基于深度學習的電氣大數(shù)據(jù)故障分析模型研究

【摘要】汽車智能化技術的快速發(fā)展使整車功能日益復雜化、文件開發(fā)數(shù)激增，對傳統(tǒng)車輛電氣故障解析提出新挑戰(zhàn)。為了提升電子電氣故障分析與診斷能力，利用智能診斷技術，構(gòu)建電氣數(shù)據(jù)分析模型，輔助人工實現(xiàn)汽車電氣系統(tǒng)故障的智能分析與定位。模型構(gòu)建分為兩步：一是電氣測試數(shù)據(jù)的收集與預處理，包括報文解析、數(shù)據(jù)清洗及特征提取；二是利用深度學習算法構(gòu)建故障分析模型，通過模型訓練實現(xiàn)智能故障分析與定位。提出基于智能診斷技術的汽車電氣數(shù)據(jù)分析模型，能夠高效解析復雜電氣測試數(shù)據(jù)，實現(xiàn)故障智能分析與定位，為電子電氣故障排查提供有力支持。

關鍵詞：大數(shù)據(jù)分析；智能輔助診斷；故障分析建模

Research on Fault Analysis Model of Electrical Appliance Large Data Based on Deep Learning

Jiang Li1， Cui Ming2

（1.China Auto Information Technology Co.， Ltd.， Tianjin 300300;2. China Center for Automotive Strategy and Policy Research， Tianjin 300300）

【Abstract】The rapid development of automotive intelligent technology has led to increased complexity of vehicle functions and a surge in the number of document developments， posing new challenges for the analysis of traditional vehicle electrical faults. In order to enhance the capability of electronic and electrical fault analysis and diagnosis， an intelligent diagnostic technology is utilized to construct an electrical data analysis model， which aids in the intelligent analysis and localization of faults in the automotive electrical system. The model construction is divided into two steps： first， the collection and preprocessing of electrical test data， including message parsing， data cleaning， and feature extraction; second， the use of deep learning algorithms to build a fault analysis model， achieving intelligent fault analysis and localization through model training. The proposed automotive electrical data analysis model based on intelligent diagnostic technology is capable of efficiently parsing complex electrical test data， realizing intelligent fault analysis and localization， and providing strong support for the troubleshooting of electronic and electrical faults.

Key words： Big data analysis; Intelligent assisted diagnosis; Fault analysis modeling

中圖分類號：TP311.1；U471.1""" 文獻標志碼：A"""""""" DOI： 10.19822/j.cnki.1671-6329.20230115

引言

隨著整車智能化趨勢日益顯著，車輛智能駕駛的各項功能不斷突破完善。車輛電子功能的增多和設計邏輯的復雜性提升，導致故障排查難度增加，為電氣功能的品質(zhì)提升增加挑戰(zhàn)。電氣問題的返修除借助原理圖、線束圖和診斷故障代碼（Diagnostic Trouble Code，DTC）外，還需借助車載網(wǎng)絡通信信號、喚醒睡眠機制、傳感器與執(zhí)行器硬線信號等復雜數(shù)據(jù)文件進行診斷分析。面對未來整車電氣領域技術的不斷發(fā)展，電氣類數(shù)據(jù)的未來發(fā)展趨勢主要體現(xiàn)在以下3個方面：（1）整車功能復雜化。隨著開發(fā)文件不斷增多，電氣生準范圍及內(nèi)容不斷增多，整車電氣診斷不斷復雜化，車輛電氣故障解析的排查點將由2位數(shù)攀升至3位數(shù)，傳統(tǒng)方式下的解析方式應對艱難。（2）電氣測試數(shù)據(jù)持續(xù)增加。整車電氣測試數(shù)據(jù)由MB級增長至GB級甚至TB級，數(shù)據(jù)解析工作不斷復雜化，且車輛故障解析面臨更多的電控喚醒機制、標定自學習機制等，對報文解析和邏輯判斷技術提出更高的能力要求。（3）整車總線數(shù)據(jù)幾何式增長。整車監(jiān)聽數(shù)據(jù)由GB級別增長至TB級甚至PB級別。數(shù)據(jù)解析工作復雜化，類似于高壓互鎖故障，在借助總線監(jiān)聽、總線開發(fā)環(huán)境（CAN open environment，CANoe）解析總線故障時，數(shù)據(jù)收錄、轉(zhuǎn)譯和分析周期由1個月增加至2個月。因此，在智能診斷技術背景下研究電氣數(shù)據(jù)分析，構(gòu)建一套電氣數(shù)據(jù)分析工具，運用數(shù)字化技術輔助人工開展數(shù)據(jù)分析，實現(xiàn)電氣系統(tǒng)故障智能分析，可以顯著提升故障分析及診斷能力。

在電氣大數(shù)據(jù)故障分析模型的研究中，國內(nèi)外的研究方法存在很多相似之處。兩者均采用了傳統(tǒng)統(tǒng)計方法和深度學習方法，并且注重數(shù)據(jù)的收集、預處理和特征工程等環(huán)節(jié)。其區(qū)別在于國外研究通常具有更大規(guī)模的數(shù)據(jù)集，包含更多樣的設備和故障情況，為模型的建立和評估提供了更多信息，且國外的研究更加注重學術研究和算法的發(fā)展。國內(nèi)研究更注重與實際工業(yè)應用的結(jié)合，對于故障分析模型的實際部署和應用具有更豐富的經(jīng)驗。國內(nèi)外對電氣大數(shù)據(jù)故障分析模型的研究均取得了一定進展。本文研究成果基于硬件在環(huán)仿真（Hardware-in-the-loop Simulation，HIL）臺架試驗，應用深度學習模型，實時進行故障診斷與預測。著力于實際汽車生產(chǎn)制造過程的電氣故障排查，對車輛質(zhì)量提升具有更高經(jīng)濟價值與社會價值。

技術架構(gòu)

本文提出的技術架構(gòu)主要包括電氣數(shù)據(jù)智能分析與展示、基于深度學習的多目標優(yōu)化故障識別模型以及基于現(xiàn)有HIL測試臺架的故障智能診斷系統(tǒng)3個部分。（1）電氣數(shù)據(jù)的智能分析和大數(shù)據(jù)展示旨在提升數(shù)據(jù)查詢和比較的便捷性，為電子電氣故障智能診斷、數(shù)據(jù)智能分析以及電氣故障排查提供可視化分析和更加可靠的數(shù)據(jù)支持。通過對電氣設備監(jiān)測數(shù)據(jù)處理和分析，實現(xiàn)對電氣運行參數(shù)、運行狀態(tài)等數(shù)據(jù)的實時監(jiān)控和預報警推送。在系統(tǒng)內(nèi)注入電氣故障信號后，系統(tǒng)基于故障預測模型快速反饋故障的電氣設備和電氣故障的原因，并基于計算的概率進行排序，給業(yè)務人員維護建議。（2）基于深度學習的多目標優(yōu)化故障識別模型旨在提供故障分析的決策優(yōu)化建議[1-8]。通過分析監(jiān)測到的電氣數(shù)據(jù)，利用故障預測模型預測設備運行狀態(tài)。針對故障電氣設備或元件，智能分析工具根據(jù)電子電氣系統(tǒng)邏輯、預訓練的電子電氣系統(tǒng)故障模式模型、故障知識庫以及電子電氣維修知識庫，采用多目標優(yōu)化技術（如Pareto優(yōu)化、遺傳算法、免疫算法、多梯度下降算法），快速確定故障原因、故障元器件，以及滿足目標條件（如維修時間最短、維修成本最低）的最優(yōu)維修策略建議。（3）故障智能診斷系統(tǒng)開發(fā)旨在實現(xiàn)對現(xiàn)有HIL測試臺架數(shù)據(jù)的無縫連接并進行數(shù)據(jù)分析[11-12]。電子電氣故障智能診斷是一個開放的故障預測和智能診斷平臺，支持多種數(shù)據(jù)接入形式。對于在線設備信息接入，該系統(tǒng)能夠提供多種標準化接口（Application Programming Interface，API），主要包括REST API、SOAP API以及SQL/No-SQL數(shù)據(jù)接口。通過數(shù)據(jù)接口將設備信息快速接入故障智能診斷系統(tǒng)，用于數(shù)據(jù)分析和故障預測。對于基于文檔的離散數(shù)據(jù)，該系統(tǒng)提供了常用文件格式數(shù)據(jù)提取，如Excel、CSV、JSON、TXT。針對現(xiàn)有的HIL測試臺架數(shù)據(jù)，該系統(tǒng)可以通過標準化接口直接讀取臺架測試數(shù)據(jù)，進行臺架數(shù)據(jù)的智能分析、故障預測、以及故障分析和決策。

技術方法與模型構(gòu)建

基于智能診斷技術，開發(fā)了一套適應整車電子電氣系統(tǒng)的電氣數(shù)據(jù)分析工具，可以實現(xiàn)電氣故障智能診斷分析及電氣數(shù)據(jù)的智能分析和大數(shù)據(jù)展示，便于數(shù)據(jù)查詢和比對。基于深度學習的多目標優(yōu)化，建立故障預測模型，該模型旨在為故障分析提供決策優(yōu)化建議。

1.7數(shù)據(jù)采集融合

多源數(shù)據(jù)融合對于電氣數(shù)據(jù)分析和數(shù)據(jù)建模具有重要作用[13-17]。存儲在不同系統(tǒng)或磁盤中的數(shù)據(jù)可通過前文提及的多源數(shù)據(jù)提取組件實現(xiàn)從離散數(shù)據(jù)到流數(shù)據(jù)（Streaming Data）格式的轉(zhuǎn)換。流數(shù)據(jù)是指以實時或連續(xù)的方式生成和傳輸?shù)臄?shù)據(jù)，具有實時性、高速性、多樣性以及大規(guī)模性的特點。流數(shù)據(jù)的處理需采用特定的技術和工具，如流處理引擎、復雜事件處理（Complex Event Processing，CEP）系統(tǒng)、實時分析和深度學習算法。本文采用實時分析和機器學習算法對流數(shù)據(jù)進行實時處理和分析，實現(xiàn)數(shù)據(jù)的實時洞察和響應功能。數(shù)據(jù)存儲具有分散性，但其存在一定關聯(lián)性。為了更有效地分析和處理數(shù)據(jù)，本研究采用數(shù)據(jù)融合方法，將分散的數(shù)據(jù)整合為結(jié)構(gòu)化的表格，便于進行綜合分析與利用。

數(shù)據(jù)融合方法的基本原理為將參考參數(shù)相同的數(shù)據(jù)聚合在一起。本項目中，根據(jù)使用場景和數(shù)據(jù)類型，開發(fā)了4種多源數(shù)據(jù)融合組件。（1）合并數(shù)據(jù)（Merge Data）。合并來自不同數(shù)據(jù)源的具有相同參數(shù)值的數(shù)據(jù)，形成一條數(shù)據(jù)記錄，針對不同數(shù)據(jù)源的數(shù)據(jù)設置參考參數(shù)。（2）連接數(shù)據(jù)（Join Data）。根據(jù)指定的參數(shù)，在參數(shù)值一致的情況下，將多個數(shù)據(jù)源的數(shù)據(jù)擴展至現(xiàn)有數(shù)據(jù)記錄中，使用Join Using參數(shù)指定參考參數(shù)。（3）分組數(shù)據(jù)（Group Data）。將具有相同參數(shù)值的所有數(shù)據(jù)記錄分組到單一數(shù)據(jù)記錄中，需要指定參考參數(shù)，使用Group Using指定分組操作。（4）透視數(shù)據(jù)（Pivot Data）。透視數(shù)據(jù)是將狹窄的數(shù)據(jù)轉(zhuǎn)換為寬數(shù)據(jù)表的方法。根據(jù)指定的列，將列的值轉(zhuǎn)換成列名，將另一列的值轉(zhuǎn)換為列值，并使用鍵屬性值進行合并。

1.8特征參數(shù)與建模

在接入電氣故障診斷系統(tǒng)時，由于數(shù)據(jù)來源和格式具有多樣性，首先需基于數(shù)據(jù)結(jié)構(gòu)和特點，采取數(shù)據(jù)預處理步驟，如數(shù)據(jù)合并、數(shù)據(jù)拆分和數(shù)據(jù)轉(zhuǎn)化，將相關數(shù)據(jù)聚合成一個標準化、結(jié)構(gòu)化的表格形式。完成數(shù)據(jù)聚合后，需對整合后的數(shù)據(jù)進行進一步處理，對其中異常數(shù)據(jù)和無效數(shù)據(jù)等進行清洗、填充或者替換處理，提升數(shù)據(jù)質(zhì)量。獲得高質(zhì)量的電氣數(shù)據(jù)后，使用數(shù)據(jù)分析模塊對數(shù)據(jù)進行初步的探索分析（如聚類分析、統(tǒng)計分析），了解數(shù)據(jù)的分布情況以及分布趨勢，輔助確定特征參數(shù)。可選數(shù)據(jù)獲取途徑包括通過汽車車載自動診斷系統(tǒng)（On-Board Diagnostics，OBD）接口獲取CAN總線上的數(shù)據(jù)，或者基于HIL臺架獲取一段時間內(nèi)電氣系統(tǒng)的運行數(shù)據(jù)。

本研究采用基于深度學習的檢測模型構(gòu)建汽車電氣系統(tǒng)運行狀態(tài)特征。該模型采用深度學習框架下的自編碼器，對輸入數(shù)據(jù)進行降維，得到表征汽車電氣系統(tǒng)運行狀態(tài)的特征。由于上述獲取的運行數(shù)據(jù)類型較多且汽車各模塊耦合運行，不同類型的運行數(shù)據(jù)間存在強相互聯(lián)系，因此運行數(shù)據(jù)中保留的噪音、細節(jié)和重復信息較多。本研究采用自編碼對運行數(shù)據(jù)進行編碼，可以減少數(shù)據(jù)類型。為了明確區(qū)分和描述數(shù)據(jù)處理過程，將自編碼器的輸入定義為“數(shù)據(jù)”，輸出定義為“特征”，輸出特征的維度低于輸入數(shù)據(jù)的數(shù)據(jù)類型，實現(xiàn)了數(shù)據(jù)的降維。

1.9模型訓練與優(yōu)化

（1）構(gòu)建正常運行數(shù)據(jù)樣本庫

正常檢測模型的特性在于其能夠識別正常運行數(shù)據(jù)。若輸入該模型的運行數(shù)據(jù)為正常運行數(shù)據(jù)，其輸出特征與正常特征庫中的特征相匹配。基于該特性，構(gòu)建正常運行數(shù)據(jù)樣本庫，對待訓練模型進行訓練，從而優(yōu)化待訓練模型的編碼器參數(shù)，使其自編碼器滿足上述特性，成為正常檢測模型。

（2）模型訓練

在對待訓練模型進行訓練過程中，將第一組正常運行數(shù)據(jù)樣本和第二組正常運行數(shù)據(jù)樣本先后輸入至所述待訓練模型，通過最小化所述第一組正常運行數(shù)據(jù)樣本與編解碼后數(shù)據(jù)的距離以及所述第二組正常運行數(shù)據(jù)樣本的編碼后特征與所述第一組正常運行數(shù)據(jù)樣本的編碼后特征的距離，優(yōu)化所述待訓練模型的編碼器參數(shù)。解碼器的參數(shù)采用預設參數(shù)，或在每次訓練中與自編碼器一起進行優(yōu)化。

訓練過程中構(gòu)建損失函數(shù)，用于訓練正常檢測模型：

（1）

式中：L為損失量，a為損失偏置，i為第i次量，n為一組正常運行數(shù)據(jù)樣本中數(shù)據(jù)類型的總數(shù)，xi為第一組正常運行數(shù)據(jù)樣本的編解碼后數(shù)據(jù)，yi為第一組正常運行數(shù)據(jù)樣本，d為一組正常運行數(shù)據(jù)樣本的編碼后特征的維度總數(shù)，zi為第一組運行數(shù)據(jù)樣本的編碼后特征，z'i為第二組正常行數(shù)據(jù)樣本的編碼后特征，表示正常運行對應的損失權重。

在具體實施過程中，根據(jù)所述多個輸出特征構(gòu)建正常特征庫。從所述多個輸出特征中，選取相關性最強的輸出特征（至少1個）構(gòu)成正常特征庫。在特征比對過程中，采用相關性度量標準判斷特征匹配情況。若一特征與正常特征庫中的任一特征的相關性足夠高（例如歐式距離lt;0.01），則判定該特征與正常特征庫中的特征匹配。在模型應用中，若輸入正常檢測模型的正常運行數(shù)據(jù)樣本為正常運行一段時間產(chǎn)生的運行數(shù)據(jù)，則正常檢測模型輸出的特征為多條曲線或二維矩陣。每條曲線反映輸出特征中的一個維度隨時間的變化規(guī)律，如當d=4時，存在4條曲線，維矩陣的行和列分別為輸出特征的不同維度和不同時刻。正常特征庫中的特征也可以是多條曲線或二維矩陣。在特征比對過程中，若某特征中包括的每條曲線與正常特征庫中任一特征的每條曲線均匹配，則該特征與正常特征庫中的特征匹配；若某特征對應的二維矩陣與正常特征庫中任一特征對應的二維矩陣中每個元素均匹配，則該特征與正常特征庫中的特征匹配。

1.10數(shù)據(jù)識別

根據(jù)特征參數(shù)構(gòu)建預測模型和故障分析及決策優(yōu)化的對訓練數(shù)據(jù)質(zhì)量和數(shù)量的要求，系統(tǒng)支持使用內(nèi)置或開發(fā)的標準模塊構(gòu)建臺架試驗測試用例工作流，基于設定范圍自動化生成對應的HIL/試車測試工況場景[18-23]。具體故障數(shù)據(jù)識別流程如圖1所示。

本研究采用了3類結(jié)構(gòu)相同但參數(shù)不同的自編碼器，每個自編碼器對應一種運行狀態(tài)。正常檢測模型的特性是若輸入該模型的運行數(shù)據(jù)為正常運行數(shù)據(jù)，則該模型輸出的特征與正常特征庫中的特征匹配。故障種類的故障檢測模型的特性是若輸入該模型的運行數(shù)據(jù)為出現(xiàn)該種故障時的運行數(shù)據(jù)，則該模型輸出的特征與該故障種類對應的特征庫中的特征匹配。故障種類組合對應的故障檢測模型的特性是若輸入該模型的運行數(shù)據(jù)為出現(xiàn)該故障種類組合時的運行數(shù)據(jù)，則該模型輸出的特征與該故障種類組合對應的特征庫中的特征匹配。

首次使用所述正常檢測模型的輸出特征與正常特征庫進行比對，若所述正常檢測模型的輸出特征與正常特征庫中的特征不匹配，表明電氣發(fā)生了故障。為了確定具體故障種類或組合，分別將每個故障檢測模型輸出的特征與對應的特征庫進行比對。

本文中所開發(fā)的電子電氣故障智能診斷系統(tǒng)包含多數(shù)據(jù)源數(shù)據(jù)接入、數(shù)據(jù)分析、數(shù)據(jù)清洗、數(shù)據(jù)模型開發(fā)、多參數(shù)優(yōu)化以及數(shù)據(jù)展示等模塊。數(shù)據(jù)提取工具集通過數(shù)據(jù)接口實現(xiàn)在線數(shù)據(jù)和離線數(shù)據(jù)的接入，實時基于監(jiān)測電氣數(shù)據(jù)進行預測未來1小時或3小時內(nèi)電氣設備發(fā)生故障的可能性。針對可能發(fā)生故障或已發(fā)生故障信息，故障分析模型基于進化算法，或Pareto多參數(shù)優(yōu)化算法，以及故障知識庫快速反饋引起故障的原因和故障電氣元器件。此外，基于監(jiān)測的電氣數(shù)據(jù)和基于模型預測的電氣故障信息，使用數(shù)據(jù)可視化模塊中預定義的各種圖表進行智能展示，如熱力圖和趨勢圖。

故障智能診斷系統(tǒng)實現(xiàn)

汽車電控域故障智能診斷系統(tǒng)采用目前比較成熟的統(tǒng)計分析、深度學習等大數(shù)據(jù)挖掘技術構(gòu)建電氣系統(tǒng)電氣系統(tǒng)數(shù)據(jù)智能分析、故障預測、故障智能診斷分析模型，具體電氣故障預測模型如圖2所示。根據(jù)監(jiān)測到的電氣數(shù)據(jù)，利用故障預測模型預測設備運行狀態(tài)。對于故障電氣設備或元件，故障智能分析工具及根據(jù)電子電氣系統(tǒng)邏輯，預訓練的電子電氣系統(tǒng)故障模式模型、故障知識庫、電子電氣維修知識庫等，采用多目標優(yōu)化技術（如Pareto優(yōu)化、遺傳算法、免疫算法、PSO、多梯度下降算法），快速給出故障原因、故障元器件，以及滿足目標條件（如維修時間最短、維修成本最低）的最優(yōu)維修策略建議。實現(xiàn)電氣系統(tǒng)數(shù)據(jù)在線智能分析，動態(tài)展示設備運行參數(shù)、運行狀態(tài)、故障發(fā)生概率以及故障發(fā)生原因和故障電氣元件指認，縮短電氣系統(tǒng)監(jiān)聽數(shù)據(jù)收錄、轉(zhuǎn)譯和分析周期，提高故障維護效率，降低安全事故發(fā)生概率。

（1）無縫連接HIL測試臺架數(shù)據(jù)并設計對應的HIL/試車測試工況場景。電控域故障智能診斷是一個開放的故障預測和智能診斷平臺，平臺支持多種數(shù)據(jù)接入形式。對于在線設備信息接入，能夠提供多種標準化API接口，如REST API、SOAP API以及SQL/No-SQL數(shù)據(jù)接口。通過數(shù)據(jù)接口將設備信息快速接入故障智能診斷系統(tǒng)，用于數(shù)據(jù)分析和故障預測，如圖3所示，可在平臺中選擇車型及控制器，導入臺架數(shù)據(jù)。對于基于文檔的離散數(shù)據(jù)，該系統(tǒng)提供了常用文件格式數(shù)據(jù)提取，如Excel、CSV、JSON、TXT等。針對現(xiàn)有的HIL測試臺架數(shù)據(jù)，該系統(tǒng)可以通過標準化接口直接讀取臺架測試數(shù)據(jù)，進行臺架數(shù)據(jù)的智能分析、故障預測以及故障分析和決策。根據(jù)系統(tǒng)構(gòu)建預測模型和故障分析及決策優(yōu)化的對訓練數(shù)據(jù)質(zhì)量和數(shù)量的需要，系統(tǒng)支持使用內(nèi)置或開發(fā)的標準模塊構(gòu)建臺架實驗測試用例DOE工作流，基于設定范圍自動化生成對應的HIL/試車測試工況場景。

（2）故障信息采集、數(shù)學模型分析、分析結(jié)果智能呈現(xiàn)[24-25]。整車電控域系統(tǒng)故障智能診斷系統(tǒng)提供的數(shù)據(jù)分析工具包含多數(shù)據(jù)源數(shù)據(jù)接入、數(shù)據(jù)分析、數(shù)據(jù)清洗、數(shù)據(jù)模型開發(fā)、多參數(shù)優(yōu)化以及數(shù)據(jù)展示等模塊。如圖3所示，數(shù)據(jù)提取模塊通過數(shù)據(jù)接口實現(xiàn)在線數(shù)據(jù)和離線數(shù)據(jù)的接入與查詢，包括故障數(shù)據(jù)和待識別數(shù)據(jù)。實時基于監(jiān)測電氣數(shù)據(jù)預測電氣設備發(fā)生故障的可能性。針對可能發(fā)生的故障，或者已經(jīng)發(fā)生的故障信息，故障分析模型可以基于多參數(shù)優(yōu)化算法和故障知識庫快速反饋故障原因。此外，基于監(jiān)測的電氣數(shù)據(jù)和基于模型預測的電氣故障信息，使用數(shù)據(jù)可視化模塊中可預定義的各種圖表進行智能展示，如熱力圖、趨勢圖，如圖4所示。

結(jié)束語

本項目成功設計并開發(fā)了電氣故障診斷智能化分析軟件系統(tǒng)，該系統(tǒng)基于大數(shù)據(jù)分析技術，實現(xiàn)了對接入系統(tǒng)電氣數(shù)據(jù)的全面管理與高效利用。系統(tǒng)能夠?qū)崟r展示數(shù)據(jù)變化、電氣設備運行狀態(tài)，精確捕捉發(fā)生故障的時間點，并智能分析故障原因。通過對出現(xiàn)故障的電氣設備進行深度剖析，系統(tǒng)能夠?qū)С鏊泄收闲畔ⅲ⒂行ёR別出引發(fā)故障最為頻繁的電氣設備及其主要原因。這一工具充分利用數(shù)字化技術，極大地輔助了人工數(shù)據(jù)分析工作，實現(xiàn)了電氣系統(tǒng)故障的智能分析，顯著提升了電子電氣領域的故障分析及診斷能力，為汽車電氣故障排查與維護提供了強有力的技術支持。

參考文獻

[1]楊慶川. 基于深度學習的發(fā)動機故障檢測[D]. 杭州： 杭州電子科技大學， 2021.

[2]單凱旋. 基于深度學習的發(fā)動機故障預測方法研究[D]. 天津：中國民航大學， 2019.

[3]梅本祥. 基于MVC模式的車載服務平臺監(jiān)控管理系統(tǒng)研究[D]. 廣州： 廣東工業(yè)大學， 2018.

[4]余志生. 汽車理論[M]. 5 版. 北京： 機械工業(yè)出版社， 2009.

[5]胡天杰. 基于模型的 ECU 硬件在環(huán)仿真研究[D]. 昆明： 昆 明理工大學， 2020.

[6]王望予. 汽車設計[M]. 4 版. 北京： 機械工業(yè)出版社， 2004.

[7]張文杰， 李長龍， 洪宇， 等. 基于大數(shù)據(jù)技術的遠程診斷系統(tǒng)在汽車上的應用[J]. 汽車文摘， 2022（4）： 30-33.

[8]張佳琪. 基于Java Web的車輛試驗管理信息系統(tǒng)的設計與實現(xiàn)[D]. 北京： 北京交通大學， 2016.

[9]盧紹兵. 基于Python的混合語言編程及其實現(xiàn)研究[J]. 科技資訊， 2022， 20（14）： 31-33.

[10]張巍. 基于Python的車輛檢測算法的實現(xiàn)[J]. 機械管理開發(fā)， 2019， 34（12）： 258-261.

[11]程學旗， 靳小龍， 王元卓， 等. 大數(shù)據(jù)系統(tǒng)和分析技術綜述[J]. 軟件學報， 2014， 25（9）： 1889-1908.

[12]趙力. 基于大數(shù)據(jù)處理的車輛監(jiān)控系統(tǒng)的設計與實現(xiàn)[D]. 北京： 北京交通大學， 2019.

[13]曾憲宇. 基于大數(shù)據(jù)技術的車輛監(jiān)控系統(tǒng)的優(yōu)化與實現(xiàn)[D].長春： 吉林大學， 2016.

[14]李國杰， 程學旗. 大數(shù)據(jù)研究：未來科技及經(jīng)濟社會發(fā)展的重大戰(zhàn)略領域——大數(shù)據(jù)的研究現(xiàn)狀與科學思考[J]. 中國科學院院刊， 2012， 27（6）： 647-657.

[15]曾雷. 大數(shù)據(jù)研究綜述[J]. 軟件導刊， 2015， 14（8）： 1-2.

[16]付巖， 李洪茹. 關于整車企業(yè)數(shù)字化轉(zhuǎn)型系統(tǒng)架構(gòu)的研究[J]. 汽車文摘， 2022（7）： 20-26.

[17]王茹葳. Java編程語言在大數(shù)據(jù)開發(fā)中的應用[J]. 電子技術， 2022， 51（1）： 160-161.

[18]郭陽， 常英賢. 淺談Java語言在計算機軟件開發(fā)中的應用[J]. 數(shù)字通信世界， 2022（1）： 88-90+94.

[19]張佳琪. 基于Java Web的車輛試驗管理信息系統(tǒng)的設計與實現(xiàn)[D]. 北京： 北京交通大學， 2016.

[20]李健. 基于深度學習的變循環(huán)發(fā)動機氣路故障診斷[D]. 上海： 上海交通大學， 2019.

[21]洪驥宇. 基于深度學習的航空發(fā)動機可靠性分析[D]. 南京：南京航空航天大學， 2018.

[22]周亦人， 邱小林， 郭志強. 基于深度學習理論的發(fā)動機氣門機構(gòu)故障識別[J]. 制造業(yè)自動化， 2017， 39（11）： 89-93.

[23]嚴冰. 深度學習在航空發(fā)動機故障診斷中的應用[D]. 上海：上海交通大學， 2017.

[24]Ostrowski K， Birman K， Dolev D. Extensible Architecture for High-Performance， Scalable， Reliable Publish-Subscribe Eventing and Notification[J]. International Journal of Web Services Research， 2007， 4（4）： 18-58.

[25]YANG J. Web Service Componentization[J]. Communications of the ACM， 2003， 46（10）： 35-40.