本发明涉及车载故障监测与诊断，更具体地，本发明涉及一种车辆走行部车载故障在线监测诊断系统、装置、介质和计算设备。
背景技术：
1、现有的车辆走行部故障监测技术主要依赖于传统的传感器和人工检查方法，这些方法往往在故障发生后才能进行识别，缺乏预防性维护的能力。技术原理通常基于对车辆运行状态的实时监控，通过传感器收集数据，然后通过阈值判断或简单的算法分析来识别异常。然而，这些方法在故障预测方面存在明显的局限性，主要表现在对数据的深度分析和应用能力不足，难以实现对复杂故障模式的早期识别和预警。
2、在实现本发明实施例过程中，发明人发现现有技术中至少存在如下问题或缺陷：首先，传统的故障监测系统往往反应迟缓，无法实现实时或近实时的故障诊断；其次，由于缺乏高效的数据处理和分析能力，现有系统难以从大量运行数据中准确识别出故障征兆；最后，现有技术在故障预测方面的能力有限，往往只能在故障发生后进行被动应对，缺乏主动预防和维护的能力。这些问题导致了维护成本的增加和行车安全的隐患。
技术实现思路
1、本发明提供了一种车辆走行部车载故障在线监测诊断系统、装置、介质和计算设备。
2、在本发明的第一方面中，提供了一种车辆走行部车载故障在线监测诊断系统，包括：
3、分别对每个车轮进行区域划分，每个车轮形成至少两个车轮子区域；
4、对所述车轴进行区域划分，形成至少两个车轴子区域；
5、基于预设时间间隔分别获取每个车轮子区域、每个车轴子区域的若干个历史故障数据；
6、基于所述预设时间间隔分别获取每个车轮子区域、每个车轴子区域的若干个历史运行状态数据；
7、基于同一个车轮子区域或者同一个车轴子区域获取所述历史故障数据与所述历史运行状态数据的比值，并将所述比值定义为历史故障概率；
8、通过机器学习算法分别学习并训练每个车轮子区域以及每个车轴子区域的历史故障概率，得到诊断模型；
9、基于预设诊断步数通过所述诊断模型分别诊断每个车轮子区域以及每个车轴子区域的未来故障概率。
10、进一步地，基于预设时间间隔分别获取每个车轮子区域、每个车轴子区域的若干个历史故障数据，包括：
11、通过传感器实时监测所述车辆走行部的运行状态；
12、通过数据分析算法获取所述运行状态的异常指标；
13、分别判断每个车轮子区域或者每个车轴子区域是否存在所述异常指标；
14、若存在，则将存在所述异常指标的车轮子区域或者车轴子区域分别记录一次故障数据；
15、基于所述预设时间间隔分别获取每个车轮子区域、每个车轴子区域的所有历史故障数据。
16、进一步地，通过数据分析算法获取所述运行状态的异常指标，包括：
17、通过第一预设频率的采样获取车辆走行部的运行参数；
18、基于每个采样参数分别预测预设个数的故障特征值；
19、定义所述故障特征值具有最高的置信度；
20、在所有置信度中获取置信度最高的故障特征值，作为关键故障特征；
21、计算所述关键故障特征值与故障特征值的关联度；
22、保留关联度大于等于预设比值的关键故障特征值，作为异常指标；
23、获取所有异常指标的集合。
24、进一步地，基于所述预设时间间隔分别获取每个车轮子区域、每个车轴子区域的若干个历史运行状态数据，包括：
25、通过持续监测获取所述车辆走行部的运行状态数据；
26、通过状态识别算法获取所述运行状态数据中的故障特征点；
27、分别判断每个车轮子区域或者每个车轴子区域是否存在所述故障特征点；
28、若存在，则将存在所述故障特征点的车轮子区域或者车轴子区域分别记录一次运行状态数据；
29、基于所述预设时间间隔分别获取每个车轮子区域、每个车轴子区域的所有历史运行状态数据。
30、进一步地，通过状态识别算法获取所述运行状态数据中的故障特征点，包括：
31、将所述运行状态数据进行标准化处理，得到标准化状态数据；
32、利用关键运行参数分析技术识别潜在故障特征点；
33、通过时间序列分析方法确定故障特征点的持续性和稳定性；
34、将确认的故障特征点集成，形成故障特征序列。
35、进一步地，通过机器学习算法分别学习并训练每个车轮子区域以及每个车轴子区域的历史故障概率，得到诊断模型，包括：
36、基于预设时间间隔生成若干个采集时间点；
37、基于所有采集时间点分别获取每个车轮子区域以及每个车轴子区域历史故障概率，生成一个数据集；
38、整合所有数据集以形成总数据集；
39、对所述总数据集进行标准化处理；
40、将所述标准化数据集按照预设比例划分为训练集和验证集；
41、定义神经网络模型的拓扑结构；
42、将训练集输入至神经网络模型，进行迭代训练，获取最小均方根误差对应的诊断模型。
43、进一步地，所述神经网络模型通过以下公式表征故障概率的具体计算过程：
44、其中，表示输出的故障概率；表示第个输入特征到隐含层的权重；表示第个输入特征值；表示隐含层的偏置；表示激活函数。
45、在本发明的第二方面中，提供了一种车辆走行部车载故障在线监测诊断装置，包括：
46、车轮区域划分模块，用于分别对每个车轮进行区域划分，每个车轮形成至少两个车轮子区域；
47、车轴区域划分模块，用于对所述车轴进行区域划分，形成至少两个车轴子区域；
48、历史故障数据获取模块，用于基于预设时间间隔分别获取每个车轮子区域、每个车轴子区域的若干个历史故障数据；
49、历史运行状态数据获取模块，用于基于所述预设时间间隔分别获取每个车轮子区域、每个车轴子区域的若干个历史运行状态数据；
50、历史故障概率定义模块，用于基于同一个车轮子区域或者同一个车轴子区域获取所述历史故障数据与所述历史运行状态数据的比值，并将所述比值定义为历史故障概率；
51、诊断模型获取模块，用于通过机器学习算法分别学习并训练每个车轮子区域以及每个车轴子区域的历史故障概率，得到诊断模型；
52、未来故障概率诊断模块，用于基于预设诊断步数通过所述诊断模型分别诊断每个车轮子区域以及每个车轴子区域的未来故障概率。
53、本发明的第三方面中，提供了一种电子设备，所述电子设备包括：至少一个处理器、存储器和输入输出单元；其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中存储的计算机程序来执行第一方面中任一项所述的方法。
54、在本发明的第四方面中，提供了一种计算机可读存储介质，其包括指令，当其在计算机上运行时，使得计算机执行第一方面中任一项所述的方法。
55、根据本发明的上述实施例至少具有以下有益效果：本发明的车辆走行部车载故障在线监测诊断系统，通过精细的区域划分和历史数据的深入分析，可以显著提升故障检测的精确度。系统能够基于历史故障概率和运行状态数据，利用机器学习算法建立诊断模型，从而实现对车辆走行部未来故障概率的预测。这种预测能力使得维护工作可以更加有针对性和及时，减少因突发故障导致的停机时间和维修成本。
56、此外，该系统通过实时监测和智能分析，可以及时发现并预警潜在的故障，从而为车辆的预防性维护提供强有力的支持。这种主动式的故障管理方式不仅可以提高车辆的运行效率和可靠性，而且可以增强行车安全性，为驾驶者和乘客提供更加安心的出行体验。通过不断的学习和优化，系统能够适应不同的运行环境和条件，确保在各种情况下都能提供准确的故障诊断结果。
1.一种车辆走行部车载故障在线监测诊断系统，所述车辆走行部包括固定装设于车辆底盘的车轮，以及转动装设于车轮上的车轴，其特征在于，所述故障在线监测诊断系统执行以下步骤：
2.根据权利要求1所述的故障在线监测诊断系统，其特征在于，基于预设时间间隔分别获取每个车轮子区域、每个车轴子区域的若干个历史故障数据，包括：
3.根据权利要求2所述的故障在线监测诊断系统，其特征在于，通过数据分析算法获取所述运行状态的异常指标，包括：
4.根据权利要求1所述的故障在线监测诊断系统，其特征在于，基于所述预设时间间隔分别获取每个车轮子区域、每个车轴子区域的若干个历史运行状态数据，包括：
5.根据权利要求4所述的故障在线监测诊断系统，其特征在于，通过状态识别算法获取所述运行状态数据中的故障特征点，包括：
6.根据权利要求1所述的故障在线监测诊断系统，其特征在于，通过机器学习算法分别学习并训练每个车轮子区域以及每个车轴子区域的历史故障概率，得到诊断模型，包括：
7.根据权利要求6所述的故障在线监测诊断系统，其特征在于，所述神经网络模型通过以下公式表征故障概率的具体计算过程：
8.一种车辆走行部车载故障在线监测诊断装置，其特征在于，包括：
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有实现如权利要求1至7中任一项所述故障在线监测诊断系统的程序指令。
10.一种存储介质，其特征在于，所述存储介质内存储有程序指令，所述程序指令被处理器执行时实现能够实现如权利要求1至7中任一项所述的故障在线监测诊断系统。
