CN112084375A - 一种车辆的故障诊断方法、装置、终端设备及存储介质 - Google Patents
一种车辆的故障诊断方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN112084375A CN112084375A CN202010854953.XA CN202010854953A CN112084375A CN 112084375 A CN112084375 A CN 112084375A CN 202010854953 A CN202010854953 A CN 202010854953A CN 112084375 A CN112084375 A CN 112084375A
- Authority
- CN
- China
- Prior art keywords
- fault
- event
- sub
- events
- tree
- 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 61
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000013024 troubleshooting Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000007257 malfunction Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 7
- 238000011058 failure modes and effects analysis Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012216 screening Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 5
- 238000003379 elimination reaction Methods 0.000 description 4
- 230000000977 initiatory effect Effects 0.000 description 4
- 230000008030 elimination Effects 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- JXASPPWQHFOWPL-UHFFFAOYSA-N Tamarixin Natural products C1=C(O)C(OC)=CC=C1C1=C(OC2C(C(O)C(O)C(CO)O2)O)C(=O)C2=C(O)C=C(O)C=C2O1 JXASPPWQHFOWPL-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009897 systematic effect Effects 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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9027—Trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
- G06F16/90344—Query processing by using string matching techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)
Abstract
本发明涉及智能故障诊断技术领域，公开了一种车辆的故障诊断方法、装置、终端设备及存储介质，该方法包括步骤：获取车辆的待排查的故障事件；在故障树数据库中查找以待排查的故障事件作为顶事件的故障树；其中，故障树包括一个顶事件和至少一个子事件，每一个子事件为根据可能引发顶事件的零部件，从故障案例库和故障风险数据库中查找的与零部件相对应的一个故障事件；根据故障树，生成与待排查的故障事件相对应的排障指引信息，用于对车辆进行故障诊断；其中，排障指引信息为根据预设的遍历顺序对所述故障树的子事件进行按序排查的指引说明。本发明构建的故障树囊括的故障信息更全面有效，根据该故障树指引车辆诊断可以更准确定位车辆故障原因。
Description
技术领域
本发明涉及智能故障诊断技术领域，尤其涉及一种车辆的故障诊断方法、装置、终端设备及存储介质。
背景技术
智能故障诊断指的是根据观察到的状况、领域知识和经验、推断出系统、部件或器官的故障原因，以便尽可能发现和排除故障，以提高系统或装备的可靠性。智能故障诊断技术自从上世纪八十年提出来之后，一直在不断发展完善，不断有新思路，新想法被提出来。目前常用的故障诊断方法有最近邻法、灰度法、故障树分析法、模糊推理法，以及运用人工神经网络建立故障诊断模型等方法。
总体来说，故障树分析法是故障诊断中最有效的方法之一，其诊断结果准确率高，但是缺点在于故障树本身不能囊括故障诊断需要的所有信息，如果构建故障树的过程中结合的信息不够全面和有效，则会大大降低故障树分析法的准确性。
发明内容
本发明实施例的目的是提供一种车辆的故障诊断方法、装置、终端设备及存储介质，根据引起故障的零部件曾经发生的故障和可能会发生的故障，构建一个故障信息相对全面有效的故障树，再根据该故障树指引车辆诊断，可以更准确定位车辆故障原因，提高故障树分析法的准确性。
为实现上述目的，本发明实施例提供了一种车辆的故障诊断方法，包括以下步骤：
获取车辆的待排查的故障事件；
在预设的故障树数据库中查找以所述待排查的故障事件作为顶事件的故障树；其中，所述故障树包括一个顶事件和至少一个子事件，每一个子事件为根据可能引发所述顶事件的零部件，从预设的故障案例库和预设的故障风险数据库中查找的与所述零部件相对应的一个故障事件；所述故障案例库记录有每个零部件曾经发生过的故障事件；所述故障风险数据库为基于失效模式及影响分析得到的数据库，记录有每个零部件可能会发生的故障事件；
根据所述故障树，生成与所述待排查的故障事件相对应的排障指引信息，用于对所述车辆进行故障诊断；其中，所述排障指引信息为根据预设的遍历顺序对所述故障树的子事件进行按序排查的指引说明。
优选地，所述零部件包括直接引发所述顶事件的第一零部件和间接引发所述顶事件的第二零部件；其中，所述第一零部件为发生所述顶事件对应的故障零部件所包含的结构部件，所述第二零部件与所述故障零部件具有相同的零件分类编码和相同的功能位置编码。
优选地，所述第一零部件能够根据所述故障零部件从预设的产品结构树中筛选得到。
优选地，所述故障树包括两类分支，组成其中一类分支的子事件对应的故障事件均是从所述故障案例库中获取得到，组成另一类分支的子事件对应的故障事件均是从所述故障风险数据库中获取得到；
或者，所述故障树包括至少一个分支，组成其中一个分支的子事件的数量为至少两个，该分支所有子事件中至少有一个子事件对应的故障事件的获取途径跟其他子事件对应的故障事件的获取途径不同；其中，所述获取途径为从所述故障案例库获取故障事件，或从所述故障风险数据中获取故障事件。
优选地，所述遍历顺序为按照所述子事件的支线编号对应的第一预设顺序依次遍历所述故障树每一支线的子事件；若所述故障树同一支线下存在多个所述支线编号相同的子事件，按照所述子事件的层级编号对应的第二预设顺序依次遍历所述故障树同一支线的所有子事件；其中，所述支线编号为所述故障树中同一个支线所有子事件对应的预设的支线序号，当多个支线中存在相同的子事件，相同的子事件不重复遍历；所述层级编号为所述故障树同层事件中的所有子事件对应的预设的层级序号，所述同层事件是指在所述故障树中具有相同父节点的子事件。
优选地，所述子事件标识有对应所述子事件的发生概率，当所述子事件为根据可能引发所述顶事件的第二零部件，从所述故障案例库和所述故障风险数据库中查找的与所述第二零部件相对应的一个故障事件时，则该子事件的发生概率是通过计算公式o'＝θ×o进行计算得到的；其中，o'为该子事件的发生概率，θ为预设的关联因子，o为该子事件原本的发生概率。
优选地，所述故障树还包括至少一个底事件，每一个底事件为根据可能引发所述子事件的子零部件，从所述故障案例库和所述故障风险数据库中查找的与所述子零部件相对应的一个故障事件。
本发明实施例还提供一种车辆的故障诊断装置，所述装置包括：
故障获取模块，用于获取车辆的待排查的故障事件；
查找模块，用于在预设的故障树数据库中查找以所述待排查的故障事件作为顶事件的故障树；其中，所述故障树包括一个顶事件和至少一个子事件，每一个子事件为根据可能引发所述顶事件的零部件，从预设的故障案例库和预设的故障风险数据库中查找的与所述零部件相对应的一个故障事件；所述故障案例库记录有每个零部件曾经发生过的故障事件；所述故障风险数据库为基于失效模式及影响分析得到的数据库，记录有每个零部件可能会发生的故障事件；
指引信息生成模块，用于根据所述故障树，生成与所述待排查的故障事件相对应的排障指引信息，用于对所述车辆进行故障诊断；其中，所述排障指引信息为根据预设的遍历顺序对所述故障树的子事件进行按序排查的指引说明。
本发明另一实施例对应提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一项所述的车辆的故障诊断方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一项所述的车辆的故障诊断方法。
与现有技术相比，本发明实施例公开的一种车辆的故障诊断方法、装置、终端设备及存储介质，根据引起故障的零部件曾经发生的故障和可能会发生的故障，构建一个故障信息相对全面有效的故障树，再根据该故障树指引车辆故障诊断，可以更准确定位车辆故障原因，提高故障树分析法的准确性。
附图说明
图1是本发明提供的车辆的故障诊断方法的一个实施例的流程示意图；
图2是本发明提供的车辆的故障诊断方法中的故障树的第一个实施例的结构示意图；
图3是本发明提供根据产品结构树重构故障树中产品结构树发生变形的一个实施例的示意图；
图4是本发明提供的车辆的故障诊断方法中的故障树的第二个实施例的结构示意图；
图5是本发明提供的车辆的故障诊断方法中的故障树的第三个实施例的结构示意图；
图6是本发明提供的车辆的故障诊断方法中的故障树的第四个实施例的结构示意图；
图7是本发明提供的车辆的故障诊断装置的一个实施例的结构示意图；
图8是本发明提供的终端设备的一个实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，是本发明提供的车辆的故障诊断方法的一个实施例的流程示意图，所述方法包括步骤S1至步骤S3：
S1、获取车辆的待排查的故障事件；
S2、在预设的故障树数据库中查找以所述待排查的故障事件作为顶事件的故障树；其中，所述故障树包括一个顶事件和至少一个子事件，每一个子事件为根据可能引发所述顶事件的零部件，从预设的故障案例库和预设的故障风险数据库中查找的与所述零部件相对应的一个故障事件；所述故障案例库记录有每个零部件曾经发生过的故障事件；所述故障风险数据库为基于失效模式及影响分析得到的数据库，记录有每个零部件可能会发生的故障事件；
S3、根据所述故障树，生成与所述待排查的故障事件相对应的排障指引信息，用于对所述车辆进行故障诊断；其中，所述排障指引信息为根据预设的遍历顺序对所述故障树的子事件进行按序排查的指引说明。
需要说明的是，在需要对故障车辆进行诊断之前，需要预先构建故障树数据库，故障树数据库包括有多个故障树，每个故障树的顶事件都是一个故障事件，每个故障树之间的顶事件是不同的。当车辆发生某一故障事件时，可以从故障树数据库中获取以该故障事件作为顶事件的故障树，以根据该故障树生成的指引信息进行故障诊断，详细流程步骤如下：
首先获取车辆的待排查的故障事件，例如，故障事件为车辆爆胎、车辆发动机起动困难、车辆照明系统失灵等等。待排查的故障事件根据实际情况来确定，然后将故障事件进行输入到执行该方法的装置中。
在预设的故障树数据库中查找以待排查的故障事件作为顶事件的故障树；其中，故障树包括一个顶事件和至少一个子事件，每一个子事件为根据可能引发顶事件的零部件，从预设的故障案例库和预设的故障风险数据库中查找的与零部件相对应的一个故障事件。也就是说，每一个子事件为一个故障事件，而每个故障事件是从故障案例库和故障风险数据库中查找得到的。故障案例库记录有每个零部件曾经发生过的故障事件，也就是将车辆历史上曾经发生过的故障事件收集起来，形成一个故障案例库，以在诊断车辆故障时加以利用。故障风险数据库为基于失效模式及影响分析(Failure Mode and EffectsAnalysis，FMEA)得到的数据库，记录有每个零部件可能会发生的故障事件。
FMEA是在产品设计阶段和过程设计阶段，对构成产品的子系统、零件，对构成过程的各个工序逐一进行分析，找出所有潜在的失效模式，并分析其可能的后果，从而预先采取必要的措施，以提高产品的质量和可靠性的一种系统化的活动。失效模式(Failure Mode，FM)是指从致使失效的因素、失效的机理、失效发展过程到失效临界状态的到达等整个失效过程的综合术语。最常见的基本失效模式有变形、磨损和腐蚀。在本发明中，将FMEA中得到潜在的失效模式解析出来，作为一个个故障事件，形成一个故障风险数据库。
因为本发明在构建故障树时，是结合零部件曾经发生过的故障事件和未来可能会发生的故障事件两种情况，所以故障树能囊括的故障信息更丰富完整，更能定位故障原因。
根据故障树，生成与待排查的故障事件相对应的排障指引信息，用于对车辆进行故障诊断；其中，排障指引信息为根据预设的遍历顺序对故障树的子事件进行按序排查的指引说明。当得到故障树后，就可以得到可能引发顶事件的故障事件，如何对这些故障事件进行逐一排查，此时需要一个排障指引信息，这个指引信息就是指引维修人员按照一定的指引顺序对故障树中的故障事件进行排查，以找到引发顶事件的故障原因。
进一步地，执行上述方法的装置为诊断仪，诊断仪在生成排障指引信息后，能根据排障指引信息对车辆进行故障诊断，找到故障原因和解决故障的方式。例如，当车辆的控制系统发生控制信号显示错误时，诊断仪能根据排障指引信息对故障车辆进行判断和排障，从而找到车辆控制系统发生控制信号显示错误的故障原因，并清除车辆控制系统发生控制信号显示错误这个故障。
更进一步地，排障指引信息包括发生每个子事件的判别方法以及对应解决该子事件的解决方案。这样一来，在遍历每个子事件时，先是根据子事件的判别方法判断该子事件是否发生，若发生，则执行对应的解决方案，当车辆的故障清除，则该子事件是引发顶事件的故障事件，当车辆的故障没有清除，则该子事件不是引发顶事件的故障事件，此时继续遍历下一个子事件；若没发生，继续遍历下一个子事件。
为了加深对上述排障指引信息的理解，下面对排障步骤进行举例说明。参见图2，是本发明提供的车辆的故障诊断方法中的故障树的第一个实施例的结构示意图。根据图2生成的排障指引信息的排障步骤如表1所示。
表1一种根据图2的故障树生成的排障指引信息的排障步骤表
本发明实施例1提供的一种车辆的故障诊断方法，根据引起故障的零部件曾经发生的故障和可能会发生的故障，构建一个故障信息相对全面有效的故障树，再根据该故障树指引车辆故障诊断，可以更准确定位车辆故障原因，提高故障树分析法的准确性。
作为上述方案的改进，所述零部件包括直接引发所述顶事件的第一零部件和间接引发所述顶事件的第二零部件；其中，所述第一零部件为发生所述顶事件对应的故障零部件所包含的结构部件，所述第二零部件与所述故障零部件具有相同的零件分类编码和相同的功能位置编码。
具体地，零部件包括直接引发顶事件的第一零部件和间接引发顶事件的第二零部件；其中，第一零部件为发生顶事件对应的故障零部件所包含的结构部件，即第一零部件为故障零部件下一级对应的结构部件，例如电机不转动了，则故障零部件为电机，则第一零部件包括电驱轴、轴承、定子壳、磁铁等等。第二零部件与故障零部件具有相同的零件分类编码(Uniform Parts Classification，UPC) 和相同的功能位置编码(Functional NameAddress，FNA)。为了保证故障树能囊括更多地故障信息，更快定位故障原因，本发明还通过零部件的UPC/FNA，对故障树进行重构，即引入与故障零部件具有相同的UPC/FNA的第二零部件，因为故障零部件与第二零部件的零件分类相同、功能位置相同，所以很有可能是第二零部件发生故障，从而引发故障零部件发生顶事件。例如，故障零部件为屏幕插口，第二零部件为主板插口。作为上述方案的改进，所述第一零部件能够根据所述故障零部件从预设的产品结构树中筛选得到。
具体地，第一零部件能够根据故障零部件从预设的产品结构树中筛选得到。产品结构树是描述某一产品的物料组成以及各部分文件组成的层次结构的树形图。由产品结构树可以确定产品的物料清单(Bill Of Material，BOM)结构，所以可以根据故障零部件从产品结构树中筛选得到故障零部件包含的第一零部件。值得注意的是，第一零部件可以为故障零部件下一级对应的零部件，也可以为故障零部件下下一级对应的零部件，即在本发明中，故障零部件包含的零部件统称为第一零部件。
另外，第二零部件也能够根据故障零部件从预设的产品结构树中筛选得到。因为一个产品结构树是包括一个产品所有的零部件，所以第二零部件也能在产品结构树中找到。同样地，当筛选到第二零部件后，也要把第二零部件包含的零部件筛选出来，作为可能引发顶事件的零部件。
为了加深对本发明上一实施例和该实施例的理解，参见图3，是本发明还提供根据产品结构树重构故障树中产品结构树发生变形的一个实施例的示意图。在图3中，假设故障零部件是A，因为在产品结构树中，故障零部件A包括A1、 A2和A3，所以第一零部件包括A1、A2和A3。为了保证故障树能囊括更多地故障信息，更快定位故障原因，本发明还通过零部件的UPC/FNA，对产品结构树进行重构，即找出与故障零部件A具有相同的UPC/FNA的第二零部件，在图 3中，零部件B和故障零部件A具有相同的UPC/FNA，所以将零部件B及其下属的零部件B1、零部件B2也移至故障零部件A下，即第二零部件包括零部件 B以及零部件B1和B2，形成如图3下方所示的变形后的产品结构树，再根据变形后的产品结构树中每个零部件，从故障案例库和故障风险数据库查找的与每个零部件相对应的一个故障事件，从而生成重构后的故障树。
作为上述方案的改进，所述故障树包括两类分支，组成其中一类分支的子事件对应的故障事件均是从所述故障案例库中获取得到，组成另一类分支的子事件对应的故障事件均是从所述故障风险数据库中获取得到；
或者，所述故障树包括至少一个分支，组成其中一个分支的子事件的数量为至少两个，该分支所有子事件中至少有一个子事件对应的故障事件的获取途径跟其他子事件对应的故障事件的获取途径不同；其中，所述获取途径为从所述故障案例库获取故障事件，或从所述故障风险数据中获取故障事件。
具体地，虽然故障树的每个子事件对应的故障事件均是从故障案例库和故障风险数据库中获取的，但形成的故障树有两种形式，一种是故障树同一个分支的子事件获取的途径都是相同的，另一种是故障树同一个分支的子事件获取的途径不同。获取途径指的是从故障案例库获取故障事件，或从故障风险数据中获取故障事件。下面对两种故障树进行详细说明。
第一种类型为：故障树包括两类分支，组成其中一类分支的子事件对应的故障事件均是从故障案例库中获取得到，组成另一类分支的子事件对应的故障事件均是从故障风险数据库中获取得到。具体参见图2，是本发明提供的车辆的故障诊断方法中的故障树的第一个实施例的结构示意图，在该实施例中，该故障树同一个分支的子事件获取的途径均相同。由图2可知，该故障树左边分支的子事件对应的故障事件均是从故障案例库中获取得到，右边分支的子事件对应的故障事件均是从故障风险数据库中获取得到。
第二种类型为：故障树包括至少一个分支，组成其中一个分支的子事件的数量为至少两个，该分支所有子事件中至少有一个子事件对应的故障事件的获取途径跟其他子事件对应的故障事件的获取途径不同；其中，获取途径为从故障案例库获取故障事件，或从故障风险数据中获取故障事件。具体参见图4，是本发明提供的车辆的故障诊断方法中的故障树的第二个实施例的结构示意图，在该实施例中，该故障树同一个分支的子事件获取的途径不同。由图4可知，该故障树右边分支的子事件5对应的故障事件是从故障案例库中获取得到的，而其他子事件对应的故障事件是从故障风险数据库中获取得到，即子事件的获取途径不完全相同，这样构建的好处是，可以根据经验将发生概率大的子事件集合在一起，方便排查，更快定位故障原因。
作为上述方案的改进，所述遍历顺序为按照所述子事件的支线编号对应的第一预设顺序依次遍历所述故障树每一支线的子事件；若所述故障树同一支线下存在多个所述支线编号相同的子事件，按照所述子事件的层级编号对应的第二预设顺序依次遍历所述故障树同一支线的所有子事件；其中，所述支线编号为所述故障树中同一个支线所有子事件对应的预设的支线序号，当多个支线中存在相同的子事件，相同的子事件不重复遍历；所述层级编号为所述故障树同层事件中的所有子事件对应的预设的层级序号，所述同层事件是指在所述故障树中具有相同父节点的子事件。
需要说明的是，故障树在进行数据存储时，一般是根据故障树的结构生成一个表格。参见图5，是本发明提供的车辆的故障诊断方法中的故障树的第三个实施例的结构示意图。下面针对图5的故障树的数据存储进行说明。故障树在数据存储时，需要将同一支线的事件通过父子ID进行关联，例如图4中的子事件1 的父级ID就是顶事件的自身ID，子事件4的父级ID就是子事件1的自身ID，同时为了说明每个子事件在故障树的位置，需要增加一列支线编号和一列层级编号，其中，支线编号为故障树中同一个支线所有子事件对应的预设的支线序号，层级编号为故障树同层事件中的所有子事件对应的预设的层级序号。例如同一支线下子事件1和子事件4的支线编号是一样的，都为10，子事件1的层级编号为 2，最后得到的存储数据表如表2所示。
表2一种故障树的数据存储表
具体地，为了生成排障指引信息，需要对故障树中的子事件进行按序遍历。遍历顺序为按照子事件的支线编号对应的第一预设顺序依次遍历故障树每一支线的子事件，例如为支线编号10—支线编号20—支线编号30—支线编号40。若故障树同一支线下存在多个支线编号相同的子事件，按照子事件的层级编号对应的第二预设顺序依次遍历故障树同一支线的所有子事件，例如顶事件、子事件1 和子事件4的支线编号都是10，则遍历顺序为顶事件—子事件1—子事件4。其中，支线编号为故障树中同一个支线所有子事件对应的预设的支线序号，当多个支线中存在相同的子事件，相同的子事件不重复遍历。例如，顶事件、子事件1 和子事件4是同一支线，顶事件、子事件1和子事件5也是同一支线，因为顶事件和子事件1已经在支线编号10对应的遍历中进行过一次遍历，所以在支线编号20对应的遍历中不重复遍历。层级编号为故障树同层事件中的所有子事件对应的预设的层级序号，同层事件是指在故障树中具有相同父节点的子事件，例如子事件1、子事件2和子事件3为同层事件，父节点都是顶事件。最后得到，图 5中的故障树的遍历顺序为：顶事件—子事件1—子事件4—子事件5—子事件2 —子事件3。
另外，本发明还提供一个优选实施例，将遍历顺序与子事件的发生概率结合起来，根据子事件的发生概率高低，调整子事件的支线编号，从而更快找到故障原因，提高故障诊断效率。也就是说，当同层事件出现多个子事件时，按照子事件的发生概率进行排序，优先遍历发生概率高的子事件。假设图5中的子事件5 的发生概率高于子事件4，则将子事件5的支线编号调整为10，子事件4的支线编号调整为20。最后得到，图4中的故障树的遍历顺序为：顶事件—子事件1—子事件5—子事件4—子事件2—子事件3。
需要注意的是，子事件的发生概率是预先设定的，当子事件对应的故障事件是从故障案例库中获取得到时，则该子事件的发生概率是通过计算公式
进行计算得到的；其中，o1为该子事件的发生概率，wα为预设的第一权重系数，h1为在预设的时间段内发生该子事件的次数，m1为在该时间段内所生产的车辆总数，bα为预设的第一偏置系数。
对于在该时间段内发生该子事件的次数h的统计，一般认为只要该子事件发生了，均需要记录一次，不论是什么故障原因导致的，即记录所有导致发生该子事件对应的故障次数。
当子事件对应的故障事件是从故障风险数据库中获取得到时，则该子事件的发生概率是通过计算公式o2＝wβ×occ1+bβ进行计算得到的；其中，o2为该子事件的发生概率，wβ为预设的第二权重系数，bβ为预设的第二偏置系数，occ1为从故障风险数据库中获取的该子事件对应的发生频率，一般地，在进行失效模式与影响分析(FMEA)时，会统计每一种失效模式的发生频率occ(Occurrence)，所以在构建故障风险数据库时，可以直接获取这些数据，并存储在故障风险数据库中。
作为上述方案的改进，所述子事件标识有对应所述子事件的发生概率，当所述子事件为根据可能引发所述顶事件的第二零部件，从所述故障案例库和所述故障风险数据库中查找的与所述第二零部件相对应的一个故障事件时，则该子事件的发生概率是通过计算公式o'＝θ×o进行计算得到的；其中，o'为该子事件的发生概率，θ为预设的关联因子，o为该子事件原本的发生概率。
具体地，子事件标识有对应所述子事件的发生概率，当子事件为根据可能引发顶事件的第二零部件，从故障案例库和故障风险数据库中查找的与第二零部件相对应的一个故障事件时，则该子事件的发生概率是通过计算公式o'＝θ×o进行计算得到的。第二零部件为与故障零部件具有相同的UPC/FNA的零部件。其中，o' 为该子事件的发生概率，θ为预设的关联因子，o为该子事件原本的发生概率。通过关联因子θ增加该子事件原本的发生概率，以便更快找到故障原因。
该子事件原本的发生概率的计算公式为
或者o＝wβ×occ2+bβ。如果故障树没有重构，即第二零部件没有引入该故障树，则根据第二零部件查找的故障事件对应的子事件原本的发生概率的计算方式跟上一实施例中两种计算方法一样，具体根据故障事件的获取途径不同，选择对应的计算方法，即
或者o＝wβ×occ2+bβ。
也就是说，当子事件为根据可能引发顶事件的第二零部件，从故障案例库中查找的与第二零部件相对应的一个故障事件时，则该子事件的发生概率是通过计算公式
进行计算得到的；其中，o'为该子事件的发生概率，θ为预设的关联因子，wα为预设的第一权重系数，h2为在预设的时间段内发生该子事件的次数，m2为在所述时间段内所生产的车辆总数，bα为预设的第一偏置系数。当子事件为根据可能引发顶事件的第二零部件，从故障风险数据库中查找的与第二零部件相对应的一个故障事件时，则该子事件的发生概率是通过计算公式 o'＝θ×(wβ×occ2+bβ)进行计算得到的；其中，o'为该子事件的发生概率，θ为预设的关联因子，wβ为预设的第二权重系数，bβ为预设的第二偏置系数，occ2为从所述故障风险数据库中获取的该子事件对应的发生频率。
作为上述方案的改进，所述故障树还包括至少一个底事件，每一个底事件为根据可能引发所述子事件的子零部件，从所述故障案例库和所述故障风险数据库中查找的与所述子零部件相对应的一个故障事件。
具体地，故障树还包括至少一个底事件，每一个底事件为根据可能引发子事件的子零部件，从故障案例库和故障风险数据库中查找的与子零部件相对应的一个故障事件。一般地，一个底事件就是一个不可分解的故障事件，即无法找到引发该故障事件的其他故障事件，所以底事件在故障树中位于所在分支的最低层。
值得注意的是，本发明中该实施例虽然提到故障树包括顶事件、子事件和底事件，但不能看作是对故障树结构的限定，认为故障树只包含一个顶事件、多个子事件和多个底事件的三层结构。当可能引发顶事件的零部件很多，且组成关系复杂，故障树的子事件可以形成多层事件和多个分支，具体要根据实际情况确定。参见图6，是本发明提供的车辆的故障诊断方法中的故障树的第四个实施例的结构示意图，在该实施例中，该故障树具有多层事件和多个分支。
参见图7，是本发明提供的车辆的故障诊断装置的一个实施例的结构示意图，所述装置包括：
故障获取模块11，用于获取车辆的待排查的故障事件；
查找模块12，用于在预设的故障树数据库中查找以所述待排查的故障事件作为顶事件的故障树；其中，所述故障树包括一个顶事件和至少一个子事件，每一个子事件为根据可能引发所述顶事件的零部件，从预设的故障案例库和预设的故障风险数据库中查找的与所述零部件相对应的一个故障事件；所述故障案例库记录有每个零部件曾经发生过的故障事件；所述故障风险数据库为基于失效模式及影响分析得到的数据库，记录有每个零部件可能会发生的故障事件；
指引信息生成模块13，用于根据所述故障树，生成与所述待排查的故障事件相对应的排障指引信息，用于对所述车辆进行故障诊断；其中，所述排障指引信息为根据预设的遍历顺序对所述故障树的子事件进行按序排查的指引说明。
优选地，所述零部件包括直接引发所述顶事件的第一零部件和间接引发所述顶事件的第二零部件；其中，所述第一零部件为发生所述顶事件对应的故障零部件所包含的结构部件，所述第二零部件与所述故障零部件具有相同的零件分类编码和相同的功能位置编码。
优选地，所述第一零部件能够根据所述故障零部件从预设的产品结构树中筛选得到。
优选地，所述故障树包括两类分支，组成其中一类分支的子事件对应的故障事件均是从所述故障案例库中获取得到，组成另一类分支的子事件对应的故障事件均是从所述故障风险数据库中获取得到；
或者，所述故障树包括至少一个分支，组成其中一个分支的子事件的数量为至少两个，该分支所有子事件中至少有一个子事件对应的故障事件的获取途径跟其他子事件对应的故障事件的获取途径不同；其中，所述获取途径为从所述故障案例库获取故障事件，或从所述故障风险数据中获取故障事件。
优选地，所述遍历顺序为按照所述子事件的支线编号对应的第一预设顺序依次遍历所述故障树每一支线的子事件；若所述故障树同一支线下存在多个所述支线编号相同的子事件，按照所述子事件的层级编号对应的第二预设顺序依次遍历所述故障树同一支线的所有子事件；其中，所述支线编号为所述故障树中同一个支线所有子事件对应的预设的支线编号，当多个支线中具有相同的子事件，相同的子事件不重复遍历；所述层级编号为所述故障树同层事件中的所有子事件对应的预设的层级编号，所述同层事件是指在所述故障树中具有相同父节点的子事件。
优选地，所述故障树还包括至少一个底事件，每一个底事件为根据可能引发所述子事件的子零部件，从所述故障案例库和所述故障风险数据库中查找的与所述子零部件相对应的一个故障事件。
本发明实施例所提供的一种车辆的故障诊断装置能够实现上述任一实施例所述的车辆的故障诊断方法的所有流程，装置中的各个模块、单元的作用以及实现的技术效果分别与上述实施例所述的车辆的故障诊断方法的作用以及实现的技术效果对应相同，这里不再赘述。
参见图8，是本发明提供的终端设备的一个实施例的结构示意图，所述终端设备包括处理器10、存储器20以及存储在所述存储器20中且被配置为由所述处理器10执行的计算机程序，所述处理器10执行所述计算机程序时实现上述任一实施例所述的车辆的故障诊断方法。
示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器20中，并由处理器10执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在一种车辆的故障诊断中的执行过程。例如，计算机程序可以被分割成故障获取模块、查找模块和指引信息生成模块，各模块具体功能如下：
故障获取模块11，用于获取车辆的待排查的故障事件；
查找模块12，用于在预设的故障树数据库中查找以所述待排查的故障事件作为顶事件的故障树；其中，所述故障树包括一个顶事件和至少一个子事件，每一个子事件为根据可能引发所述顶事件的零部件，从预设的故障案例库和预设的故障风险数据库中查找的与所述零部件相对应的一个故障事件；所述故障案例库记录有每个零部件曾经发生过的故障事件；所述故障风险数据库为基于失效模式及影响分析得到的数据库，记录有每个零部件可能会发生的故障事件；
指引信息生成模块13，用于根据所述故障树，生成与所述待排查的故障事件相对应的排障指引信息，用于对所述车辆进行故障诊断；其中，所述排障指引信息为根据预设的遍历顺序对所述故障树的子事件进行按序排查的指引说明。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，示意图8仅仅是一种终端设备的示例，并不构成对所述终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
处理器10可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者处理器10 也可以是任何常规的处理器等，处理器10是所述终端设备的控制中心，利用各种接口和线路连接整个车辆的故障诊断的终端设备的各个部分。
存储器20可用于存储所述计算机程序和/或模块，处理器10通过运行或执行存储在存储器20内的计算机程序和/或模块，以及调用存储在存储器20内的数据，实现所述终端设备的各种功能。存储器20可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据 (比如音频数据、电话本等)等。此外，存储器20可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述终端设备集成的模块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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM， RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一实施例所述的车辆的故障诊断方法。
综上，本发明实施例所提供的一种车辆的故障诊断方法、装置、终端设备及存储介质，通过收集零部件历史发生过的问题，构建故障案例库；和通过FMEA 分析构建故障风险数据库，并结合产品结构树和产品的UPC/FNA，构建一个故障信息更全面有效的故障树，使得车辆在发生故障时，可以根据构建的故障树，进行故障树分析，以得到排障指引信息，指引车辆故障诊断，形成从FMEA、问题管理、故障树分析(Fault Tree Analysis，FTA)到排障指引信息的闭环，从而更准确定位车辆故障原因，提高故障树分析法的准确性。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种车辆的故障诊断方法，其特征在于，包括以下步骤：
获取车辆的待排查的故障事件；
在预设的故障树数据库中查找以所述待排查的故障事件作为顶事件的故障树；其中，所述故障树包括一个顶事件和至少一个子事件，每一个子事件为根据可能引发所述顶事件的零部件，从预设的故障案例库和预设的故障风险数据库中查找的与所述零部件相对应的一个故障事件；所述故障案例库记录有每个零部件曾经发生过的故障事件；所述故障风险数据库为基于失效模式及影响分析得到的数据库，记录有每个零部件可能会发生的故障事件；
根据所述故障树，生成与所述待排查的故障事件相对应的排障指引信息，用于对所述车辆进行故障诊断；其中，所述排障指引信息为根据预设的遍历顺序对所述故障树的子事件进行按序排查的指引说明。
2.如权利要求1所述的车辆的故障诊断方法，其特征在于，所述零部件包括直接引发所述顶事件的第一零部件和间接引发所述顶事件的第二零部件；其中，所述第一零部件为发生所述顶事件对应的故障零部件所包含的结构部件，所述第二零部件与所述故障零部件具有相同的零件分类编码和相同的功能位置编码。
3.如权利要求2所述的车辆的故障诊断方法，其特征在于，所述第一零部件能够根据所述故障零部件从预设的产品结构树中筛选得到。
4.如权利要求1所述的车辆的故障诊断方法，其特征在于，所述故障树包括两类分支，组成其中一类分支的子事件对应的故障事件均是从所述故障案例库中获取得到，组成另一类分支的子事件对应的故障事件均是从所述故障风险数据库中获取得到；
或者，所述故障树包括至少一个分支，组成其中一个分支的子事件的数量为至少两个，该分支所有子事件中至少有一个子事件对应的故障事件的获取途径跟其他子事件对应的故障事件的获取途径不同；其中，所述获取途径为从所述故障案例库获取故障事件，或从所述故障风险数据中获取故障事件。
5.如权利要求1所述的车辆的故障诊断方法，其特征在于，所述遍历顺序为按照所述子事件的支线编号对应的第一预设顺序依次遍历所述故障树每一支线的子事件；若所述故障树同一支线下存在多个所述支线编号相同的子事件，按照所述子事件的层级编号对应的第二预设顺序依次遍历所述故障树同一支线的所有子事件；其中，所述支线编号为所述故障树中同一个支线所有子事件对应的预设的支线序号，当多个支线中存在相同的子事件，相同的子事件不重复遍历；所述层级编号为所述故障树同层事件中的所有子事件对应的预设的层级序号，所述同层事件是指在所述故障树中具有相同父节点的子事件。
6.如权利要求2所述的车辆的故障诊断方法，其特征在于，所述子事件标识有对应所述子事件的发生概率，当所述子事件为根据可能引发所述顶事件的第二零部件，从所述故障案例库和所述故障风险数据库中查找的与所述第二零部件相对应的一个故障事件时，则该子事件的发生概率是通过计算公式o'＝θ×o进行计算得到的；其中，o'为该子事件的发生概率，θ为预设的关联因子，o为该子事件原本的发生概率。
7.如权利要求1至6任一项所述的车辆的故障诊断方法，其特征在于，所述故障树还包括至少一个底事件，每一个底事件为根据可能引发所述子事件的子零部件，从所述故障案例库和所述故障风险数据库中查找的与所述子零部件相对应的一个故障事件。
8.一种车辆的故障诊断装置，其特征在于，包括：
故障获取模块，用于获取车辆的待排查的故障事件；
查找模块，用于在预设的故障树数据库中查找以所述待排查的故障事件作为顶事件的故障树；其中，所述故障树包括一个顶事件和至少一个子事件，每一个子事件为根据可能引发所述顶事件的零部件，从预设的故障案例库和预设的故障风险数据库中查找的与所述零部件相对应的一个故障事件；所述故障案例库记录有每个零部件曾经发生过的故障事件；所述故障风险数据库为基于失效模式及影响分析得到的数据库，记录有每个零部件可能会发生的故障事件；
指引信息生成模块，用于根据所述故障树，生成与所述待排查的故障事件相对应的排障指引信息，用于对所述车辆进行故障诊断；其中，所述排障指引信息为根据预设的遍历顺序对所述故障树的子事件进行按序排查的指引说明。
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的车辆的故障诊断方法。
10.一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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任一项所述的车辆的故障诊断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010854953.XA CN112084375B (zh) | 2020-08-21 | 2020-08-21 | 一种车辆的故障诊断方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010854953.XA CN112084375B (zh) | 2020-08-21 | 2020-08-21 | 一种车辆的故障诊断方法、装置、终端设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112084375A true CN112084375A (zh) | 2020-12-15 |
| CN112084375B CN112084375B (zh) | 2023-06-16 |
Family
ID=73729608
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010854953.XA Active CN112084375B (zh) | 2020-08-21 | 2020-08-21 | 一种车辆的故障诊断方法、装置、终端设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112084375B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112926824A (zh) * | 2021-01-20 | 2021-06-08 | 中国科学院微电子研究所 | 激光加工设备的故障诊断方法 |
| CN114296435A (zh) * | 2021-12-30 | 2022-04-08 | 沈阳东睿科技有限公司 | 一种航空发动机故障诊断系统 |
| CN114326654A (zh) * | 2021-11-30 | 2022-04-12 | 苏州浪潮智能科技有限公司 | 一种故障诊断方法、系统、设备及计算机可读存储介质 |
| CN114593104A (zh) * | 2022-02-17 | 2022-06-07 | 成都飞机工业（集团）有限责任公司 | 一种对伺服阀输出异常压力问题进行分解检查的方法 |
| CN114691876A (zh) * | 2020-12-30 | 2022-07-01 | 宁波欧依安盾安全科技有限公司 | 一种基于文本的事故原因分析方法 |
| CN114821857A (zh) * | 2022-04-24 | 2022-07-29 | 重庆长安汽车股份有限公司 | 基于fta分析车辆的故障诊断方法、终端设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040078683A1 (en) * | 2000-05-05 | 2004-04-22 | Buia Christhoper A. | Systems and methods for managing and analyzing faults in computer networks |
| CN106168797A (zh) * | 2016-05-25 | 2016-11-30 | 哈尔滨工程大学 | 一种模块化获取核电站故障树顶事项失效概率的方法 |
| CN107491532A (zh) * | 2017-08-21 | 2017-12-19 | 北京航天发射技术研究所 | 一种基于经验向量和特征向量的故障树优化检索方法 |
| CN108596511A (zh) * | 2018-05-09 | 2018-09-28 | 中国铁路总公司 | 一种基于二元决策图算法的接触网失效风险评估方法 |
| CN109272603A (zh) * | 2018-10-26 | 2019-01-25 | 北京长城华冠汽车技术开发有限公司 | 车辆故障分析数据库及构建方法、故障预测方法、故障预测系统 |
| CN109359897A (zh) * | 2018-12-10 | 2019-02-19 | 西安邮电大学 | 一种大型体育赛事无线电系统信息安全风险评估方法 |
| US10399706B1 (en) * | 2016-06-22 | 2019-09-03 | Amazon Technologies, Inc. | Unmanned aerial vehicle maintenance troubleshooting decision tree |
| CN111160579A (zh) * | 2019-12-30 | 2020-05-15 | 中国船舶重工集团公司第七一三研究所 | 一种基于权重的站台门故障诊断分析方法 |
-
2020
- 2020-08-21 CN CN202010854953.XA patent/CN112084375B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040078683A1 (en) * | 2000-05-05 | 2004-04-22 | Buia Christhoper A. | Systems and methods for managing and analyzing faults in computer networks |
| CN106168797A (zh) * | 2016-05-25 | 2016-11-30 | 哈尔滨工程大学 | 一种模块化获取核电站故障树顶事项失效概率的方法 |
| US10399706B1 (en) * | 2016-06-22 | 2019-09-03 | Amazon Technologies, Inc. | Unmanned aerial vehicle maintenance troubleshooting decision tree |
| CN107491532A (zh) * | 2017-08-21 | 2017-12-19 | 北京航天发射技术研究所 | 一种基于经验向量和特征向量的故障树优化检索方法 |
| CN108596511A (zh) * | 2018-05-09 | 2018-09-28 | 中国铁路总公司 | 一种基于二元决策图算法的接触网失效风险评估方法 |
| CN109272603A (zh) * | 2018-10-26 | 2019-01-25 | 北京长城华冠汽车技术开发有限公司 | 车辆故障分析数据库及构建方法、故障预测方法、故障预测系统 |
| CN109359897A (zh) * | 2018-12-10 | 2019-02-19 | 西安邮电大学 | 一种大型体育赛事无线电系统信息安全风险评估方法 |
| CN111160579A (zh) * | 2019-12-30 | 2020-05-15 | 中国船舶重工集团公司第七一三研究所 | 一种基于权重的站台门故障诊断分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| LIQIONG YANG 等: "The BDD-based assessment method of project safety risk" * |
| 冯芬玲 等: "基于BDD的铁路快运货物损失风险评估" * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114691876A (zh) * | 2020-12-30 | 2022-07-01 | 宁波欧依安盾安全科技有限公司 | 一种基于文本的事故原因分析方法 |
| CN112926824A (zh) * | 2021-01-20 | 2021-06-08 | 中国科学院微电子研究所 | 激光加工设备的故障诊断方法 |
| CN114326654A (zh) * | 2021-11-30 | 2022-04-12 | 苏州浪潮智能科技有限公司 | 一种故障诊断方法、系统、设备及计算机可读存储介质 |
| CN114326654B (zh) * | 2021-11-30 | 2024-02-09 | 苏州浪潮智能科技有限公司 | 一种故障诊断方法、系统、设备及计算机可读存储介质 |
| CN114296435A (zh) * | 2021-12-30 | 2022-04-08 | 沈阳东睿科技有限公司 | 一种航空发动机故障诊断系统 |
| CN114296435B (zh) * | 2021-12-30 | 2023-12-01 | 沈阳东睿科技有限公司 | 一种航空发动机故障诊断系统 |
| CN114593104A (zh) * | 2022-02-17 | 2022-06-07 | 成都飞机工业（集团）有限责任公司 | 一种对伺服阀输出异常压力问题进行分解检查的方法 |
| CN114593104B (zh) * | 2022-02-17 | 2023-03-14 | 成都飞机工业（集团）有限责任公司 | 一种对伺服阀输出异常压力问题进行分解检查的方法 |
| CN114821857A (zh) * | 2022-04-24 | 2022-07-29 | 重庆长安汽车股份有限公司 | 基于fta分析车辆的故障诊断方法、终端设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112084375B (zh) | 2023-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112084375A (zh) | 一种车辆的故障诊断方法、装置、终端设备及存储介质 | |
| CN112084374B (zh) | 一种车辆的故障诊断方法、终端设备及存储介质 | |
| DE60106799T2 (de) | Probabilistische Diagnose, inbesondere für eingebettete Fernanwendungen | |
| CN108427720B (zh) | 系统日志分类方法 | |
| Mariani et al. | Dynamic analysis for diagnosing integration faults | |
| CN110471945B (zh) | 活跃数据的处理方法、系统、计算机设备和存储介质 | |
| Ang et al. | Revisiting the practical use of automated software fault localization techniques | |
| CN112711537B (zh) | 软件缺陷定位方法及装置、电子设备及存储介质 | |
| CN111160329A (zh) | 一种根因分析的方法及装置 | |
| CN115309575A (zh) | 基于图卷积神经网络的微服务故障诊断方法、装置及设备 | |
| US20200310897A1 (en) | Automatic optimization fault feature generation method | |
| CN115329815A (zh) | 气泡熵和aoa优化svm模型参数的轴承故障诊断方法及系统 | |
| CN114253909A (zh) | 一种仿真结果的分析方法、系统、计算机设备及存储介质 | |
| CN114629776B (zh) | 基于图模型的故障分析方法及装置 | |
| Shilpika et al. | Toward an in-depth analysis of multifidelity high performance computing systems | |
| CN114490344A (zh) | 一种基于机器学习和静态分析的软件集成测评方法 | |
| CN114510364A (zh) | 文本聚类结合链路调用的异常数据根因分析方法及装置 | |
| JP6666489B1 (ja) | 障害予兆検知システム | |
| DE102020215191A1 (de) | Detektion anomaler bewegungsabläufe repetitiver menschlicher aktivitäten | |
| CN111240882B (zh) | 检测异常状态的方法及系统 | |
| CN115576851B (zh) | 一种结合动态切片的软件多故障聚类定位方法及装置 | |
| CN112035484B (zh) | 一种故障录波数据的局部故障特征提取方法及系统 | |
| CN118069397A (zh) | 一种自动化崩溃分析方法及系统 | |
| JPH0658716B2 (ja) | 故障診断装置及び故障診断システム | |
| CN114745256A (zh) | 一种服务器报警溯源方法、装置及存储介质 |
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 | ||
| PP01 | Preservation of patent right |
Effective date of registration: 20240222 Granted publication date: 20230616 |
|
| PP01 | Preservation of patent right |