详情

原文传递基于对抗学习的轻量级车辆实时故障预警方法与系统的研究与实现

论文题名：	基于对抗学习的轻量级车辆实时故障预警方法与系统的研究与实现
关键词：	车联网;车辆实时故障预警;轻量级方法;对抗学习
摘要：	近年来，随着车联网技术的不断发展，商用车实时故障预警系统成为了解决商用车客户关注的安全问题的重要手段。商用车通常在户外长途环境中长时间、高强度地运行,容易出现故障，如果商用车制造企业能够为客户提供实时故障预警服务，有利于驾驶人员在发生故障之前提前采取有针对性的预防性维护，做到防患于未然，实现商用车安全运营，大大提高商用车制造企业的品牌竞争力。因此各大商用车制造企业都建立了自己的车联网平台，实时收集商用车运行时的状态数据，通过深层次的数据分析来解决实时故障预警问题。　　商用车实时故障预警系统通常需要对车辆的传感器数据进行采集、处理和分析，提取出故障相关特征，使用高效的故障预警方法进行故障预警和诊断。传统的故障预警方法可以归类为基于机理模型、基于统计学和基于信号处理的方法，这些方法都更加依赖于深厚的专业经验和领域知识，且不能处理复杂的非线性关系。而基于数据驱动的故障预警方法更适合分析由连接设备和系统生成的大规模数据，能识别传统方法无法检测到的模式和异常，最大限度地减少对人类专业知识的依赖和人为错误的风险，适应不断变化的条件和环境。　　但是基于数据驱动的实时故障预警方法在车联网数据中的应用仍面临许多挑战:高精度的故障预警方法需要复杂的模型结构，庞大的计算参数量会带来额外的计算延迟和更多资源消耗;获取足够数量的故障样本十分困难，标注也需要消耗大量时间和精力,使用正负样本不均衡的数据集训练模型难以获得良好性能;在系统开发中故障预警算法与流数据处理难以高效结合，需要保证实时性的同时还能够对模型推理过程的计算能力进行灵活扩展。因此，需要在算法设计、模型训练、系统集成等方面入手解决这些问题，实现一个高吞吐、低延时、可扩展的实时故障预警系统。　　针对以上挑战，本文以某大型商用车制造企业提供的真实商用卡车的海量高频实时运行数据为基础，提出了一个基于对抗学习的轻量级车辆实时故障预警方法，该方法包括一个基于对抗Transformer的轻量级故障预警模型LAT-FEW(LightweightAdversarialTransformerforFaultEarlyWarning)和一个基于两阶段对抗性训练的无监督训练方案，使用该方案训练LAT-FEW模型，并结合先进的流数据实时处理技术设计并开发了商用车实时故障预警系统。　　本文的主要工作和贡献总结为以下三个方面: 　　1.提出了一个基于对抗学习的轻量级车辆实时故障预警方法,实现了在故障样本稀缺情况下，使用轻量级的模型结构达到良好的故障预警效果。该方法提出基于对抗Transformer的轻量级故障预警模型LAT-FEW,在用于捕获时序数据时间依赖关系的时序预测层中，只保留一层用因果卷积计算改进后的TransformerEncoder-Decoder结构，保留并行计算能力的同时大幅减少了模型的计算参数;并提出基于两阶段对抗性训练的无监督训练方案，仅使用正常样本数据优化模型，避免正负样本不均衡的数据训练对模型效果的严重影响，引入对抗性思想提高轻量级模型的故障预警性能。　　2.基于两个真实数据集设计了大量实验,验证了基于对抗学习的轻量级车辆实时故障预警方法的有效性。本文采用精确率、召回率、F1分数三个评价指标验证方法的准确性，采用相同数据量下的模型计算总参数量和计算总时长来验证方法的实时性，在两个数据集上进行对比实验评估方法的泛用性。通过与基线模型的对比实验和一系列消融实验的实验结果，验证了本文提出的基于对抗学习的轻量级车辆实时故障预警方法中主要设计结构的作用与影响，实验结果表明，基于本文提出的训练方案，LAT-FEW模型在故障预警的综合性能中达到最佳。　　3.基于某大型商用车制造企业的车联网大数据平台，设计并实现了商用车实时故障预警系统。本文利用Flink、Kafka、ClickHouse、Grafana等大数据技术完成了系统架构设计，设计了数据实时获取、数据实时处理与分析、数据存储与管理、可视化展示四个功能模块，将基于对抗学习的轻量级车辆实时故障预警方法的模型推理集成入Flink处理算子，实现了对商用车实时运行数据的在线处理与模型分析，提高了故障预警模型的计算效率和可扩展性，实现了工业级应用水平的实时故障预警。
作者：	谢广印
专业：	计算机技术
导师：	彭朝晖
授予学位：	硕士
授予学位单位：	山东大学
学位年度：	2023