CN112418458A - 基于贝叶斯网络的车辆故障智能推理方法及系统 - Google Patents

Abstract

本发明公开了一种基于贝叶斯网络的车辆故障智能推理方法，包括构建基于贝叶斯网络的故障树模型，获得故障树节点的先验概率及关联故障树节点的检测方法；将故障树模型、先验概率及检测方法输入至推理引擎，生成最优检测方法；接收人工执行最优检测方法的检测结果，并输入至推理引擎，得到故障树节点的后验概率；判断是否存在某个故障树节点的后验概率达到预设的锁定概率；若是,则核验当前故障树节点所对应的故障原因，推送维修规程，并根据当前维修数据更新故障树节点的先验概率；若否，则进行新一轮的检测方法。本发明提供的方法，降低故障树对人工经验准确性的要求，提高了推理系统的准确性，缩短了故障原因的排查步骤，提高了排查效率。

Description

基于贝叶斯网络的车辆故障智能推理方法及系统

技术领域

本发明涉及车辆智能诊断技术领域，尤其涉及一种基于贝叶斯网络的车辆故障智能推理方法及系统。

背景技术

随着电控技术在汽车上的应用越来越成熟，商用车上的电控单元、电控器件、传感器、线束等零部件越来越多，电控系统也变得越来越复杂，电控系统的维修也给服务站带来了新的挑战。为降低电控系统维修门槛、提升维修效率，现有技术通常会结合人工智能算法，例如将贝叶斯网络算法引入了商用车故障维修过程，基于大数据、人工经验、贝叶斯网络算法结合诊断仪、TBOX等设备进行自动检测和判异，或通过人工检查判异，将判异结果输入算法进行故障原因推理，帮助技师快速推理故障。

目前，最常用的方法是基于决策树的故障推理方法，该种推理方法是基于专家经验建立完善的故障树，并确定故障树的排查顺序和各个节点的排查方法，通过排查方法确定每一个节点走哪个分支，一层一层向下推理，最终找到最底层的故障样原因。但是，这种方法往往存在以下缺点：第一，决策树排查顺序固定，不能根据每一次的推理结果自动调整排查顺序，排查顺序局限、不灵活，容易影响排查效率；第二，决策树基于强逻辑判断，只能对节点内的故障原因排查，不能处理不确定性的情况，进而影响排查结果的准确性；第三，由于决策树具有强逻辑性，因此自学习难度大，耗时长，可实施性不强。

发明内容

本发明的目的在于提供一种基于贝叶斯网络的车辆故障智能推理方法，通过计算原因链概率的方式兼容推理过程的不确定性，降低故障树对于人工经验准确性的要求；通过实现算法模型的自学习修正，提高了推理系统的准确性；通过检测方法推荐引擎的算法，能够针对当前推理的情况对检测方法进行智能推荐，缩短技师对故障原因的排查步骤，提高了排查效率。

为了克服上述现有技术中的缺陷，本发明某一实施例提供了一种基于贝叶斯网络的车辆故障智能推理方法，包括：

构建故障树模型，获得故障树节点的先验概率及关联所述故障树节点的检测方法；

将所述故障树模型、所述先验概率及所述检测方法输入至基于贝叶斯网络的推理引擎，生成最优检测方法；

接收人工执行所述最优检测方法的检测结果，并输入至所述推理引擎，得到所述故障树节点的后验概率；

判断是否存在某个故障树节点的后验概率达到预设的锁定概率；

若是,则核验当前故障树节点所对应的故障原因，推送与所述故障原因对应的维修规程，并根据当前维修数据更新所述故障树节点的先验概率；

若否，则返回执行所述将所述故障树模型、所述先验概率及所述检测方法输入至基于贝叶斯网络的推理引擎，生成最优检测方法的操作。

在某一个实施例中，所述构建故障树模型，获得故障树节点的先验概率，包括：

根据历史工单数据，提取故障类型的专用词库；

通过NLP模型及聚类模型，识别所述专用词库中的故障码、故障原因及故障模式；

根据所述故障码、所述故障原因及所述故障模式，构建待检验故障树模型，并计算故障树节点的先验概率；

接收人工对所述待检验故障树模型的确认结果，并输入至故障结构化库，得到故障树模型。

在某一个实施例中，所述检测方法的构建过程，包括：

根据历史工单数据及维修手册提取待处理检测方法；

确定所述待处理检测方法与所述故障模式的关联概率，确定所述检测方法的类型；

根据所述检测方法的类型配置所述检测方法的前置条件，并保存至检测方法库。

在某一个实施例中，所述根据所述检测方法的类型配置所述检测方法的前置条件，包括：

若所述检测方法为人工检测时，依次配置所述人工检测的执行步骤说明、判异说明及前置条件；

若所述检测方法为自动检测时，依次配置所述自动检测的配置数参数、故障码、动作测试协议、判异规则及前置条件。

本发明某一实施例还提供了一种基于贝叶斯网络的车辆故障智能推理系统，包括：

故障树模型构建单元，用于构建故障树模型，获得故障树节点的先验概率及关联所述故障树节点的检测方法；

最优检测方法生成单元，用于将所述故障树模型、所述先验概率及所述检测方法输入至基于贝叶斯网络的推理引擎，生成最优检测方法；

后验概率计算单元，用于接收人工执行所述最优检测方法的检测结果，并输入至所述推理引擎，得到所述故障树节点的后验概率；

故障原因判定单元，用于判断是否存在某个故障树节点的后验概率达到预设的锁定概率；若是,则核验当前故障树节点所对应的故障原因，推送与所述故障原因对应的维修规程，并根据当前维修数据更新所述故障树节点的先验概率；若否，则返回执行所述将所述故障树模型、所述先验概率及所述检测方法输入至基于贝叶斯网络的推理引擎，生成最优检测方法的操作。

在某一个实施例中，所述故障树模型构建单元，还用于，

根据历史工单数据，提取故障类型的专用词库；

通过NLP模型及聚类模型，识别所述专用词库中的故障码、故障原因及故障模式；

根据所述故障码、所述故障原因及所述故障模式，构建待检验故障树模型，并计算故障树节点的先验概率；

接收人工对所述待检验故障树模型的确认结果，并输入至故障结构化库，得到故障树模型。

在某一个实施例中，所述故障树模型构建单元，还用于，

根据历史工单数据及维修手册提取待处理检测方法；

确定所述待处理检测方法与所述故障模式的关联概率，确定所述检测方法的类型；

根据所述检测方法的类型配置所述检测方法的前置条件，并保存至检测方法库。

在某一个实施例中，所述故障树模型构建单元，还用于，

若所述检测方法为人工检测时，依次配置所述人工检测的执行步骤说明、判异说明及前置条件；

若所述检测方法为自动检测时，依次配置所述自动检测的配置数参数、故障码、动作测试协议、判异规则及前置条件。

本发明某一实施例还提供了一种计算机终端设备，包括：

一个或多个处理器；

存储器，与所述处理器耦接，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上任一项所述的基于贝叶斯网络的车辆故障智能推理方法。

本发明某一实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行实现如上任一项所述的基于贝叶斯网络的车辆故障智能推理方法。

相对于现有技术，本发明实施例至少存在如下有益效果：

1)不需要建立强逻辑的推理决策树，对于准备阶段人工经验要求降低；

2)不需要按强逻辑顺序一步一步执行，通过检测方法推荐引擎计算最优检测方法智能推荐，可以避免一些不必要的检查，提高推理效率；

3)将每一次完整推理过程数据反馈给贝叶斯网络模型，可实现网络的自学习修正，提高推理引擎的精确度；

4)支持将多个可由系统自动执行和自动判异的检查步骤合并成一次执行而不会对推理产生影响，减少推理步骤。

附图说明

图1是本发明某一实施例提供的基于贝叶斯网络的车辆故障智能推理方法的流程示意图；

图2是本发明某一实施例提供的基于贝叶斯网络的车辆故障智能推理方法的步骤程序框图；

图3是本发明某一实施例提供的基于贝叶斯网络的车辆故障智能推理方法的步骤S10的子步骤的流程示意图；

图4是本发明某一实施例提供的构建故障树模型的步骤程序框图；

图5是本发明某一实施例提供的建立检测方法的步骤程序框图；

图6是本发明某一实施例提供的基于U0113下游氮氧传感器CAN信号接收超时的故障码构建的故障树示意图；

图7是本发明某一实施例提供的基于U0113故障码中故障原因与检测方法关联的故障树示意图；

图8是本发明某一实施例提供的建立故障码节点的条件概率表；

图9是本发明某一实施例提供的建立故障原因节点的条件概率表；

图10是本发明某一实施例提供的建立检测方法节点的条件概率表；

图11是本发明某一实施例提供的基于故障树和CPT表建立U0113故障码的贝叶斯网络模型示意图；

图12是本发明某一实施例提供的将已知条件输入贝叶斯网络后得到故障推理的初始网络模型示意图；

图13是本发明某一实施例提供的第一轮更新的贝叶斯网络模型示意图；

图14是本发明某一实施例提供的第二轮更新的贝叶斯网络模型示意图；

图15是本发明某一实施例提供的第三轮更新的贝叶斯网络模型示意图；

图16是本发明某一实施例提供的基于贝叶斯网络的车辆故障智能推理系统的架构原理图；

图17是本发明某一实施例提供的基于贝叶斯网络的车辆故障智能推理系统的结构示意图。

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。

应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。

应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

第一方面：

请参阅图1-2，本发明某一实施例提供了一种基于贝叶斯网络的车辆故障智能推理方法，包括：

S10、构建故障树模型，获得故障树节点的先验概率及关联所述故障树节点的检测方法；

S20、将所述故障树模型、所述先验概率及所述检测方法输入至基于贝叶斯网络的推理引擎，生成最优检测方法；

S30、接收人工执行所述最优检测方法的检测结果，并输入至所述推理引擎，得到所述故障树节点的后验概率；

S40、判断是否存在某个故障树节点的后验概率达到预设的锁定概率；其中步骤S40又包括以下两个子步骤：

S401、若是,则核验当前故障树节点所对应的故障原因，推送与所述故障原因对应的维修规程，并根据当前维修数据更新所述故障树节点的先验概率；

S402、若否，则返回执行所述将所述故障树模型、所述先验概率及所述检测方法输入至基于贝叶斯网络的推理引擎，生成最优检测方法的操作。

需要说明的是，技师在传统车辆维修过程中通过执行各种检测检测方法，基于检测结果人工推理故障原因的可能性，而此过程与贝叶斯网络算法极为相似。目前已有的与本发明最相近似的基于决策树的故障推理，该种推理是基于专家经验建立完善的故障树，并确定故障树的排查顺序和各个节点的排查方法，通过排查方法确定每一个节点走哪个分支，一层一层向下推理，最终找到最底层的故障样原因。因此，若故障原因在靠后位置，则会浪费很多不必要的排查步骤，大大降低了维修效率，并且，根据人工经验列出的故障树的强逻辑性，对于技师本身的要求也非常高，因此基于纯人工经验的维修越来越难以满足车主故障快速处置的需求。

在本发明实施例中，主要是基于贝叶斯网络算法，利用车辆历史已经产生的工单数据和专家经验进行故障树以及故障树各个节点的独立概率和条件概率提取，再利用整车厂家整理的车辆故障标准化维修手册提取出对于故障原因判定行之有效的检测方法，基于专家经验确定检测方法对于故障原因的判定概率。然后，将故障树、检测方法以及先验概率等数据作为贝叶斯网络的数据输入，技师基于系统推荐的检测方法进行交互诊断，并将交互诊断结果给贝叶斯网络提供新的证据输入，由贝叶斯网络算法进行各个原因链的后验概率自动计算和更新，从而实现智能推理，协助技师快速精准定位故障原因。

在步骤S10中首先基于大数据和人工检验建立推理所需的故障树、先验概率以及检测方法，需要说明的是，先验概率和后验概率是与贝叶斯概率更新有关的两个概念。假如某一不确定事件发生的主观概率因为某个新情况的出现而发生了改变，那么改变前的那个概率就被叫做先验概率，改变后的概率就叫后验概率。先验概率是指根据以往经验和分析得到的概率，如全概率公式，它往往作为"由因求果"问题中的"因"出现的概率。后验概率是信息理论的基本概念之一。在一个通信系统中，在收到某个消息之后，接收端所了解到的该消息发送的概率称为后验概率。在贝叶斯统计推断中，不确定数量的先验概率分布是在考虑一些因素之前表达对这一数量的置信程度的概率分布。例如，先验概率分布可能代表在将来的选举中投票给特定政治家的选民相对比例的概率分布。未知的数量可以是模型的参数或者是潜在变量。后验概率的计算要以先验概率为基础。后验概率可以根据通过贝叶斯公式，用先验概率和似然函数计算出来。

进一步地，贝叶斯网络又称信度网络，是Bayes方法的扩展，一个贝叶斯网络是一个有向无环图(Directed Acyclic Graph,DAG)，由代表变量结点及连接这些结点有向边构成。结点代表随机变量，结点间的有向边代表了结点间的互相关系(由父结点指向其子结点)，用条件概率进行表达关系强度，没有父结点的用先验概率进行信息表达。结点变量可以是任何问题的抽象，如：测试值，观测现象，意见征询等。适用于表达和分析不确定性和概率性的事件，应用于有条件地依赖多种控制因素的决策，可以从不完全、不精确或不确定的知识或信息中做出推理。

在步骤S10中，首先基于大数据和人工经验，对于历史工单的数据及维修手册的提示信息来整理出可能故障的点，然后将每一个故障原因作为一个节点构建故障树，其中，检测方法是与故障节点相互关联的，每一种故障原因的检测方式可以有一种，可以有多种，在进行当前故障节点的检测时，若当前节点只有一种检测方法，那么就直接采用这种方法，若当前节点包含多种检测方法，也要通过概率的计算来获取检测方法的优先级，以提高排查的效率。

步骤S20主要是将步骤S10中获得的基础数据输入至基于贝叶斯网络的推理引擎，然后基于贝叶斯算法得到最优检测方法，然后可以通过人工检测或者自动检测来执行该最优检测方法，并将执行结果反馈给推理引擎，然后在步骤S30中系统会自动更新故障树模型各个故障原因的后验概率，推理引擎会基于计算结果，推荐当前故障树节点的最优检测方法；然后再通过人工检测或自动检测执行，在步骤S40中，根据步骤S30推荐的最优检测方法，对每个节点进行检测，然后判断是否存在某个故障树节点的后验概率达到了预设的锁定概率值，若是，则通过人工进行校验，校验当前故障原因的真实性，当确定为该故障原因时，会根据推送的维修规程进行维修，并且会根据本次维修数据对之前的故障树节点的先验概率进行更新；如果不存在，那么则进行下一轮检验。

本发明实施例，通过计算原因链概率的方式兼容推理过程的不确定性，降低故障树对于人工经验准确性的要求；通过实现算法模型的自学习修正，提高了推理系统的准确性；通过检测方法推荐引擎的算法，能够针对当前推理的情况对检测方法进行智能推荐，缩短技师对故障原因的排查步骤，提高了排查效率。

请参阅图3-4，在某一个实施例中，所述构建故障树模型，获得故障树节点的先验概率，包括：

S101、根据历史工单数据，提取故障类型的专用词库；

S102、通过NLP模型及聚类模型，识别所述专用词库中的故障码、故障原因及故障模式；

S103、根据所述故障码、所述故障原因及所述故障模式，构建待检验故障树模型，并计算故障树节点的先验概率；

S104、接收人工对所述待检验故障树模型的确认结果，并输入至故障结构化库，得到故障树模型。

本实施例主要是构建故障树模型及获得每个故障树节点的先验概率，通常是根据人工经验、历史数据结合NLP模型及聚类模型先识别出故障码、故障原因及故障模式，然后计算故障树节点的先验概率，最后由人工对待检验故障树模型进行确认，并将确认结果输入至故障结构化库，得到故障树模型。

请参阅图5，在某一个实施例中，所述检测方法的构建过程，包括：

根据历史工单数据及维修手册提取待处理检测方法；

确定所述待处理检测方法与所述故障模式的关联概率，确定所述检测方法的类型；

根据所述检测方法的类型配置所述检测方法的前置条件，保存至检测方法库。

进一步地，所述根据所述检测方法的类型配置所述检测方法的前置条件，包括：

若所述检测方法为人工检测时，依次配置所述人工检测的执行步骤说明、判异说明及前置条件；

若所述检测方法为自动检测时，依次配置所述自动检测的配置数参数、故障码、动作测试协议、判异规则及前置条件。

请参阅图6-10，为了帮助理解本发明的方案，在某一实施例中提供了一种基于U0113下游氮氧传感器CAN信号接收超时(A)的故障码进行故障智能推理的全过程：

如图6所示，该故障码下包括的故障原因主要包括6个：CAN线故障；线束供电异常；氢氧传感器接插件进水；氢氧传感器损坏；ECU针脚虚接、损坏；ECU内部故障；然后根据一个月索赔工单的数据，总共选取3150条样本数，然后测算出故障树各个节点的出现概率，如下表1所示：

表1

根据表1可知，历时近一个月的数据中，为线束供电异常的故障现象出现次数最多，通过通过查阅U0113故障码手册，确定对该故障码各个原因的检测方法包括6种：测量线束针脚电压、测量CAN线电压、检测仪检测氢氧传感器、目测ECU针脚虚接、目测氢氧传感器接插件进水、检查ECU程序数据；然后将这6种检测方法挂到U0113故障树上，为了描述方便，按照概率大小依次将线束供电异常；CAN线故障；氢氧传感器损坏；ECU针脚虚接、损坏；氢氧传感器接插件进水；ECU内部故障命名R1-R6，然后将6种检测方法与R1-R6关联，如图7所示。

请参阅图8-10，接下来，需要分别建立故障码A节点的CPT表、故障原因R节点的CPT表，及检测方法a节点的CPT表；

需要说明的是，CPT表即条件概率表，在图8中，A节点的CPT表示6种故障原因R1-R6成立和不成立各种不同组合情况下，故障码发生的概率，因为R1-R6任何一个原因的出现，都会导致故障码出现，所以R1-R6各种组合中，只要有一个故障原因为True.则A节点成立的概率为100％，而只有在R1-R6所有原因均不成立的时候，A节点的成立概率才会为0，在本实施例中，故障码发生的概率为100％；然后选择合适的建模方式，建立R1-R6的CPT表，即R1-R6基于索赔工单统计的独立概率；同样地，对于检测方法也建立CPT表，该表指的是检测方法的所有故障原因不同组合结果下成立和不成立的概率。

接下来，基于故障树和CPT表建立U0113故障码的贝叶斯网络模型，如图11所示，当车辆出现U0113故障码时，U0113网络节点为true的概率为100％，将该已知条件输入贝叶斯网络后得到故障推理的初始网络如图12所示，在图12中，可以看到初始网络中检测方法中，“测量CAN线电压”的概率最高，结合检测方法权重综合推荐指数最高，因此第一步执行该检测方法，测量结果为CAN线电压无异常，因此将该证据输入网络(测量CAN线电压为false概率100％)，得到第一轮更新的贝叶斯网络，如图13所示：

此时，线束供电异常和CAN线故障原因的概率明显下降，分别由原先的20.4％、40.8％变为现在的0.52％、1.13％；对应地，氧传感器和接插件、ECU等故障原因概率上升，此时，使用“检测仪测量氮氧传感器”的检测方法的综合推荐指数变为最高，因此下一步执行该检测方法，测量结果为氮氧传感器测试读数异常，因此将该证据输入网络(检测仪测量氮氧传感器为true概率100％)，得到第一轮更新的贝叶斯网络，如图14所示：

此时，此时氮氧传感器损坏和艳阳传感器接插件进水故障原因概率明显提升，目视氮氧传感器接插件进水的检测方法综合推荐指数最高，为66.3％，因此下一步执行该检测方法，测量结果为接插件确实有进水现象，将该证据输入网络(目视氮氧传感器接插件进水为true概率100％)，得到第一轮更新的贝叶斯网络图15所示，在本一轮推理结束后，氮氧传感器接插件进水故障原因的概率达到99.5％，超过故障锁定概率，系统向维修技师推荐针对该故障原因的维修规程，指导技师进行维修和维修结果的确认，并将本轮推理的过程数据冲入先验样本中，更新修正整个贝叶斯网络的CPT表。其中，整个推理系统的架构如图16所示，主要分为三大块：智能推理引擎、贝叶斯自学习引擎及之智能诊断APP(第三方业务平台)，首先在智能诊断APP中获取历史数据，且该APP支持多种功能模块：确认零部件失效模式、维修规程、专家远程诊断、专家案例及交互检测功能，由第三方提供数据后，传输给贝叶斯自学习引擎，通过学习CPT表和故障知识图谱，然后获取先验概率、故障信息等数据，输入至智能推理引擎，智能推理引擎根据这些数据，基于贝叶斯网络计算后验概率，然后基于后验概率，先计算零部件失效模式的概率是否大于某一预设值，例如90％，若不是，再计算交互检测是否大于另一预设值，例如3次，如果也不是，就进入检测方法推荐引擎，生成最优检测方法给人工端。由人工检测后将本次维修数据保存至智能诊断APP，再返输回贝叶斯自学习引擎，贝叶斯会根据数据更新故障的知识图谱，以及更新故障树中的故障节点的先验概率，方便下一次的使用。因此，随着模型的使用次数越来越多，推理结果将会越来越准确。

第二方面：

本发明某一实施例还提供了一种基于贝叶斯网络的车辆故障智能推理系统，包括：

故障树模型构建单元01，用于构建故障树模型，获得故障树节点的先验概率及关联所述故障树节点的检测方法；

最优检测方法生成单元02，用于将所述故障树模型、所述先验概率及所述检测方法输入至基于贝叶斯网络的推理引擎，生成最优检测方法；

后验概率计算单元03，用于接收人工执行所述最优检测方法的检测结果，并输入至所述推理引擎，得到所述故障树节点的后验概率；

故障原因判定单元04，用于判断是否存在某个故障树节点的后验概率达到预设的锁定概率；若是,则核验当前故障树节点所对应的故障原因，推送与所述故障原因对应的维修规程，并根据当前维修数据更新所述故障树节点的先验概率；若否，则返回执行所述将所述故障树模型、所述先验概率及所述检测方法输入至基于贝叶斯网络的推理引擎，生成最优检测方法的操作。

其中，本实施例中的各个单元分别用于执行步骤S10-S40，其中，在步骤S10中首先基于大数据和人工检验建立推理所需的故障树、先验概率以及检测方法，需要说明的是，先验概率和后验概率是与贝叶斯概率更新有关的两个概念。假如某一不确定事件发生的主观概率因为某个新情况的出现而发生了改变，那么改变前的那个概率就被叫做先验概率，改变后的概率就叫后验概率。先验概率是指根据以往经验和分析得到的概率，如全概率公式，它往往作为"由因求果"问题中的"因"出现的概率。后验概率是信息理论的基本概念之一。在一个通信系统中，在收到某个消息之后，接收端所了解到的该消息发送的概率称为后验概率。在贝叶斯统计推断中，不确定数量的先验概率分布是在考虑一些因素之前表达对这一数量的置信程度的概率分布。例如，先验概率分布可能代表在将来的选举中投票给特定政治家的选民相对比例的概率分布。未知的数量可以是模型的参数或者是潜在变量。后验概率的计算要以先验概率为基础。后验概率可以根据通过贝叶斯公式，用先验概率和似然函数计算出来。

进一步地，贝叶斯网络又称信度网络，是Bayes方法的扩展，是目前不确定知识表达和推理领域最有效的理论模型之一。一个贝叶斯网络是一个有向无环图(DirectedAcyclic Graph,DAG)，由代表变量结点及连接这些结点有向边构成。结点代表随机变量，结点间的有向边代表了结点间的互相关系(由父结点指向其子结点)，用条件概率进行表达关系强度，没有父结点的用先验概率进行信息表达。结点变量可以是任何问题的抽象，如：测试值，观测现象，意见征询等。适用于表达和分析不确定性和概率性的事件，应用于有条件地依赖多种控制因素的决策，可以从不完全、不精确或不确定的知识或信息中做出推理。

在步骤S10中，首先基于大数据和人工经验，对于历史工单的数据及维修手册的提示信息来整理出可能故障的点，然后将每一个故障原因作为一个节点构建故障树，其中，检测方法是与故障节点相互关联的，每一种故障原因的检测方式可以有一种，可以有多种，在进行当前故障节点的检测时，若当前节点只有一种检测方法，那么就直接采用这种方法，若当前节点包含多种检测方法，也要通过概率的计算来获取检测方法的优先级，以提高排查的效率。

步骤S20主要是将步骤S10中获得的基础数据输入至基于贝叶斯网络的推理引擎，然后基于贝叶斯算法得到最优检测方法，然后可以通过人工检测或者自动检测来执行该最优检测方法，并将执行结果反馈给推理引擎，然后在步骤S30中系统会自动更新故障树模型各个故障原因的后验概率，推理引擎会基于计算结果，推荐当前故障树节点的最优检测方法；然后再通过人工检测或自动检测执行，在步骤S40中，根据步骤S30推荐的最优检测方法，对每个节点进行检测，然后判断是否存在某个故障树节点的后验概率达到了预设的锁定概率值，若是，则通过人工进行校验，校验当前故障原因的真实性，当确定为该故障原因时，会根据推送的维修规程进行维修，并且会根据本次维修数据对之前的故障树节点的先验概率进行更新；如果不存在，那么则进行下一轮检验。

在某一个实施例中，所述故障树模型构建单元01，还用于，

根据历史工单数据，提取故障类型的专用词库；

通过NLP模型及聚类模型，识别所述专用词库中的故障码、故障原因及故障模式；

根据所述故障码、所述故障原因及所述故障模式，构建待检验故障树模型，并计算故障树节点的先验概率；

接收人工对所述待检验故障树模型的确认结果，并输入至故障结构化库，得到故障树模型。

其中，本实施例的故障树模型构建单元，主要是用于构建故障树模型及获得每个故障树节点的先验概率，通常是根据人工经验、历史数据结合NLP模型及聚类模型先识别出故障码、故障原因及故障模式，然后计算故障树节点的先验概率，最后由人工对待检验故障树模型进行确认，并将确认结果输入至故障结构化库，得到故障树模型。

在某一个实施例中，所述故障树模型构建单元01，还用于，

根据历史工单数据及维修手册提取待处理检测方法；

确定所述待处理检测方法与所述故障模式的关联概率，确定所述检测方法的类型；

根据所述检测方法的类型配置所述检测方法的前置条件，保存至检测方法库。

在某一个实施例中，所述故障树模型构建单元01，还用于，

若所述检测方法为人工检测时，依次配置所述人工检测的执行步骤说明、判异说明及前置条件；

若所述检测方法为自动检测时，依次配置所述自动检测的配置数参数、故障码、动作测试协议、判异规则及前置条件。

第三方面：

本发明某一实施例还提供了一种计算机终端设备，包括：

一个或多个处理器；

存储器，与所述处理器耦接，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的基于贝叶斯网络的车辆故障智能推理方法。

处理器用于控制该计算机终端设备的整体操作，以完成上述的基于贝叶斯网络的车辆故障智能推理方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该计算机终端设备的操作，这些数据例如可以包括用于在该计算机终端设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random AccessMemory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable ProgrammableRead-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable ProgrammableRead-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。

计算机终端设备可以被一个或多个应用专用集成电路(Application Specific1ntegrated Circuit，简称AS1C)、数字信号处理器(Digital Signal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field ProgrammableGate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行如上述任一项实施例所述的基于贝叶斯网络的车辆故障智能推理方法，并达到如上述方法一致的技术效果。

本发明某一实施例还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现如上述任一项实施例所述的基于贝叶斯网络的车辆故障智能推理方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器，上述程序指令可由计算机终端设备的处理器执行以完成如上述任一项实施例所述的基于贝叶斯网络的车辆故障智能推理方法，并达到如上述方法一致的技术效果。

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)

1.一种基于贝叶斯网络的车辆故障智能推理方法，其特征在于，包括：

构建故障树模型，获得故障树节点的先验概率及关联所述故障树节点的检测方法；

将所述故障树模型、所述先验概率及所述检测方法输入至基于贝叶斯网络的推理引擎，生成最优检测方法；

接收人工执行所述最优检测方法的检测结果，并输入至所述推理引擎，得到所述故障树节点的后验概率；

判断是否存在某个故障树节点的后验概率达到预设的锁定概率；

若是,则核验当前故障树节点所对应的故障原因，推送与所述故障原因对应的维修规程，并根据当前维修数据更新所述故障树节点的先验概率；

若否，则返回执行所述将所述故障树模型、所述先验概率及所述检测方法输入至基于贝叶斯网络的推理引擎，生成最优检测方法的操作。

2.根据权利要求1所述的基于贝叶斯网络的车辆故障智能推理方法，其特征在于，所述构建故障树模型，获得故障树节点的先验概率，包括：

根据历史工单数据，提取故障类型的专用词库；

通过NLP模型及聚类模型，识别所述专用词库中的故障码、故障原因及故障模式；

根据所述故障码、所述故障原因及所述故障模式，构建待检验故障树模型，并计算故障树节点的先验概率；

接收人工对所述待检验故障树模型的确认结果，并输入至故障结构化库，得到故障树模型。

3.根据权利要求1所述的基于贝叶斯网络的车辆故障智能推理方法，其特征在于，所述检测方法的构建过程，包括：

根据历史工单数据及维修手册提取待处理检测方法；

确定所述待处理检测方法与所述故障模式的关联概率，确定所述检测方法的类型；

根据所述检测方法的类型配置所述检测方法的前置条件，并保存至检测方法库。

4.根据权利要求3所述的基于贝叶斯网络的车辆故障智能推理方法，其特征在于，所述根据所述检测方法的类型配置所述检测方法的前置条件，包括：

若所述检测方法为人工检测时，依次配置所述人工检测的执行步骤说明、判异说明及前置条件；

若所述检测方法为自动检测时，依次配置所述自动检测的配置数参数、故障码、动作测试协议、判异规则及前置条件。

5.一种基于贝叶斯网络的车辆故障智能推理系统，其特征在于，包括：

故障树模型构建单元，用于构建故障树模型，获得故障树节点的先验概率及关联所述故障树节点的检测方法；

最优检测方法生成单元，用于将所述故障树模型、所述先验概率及所述检测方法输入至基于贝叶斯网络的推理引擎，生成最优检测方法；

后验概率计算单元，用于接收人工执行所述最优检测方法的检测结果，并输入至所述推理引擎，得到所述故障树节点的后验概率；

故障原因判定单元，用于判断是否存在某个故障树节点的后验概率达到预设的锁定概率；若是,则核验当前故障树节点所对应的故障原因，推送与所述故障原因对应的维修规程，并根据当前维修数据更新所述故障树节点的先验概率；若否，则返回执行所述将所述故障树模型、所述先验概率及所述检测方法输入至基于贝叶斯网络的推理引擎，生成最优检测方法的操作。

6.根据权利要求5所述的基于贝叶斯网络的车辆故障智能推理系统，其特征在于，所述故障树模型构建单元，还用于，

根据历史工单数据，提取故障类型的专用词库；

通过NLP模型及聚类模型，识别所述专用词库中的故障码、故障原因及故障模式；

根据所述故障码、所述故障原因及所述故障模式，构建待检验故障树模型，并计算故障树节点的先验概率；

接收人工对所述待检验故障树模型的确认结果，并输入至故障结构化库，得到故障树模型。

7.根据权利要求5所述的基于贝叶斯网络的车辆故障智能推理系统，其特征在于，所述故障树模型构建单元，还用于，

根据历史工单数据及维修手册提取待处理检测方法；

确定所述待处理检测方法与所述故障模式的关联概率，确定所述检测方法的类型；

根据所述检测方法的类型配置所述检测方法的前置条件，并保存至检测方法库。

8.根据权利要求7所述的基于贝叶斯网络的车辆故障智能推理系统，其特征在于，所述故障树模型构建单元，还用于，

若所述检测方法为人工检测时，依次配置所述人工检测的执行步骤说明、判异说明及前置条件；

若所述检测方法为自动检测时，依次配置所述自动检测的配置数参数、故障码、动作测试协议、判异规则及前置条件。

9.一种计算机终端设备，其特征在于，包括：

一个或多个处理器；

存储器，与所述处理器耦接，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至4任一项所述的基于贝叶斯网络的车辆故障智能推理方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行实现如权利要求1至4任一项所述的基于贝叶斯网络的车辆故障智能推理方法。

Images