CN111414477A - 车辆故障自动诊断方法、装置以及设备 - Google Patents
车辆故障自动诊断方法、装置以及设备 Download PDFInfo
- Publication number
- CN111414477A CN111414477A CN202010173620.0A CN202010173620A CN111414477A CN 111414477 A CN111414477 A CN 111414477A CN 202010173620 A CN202010173620 A CN 202010173620A CN 111414477 A CN111414477 A CN 111414477A
- Authority
- CN
- China
- Prior art keywords
- fault
- vehicle
- diagnosis
- candidate
- knowledge
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 183
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000015654 memory Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 19
- 230000004927 fusion Effects 0.000 claims description 18
- 238000012163 sequencing technique Methods 0.000 claims description 18
- 238000007499 fusion processing Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 6
- 238000002405 diagnostic procedure Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 11
- 238000001514 detection method Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 15
- 238000012423 maintenance Methods 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 10
- 239000013598 vector Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000014509 gene expression Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000007257 malfunction Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000004092 self-diagnosis Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000005065 mining 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)
Abstract
本发明公开了一种车辆故障自动诊断方法、装置以及设备。具体构思是搭建出用于对车辆故障知识进行存储和积累的车辆故障知识图谱,并结合输入的故障描述对可能的故障原因做预测、做推断;之后再利用预设的策略从可能的故障原因中遴选出目标结果,即确定最终的故障原因。本发明一方面对积累到的与车辆故障相关的知识,进行整理、归纳并建立元素关联,总结成知识图谱体系;另一方面将“按图索骥”与“先初诊再确诊”的技术思路相结合,从而,在车辆故障诊断的操作过程中,无需投入大量人力、也无需依赖单一的代码本身或检测硬件的限制,便能够全面、高效、准确地锁定到车辆故障的具体真实成因。
Description
技术领域
本发明涉及车辆故障诊断领域,尤其涉及一种车辆故障自动诊断方法、装置以及设备。
背景技术
车辆故障诊断,顾名思义,是给车辆进行“问诊治病”。即是当车辆存在故障隐患,导致车况变差或是部分/完全丧失某些功能时,为车辆进行故障判断和异常识别,包括查明故障部位、分析原因,之后可根据诊断结果制定出排除故障的对策,当然,车辆故障诊断技术也能对车辆未来的状况做出预测和预报。
但是目前所采用的车辆故障诊断方法,例如人工诊断、车辆自诊断以及故障自动检测等,在不同层面皆有其各自缺陷,例如:要么过于依赖人工经验且人工成本较大,要么依赖既定的简单代码或受限于采集状态信息的硬件条件,使得对故障原因的分析不足、不准。
发明内容
本发明旨在提供一种车辆故障自动诊断方法、装置以及设备,并相应地提出一种计算机可读存储介质以及计算机程序产品,通过这些方面以弥补现有诊断方式的多种缺陷。
本发明采用的技术方案如下:
第一方面,本发明提供了一种车辆故障自动诊断方法,包括:
利用预先构建的车辆故障知识图谱,对接收到的故障描述数据进行初步诊断,得到若干候选诊断信息;
基于预设策略从所述候选诊断信息中确定出最终诊断结果。
在其中一种可能的实现方式中,所述得到若干候选诊断信息包括:
根据所述故障描述数据在所述车辆故障知识图谱中查询到对应的至少一个故障实体,其中所述故障实体包含若干条预设的故障原因;
当查询到一个所述故障实体时,所述候选诊断信息为该故障实体包含的故障原因;当查询到多个所述故障实体时,所述候选诊断信息为各所述故障实体的故障原因的并集。
在其中一种可能的实现方式中,所述预设策略包括:当所述候选诊断信息为多个时,对所述候选诊断信息进行排序,根据排序结果确定所述最终诊断结果。
在其中一种可能的实现方式中,所述对所述候选诊断信息进行排序包括:
利用预先训练的排序模型、所述候选诊断信息以及获取到的如下至少一项数据:用车记录、车型、故障码和所述故障描述数据,计算并排序各所述候选诊断信息的概率得分;
根据所述概率得分的排序结果,确定出若干所述最终诊断结果。
在其中一种可能的实现方式中,所述排序模型的处理过程包括:
将所述故障描述数据,与所述用车记录和/或车型进行第一融合处理;
将所述故障码与第一融合结果进行第二融合处理;
逐个将所述候选诊断信息与第二融合结果进行第三融合处理;
基于第三融合结果,得到各所述候选诊断信息的概率得分。
在其中一种可能的实现方式中,所述第二融合处理包括:计算所述故障码与第一融合结果的相关度。
在其中一种可能的实现方式中,所述车辆故障知识图谱的架构包括具有继承关系的若干概念以及表征概念实例化的若干实体,且在特定的所述实体之间建立关联关系;
所述实体包含属性;其中,车型知识存储在车型实体的属性中,零部件知识存储在零部件实体的属性中,故障知识存储在故障实体的属性中。
第二方面,本发明提供了一种车辆故障自动诊断装置,包括:
初步诊断模块,用于利用预先构建的车辆故障知识图谱,对接收到的故障描述数据进行初步诊断,得到若干候选诊断信息;
确诊模块,用于基于预设策略从所述候选诊断信息中确定出最终诊断结果。
在其中一种可能的实现方式中,所述确诊模块具体包括:
排序单元,用于当所述候选诊断信息为多个时,利用预先训练的排序模型、所述候选诊断信息以及获取到的如下至少一项数据:用车记录、车型、故障码和所述故障描述数据,计算并排序各所述候选诊断信息的概率得分;
确诊单元,根据所述概率得分的排序结果,确定出若干所述最终诊断结果。
在其中一种可能的实现方式中,所述装置还包括:图谱构建模块;
由所述图谱构建模块构建出的所述车辆故障知识图谱的架构包括具有继承关系的若干概念以及表征概念实例化的若干实体,且在特定的所述实体之间建立关联关系;
所述实体包含属性;其中,车型知识存储在车型实体的属性中,零部件知识存储在零部件实体的属性中,故障知识存储在故障实体的属性中。
第三方面,本发明提供了一种车辆故障自动诊断设备,包括:
一个或多个处理器、存储器以及一个或多个计算机程序,所述存储器可以采用非易失性存储介质,其中所述一个或多个计算机程序被存储在所述存储器中,所述一个或多个计算机程序包括指令,当所述指令被所述设备执行时,使得所述设备执行如第一方面或者第一方面的任一可能实现方式中的所述方法。
第四方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行如第一方面或者第一方面的任一可能实现方式中的所述方法。
第五方面,本发明还提供了一种计算机程序产品,当所述计算机程序产品被计算机执行时,用于执行第一方面或者第一方面的任一可能实现方式中的所述方法。
在第五方面的一种可能的设计中,该产品涉及到的相关程序可以全部或者部分存储在与处理器封装在一起的存储器上,也可以部分或者全部存储在不与处理器封装在一起的存储介质上。
本发明构思在于先搭建出车辆故障知识图谱,用于对车辆故障知识进行存储和积累,并可以结合输入的故障描述对车辆故障进行自动初步诊断,也即是车辆故障知识图谱并非直接给出诊断结果,而是对可能的故障原因做预测、做推断;之后再利用预设的策略从可能的故障原因中遴选出目标结果,即确定最终的故障原因。本发明一方面对持续积累到的与车辆故障相关的知识,进行整理、归纳并建立元素关联,总结成知识图谱体系;另一方面将“按图索骥”与“先初诊再确诊”的技术思路相结合,从而,在车辆故障诊断的操作过程中,无需投入大量人力、也无需依赖单一的代码本身或检测硬件的限制,便能够全面、高效、准确地锁定到车辆故障的具体真实成因。
附图说明
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步描述,其中:
图1为本发明提供的车辆故障自动诊断方法的实施例的流程图;
图2为本发明提供的车辆故障知识图谱的实施例的示意图;
图3为本发明提供的排序模型处理过程的实施例的流程图;
图4为本发明提供的深度排序模型的实施例的架构图;
图5为本发明提供的车辆故障自动诊断装置的实施例的方框图;
图6为本发明提供的车辆故障自动诊断设备的实施例的示意图。
具体实施方式
下面详细描述本发明的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
在对本发明技术方案进行说明之前,先对本领域目前普遍采用的故障诊断方式再做具体介绍:当前车辆故障诊断的主要方法包括人工经验诊断法、车辆自诊断法、综合诊断法以及故障自动检测系统。
(1)人工经验诊断法,需要维修人员具有丰富的故障诊断经验以及汽车相关理论知识,在车辆不解体或局部解体情况下,维修人员借助简单的检查仪器,主要通过眼看、耳听、鼻闻或手摸的方法来检查、分析及确定故障的部位及原因。
但此方法的缺点是:人工经验诊断法对维修人员的经验和知识要求较高,同时在修车过程中检查或排除故障都需要投入极大的人力成本。
(2)车辆自诊断系统诊断法,主要是由汽车电脑故障诊断仪读取汽车的故障码,然后根据维修手册中提供的相应故障码说明及诊断流程,进行故障的诊断确定。
但此方法的缺点是:对故障码依赖性很大,而故障码实质上仅是对某一控制分支的故障做“有”和“无”的界定,故障码不能清晰地直接指出故障的原因所在,而且还会出现故障码失真问题。
(3)综合诊断法,是指在诊断过程中综合使用以上两种方法进行故障诊断。
但此方法的缺点是:虽然二者结合可以起到互补作用,但总体来说,对维修人员的经验要求依然较高,诊断过程中投入的人力仍然较多,并且也不能有效解决诊断码失真以及判断问题根源的问题。
(4)现有技术也存在一类故障自动检测系统,其主要通过使用传感器来对汽车重要的子系统进行信号或状态采集,根据收集的状态信息,在构建的汽车故障信息数据库中进行查找,找到对应状态下的故障信息并返回。
但此方法的缺点是:依赖于汽车上配备的传感器收集的信号或状态信息,而这些状态信息在不同条件下,如不同温度、湿度、噪声等情况下,差异性可能较大,根据其状态信息构建的故障映射关系判断故障出错的概率就会增大,而且该种方法同样不能直指故障的真实成因。
鉴于此,本发明的核心构思在于预先将丰富的与车辆故障诊断相关的知识进行总结归纳,形成一种可随着知识的积累持续更新的检索资源,这样在实际操作环节,可以结合用户输入的当前故障描述,对车辆故障进行自动且全面的诊断,这样便可以涵盖可能出现的多种成因,并且为了避免对检索资源本身的过度依赖,可以采用先初诊再确诊的渐进处理思路,也即是可以将知识积累作为待选参考的提供方,之后还需结合其他既定策略从中确定此若干故障参考原因的可靠性。
在对上述核心构思展开前,还需指出:本领域技术人员可以理解的是,本发明在后续说明实施方式时,出于方便理解并且考虑到故障诊断在汽车垂直领域具有重要且广阔的应用前景,因而主要是以汽车作为对象进行技术方案的介绍,但是本发明所述车辆实际上可以涵盖多种交通运载工具,例如但不限于燃油车、纯电动汽车、混动汽车、电瓶车、摩托车、轨道列车、军用载具、农用机车以及工矿等行业涉及到的专用车辆等。因此,下文提供的实施例并非对本发明的适用对象进行限定。
针对前述核心构思,本发明提供了至少一种车辆故障自动诊断方法的实施例,如图1所示,可以包括如下步骤:
步骤S1、利用预先构建的车辆故障知识图谱,对接收到的故障描述数据进行初步诊断,得到若干候选诊断信息;
步骤S2、基于预设策略从所述候选诊断信息中确定出最终诊断结果。
具体而言,知识图谱本身作为一种现有概念其并非本发明的贡献,各行各业皆可以利用知识图谱归纳各自的知识体系,形成用于自动检索目标实体的资源数据。然而,本发明强调的是将知识图谱与车辆故障检测相结合,并且不单单以知识图谱作为诊断依据。如前文提及的,本发明在分析了现有技术的各种问题后,认为现有技术产生缺陷的原因之一即是对单一资源过度依赖,据此思路,本发明将知识图谱的用途并不视作直接获得最终诊断结果的工具,而是认为图谱虽然可以全面覆盖车辆故障知识点、知识面,使得给出的故障原因可能不会发生遗漏,但要精准锁定到真实的故障成因则还需要与其他既定策略结合,从知识图谱提供的初步推断中甄别出可靠的目标。
这里所述的预设策略在实际操作中可有多种,例如但不限于:
(1)在一些可能的实现方式中,所述预设策略是指匹配策略,具体可以是将候选诊断信息与实际硬件检测结果或车辆历史诊断数据进行比较,判断候选诊断信息与其他数据的接近程度,就如同看病时先通过用户主诉预判待定诊断结论,然后考察待定诊断结论与化验检查结果或既往病例的诊断是否匹配。
(2)在一些可能的实现方式中,所述预设策略是指真伪二元策略,具体可以是当所述候选诊断信息为一个时,别无可选,在直接指定该唯一的候选诊断信息为最终诊断结果之前,用判断真伪方式作出进一步验证,例如可以采用分类器给出二元判定结果(当然,在某些实施例中,当候选诊断信息为一个时,可以采用直接指定策略,即可以减少运算量,直接确诊)。
(3)在一些可能的实现方式中,当所述候选诊断信息为多个时,所述预设策略是指排序策略,具体可以是对所述候选诊断信息按某种“规则”排序,并根据排序结果确定最终诊断结果。这里面又会涉及到多种“规则”,而“规则”的确定又是与不同的图谱架构相关,例如:a、可以按照由知识图谱输出的各候选诊断信息的时间,即按照检索速度排序,且可以认为用时最短的候选诊断即为最终诊断结果,此排序方式可用在基于路径逐步推理的图谱架构;b、排序的依据还可以根据各条候选诊断信息的字符数量制定,即按照故障原因的文本长度排序,且可以认为记载文字较多的候选诊断包含了更多且更可靠的故障成因信息,即可以提供更为广泛或深层的故障探寻方向;c、此外,排序的依据还可以充分将候选诊断信息与车辆的其他多维知识、多维信息结合,综合多个视角给出基于某些条件下的可能性,即按照各候选诊断信息的概率得分排序,且可以认为得分最高的一个或TopN个即为最终诊断结果。上述b和c的排序方式可以用在罗列有故障相关知识的图谱架构。
(4)在一些可能的实现方式中,所述预设策略是指反馈策略,具体可以是将候选诊断信息返回至用户,由用户自行甄别或筛选。当然,可以理解的是运用该策略的实施例,其自动性体现在了前述由知识图谱查询候选故障成因的步骤。
以上仅仅是对步骤S2中所述“预设策略”的举例说明,实际操作中并不限定采用以上或其他策略,为了便于理解,在下文中本发明将以其中相对较优的策略进行展开介绍,此处暂不赘述。
继续参见图1示例,关于步骤S1提及的故障描述数据是指当前用户的给定输入,在实际应用场景中可以不限定故障描述数据的形式,例如语音、图片、视频或录入的文本等皆可以,但上述实施例中采用的是知识图谱检索构思,因此,无论输入的故障描述是何形式,均优选处理为文本格式,而由其他格式转化为文本格式的技术手段可借鉴现已较为成熟的方案,对此本发明不做赘述。
而对于车辆故障知识图谱的构建,如上述提及的,同样存在多种实现方式,具体地,本发明拆分成了如下两个方面进行说明:
(一)图谱架构的确立
在本发明的一些实施例中,所述车辆故障知识图谱的架构可以包括:具有继承关系的若干概念以及表征概念实例化的若干实体,且在特定的所述实体之间建立关联关系。
具体以汽车实施对象为例,车辆故障知识图谱可以是对某一车型构建,由于汽车的故障一般可以归结到汽车的零部件上,而一种车型下通常会包含多个车款,每个车款的故障可能会有所差异,因此故障需要和车型(车款)以及零部件建立起关系,该车辆故障知识图谱的架构示例可以参见图2所示。这里需指出,本发明并不严格界定“车型”和“车款”的含义,因为不同语境下或用语习惯中,“车型”既可以表示某汽车的一类型号,例如“高尔夫”,也可以与“车款”等同,例如将高尔夫手动版、高尔夫自动版、高尔夫运动版等称作“车型”,换言之,本发明将车型与车款皆视为某类汽车的固有属性、参数、指标。
只是在诸如图2等实施例中,本发明将车型作为车款的上位概念,例如车型为高尔夫,车款为手动、舒适、运动、豪华等,此仅仅是为了便于介绍知识图谱,而非对本发明措辞定义的绝对限定。
接续前文,图2中较粗框的圆即表示具有继承关系的概念;较细框的的圆即表示实体,实体是概念的一种实例化表现,如图中车款B发动机异响是发动机异响的一个实例,而且可以理解的是,不同车款(型)发动机异响的原因和表现可能各不相同,因此可以用不同的实体(实例化)表示。图2中带箭头的直线表示关系,用来建立实体之间的关联,上面的文字表示关系名称;其中虚线则表示属性,以故障实体为例,其属性值的构成即为所列若干故障原因,该故障原因也即是之后通过查询获得的所述候选诊断信息。
该车辆故障知识图谱以故障概念为核心,故障概念下面又进一步划分出一级子概念,一级子概念中列出了不同的故障表现,如发动机异响,底盘抖动等。每个一级子概念下面则挂有不同车款的该类故障实体,例如图2中发动机异响下面挂接“车款B发动机异响”这一实体,该实体和相应零部件和对应车款建立有关联联系,并且图2中以方形框示出“车款B发动机异响”这一实体的属性及其属性值(原因1,原因2…),在此架构下,就可以通过故障描述数据来推测出可能的故障原因了,对此后文将作说明,此处暂不赘述,但需要指出的是,车辆故障知识图谱的呈现形式并不限于图2示出的圆圈方框等,也可以采用诸如树状、思维导图等形式,本发明对此不作限定。
(二)图谱知识的构成
图谱架构确立后,就需要将相关知识导入到该图谱中。在本发明的一些实施例中,所述车辆故障知识图谱可能涉及到的知识主要包括车款(车型)知识、零部件知识和故障知识。其中(1)车款知识和零部件知识均可以从汽车操作说明手册和汽车类网站中获得,例如从汽车销售网站中爬取到相关车型(车款)的配置信息;再结合图2示例,这些知识可存储在车款实体圆圈及零部件实体圆圈的属性中,例如相关实体圆圈挂接属性方框。(2)对于故障知识,该类知识的收集相对复杂一些,一般可以先从汽车维修手册、汽车厂商存储的车辆维修记录和汽车论坛上抽取与故障相关的知识信息,然后可由领域专家进行具体、凝练以及准确的编辑操作,以方便后续定位故障及其成因;再结合图2示例,故障知识可存储在故障实体的属性中,例如图中方框所示。
在由上述方式预先构建出所述车辆故障知识图谱后,步骤S1的具体实现手段便可以借鉴现有的图谱查询方式,例如将输入的描述故障数据文本化处理后,例如NER模型等从描述文本中进行实体抽取,再根据抽取结果从所述车辆故障知识图谱检索出相应的故障实体,并获得该故障实体的属性值,即由知识图谱推理出若干条对应故障描述的故障原因,以此作为本发明所述候选诊断信息。
在本步骤的实际操作中会出现至少两种可能:查询到一个故障实体或多个故障实体。
通常单句形式的故障描述,例如“xx车发生发动机异响”,可根据前述知识图谱查找到对应的单个故障实体,并由此获得该故障实体的属性值,一条或多条故障原因;当然可以理解地,为了不漏掉导致故障的各种可能原因,优选每个故障实体中附带多条故障原因。
对于不只有单一故障症状的描述,例如“xx车发生发动机异响,并伴随有底盘抖动”,此时在前述知识图谱中可能检索到两个或以上故障实体,每个故障实体也附带一条或多条故障原因,同理地,优选每个故障实体中附带多条故障原因;那么,假设两个故障原因集合分别为G1和G2,则给出的候选诊断信息可以是两个故障实体的属性值的并集Gs=G1∪G2,在某些实施例中对并集还可以实施去重处理,或者在其他实施例中也可以列出多故障实体的属性值的交集,对此本发明不做限定。
关于前文提及的可施用的各所述预设策略,本发明此处选择其中的排序策略进行具体说明以供实施参考,其主要思路即对多个所述候选诊断信息进行排序,根据排序结果确定所述最终诊断结果。基于此,本发明在一些较佳实施例中进一步采用的是前述c项排序方式,即排序的依据可以充分将候选诊断信息与车辆的其他多维知识、多维信息结合,综合多个视角给出基于某些条件下的可能性,按照各候选诊断信息的发生概率求取得分。
在c项排序构思下,为了获得概率得分,本发明在至少一个实施例中预先训练出排序模型,例如但不限于基于神经网络的深度排序模型等,并相应提出,将前述多个候选诊断信息以及获取到的如下至少一项数据:用车记录、车型、故障码和前述故障描述数据,作为该模型计算并排序各条候选诊断信息的概率得分的输入;该模型的输出即为各条候选诊断信息按各自概率得分大小排序的诊断信息序列。这里需说明的是,所述诊断信息序列中所含信息数量可等同于模型输入数据中的候选诊断信息的数量,并且从所述诊断信息序列中确定最终诊断结果的方式,也可以选择排在序列首位的诊断信息,当然,在某些场景中也可以在序列中选择Top-N条诊断新型作为最终诊断结果,对此本发明不做限定。
本领域技术人员可以理解的是,利用排序模型进行得分排序的构思并非重点,上述实施例的重点在于结合车辆故障诊断领域的需求,并具体针对知识图谱给出的多条候选诊断信息,在综合多知识多信息进行推荐排序处理时,具体可以选择哪些数据用于模型处理,并且具体是如何利用这些数据进行综合考察的。据此,本发明将在下文从三方面进行展开介绍:
(一)多维输入数据
上述提及的候选诊断信息、用车记录、车型、故障码和故障描述数据是基于技术目标可选择的主要数据对象,其中,候选诊断信息是必选项,而用车记录、车型、故障码和故障描述数据则是可选项目,也即是说,在某些场景下的实现方式中,可以根据实际所需从可选项中选择其中一种或几种数据与所述候选诊断信息结合,用作模型处理,这样可以针对实际问题简化计算环节、减少不必要的资源消耗。当然,在某些场景的实现方式中,可以选择全部上述各输入数据,以此提供更为充足的诊断依据,对此本发明不做限定。
(1)候选诊断信息数据,即为知识图谱的输出的若干条待定故障原因。
(2)故障描述数据,即为用户输入的对车辆不正常现象的描述,换言之,在某些实施方式中,所述故障描述数据起到了至少两个作用:其一是用于从知识图谱中检索相对应的若干推理结果,其二是在对推理结果进行筛选时又一次作为模型的输入数据以实现综合多维度进行概率预测。具体的故障描述数据形式通常比较直观、表明,例如但不限于用户发现汽车发动机发出隆隆异响并伴随明显的底盘抖动,便输入如下语音描述“发动机响声不正常,底盘也抖动得很厉害”等,之后可以利用本领域已较为成熟的转换文本并结合分词、分局、提取实体、关键词等技术手段,进行后续处理,这里需指出,该示例中即包含了两个故障描述子句,可从前述知识图谱中分别获取到相应于两个故障实体的属性值,这已在前文介绍,此处不再赘述。
(3)故障码数据,实际操作中可从车辆自身的控制系统中获取到,其中包含车辆发生故障时相应零部件的相关信息,综合多维信息时使用故障码,可有助于定位和确定故障原因所在。具体到汽车领域,此处所述故障码可采用的是标准OBD-Ⅱ故障码,它有5个字符组成,第一位是字母,共有P、B、C和U四个取值,分别代表动力总成系统、车身系统、底盘悬挂系统以及网络通讯系统,并且故障码可用两位二进制表示,例如00表示P,01表示B,10表示C,11表示U。后面4个字符为数字(可以是指通用故障码),每位数字也可用四位二进制表示,当然,各车辆种类所编制的故障代码可能各不相同,具体可参考本领域相关知识,本发明不对此进行枚举赘述。
(4)用车记录及车型数据,二者均可以采自车辆自身的控制系统,并且车型数据也可以爬取自网络等既有数据库,这里需先指出,此处虽以车型数据进行说明,但结合前文内容可知,本发明并不严格界定车型和车款的名词区别,也即是这里所述车型数据也可以表述为车款数据,并且可将用车记录及车型(车款)数据统一地视为车辆的既有客观属性。
因为在某些场景中,车辆故障的发生与车型(车款)数据中所包含的车辆配置信息以及车辆的使用情况息息相关。具体来说,所述用车数据可以包括但不限于行驶里程和保养、维修记录,这是由于大多数故障是在一定行驶里程后才可能出现的,而某些故障在车辆已经保养或维修的条件下则很少发生。所述车型数据可以包括但不限于车型车款名、排量、驱动形式、环保标准、座位数、车厢数、车门数、变速箱类型、车辆级别等。
如前所述,用车记录及车型数据属于特定的属性信息,且二者的表示均较短且多为数字、字母或汉字的组合,因而在某些实施例中可以将获取到的用车记录及车型数据进行整合形成一条综合信息,例如“RX5-1.5T-2驱-国六-5座-3厢-4门-6挡手自一体-C-2万-2019/4/6-2018/10/24”(车型车款名-排量-驱动形式-环保标准-座位数-车厢数-车门数-变速箱类型-车辆级别-行驶里程-上次保养时间-上次维修时间),对此本发明不做限定。
(二)模型处理逻辑
在确定选用何种输入数据后,便可以针对这些特定的数据进行运算层面的设计,当然,在不同的实际场景和数据源的条件下,各数据之间配合方式、处理方式会有差异,为了便于理解和说明,本发明在一些较充分地利用到上述输入数据的示例中,提供了如下排序模型的处理构思供参考,如图3所示,可以包括如下步骤:
步骤S10、将所述故障描述数据,与所述用车记录和/或车型进行第一融合处理;
步骤S20、将所述故障码与第一融合结果进行第二融合处理;
步骤S30、逐个将所述候选诊断信息与第二融合结果进行第三融合处理;
步骤S40、基于第三融合结果,得到各所述候选诊断信息的概率得分。
具体来说,可以将用车记录和/或车型(车款)数据作为一个整体,并与用户输入的故障描述数据的各个子句进行融合,从而可以表征出在特定的车辆配置和或用车记录条件下发生某一故障的状况;之后再将车辆给出的故障码(当前零部件的状态反馈)加入其中进行综合考量,这里可以补充的是,在某些优选方案中,第二融合处理可以包括计算故障码与前述第一融合结果之间的相关度,例如在排序模型中可引入注意力机制(attention),具体地,进行attention计算一方面可以将故障码中蕴含的信息融合其中,另一方面可以利用attention计算结果,对在特定的车辆配置和或用车记录条件下发生某一故障的状况进行加权,即,通过故障码的信息选择更为关键的故障状况表达,这是因为实际操作中,大多数情况下故障描述数据包含不止一条故障描述子句,而所包含的各个故障描述子句对最终的诊断预测的贡献度是不一样的,因而可以使用诸如attention等相关度计算机制对此进行建模。接着,在将用车记录和或车型数据、故障描述数据,与故障码融合一起之后,再逐条地与知识图谱给出的候选诊断信息结合,得到在综合了用车记录和或车型数据、故障描述数据以及故障码的条件下,每一条候选诊断信息的发生概率。
(三)具体实现过程
结合图4举例来说,前述排序模型可优选采用深度排序模型,并且该深度排序模型在特征转换和表达上可使用基于Bi-LSTM的神经网络层。基于此,并结合前文所介绍的输入数据,其中(1)所述故障码了可以使用一个18维的由0和1组成的向量表示,并且由于汽车发生故障时多数情况下会给出多个故障码,且有些故障码之间存在联系、往往同时出现,因此对于故障码的特征表示,在将故障码转化为18维向量后,将转化后的向量序列输入到一个Bi-LSTM模块,其可以对故障码序列进行编码,并且可对故障码之间的关系进行学习,该Bi-LSTM模块的输出即为故障码的特征表示;(2)对于用车记录以及车型(车款)数据的处理,鉴于二者在字符构成上的特定行,如果使用基于词的word embedding并不适合,因为除了车型车款名外基本不会出现多字的词。因而,针对该输入数据的特点,本发明在某些较佳方案中,使用character embedding的方法,可以构建出一个大小为100个字符的字符表,词汇表中主要覆盖数字、字母、特殊字符以及车型车款等特定属性数据中常用的字,如门、驱、国和座等。这样,用车记录和车型数据在输入模型时,可以先将每个字符转换为一个100维的one-hot向量,然后输入到基于Bi-LSTM模块得到特征表示;(3)每一条候选诊断信息为一条文本句,可采用word embedding的方法,如基于ELMo或Bert对其进行特征编码,得到句向量特征表示;(4)对于故障描述数据,其同样多是由多个文本子句构成,可依次对每个文本子句采用上述word embedding方法进行特征编码,得到每个故障描述子句的句子特征向量,这里需对图4说明的是,图4只是示出由Bi-LSTM模块可以获得各故障描述子句的特征以及一条候选诊断信息的特征,但二者此阶段并没有关联,也即是与用车记录和或车型数据的特征相拼接的只是各故障描述子句的特征。
而针对该深度排序模型的训练过程,可预先将正确的诊断信息,以及与其相应的故障码、用车记录及车型(车款)数据和故障描述数据构成一组正例,而那些可能的故障原因则与输入的上述特征构成一组负例。而对于正负例的判定,则可以结合故障维修记录来确定,通常汽车厂商会保存有大量的车辆维修记录,利用该数据便可以构建包含上述正反例的训练集。并且,该深度排序模型可以使用如下二分类交叉熵损失函数:
其中,N表示训练样本数量;表示第i组样本的标签(标签表示出相关输入数据与一条候选诊断信息的匹配关系,实际操作中可从厂商提供的维修记录数据获得),当相关输入数据和候选诊断信息匹配正确时,即在输入的故障码、用车记录、车型数据和故障描述数据条件下,故障是由该候选诊断信息引发为真,其值则为1,反之则为0;是预测故障原因是候选甄选信息的概率。
接续前文,在经由Bi-LSTM模块获得故障码、故障描述、用车记录和或车型数据的特征表达后,用车记录和或车型数据的特征向量可先与故障描述子句的特征向量进行第一拼接(当有多条描述子句时,用车记录和或车型数据的特征可分别与每一描述子句特征进行拼接),再将故障码的特征表达与第一拼接结果融合,例如但不限于前文介绍的attention计算,以此对第一拼接结果进行加权求和得到综合了用户描述、零部件状态、用车记录和或车型车款信息的隐层特征表示,接着再将其与单个候选诊断信息的特征向量进行拼接,例如通过一个特征映射矩阵和非线性激活函数,获得综合了用户描述、零部件状态、用车记录和或车型车款信息以及知识图谱输出的待定原因的全局特征(具体可以是通过一个特征映射矩阵与前步拼接得到的向量相乘,再通过非线性激活函数如tanh或ReLU,将其映射到另一个特征空间得到全局特征向量)。最后,将该全局特征给至“输出层”,求取该组数据为正例也即是故障推断正确的概率得分;将全部候选诊断信息按此方式求得概率值并按得分大小排序,即可获得知识图谱提供的待定各候选诊断信息的有序序列。
综上所述,本发明构思在于先搭建出车辆故障知识图谱,用于对车辆故障知识进行存储和积累,并可以结合输入的故障描述对车辆故障进行自动初步诊断,也即是车辆故障知识图谱并非直接给出诊断结果,而是对可能的故障原因做预测、做推断;之后再利用预设的策略从可能的故障原因中遴选出目标结果,即确定最终的故障原因。本发明一方面对持续积累到的与车辆故障相关的知识,进行整理、归纳并建立元素关联,总结成知识图谱体系;另一方面将“按图索骥”与“先初诊再确诊”的技术思路相结合,从而,在车辆故障诊断的操作过程中,无需投入大量人力、也无需依赖单一的代码本身或检测硬件的限制,便能够全面、高效、准确地锁定到车辆故障的具体真实成因。
相应于上述各实施例及优选方案,本发明还提供了一种车辆故障自动诊断装置的实施例,如图5所示,具体可以包括如下部件:
初步诊断模块1,用于利用预先构建的车辆故障知识图谱,对接收到的故障描述数据进行初步诊断,得到若干候选诊断信息;
确诊模块2,用于基于预设策略从所述候选诊断信息中确定出最终诊断结果。
在其中一种可能的实现方式中,所述初步诊断模块包括:
故障原因查询单元,用于根据所述故障描述数据在所述车辆故障知识图谱中查询到对应的至少一个故障实体,其中所述故障实体包含若干条预设的故障原因;
当查询到一个所述故障实体时,所述候选诊断信息为该故障实体包含的故障原因;当查询到多个所述故障实体时,所述候选诊断信息为各所述故障实体的故障原因的并集。
在其中一种可能的实现方式中,所述确诊模块具体包括:
排序单元,用于当所述候选诊断信息为多个时,利用预先训练的排序模型、所述候选诊断信息以及获取到的如下至少一项数据:用车记录、车型、故障码和所述故障描述数据,计算并排序各所述候选诊断信息的概率得分;
确诊单元,根据所述概率得分的排序结果,确定出若干所述最终诊断结果。
在其中一种可能的实现方式中,所述排序模型的处理过程包括:
将所述故障描述数据,与所述用车记录和/或车型进行第一融合处理;
将所述故障码与第一融合结果进行第二融合处理;
逐个将所述候选诊断信息与第二融合结果进行第三融合处理;
基于第三融合结果,得到各所述候选诊断信息的概率得分。
在其中一种可能的实现方式中,所述第二融合处理包括:可以但不限于通过注意力机制计算所述故障码与第一融合结果的相关度。
在其中一种可能的实现方式中,所述装置还包括:图谱构建模块;
由所述图谱构建模块构建出的所述车辆故障知识图谱的架构包括具有继承关系的若干概念以及表征概念实例化的若干实体,且在特定的所述实体之间建立关联关系;
所述实体包含属性;其中,车型知识存储在车型实体的属性中,零部件知识存储在零部件实体的属性中,故障知识存储在故障实体的属性中。
应理解以上图5所示的车辆故障自动诊断装置的各个部件的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些部件可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分部件以软件通过处理元件调用的形式实现,部分部件通过硬件的形式实现。例如,某个上述模块可以为单独设立的处理元件,也可以集成在电子设备的某一个芯片中实现。其它部件的实现与之类似。此外这些部件全部或部分可以集成在一起,也可以独立实现。在实现过程中,上述方法的各步骤或以上各个部件可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,以上这些部件可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit;以下简称:ASIC),或,一个或多个微处理器(Digital Singnal Processor;以下简称:DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array;以下简称:FPGA)等。再如,这些部件可以集成在一起,以片上系统(System-On-a-Chip;以下简称:SOC)的形式实现。
综合上述各实施例及其优选方案,本领域技术人员可以理解的是,在实际操作中,本发明适用于多种实施方式,本发明以下述载体作为示意性说明:
(1)一种车辆故障自动诊断设备,其可以包括:
一个或多个处理器、存储器以及一个或多个计算机程序,其中所述一个或多个计算机程序被存储在所述存储器中,所述一个或多个计算机程序包括指令,当所述指令被所述设备执行时,使得所述设备执行前述实施例或等效实施方式的步骤/功能。
图6为本发明车辆故障自动诊断设备的实施例的结构示意图,其中,该设备可以是电子设备也可以是内置于上述电子设备的电路设备。上述电子设备可以为云服务器、移动终端(手机)、智慧屏、无人机、ICV、智能(汽)车或车载设备等。本实施例对车辆故障自动诊断设备的具体形式不作限定。
具体如图6所示,车辆故障自动诊断设备900包括处理器910和存储器930。其中,处理器910和存储器930之间可以通过内部连接通路互相通信,传递控制和/或数据信号,该存储器930用于存储计算机程序,该处理器910用于从该存储器930中调用并运行该计算机程序。上述处理器910可以和存储器930可以合成一个处理装置,更常见的是彼此独立的部件,处理器910用于执行存储器930中存储的程序代码来实现上述功能。具体实现时,该存储器930也可以集成在处理器910中,或者,独立于处理器910。
除此之外,为了使得车辆故障自动诊断设备900的功能更加完善,该设备900还可以包括输入单元960、显示单元970、音频电路980、摄像头990和传感器901等中的一个或多个,所述音频电路还可以包括扬声器982、麦克风984等。其中,显示单元970可以包括显示屏。
进一步地,上述车辆故障自动诊断设备900还可以包括电源950,用于给该设备900中的各种器件或电路提供电能。
应理解,图6所示的车辆故障自动诊断设备900能够实现前述实施例提供的方法的各个过程。该设备900中的各个部件的操作和/或功能,可分别为了实现上述方法实施例中的相应流程。具体可参见前文中关于方法、装置等实施例的描述,为避免重复,此处适当省略详细描述。
应理解,图6所示的车辆故障自动诊断设备900中的处理器910可以是片上系统SOC,该处理器910中可以包括中央处理器(Central Processing Unit;以下简称:CPU),还可以进一步包括其他类型的处理器,例如:图像处理器(Graphics Processing Unit;以下简称:GPU)等,具体在下文中再作介绍。
总之,处理器910内部的各部分处理器或处理单元可以共同配合实现之前的方法流程,且各部分处理器或处理单元相应的软件程序可存储在存储器930中。
(2)一种可读存储介质,在可读存储介质上存储有计算机程序或上述装置,当计算机程序或上述装置被执行时,使得计算机执行前述实施例或等效实施方式的步骤/功能。
在本发明所提供的几个实施例中,任一功能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。基于这样的理解,本发明的某些技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以如下所述软件产品的形式体现出来。
(3)一种计算机程序产品(该产品可以包括上述装置),该计算机程序产品在终端设备上运行时,使终端设备执行前述实施例或等效实施方式的车辆故障自动诊断方法。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到上述实施方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,上述计算机程序产品可以包括但不限于是指APP;接续前文,上述设备/终端可以是一台计算机设备(例如手机、PC终端、云平台、服务器、服务器集群或者诸如媒体网关等网络通信设备等)。并且,该计算机设备的硬件结构还可以具体包括:至少一个处理器,至少一个通信接口,至少一个存储器和至少一个通信总线;处理器、通信接口、存储器均可以通过通信总线完成相互间的通信。其中,处理器可能是一个中央处理器CPU、DSP、微控制器或数字信号处理器,还可包括GPU、嵌入式神经网络处理器(Neural-network Process Units;以下简称:NPU)和图像信号处理器(Image Signal Processing;以下简称:ISP),该处理器还可包括特定集成电路ASIC,或者是被配置成实施本发明实施例的一个或多个集成电路等,此外,处理器可以具有操作一个或多个软件程序的功能,软件程序可以存储在存储器等存储介质中;而前述的存储器/存储介质可以包括:非易失性存储器(non-volatile memory),例如非可移动磁盘、U盘、移动硬盘、光盘等,以及只读存储器(Read-Only Memory;以下简称:ROM)、随机存取存储器(Random Access Memory;以下简称:RAM)等。
本发明实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达,是指的这些项中的任意组合,包括单项或复数项的任意组合。例如,a,b和c中的至少一项可以表示:a,b,c,a和b,a和c,b和c或a和b和c,其中a,b,c可以是单个,也可以是多个。
本领域技术人员可以意识到,本说明书中公开的实施例中描述的各模块、单元及方法步骤,能够以电子硬件、计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方式来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
以及,本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可。尤其,对于装置、设备等实施例而言,由于其基本相似于方法实施例,所以相关之处可参见方法实施例的部分说明即可。以上所描述的装置、设备等实施例仅仅是示意性的,其中作为分离部件说明的模块、单元等可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个地方,例如系统网络的节点上。具体可根据实际的需要选择其中的部分或者全部模块、单元来实现上述实施例方案的目的。本领域技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果,但以上仅为本发明的较佳实施例,需要言明的是,上述实施例及其优选方式所涉及的技术特征,本领域技术人员可以在不脱离、不改变本发明的设计思路以及技术效果的前提下,合理地组合搭配成多种等效方案;因此,本发明不以图面所示限定实施范围,凡是依照本发明的构想所作的改变,或修改为等同变化的等效实施例,仍未超出说明书与图示所涵盖的精神时,均应在本发明的保护范围内。
Claims (12)
1.一种车辆故障自动诊断方法,其特征在于,包括:
利用预先构建的车辆故障知识图谱,对接收到的故障描述数据进行初步诊断,得到若干候选诊断信息;
基于预设策略从所述候选诊断信息中确定出最终诊断结果。
2.根据权利要求1所述的车辆故障自动诊断方法,其特征在于,所述得到若干候选诊断信息包括:
根据所述故障描述数据在所述车辆故障知识图谱中查询到对应的至少一个故障实体,其中所述故障实体包含若干条预设的故障原因;
当查询到一个所述故障实体时,所述候选诊断信息为该故障实体包含的故障原因;当查询到多个所述故障实体时,所述候选诊断信息为各所述故障实体的故障原因的并集。
3.根据权利要求1所述的车辆故障自动诊断方法,其特征在于,所述预设策略包括:当所述候选诊断信息为多个时,对所述候选诊断信息进行排序,根据排序结果确定所述最终诊断结果。
4.根据权利要求3所述的车辆故障自动诊断方法,其特征在于,所述对所述候选诊断信息进行排序包括:
利用预先训练的排序模型、所述候选诊断信息以及获取到的如下至少一项数据:用车记录、车型、故障码和所述故障描述数据,计算并排序各所述候选诊断信息的概率得分;
根据所述概率得分的排序结果,确定出若干所述最终诊断结果。
5.根据权利要求4所述的车辆故障自动诊断方法,其特征在于,所述排序模型的处理过程包括:
将所述故障描述数据,与所述用车记录和/或车型进行第一融合处理,得到第一融合结果;
将所述故障码与第一融合结果进行第二融合处理,得到第二融合结果,其中所述第二融合处理包括:计算所述故障码与第一融合结果的相关度;
逐个将所述候选诊断信息与第二融合结果进行第三融合处理,得到第三融合结果;
基于第三融合结果,得到各所述候选诊断信息的概率得分。
6.根据权利要求1~5任一项所述的车辆故障自动诊断方法,其特征在于,所述车辆故障知识图谱的架构包括具有继承关系的若干概念以及表征概念实例化的若干实体,且在特定的所述实体之间建立关联关系;
所述实体包含属性;其中,车型知识存储在车型实体的属性中,零部件知识存储在零部件实体的属性中,故障知识存储在故障实体的属性中。
7.一种车辆故障自动诊断装置,其特征在于,包括:
初步诊断模块,用于利用预先构建的车辆故障知识图谱,对接收到的故障描述数据进行初步诊断,得到若干候选诊断信息;
确诊模块,用于基于预设策略从所述候选诊断信息中确定出最终诊断结果。
8.根据权利要求7所述的车辆故障自动诊断装置,其特征在于,所述确诊模块具体包括:
排序单元,用于当所述候选诊断信息为多个时,利用预先训练的排序模型、所述候选诊断信息以及获取到的如下至少一项数据:用车记录、车型、故障码和所述故障描述数据,计算并排序各所述候选诊断信息的概率得分;
确诊单元,根据所述概率得分的排序结果,确定出若干所述最终诊断结果。
9.根据权利要求7或8所述的车辆故障自动诊断装置,其特征在于,所述装置还包括:图谱构建模块;
由所述图谱构建模块构建出的所述车辆故障知识图谱的架构包括具有继承关系的若干概念以及表征概念实例化的若干实体,且在特定的所述实体之间建立关联关系;
所述实体包含属性;其中,车型知识存储在车型实体的属性中,零部件知识存储在零部件实体的属性中,故障知识存储在故障实体的属性中。
10.一种车辆故障自动诊断设备,其特征在于,包括:
一个或多个处理器、存储器以及一个或多个计算机程序,其中所述一个或多个计算机程序被存储在所述存储器中,所述一个或多个计算机程序包括指令,当所述指令被所述设备执行时,使得所述设备执行如权利要求1~6任一项所述的车辆故障自动诊断方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行如权利要求1~6任一项所述的车辆故障自动诊断方法。
12.一种计算机程序产品,其特征在于,所述计算机程序产品在终端设备上运行时,使所述终端设备执行权利要求1~6任一项所述的车辆故障自动诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010173620.0A CN111414477B (zh) | 2020-03-11 | 2020-03-11 | 车辆故障自动诊断方法、装置以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010173620.0A CN111414477B (zh) | 2020-03-11 | 2020-03-11 | 车辆故障自动诊断方法、装置以及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111414477A true CN111414477A (zh) | 2020-07-14 |
CN111414477B CN111414477B (zh) | 2024-02-13 |
Family
ID=71491053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010173620.0A Active CN111414477B (zh) | 2020-03-11 | 2020-03-11 | 车辆故障自动诊断方法、装置以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111414477B (zh) |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881278A (zh) * | 2020-07-27 | 2020-11-03 | 珠海格力电器股份有限公司 | 故障确认方法、装置、存储介质、电子设备以及空调 |
CN112148887A (zh) * | 2020-09-16 | 2020-12-29 | 珠海格力电器股份有限公司 | 设备故障诊断方法、装置、存储介质和电子设备 |
CN112363488A (zh) * | 2020-12-07 | 2021-02-12 | 东风柳州汽车有限公司 | 车辆故障处理系统及方法 |
CN112434829A (zh) * | 2020-11-26 | 2021-03-02 | 广东修炼科技股份有限公司 | 一种车辆维保项目确定方法、系统、装置及存储介质 |
CN112541600A (zh) * | 2020-12-07 | 2021-03-23 | 上海电科智能系统股份有限公司 | 一种基于知识图谱的辅助维修决策方法 |
CN112579789A (zh) * | 2020-12-04 | 2021-03-30 | 珠海格力电器股份有限公司 | 一种设备故障诊断的方法和装置及设备 |
CN112866010A (zh) * | 2021-01-04 | 2021-05-28 | 聚好看科技股份有限公司 | 一种故障定位方法及装置 |
CN112904828A (zh) * | 2021-01-19 | 2021-06-04 | 英博超算(南京)科技有限公司 | 一种异构架构域控制器的诊断系统 |
CN112965871A (zh) * | 2021-02-05 | 2021-06-15 | 深圳市道通科技股份有限公司 | 车辆故障提示信息获取方法、装置及存储介质 |
CN113094483A (zh) * | 2021-03-30 | 2021-07-09 | 东风柳州汽车有限公司 | 车辆反馈信息的处理方法、装置、终端设备及存储介质 |
CN113111091A (zh) * | 2021-04-19 | 2021-07-13 | 深圳市轱辘车联数据技术有限公司 | 维修信息获取方法、装置、计算机设备及存储介质 |
CN113300918A (zh) * | 2021-07-27 | 2021-08-24 | 深圳市城市交通规划设计研究中心股份有限公司 | 智慧灯杆的故障检测方法、终端设备及存储介质 |
CN113486151A (zh) * | 2021-07-13 | 2021-10-08 | 盛景智能科技(嘉兴)有限公司 | 故障维修知识点查询方法、装置、电子设备和存储介质 |
CN113486221A (zh) * | 2021-07-05 | 2021-10-08 | 上海星融汽车科技有限公司 | 基于询问和提示的车辆诊断方法、电子设备及车辆 |
CN113505241A (zh) * | 2021-07-15 | 2021-10-15 | 润建股份有限公司 | 一种基于知识图谱的用电安全隐患智能诊断方法 |
CN113870046A (zh) * | 2021-09-07 | 2021-12-31 | 国网河北省电力有限公司电力科学研究院 | 电力设备故障诊断方法及设备 |
CN113902287A (zh) * | 2021-09-30 | 2022-01-07 | 海南电网有限责任公司电力科学研究院 | 一种用于电力安全生产巡查方法、终端及系统 |
CN114326668A (zh) * | 2021-12-23 | 2022-04-12 | 矩阵数据科技(上海)有限公司 | 一种汽车振动噪声故障辅助诊断分析装置 |
WO2022095790A1 (zh) * | 2020-11-09 | 2022-05-12 | 深圳市道通科技股份有限公司 | 一种汽车故障诊断方法、系统和汽车故障诊断仪 |
CN114526930A (zh) * | 2022-03-09 | 2022-05-24 | 河南职业技术学院 | 一种智能网联汽车故障检测方法及系统 |
CN114625110A (zh) * | 2022-03-25 | 2022-06-14 | 上海富欣智能交通控制有限公司 | 故障诊断方法、装置、系统及智能轨道交通系统 |
CN115077906A (zh) * | 2022-06-10 | 2022-09-20 | 潍柴动力股份有限公司 | 发动机高发故障起因件确定方法、装置、电子设备及介质 |
CN115171242A (zh) * | 2022-07-04 | 2022-10-11 | 安徽一维新能源技术有限公司 | 工业车辆远程故障检测系统 |
CN115599077A (zh) * | 2022-11-25 | 2023-01-13 | 泽景(西安)汽车电子有限责任公司(Cn) | 车辆故障定界方法、装置、电子设备及存储介质 |
WO2023103984A1 (zh) * | 2021-12-09 | 2023-06-15 | 北京罗克维尔斯科技有限公司 | 车辆故障诊断方法、装置、电子设备和存储介质 |
US11715338B2 (en) | 2021-01-12 | 2023-08-01 | Ford Global Technologies, Llc | Ranking fault conditions |
CN116778308A (zh) * | 2023-08-23 | 2023-09-19 | 北京阿帕科蓝科技有限公司 | 对象识别方法、装置、计算机设备和存储介质 |
CN117131457A (zh) * | 2023-10-26 | 2023-11-28 | 杭州海兴泽科信息技术有限公司 | 基于ai模型的电力大数据采集处理方法及系统 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0863581A (ja) * | 1994-06-17 | 1996-03-08 | Fujitsu Ltd | 外部環境認識装置 |
US20010002450A1 (en) * | 1999-11-30 | 2001-05-31 | Yuji Mizutani | Vehicle trouble diagnosis method, vehicle trouble diagnosis apparatus and computer-readable record medium recording trouble diagnosis program |
US20020007237A1 (en) * | 2000-06-14 | 2002-01-17 | Phung Tam A. | Method and system for the diagnosis of vehicles |
CN101853478A (zh) * | 2009-04-01 | 2010-10-06 | 杭州信雅达科技有限公司 | 一种基于本体论及移动网络的汽车故障诊断系统的发明 |
WO2013105891A1 (en) * | 2012-01-13 | 2013-07-18 | Scania Cv Ab | System and method for providing diagnostic fault information |
CN105718866A (zh) * | 2016-01-15 | 2016-06-29 | 北京大学 | 一种视觉目标检测与识别方法 |
CN106295601A (zh) * | 2016-08-18 | 2017-01-04 | 合肥工业大学 | 一种改进的安全带检测方法 |
CN108563214A (zh) * | 2018-04-25 | 2018-09-21 | 深圳市道通科技股份有限公司 | 车辆诊断方法、装置及设备 |
CN108647791A (zh) * | 2018-03-30 | 2018-10-12 | 中国标准化研究院 | 一种多源汽车安全信息的处理方法、装置及系统 |
US20180315023A1 (en) * | 2017-04-26 | 2018-11-01 | General Electric Company | Subject matter knowledge mapping |
CN108734133A (zh) * | 2018-05-22 | 2018-11-02 | 维沃移动通信有限公司 | 车辆故障处理方法及移动终端 |
CN108985466A (zh) * | 2018-06-19 | 2018-12-11 | 深圳市元征科技股份有限公司 | 一种车辆维修方法、装置及服务器 |
CN109163913A (zh) * | 2018-09-30 | 2019-01-08 | 深圳市元征科技股份有限公司 | 一种汽车故障诊断方法及相关设备 |
CN109189946A (zh) * | 2018-11-06 | 2019-01-11 | 湖南云智迅联科技发展有限公司 | 一种将设备故障语句描述转换为知识图谱表达的方法 |
CN109460010A (zh) * | 2018-12-18 | 2019-03-12 | 彩虹无线(北京)新技术有限公司 | 基于知识图谱的车辆故障检测方法、装置及存储介质 |
CN109540520A (zh) * | 2018-11-29 | 2019-03-29 | 中国船舶重工集团海装风电股份有限公司 | 一种基于改进d-s证据理论的滚动轴承故障融合诊断方法 |
CN110111887A (zh) * | 2019-05-15 | 2019-08-09 | 清华大学 | 临床辅助决策方法及装置 |
WO2019185657A1 (en) * | 2018-03-27 | 2019-10-03 | We Predict Limited | Predictive vehicle diagnostics method |
-
2020
- 2020-03-11 CN CN202010173620.0A patent/CN111414477B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0863581A (ja) * | 1994-06-17 | 1996-03-08 | Fujitsu Ltd | 外部環境認識装置 |
US20010002450A1 (en) * | 1999-11-30 | 2001-05-31 | Yuji Mizutani | Vehicle trouble diagnosis method, vehicle trouble diagnosis apparatus and computer-readable record medium recording trouble diagnosis program |
US20020007237A1 (en) * | 2000-06-14 | 2002-01-17 | Phung Tam A. | Method and system for the diagnosis of vehicles |
CN101853478A (zh) * | 2009-04-01 | 2010-10-06 | 杭州信雅达科技有限公司 | 一种基于本体论及移动网络的汽车故障诊断系统的发明 |
WO2013105891A1 (en) * | 2012-01-13 | 2013-07-18 | Scania Cv Ab | System and method for providing diagnostic fault information |
CN104169976A (zh) * | 2012-01-13 | 2014-11-26 | 斯堪尼亚商用车有限公司 | 用于提供诊断故障信息的系统和方法 |
CN105718866A (zh) * | 2016-01-15 | 2016-06-29 | 北京大学 | 一种视觉目标检测与识别方法 |
CN106295601A (zh) * | 2016-08-18 | 2017-01-04 | 合肥工业大学 | 一种改进的安全带检测方法 |
US20180315023A1 (en) * | 2017-04-26 | 2018-11-01 | General Electric Company | Subject matter knowledge mapping |
WO2019185657A1 (en) * | 2018-03-27 | 2019-10-03 | We Predict Limited | Predictive vehicle diagnostics method |
CN108647791A (zh) * | 2018-03-30 | 2018-10-12 | 中国标准化研究院 | 一种多源汽车安全信息的处理方法、装置及系统 |
CN108563214A (zh) * | 2018-04-25 | 2018-09-21 | 深圳市道通科技股份有限公司 | 车辆诊断方法、装置及设备 |
CN108734133A (zh) * | 2018-05-22 | 2018-11-02 | 维沃移动通信有限公司 | 车辆故障处理方法及移动终端 |
CN108985466A (zh) * | 2018-06-19 | 2018-12-11 | 深圳市元征科技股份有限公司 | 一种车辆维修方法、装置及服务器 |
CN109163913A (zh) * | 2018-09-30 | 2019-01-08 | 深圳市元征科技股份有限公司 | 一种汽车故障诊断方法及相关设备 |
CN109189946A (zh) * | 2018-11-06 | 2019-01-11 | 湖南云智迅联科技发展有限公司 | 一种将设备故障语句描述转换为知识图谱表达的方法 |
CN109540520A (zh) * | 2018-11-29 | 2019-03-29 | 中国船舶重工集团海装风电股份有限公司 | 一种基于改进d-s证据理论的滚动轴承故障融合诊断方法 |
CN109460010A (zh) * | 2018-12-18 | 2019-03-12 | 彩虹无线(北京)新技术有限公司 | 基于知识图谱的车辆故障检测方法、装置及存储介质 |
CN110111887A (zh) * | 2019-05-15 | 2019-08-09 | 清华大学 | 临床辅助决策方法及装置 |
Non-Patent Citations (2)
Title |
---|
冯建农等: "汽车故障诊断专家系统开发环境研究", 《汽车工程》, no. 02, 15 April 1991 (1991-04-15), pages 19 - 26 * |
刘忠雨: "《深入浅出图神经网络 GNN原理解析》", pages: 110 * |
Cited By (36)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111881278B (zh) * | 2020-07-27 | 2024-05-28 | 珠海格力电器股份有限公司 | 故障确认方法、装置、存储介质、电子设备以及空调 |
CN111881278A (zh) * | 2020-07-27 | 2020-11-03 | 珠海格力电器股份有限公司 | 故障确认方法、装置、存储介质、电子设备以及空调 |
CN112148887A (zh) * | 2020-09-16 | 2020-12-29 | 珠海格力电器股份有限公司 | 设备故障诊断方法、装置、存储介质和电子设备 |
CN112148887B (zh) * | 2020-09-16 | 2024-05-03 | 珠海格力电器股份有限公司 | 设备故障诊断方法、装置、存储介质和电子设备 |
WO2022095790A1 (zh) * | 2020-11-09 | 2022-05-12 | 深圳市道通科技股份有限公司 | 一种汽车故障诊断方法、系统和汽车故障诊断仪 |
CN112434829A (zh) * | 2020-11-26 | 2021-03-02 | 广东修炼科技股份有限公司 | 一种车辆维保项目确定方法、系统、装置及存储介质 |
CN112579789A (zh) * | 2020-12-04 | 2021-03-30 | 珠海格力电器股份有限公司 | 一种设备故障诊断的方法和装置及设备 |
CN112363488A (zh) * | 2020-12-07 | 2021-02-12 | 东风柳州汽车有限公司 | 车辆故障处理系统及方法 |
CN112541600A (zh) * | 2020-12-07 | 2021-03-23 | 上海电科智能系统股份有限公司 | 一种基于知识图谱的辅助维修决策方法 |
CN112866010A (zh) * | 2021-01-04 | 2021-05-28 | 聚好看科技股份有限公司 | 一种故障定位方法及装置 |
CN112866010B (zh) * | 2021-01-04 | 2023-01-20 | 聚好看科技股份有限公司 | 一种故障定位方法及装置 |
US11715338B2 (en) | 2021-01-12 | 2023-08-01 | Ford Global Technologies, Llc | Ranking fault conditions |
CN112904828A (zh) * | 2021-01-19 | 2021-06-04 | 英博超算(南京)科技有限公司 | 一种异构架构域控制器的诊断系统 |
CN112965871A (zh) * | 2021-02-05 | 2021-06-15 | 深圳市道通科技股份有限公司 | 车辆故障提示信息获取方法、装置及存储介质 |
CN113094483A (zh) * | 2021-03-30 | 2021-07-09 | 东风柳州汽车有限公司 | 车辆反馈信息的处理方法、装置、终端设备及存储介质 |
CN113111091A (zh) * | 2021-04-19 | 2021-07-13 | 深圳市轱辘车联数据技术有限公司 | 维修信息获取方法、装置、计算机设备及存储介质 |
CN113486221A (zh) * | 2021-07-05 | 2021-10-08 | 上海星融汽车科技有限公司 | 基于询问和提示的车辆诊断方法、电子设备及车辆 |
CN113486151A (zh) * | 2021-07-13 | 2021-10-08 | 盛景智能科技(嘉兴)有限公司 | 故障维修知识点查询方法、装置、电子设备和存储介质 |
CN113505241A (zh) * | 2021-07-15 | 2021-10-15 | 润建股份有限公司 | 一种基于知识图谱的用电安全隐患智能诊断方法 |
CN113505241B (zh) * | 2021-07-15 | 2023-06-30 | 润建股份有限公司 | 一种基于知识图谱的用电安全隐患智能诊断方法 |
CN113300918A (zh) * | 2021-07-27 | 2021-08-24 | 深圳市城市交通规划设计研究中心股份有限公司 | 智慧灯杆的故障检测方法、终端设备及存储介质 |
CN113870046A (zh) * | 2021-09-07 | 2021-12-31 | 国网河北省电力有限公司电力科学研究院 | 电力设备故障诊断方法及设备 |
CN113902287A (zh) * | 2021-09-30 | 2022-01-07 | 海南电网有限责任公司电力科学研究院 | 一种用于电力安全生产巡查方法、终端及系统 |
WO2023103984A1 (zh) * | 2021-12-09 | 2023-06-15 | 北京罗克维尔斯科技有限公司 | 车辆故障诊断方法、装置、电子设备和存储介质 |
CN114326668A (zh) * | 2021-12-23 | 2022-04-12 | 矩阵数据科技(上海)有限公司 | 一种汽车振动噪声故障辅助诊断分析装置 |
CN114526930B (zh) * | 2022-03-09 | 2024-03-26 | 河南职业技术学院 | 一种智能网联汽车故障检测方法及系统 |
CN114526930A (zh) * | 2022-03-09 | 2022-05-24 | 河南职业技术学院 | 一种智能网联汽车故障检测方法及系统 |
CN114625110A (zh) * | 2022-03-25 | 2022-06-14 | 上海富欣智能交通控制有限公司 | 故障诊断方法、装置、系统及智能轨道交通系统 |
CN114625110B (zh) * | 2022-03-25 | 2023-08-29 | 上海富欣智能交通控制有限公司 | 故障诊断方法、装置、系统及智能轨道交通系统 |
CN115077906A (zh) * | 2022-06-10 | 2022-09-20 | 潍柴动力股份有限公司 | 发动机高发故障起因件确定方法、装置、电子设备及介质 |
CN115171242B (zh) * | 2022-07-04 | 2024-02-02 | 安徽一维新能源技术有限公司 | 工业车辆远程故障检测系统 |
CN115171242A (zh) * | 2022-07-04 | 2022-10-11 | 安徽一维新能源技术有限公司 | 工业车辆远程故障检测系统 |
CN115599077A (zh) * | 2022-11-25 | 2023-01-13 | 泽景(西安)汽车电子有限责任公司(Cn) | 车辆故障定界方法、装置、电子设备及存储介质 |
CN116778308A (zh) * | 2023-08-23 | 2023-09-19 | 北京阿帕科蓝科技有限公司 | 对象识别方法、装置、计算机设备和存储介质 |
CN117131457A (zh) * | 2023-10-26 | 2023-11-28 | 杭州海兴泽科信息技术有限公司 | 基于ai模型的电力大数据采集处理方法及系统 |
CN117131457B (zh) * | 2023-10-26 | 2024-01-26 | 杭州海兴泽科信息技术有限公司 | 基于ai模型的电力大数据采集处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111414477B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111414477A (zh) | 车辆故障自动诊断方法、装置以及设备 | |
US11720863B2 (en) | Method and system for generating vehicle service content | |
US8732112B2 (en) | Method and system for root cause analysis and quality monitoring of system-level faults | |
CN108351995B (zh) | 用于提供车辆维修提示的方法和系统 | |
KR20190057300A (ko) | 자동차 보증 사기 예측을 위한 시스템 및 방법 | |
KR20190107080A (ko) | 클라우드 기반 차량 고장 진단 방법, 장치 및 시스템 | |
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 | |
CN112925287B (zh) | 一种汽车故障精确诊断的大数据智能化系统 | |
Murphey et al. | Automotive fault diagnosis-part II: a distributed agent diagnostic system | |
Sun et al. | Time series anomaly detection based on GAN | |
CN109547254A (zh) | 一种入侵检测方法、装置、电子设备及存储介质 | |
CN109934362A (zh) | 一种车辆检测的方法、装置及终端设备 | |
US20230083255A1 (en) | System and method for identifying advanced driver assist systems for vehicles | |
US20190130028A1 (en) | Machine-based extraction of customer observables from unstructured text data and reducing false positives therein | |
CN113287120A (zh) | 车辆驾驶环境异常监测方法、装置、电子设备和存储介质 | |
CN107924494A (zh) | 用于基于可替代的维修指示符来聚类维修订单的方法和系统 | |
Jain et al. | Systematic literature review on predictive maintenance of vehicles and diagnosis of vehicle's health using machine learning techniques | |
CN112700156A (zh) | 一种新能源汽车运行安全性能评价体系构建方法 | |
Wang et al. | Prognostics and health management system for electric vehicles with a hierarchy fusion framework: concepts, architectures, and methods | |
Hadj-Mabrouk | Analysis and prediction of railway accident risks using machine learning | |
Kim et al. | An empirical study on real-time data analytics for connected cars: Sensor-based applications for smart cars | |
CN110119891B (zh) | 一种适于大数据的交通安全影响因素辨识方法 | |
CN116048055A (zh) | 车辆故障检测方法、装置和存储介质 | |
Hou et al. | A vehicle alarm network for high-temperature fault diagnosis of electric vehicles | |
Zhu et al. | Real-time fault diagnosis for EVs with multilabel feature selection and sliding window control |
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 |