子对所述异常监控指标进行处理，得到静态监控指标，具体包括：

获取所述行车测试数据在所述驾驶故障监控模型中提取得到的深度特征集，并计算所述深度特征集中每一深度特征在所述异常监控指标中的子成分；

计算所述深度特征集中每一深度特征的故障概率；

根据每一所述深度特征的故障概率，计算每一所述深度特征的静态权重因子；

根据每一所述深度特征的静态权重因子和每一所述深度特征在异常监控指标中的子成分，得到静态监控指标。

在具体实施时，通过公式(18)计算第i个深度特征在故障监控指标中的子成分，并通过公式(19)计算每一深度特征的故障概率，并通过公式(20)计算深度特征的静态权重因子：

上式的意义在于，满足D_t,i>D_lim,i，条件的特征被定义为故障敏感特征，其相应的权值大于1，具体权值大小取决于故障概率。否则，非敏感特征的权值设为1，即保持原先的影响程度。基于此权重因子，构造静态加权后的静态监控指标SD_t如下：

相应地，参见图2，图2是本发明提供的的车辆驾驶故障检测装置的一个实施例的结构框图。本发明实施例提供的车辆驾驶故障检测装置10，包括：

驾驶故障监控模型获取模块11，用于将获取到的行车训练数据样本输入到预先构建的深度学习模型中，得到驾驶故障监控模型；

故障监控阈值获取模块12，用于基于所述驾驶故障监控模型，结合核密度估计法得到所述驾驶故障监控模型的控制限，并将所述控制限作为故障监控阈值；

异常监控指标获取模块13，用于获取实时采集到的车辆行车测试数据，并基于所述驾驶故障监控模型得到所述车辆行车测试数据的异常监控指标；

动态监控指标获取模块14，用于考虑特征的故障敏感性差异，引入动态加权因子对所述异常监控指标进行处理，得到动态监控指标；

故障警告模块15，用于当所述动态监控指标大于所述故障监控阈值时，判定车辆出现行车故障，并向车辆驾驶员发出故障警告。

在一种实施方式中，所述驾驶故障监控模型获取模块11具体用于：

构建基于深度特征的深度支持向量数据模型；

将获取到的行车训练数据样本输入到所述深度支持向量数据模型中，得到驾驶故障监控模型。

在一种实施方式中，所述故障监控阈值获取模块12具体用于：

获取所述行车训练数据样本在所述驾驶故障监控模型中得到的训练样本监控指标；

基于所述行车训练数据样本，构建所述训练样本监控指标的概率密度函数；

计算所述概率密度函数在预设置信度时的估计值，得到相应的控制限，并将所述控制限作为故障监控阈值。

在一种实施方式中，所述异常监控指标获取模块13具体用于：

将实时采集到的车辆行车测试数据输入到所述驾驶故障监控模型中，进行多层特征提取，得到所述测试数据的深度特征集；

对所述深度特征集进行超球体建模，计算所述深度特征集到超球面中心的距离平方，并将计算得到的距离平方作为所述行车测试数据的异常监控指标。

在一种实施方式中，所述动态监控指标获取模块14具体用于：

获取所述行车测试数据在所述驾驶故障监控模型提取得到的深度特征集；

针对所述深度特征集，采用滑动窗方式建立一个长度为d的历史窗口{D_t-d+1,i,D_t-d+2,i,…,D_t,i}，根据历史窗口的动态数据对所述异常监控指标进行估计，得到动态监控指标：

其中，DD_t为动态监控指标，为动态权重因子；

在一种实施方式中，所述车辆驾驶故障检测装置10还包括：

静态监控指标获取模块，用于引入静态加权因子对所述异常监控指标进行处理，得到静态监控指标；

行车安全提醒模块，用于当所述静态监控指标大于所述故障监控阈值时，向车辆驾驶员发出行车安全提醒。

在一种实施方式中，所述静态监控指标获取模块具体用于：

获取所述行车测试数据在所述驾驶故障监控模型中提取得到的深度特征集，并计算所述深度特征集中每一深度特征在所述异常监控指标中的子成分；

计算所述深度特征集中每一深度特征的故障概率；

根据每一所述深度特征的故障概率，计算每一所述深度特征的静态权重因子；

根据每一所述深度特征的静态权重因子和每一所述深度特征在异常监控指标中的子成分，得到静态监控指标。

需要说明的是，本发明实施例提供的车辆驾驶故障检测装置10用于执行上述实施例提供的车辆驾驶故障检测方法的全部步骤和流程，两者的工作原理和作用效果一一对应，这里不再作过多的赘述。

此外，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。另外，上述实施例提供的车辆驾驶故障检测装置与本发明实施例提供的车辆驾驶故障检测方法属于同一构思，其具体实施过程和具体技术方案详见上述方法实施例，这里不再赘述。

相应地，本发明实施例还相应提供一种车辆驾驶故障检测设备，该实施例的车辆驾驶故障检测设备包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述的车辆驾驶故障检测方法的步骤S11到步骤S15。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能，例如驾驶故障监控模型获取模块11、故障监控阈值获取模块12、异常监控指标获取模块13、动态监控指标获取模块14和故障警告模块15。

示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述车辆驾驶故障检测装置/设备中的执行过程。

所述车辆驾驶故障检测装置10/设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述车辆驾驶故障检测装置10/设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述示意图仅仅是车辆驾驶故障检测装置10/设备的示例，并不构成对车辆驾驶故障检测装置10/设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述车辆驾驶故障检测装置10/设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述故障警告模块装置10/设备的控制中心，利用各种接口和线路连接整个车辆驾驶故障检测装置10/设备的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述车辆驾驶故障检测装置10/设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

其中，所述车辆驾驶故障检测装置10/设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。本发明实施例还相应提供了一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在设备执行上述车辆驾驶故障检测方法的步骤S11到步骤S15。

所述存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。