CN111553380B - 一种汽车故障征兆的辅助诊断系统及其使用方法 - Google Patents

Abstract

本发明提供了一种汽车故障征兆的辅助诊断系统及其使用方法，包括案例库、输入模块、检索模块、案例调整模块和输出模块；其中，案例库搜集和储存汽车故障的历史故障案例和对应的解决方案；输入模块导入用户输入的当前汽车故障的征兆信息，并将该当前汽车故障的征兆信息发送到检索模块中；检索模块依照历史故障案例的类型建立基于征兆的故障空间，并将输入模块发送的当前汽车故障的征兆信息与历史故障案例进行匹配，将匹配结果发送至输出模块或者输出模块和案例调整模块中；输出模块将检索模块的匹配结果进行输出；案例调整模块接收检索模块发出的匹配结果，在故障空间内新增当前汽车故障征兆信息，在故障验证后生成新的故障案例并保存。

Description

一种汽车故障征兆的辅助诊断系统及其使用方法

技术领域

本发明涉及汽车故障诊断技术领域，尤其涉及一种汽车故障征兆的辅助诊断系统及其使用方法。

背景技术

汽车是由多个系统构成具有层次的复杂机械系统，每个系统由若干个部件组成，从而形成一个多层次结构。汽车故障是汽车不能完成其功能的现象，如发动机起动困难、不着车，汽车漏油、漏水，照明系统失灵等。汽车有故障就有表现，常见的故障表现为：工况突变、声音反常、气味反常、排烟反常、温度反常、外观反常、燃油、润滑油消耗反常、有渗漏等。复杂的汽车故障，往往可以按层次分解成多个小的、简单的故障原因及其征兆。虽然汽车的各个系统有一定的独立性，但它们之间常会相互影响和制约，某一系统发生故障后，很有可能导致和它相关的结构系统或关联的状态变化，进而可能引起相关系统或关联部分也发生故障。因此，汽车的故障征兆可以在一定程度上反映汽车的状况。

通过准确判定和识别早期的汽车故障征兆，通过搭配全面的汽车维修知识，提供融入诊断过程中的、值得信赖的智能辅助诊断工具，并给出专业维修建议，真正帮助车主、维修厂家等快速获得权威指导意见，最大限度地降低故障风险，减少不必要的维修过程和成本。

发明内容

有鉴于此，本发明提出了一种基于征兆的故障空间的汽车故障征兆的辅助诊断系统及其使用方法。

本发明的技术方案是这样实现的：

一方面，本发明提供了一种汽车故障征兆的辅助诊断系统，包括案例库、输入模块、检索模块、案例调整模块和输出模块；

其中，案例库搜集和储存汽车故障的历史故障案例和对应的解决方案；

输入模块导入用户输入的当前汽车故障的征兆信息，并将该当前汽车故障的征兆信息发送到检索模块中；

检索模块依照历史故障案例的类型建立基于征兆的故障空间，并将输入模块发送的当前汽车故障的征兆信息与历史故障案例进行匹配，将匹配结果发送至输出模块或者输出模块和案例调整模块中；

输出模块将检索模块的匹配结果进行输出；

案例调整模块接收检索模块发出的匹配结果，并在基于征兆的故障空间内新增当前汽车故障的征兆信息，并在故障验证后生成新的故障案例，发送到案例库中保存。

在以上技术方案的基础上，优选的，所述案例库包括底盘传动故障子库、发动机故障子库、电路故障子库和其他故障子库；底盘传动故障子库、发动机故障子库、电路故障子库和其他故障子库根据汽车故障类型分别储存底盘传动故障历史案例、发动机故障历史案例、电路故障历史案例和其他历史案例。

进一步优选的，所述检索模块依照历史故障案例的类型建立基于征兆的故障空间是将各历史故障案例分别以故障原因C_m为纵轴，以故障征兆标签B_n为横轴构建故障征兆可信度空间，故障原因C_m与故障征兆标签B_n的各交点为该故障原因下的可信度a_mn，可信度a_mn预设并保存，可信度a_mn的取值范围为[0，1]。

更进一步优选的，所述当前汽车故障的征兆信息与历史故障案例进行匹配，是采用GBDT多元分类算法列出当前汽车故障的征兆信息在故障征兆可信度空间的故障征兆标签B_n下的取值，取值范围为[0，1]；并将故障征兆可信度空间内故障征兆标签B_n的数量相符的故障原因C_m一一列出，计算所述故障原因C_m与当前汽车故障的征兆信息的欧氏距离，将欧式距离最小的故障原因作为初步结果发送到输出模块和案例调整模块。

再进一步的优选的，所述GBDT多元分类算法是初始化弱学习器和强学习器，得到最终迭代轮数为M的强学习器。

另一方面，本发明还提供了一种汽车故障征兆的辅助诊断系统的使用方法，包括以下步骤：

S1：配置案例库、输入模块、检索模块、案例调整模块和输出模块；

S2：检索模块将案例库内各历史故障案例分别以故障原因C_m为纵轴，以故障征兆标签B_n为横轴构建故障征兆可信度空间，故障原因C_m与故障征兆标签B_n的各交点为该故障原因下的可信度a_mn；

S3：用户通过输入模块输入当前汽车故障的征兆信息，并由输入模块发送至检索模块中；

S4：检索模块在其基于征兆的故障空间内的历史故障案例与当前汽车故障的征兆信息进行对比，通过GBDT多元分类算法对当前汽车故障的征兆信息进行对应故障征兆标签B_n的判定和分类；

S5：如果有完全匹配的历史故障案例，即故障原因C_m内的各故障征兆标签B_n的可信度的值完全相同，则认为案例库中存在对应的历史故障案例，将匹配符合的结果和相应的解决方案发送到输出模块中；如果没有完全匹配的历史故障案例，即故障原因C_m内的各故障征兆标签B_n的可信度值不完全相同，则根据故障征兆标签B_n匹配的数量分别计算与当前汽车故障的征兆信息最接近的10个历史故障案例的故障原因C_m与当前汽车故障的征兆信息的欧氏距离，将欧式距离最小的历史故障案例假定为当前故障原因，并进行验证；

S6：上一步验证匹配的结果由案例调整模块生产新的历史案例，发送案例库中保存；然后由检索模块在相应的故障征兆可信度空间内增加该新的历史案例的故障原因C_m和对应的故障征兆标签B_n下的可信度。

本发明提供的一种汽车故障征兆的辅助诊断系统及其使用方法，相对于现有技术，具有以下有益效果：

(1)本发明通过构建汽车历史故障的案例库，并在检索模块内建立基于征兆的故障空间，详细列出各故障原因对应的故障征兆，确立故障与征兆之间的因果关系，通过检索模块实现对当前输入案例进行对比，将得到的初步结果进行验证，快速确定故障的直接原因和相应对策；

(2)检索模块内建的基于征兆的故障空间是以历史案例为基础，将故障对应的原因和征兆进行关联性标注，从而确定各故障征兆与故障原因的对应关系；

(3)检索模块根据GBDT多元分类算法可确定征兆可能对应的故障类型，从而进一步缩小故障原因的范围，减少后续验证的工作量；

(4)检索模块在历史案例中为检索到对应的案例时，通过故障征兆标签数量确定最接近的故障原因，分别对各故障原因的各故障征兆标签计算欧式距离，进一步确定最接近的历史建立，并验证结果；

(5)通过上述验证的结果由案例调整模块生产新的历史案例，检索模块在相应的故障征兆可信度空间内增加该新的历史案例的故障原因及对应的故障征兆标签的可信度，实现自主学习和案例补充，完善系统的可靠性和准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种汽车故障征兆的辅助诊断系统及其使用方法的系统框图；

图2为本发明一种汽车故障征兆的辅助诊断系统及其使用方法的案例库的结构框图；

图3为本发明一种汽车故障征兆的辅助诊断系统及其使用方法的检索模块的基于征兆的故障空间的示意图；

图4为本发明一种汽车故障征兆的辅助诊断系统及其使用方法的一种发动机故障的基于征兆的故障空间的示意图。

具体实施方式

下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

如图1和图2所示，本发明提供了一种汽车故障征兆的辅助诊断系统，包括案例库、输入模块、检索模块、案例调整模块和输出模块；

其中，案例库搜集和储存汽车故障的历史故障案例和对应的解决方案；

输入模块导入用户输入的当前汽车故障的征兆信息，并将该当前汽车故障的征兆信息发送到检索模块中；

检索模块依照历史故障案例的类型建立基于征兆的故障空间，并将输入模块发送的当前汽车故障的征兆信息与历史故障案例进行匹配，将匹配结果发送至输出模块或者输出模块和案例调整模块中；

输出模块将检索模块的匹配结果进行输出；

案例调整模块接收检索模块发出的匹配结果，并在基于征兆的故障空间内新增当前汽车故障的征兆信息，并在故障验证后生成新的故障案例，发送到案例库中保存。

上述案例库包括底盘传动故障子库、发动机故障子库、电路故障子库和其他故障子库；底盘传动故障子库、发动机故障子库、电路故障子库和其他故障子库根据汽车故障类型分别储存底盘传动故障历史案例、发动机故障历史案例、电路故障历史案例和其他历史案例。案例库中的案例可以来源于维修经验或者专家评估等方面，案例库初始化需要大量输入案例来实现，可能要耗费较多人力。

如图3所示，检索模块依照历史故障案例的类型建立基于征兆的故障空间是将各历史故障案例分别以故障原因C_m为纵轴，以故障征兆标签B_n为横轴构建故障征兆可信度空间，故障原因C_m与故障征兆标签B_n的各交点为该故障原因下的可信度a_mn，可信度a_mn预设并保存，可信度a_mn的取值范围为[0，1]。假定各故障征兆标签B_n的权值均为1，则如图可知，c1＝a11+a12+a13+a14+a15+a16+…a1n；且c1＝1，依此类推。根据各项可信度a_mn的数值，可以明确的识别导致故障原因的首要故障征兆。可信度a_mn的值可以预设经验值，也可以由行业专家提供。

上述的当前汽车故障的征兆信息与历史故障案例进行匹配，是采用GBDT多元分类算法列出当前汽车故障的征兆信息在故障征兆可信度空间的故障征兆标签B_n下的取值，取值范围为[0，1]；并将故障征兆可信度空间内故障征兆标签B_n的数量相符的故障原因C_m一一列出，计算所述故障原因C_m与当前汽车故障的征兆信息的欧氏距离，将欧式距离最小的故障原因作为初步结果发送到输出模块和案例调整模块。上述GBDT多元分类算法是初始化弱学习器和强学习器，得到最终迭代轮数为M的强学习器。

GBDT，即梯度提升决策树算法流程如下：

1)初始化弱学习器：

其中x为输入向量；y为输出变量；给定由x和y组成n个训练样本(x₁,y₁)，(x₂,y₂)…(x_n,y_n)；γ为梯度下降步长；L(y_i,γ)为损失函数，L(y_i,γ)＝|y_i-γ|；arg min是其后面式子

达到最小值时变量y_i和γ的取值，i＝1,2,3…n；

2)对迭代轮数m＝1,2,3…M，对每个样本i＝1,2,3…n，计算残差r_im：

将得到的残差作为样本新的真实值，并将数据(x_i,r_im)，i＝1,2,3…n，作为下棵树的训练数据，得到一颗新的回归树f_m(x)，其对应的叶子节点区域为R_jm；j＝1,2,3…J；J为回归树f_m(x)的叶子节点的个数；对叶子区域j＝1,2,3…J计算最佳拟合值：

3)根据前两步更新强学习器：

其中I取值为1或者—1，表示是否落在对应的叶子节点上，是则取1，否则取—1；

4)得到迭代轮数为M的强学习器为：

通过GBDT算法实现多次迭代，完成梯度提升决策树叶子节点的分类，每个叶子节点对应的一是一类汽车故障征兆；即将获取的各叶子节点与底盘传动故障子库、发动机故障子库、电路故障子库和其他故障子库的各故障空间相对应。GBDT中的决策树是回归树，预测结果是一个数值，累加所有树的结果作为最终值，不用关心征兆之间的相互关系，每一颗树学习的是之前所有树的结论和残差。

另外，本发明还提供了一种汽车故障征兆的辅助诊断系统的使用方法，包括以下步骤：

S1：配置案例库、输入模块、检索模块、案例调整模块和输出模块；

S2：检索模块将案例库内各历史故障案例分别以故障原因C_m为纵轴，以故障征兆标签B_n为横轴构建故障征兆可信度空间，故障原因C_m与故障征兆标签B_n的各交点为该故障原因下的可信度a_mn；

S3：用户通过输入模块输入当前汽车故障的征兆信息，并由输入模块发送至检索模块中；

S4：检索模块在其基于征兆的故障空间内的历史故障案例与当前汽车故障的征兆信息进行对比，通过GBDT多元分类算法对当前汽车故障的征兆信息进行对应故障征兆标签B_n的判定和分类；

S5：如果有完全匹配的历史故障案例，即故障原因C_m内的各故障征兆标签B_n的可信度的值完全相同，则认为案例库中存在对应的历史故障案例，将匹配符合的结果和相应的解决方案发送到输出模块中；如果没有完全匹配的历史故障案例，即故障原因C_m内的各故障征兆标签B_n的可信度值不完全相同，则根据故障征兆标签B_n匹配的数量分别计算与当前汽车故障的征兆信息最接近的10个历史故障案例的故障原因C_m与当前汽车故障的征兆信息的欧氏距离，将欧式距离最小的历史故障案例假定为当前故障原因，并进行验证；

S6：上一步验证匹配的结果由案例调整模块生产新的历史案例，发送案例库中保存；然后由检索模块在相应的故障征兆可信度空间内增加该新的历史案例的故障原因C_m和对应的故障征兆标签B_n下的可信度。

下面结合图4对本发明的流程进行说明，图4是一种发动机故障的基于征兆的故障空间。令c1-c5为发动机负荷排烟量过大、功率不足的故障原因，即c1为进气不畅、c2为排气背压过高、c3为环境空气稀薄、c4为涡轮增压器未正常介入、c5为缸内喷油孔堵塞；令B1—B8为故障征兆标签，即B1为发动机不易发动、B2为发动机缺火、B3为怠速时排烟过大、B4为负载是排烟过大、B5为发动机输出功率不足、B6为发动机转速提速慢、B7为发动机出气量小、B8为燃油消耗量变大，进而构建该故障的故障空间。由图可知，每一行可信度a_mn之和均为1，可信度a_mn数值大小反映了故障征兆标签对故障原因的影响程度。

用户输入的案例通过GBDT多元分类算法确定其故障征兆标签，如果用户输入的故障征兆，满足以上8条故障征兆标签，且对应的故障征兆标签的可信度a_mn数值完全相同，则检索模块判定案例库中存在着完全相同的历史案例。如果没有完全相同的历史案例，则对比符合故障征兆标签的数量，选取标签数量符合的故障原因，分别计算输入案例与故障原因可信度a_mn的欧氏距离，本案例中假定输入故障征兆为第六行，即c6；并根据对应的故障征兆标签列出可行度数值；如图所示，c6的故障征兆标签有4个，只有第五列与其对应的故障征兆标签最多，均为4项，且对应项有数值，即现有故障空间中与其最接近的故障原因为c5；对以上两列取欧式距离为：

随后将最接近的故障原因为c5的解决方案发送并进行验证，如果结论正确，即在基于征兆的故障空间内增加c6一行，由案例调整模块生产新的历史案例；如不是，则继续从其他比较接近的故障原因中计算后继续验证，直到得到确信的结果，重复以上步骤。

以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种汽车故障征兆的辅助诊断系统，其特征在于：包括案例库、输入模块、检索模块、案例调整模块和输出模块；

其中，案例库搜集和储存汽车故障的历史故障案例和对应的解决方案；

输入模块导入用户输入的当前汽车故障的征兆信息，并将该当前汽车故障的征兆信息发送到检索模块中；

检索模块依照历史故障案例的类型建立基于征兆的故障空间，并将输入模块发送的当前汽车故障的征兆信息与历史故障案例进行匹配，将匹配结果发送至输出模块或者输出模块和案例调整模块中；

输出模块将检索模块的匹配结果进行输出；

案例调整模块接收检索模块发出的匹配结果，并在基于征兆的故障空间内新增当前汽车故障的征兆信息，并在故障验证后生成新的故障案例，发送到案例库中保存；

所述案例库包括底盘传动故障子库、发动机故障子库、电路故障子库和其他故障子库；底盘传动故障子库、发动机故障子库、电路故障子库和其他故障子库根据汽车故障类型分别储存底盘传动故障历史案例、发动机故障历史案例、电路故障历史案例和其他历史案例；

所述检索模块依照历史故障案例的类型建立基于征兆的故障空间是将各历史故障案例分别以故障原因C_m为纵轴，以故障征兆标签B_n为横轴构建故障征兆可信度空间，故障原因C_m与故障征兆标签B_n的各交点为该故障原因下的可信度a_mn，可信度a_mn预设并保存，可信度a_mn的取值范围为[0，1]；根据各项可信度a_mn的数值，识别导致故障原因的首要故障征兆；

所述当前汽车故障的征兆信息与历史故障案例进行匹配，是采用GBDT多元分类算法列出当前汽车故障的征兆信息在故障征兆可信度空间的故障征兆标签B_n下的取值，取值范围为[0，1]；并将故障征兆可信度空间内故障征兆标签B_n的数量相符的故障原因C_m一一列出，计算所述故障原因C_m与当前汽车故障的征兆信息的欧氏距离，将欧式距离最小的故障原因作为初步结果发送到输出模块和案例调整模块；如果没有完全相同的历史案例，则对比符合故障征兆标签的数量，选取标签数量符合的故障原因，分别计算输入案例与故障原因可信度a_mn的欧氏距离；

所述GBDT多元分类算法是初始化弱学习器和强学习器，得到最终迭代轮数为M的强学习器；

所述一种汽车故障征兆的辅助诊断系统的使用方法，包括以下步骤：

S1：配置案例库、输入模块、检索模块、案例调整模块和输出模块；

S2：检索模块将案例库内各历史故障案例分别以故障原因C_m为纵轴，以故障征兆标签B_n为横轴构建故障征兆可信度空间，故障原因C_m与故障征兆标签B_n的各交点为该故障原因下的可信度a_mn；

S3：用户通过输入模块输入当前汽车故障的征兆信息，并由输入模块发送至检索模块中；

S4：检索模块在其基于征兆的故障空间内的历史故障案例与当前汽车故障的征兆信息进行对比，通过GBDT多元分类算法对当前汽车故障的征兆信息进行对应故障征兆标签B_n的判定和分类；

S5：如果有完全匹配的历史故障案例，即故障原因C_m内的各故障征兆标签B_n的可信度的值完全相同，则认为案例库中存在对应的历史故障案例，将匹配符合的结果和相应的解决方案发送到输出模块中；如果没有完全匹配的历史故障案例，即故障原因C_m内的各故障征兆标签B_n的可信度值不完全相同，则根据故障征兆标签B_n匹配的数量分别计算与当前汽车故障的征兆信息最接近的10个历史故障案例的故障原因C_m与当前汽车故障的征兆信息的欧氏距离，将欧式距离最小的历史故障案例假定为当前故障原因，并进行验证；

S6：上一步验证匹配的结果由案例调整模块生产新的历史案例，发送案例库中保存；然后由检索模块在相应的故障征兆可信度空间内增加该新的历史案例的故障原因C_m和对应的故障征兆标签B_n下的可信度。

Images