CN107168285A - 一种结合主客观信息和云模型的汽车智能故障诊断与维修辅助方法及系统 - Google Patents
一种结合主客观信息和云模型的汽车智能故障诊断与维修辅助方法及系统 Download PDFInfo
- Publication number
- CN107168285A CN107168285A CN201710369129.3A CN201710369129A CN107168285A CN 107168285 A CN107168285 A CN 107168285A CN 201710369129 A CN201710369129 A CN 201710369129A CN 107168285 A CN107168285 A CN 107168285A
- Authority
- CN
- China
- Prior art keywords
- mrow
- case
- msub
- fault
- mtd
- 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.)
- Granted
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 169
- 238000003745 diagnosis Methods 0.000 title claims abstract description 101
- 238000000034 method Methods 0.000 title claims abstract description 75
- 230000008439 repair process Effects 0.000 claims abstract description 24
- 230000007246 mechanism Effects 0.000 claims description 26
- 230000003993 interaction Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000004092 self-diagnosis Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 208000024891 symptom Diseases 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 241001269238 Data Species 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 230000007717 exclusion Effects 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 239000000428 dust Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 230000008447 perception Effects 0.000 claims description 2
- 241000894007 species Species 0.000 claims description 2
- 238000013024 troubleshooting Methods 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 description 2
- 206010038743 Restlessness Diseases 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000009897 systematic effect Effects 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
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)
Abstract
本发明提供了一种结合主客观信息和云模型的汽车智能故障诊断与维修辅助方法及系统，通过OBD诊断接口获取汽车客观原始诊断数据；通过对其进行预处理后，判断有无故障码，若有，则对此故障码进行解析，并为其提供汽车维修辅助；若无故障码，则通过云模型方法将获取的汽车主观不确定性故障征兆定性值进行定量转化，并与汽车系统标准数据库中标准值进行比对，系统自动初步诊断出汽车故障部位；通过基于正态云模型的案例推理方法诊断出汽车故障原因；并可使用规则推理辅助完成汽车故障诊断与排除。本发明解决了汽车有故障而无故障码的复杂情况或由非电子元件损坏导致的汽车故障，高效、快速的完成汽车故障诊断，规范维修步骤，合理制定维修价格。
Description
技术领域
本发明涉及汽车故障诊断与维修领域，特别是涉及一种结合主客观信息和云模型的汽车智能故障诊断与维修辅助方法及系统。
背景技术
汽车故障诊断与维修技术是指在不对整车进行解体的情况下，通过观察汽车故障征兆及使用仪器设备确定汽车工作状况，查明故障原因和故障部位，应用相应的维修方法及工具排除汽车故障。由于汽车新技术日新月异，汽车电控系统日趋复杂，汽车发生故障的频率越来越高，汽车出现故障的原因越来越复杂。当汽车发生故障后，查找汽车发生故障的原因所占用的时间为70％，而对汽车进行维修的时间仅占30％。
目前我国汽车维修服务行业还处在快速发展的初级阶段，维修从业人员整体学历偏低，具有汽车故障诊断能力的技术人员仅占20％左右，且监管制度还不是很完善，导致很多的汽车维修企业在汽车的维修定价中存在不合理、不透明性，对于汽车的维修流程不规范，严重影响了顾客对于这些企业服务的满意度，顾客更多的印象是“脏、乱、差”。
车载自诊断系统(OBD)能够根据汽车某个部件发生故障时，在汽车ECU中形成相应的故障码，通过应用相应的汽车故障诊断设备读取汽车ECU中的故障代码，然后通过故障码表解读所获取的故障码，从而确定汽车发生故障的原因。然而OBD主要侧重于监测汽车发动机控制系统和排放系统，对此以外的汽车其他系统出现故障时，汽车ECU中不会存储故障码，因此不利于汽车故障的排除，且目前市场上使用的汽车故障诊断设备大多是以读码器为基础的手持式诊断仪，利用OBD诊断接口对车载网络进行诊断，将结果显示在屏幕上。其主要存在以下缺陷：1.诊断仪器系统固定，系统扩展升级或程序更改比较困难；2.无法处理汽车真实存在故障而汽车ECU中无故障码的情况；3.无法处理因非电子元件导致的汽车故障；4.需借助维修手册指出具体故障，不能提供智能化的诊断帮助；5.不能提供全面可靠的历史故障诊断数据，无法节约维修技师查找故障时间。
发明内容
本发明的目的是快速找到引起汽车出现故障的原因、解决无法用一般的汽车故障诊断设备处理汽车真实存在故障而又无故障码及因非电子元件损坏导致的汽车出现故障的情况，为经验不足的维修人员提供检测与诊断的步骤以及合理制定维修价格，缩短汽车故障诊断与维修的时间，提高汽车维修服务的质量。
本发明的技术方案：
一种结合主客观信息和云模型的汽车智能故障诊断与维修辅助系统，包括OBD诊断接口模块、汽车客观诊断原始数据获取模块、数据预处理模块、故障码解析模块、云模型数据处理模块、故障自诊断模块、基于云模型的故障案例推理模块、基于规则推理模块和维修辅助模块；
所述的OBD诊断接口模块用于连接汽车ECU与本发明的汽车智能故障诊断与维修辅助系统；
所述的汽车客观诊断原始数据获取模块与OBD诊断接口模块连接，以服务请求的方式向汽车ECU索取故障码或汽车诊断原始数据，汽车ECU以服务应答的方式向汽车客观诊断原始数据获取模块传送故障码或汽车诊断原始数据；
所述的数据预处理模块与汽车客观诊断原始数据获取模块连接，对所获取的汽车诊断原始数据进行处理，将汽车诊断原始数据中的故障码和其他故障诊断数据进行分离，将处理后的数据分类存储到数据预处理临时数据库中；
所述的故障码解析模块与数据预处理模块连接，将数据预处理临时数据库中存储的故障码与故障码表进行对比，匹配到与相应故障码对应的故障信息，从而确定汽车出现故障的原因；
所述的云模型数据处理模块将客户对故障汽车的现象描述及维修人员简要提取的汽车故障征兆模糊属性值转化为定量数值；
所述的故障自诊断模块分别与数据预处理模块和云模型数据处理模块连接，自动初步诊断出汽车故障部位，包括汽车系统标准数据库和故障自动分析机制；
所述的基于云模型的故障案例推理模块连接故障自诊断模块，故障自诊断模块初步诊断出汽车故障部位后，针对该故障部位详细地提取汽车故障案例征兆属性值，输入基于云模型的故障案例推理模块进行故障案例推理，确定汽车出现故障的具体原因，包括人机交互模块、故障案例推理模块及故障案例学习模块；
所述的基于规则推理模块通过归纳、总结的汽车检测与维修步骤对汽车进行故障诊断与排除，包括人机交互模块及规则推理模块；
所述的维修辅助模块用于连接故障码解析模块或基于云模型的故障案例推理模块，通过故障码解析模块或基于云模型的故障案例推理模块确诊汽车出现故障的原因后，通过维修辅助模块为客户提供所需的维修时间、维修价格等信息，标准化汽车维修流程，包括人机交互模块、维修案例推理模块及维修案例学习模块。
一种结合主客观信息和云模型的汽车智能故障诊断与维修辅助方法，步骤如下：
步骤一、通过OBD诊断接口模块将汽车ECU与本发明的汽车智能故障诊断与维修辅助系统进行连接；
步骤二、获取汽车客观诊断原始数据，通过OBD诊断接口模块，以服务请求的方式向汽车ECU索取故障码或汽车诊断原始数据，汽车ECU以服务应答的方式向汽车客观诊断原始数据获取模块传送故障码或汽车诊断原始数据；
步骤三、数据预处理，将所获得的汽车诊断原始数据中的故障码与其他故障诊断数据进行分离，将处理后的数据分类存储到数据预处理临时数据库中。
步骤四、判断经过处理后的数据中是否有故障码；
步骤五、解析故障码，将数据预处理临时数据库中存储的故障码与故障码表进行对比，匹配到与相应故障码对应的故障信息，确定故障原因；
步骤六、记录客户对故障汽车的现象描述信息；
步骤七、维修人员简要提取汽车故障征兆模糊属性值；
步骤八、云模型数据处理，通过应用云模型，将客户对汽车的故障现象描述信息及维修人员简要提取的汽车故障征兆模糊属性值转化为数字表示的定量值；
进一步地，所述云模型，首先应用专家统计的方法，获得模糊属性的期望值Ex：
式中，Ex为模糊属性期望值；Xi为定量属性值；n为属性值数量；
得到模糊属性的期望值后，计算熵En：
式中，En为模糊属性熵；
根据期望值和熵计算熵的熵，即超熵He：
式中，He为模糊属性熵；
最后即得出正态分布的隶属云期望曲线μ：
μ＝exp(-(x-Ex)2/(2En2)) (4)
式中，μ为正态分布的隶属云隶属度；
根据曲线μ即将主观不确定性汽车故障征兆定性值转化为定量的数值；
步骤九、故障自诊断模块包括汽车系统标准数据库和故障自动分析机制；
汽车系统标准数据库：用来分类存储汽车各机构或系统重要属性标准值；
故障自动分析机制：用来分析简要获取的当前汽车故障诊断值与汽车系统标准数据库中存储的标准值之间的差异；
进一步地，对汽车系统标准数据库中存储的汽车各机构或系统重要属性标准值，根据各属性值出现异常对机构或系统出现故障的贡献程度不同，分配合适的属性权重；故障自动分析机制将当前汽车故障诊断值与标准值进行对比，若二者之间的差值超出允许的范围，则判断此属性值出现异常，依此类推，直到判断完所有属性，最终对有异常的属性所占的权重求和，若求和超过所设定阈值，则系统自动初步判断出哪一机构或系统出现故障；
步骤十、基于云模型的故障案例推理故障诊断，通过将获得的汽车模糊故障属性应用云模型的方法转化为定量数值，使用案例推理技术诊断出汽车出现故障的原因，包括人机交互模块、故障案例推理模块及故障案例学习模块；
所述的基于云模型的人机交互模块：实现汽车故障征兆值的录入；
所述的故障案例推理模块连接人机交互模块，包括故障案例表示、故障案例库的组织及故障案例检索；
所述的故障案例表示：对收集的历史故障案例进行整理，提取历史故障案例的特征，将其存储到故障案例数据库中，本方法中故障案例表示用一个五元组的案例表示方法来表示汽车故障案例：
E＝<N，T，D，R，A> (5)
式中，N为故障案例唯一标识符；T为故障案例所属种类，T＝{T1，T2，…，Tn}；D为故障案例征兆属性值，D＝{D1，D2，…，Dn}；R为汽车故障原因；A为故障案例的辅助说明信息，A＝{A1，A2，…，An}。
所述的故障案例库的组织将收集的故障案例按组成汽车的机构或系统的不同进行分类存储；将每一机构或系统下的故障案例分为上层案例库与下层案例库的两级案例层次结构；
所述的上层案例库抽象于下层案例，是下层案例库中所有案例的特征代表；选取原则为上层案例到各下层案例的距离和最短；
所述的下层案例库是上层案例的具体案例，通过使用层次方法下的最短距离聚类算法按相似原则对历史案例进行分类，相似的案例则归为一类；本方法通过使用层次方法下的最短距离聚类算法按相似原则对历史案例进行分类，相似的案例则归为一类；
所述的最短距离聚类算法设SIM(xi，xj)表示样本故障案例xi和xj之间的相似度，簇Cm和Cn之间的相似度为两簇中最相似的案例之间的相似度，用如下公式(6)表示：
式中，Sij为簇Cm和Cn之间的相似度；SIM(xi，xj)为样本故障案例xi和xj之间的相似度；xi为序号为i的样本故障案例；xj为序号为j的样本故障案例；Cm为序号为m的簇；Cn为序号为n的簇；
设簇Cr为簇Cm和Cn合并之后而成的新簇，则任一簇Ca与Cr之间的相似度为：
式中，Sar为任一簇Ca与Cr之间的相似度；Cr为簇Cm和Cn合并而成的新簇；
算法的具体步骤如下：
(1)计算样本故障案例两两之间的相似度，将计算得到的结果表示成一个相似度矩阵，记为S(0)，开始的时候，每个样本故障案例自成一簇，相似度矩阵如下式(8)所示：
(2)从相似度矩阵S(0)中找出非对角线上大于设定阈值η的最大元素，记为Smn，将Cm与Cn合并成一个新簇，记为Cr，即Cr＝{Cm，Cn}；
(3)通过式(7)中给出的相似度计算公式Sar＝max{Sam，Sar}计算新簇Cr与其他簇Ca之间的相似度，将S(0)中第m、n行及第m、n列合并成一个新行新列，合并而成的新行新列记为簇Cr，所形成的新矩阵记为S(1)；
(4)对S(1)重复上述步骤(2)(3)两步得到S(2)，依次循环，直到相似度矩阵S(k)中非对角线的最大元素小于设定阈值η；
所述的故障案例检索采用综合语义案例相似匹配法与基于云模型的最近邻法作为案例的检索算法来计算当前故障案例与历史故障案例的相似度，将相似度超过设定阈值的故障案例返还给用户，用来解决当前汽车故障；
本方法将故障案例的故障案例征兆属性n、汽车类型、品牌、车型、车型配置、行驶里程、购车日期属性作为故障案例检索条件，其中汽车类型、品牌、车型、车型配置四个存在层次关系的属性作为第一个部分，采用语义案例相似匹配法计算局部相似度；剩余的故障案例属性则作为第二部分采用基于云模型的最近邻法计算相似度；
所述的语义案例相似匹配法根据节点深度权重密度单调递增函数：
式中，Dep(X)为节点X的深度值；X为节点；α1为中间层数，由取上限整数；
及节点密度权重模型：
式中，Des(c)为节点c的密度值；Deg(c)为节点c的出度；
得出案例属性之间的局部相似度：
式中，S(X,T)局为案例属性局部相似度；ci为节点i；α2为节点X深度和倒数，
所述的基于云模型的最近邻法，给出案例属性之间的相似度公式：
式中，SIM(X,T)为案例属性局部相似度；DIST(X,T)为案例属性之间的距离；Wj为j属性权重值；Xij为第i个历史案例的第j个属性值；Tj为当前案例的第j个属性值；
对于定量数值的故障属性值则直接通过上式(12)计算属性之间的相似度；对于定性模糊故障属性，则根据公式(1)(2)(3)(4)计算出定性模糊属性的期望值Ex、熵En、超熵He和正态分布的隶属云期望曲线μ，通过应用下式(13)所示的正态分布的隶属云期望曲线近似代表云模型中的“云滴”，一条云模型
式中，y为正态分布的隶属云隶属度；
期望曲线代表一个定性模糊故障属性值，通过求解两个云模型的期望曲线相交重叠部分的面积来表示两个定性模糊故障属性的相似度。并最终对计算出的定性故障属性相似度和定性模糊故障属性相似度求和，得出SIM(X,T)局。案例之间最终的总相似度为：
S(X,T)总＝0.2*S(X,T)局+0.8*SIM(X,T)局 (14)
式中，S(X,T)总为案例的总相似度；
所述的故障案例学习模块为故障案例库添加新案例，将新添加的故障案例与历史故障案例进行对比，若新添加的故障案例与案例库中的历史故障案例相似度未超过设定的阈值，则将新添加的故障案例保存到故障案例库中，若相似度超过了设定的阈值，则说明新添加的故障案例没有需要保存的价值，放弃新故障案例的添加；
步骤十一、判断通过基于云模型的故障案例推理进行汽车故障诊断后，汽车故障原因是否确诊；
步骤十二、基于规则推理汽车故障诊断，通过归纳、总结的汽车检测与维修步骤对汽车进行故障诊断与排除，包括人机交互模块及规则推理模块；
所述的基于规则推理的人机交互模块为用户提供故障诊断与维修步骤信息；
所述的规则推理模块连接人机交互模块，包括规则库及正向推理单元；
所述的规则库通过应用故障检修步骤表及故障检修规则表分别存储从实践经验中所获得的具体规则；
所述的故障检修步骤表包括步骤编号、步骤名称、步骤详情、备注等信息。
所述的故障检修规则表包括步骤编号、检查结果、下一步编号、备注等信息。
所述的正向推理单元采用Wether(条件判断)Yes or No(结果)格式，判断当前检测条件是否成立，若成立，则进入与Yes相对应的下一检测步骤，若不成立，则进入与No相对应的另一检测步骤，依此循环，直到完成当前汽车故障诊断；
步骤十三、维修辅助：通过解析故障码或基于云模型的故障案例推理故障诊断确诊汽车出现故障的原因后，通过使用维修辅助，将维修步骤、维修工具、维修价格、维修时间等信息返还给用户，为维修人员提供标准的汽车故障维修流程，为客户提供标准的汽车维修价格，包括人机交互模块、维修案例推理模块及维修案例学习模块；
所述的维修辅助的人机交互模块连接维修案例推理模块，实现用户对故障原因及维修方式等维修检索信息的录入；
所述的维修案例推理模块包括维修案例的表示及维修案例的检索；
所述的维修案例的表示用一个四元组来表示汽车维修案例：
C＝<I，G，S，L> (15)
式中，I为维修案例唯一标识符；G为维修工具，G＝{G1，G2，…，Gn}；S为维修解决方案；L为维修案例的辅助说明信息，L＝{L1，L2，…，Ln}；
所述的维修案例检索将维修案例属性中的汽车类型、品牌、车型、车型配置、维修方式、购车价格、购车日期等属性作为维修案例检索条件，其中汽车类型、品牌、车型、车型配置四个存在层次关系的属性作为第一个部分采用如上故障案例检索方法使用的语义案例相似匹配法计算局部相似度；剩余的维修案例属性则作为第二部分采用上式(12)所示的最近邻法计算维修案例之间的相似度。从维修案例库中检索出最相似的维修案例，将其所需维修工具、维修步骤、维修价格、维修时间等返还给维修人员或客户，为其提供参考。
所述维修方式属性分两种取值，即更换和维修；根据专家咨询法预先将维修方式属性为更换时，设定为0.5，为维修时设定为0。
所述维修案例学习模块采用增量式的学习方式将新维修案例中有用的部分存储到维修案例库中，丰富自身案例库。
本发明的有益效果：
1.通过使用基于云模型的案例推理方法进行汽车故障诊断与排除，能够解决汽车ECU中无故障码，而汽车又真实存在故障的复杂情况。
2.对于由非电子元件损坏导致的汽车故障，通过提取汽车主客观故障征兆值，应用故障推理的诊断方法，能够高效、快速的诊断出汽车故障原因，节省汽车维修时间，提高系统的应用范围。
3.综合使用基于云模型的故障案例推理方法及规则推理的方法，提高应用单一诊断方法的失败率，为经验不足的维修人员提供诊断与检测的标准步骤。
4.通过应用维修辅助，标准化汽车维修流程，为客户提供汽车维修所需时间及透明的维修价格等信息，提升客户的满意度。
附图说明
图1为本发明所述的汽车故障案例组织结构图。
图2为本发明所述的一种结合主客观信息和云模型的汽车智能故障诊断与维修辅助方法及系统的流程图。
图3为本发明所述的数据预处理流程图。
图4为本发明所述的基于云模型的故障初步自诊断流程图。
图5为本发明所述的基于云模型的故障案例推理汽车故障诊断流程图。
图6为本发明所述的基于规则推理汽车故障诊断与维修流程图。
图7为本发明所述的维修辅助流程图。
具体实施方式
以下结合附图和技术方案，进一步说明本发明的具体实施方式。
实施例
参照图1，本发明将汽车分为四个部分：底盘、发动机、电器及电子设备、车身。
底盘包括但不限于：转向系统、传动系统、行驶系统、制动系统。
发动机包括但不限于：曲柄连杆机构、配气机构、燃油供给系统、点火系统、冷却系统、润滑系统、进排气系统、起动系统。
电器及电子设备包括但不限于：照明与信号系统、空调系统、仪表及信息系统、影音导航系统、发电系统。
车身包括但不限于：车门、车身桥壳、车身内外部装置、座椅、车窗。
本发明将汽车故障案例库分为上层案例库及下层案例库的两层结构组织。
参照图2，当进行汽车故障诊断与维修时，进入步骤S200，开始。
步骤S201：通过OBD诊断接口模块将本系统与汽车ECU连接，建立本系统与汽车之间的通信。
步骤S202：获取进行汽车故障诊断所需的数据。
步骤S203：通过对获取的汽车诊断数据进行预处理。
步骤S204：判断所获取的数据中是否有故障代码。若是，则进入步骤S205，若否，则进入步骤S210。
步骤S205：通过将获得的故障码与标准的故障码表进行对比，确定汽车出现故障的原因。
步骤S206：确定汽车故障原因后，通过使用维修辅助模块，辅助维修人员进行汽车故障维修，为客户提供维修价格及维修所需时间等信息。
步骤S207：客户描述当前汽车出现故障所表现出来的故障现象。
步骤S208：维修人员简要的获取当前汽车故障征兆。
步骤S209：通过将输入系统的汽车模糊故障征兆值采用云模型的方法转化为数值。
步骤S210：将处理后的汽车模糊故障征兆值及经过步骤S203预处理后的数据与存储在汽车系统标准数据库中重要属性标准值进行对比。
步骤S211：通过故障自动分析机制初步诊断出汽车出现故障的部位。
步骤S212：详细的提取汽车故障征兆值。
步骤S213：通过采用基于云模型的故障案例推理方法进行汽车的故障诊断，其中对于汽车类型、品牌等具有层次关系的汽车故障属性采用语义相似度的方法计算出案例局部相似度S(X,T)局，对于模糊属性汽车故障征兆值，采用云模型的方法计算案例之间的局部相似度SIM(X,T)局，最终通过对两局部相似度求和即可得出案例相似度S(X,T)总＝0.2*S(X,T)局+0.8*SIM(X,T)局。最终检索出相似度大于专家设定阈值的案例，将其解用来解决当前汽车故障。
步骤S214：判断汽车故障原因是否确诊，若是则进入步骤S206，若否，则进入步骤S215。
步骤S215：采用规则推理进行汽车故障的诊断。
步骤S216：结束汽车故障诊断与维修。
参照图3，数据预处理模块具体过程如下：
步骤S300：获取汽车故障诊断所需的原始数据。
步骤S301：对获得的原始数据进行分类处理，将故障码与其他故障诊断数据进行分离。
步骤S302：将经过处理后的数据保存到临时数据库中。
参照图4，基于云模型的故障初步自诊断具体过程如下：
步骤S400：客户描述当前汽车出现故障的现象。
步骤S401：维修人员简要提取当前汽车故障征兆值。
步骤S402：应用云模型方法处理汽车模糊故障属性征兆值。
步骤S403：首先应用专家统计的方法，获得模糊属性的期望值
步骤S404：得到属性的期望值后，计算熵
步骤S405：根据期望和熵计算熵的熵，即超熵
步骤S406：最后即可得出正态分布的隶属云期望曲线μ＝exp[-(x-Ex)2/(2En2)]，根据该曲线即可将定性的模糊属性值转化为定量的数值。
步骤S407：从汽车系统标准数据库中提取某一机构或系统的标准属性值。
步骤S408：汽车系统标准数据库存储汽车机构或系统的标准属性值。
步骤S409：通过故障自动分析机制将获得的当前汽车故障征兆值与汽车系统标准数据库中存储的标准值进行对比。
步骤S410：判断当前汽车故障征兆值与标准值误差范围是否大于预先设定的值，若是，则进入步骤S411，若否，则进入步骤S407，照此循环。
步骤S411：通过上一步对比结果，系统自动初步判断出某一机构或系统出现故障。
参照图5，基于云模型的故障案例推理汽车故障诊断具体过程如下：
步骤S500：开始进入基于云模型的故障案例推理汽车故障诊断。
步骤S501：通过人机交互界面输入详细提取的汽车故障征兆值作为案例推理的检索条件。
步骤S502：对汽车类型、品牌、车型、车型配置等具有层次关系的故障案例属性应用语义相似法计算出故障案例属性局部相似度S(X,T)局。
步骤S503：对故障案例模糊定性属性应用云模型方法转化为精确数值的定量属性计算出故障案例属性局部相似度SIM(X,T)局。
步骤S504：对两者局部相似度求和即得出故障案例总相似度S(X,T)总＝0.2*S(X,T)局+0.8*SIM(X,T)局，通过将当前汽车故障案例与故障案例库中存储的历史故障案例相对比，检索相似故障案例。
步骤S505：判断当前汽车故障案例与历史故障案例库中故障案例总相似度是否大于专家预先设定的阈值，若是，则进入步骤S506，若否，则进入步骤S510及步骤S511。
步骤S506：将上一步检索出来的相似度大于设定阈值的历史故障案例的故障原因返还该用户，用来解决当前汽车故障。
步骤S507：通过基于云模型的故障案例推理故障诊断出汽车出现故障的原因后，通过使用维修辅助模块，辅助维修人员进行汽车故障维修，为客户提供维修价格及维修所需时间等信息。
步骤S508：如果没有检索到相似的故障案例，则进入到故障案例学习模块，通过增量式的学习方式，丰富自身故障案例库。
步骤S509：故障案例库存储历史故障案例，当进行故障案例检索时，从故障案例库中提取历史故障案例库。
参考图6，基于规则推理汽车故障诊断与维修具体流程如下：
步骤S600：应用规则推理进行汽车故障诊断与维修时。
步骤S601：选择当前汽车故障现象或故障原因。
步骤S602：判断当前检测条件是否成立，若是，则进入步骤S603，若否，则进入步骤S604。
步骤S603：根据判断结果，进入下一检测步骤。
步骤S604：根据判断结果，进入与之相应的另一检测步骤。
步骤S605：判断汽车故障检测是否完成，若是，则进入步骤S606，结束汽车故障诊断与维修，若否，则进入步骤S602，依此循环，直到完成检测。
参考图7，汽车维修辅助模块具体流程如下：
步骤S701：通过维修模块的人机交互界面输入汽车故障原因、维修案例检索条件等信息。
步骤S702：其中对于汽车类型、品牌等具有层次关系的维修案例属性采用语义相似度的方法计算出维修案例局部相似度S(X,T)局。
步骤S703：将维修方式属性为更换时设定为0.5，为维修时设定为0，将行驶里程、购车日期归一化后应用最近邻算法计算相似度SIM(X,T)局。
步骤S704：对两者局部相似度求和即得出维修案例总相似度S(X,T)总＝0.2*S(X,T)局+0.8*SIM(X,T)局，通过将当前汽车维修案例与维修案例库中存储的历史维修案例相对比，检索相似维修案例。
步骤S705：判断当前汽车维修案例与历史维修案例库中维修案例总相似度是否大于专家预先设定的阈值，若是，则进入步骤S706，若否，则进入步骤S707。
步骤S706：将上一步检索出来的相似度大于设定阈值的历史维修案例的维修步骤、维修工具、维修价格、维修时间等信息返还给用户，为维修人员提供标准的汽车故障维修流程，为客户提供标准的汽车维修价格。
步骤S707：如果没有检索到相似的维修案例，则进入到维修案例学习模块，通过增量式的学习方式，丰富自身维修案例库。
步骤S708：维修案例库存储历史维修案例，当进行维修案例检索时，从维修案例库中提取历史维修案例库。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无需也无法对所有的实施方式予以穷举，而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (2)
1.一种结合主客观信息和云模型的汽车智能故障诊断与维修辅助系统，其特征在于，所述的汽车智能故障诊断与维修辅助系统包括OBD诊断接口模块、汽车客观诊断原始数据获取模块、数据预处理模块、故障码解析模块、云模型数据处理模块、故障自诊断模块、基于云模型的故障案例推理模块、基于规则推理模块和维修辅助模块；
所述的OBD诊断接口模块用于连接汽车ECU与本发明的汽车智能故障诊断与维修辅助系统；
所述的汽车客观诊断原始数据获取模块与OBD诊断接口模块连接，以服务请求的方式向汽车ECU索取故障码或汽车诊断原始数据，汽车ECU以服务应答的方式向汽车客观诊断原始数据获取模块传送故障码或汽车诊断原始数据；
所述的数据预处理模块与汽车客观诊断原始数据获取模块连接，对所获取的汽车诊断原始数据进行处理，将汽车诊断原始数据中的故障码和其他故障诊断数据进行分离，将处理后的数据分类存储到数据预处理临时数据库中；
所述的故障码解析模块与数据预处理模块连接，将数据预处理临时数据库中存储的故障码与故障码表进行对比，匹配到与相应故障码对应的故障信息，从而确定汽车出现故障的原因；
所述的云模型数据处理模块将客户对故障汽车的现象描述及维修人员简要提取的汽车故障征兆模糊属性值转化为定量数值；
所述的故障自诊断模块分别与数据预处理模块和云模型数据处理模块连接，自动初步诊断出汽车故障部位，包括汽车系统标准数据库和故障自动分析机制；
所述的基于云模型的故障案例推理模块连接故障自诊断模块，故障自诊断模块初步诊断出汽车故障部位后，针对该故障部位详细地提取汽车故障案例征兆属性值，输入基于云模型的故障案例推理模块进行故障案例推理，确定汽车出现故障的具体原因，包括人机交互模块、故障案例推理模块及故障案例学习模块；
所述的基于规则推理模块通过归纳、总结的汽车检测与维修步骤对汽车进行故障诊断与排除，包括人机交互模块及规则推理模块；
所述的维修辅助模块用于连接故障码解析模块或基于云模型的故障案例推理模块，通过故障码解析模块或基于云模型的故障案例推理模块确诊汽车出现故障的原因后，通过维修辅助模块为客户提供所需的维修时间、维修价格等信息，标准化汽车维修流程，包括人机交互模块、维修案例推理模块及维修案例学习模块。
2.一种结合主客观信息和云模型的汽车智能故障诊断与维修辅助方法，其特征在于，步骤如下：
步骤一、通过OBD诊断接口模块将汽车ECU与本发明的汽车智能故障诊断与维修辅助系统进行连接；
步骤二、获取汽车客观诊断原始数据，通过OBD诊断接口模块，以服务请求的方式向汽车ECU索取故障码或汽车诊断原始数据，汽车ECU以服务应答的方式向汽车客观诊断原始数据获取模块传送故障码或汽车诊断原始数据；
步骤三、数据预处理，将所获得的汽车诊断原始数据中的故障码与其他故障诊断数据进行分离，将处理后的数据分类存储到数据预处理临时数据库中；
步骤四、判断经过处理后的数据中是否有故障码；
步骤五、解析故障码，将数据预处理临时数据库中存储的故障码与故障码表进行对比，匹配到与相应故障码对应的故障信息，确定故障原因；
步骤六、记录客户对故障汽车的现象描述信息；
步骤七、维修人员简要提取汽车故障征兆模糊属性值；
步骤八、云模型数据处理，通过应用云模型，将客户对汽车的故障现象描述信息及维修人员简要提取的汽车故障征兆模糊属性值转化为数字表示的定量值；
进一步地，所述云模型，首先应用专家统计的方法，获得模糊属性的期望值Ex：
<mrow>
<mi>E</mi>
<mi>x</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mfrac>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mi>n</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，Ex为模糊属性期望值；Xi为定量属性值；n为属性值数量；
得到模糊属性的期望值后，计算熵En：
<mrow>
<mi>E</mi>
<mi>n</mi>
<mo>=</mo>
<msqrt>
<mfrac>
<mi>&pi;</mi>
<mn>2</mn>
</mfrac>
</msqrt>
<mo>&times;</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>E</mi>
<mi>x</mi>
<mo>|</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，En为模糊属性熵；
根据期望值和熵计算熵的熵，即超熵He：
<mrow>
<mi>H</mi>
<mi>e</mi>
<mo>=</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mi>E</mi>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<mi>En</mi>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，He为模糊属性熵；
最后即得出正态分布的隶属云期望曲线μ：
μ＝exp(-(x-Ex)2/(2En2)) (4)
式中，μ为正态分布的隶属云隶属度；
根据曲线μ即将主观不确定性汽车故障征兆定性值转化为定量的数值；
步骤九、故障自诊断模块包括汽车系统标准数据库和故障自动分析机制；
汽车系统标准数据库：用来分类存储汽车各机构或系统重要属性标准值；
故障自动分析机制：用来分析简要获取的当前汽车故障诊断值与汽车系统标准数据库中存储的标准值之间的差异；
进一步地，对汽车系统标准数据库中存储的汽车各机构或系统重要属性标准值，根据各属性值出现异常对机构或系统出现故障的贡献程度不同，分配合适的属性权重；故障自动分析机制将当前汽车故障诊断值与标准值进行对比，若二者之间的差值超出允许的范围，则判断此属性值出现异常，依此类推，直到判断完所有属性，最终对有异常的属性所占的权重求和，若求和超过所设定阈值，则系统自动初步判断出哪一机构或系统出现故障；
步骤十、基于云模型的故障案例推理故障诊断，通过将获得的汽车模糊故障属性应用云模型的方法转化为定量数值，使用案例推理技术诊断出汽车出现故障的原因，包括人机交互模块、故障案例推理模块及故障案例学习模块；
所述的基于云模型的人机交互模块：实现汽车故障征兆值的录入；
所述的故障案例推理模块连接人机交互模块，包括故障案例表示、故障案例库的组织及故障案例检索；
所述的故障案例表示：对收集的历史故障案例进行整理，提取历史故障案例的特征，将其存储到故障案例数据库中，本方法中故障案例表示用一个五元组的案例表示方法来表示汽车故障案例：
E＝<N，T，D，R，A> (5)
式中，N为故障案例唯一标识符；T为故障案例所属种类，T＝{T1，T2，…，Tn}；D为故障案例征兆属性值，D＝{D1，D2，…，Dn}；R为汽车故障原因；A为故障案例的辅助说明信息，A＝{A1，A2，…，An}；
所述的故障案例库的组织将收集的故障案例按组成汽车的机构或系统的不同进行分类存储；将每一机构或系统下的故障案例分为上层案例库与下层案例库的两级案例层次结构；
所述的上层案例库抽象于下层案例，是下层案例库中所有案例的特征代表；选取原则为上层案例到各下层案例的距离和最短；
所述的下层案例库是上层案例的具体案例，通过使用层次方法下的最短距离聚类算法按相似原则对历史案例进行分类，相似的案例则归为一类；本方法通过使用层次方法下的最短距离聚类算法按相似原则对历史案例进行分类，相似的案例则归为一类；
所述的最短距离聚类算法设SIM(xi，xj)表示样本故障案例xi和xj之间的相似度，簇Cm和Cn之间的相似度为两簇中最相似的案例之间的相似度，用如下公式(6)表示：
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>C</mi>
<mi>m</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>C</mi>
<mi>n</mi>
</msub>
</mrow>
</munder>
<mi>S</mi>
<mi>I</mi>
<mi>M</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，Sij为簇Cm和Cn之间的相似度；SIM(xi，xj)为样本故障案例xi和xj之间的相似度；xi为序号为i的样本故障案例；xj为序号为j的样本故障案例；Cm为序号为m的簇；Cn为序号为n的簇；
设簇Cr为簇Cm和Cn合并之后而成的新簇，则任一簇Ca与Cr之间的相似度为：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>a</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>=</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>C</mi>
<mi>a</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>C</mi>
<mi>r</mi>
</msub>
</mrow>
</munder>
<mi>S</mi>
<mi>I</mi>
<mi>M</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mi>max</mi>
<mo>{</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>C</mi>
<mi>a</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>C</mi>
<mi>m</mi>
</msub>
</mrow>
</munder>
<mi>S</mi>
<mi>I</mi>
<mi>M</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<munder>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>C</mi>
<mi>a</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>&Element;</mo>
<msub>
<mi>C</mi>
<mi>n</mi>
</msub>
</mrow>
</munder>
<mi>S</mi>
<mi>I</mi>
<mi>M</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mi>max</mi>
<mo>{</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>a</mi>
<mi>m</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>a</mi>
<mi>r</mi>
</mrow>
</msub>
<mo>}</mo>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，Sar为任一簇Ca与Cr之间的相似度；Cr为簇Cm和Cn合并而成的新簇；
算法的具体步骤如下：
(1)计算样本故障案例两两之间的相似度，将计算得到的结果表示成一个相似度矩阵，记为S(0)，开始的时候，每个样本故障案例自成一簇，相似度矩阵如下式(8)所示：
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>S</mi>
<mi>I</mi>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>S</mi>
<mi>I</mi>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>S</mi>
<mi>I</mi>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>,</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>S</mi>
<mi>I</mi>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>,</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>S</mi>
<mi>I</mi>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>,</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mo>...</mo>
</mtd>
<mtd>
<mrow>
<mi>S</mi>
<mi>I</mi>
<mi>M</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>,</mo>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mn>1</mn>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
3
(2)从相似度矩阵S(0)中找出非对角线上大于设定阈值η的最大元素，记为Smn，将Cm与Cn合并成一个新簇，记为Cr，即Cr＝{Cm，Cn}；
(3)通过式(7)中给出的相似度计算公式Sar＝max{Sam，Sar}计算新簇Cr与其他簇Ca之间的相似度，将S(0)中第m、n行及第m、n列合并成一个新行新列，合并而成的新行新列记为簇Cr，所形成的新矩阵记为S(1)；
(4)对S(1)重复上述步骤(2)(3)两步得到S(2)，依次循环，直到相似度矩阵S(k)中非对角线的最大元素小于设定阈值η；
所述的故障案例检索采用综合语义案例相似匹配法与基于云模型的最近邻法作为案例的检索算法来计算当前故障案例与历史故障案例的相似度，将相似度超过设定阈值的故障案例返还给用户，用来解决当前汽车故障；
本方法将故障案例的故障案例征兆属性n、汽车类型、品牌、车型、车型配置、行驶里程、购车日期属性作为故障案例检索条件，其中汽车类型、品牌、车型、车型配置四个存在层次关系的属性作为第一个部分，采用语义案例相似匹配法计算局部相似度；剩余的故障案例属性则作为第二部分采用基于云模型的最近邻法计算相似度；
所述的语义案例相似匹配法根据节点深度权重密度单调递增函数：
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mi>e</mi>
<mi>p</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>+</mo>
<mfrac>
<mrow>
<mi>a</mi>
<mi>r</mi>
<mi>c</mi>
<mi>tan</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>-</mo>
<msub>
<mi>&alpha;</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mi>&pi;</mi>
</mfrac>
<mo>,</mo>
<mi>X</mi>
<mo>&Element;</mo>
<mn>1</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>N</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，Dep(X)为节点X的深度值；X为节点；α1为中间层数，由取上限整数；
及节点密度权重模型：
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mi>e</mi>
<mi>s</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mi>e</mi>
<mi>g</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mi>e</mi>
<mi>g</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mn>1</mn>
</mtd>
<mtd>
<mrow></mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，Des(c)为节点c的密度值；Deg(c)为节点c的出度；
得出案例属性之间的局部相似度：
式中，S(X,T)局为案例属性局部相似度；ci为节点i；α2为节点X深度和倒数，
所述的基于云模型的最近邻法，给出案例属性之间的相似度公式：
式中，SIM(X,T)为案例属性局部相似度；DIST(X,T)为案例属性之间的距离；Wj为j属性权重值；Xij为第i个历史案例的第j个属性值；Tj为当前案例的第j个属性值；
对于定量数值的故障属性值则直接通过上式(12)计算属性之间的相似度；对于定性模糊故障属性，则根据公式(1)(2)(3)(4)计算出定性模糊属性的期望值Ex、熵En、超熵He和正态分布的隶属云期望曲线μ，通过应用下式(13)所示的正态分布的隶属云期望曲线近似代表云模型中的“云滴”，一条云模型
<mrow>
<mi>y</mi>
<mo>=</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mi>E</mi>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<msup>
<mi>En</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
式中，y为正态分布的隶属云隶属度；
期望曲线代表一个定性模糊故障属性值，通过求解两个云模型的期望曲线相交重叠部分的面积来表示两个定性模糊故障属性的相似度；并最终对计算出的定性故障属性相似度和定性模糊故障属性相似度求和，得出SIM(X,T)局；案例之间最终的总相似度为：
S(X,T)总＝0.2*S(X,T)局+0.8*SIM(X,T)局 (14)
式中，S(X,T)总为案例的总相似度；
所述的故障案例学习模块为故障案例库添加新案例，将新添加的故障案例与历史故障案例进行对比，若新添加的故障案例与案例库中的历史故障案例相似度未超过设定的阈值，则将新添加的故障案例保存到故障案例库中，若相似度超过了设定的阈值，则说明新添加的故障案例没有需要保存的价值，放弃新故障案例的添加；
步骤十一、判断通过基于云模型的故障案例推理进行汽车故障诊断后，汽车故障原因是否确诊；
步骤十二、基于规则推理汽车故障诊断，通过归纳、总结的汽车检测与维修步骤对汽车进行故障诊断与排除，包括人机交互模块及规则推理模块；
所述的基于规则推理的人机交互模块为用户提供故障诊断与维修步骤信息；
所述的规则推理模块连接人机交互模块，包括规则库及正向推理单元；
所述的规则库通过应用故障检修步骤表及故障检修规则表分别存储从实践经验中所获得的具体规则；
所述的故障检修步骤表包括步骤编号、步骤名称、步骤详情、备注等信息；
所述的故障检修规则表包括步骤编号、检查结果、下一步编号、备注等信息；
所述的正向推理单元采用Wether(条件判断)Yes or No(结果)格式，判断当前检测条件是否成立，若成立，则进入与Yes相对应的下一检测步骤，若不成立，则进入与No相对应的另一检测步骤，依此循环，直到完成当前汽车故障诊断；
步骤十三、维修辅助：通过解析故障码或基于云模型的故障案例推理故障诊断确诊汽车出现故障的原因后，通过使用维修辅助，将维修步骤、维修工具、维修价格、维修时间等信息返还给用户，为维修人员提供标准的汽车故障维修流程，为客户提供标准的汽车维修价格，包括人机交互模块、维修案例推理模块及维修案例学习模块；
所述的维修辅助的人机交互模块连接维修案例推理模块，实现用户对故障原因及维修方式等维修检索信息的录入；
所述的维修案例推理模块包括维修案例的表示及维修案例的检索；
所述的维修案例的表示用一个四元组来表示汽车维修案例：
C＝<I，G，S，L> (15)
式中，I为维修案例唯一标识符；G为维修工具，G＝{G1，G2，…，Gn}；S为维修解决方案；L为维修案例的辅助说明信息，L＝{L1，L2，…，Ln}；
所述的维修案例检索将维修案例属性中的汽车类型、品牌、车型、车型配置、维修方式、购车价格、购车日期等属性作为维修案例检索条件，其中汽车类型、品牌、车型、车型配置四个存在层次关系的属性作为第一个部分采用如上故障案例检索方法使用的语义案例相似匹配法计算局部相似度；剩余的维修案例属性则作为第二部分采用上式(12)所示的最近邻法计算维修案例之间的相似度；从维修案例库中检索出最相似的维修案例，将其所需维修工具、维修步骤、维修价格、维修时间等返还给维修人员或客户，为其提供参考；
所述维修方式属性分两种取值，即更换和维修；根据专家咨询法预先将维修方式属性为更换时，设定为0.5，为维修时设定为0；
所述维修案例学习模块采用增量式的学习方式将新维修案例中有用的部分存储到维修案例库中，丰富自身案例库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710369129.3A CN107168285B (zh) | 2017-05-26 | 2017-05-26 | 一种汽车智能故障诊断与维修辅助方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710369129.3A CN107168285B (zh) | 2017-05-26 | 2017-05-26 | 一种汽车智能故障诊断与维修辅助方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107168285A true CN107168285A (zh) | 2017-09-15 |
| CN107168285B CN107168285B (zh) | 2019-04-09 |
Family
ID=59820461
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710369129.3A Expired - Fee Related CN107168285B (zh) | 2017-05-26 | 2017-05-26 | 一种汽车智能故障诊断与维修辅助方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107168285B (zh) |
Cited By (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107885187A (zh) * | 2017-10-19 | 2018-04-06 | 深圳市元征科技股份有限公司 | 一种汽车远程诊断方法、用户终端及服务器 |
| CN107958288A (zh) * | 2017-12-19 | 2018-04-24 | 浙江大学 | 一种基于案例推理的汽轮机加热器故障诊断方法 |
| CN108197812A (zh) * | 2018-01-05 | 2018-06-22 | 夏超 | 一种基于“大数据”的汽车故障在线诊断技术 |
| CN108319640A (zh) * | 2017-12-22 | 2018-07-24 | 金瓜子科技发展（北京）有限公司 | 根据用户偏好进行车源展现的方法及装置 |
| CN108415401A (zh) * | 2018-01-19 | 2018-08-17 | 杭州砺玛物联网科技有限公司 | 一种工程车辆检测维修数据管理方法及系统 |
| CN108509995A (zh) * | 2018-04-03 | 2018-09-07 | 电子科技大学 | 基于中文文本分析和obd数据处理的汽车故障诊断方法 |
| CN109189050A (zh) * | 2018-10-22 | 2019-01-11 | 爱驰汽车（上海）有限公司 | 故障排除方法、装置、计算设备及计算机存储介质 |
| CN109344227A (zh) * | 2018-06-27 | 2019-02-15 | 中国建设银行股份有限公司 | 工单处理方法、系统和电子设备 |
| CN109901555A (zh) * | 2019-03-22 | 2019-06-18 | 深圳市元征科技股份有限公司 | 一种车辆故障诊断方法、设备及存储介质 |
| CN110059118A (zh) * | 2019-04-26 | 2019-07-26 | 迪爱斯信息技术股份有限公司 | 特征属性的权重计算方法及装置、终端设备 |
| CN110288100A (zh) * | 2019-06-10 | 2019-09-27 | 广州思创科技发展有限公司 | 一种根据车辆故障自动匹配维修项目方法及系统 |
| CN110471395A (zh) * | 2019-08-16 | 2019-11-19 | 深圳市元征科技股份有限公司 | 一种故障检测方法、装置、设备及存储介质 |
| CN110703731A (zh) * | 2019-10-21 | 2020-01-17 | 广州市番鸿汽车检测有限公司 | 一种汽车故障智能诊断系统 |
| CN110738331A (zh) * | 2019-09-19 | 2020-01-31 | 智慧航海（青岛）科技有限公司 | 一种智能船舶机舱系统 |
| CN110967629A (zh) * | 2018-09-28 | 2020-04-07 | Abb瑞士股份有限公司 | 用于电驱动装置的故障诊断系统和方法 |
| CN111076962A (zh) * | 2020-01-03 | 2020-04-28 | 中国电建集团华东勘测设计研究院有限公司 | 一种面向智慧水电厂的机电设备故障诊断方法 |
| CN111177168A (zh) * | 2019-12-26 | 2020-05-19 | 优信拍（北京）信息科技有限公司 | 一种车辆检测方法及装置 |
| CN111385613A (zh) * | 2018-12-29 | 2020-07-07 | 深圳Tcl数字技术有限公司 | 一种电视系统修复方法、存储介质及应用服务器 |
| CN111553380A (zh) * | 2020-03-22 | 2020-08-18 | 中润普达(十堰)大数据中心有限公司 | 一种汽车故障征兆的辅助诊断系统及其使用方法 |
| CN111898774A (zh) * | 2020-07-29 | 2020-11-06 | 重庆啄木鸟网络科技有限公司 | 一种家庭维修监控方法、装置及终端设备 |
| CN111983992A (zh) * | 2019-05-24 | 2020-11-24 | 江铃汽车股份有限公司 | 汽车故障远程诊断方法、装置及系统 |
| CN112041820A (zh) * | 2018-03-20 | 2020-12-04 | 奥普塔姆软件股份有限公司 | 基于匹配集的自动根本原因分析 |
| CN112199389A (zh) * | 2020-09-30 | 2021-01-08 | 深圳市云伽智能技术有限公司 | 汽车系统扫描方法、装置、汽车诊断设备及存储介质 |
| CN112215254A (zh) * | 2020-09-03 | 2021-01-12 | 许继集团有限公司 | 一种基于改进案例推理的变电站故障诊断方法以及诊断装置 |
| CN112348212A (zh) * | 2020-11-07 | 2021-02-09 | 深圳市明睿数据科技有限公司 | 基于vin码与故障码检索的车辆智能维修方法与系统 |
| CN112732787A (zh) * | 2021-01-02 | 2021-04-30 | 西北工业大学 | 面向动车组重要部件的设备画像与个性化运维服务方法 |
| CN112749058A (zh) * | 2020-12-31 | 2021-05-04 | 浙江工贸职业技术学院 | 一种计算机用故障报警设备 |
| CN113128687A (zh) * | 2021-03-25 | 2021-07-16 | 北京博华信智科技股份有限公司 | 一种用于自动扶梯的故障诊断专家系统 |
| CN114265384A (zh) * | 2021-11-22 | 2022-04-01 | 阿尔特汽车技术股份有限公司 | 一种车辆故障信息处理方法以及系统 |
| CN114296105A (zh) * | 2021-12-27 | 2022-04-08 | 中国第一汽车股份有限公司 | 一种定位故障原因确定方法、装置、设备以及存储介质 |
| CN114510007A (zh) * | 2022-02-17 | 2022-05-17 | 重庆朗维机电技术有限公司 | 一种汽车生产线智能集成故障诊断方法及装置 |
| CN114636890A (zh) * | 2022-01-29 | 2022-06-17 | 国网河北省电力有限公司邯郸供电分公司 | 案例推理的故障定位方法以及系统、存储介质、电子设备 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1703449A1 (en) * | 2005-03-18 | 2006-09-20 | BRITISH TELECOMMUNICATIONS public limited company | Fault diagnostics |
| CN103091112A (zh) * | 2013-01-31 | 2013-05-08 | 林惠堂 | 基于模糊推理和自学习的汽车排放故障检诊方法及装置 |
| CN103115779A (zh) * | 2012-10-24 | 2013-05-22 | 中国电力科学研究院 | 一种电动汽车在线状态监测系统 |
| CN103135014A (zh) * | 2012-12-14 | 2013-06-05 | 西安电子科技大学 | 基于案例推理的变压器故障诊断方法 |
| CN103455025A (zh) * | 2013-08-15 | 2013-12-18 | 重庆邮电大学 | 一种基于Android平台的汽车故障诊断系统 |
-
2017
- 2017-05-26 CN CN201710369129.3A patent/CN107168285B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1703449A1 (en) * | 2005-03-18 | 2006-09-20 | BRITISH TELECOMMUNICATIONS public limited company | Fault diagnostics |
| CN103115779A (zh) * | 2012-10-24 | 2013-05-22 | 中国电力科学研究院 | 一种电动汽车在线状态监测系统 |
| CN103135014A (zh) * | 2012-12-14 | 2013-06-05 | 西安电子科技大学 | 基于案例推理的变压器故障诊断方法 |
| CN103091112A (zh) * | 2013-01-31 | 2013-05-08 | 林惠堂 | 基于模糊推理和自学习的汽车排放故障检诊方法及装置 |
| CN103455025A (zh) * | 2013-08-15 | 2013-12-18 | 重庆邮电大学 | 一种基于Android平台的汽车故障诊断系统 |
Cited By (39)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107885187A (zh) * | 2017-10-19 | 2018-04-06 | 深圳市元征科技股份有限公司 | 一种汽车远程诊断方法、用户终端及服务器 |
| CN107958288A (zh) * | 2017-12-19 | 2018-04-24 | 浙江大学 | 一种基于案例推理的汽轮机加热器故障诊断方法 |
| CN108319640A (zh) * | 2017-12-22 | 2018-07-24 | 金瓜子科技发展（北京）有限公司 | 根据用户偏好进行车源展现的方法及装置 |
| CN108319640B (zh) * | 2017-12-22 | 2021-01-29 | 金瓜子科技发展（北京）有限公司 | 根据用户偏好进行车源展现的方法及装置 |
| CN108197812A (zh) * | 2018-01-05 | 2018-06-22 | 夏超 | 一种基于“大数据”的汽车故障在线诊断技术 |
| CN108415401A (zh) * | 2018-01-19 | 2018-08-17 | 杭州砺玛物联网科技有限公司 | 一种工程车辆检测维修数据管理方法及系统 |
| CN112041820A (zh) * | 2018-03-20 | 2020-12-04 | 奥普塔姆软件股份有限公司 | 基于匹配集的自动根本原因分析 |
| CN108509995A (zh) * | 2018-04-03 | 2018-09-07 | 电子科技大学 | 基于中文文本分析和obd数据处理的汽车故障诊断方法 |
| CN109344227A (zh) * | 2018-06-27 | 2019-02-15 | 中国建设银行股份有限公司 | 工单处理方法、系统和电子设备 |
| CN110967629A (zh) * | 2018-09-28 | 2020-04-07 | Abb瑞士股份有限公司 | 用于电驱动装置的故障诊断系统和方法 |
| CN109189050A (zh) * | 2018-10-22 | 2019-01-11 | 爱驰汽车（上海）有限公司 | 故障排除方法、装置、计算设备及计算机存储介质 |
| CN111385613A (zh) * | 2018-12-29 | 2020-07-07 | 深圳Tcl数字技术有限公司 | 一种电视系统修复方法、存储介质及应用服务器 |
| CN111385613B (zh) * | 2018-12-29 | 2022-07-08 | 深圳Tcl数字技术有限公司 | 一种电视系统修复方法、存储介质及应用服务器 |
| CN109901555A (zh) * | 2019-03-22 | 2019-06-18 | 深圳市元征科技股份有限公司 | 一种车辆故障诊断方法、设备及存储介质 |
| CN110059118B (zh) * | 2019-04-26 | 2022-04-08 | 迪爱斯信息技术股份有限公司 | 特征属性的权重计算方法及装置、终端设备 |
| CN110059118A (zh) * | 2019-04-26 | 2019-07-26 | 迪爱斯信息技术股份有限公司 | 特征属性的权重计算方法及装置、终端设备 |
| CN111983992A (zh) * | 2019-05-24 | 2020-11-24 | 江铃汽车股份有限公司 | 汽车故障远程诊断方法、装置及系统 |
| CN111983992B (zh) * | 2019-05-24 | 2022-02-01 | 江铃汽车股份有限公司 | 汽车故障远程诊断方法、装置及系统 |
| CN110288100A (zh) * | 2019-06-10 | 2019-09-27 | 广州思创科技发展有限公司 | 一种根据车辆故障自动匹配维修项目方法及系统 |
| CN110471395A (zh) * | 2019-08-16 | 2019-11-19 | 深圳市元征科技股份有限公司 | 一种故障检测方法、装置、设备及存储介质 |
| CN110738331A (zh) * | 2019-09-19 | 2020-01-31 | 智慧航海（青岛）科技有限公司 | 一种智能船舶机舱系统 |
| CN110703731A (zh) * | 2019-10-21 | 2020-01-17 | 广州市番鸿汽车检测有限公司 | 一种汽车故障智能诊断系统 |
| CN111177168A (zh) * | 2019-12-26 | 2020-05-19 | 优信拍（北京）信息科技有限公司 | 一种车辆检测方法及装置 |
| CN111076962A (zh) * | 2020-01-03 | 2020-04-28 | 中国电建集团华东勘测设计研究院有限公司 | 一种面向智慧水电厂的机电设备故障诊断方法 |
| CN111553380A (zh) * | 2020-03-22 | 2020-08-18 | 中润普达(十堰)大数据中心有限公司 | 一种汽车故障征兆的辅助诊断系统及其使用方法 |
| CN111898774A (zh) * | 2020-07-29 | 2020-11-06 | 重庆啄木鸟网络科技有限公司 | 一种家庭维修监控方法、装置及终端设备 |
| CN111898774B (zh) * | 2020-07-29 | 2023-09-22 | 重庆啄木鸟网络科技有限公司 | 一种家庭维修监控方法、装置及终端设备 |
| CN112215254A (zh) * | 2020-09-03 | 2021-01-12 | 许继集团有限公司 | 一种基于改进案例推理的变电站故障诊断方法以及诊断装置 |
| CN112199389A (zh) * | 2020-09-30 | 2021-01-08 | 深圳市云伽智能技术有限公司 | 汽车系统扫描方法、装置、汽车诊断设备及存储介质 |
| CN112348212A (zh) * | 2020-11-07 | 2021-02-09 | 深圳市明睿数据科技有限公司 | 基于vin码与故障码检索的车辆智能维修方法与系统 |
| CN112749058A (zh) * | 2020-12-31 | 2021-05-04 | 浙江工贸职业技术学院 | 一种计算机用故障报警设备 |
| CN112732787A (zh) * | 2021-01-02 | 2021-04-30 | 西北工业大学 | 面向动车组重要部件的设备画像与个性化运维服务方法 |
| CN112732787B (zh) * | 2021-01-02 | 2024-04-16 | 西北工业大学 | 面向动车组重要部件的设备画像与个性化运维服务方法 |
| CN113128687A (zh) * | 2021-03-25 | 2021-07-16 | 北京博华信智科技股份有限公司 | 一种用于自动扶梯的故障诊断专家系统 |
| CN114265384A (zh) * | 2021-11-22 | 2022-04-01 | 阿尔特汽车技术股份有限公司 | 一种车辆故障信息处理方法以及系统 |
| CN114296105A (zh) * | 2021-12-27 | 2022-04-08 | 中国第一汽车股份有限公司 | 一种定位故障原因确定方法、装置、设备以及存储介质 |
| CN114636890A (zh) * | 2022-01-29 | 2022-06-17 | 国网河北省电力有限公司邯郸供电分公司 | 案例推理的故障定位方法以及系统、存储介质、电子设备 |
| CN114636890B (zh) * | 2022-01-29 | 2023-10-10 | 国网河北省电力有限公司邯郸供电分公司 | 案例推理的故障定位方法以及系统、存储介质、电子设备 |
| CN114510007A (zh) * | 2022-02-17 | 2022-05-17 | 重庆朗维机电技术有限公司 | 一种汽车生产线智能集成故障诊断方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107168285B (zh) | 2019-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107168285B (zh) | 一种汽车智能故障诊断与维修辅助方法及系统 | |
| CN111414477B (zh) | 车辆故障自动诊断方法、装置以及设备 | |
| US7092937B2 (en) | Vehicle diagnostic knowledge delivery | |
| CN103617469B (zh) | 电力系统设备故障预测方法及系统 | |
| CN103163877B (zh) | 用于系统级故障的根本原因分析和质量监控的方法和系统 | |
| CN106557541A (zh) | 用于产品故障检测的执行数据的自动分析的装置和方法 | |
| DE102014219684B4 (de) | Energiesparendes, automatisches Klimaanlagen-Steuersystem und Verfahren | |
| US20050273453A1 (en) | Systems, apparatus and methods for performing criminal background investigations | |
| CN112925287B (zh) | 一种汽车故障精确诊断的大数据智能化系统 | |
| CN105683970B (zh) | 基于预测的估计器 | |
| WO2010041382A1 (ja) | 車両の故障診断のための基準値の生成 | |
| Murphey et al. | Automotive fault diagnosis-part II: a distributed agent diagnostic system | |
| DE102011106550A1 (de) | Methodik zur Wissensextraktion für unstrukturierte Daten mittels ontologiebasiertem Text-Mining | |
| WO2008034583A1 (en) | Diagnostic system and method for monitoring a rail system | |
| CN108351995A (zh) | 用于提供车辆维修提示的方法和系统 | |
| CN106054858B (zh) | 基于决策树分类和故障码分类的车辆远程诊断与备件检索的方法 | |
| Rajpathak et al. | A domain-specific decision support system for knowledge discovery using association and text mining | |
| CN108509995A (zh) | 基于中文文本分析和obd数据处理的汽车故障诊断方法 | |
| CN106021545A (zh) | 用于车辆远程诊断与备件检索的方法 | |
| CN109947898B (zh) | 基于智能化的装备故障测试方法 | |
| Vong et al. | Simultaneous-fault detection based on qualitative symptom descriptions for automotive engine diagnosis | |
| DE102011055456A1 (de) | Graph-Matching-System zum Vergleichen und Zusammenführen von Fehlermodellen | |
| CN108829088A (zh) | 汽车诊断方法、装置及存储介质 | |
| US20190130028A1 (en) | Machine-based extraction of customer observables from unstructured text data and reducing false positives therein | |
| EP3001380A1 (de) | Diagnoseverfahren und erhebungsverfahren für fahrzeuge |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190409 |