商用车制造业作为传统制造业的重要组成部分,与互联网技术融合并催生了车联网,借助车联网可以为车主提供更加智能的服务。商用车运行一旦发生故障,就可能导致运行停滞,影响使用。如果能够对商用车运行中的故障进行及时检测与诊断,就能够避免更大损失的发生。车联网蕴含的海量多元时序数据,可以为商用车运行过程提供故障检测与诊断的支持。传统的商用车运行过程故障检测与诊断方法包括基于人工的方式以及设定阈值以启动故障报警装置的方式。这两种方式存在着效率低下、精确性弱、故障原因难以定位等问题,因此需要借助相关算法对商用车运行过程进行故障检测与诊断。现有的时序数据故障检测算法大致可以分为两类,一类是基于传统机器学习算法的故障检测,另一类是基于深度学习算法的故障检测。基于传统机器学习算法的故障检测包含有基于概率统计、基于距离和基于隔离的故障检测算法等,该类方法要求数据满足一定的特征规律。此外,其常用的基于分类的故障检测算法,比如朴素贝叶斯、SVM等,在正负样本不均衡条件下难以获取较高的检测精度。基于深度学习的故障检测方法,主要通过计算预测误差判断故障,涉及算法包括有LSTM、GRU等,其大多只考虑时序数据的时间依赖性特征而忽略了时序数据间的相关性特征。除此之外,现有算法更多是对时序数据故障做出判断,很少对故障产生的原因进行诊断。商用车运行时产生的时序数据具有随机性,难以获取特征规律,数据间存在复杂的关联关系,而且具有正负样本不均衡问题。针对这些问题,现有方法并不能很好地适用于商用车运行过程的故障检测与诊断。基于此,本文研究基于多元时序数据的商用车运行过程故障检测与诊断方法。该项研究所要解决的问题有:第一,如何在商用车运行数据中充分提取多元时序的特征信息,以有效地检测故障;第二,如何在车联网数据正负样本不均衡的条件下,保证故障检测的精度;第三,如何识别影响故障产生的重要因素,以精确定位故障产生的原因。针对以上问题,本文做了深入的研究与探讨,并提出了一种能够综合解决这些问题的基于多元时序数据的商用车运行过程故障检测与诊断模型 FDDMTS（Fault Detection and Diagnosis Model Based on Multivariate Time Series Data）。FDDMTS主要包括以下三个模块:第一个模块是多元时序数据的相关性特征提取。通过使用CNN的卷积层来获取多元时序数据的相关性特征。第二个模块是多元时序数据的时间依赖性特征提取。通过使用Transformer Encoder对时间依赖性特征进行提取。第三个模块是多元时序数据的故障检测与诊断。通过采用基于生成模型的GAN网络对数据进行故障检测与诊断。本文的主要工作和贡献概括如下:1.本文提出一种针对商用车多元时序数据的特征提取方案。该方案使用CNN对多元时序数据的相关性特征进行提取,以及使用Transformer Encoder对时序数据的时间依赖性特征进行提取。商用车运行时部件间存在复杂的关联关系,并且数据随时间不断发生变化,通过充分提取多元时序数据的这些特征信息包括时间依赖性特征以及相关性特征,能够帮助模型提高故障检测的准确率。2.本文采用基于生成模型的GAN网络解决了车联网数据正负样本不均衡的问题。仅使用正常数据对模型进行训练,以判别器对数据的判别得分与生成器对数据的重构误差的差值作为对故障的判断依据。同时,对比输入数据与重构数据各个维度的差值,将差值较大的维度作为对故障贡献较大的因素,以此对故障做出诊断。相比基于分类的故障检测算法,在车联网数据正负样本不均衡的条件下,该算法能够保证故障检测的精度。3.本文采用某大型商用车制造企业的真实数据集进行实验,验证FDDMTS模型的有效性。以Precision、Recall、F1为评价指标,将FDDMTS模型与时序数据故障检测的四个基线模型进行对比。实验证明,FDDMTS模型更适用于商用车运行过程故障检测。另外,通过修改模型参数、更换模型组件,进一步验证了模型的有效性。最后,展示了模型对故障诊断的结果。