车辆故障风险评估方法、装置、电子设备及存储介质

技术领域

本发明涉及人工智能技术领域，尤其涉及一种车辆故障风险评估方法、装置、电子设备及计算机可读存储介质。

背景技术

为了提高车辆行驶时的稳定性和安全性，需要定时或不定时对车辆进行故障风险评估，以确定车辆是否存在发生故障的风险。现有技术中，通常通过车辆本身的传感器来进行检测，以确定车辆的性能指标是否良好，例如，通过胎压监测器测量汽车的车胎胎压，以确定车胎是否能够正常运行。

现有技术中的这种车辆故障风险监测评估方法具有一定的滞后性，即发生了故障才通过传感器检测到，因此，现有技术中无法提前预判车辆是否存在故障风险。

发明内容

本发明提供一种车辆故障风险评估方法、装置、电子设备及计算机可读存储介质，目的在于对车辆是否存在故障风险进行提前预测。

为实现上述目的，本发明提供的一种车辆故障风险评估方法，应用于车辆端，所述方法包括：

从服务器端获取待训练的第一故障风险评估模型，并利用所述车辆端的本地训练参数对所述第一故障风险评估模型进行训练，得到训练好的第二故障风险评估模型；

提取所述第二故障风险评估模型中的模型梯度，并将所述模型梯度发送至所述服务器端，以使所述服务器端根据接收到的多个车辆端发送的模型梯度生成第三故障风险评估模型；

接收所述服务器发送的所述第三故障风险评估模型，并通过所述车辆端的车载传感器获取所述车辆端的性能参数；

将所述性能参数输入至所述第三故障风险评估模型，得到所述车辆端的车辆故障风险结果。

可选的，所述本地训练参数包括与所述车辆端相同型号车辆的故障参数及所述故障参数对应的故障风险评估结果，所述利用所述车辆端的本地训练参数对所述第一故障风险评估模型进行训练，得到训练好的第二故障风险评估模型，包括：

步骤I、获取所述故障参数，并将所述故障参数进行清洗处理，得到清洗数据；

步骤II、通过所述第一故障风险评估模型对所述清洗数据进行评估，得到预测评估结果集；

步骤III、计算所述预测评估结果集与所述故障参数对应的故障风险评估结果的误差值，并判断所述误差值是否大于预设误差阈值；

步骤IV：若所述误差值大于所述预设误差阈值，则调整所述第一故障风险评估模型的模型参数，并返回步骤II；

步骤V：若所述误差值不大于所述预设误差阈值，则得到所述第二故障风险评估模型。

可选的，所述所述调整所述第一故障风险评估模型的模型参数，包括：

获取所述预测评估结果集中的预测评估结果及对应故障风险评估结果，计算并更新所述第一故障风险评估模型中的损失函数；

根据所述损失函数调整所述第一故障风险评估模型中的回归函数。。

可选的，所述第一故障风险评估模型包括特征提取网络和多层线性激活层，所述通过所述第一故障风险评估模型对所述清洗数据进行评估，得到预测评估结果集，包括：

利用所述特征提取网络对所述清洗数据进行特征提取，得到训练测试集；

利用所述多层线性激活层对所述训练测试集进行激活操作，得到预测评估结果集。

可选的，所述将所述模型梯度发送至所述服务器端之前，所述方法还包括：

接收所服务器端发送的密钥，利用所述密钥对所述模型梯度进行加密。

可选的，所述接收所述服务器端发送的密钥之前，所述方法还包括：

发送所述车辆端的身份信息至所述服务器端，以使所述服务器端根据所述身份信息进行验证，并在验证通过之后生成所述车辆端对应的密钥。

可选的，所述将所述故障参数进行清洗处理，得到清洗数据，包括：

利用预构建的清洗处理数据库，计算所述故障参数中每个字段的参数的缺失值比例；

按照所述缺失值比例和所述字段的参数的重要性标识，从预设的策略表中获取各个字段的参数对应的填充策略；

根据所述填充策略对所述故障参数进行填充处理，得到所述清洗数据。

为了解决上述问题，本发明还提供一种车辆故障风险评估装置，所述装置包括：

本地训练模型模块，用于从服务器端获取待训练的第一故障风险评估模型，并利用所述车辆端的本地训练参数对所述第一故障风险评估模型进行训练，得到训练好的第二故障风险评估模型；

模型整合模块，用于提取所述第二故障风险评估模型中的模型梯度，并将所述模型梯度发送至所述服务器端，以使所述服务器端根据接收到的多个车辆端发送的模型梯度生成第三故障风险评估模型；

实时参数获取模块，用于接收所述服务器发送的所述第三故障风险评估模型，并通过所述车辆端的车载传感器获取所述车辆端的性能参数；

模型实践模块，用于将所述性能参数输入至所述第三故障风险评估模型，得到所述车辆端的车辆故障风险结果。

为了解决上述问题，本发明还提供一种电子设备，所述电子设备包括：

至少一个处理器；以及，

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的计算机程序指令，所述计算机程序指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行所述的车辆故障风险评估方法。

为了解决上述问题，本发明还提供一种计算机可读存储介质，包括存储数据区和存储程序区，存储数据区存储创建的数据，存储程序区存储有计算机程序；其中，所述计算机程序被处理器执行时实现所述的车辆故障风险评估方法。

本发明实施例车辆端预先从服务器端获取第一故障风险评估模型，并训练得到第二故障风险评估模型，将第二故障风险评估模型的模型梯度发送至服务器端，待服务器对不同车辆端传输的模型梯度进行梯度整合，得到第三故障风险评估模型，接收服务器发送的第三故障风险评估模型，车辆端的车载传感器获取到车辆端的性能参数之后，就能根据预先训练得到的第三故障风险评估模型得到车辆端的车辆故障风险结果，无论车辆是否发生故障，只要获取到了车辆端的性能参数就能进行车辆故障风险的预测，避免了风险预测的滞后性，因此，实现了对车辆是否存在故障风险进行提前预测的目的。同时，接收到的服务器端发送的第三故障风险评估模型，是对各个车辆端训练得到的模型提取到的模型梯度进行联邦学习而生成的，因此第三故障风险评估模型具有较高的准确性，故本发明实施例可以实现准确地对车辆是否存在故障风险进行提前预测的目的。

附图说明

图1为本发明一实施例提供的车辆故障风险评估方法的流程示意图；

图2为本发明一实施例提供的车辆故障风险评估装置的模块示意图；

图3为本发明一实施例提供的实现车辆故障风险评估方法的电子设备的内部结构示意图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种车辆故障风险评估方法。所述车辆故障风险评估方法的执行主体为车辆端，该车辆端为能够被配置为执行本申请实施例提供的该方法的电子设备。换言之，所述车辆故障风险评估方法可以由安装在车辆端设备的软件或硬件来执行。

参照图1所示，为本发明一实施例提供的车辆故障风险评估方法的流程示意图。在本实施例中，所述车辆故障风险评估方法包括：

S1、从服务器端获取待训练的第一故障风险评估模型，并利用所述车辆端的本地训练参数对所述第一故障风险评估模型进行训练，得到训练好的第二故障风险评估模型。

本发明实施例中，可以从服务器端获取一个预构建的待训练的第一故障风险评估模型，所述服务器端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。

优选的，所述第一故障风险评估模型为基于TransForm模型框架构建的卷积神经网络模型。其中，所述TransForm模型框架是在传统神经网络框架中增加自注意力网络而构建的模型，具有并行计算，梯度不消失等优点。

详细地，本发明实施例中，所述本地训练参数包括与所述车辆端相同型号车辆的故障参数及所述故障参数对应的故障风险评估结果，所述利用所述车辆端的本地训练参数对所述第一故障风险评估模型进行训练，得到训练好的第二故障风险评估模型，包括：

步骤I、获取所述故障参数，并将所述故障参数进行清洗处理，得到清洗数据；

所述清洗处理包括数据筛选、去重、分类等操作。

可选的，清洗处理包括通过将故障参数中的隐私信息进行删除。例如，将生产商、车主信息等进行删除。

可选的，清洗处理还包括对车辆故障参数中的缺失值进行填充。

详细地，本发明实施例中，所述将所述故障参数进行清洗处理，得到清洗数据，包括：

利用预构建的清洗处理数据库，计算所述故障参数中每个字段的参数的缺失值比例；

按照所述缺失值比例和所述字段的参数的重要性标识，从预设的策略表中获取各个字段的参数对应的填充策略；

本发明实施例利用存储所述故障参数的数据库中的预构建的函数包，获取所述故障参数的所述缺失值比例，根据所述填充策略对所述故障参数进行填充处理，得到所述清洗数据。

其中，所述填充策略是一种根据针对参数重要性及缺失率两个属性的相互关系对所述故障参数中的空值进行适当填充的策略图。

步骤II、通过所述第一故障风险评估模型对所述清洗数据进行评估，得到预测评估结果集；

详细地，本发明实施例中，所述所述第一故障风险评估模型包括特征提取网络和多层线性激活层，所述通过所述第一故障风险评估模型对所述清洗数据进行评估，得到预测评估结果集，包括：

利用所述特征提取网络对所述清洗数据进行特征提取，得到训练测试集；

利用所述多层线性激活层对所述训练测试集进行激活操作，得到预测结果集。

所述特征提取网络用于将输入所述第一故障风险评估模型的数据进行筛选、排列操作，所述多层线性激活层中包括风险判断神经网络，通过激活所述风险判断神经网络，可以对所述训练测试集进行综合判断，从而实现风险评估。

本发明实施例利用所述特征提取网络从所述量化数据中提取特征数据，得到训练测试集。

例如，提取特征数据，得到的训练测试集为：【车载负重1，引擎发热率1，转向效率1，制动效率1，……】、【车载负重2，引擎发热率2，转向效率2，制动效率2，……】。根据所述多层线性激活层对所述训练测试集进行风险判断，具体的，风险判断包括是否车载负重大于预设第一参数、是否引擎发热率大于预设的第二参数、是否制动效率小于预设的第三参数等，如得到的预测结果集为【“制动风险值、引擎风险值”、“转向风险值”】。

步骤III、计算所述预测评估结果集与所述故障参数对应的故障风险评估结果的误差值，并判断所述误差值是否大于预设误差阈值；

步骤IV、若所述误差值大于所述预设误差阈值，调整所述第一故障风险评估模型的模型参数，并返回步骤II。

所述第一故障风险评估模型训练的过程就是所述模型梯度下降的过程，本发明实施例通过增加预构建的测试样本的数量来进一步减小所述损失函数，来调整所述模型参数，其中，所述模型参数指线性回归函数。

进一步的，本发明实施例中，所述调整所述第一故障风险评估模型的模型参数，包括：

获取所述预测评估结果集中的预测评估结果及对应故障风险评估结果，计算并更新所述第一故障风险评估模型中的损失函数；

根据所述损失函数调整所述第一故障风险评估模型中的回归函数。

其中，所述回归函数指一条尽可能准确的预测下一点的直线，而指所述损失函数为每个参数的结果值与所述回归函数的距离的平方差。本发明实施例增加所述测试样本的数量，求解所述损失函数的最小值，根据解析结果，调整所述回归函数，完成所述第一故障风险评估模型的参数调整。下述为损失函数的计算公式：

其中，L为损失函数，m为所述测试样本的数量，i为第几个所述测试样本，Y

步骤V、若所述误差值不大于所述预设误差阈值，得到所述第二故障风险评估模型。

本实施例中，当若所述误差值大于所述预设误差阈值时，不断调整第一故障风险评估模型的模型参数，直至调整到的最优模型参数使得所述误差值不大于所述预设误差阈值，确定由最优模型参数构成的第一故障风险评估模型为第二故障风险评估模型。

本发明实施例中，训练好的第二故障风险评估模型可以根据车辆实时状况提前预测车辆故障。

S2、提取所述第二故障风险评估模型中的模型梯度，并将所述模型梯度发送至所述服务器端，以使所述服务器端根据接收到的多个车辆端发送的模型梯度生成第三故障风险评估模型。

详细地，本发明实施例中，所述将所述模型梯度发送至所述服务器端之前，所述方法还包括：

接收所服务器端发送的密钥，利用所述密钥对所述模型梯度进行加密。

优选的，所述接收所述服务器端发送的密钥之前，所述方法还包括：

发送所述车辆端的身份信息至所述服务器端，以使所述服务器端根据所述身份信息进行验证，并在验证通过之后生成所述车辆端对应的密钥。

具体的，在服务器端，由服务器生成车辆端对应的密钥和公钥，密钥用于加密，公钥用于解密。

具体的，本发明实施例中，将第二故障风险评估模型中的各个函数的参数进行提取，得到模型梯度，并利用密钥将模型梯度进行加密，得到加密的梯度模型，并将加密的梯度模型发送至服务器，服务器可以利用与私钥对应的公钥对接收到的模型梯度进行解密。

详细地，本发明实施例中，服务器端生成第三故障风险评估模型，包括：

步骤A、服务器端发送待训练的第一故障风险评估模型至多个车辆端；

步骤B、服务器端接收所述多个车辆端通过训练所述第一故障风险评估模型得到的训练好的第二故障风险评估模型的多个模型梯度；

步骤C、服务器端对所述多个模型梯度进行汇总处理，得到联合梯度；

步骤D、服务器端利用所述联合梯度构建联合评估模型，并判断所述联合评估模型是否处于收敛状态；

步骤E、当所述联合评估模型为未收敛状态，服务器端重新开始执行步骤B的操作，直至所述所述联合评估模型为收敛状态，得到第三故障风险评估模型。

本发明实施例中，通过步骤A至步骤E的过程，得到第三风险评估模型，并将第三故障风险评估模型发送至与服务器通信的各个车辆端。

其中，在服务器端对多个模型梯度进行汇总处理时，若多个梯度模型为加密的，则对加密的梯度模型进行解密，并对解密后的梯度模型进行加权处理，得到联合梯度。

本发明实施例中，由于不同车辆端的存在不同的差异，例如，车辆类型不同、车辆耗损不同，因此对各个车辆训练后发送到服务器端的模型梯度进行权重分配组合，得到联合梯度，进而得到的第三故障风险评估模型能够适应对不同车辆进行故障风险评估，即本发明进行的车辆故障风险评估具有一定的普适性。

本发明实施例构建联合评估模型后，对所述联合评估模型进行模型的性能评估，可以得到训练完成后模型的评估结果，当评估结果不合格则重新构建模型，当评估结果合格的模型为最终的所述联合评估模型，完成模型自身的准确性判断。

进一步的，可以判断训练完成的模型是否比上一个模型更加精确，当模型产生结果的精确度达到稳定高度，判断模型处于收敛状态。

本发明实施例中，服务器端利用所述联合梯度构建联合评估模型之后，服务器端还根据预设的下述指标加权策略对所述联合评估模型进行性能测试，得到评估分数，其中，所述性能测试操作的函数如下：

F＝0.3*FRR+0.7*FAR

FRR＝FN/(TP+FN)*100％

FAR＝FP/(TN+FP)*100％

其中，F为评估分数，FRR表示拒识率，FAR表示误识率，TP为测试结果无风险，实际无风险，FP为测试结果无风险，实际有风险，FN为测试结果有风险，实际有风险，TN为测试结果有风险，实际无风险。

本发明实施例中，所述拒识率是指将有风险误作为无风险的概率，所述误识率是将无风险误作为有风险的概率。

本发明实施例将得到的评估分数与预设阈值进行比较，当所述评估分数大于预设阈值，评估所述联合评估模型不合格，并需要重新对所述联合评估模型进行训练；当所述评估分数小于或者等于预设阈值时，评估所述联合评估模型合格，训练过程结束，得到所述联合评估模型。

进一步的，本发明实施例中，所述判断所述联合评估模型是否处于收敛状态，包括：

对所述联合评估模型进行梯度值计算，将当前计算得到的梯度值与预设数据库中存储的历史梯度值进行比较；

当所述当前计算得到的梯度值与所述历史梯度值之间的差值小于或等于预设值时，则判断所述联合评估模型处于收敛状态；

当所述当前计算得到的梯度值与所述历史梯度值之间的差值大于所述预设值时，则判断所述联合评估模型尚未处于收敛状态。

S3、接收所述服务器发送的所述第三故障风险评估模型，并根据所述车辆端的车载传感器获取所述车辆端的性能参数。

本发明实施例可以利用车载操作系统、传感器等设备获取性能参数，性能参数包括性能指标(如车载负重、引擎发热率等)和/或与车辆端行驶有关的内部状态指标(如转向、制动、行驶等各个指标)。

可选的，在获取到车辆端的性能参数之后，可以对车辆端的性能参数进行结构化处理，得到性能参数量化后的量化数据。

S4、将所述性能参数输入至所述第三故障风险评估模型，得到所述车辆端的车辆故障风险结果。

本发明实施例中，车辆故障风险结果可以为具体的表示风险的数值或者是表示风险的等级。

可选的，本发明一实施例中，当车辆故障风险结果不为低风险时，发送预警提醒，有利于车辆维护人员尽早对进行相应的维护处理，从而提高车辆使用时的安全性。

本发明实施例车辆端预先从服务器端获取第一故障风险评估模型，并训练得到第二故障风险评估模型，将第二故障风险评估模型的模型梯度发送至服务器端，待服务器对不同车辆端传输的模型梯度进行梯度整合，得到第三故障风险评估模型，接收服务器发送的第三故障风险评估模型，车辆端的车载传感器获取到车辆端的性能参数之后，就能根据预先训练得到的第三故障风险评估模型得到车辆端的车辆故障风险结果，无论车辆是否发生故障，只要获取到了车辆端的性能参数就能进行车辆故障风险的预测，避免了风险预测的滞后性，因此，实现了对车辆是否存在故障风险进行提前预测的目的。同时，接收到的服务器端发送的第三故障风险评估模型，是对各个车辆端训练得到的模型提取到的模型梯度进行联邦学习而生成的，因此第三故障风险评估模型具有较高的准确性，故本发明实施例可以实现准确地对车辆是否存在故障风险进行提前预测的目的。

如图2所示，是本发明车辆故障风险评估装置的模块示意图。

本发明所述车辆故障风险评估装置100可以安装于车辆端或安装于车辆端的电子设备中。根据实现的功能，所述车辆故障风险评估装置可以包括本地训练模型模块101、模型整合模块102、实时参数获取模块103、模型实践模块104。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

本地训练模型模块101，用于从服务器端获取待训练的第一故障风险评估模型，并利用所述车辆端的本地训练参数对所述第一故障风险评估模型进行训练，得到训练好的第二故障风险评估模型。

本发明实施例中，可以从服务器端获取一个预构建的待训练的第一故障风险评估模型，所述服务器端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。

优选的，所述第一故障风险评估模型为基于TransForm模型框架构建的卷积神经网络模型。其中，所述TransForm模型框架是在传统神经网络框架中增加自注意力网络而构建的模型，具有并行计算，梯度不消失等优点。

详细地，本发明实施例中，所述本地训练参数包括与所述车辆端相同型号车辆的故障参数及所述故障参数对应的故障风险评估结果，所述本地训练模型模块101具体用于：

从服务器端获取待训练的第一故障风险评估模型；

获取所述故障参数，并将所述故障参数进行清洗处理，得到清洗数据；

通过所述第一故障风险评估模型对所述清洗数据进行评估，得到预测评估结果集；

计算所述预测评估结果集与所述故障参数对应的故障风险评估结果的误差值，并判断所述误差值是否大于预设误差阈值；

若所述误差值大于所述预设误差阈值，调整所述第一故障风险评估模型的模型参数，并返回通过所述第一故障风险评估模型对所述清洗数据进行评估，得到预测评估结果集的操作；

若所述误差值不大于所述预设误差阈值，得到所述第二故障风险评估模型。

所述清洗处理包括数据筛选、去重、分类等操作。

可选的，清洗处理包括通过将故障参数中的隐私信息进行删除。例如，将生产商、车主信息等进行删除。

可选的，清洗处理还包括对车辆故障参数中的缺失值进行填充。

详细地，本发明实施例中，所述将所述故障参数进行清洗处理，得到清洗数据，包括：

利用预构建的清洗处理数据库，计算所述故障参数中每一个字段的参数的缺失值比例；

按照所述缺失值比例和所述字段的参数的重要性标识，从预设的策略表中获取各个字段的参数对应的填充策略；

本发明实施例利用存储所述故障参数的数据库中的预构建的函数包，获取所述故障参数的所述缺失值比例，根据所述填充策略对所述故障参数进行填充处理，得到所述清洗数据。

其中，所述填充策略是一种根据针对参数重要性及缺失率两个属性的相互关系对所述故障参数中的空值进行适当填充的策略图。

通过所述第一故障风险评估模型对所述清洗数据进行评估，得到预测评估结果集。

详细地，本发明实施例中，所述所述第一故障风险评估模型包括特征提取网络和多层线性激活层，所述通过所述第一故障风险评估模型对所述清洗数据进行评估，得到预测评估结果集，包括：

利用所述特征提取网络对所述清洗数据进行特征提取，得到训练测试集；

利用所述多层线性激活层对所述训练测试集进行激活操作，得到预测结果集。

所述特征提取网络用于将输入所述第一故障风险评估模型的数据进行筛选、排列操作，所述多层线性激活层中包括风险判断神经网络，通过激活所述风险判断神经网络，可以对所述训练测试集进行综合判断，从而实现风险评估。

本发明实施例利用所述特征提取网络从所述量化数据中提取特征数据，得到训练测试集。

例如，提取特征数据，得到的训练测试集为：【车载负重1，引擎发热率1，转向效率1，制动效率1，……】、【车载负重2，引擎发热率2，转向效率2，制动效率2，……】；根据所述多层线性激活层对所述训练测试集进行风险判断，具体的，风险判断包括是否车载负重大于预设第一参数、是否引擎发热率大于预设的第二参数、是否制动效率小于预设的第三参数等，如得到的预测结果集为【“制动风险值、引擎风险值”、“转向风险值”】。

所述第一故障风险评估模型训练的过程就是所述模型梯度下降的过程，本发明实施例通过增加预构建的测试样本的数量来进一步减小所述损失函数，来调整所述模型参数，其中，所述模型参数指线性回归函数。

进一步的，本发明实施例中，所述调整所述第一故障风险评估模型的模型参数，包括：

获取所述预测评估结果集中的预测评估结果及对应故障风险评估结果，计算并更新所述第一故障风险评估模型中的损失函数；

根据所述损失函数调整所述第一故障风险评估模型中的回归函数。

其中，所述回归函数指一条尽可能准确的预测下一点的直线，而指所述损失函数为每个参数的结果值与所述回归函数的距离的平方差。本发明实施例增加所述测试样本的数量，求解所述损失函数的最小值，根据解析结果，调整所述回归函数，完成所述第一故障风险评估模型的参数调整。下述为损失函数的计算公式：

其中，L为损失函数，m为所述测试样本的数量，i为第几个所述测试样本，Y

本实施例中，当若所述误差值大于所述预设误差阈值时，不断调整第一故障风险评估模型的模型参数，直至调整到的最优模型参数使得所述误差值不大于所述预设误差阈值，确定由最优模型参数构成的第一故障风险评估模型为第二故障风险评估模型。

本发明实施例中，训练好的第二故障风险评估模型可以根据车辆实时状况提前预测车辆故障。

模型整合模块102，用于提取所述第二故障风险评估模型中的模型梯度，并将所述模型梯度发送至所述服务器端，以使所述服务器端根据接收到的多个车辆端发送的模型梯度生成第三故障风险评估模型。

进一步的，本发明实施例中，所述装置还包括加密模块，所述加密模块用于：

将所述模型梯度发送至所述服务器端之前，接收所服务器端发送的密钥，利用所述密钥对所述模型梯度进行加密。

优选的，所述装置还包括身份信息发送模块，所述身份信息发送模块用于：

接收所述服务器端发送的密钥之前，发送所述车辆端的身份信息至所述服务器端，以使所述服务器端根据所述身份信息进行验证，并在验证通过之后生成所述车辆端对应的密钥。

具体的，在服务器端，由服务器生成车辆端对应的密钥和公钥，密钥用于加密，公钥用于解密。

具体的，本发明实施例中，将第二故障风险评估模型中的各个函数的参数进行提取，得到模型梯度，并利用密钥将模型梯度进行加密，得到加密的梯度模型，并将加密的梯度模型发送至服务器，服务器可以利用与私钥对应的公钥对接收到的模型梯度进行解密。

详细地，本发明实施例中，服务器端生成第三故障风险评估模型，所述服务器端用于：

发送待训练的第一故障风险评估模型至多个车辆端；

接收所述多个车辆端通过训练所述第一故障风险评估模型得到的训练好的第二故障风险评估模型的多个模型梯度；

对所述多个模型梯度进行汇总处理，得到联合梯度；

利用所述联合梯度构建联合评估模型，并判断所述联合评估模型是否处于收敛状态；

当所述联合评估模型为未收敛状态，重新开始执行所述服务器端接收所述多个车辆端通过训练所述第一故障风险评估模型得到的训练好的第二故障风险评估模型的多个模型梯度的操作，直至所述所述联合评估模型为收敛状态，得到第三故障风险评估模型。

本发明实施例得到第三风险评估模型，并将第三故障风险评估模型发送至与服务器通信的各个车辆端。

其中，在服务器端对多个模型梯度进行汇总处理时，若多个梯度模型为加密的，则对加密的梯度模型进行解密，并对解密后的梯度模型进行加权处理，得到联合梯度。

本发明实施例中，由于不同车辆端的存在不同的差异，例如，车辆类型不同、车辆耗损不同，因此对各个车辆训练后发送到服务器端的模型梯度进行权重分配组合，得到联合梯度，进而得到的第三故障风险评估模型能够适应对不同车辆进行故障风险评估，即本发明进行的车辆故障风险评估具有一定的普适性。

本发明实施例构建联合评估模型后，对所述联合评估模型进行模型的性能评估，可以得到训练完成后模型的评估结果，当评估结果不合格则重新构建模型，当评估结果合格的模型为最终的所述联合评估模型，完成模型自身的准确性判断。

进一步的，可以判断训练完成的模型是否比上一个模型更加精确，当模型产生结果的精确度达到稳定高度，判断模型处于收敛状态。

本发明实施例中，服务器端利用所述联合梯度构建联合评估模型之后，服务器端还根据预设的下述指标加权策略对所述联合评估模型进行性能测试，得到评估分数，其中，所述性能测试操作的函数如下：

F＝0.3*FRR+0.7*FAR

FRR＝FN/(TP+FN)*100％

FAR＝FP/(TN+FP)*100％

其中，F为评估分数，FRR表示拒识率，FAR表示误识率，TP为测试结果无风险，实际无风险，FP为测试结果无风险，实际有风险，FN为测试结果有风险，实际有风险，TN为测试结果有风险，实际无风险。

本发明实施例中，所述拒识率是指将有风险误作为无风险的概率，所述误识率是将无风险误作为有风险的概率。

本发明实施例将得到的评估分数与预设阈值进行比较，当所述评估分数大于预设阈值，评估所述联合评估模型不合格，并需要重新对所述联合评估模型进行训练；当所述评估分数小于或者等于预设阈值时，评估所述联合评估模型合格，训练过程结束，得到所述联合评估模型。

进一步的，本发明实施例中，所述判断所述联合评估模型是否处于收敛状态，包括：

对所述联合评估模型进行梯度值计算，将当前计算得到的梯度值与预设数据库中存储的历史梯度值进行比较；

当所述当前计算得到的梯度值与所述历史梯度值之间的差值小于或等于预设值时，则判断所述联合评估模型处于收敛状态；

当所述当前计算得到的梯度值与所述历史梯度值之间的差值大于所述预设值时，则判断所述联合评估模型尚未处于收敛状态。

实时参数获取模块103，用于接收所述服务器发送的所述第三故障风险评估模型，并根据所述车辆端的车载传感器获取所述车辆端的性能参数。

本发明实施例可以利用车载操作系统、传感器等设备获取性能参数，性能参数包括性能指标(如车载负重、引擎发热率等)和/或与车辆端行驶有关的内部状态指标(如转向、制动、行驶等各个指标)。

可选的，在获取到车辆端的性能参数之后，可以对车辆端的性能参数进行结构化处理，得到性能参数量化后的量化数据。

模型实践模块104，用于将所述性能参数输入至所述第三故障风险评估模型，得到所述车辆端的车辆故障风险结果。

本发明实施例中，车辆故障风险结果可以为具体的表示风险的数值或者是表示风险的等级。

可选的，本发明一实施例中，当车辆故障风险结果不为低风险时，发送预警提醒，有利于车辆维护人员尽早对进行相应的维护处理，从而提高车辆使用时的安全性。

本发明实施例车辆端预先从服务器端获取第一故障风险评估模型，并训练得到第二故障风险评估模型，将第二故障风险评估模型的模型梯度发送至服务器端，待服务器对不同车辆段传输的模型梯度进行梯度整合发送的第三故障风险评估模型，车辆端的车载传感器获取到车辆端的性能参数之后，就能根据预先训练得到的第三故障风险评估模型得到车辆端的车辆故障风险结果，无论车辆是否发生故障，只要获取到了车辆端的性能参数就能进行车辆故障风险的预测，避免了风险预测的滞后性，因此，实现了对车辆是否存在故障风险进行提前预测的目的。同时，接收到的服务器端发送的第三故障风险评估模型，是根据各个车辆端训练得到的模型提取到的模型梯度生成的，因此第三故障风险评估模型具有较高的准确性，故本发明实施例可以实现准确地对车辆是否存在故障风险进行提前预测的目的。

如图3所示，是本发明实现车辆故障风险评估方法的电子设备的结构示意图。

所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如车辆故障风险评估程序12。

其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如：SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card，SMC)、安全数字(SecureDigital，SD)卡、闪存卡(Flash Card)等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如车辆故障风险评估程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。

所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器(Central Processing unit，CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit)，利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块(例如执行车辆故障风险评估程序等)，以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。

所述总线可以是外设部件互连标准(peripheral component interconnect，简称PCI)总线或扩展工业标准结构(extended industry standard architecture，简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。

图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。

例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源(比如电池)，优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。

进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等)，通常用于在该电子设备1与其他电子设备之间建立通信连接。

可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard))，可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。

应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。

所述电子设备1中的所述存储器11存储的车辆故障风险评估程序12是多个计算机程序的组合，在所述处理器10中运行时，可以实现：

从服务器端获取待训练的第一故障风险评估模型，并利用所述车辆端的本地训练参数对所述第一故障风险评估模型进行训练，得到训练好的第二故障风险评估模型；

提取所述第二故障风险评估模型中的模型梯度，并将所述模型梯度发送至所述服务器端，以使所述服务器端根据接收到的多个车辆端发送的模型梯度生成第三故障风险评估模型；

接收所述服务器发送的所述第三故障风险评估模型，并根据所述车辆端的车载传感器获取所述车辆端的性能参数；

将所述性能参数输入至所述第三故障风险评估模型，得到所述车辆端的车辆故障风险结果。

进一步地，所述电子设备1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。所述计算机可读存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：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)。

进一步地，所述计算机可用存储介质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等；存储数据区可存储根据区块链节点的使用所创建的数据等。

本发明还提供一种计算机可读存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：

从服务器端获取待训练的第一故障风险评估模型，并利用所述车辆端的本地训练参数对所述第一故障风险评估模型进行训练，得到训练好的第二故障风险评估模型；

提取所述第二故障风险评估模型中的模型梯度，并将所述模型梯度发送至所述服务器端，以使所述服务器端根据接收到的多个车辆端发送的模型梯度生成第三故障风险评估模型；

接收所述服务器发送的所述第三故障风险评估模型，并根据所述车辆端的车载传感器获取所述车辆端的性能参数；

将所述性能参数输入至所述第三故障风险评估模型，得到所述车辆端的车辆故障风险结果。

在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。

所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图表记视为限制所涉及的权利要求。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。