CN102609609B - 比较和合并缺陷模型的关系图匹配系统 - Google Patents
比较和合并缺陷模型的关系图匹配系统 Download PDFInfo
- Publication number
- CN102609609B CN102609609B CN201110408235.0A CN201110408235A CN102609609B CN 102609609 B CN102609609 B CN 102609609B CN 201110408235 A CN201110408235 A CN 201110408235A CN 102609609 B CN102609609 B CN 102609609B
- Authority
- CN
- China
- Prior art keywords
- defect model
- relation
- weighted graph
- symptom
- bilateral weighted
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 230000007547 defect Effects 0.000 title claims abstract description 269
- 238000000034 method Methods 0.000 claims abstract description 96
- 230000002146 bilateral effect Effects 0.000 claims abstract description 95
- 208000024891 symptom Diseases 0.000 claims abstract description 82
- 238000012423 maintenance Methods 0.000 claims abstract description 36
- 238000009499 grossing Methods 0.000 claims abstract description 27
- 238000005516 engineering process Methods 0.000 claims description 19
- 238000011161 development Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 18
- 238000010586 diagram Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 241001484259 Lacuna Species 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0278—Qualitative, e.g. if-then rules; Fuzzy logic; Lookup tables; Symptomatic search; FMEA
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及比较和合并缺陷模型的关系图匹配系统。一种比较和合并从不同数据源导出的缺陷模型的方法和系统。首先将两个或更多个缺陷模型表示为定义故障模式和症状之间的相互关系的双边加权关系图。即使具体技术术语可能不同，也可以比较双边加权关系图的结点以找到相同的故障模式和症状。然后，使用关系图匹配方法比较关系图，以及确定双边加权关系图之间哪些故障模式和症状相关是共同的。最后，使用平滑技术和领域专家知识合并和更新缺陷模型，产生综合缺陷模型，可以由车载系统、保养设施等使用。
Description
技术领域
本发明总体涉及比较和合并缺陷模型的方法和系统，更具体地，涉及比较和合并从不同数据源导出的缺陷模型的方法和系统，其将每个缺陷模型表示为双边加权关系图，识别所述关系图之间的共同故障模式和症状，使用关系图匹配方法比较缺陷模型以及产生合并的且更新的缺陷模型作为输出。
背景技术
现代车辆是复杂的机电系统，采用许多子系统、部件、装置和模块，它们使用先进的算法和数据总线在彼此之间传递操作信息。与其他东西一样，这些类型的设备和算法容易出现错误、故障和缺陷，它们影响车辆的操作。为了帮助管理此复杂性，车辆制造商开放了缺陷模型，其将各种故障模式与车辆显示的症状匹配。
车辆制造商通常从各种不同数据源开发缺陷模型。这些数据源包括工程数据、保养程序文档、来自客户和维修技师的文本信息、保单数据等。虽然所有这些缺陷模型示出故障模式与症状之间的关系，但是缺陷模型之间的差异足以使得难以直接将它们比较和组合。所述差异包括使用不同的术语表示相同的东西、在不同的缺陷模型中多项或缺项、以及在共同故障模式与症状对之间的甚至不同的关系。这些差异通常意味着彼此独立地使用各种缺陷模型，从来没有足够细致地将它们进行比较以确定在它们之间哪里可能存在协同或不一致。其结果是，保养程序文档和车载或车外诊断工具不可以利用故障模式和症状之间的所有已知关系。
需要一种将从不同数据源得到的缺陷模型比较和合并的方法。此方法不仅建立综合缺陷模型以改善各种模型下游用户的缺陷诊断，而且还可以用于增强保养程序，在保养店检测不适当的维修，并且改进车辆平台之间的诊断比较。
发明内容
根据本发明的教导，公开一种比较和合并从不同数据源导出的缺陷模型的方法和系统。首先将两个或更多个缺陷模型表示为定义故障模式和症状之间的关系的双边加权关系图。比较这些关系图的结点以找到相同的故障模式和症状，即使具体的术语可能不同。然后，使用关系图匹配方法比较这些关系图，以及确定它们之间哪些故障模式和症状关系是共同的。最后，使用平滑技术和领域专家知识合并和更新缺陷模型，从而产生综合缺陷模型，其可以由车外和车载车辆系统、保养设施等使用。
根据下面结合附图的描述和所附权利要求，本发明的另外的特征将变得明显。
本发明还提供了如下方案：
方案1.一种比较和合并缺陷模型的方法，所述方法包括：
提供第一缺陷模型和第二缺陷模型，其中，第一缺陷模型和第二缺陷模型是从不同数据源导出的且描述硬件或软件系统的故障模式和症状；
将第一缺陷模型表示为第一双边加权关系图且将第二缺陷模型表示为第二双边加权关系图；
在所述双边加权关系图之间匹配关系图结点以识别共同症状和故障模式；
采用关系图匹配技术来比较所述双边加权关系图和缺陷模型，并且产生共同子图和非共同部分；
将参数平滑技术和领域知识应用于共同子图和非共同部分以将缺陷模型合并和更新为综合缺陷模型；以及
使用与所述硬件或软件系统有关的综合缺陷模型。
方案2.如方案1所述的方法，其中，提供第一缺陷模型和第二缺陷模型包括提供多种类型缺陷模型，包括工程数据缺陷模型、保养文档缺陷模型、文本信息缺陷模型和保单数据缺陷模型。
方案3.如方案1所述的方法，其中，将第一缺陷模型表示为第一双边加权关系图且将第二缺陷模型表示为第二双边加权关系图包括对故障模式的每一个和症状的每一个创建结点，并且用表示因果关系权重的箭头连接这些结点。
方案4.如方案1所述的方法，其中，在所述双边加权关系图之间匹配关系图结点包括将第一缺陷模型的故障模式的每一个与第二缺陷模型的故障模式的每一个进行比较，并将第一缺陷模型的症状的每一个与第二缺陷模型的症状的每一个进行比较，以确定哪些故障模式和症状是相同的。
方案5.如方案1所述的方法，其中，在所述双边加权关系图之间匹配关系图结点包括去除多余的词语，决定同义词、缩写和首字母缩略词，应用文本相似度衡量以提供文本相似度分数，以及使用文本相似度分数确定哪些故障模式和症状是相同的。
方案6.如方案1所述的方法，其中，采用关系图匹配技术来比较所述双边加权关系图和缺陷模型包括仅选择在第一双边加权关系图和第二双边加权关系图两者中都具有非0值的相互关系以包含在共同子图中，并且将仅在第一双边加权关系图或第二双边加权关系图之一中具有非0值的任何相互关系置于非共同部分。
方案7.如方案1所述的方法，其中，将参数平滑技术和领域知识应用于共同子图和非共同部分包括使用Laplacian或Bayesian平滑技术。
方案8.如方案1所述的方法，其中，将参数平滑技术和领域知识应用于共同子图和非共同部分包括通过主题专家再检查以确定如何将非共同部分的内容合并于综合缺陷模型。
方案9.如方案1所述的方法，其中，所述硬件或软件系统是车辆或车辆子系统。
方案10.如方案9所述的方法，其中，使用与所述硬件或软件系统有关的综合缺陷模型包括在车载处理器中使用综合缺陷模型，在保养设施诊断工具中使用综合缺陷模型，或者车辆开发人员使用综合缺陷模型来改善保养程序或设计新产品。
方案11.一种用于比较和合并缺陷模型的方法，所述方法包括：
提供第一缺陷模型和第二缺陷模型，其中，第一缺陷模型和第二缺陷模型是从不同数据源导出的且描述车辆或车辆子系统的故障模式和症状；并且所述缺陷模型是多种类型的，包括工程数据缺陷模型、保养文档缺陷模型、文本信息缺陷模型和保单数据缺陷模型；
将第一缺陷模型表示为第一双边加权关系图且将第二缺陷模型表示为第二双边加权关系图；
在所述双边加权关系图之间匹配关系图结点以识别共同症状和故障模式；
采用关系图匹配技术来比较所述双边加权关系图和缺陷模型，并且产生共同子图和非共同部分；
将参数平滑技术和领域知识应用于共同子图和非共同部分以将缺陷模型合并和更新为综合缺陷模型；以及
使用与所述车辆或车辆子系统有关的综合缺陷模型。
方案12.如方案11所述的方法，其中，将第一缺陷模型表示为第一双边加权关系图且将第二缺陷模型表示为第二双边加权关系图包括对故障模式的每一个和症状的每一个创建结点，并且用表示因果关系权重的箭头连接这些结点。
方案13.如方案11所述的方法，其中，在所述双边加权关系图之间匹配关系图结点包括去除多余的词语，决定同义词、缩写和首字母缩略词，应用文本相似度衡量以提供文本相似度分数，以及使用文本相似度分数确定哪些故障模式和症状是相同的。
方案14.如方案11所述的方法，其中，将参数平滑技术和领域知识应用于共同子图和非共同部分包括使用Laplacian或Bayesian平滑技术，以及通过主题专家再检查以确定如何将非共同部分的内容合并于综合缺陷模型。
方案15.一种用于比较和合并缺陷模型的系统，所述系统包括：
用于提供第一缺陷模型和第二缺陷模型的装置，其中，第一缺陷模型和第二缺陷模型是从不同数据源导出的且描述车辆或车辆子系统的故障模式和症状；
用于将第一缺陷模型表示为第一双边加权关系图且将第二缺陷模型表示为第二双边加权关系图的装置；
用于在所述双边加权关系图之间匹配关系图结点以识别共同症状和故障模式的装置；
用于采用关系图匹配技术来比较所述双边加权关系图和缺陷模型，并且产生共同子图和非共同部分的装置；
用于将参数平滑技术和领域知识应用于共同子图和非共同部分以将缺陷模型合并和更新为综合缺陷模型的装置；以及
用于使用与所述车辆或车辆子系统有关的综合缺陷模型的装置。
方案16.如方案15所述的系统，其中，用于在所述双边加权关系图之间匹配关系图结点的装置将第一缺陷模型的故障模式的每一个与第二缺陷模型的故障模式的每一个进行比较，并将第一缺陷模型的症状的每一个与第二缺陷模型的症状的每一个进行比较，以确定哪些故障模式和症状是相同的。
方案17.如方案16所述的系统，其中，用于在所述双边加权关系图之间匹配关系图结点的装置去除多余的词语，决定同义词、缩写和首字母缩略词，应用文本相似度衡量以提供文本相似度分数，以及使用文本相似度分数确定哪些故障模式和症状是相同的。
方案18.如方案15所述的系统，其中，用于采用关系图匹配技术来比较所述双边加权关系图和缺陷模型的装置仅选择在第一双边加权关系图和第二双边加权关系图两者中都具有非0值的相互关系以包含在共同子图中，并且将仅在第一双边加权关系图或第二双边加权关系图之一中具有非0值的任何相互关系置于非共同部分。
方案19.如方案15所述的系统，其中，用于将参数平滑技术和领域知识应用于共同子图和非共同部分的装置使用Laplacian或Bayesian平滑技术，以及通过主题专家再检查以确定如何将非共同部分的内容合并于综合缺陷模型。
方案20.如方案15所述的系统，其中，用于使用与所述车辆或车辆子系统有关的综合缺陷模型的装置在车载处理器中使用综合缺陷模型，在保养设施诊断工具中使用综合缺陷模型，或者车辆开发人员使用综合缺陷模型来改善保养程序或设计新产品。
附图说明
图1是系统的示意图，所述系统从若干源获得缺陷模型，将它们进行比较和合并，并且在车载和车外系统两者中使用得到的综合缺陷模型；
图2是可以用于将来自不同源的缺陷模型进行比较和合并的方法的流程图；
图3是示出如何将缺陷模型转换为双边加权关系图的示图；
图4是用于在关系图之间识别共同故障模式和症状的方法的流程图；
图5是示出关系图匹配如何用于将缺陷模型进行比较的示图；以及
图6是示出如何产生合并和更新的缺陷模型的示图。
具体实施方式
下面的针对本发明涉及用于将缺陷模型比较和合并的方法和系统的实施例的讨论本质上仅是示例性的，且决不意在限制本发明或其应用或使用。例如，本发明具有用于车辆缺陷诊断的特定应用。然而，本发明同样可应用于其他产业上的缺陷诊断，诸如航空航天和重型设备，以及可应用于使用缺陷模型的任何机械、电或机电系统中的缺陷诊断。
缺陷模型早已为车辆和其他系统的制造商所用，以记录和理解故障模式与相关症状之间的关系。因为可以从各种数据源导出缺陷模型，所以传统上很难或不能比较相同车辆或系统的不同缺陷模型，并获得所有缺陷模型中包含的所有数据的益处。本发明通过提出比较和合并缺陷模型的方法和系统来提供一种此问题的解决方案。
图1是系统10的示意图，所述系统10采用来自若干源的缺陷模型，将它们进行比较和合并，并且为车载的和车外的各种目的而使用得到的综合缺陷模型。只要所有缺陷模型都描述相同的车辆设计或平台，系统10就可以使用从各种数据源导出的缺陷模型。可选地，可以比较使用相同类型数据源但是描述不同车辆模型的两个缺陷模型。可以使用的缺陷模型的类型包括工程数据缺陷模型12、保养文档缺陷模型14、文本信息缺陷模型16和保单数据缺陷模型18。也可以使用其他类型缺陷模型，但是缺陷模型12-18的讨论足以解释所述概念。
可以使用多种不同类型工程数据，包括分析和模拟数据、故障模式、影响及危害性分析（FMECA）文档等，导出工程数据缺陷模型12。可以主要从通常对于任何车辆设计来说可获得的保养程序文档导出保养文档缺陷模型14，其中，保养程序文档包含关于对任意给定车辆症状要运行什么测试，要进行什么维修，或要替换什么部件的丰富的信息。通过由客户或保养技师提供的描述车辆过去表现出什么症状以及已如何操作以解决该症状的文字描述导出文本信息缺陷模型16。另外，从保单数据导出保单数据缺陷模型18，保单数据可以包括诊断故障码（DTC）、操作参数或车辆计算机已捕获的其他形式测试结果，以及关于什么部件已被修理或替换从而解决每个DTC的信息。
缺陷模型12-18的每一个的简化表示是二维矩阵，该矩阵包含故障模式作为行，症状作为列，每行与列的交叉是相关值。零件识别数据通常包含在故障模式中。行与列的交叉点包含的相关值通常被称为因果关系权重。在最简单的情况下，所有因果关系权重都具有值0或1，其中，0指示特定故障模式与特定症状之间无相关性，1指示特定故障模式与特定症状之间直接相关。然而，也可以使用0与1之间的因果关系权重值，并且指示特定故障模式与特定症状之间的相关性的强度等级。在多于一个的故障模式与一个或一组特定症状相关联的情况下，这被称为模糊组。
在更完整的形式中，缺陷模型12-18可以包括附加矩阵维度，该维度包含诸如信号和操作的信息，当这些与故障模式和症状相关时。然而，为了清楚，将按照二维矩阵维度，即故障模式和症状，描述综合缺陷模型开发方法。
综合模块20接收缺陷模型12-18，执行若干如下描述的比较，合并和更新步骤，以产生综合缺陷模型22。综合缺陷模型22包含对来自缺陷模型12-18的数据的全面审核表示，而非仅是简单并集或交集。下面将对此详细讨论。作为可打印文档，从事于车辆的设计或保养的人可以阅读综合缺陷模型22。作为相关数据模型，综合缺陷模型22可以被加载到车辆24的车载处理器以用于实时系统监控，可以被用于保养设施处的诊断工具26中，或者可以由车辆开发人员28用于创建改进的保养程序文档和新车辆和系统设计。
图2是可以在综合模块20中使用的用来比较和合并来自不同数据源的缺陷模型的方法的流程图30。在块32，提供两个或更多个用于综合的缺陷模型。在块32提供的缺陷模型可以包括缺陷模型12-18中的两个或更多。块32处提供的缺陷模型12-18不需要在它们的行和列中包括完全相同的故障模式或症状。在对流程图30的讨论的所有剩余部分中，工程数据缺陷模型12和保养文档缺陷模型14将用作示例。在块34，缺陷模型12和14的每一个被表示为双边加权关系图。注意，对于本文的其余部分，当提到症状时，其可以包括仅字面意义的症状或者还可以包括存在诊断故障码或者各种诊断测试的结果或客户抱怨，或者一般来说，与给定故障模式相关的任何迹象。
图3是示出如何将工程数据缺陷模型12表示为双边加权关系图80的示图。相同方法适用于保养文档缺陷模型14，和任何其他所用的缺陷模型。在图3中示出包含4行和4列的工程数据缺陷模型12的简化示例。缺陷模型12在52,54,56和58列包括症状50，其中，症状50源于工程数据。例如，如果FMECA文档用作数据源，则来自FMECA文档的影响通常作为缺陷模型12中的症状50。症状50可以包括诸如“引擎不启动”或“低燃料灯照亮”的项。缺陷模型12还在行62,64,66和68包括故障模式60，其中，故障模式60也源于工程数据。来自FMECA文档的故障模式自然用作故障模式12中的故障模式60。故障模式是对部件或系统的实际问题的指示，诸如“油箱压力传感器信号线对地短路”。
故障模式12包含因果关系权重70,72,74,76和78，其中，因果关系权重70,72,74,76和78中的每一个位于故障模式行和症状列的交叉点处。如前所述，因果关系权重70-78的每一个是0与1之间的值，指出特定故障模式与特定症状之间的相关程度。例如，因果关系权重70,74和76可以具有值1.0，因果关系权重72可以具有值0.3，因果关系权重78可以具有值0.8。缺陷模型12中所有其他的没有标记因果关系权重70-78中之一的交叉点具有为0的因果关系权重，意味着不相关。
双边加权关系图80以不同方式表示来自缺陷模型12的数据。双边加权关系图80将症状50显示为沿底部的圆圈，将故障模式60显示为沿顶部的方块。因果关系权重70-78被表示为从故障模式60的每一个到症状50的每一个的箭头。对于因果关系权重值0可以省略箭头，它们是除了标有因果关系权重70-78的行列交叉点之外的所有行列交叉点。可以按照与上面描述的相同的方式以双边加权关系图表示保养文档缺陷模型14。
返回流程图30，下一步骤在块36将双边加权关系图80的结点与从缺陷模型14产生的双边加权关系图120（图5所示）的结点匹配。双边加权关系图80的结点是症状50和故障模式60。通过将双边加权关系图80的结点与双边加权关系图120中的结点匹配，可以大大减小随后步骤的复杂度。在块36的关系图结点匹配使用各种文本相似度技术来识别哪些结点实际上是相同的，即使它们是使用了不同词语描述的，如下面的讨论解释。
图4是识别双边加权关系图80与双边加权关系图120之间的共同故障模式和症状的方法的流程图100。在块102，提供来自双边加权关系图80的故障模式60的每一个的文本串，以及来自双边加权关系图120的故障模式的每一个的文本串。在块104，去除没有必要或多余的词语，诸如“一”、“一个”和“该”。在块106，领域专有词库用于决定同义词、缩写和首字母缩略词。大部分制造商保留有提供缩写和首字母缩略词的定义的参考文档，并且该参考文档还可能用于提供语境专用的同义词。
在块108，可以采用各种文本相似度衡量以提供每对文本串的文本相似度分数。这些衡量可以包括词汇相似度、概率相似度、混合词汇/概率方法。这些文本相似度衡量在本领域是已知的，并且在此不需要更详细地讨论。存在基于这些文本相似度衡量的各种算法，这些算法的每一个提供每对文本串的相似度分数。以这种方式，可以在来自双边加权关系图80的故障模式62与来自双边加权关系图120的第一故障模式之间计算相似度分数。类似地，可以将来自双边加权关系图80的故障模式62与来自双边加权关系图120的第二故障模式进行比较以计算相似度分数，等等。
在判决菱形110，可以将每对文本串的相似度分数与阈值进行比较，以确定两个文本串识别能否被认为匹配。如果任何文本串对的相似度分数满足或超过阈值，则在块112确定这两个文本串相同，并且在图80和120的随后分析中使用此确定。如果任何文本串对的相似度分数低于阈值，则在块114可以由主题专家再检查两个文本串，以确定两个文本串是否应该被认为相同或不同。具有非常低相似度分数的文本串对可以被自动确定为不同，而具有在阈值之下且接近阈值的相似度分数的文本串对可以由主题专家进行再检查。主题专家在块114将每个文本串对指定为相同或不同，并且在图80和120的随后分析中在块112使用该确定。
来自双边加权关系图80的症状50可以使用上述的文本相似度衡量类似地与来自双边加权关系图120的症状进行比较。作为在块36采用的结点匹配过程的结果，将识别出双边加权关系图80和120之间的共同结点。
返回流程图30，上述过程在块38继续。图5是示出在块38如何使用关系图匹配技术通过双边加权关系图80和120比较缺陷模型12和14的示图。在块38的关系图匹配技术的目的是从双边加权关系图80和120获得共同子图。通过在先前步骤中执行块36的结点匹配过程，块38的关系图匹配技术的复杂度从结点数量的指数函数减少到结点数量的多项式函数。这种复杂度的减少使得块38的关系图匹配技术实用，即使对于大缺陷模型。
如上所述，通过双边加权关系图80表示缺陷模型12，通过双边加权关系图120表示缺陷模型14。为了使此讨论清楚，假设在完成块36的结点匹配过程之后，已经确定图80的结点与图120的结点相同。也就是说，图80和图120两者都具有症状52-58和故障模式62-68。然而，相互关系不是完全相同。从图5可以看出，图120包含两个额外的箭头，而这在图80中没有出现。这两个额外的箭头表示因果关系权重122和124，其可以从缺陷模型14看出，而在缺陷模型12的相关块中出现0。共同子图被定义为仅包括图80和图120中相同的相互关系。因此，在此情况下，因果关系权重122和124不是共同的，图80和图120之间的共同子图与图80本身相同。
也可能是这样的情况：除了如上述讨论的图80和图120的共同交叉点中的0值和非0值，在共同交叉点可以出现两个不同非0值。在此情况下，共同子图包含使用参数平滑技术和领域知识更新后的因果关系权重值，下面将对此讨论。
在块38获得共同子图和共同缺陷模型之后，在块40可以应用参数平滑技术和领域知识，以合并和更新缺陷模型12和14。图6是示出如何产生合并和更新的缺陷模型的示图。在块38产生共同子图130。如上结合图5所讨论，共同子图130看起来与缺陷模型12的双边加权关系图80相同。共同缺陷模型140反映共同子图130的内容。非共同部分150包括在块38处实施的关系图匹配技术中没有被确定为共同的任何项。对于故障模式132和134添加新行，它们分别与故障模式64和68相同。然后，将非共同因果关系权重122和124置于非共同部分150中适当的故障模式和症状的交叉点，如它们在它们的母缺陷模型中原始出现的那样。
为了从共同缺陷模型140和非共同部分150产生综合缺陷模型22，在块40首先应用参数平滑技术。Laplacian平滑和Bayesian平滑是可以用于修改非共同部分150中存在的因果关系权重122和124的两种技术。这些平滑技术通常用于减少数据集中的变化，以例如使得外围数据点更接近均值。在非共同部分150的情况下，可以基于所包括的因果关系权重122和124的相对于正被合并的缺陷模型的数量的出现频率来修改它们。当合并若干缺陷模型时，这些技术可能特别有用。
在上述平滑步骤之后，且仍在流程图30的块40，可以主题专家再检查的形式应用领域知识，以完成缺陷模型12和14到综合缺陷模型22的合并和更新。主题专家的任务是在共同缺陷模型140的情况下考虑存在于非共同部分150中的因果关系权重数据，并且决定如何或是否将其包括。在非共同部分150的情况下，主题专家必须决定如何处理因果关系权重122和124。例如，因果关系权重122可以直接被包括在综合缺陷模型22中，可以在综合缺陷模型22中将其完全忽视，或者可以将不同于因果关系权重122的值包括在综合缺陷模型22中。如图6所示，选择了第三选项，也就是说，新因果关系权重162包括在综合缺陷模型22中，代替共同缺陷模型140中的0值。新因果关系权重162的值可以低于因果关系权重122的值，反映共同缺陷模型140在此位置具有0值的事实。但是不必如此，而是主题专家的自由裁量。
在因果关系权重124的情况下，主题专家决定不应该将其包括在综合缺陷模型22中，以及在来自共同缺陷模型140的适当位置中标记0值。这样完成综合缺陷模型22的准备。据此，可以创建子图160，在子图160上，可以看到因果关系权重162。
尽管在图5示出的图80和图120都包含所有共同结点，但是在现实情况的复杂缺陷模型中情况可能并非如此。然而，可以容易地处理非共同结点的情况，即，故障模式或症状出现在一个缺陷模型而没有出现在另一缺陷模型中。在那些情况下，结点和因果关系权重可以被简单地转入到非共同部分150，主题专家可以确定是否将其包括在综合缺陷模型22中。
使用上述技术，可以将从不同数据源创建的多个缺陷模型比较、合并和更新，以产生综合缺陷模型22。在流程图30的块42，综合缺陷模型22用于多种目的的任何一个。如先前所述，这些目的可以包括车辆24中的车载计算机的实时缺陷诊断，使用诊断工具26的车外缺陷诊断，或者车辆开发人员28使用用于更新保养文档或设计未来车辆、系统或部件。
能够比较、合并和更新多个缺陷模型的益处是很多的。一个明显的益处是能够检测正在保养店实施的不适当修理。例如，如果使用综合模块20比较和合并保养文档缺陷模型14和保单数据缺陷模型18，则可以明显看出在现场保养设施中是否使用症状错误地诊断故障模式，从而正执行不适当的零件修理或替换。然后，此信息可以通信到保养设施，突出某些症状的适当诊断，以及减少误诊和不适当或不必要的修理工作的发生率。另外，当将保单数据缺陷模型18中的现场故障数据与保养文档缺陷模型14中的保养程序进行比较时，可以容易地识别新故障模式和症状。先前未写入的信息可以用于更新保养程序文档以及改善未来产品设计，这表现出本公开方法的另一益处。
综合缺陷模型22的另一益处是能够比较车辆模型之间的故障模式和症状，并且学习如何改善未来车辆设计。这种情况的一个简单示例是比较两种或更多种车辆模型或平台的保单数据缺陷模型18。综合模块20将识别在车辆平台之间哪些故障模式和症状是共同的，以及哪些是各自独有的。车辆开发人员28可以使用此信息以利用当前模型中使用的最可靠的特征和子系统设计未来车辆。
最后，在此公开的方法可以比较多个缺陷模型，这些缺陷模型太大且太不相似以至于不能通过人工方法比较。为真实车辆和系统开发的缺陷模型通常包括上百个故障模式和症状，以及可能的是数据超过二维的故障模式和症状。这使得人工通过视觉检查来进行一个缺陷模型与另一个缺陷模型的详细比较是不切实际的。使用用于共同缺陷模型创建的双边加权关系图表示方法允许主题专家仅集中在两个或更多个缺陷模型之间非共同的元素上，而将缺陷模型中的大部分数据自动合理化。综合缺陷模型22是使车辆制造商能够增加客户满意度、减少保单成本，以及改善未来产品设计的很有用的文档。
上述讨论仅公开了和描述了本发明的示例性实施例。本领域的技术人员将容易认识到，根据此讨论、附图以及权利要求，在不脱离所附权利要求中限定的本发明的精神和范围的情况下，在此可以进行各种改变、修改和变型。
Claims (20)
1.一种比较和合并缺陷模型的方法，所述方法包括：
提供第一缺陷模型和第二缺陷模型，其中，第一缺陷模型和第二缺陷模型是从不同数据源导出的且描述硬件或软件系统的故障模式和症状；
将第一缺陷模型表示为第一双边加权关系图且将第二缺陷模型表示为第二双边加权关系图；
在所述双边加权关系图之间匹配关系图结点以识别共同症状和故障模式；
采用关系图匹配技术来比较所述双边加权关系图和缺陷模型，并且产生共同子图和非共同部分；
将参数平滑技术和领域知识应用于共同子图和非共同部分以将缺陷模型合并和更新为综合缺陷模型；以及
使用与所述硬件或软件系统有关的综合缺陷模型。
2.如权利要求1所述的方法，其中，提供第一缺陷模型和第二缺陷模型包括提供多种类型缺陷模型，包括工程数据缺陷模型、保养文档缺陷模型、文本信息缺陷模型和保单数据缺陷模型。
3.如权利要求1所述的方法，其中，将第一缺陷模型表示为第一双边加权关系图且将第二缺陷模型表示为第二双边加权关系图包括对故障模式的每一个和症状的每一个创建结点，并且用表示因果关系权重的箭头连接这些结点。
4.如权利要求1所述的方法，其中，在所述双边加权关系图之间匹配关系图结点包括将第一缺陷模型的故障模式的每一个与第二缺陷模型的故障模式的每一个进行比较，并将第一缺陷模型的症状的每一个与第二缺陷模型的症状的每一个进行比较，以确定哪些故障模式和症状是相同的。
5.如权利要求1所述的方法，其中，在所述双边加权关系图之间匹配关系图结点包括去除多余的词语，决定同义词、缩写和首字母缩略词，应用文本相似度衡量以提供文本相似度分数，以及使用文本相似度分数确定哪些故障模式和症状是相同的。
6.如权利要求1所述的方法，其中，采用关系图匹配技术来比较所述双边加权关系图和缺陷模型包括仅选择在第一双边加权关系图和第二双边加权关系图两者中都具有非0值的相互关系以包含在共同子图中，并且将仅在第一双边加权关系图或第二双边加权关系图之一中具有非0值的任何相互关系置于非共同部分。
7.如权利要求1所述的方法，其中，将参数平滑技术和领域知识应用于共同子图和非共同部分包括使用Laplacian或Bayesian平滑技术。
8.如权利要求1所述的方法，其中，将参数平滑技术和领域知识应用于共同子图和非共同部分包括通过主题专家再检查以确定如何将非共同部分的内容合并于综合缺陷模型。
9.如权利要求1所述的方法，其中，所述硬件或软件系统是车辆或车辆子系统。
10.如权利要求9所述的方法，其中，使用与所述硬件或软件系统有关的综合缺陷模型包括在车载处理器中使用综合缺陷模型，在保养设施诊断工具中使用综合缺陷模型，或者车辆开发人员使用综合缺陷模型来改善保养程序或设计新产品。
11.一种用于比较和合并缺陷模型的方法，所述方法包括：
提供第一缺陷模型和第二缺陷模型，其中，第一缺陷模型和第二缺陷模型是从不同数据源导出的且描述车辆或车辆子系统的故障模式和症状；并且所述缺陷模型是多种类型的，包括工程数据缺陷模型、保养文档缺陷模型、文本信息缺陷模型和保单数据缺陷模型；
将第一缺陷模型表示为第一双边加权关系图且将第二缺陷模型表示为第二双边加权关系图；
在所述双边加权关系图之间匹配关系图结点以识别共同症状和故障模式；
采用关系图匹配技术来比较所述双边加权关系图和缺陷模型，并且产生共同子图和非共同部分；
将参数平滑技术和领域知识应用于共同子图和非共同部分以将缺陷模型合并和更新为综合缺陷模型；以及
使用与所述车辆或车辆子系统有关的综合缺陷模型。
12.如权利要求11所述的方法，其中，将第一缺陷模型表示为第一双边加权关系图且将第二缺陷模型表示为第二双边加权关系图包括对故障模式的每一个和症状的每一个创建结点，并且用表示因果关系权重的箭头连接这些结点。
13.如权利要求11所述的方法，其中，在所述双边加权关系图之间匹配关系图结点包括去除多余的词语，决定同义词、缩写和首字母缩略词，应用文本相似度衡量以提供文本相似度分数，以及使用文本相似度分数确定哪些故障模式和症状是相同的。
14.如权利要求11所述的方法，其中，将参数平滑技术和领域知识应用于共同子图和非共同部分包括使用Laplacian或Bayesian平滑技术，以及通过主题专家再检查以确定如何将非共同部分的内容合并于综合缺陷模型。
15.一种用于比较和合并缺陷模型的系统，所述系统包括：
用于提供第一缺陷模型和第二缺陷模型的装置，其中，第一缺陷模型和第二缺陷模型是从不同数据源导出的且描述车辆或车辆子系统的故障模式和症状；
用于将第一缺陷模型表示为第一双边加权关系图且将第二缺陷模型表示为第二双边加权关系图的装置；
用于在所述双边加权关系图之间匹配关系图结点以识别共同症状和故障模式的装置；
用于采用关系图匹配技术来比较所述双边加权关系图和缺陷模型，并且产生共同子图和非共同部分的装置；
用于将参数平滑技术和领域知识应用于共同子图和非共同部分以将缺陷模型合并和更新为综合缺陷模型的装置；以及
用于使用与所述车辆或车辆子系统有关的综合缺陷模型的装置。
16.如权利要求15所述的系统，其中，用于在所述双边加权关系图之间匹配关系图结点的装置将第一缺陷模型的故障模式的每一个与第二缺陷模型的故障模式的每一个进行比较，并将第一缺陷模型的症状的每一个与第二缺陷模型的症状的每一个进行比较，以确定哪些故障模式和症状是相同的。
17.如权利要求16所述的系统，其中，用于在所述双边加权关系图之间匹配关系图结点的装置去除多余的词语，决定同义词、缩写和首字母缩略词，应用文本相似度衡量以提供文本相似度分数，以及使用文本相似度分数确定哪些故障模式和症状是相同的。
18.如权利要求15所述的系统，其中，用于采用关系图匹配技术来比较所述双边加权关系图和缺陷模型的装置仅选择在第一双边加权关系图和第二双边加权关系图两者中都具有非0值的相互关系以包含在共同子图中，并且将仅在第一双边加权关系图或第二双边加权关系图之一中具有非0值的任何相互关系置于非共同部分。
19.如权利要求15所述的系统，其中，用于将参数平滑技术和领域知识应用于共同子图和非共同部分的装置使用Laplacian或Bayesian平滑技术，以及通过主题专家再检查以确定如何将非共同部分的内容合并于综合缺陷模型。
20.如权利要求15所述的系统，其中，用于使用与所述车辆或车辆子系统有关的综合缺陷模型的装置在车载处理器中使用综合缺陷模型，在保养设施诊断工具中使用综合缺陷模型，或者车辆开发人员使用综合缺陷模型来改善保养程序或设计新产品。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US12/964230 | 2010-12-09 | ||
| US12/964,230 US8645019B2 (en) | 2010-12-09 | 2010-12-09 | Graph matching system for comparing and merging fault models |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102609609A CN102609609A (zh) | 2012-07-25 |
| CN102609609B true CN102609609B (zh) | 2016-01-20 |
Family
ID=46144751
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201110408235.0A Expired - Fee Related CN102609609B (zh) | 2010-12-09 | 2011-12-09 | 比较和合并缺陷模型的关系图匹配系统 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US8645019B2 (zh) |
| CN (1) | CN102609609B (zh) |
| DE (1) | DE102011055456A1 (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014043667A1 (en) * | 2012-09-17 | 2014-03-20 | Siemens Corporation | Logic based approach for system behavior diagnosis |
| US20140207434A1 (en) * | 2013-01-21 | 2014-07-24 | GM Global Technology Operations LLC | Virtual model merging systems and methods |
| CN104021248B (zh) * | 2014-05-30 | 2017-06-06 | 西北工业大学 | 一种航空机载机械类产品fmeca分析方法 |
| FR3041326B1 (fr) * | 2015-09-18 | 2019-05-10 | Safran Aircraft Engines | Systeme et procede d'aide a la decision pour la maintenance d'une machine avec apprentissage d'un modele de decision supervise par avis d'experts |
| GB2546250B (en) * | 2016-01-06 | 2020-06-17 | Ge Aviation Systems Taleris Ltd | Automated fusion and analysis of multiple sources of aircraft data |
| US10057112B2 (en) * | 2016-03-24 | 2018-08-21 | Ca, Inc. | Fault detection of service chains in a SDN/NFV network environment |
| US20180131810A1 (en) * | 2016-11-04 | 2018-05-10 | T-Mobile, Usa, Inc. | Machine learning-based customer care routing |
| US10616043B2 (en) * | 2017-11-27 | 2020-04-07 | Google Llc | Real-time probabilistic root cause correlation of network failures |
| US11221617B2 (en) * | 2018-10-22 | 2022-01-11 | Nec Corporation | Graph-based predictive maintenance |
| US11157347B2 (en) * | 2019-12-02 | 2021-10-26 | EMC IP Holding Company LLC | Detection of resource bottlenecks in user devices using artificial intelligence and causal graphs |
| CN115185525B (zh) * | 2022-05-17 | 2023-07-18 | 贝壳找房(北京)科技有限公司 | 数据倾斜代码块定位方法、装置、设备及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1924734A (zh) * | 2006-03-23 | 2007-03-07 | 浙江工业大学 | 一种在线质量检测的控制方法 |
| CN101819411A (zh) * | 2010-03-17 | 2010-09-01 | 燕山大学 | 一种基于gpu的改进加权关联规则的设备故障预警与诊断方法 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6208955B1 (en) * | 1998-06-12 | 2001-03-27 | Rockwell Science Center, Llc | Distributed maintenance system based on causal networks |
| US6768935B1 (en) * | 2003-04-07 | 2004-07-27 | General Motors Corporation | Vehicle diagnostic record mapping |
| US7409676B2 (en) * | 2003-10-20 | 2008-08-05 | International Business Machines Corporation | Systems, methods and computer programs for determining dependencies between logical components in a data processing system or network |
| GB0521625D0 (en) * | 2005-10-24 | 2005-11-30 | Ricardo Uk Ltd | A method of modelling the effect of a fault on the behaviour of a system |
| US8438119B2 (en) * | 2006-03-30 | 2013-05-07 | Sap Ag | Foundation layer for services based enterprise software architecture |
| EP2041919B1 (en) * | 2006-06-30 | 2017-06-28 | Telecom Italia S.p.A. | Fault location in telecommunications networks using bayesian networks |
| US8630765B2 (en) * | 2006-11-17 | 2014-01-14 | Innova Electronics, Inc. | OBD II-compliant diagnostic PC tablet and method of use |
| US8463641B2 (en) * | 2007-10-05 | 2013-06-11 | The Boeing Company | Method and system using linear programming for estimating test costs for bayesian diagnostic models |
| US8280835B2 (en) | 2009-01-29 | 2012-10-02 | Telcordia Technologies, Inc. | Method for automated distributed diagnostics for networks |
-
2010
- 2010-12-09 US US12/964,230 patent/US8645019B2/en active Active
-
2011
- 2011-11-17 DE DE102011055456A patent/DE102011055456A1/de not_active Withdrawn
- 2011-12-09 CN CN201110408235.0A patent/CN102609609B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1924734A (zh) * | 2006-03-23 | 2007-03-07 | 浙江工业大学 | 一种在线质量检测的控制方法 |
| CN101819411A (zh) * | 2010-03-17 | 2010-09-01 | 燕山大学 | 一种基于gpu的改进加权关联规则的设备故障预警与诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| Classification methods based on bipartite graph;HENG-NIAN QI 等;《Proceedings of the Fourth International Conference on Machine Learning and Cybernetics,Guangzhou》;20050821;摘要，第1-3节，附图3，表3 * |
Also Published As
| Publication number | Publication date |
|---|---|
| US8645019B2 (en) | 2014-02-04 |
| CN102609609A (zh) | 2012-07-25 |
| US20120151290A1 (en) | 2012-06-14 |
| DE102011055456A1 (de) | 2012-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102609609B (zh) | 比较和合并缺陷模型的关系图匹配系统 | |
| US11386154B2 (en) | Method for generating a graph model for monitoring machinery health | |
| KR101508641B1 (ko) | 생산 공정에서 데이터마이닝을 이용하여 제품 상태를 예측하는 장치 및 방법 | |
| US20130282336A1 (en) | Anomaly Sensing and Diagnosis Method, Anomaly Sensing and Diagnosis System, Anomaly Sensing and Diagnosis Program and Enterprise Asset Management and Infrastructure Asset Management System | |
| US9959158B2 (en) | Methods and apparatus for the creation and use of reusable fault model components in fault modeling and complex system prognostics | |
| US20120233112A1 (en) | Developing fault model from unstructured text documents | |
| CN108664674A (zh) | 用于工程中对bim模型中构件扣减检查的方法及其装置 | |
| US20160342720A1 (en) | Method, system, and computer program for identifying design revisions in hardware design debugging | |
| Durmuş et al. | Enhanced V-model | |
| Nikolaychuk et al. | Computer-aided identification of mechanical system’s technical state with the aid of case-based reasoning | |
| Guo et al. | Towards practical and synthetical modelling of repairable systems | |
| Ho | A shared reliability database for mobile mining equipment | |
| Price et al. | A layered approach to automated electrical safety analysis in automotive environments | |
| Meckel et al. | Optimized automotive fault-diagnosis based on knowledge extraction from web resources | |
| CN109389407B (zh) | 一种汽车电子产品功能安全的保证及验证方法 | |
| Mhenni et al. | Towards the integration of safety analysis in a model-based system engineering approach with SysML | |
| JP7378367B2 (ja) | 故障診断装置および故障診断方法 | |
| Hiwase et al. | Predictive maintenance of automotive component using digital twin model | |
| US20110213728A1 (en) | Requirements check-in/out tool, called r2db | |
| CN113590458A (zh) | 用于检查技术系统的方法和设备 | |
| CN111679646A (zh) | 一种基于形式化的汽车电子系统安全目标确认方法 | |
| Raghavan | Algorithms for sequential fault diagnosis | |
| CN114741052B (zh) | 一种面向需求表格模型的形式化语义分析与检查方法 | |
| Ferreira et al. | Data-Driven Hardware-in-the-Loop (HIL) Testing Prioritization | |
| Tosoni et al. | The challenges of coupling digital-twins with multiple classes of faults |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160120 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |