CN112925287A - 一种汽车故障精确诊断的大数据智能化系统 - Google Patents

Abstract

本发明属于汽车故障诊断技术领域，尤其涉及一种汽车故障精确诊断的大数据智能化系统，其包括故障点识别模块和汽车配件确定模块，本发明解决了现有诊断设备技术依靠报码机理过度依赖个体经验，缺乏大数据技术支撑的智能化诊断和导向的能力，从而导致难以实现机器自动化对故障正确判定的同时精准命中故障点及配件，具有了实现汽车后市场服务的智能化、前置化、在线化、远程化的数据链服务模式的有益技术效果。

Description

一种汽车故障精确诊断的大数据智能化系统

技术领域

本发明属于汽车故障诊断技术领域，尤其涉及一种汽车故障精确诊断的大数据智能化系统。

背景技术

中国乘用车市场最终市场规模可达4亿辆维保产值2万亿，汽车故障超90％是高频共性并发特征的换件维修，全行业缺乏故障诊断数据共享和流通从而汽修技术服务标准缺失难以建立起行业的信誉体系，过度依赖经年累月的个体经验存在诸多不确定性。导致市场需求与服务供给形成矛盾。传统解码仪只知道是什么问题或者是哪个总成或系统的问题，即故障码的解释，但不知道具体是那个配件，即故障点是什么。由于故障码是维修保养车辆工况最基本的判断依据，但是太抽象费解，需要专业理解和分析能力。故障码解释中只有不到10％是对配件的唯一性指向，90％以上是引发和排列组合式的映射关系，需要技术人员理解分析才能正确判断，汽修服务行业300多万从业者，具备根据报码机理进行正确诊断分析能力的技术人员不到10％。不同技术特长的个人和机构难以获得匹配的业务项目。目前需要解决汽车故障诊断依赖人的经验并实现远程诊断及维修，因此，需要建立起全行业的汽车故障诊断技术服务标准，从而需要解决汽车后市场信息不透明知识不对称服务不匹配的顽疾导致的服务门店与消费者难以建立起信誉体系，因此，需要实现汽车后市场服务的智能化、前置化、在线化、远程化的数据链服务模式；

综上所述，现有诊断设备技术依靠报码机理过度依赖个体经验，缺乏大数据技术支撑的智能化诊断和导向的能力，从而导致难以实现机器自动化对故障进行正确判定的同时精准命中故障点及配件的问题。

发明内容

本发明提供一种汽车故障精确诊断的大数据智能化系统，以解决上述背景技术中提出了现有诊断设备技术依靠报码机理过度依赖个体经验，缺乏大数据技术支撑的智能化诊断和导向的能力，从而导致难以实现机器自动化对故障进行正确判定的同时精准命中故障点及配件的问题。

本发明所解决的技术问题采用以下技术方案来实现：一种汽车故障精确诊断的大数据智能化系统，所述系统包括：

故障点识别模块：基于采集的被检车辆故障码通过故障码映射故障点模块确定故障码相应的故障点；

汽车配件确定模块：基于确定的故障点和被检车辆的车辆识别码VIN的组合通过故障点映射汽车配件模块确定汽车配件库存量单位SKU。

进一步，所述故障码映射故障点模块用于：

通过被检车辆故障码与云端故障码到故障点映射关系库的匹配确定并返回故障码相对应的被检车辆故障点。

进一步，所述系统还包括专业名称转换模块和精准匹配模块，其中；

所述专业名称转换模块，用于将返回的口语化的故障点经自然语言处理技术NLP转化为专业名称故障点；

所述精准匹配模块，用于专业名称故障点与汽车配件之间的精准匹配；

所述故障点映射汽车配件模块，用于将返回的故障点通过专业名称转换模块确定为专业故障点，基于专业故障点与相应的VIN码组合的组合信息码与基于开放的汽车供应商的零配件目录的结构化数据映射关系的电子配件目录数据库EPC通过精准匹配模块确定故障点相对应的汽车配件。

进一步，所述故障码通过汽车故障诊断系统通过OBD获取。

进一步，所述故障点映射汽车配件模块还包括故障码到故障点映射关系库的构建模块，所述故障码到故障点映射关系库的构建模块包括：

基于大数据技术的故障码到故障点映射关系库，所述故障码到故障点映射关系库中故障码与故障点的量化映射比例为1:N，所述N为2～181的整数。

进一步，所述大数据技术基于国际标准故障码，通过全网数据覆盖、甄别专业网站、汽车问答论坛以及技术资料的机器自动标注结合人工审核标注相结合进行实现。

进一步，所述故障码到故障点映射关系库包括品牌车型、故障现象、汽车所采用的各控制单元技术总成及故障点属性分类的属性字段。

进一步，所述故障码到故障点映射关系库的构建模块还包括：

关系库建立模块：基于采集并提取相关技术信息将故障码与故障点的非结构化信息，通过大数据技术的统计归纳出高频共性并发的故障映射关系的初级序列，被架构成相应的故障码与故障点的基于结构化数据映射关系的数据建模；

关系库确认模块：将故障码与故障点的结构化数据映射关系通过基于全网汽车故障综合信息的多种纬度的交叉比对形成适配于且被不同故障现象过滤的确定的故障码与故障点的结构化数据映射关系。

进一步，所述全网汽车故障综合信息包括全网技术资料、汽车维修信息、汽车故障问答的相关故障信息。

进一步，所述精准匹配模块用于将基于返回的故障点的多映射关系通过结合故障现象及品牌车型及技术总成及数据流及故障点属性分类与电子配件目录数据库EPC匹配，最终形成故障点与汽车配件一对一映射关系。

有益技术效果：

本专利采用故障点识别模块：基于采集的被检车辆故障码通过故障码映射故障点模块确定故障码相应的故障点；汽车配件确定模块：基于确定的故障点和被检车辆的车辆识别码VIN 的组合通过故障点映射汽车配件模块确定汽车配件库存量单位SKU，由于本方案的第一数据链包括通过故障码，全网数据覆盖，甄别专业网站、论坛的相应车型，机器自动标注及汽车技术专家及数据专业人员人工审核标注建立数据模型的方式，实现故障码及故障现象映射到故障点，以1:N(所述N为2～181的整数)的量化实现映射关系数据库，第二数据链包括门店通过OBD采集到故障码，通过第一数据链映射到故障点，再通过VIN码+故障点匹配电子目录EPC数据库，获取或剔除相应映射关系，从而实现精准匹配避免误诊及配件错误，第一数据链和第二数据链是通过汽车故障数据结构化，形成算法实现标准化输入及输出，实现从故障码及故障现象到故障点配件的诊断报告，由此形成汽车故障诊断的量化标准，将以云端在线的服务模式贯穿从车主需求到配件供应链，由于厂家的汽车故障码专检设备都只是读取出故障码及中英文解释，不但专业性强而且生涩拗口，技师难解释车主难理解，第一数据链和第二数据链在国际标准诊断规则的基础上，创新性地建立故障大数据，提供从故障码结合故障现象精确到故障点配件SKU的智能化诊断，以结果为导向，让技师和车主一看即懂问题在哪里该换什么配件，彻底砍掉供需双方的信任代价，极大降低交易成本，传统汽车维保服务因为缺乏标准化的诊断环节从而把诊断与维修混为一体导致的问题是人工换件排除法是目前汽车维修行业普遍的维修解决方案。4S店有充足的同车型备件多采取“同车件替代排除法”凭经验逐一更换同车型部件排查可能故障点。社会汽修厂缺乏充足同车件从而采取扩大到如控制单元技术总成的“一锅端排除法”所以成本代价更高纠纷也更多。在这个过程中即便确诊了故障点需要购买配件，因为没有从诊断源头贯通数据链，技师还需要人工去识别读取 17位字母和数字组合的VIN码，手工输入或用手机拍摄车辆前挡风玻璃下或解码仪屏幕显示的VIN码照片发给配件供应商。本系统让诊断成为汽车维保服务的入口，一步实现从故障诊断到配件供应链贯通，通过VIN+故障码双轨数据链，实现每一台车从故障码通过故障现象过滤到电子配件目录EPC故障点配件SKU的精准映射，通过汽车故障大数据的核心算法，一步到位从发现故障码通过故障现象即可迅速确诊故障性质。没有故障现象则属于偶发或潜伏隐患。有故障现象的能立即确知故障点，并映射电子配件目录 EPC零配件的精准库存单位指标SKU。可以极大减少误诊误换小病大修。从而解决汽车故障的判断因过度依赖个体的经验而产生大量失误及纠纷，并能为远程不接触诊断及维修铺设除技术路基，并建立起全行业的汽车故障诊断技术服务标准，因此，本系统是一套标准化的汽车故障问题及解决方案的数据输入及输出，把全行业技术经验转化为数据算法，这是形成汽修技术服务标准的数字基建，实现了将全行业技术经验转化为数据算法，由于中国多达两亿机动车及上万种车型，传统的是长期维修某款车型的大师傅才具备该车型的故障诊断经验，本系统通过标准故障码的机理，构建从故障码及故障现象到故障点的跨品牌映射关系算法。因为能实现汽车后市场服务的智能化、前置化、在线化、远程化的数据链服务模式。因此能实现故障大数据的全行业共享，进而带来汽车维保服务的精细化管理，满足客户及项目与服务主体的精准投放式匹配，如同汽车出行服务中顺风车的精准匹配。本系统双轨数据链实现故障码到故障点的配件SKU，从技术上实现汽车在线诊断OBD到电子配件目录EPC的全链条数据贯通，数据链长跨度大环节多实施难度高，本系统解决汽车后市场信息不透明知识不对称服务不匹配的顽疾，导致的服务方难以与消费者构筑起坚实的信誉。

附图说明

图1是本系统的模块结构图；

图2是本系统的功能总流程图；

图3是本系统的功能具体流程图；

图4是本系统实施例一的系统架构图；

图5是本系统实施例一从车辆到云端从云端到手机端的数据链实现流程示意图；

图6是本系统实施例一的功能逻辑结构图；

图7是本系统实施例一的智能化故障诊断实施表；

图8是本系统实施例二的基于“空调不制冷”问题的故障病理图；

图9是本系统实施例二的基于“空调不制冷”问题的诊断病理图；

图10是本系统智能客服技术链服务流程图；

图11是本系统汽车故障大数据技术数据链图；

图12是本系统知识图谱技术链价值体系。

具体实施方式

以下结合附图对本发明做进一步描述：

图中：

1-故障点识别模块，2-汽车配件确定模块，3-故障码映射故障点模块，4-故障点映射汽车配件模块，5-专业名称转换模块，6-故障码到故障点映射关系库的构建模块，7-关系库建立模块，8-关系库确认模块，9-精准匹配模块；

S101-大数据技术基于国际标准故障码，通过全网数据覆盖、甄别专业网站、汽车问答论坛以及技术资料的机器自动标注结合人工审核标注相结合进行实现；

S102-基于采集的被检车辆故障码通过故障码映射故障点模块确定故障码相应的故障点；

S103-基于确定的故障点和被检车辆的车辆识别码VIN的组合通过故障点映射汽车配件模块确定汽车配件库存量单位SKU；

S201-基于采集并提取相关技术信息将故障码与故障点的非结构化信息，通过大数据技术的统计归纳出高频共性并发的故障映射关系的初级序列，被架构成相应的故障码与故障点的基于结构化数据映射关系的数据建模；

S202-将故障码与故障点的结构化数据映射关系通过基于全网汽车故障综合信息的多种纬度的交叉比对形成适配于且被不同故障现象过滤的确定的故障码与故障点的结构化数据映射关系；

S203-通过被检车辆故障码与云端故障码到故障点映射关系库的匹配确定并返回故障码相对应的被检车辆故障点；

S204-将返回的故障点通过专业名称转换模块确定为专业故障点，基于专业故障点与相应的VIN码组合的组合信息码与基于开放的汽车供应商的零配件目录的结构化数据映射关系的电子配件目录数据库EPC通过精准匹配模块确定故障点相对应的汽车配件；

实施例一：

本实施例：如图1、2、3所示，一种汽车故障精确诊断的大数据智能化系统，所述系统包括：

故障点识别模块1：基于采集的被检车辆故障码通过故障码映射故障点模块3确定故障码相应的故障点S102；

汽车配件确定模块2：基于确定的故障点和被检车辆的车辆识别码VIN的组合通过故障点映射汽车配件模块4确定汽车配件库存量单位SKU S103。

由于采用故障点识别模块：基于采集的被检车辆故障码通过故障码映射故障点模块确定故障码相应的故障点；汽车配件确定模块：基于确定的故障点和被检车辆的车辆识别码VIN 的组合通过故障点映射汽车配件模块确定汽车配件库存量单位SKU，由于本方案的第一数据链包括通过故障码，全网数据覆盖，甄别专业网站、论坛的相应车型，机器自动标注及汽车技术专家及数据专业人员的人工审核标注建立数据模型的方式，实现故障码映射到故障点，以1:N(所述N为2～181的整数)的量化实现映射关系数据库，第二数据链包括门店通过 OBD采集到故障码，通过第一数据链映射到故障点，再通过VIN码+故障点匹配电子目录EPC 数据库，获取或剔除相应映射关系，从而实现精准匹配避免误诊及配件错误，第一数据链和第二数据链是通过汽车故障数据结构化，形成算法实现标准化输入及输出，实现从故障码到故障点配件的诊断报告，由此形成汽车故障诊断的量化标准，将以云端在线的服务模式贯穿从车主需求到配件供应链，由于原厂及第三方厂商汽车故障码专检设备主要是读取出故障码及中英文解释前文已经阐述指向单一元件的故障码占比不到10％，不但专业性强而且生涩拗口，技师难解释车主难理解，第一数据链和第二数据链在国际标准诊断规则的基础上，创新性地建立故障大数据，提供从故障码解释到故障点配件SKU的智能化诊断，以结果为导向，让技师和车主一看即懂问题在哪里该换什么配件，彻底砍掉供需双方的信任代价，极大降低交易成本，传统汽车配件采购场景，无论车主还是技师，汽车到门店排查确诊后，要不是只告诉供应商品牌车型年款，让对方根据经验查找配件，要不需要用手机拍摄VIN码或解码仪屏幕照片，发给配件商让其对照搜寻配件，这个过程和环节中因为有意或无意的人为因素，导致信息不透明服务不对称，本系统在诊断环节即一步实现从故障诊断到配件供应链贯通，通过VIN+故障码双轨数据链，实现每一台车从故障现象到电子配件目录EPC故障点配件 SKU的精准映射通过开发汽车故障大数据核心算法，一步到位从发现故障码和故障现象即可知道故障点，并映射电子配件目录EPC零配件的精准库存单位指标SKU，从而解决汽车故障诊断依赖人的经验并实现远程诊断及维修，由此建立起全行业的汽车故障诊断技术服务标准，因此，本系统通过汽车故障问题及解决方案的结构化数据，形成一套标准化的数据输入及输出，把技师的经验转化为数据算法，这是形成汽修技术服务标准的数字基建，实现了将技师经验转化为数据算法，由于中国多达两亿机动车及上万种车型，传统的是长期维修某款车型的大师傅才具备该车型的故障诊断经验，本系统通过标准故障码的国际规则及原厂机理，构建从故障码及故障现象到故障点的跨品牌映射关系算法。实现了跨品牌的故障大数据诊断，本系统双轨数据链实现故障码及故障现象到故障点的配件库存单位指标SKU，从技术上实现汽车在线诊断OBD到电子配件目录EPC的全链条数据贯通。数据链长跨度大环节多实施难度高，系统地解决了汽车后市场信息不透明知识不对称服务不匹配的顽疾，导致的服务方与消费者难以建立起信誉体系，从而实现汽车后市场服务的智能化、前置化、在线化、远程化的数据链服务模式。

基于“故障点识别模块：基于采集的被检车辆故障码通过故障码映射故障点模块确定故障码相应的故障点”的技术特征，本方案继续优化，其优化的技术方案为：

故障点识别模块：基于采集的被检车辆故障码和与故障码相应的不同车辆工况条件下故障现象的组合共同通过故障码映射故障点模块确定故障码相应的故障点；

在优化方案中增加了“故障码和与故障码相应的不同车辆工况条件下故障现象的组合”的关键字组合方式实现了故障点到故障码的匹配，这种组合的匹配方式使得故障点到故障码匹配结果更加精确；

其具体实施方式如下：

车辆工况，即汽车运行车辆工况，是指汽车运输行驶过程中的工作状况。按汽车的运动形式主要有起步、加速、等速、减速、转弯、上下坡、停车等行驶工作状况。按驾驶员控制方式主要有换档变速、滑行(脱档滑行、空挡滑行、加速滑行、停车滑行)、制动(紧急制动、控速制动、刹车制动)、油门控速、转向、倒车等操纵工作状况。按载荷情况主要有空载、满载(等于额定载荷)、超载(超过额定载荷)等运行工作状况。车辆处于不同状况下汽车机电设备就会又不同的输出及表现状态。比如发动机单个气缸轻微失火故障在某些工况下才会呈现出可以直观感受到的故障现象，维修行业也称为“故障再现”：车辆怠速或小负荷等低速工况下，用户感受不到，但是在高速行驶或大负荷运行工况下，动力不足的故障现象就会凸显。比如发动机空气流量计失准故障，同样是车辆怠速工况下不明显，大负荷工况下，动力不足的故障现象就凸显。比如线束虚接的隐性故障不易察觉，但是容易在冷、热、湿度等环境条件变化时，表现出线路断路短路接触不良的各种功能故障。

通过把非结构化信息转化为结构化数据进行输入、拆分、映射、派发、归并、输出的过程，通过分布式计算建立数据逻辑架构。随着数据量越来越大便可出现规律性并越来越精确，即可建立起标准化解决方案，既而实现汽车技术诊断的行业标准。那些表征是“疑难杂症”的故障就不再“太难咋整”了。特别是大量因为维修中产生的人为故障，具有相当显著的可判别规律的特征。这就是“数据本身不能产生正向价值，真实的价值是如何把数据准确匹配给需求”。通过全网机器采集的聚合信息，使用自然语言处理NLP识别口语化的文字描述，提取相应工况的故障现象，结合故障码通过机器自动标注及汽车专家及数据人员人工审核标注建立数据模型。让不同故障码与相匹配的故障现象建立映射依循关系。这样就实现了把不同工况下的故障现象提前预设出来，通过被检车辆的故障码，可以提前预测不易察觉的隐藏故障。做到防患于未然，实现了用车养车的未病管理式服务。

如图5、6、10、11所示，所述故障码映射故障点模块3包括：

所述故障码映射故障点模块3用于：

通过被检车辆故障码与云端故障码到故障点映射关系库的匹配确定并返回故障码相对应的被检车辆故障点S203。

所述系统还包括专业名称转换模块5和精准匹配模块9，其中；

所述专业名称转换模块5，用于将返回的口语化的故障点经自然语言处理技术NLP转化为专业名称故障点；

所述精准匹配模块9，用于专业名称故障点与汽车配件之间的精准匹配；

所述故障点映射汽车配件模块4，用于将返回的故障点通过专业名称转换模块5确定为专业故障点，基于专业故障点与相应的VIN码组合的组合信息码与基于开放的汽车供应商的零配件目录的结构化数据映射关系的电子配件目录数据库EPC通过精准匹配模块9确定故障点相对应的汽车配件S204。

由于采用通过故障码与云端故障码到故障点映射关系库的匹配确定并返回故障码相对应的故障点，将返回的故障点通过专业名称转换模块确定为专业故障点，通过专业故障点与相应的VIN码组合的组合信息码与基于开放的汽车供应商的零配件目录的结构化数据映射关系的电子配件目录数据库EPC的精准匹配确定故障点相对应的汽车配件，由于OBD采集到VIN 码+品牌+车型+故障码，以此故障码检索“映射关系库”其逻辑关系为：需要建两个数据库：国际标准故障码库和汽车配件标准名称库；通过故障码及故障现象映射故障点配件算法确定并返回故障码相对应的故障点；同时摘取出故障点俗称或标准名称，将VIN码+故障点名称属性字段接入EPC，精准获得配件库存单位指标SKU的价格等售卖信息。

如图4、12所示，其中：

故障点识别模块包括：故障现象获取模块、故障编码获取模块、以及故障数据预处理模块；故障现象与故障码是组合输入条件。故障编码获取模块是通过OBD读取被检车辆的故障码，故障现象是用户主观感知到的症状。当缺失故障现象的时候，系统认定该故障属于偶发/隐性故障。可以快速对故障进行定性。极大减少人为误判后全行业乃至全社会的经济成本及信誉代价。

故障码到故障点映射关系库的构建模块包括：故障知识信息获取模块、故障知识理解及矫正模块；机器会不断进行全网信息采集比对筛除后形成结构化数据。形成机器可理解的故障码及故障现象与故障点的映射关系。因此，数据是不断升级进化乃至纠正演变的活数据。

汽车配件确定模块包括：故障信息综合分析理解模块以及EPC及配件库、故障诊断呈现模块、故障信息综合应用模块；故障信息综合分析理解模块，是通过故障码的国际规则及标准解释、品牌车型、故障现象、汽车所采用的技术总成及故障点属性分类的算法实现。最后通过VIN码与故障点组合实现一对一的配件库存单位指标SKU匹配。

其中，从用户端获取故障现象，将该故障现象输出至故障现象获取模块，从车辆端获取故障编码，将该故障编码输出至故障编码获取模块，当用户选择故障现象或输入故障现象后，该故障现象匹配到有该故障现象的故障码映射关系库。因为用户的故障感受是主观和非专业化描述的，所以，通过该故障关系反馈提供更详细和准确的结构化数据的故障现象。用户仅仅通过选择或一两轮机器对话即可实现故障现象到故障点的精准匹配。这是解决电气故障的最佳解决方案。对于非电气故障的机械故障，使用同样的方法实现，通过最易发生异响的部位，进行结构化数据的统计归纳，形成映射关系库。

核心模块功能简述：

<1>故障知识信息获取模块(故障码映射获取方式)

根据SAE美国汽车工程师学会标准故障码、欧盟标准故障码、中国OBD故障码、以及主流汽车厂商的个性化故障码的规则定义，以及标准化解释，建立结构化的故障码映射关系数据库。通过机器自动抓取录入标注及人工审核标注相结合的方式，确立故障码及故障现象到故障点的映射关系。如果人工输入或机器获取到故障码新增的故障点，可以自动更新升级为该故障码的映射关系，并用同样的方式进一步获取故障现象。这是机器自动化的故障码映射获取方式的“故障知识信息获取模块”。

<2>故障码知识理类解及校正(故障码分映射方式)

有了“故障码知识信息获取模块”后，就建立起了汽车故障内在的病理关系。但是，同一个故障码在不同品牌车型上以及在不同的故障现象，会有不同的故障点引发结果，所以，故障码与故障点的关系是一对一、一对多、多对一、多对多的神经网络式的映射关系。通过 6层叠加的算法实现，故障码+品牌车型+故障现象(自然语言处理NLP)+技术总成+数据流 +故障点分类+故障点名称(自然语言处理NLP)实现EPC匹配。故障码在不同品牌车型及不同技术总成架构上的精准映射。

<3>故障码诊断呈现模块

诊断报告主要呈现的是故障码及其标准定义(国际标准化解释)，以及故障码导致的故障现象及故障点配件名称。

<4>故障信息综合应用模块

故障码到故障点的映射关系建立后，通过检测到的车辆里程，可以数据化呈现汽车不同里程的故障发生情况，由此建立汽车健康大数据图谱。这些数据及服务，可以贯穿消费者买车，用车，养车，卖车的汽车全生命周期。

由于采用所述专业名称转换模块包括：将返回的口语化的故障点经自然语言处理技术 NLP转化为专业名称故障点，通过开放的以及与合作伙伴的汽车电子配件目录EPC近3千万条常用库存单位指标SKU，再把非标准的口语化故障点名称通过自然语言处理及聚合技术机器自动标注及技术专家及数据专业人员审核标注并对比筛除建立数据模型，由此把非标准的口语化故障点名称与汽车电子配件目录EPC的专业名称进行一对一的映射匹配，通过已经落地的产品版本的配件价格是来自4S原厂备件的价格体系，实现附厂配件等等不同级别配件的价格体系，满足了不同类别不层次用户的个性化需求。

所述故障码通过汽车故障诊断系统OBD获取。

由于采用所述故障码通过汽车故障诊断系统通过OBD获取，由于OBD插入车辆CAN总线接口后，无需人工干预，根据车辆电器系统数量自动实时获得全车电器故障诊断报告。实现绝无仅有的全业突破：如精准诊断到故障点配件、在线实时共享诊断报告、跨品牌全生命周期诊断。

所述故障点映射汽车配件模块4还包括故障码到故障点映射关系库的构建模块6，所述故障码到故障点映射关系库的构建模块6包括：

基于大数据技术的故障码到故障点映射关系库，所述故障码到故障点映射关系库中故障码与故障点的量化映射比例为1:N，所述N为2～181的整数。

所述大数据技术基于国际标准故障码，通过全网数据覆盖、甄别专业网站、汽车问答论坛以及技术资料的机器自动标注结合人工审核标注相结合进行实现S101。

由于采用所述故障码及故障现象到故障点映射关系库的构建模块包括：基于国际标准故障码，通过全网数据覆盖、甄别专业网站、汽车问答论坛以及技术资料机器自动标注及人工审核标注相结合的数据挖掘技术为大数据结构的故障码及故障现象到故障点映射关系库，所述故障码到故障点映射关系库中故障码与故障点的量化映射比例为1:N，所述N为2～181 的整数。通过故障码的标准化定义及解释，结合国内一款主流品牌车型的开放技术资料，建立初步的故障码及故障现象到故障点的映射关系。这个关系建立起来后，去检索全网的汽车技术网站及论坛有相应故障码的技术资料及问答，结合机器自动标注及汽车技术专家及数据专业人员审核标注，进一步扩展及巩固映射关系。并由此逐步建立起故障码及故障现象到故障点的映射模型。这个模型从一对一、一对多、多对一、多对多的神经网络式的映射关系库收敛到更准确的命中范围。名称统计出来并实现非标口语的标准化处理。通过该车型继续拓展覆盖该品牌全车型，然后再通过故障码及故障现象到故障点映射关系库实现跨品牌映射关系的建立。

所述故障码到故障点映射关系库包括品牌车型、故障现象、汽车所采用的各控制单元技术总成及故障点属性分类的属性字段。

由于采用所述故障码及故障现象到故障点映射关系库包括品牌车型、故障现象、汽车所采用的技术总成、数据流及故障点属性分类的属性字段，由于技术资料被检索出的多维条件是所包含全球汽车工程师学会SAE通用编码规则、故障字段、厂家品牌故障编码、国家OBD 排放代码约5万条故障码，主要包括力系统P0000～，悬架系统C0000～C电气通讯系统 U0000～，车身系统B0000～。这些通用故障码覆盖主机厂发动机、变速箱、底盘悬架、电气通讯系统等全车所有控制系统。虽然有不同品牌之间存在差异，但是辅之以欧盟的故障编码体系、我国OBD的通用规则及厂家的品牌数据，通过故障点识别模块实现故障码及故障现象到故障点映射的数据模型。

所述故障码到故障点映射关系库的构建模块6还包括：

关系库建立模块7：基于采集并提取相关技术信息将故障码与故障点的非结构化信息，通过大数据技术的统计归纳出高频共性并发的故障映射关系的初级序列，被架构成相应的故障码与故障点的基于结构化数据映射关系的数据建模S201；

关系库确认模块8：将故障码与故障点的结构化数据映射关系通过基于全网汽车故障综合信息的多种纬度的交叉比对形成适配于且被不同故障现象过滤的确定的故障码与故障点的结构化数据映射关系S202。

由于采用所述故障码到故障点映射关系库的构建模块还包括：关系库建立模块：基于采集并提取相关技术信息将故障码及故障现象与故障点的非结构化信息组成相应的故障码与故障点的基于数据建模的结构化数据映射关系；关系库确认模块：将故障码与故障点的结构化数据映射关系通过基于全网汽车故障综合信息的多种纬度的交叉比对形成适配于且被不同故障现象过滤的确定的故障码与故障点的结构化数据映射关系，由于故障码到故障点映射关系库的构建包括建立过程和确认过程两个过程，其中，建立过程：通过采集30多万份技术资料，提取其中存在的故障码与故障点的非结构化信息，建立结构化数据的映射关系。确认过程：通过多全网技术信息、各品牌车型论坛车主发布的汽车维修信息、专业网络的汽车故障问答信息、技术经理上传汽修解决方案多种纬度的交错比对，确立最准确的故障码及故障现象与故障点的映射关系，其中，相关技术信息包括技术原理和技术资料。通过建立了某一个故障码及故障现象到故障点的映射关系的数据模型后，会把每一条数据通过聚合技术进行机器自动化的全网比对，比如在论坛上，一般车主会简单地把故障码记录出来，最后一句话说更换了某个零配件解决了问题。这就是一组映射关系，我们通过不同论坛的不同排版和格式，制定相应的模型进行比对，还要在论坛里不同的楼层获得与零配件信息相关的数据，这个比对包含汽车技术网站，车主问答网站等等。如果某一组映射关系获得的该故障码及故障现象的映射关系不足或无法匹配，机器自动采集标注结合汽车技术专家介入审核标注。通过人工智能训练，提取非标的故障点配件关键词将这些关键词进行分类训练，达到同一配件的不同叫法或类似名称的训练目的，形成标准的配件名词库，在对故障码及故障现象映射故障点的过程中进行召回和精算方式达到更精准的目的。比如经数据采集且机器自动标注某些故障集中在人为因素导致的“被修复后”出现的引发故障。因此该属性字段作为故障现象的前置条件，能极大提示现实中缺乏经验的维修及服务人员提前警觉避免重蹈覆辙，不去踩别人踩过的坑。同时会利用用户反馈数据通过机器学习系统越来越智能化、无人化、准确率也越来越高。

所述全网汽车故障综合信息包括全网技术资料、汽车维修信息、汽车故障问答的相关故障信息。

对于包括全网技术信息、汽车维修信息、汽车故障问答的相关故障信息主要采用聚合模块实现，其实现过程如下：

数据源的提供：

核心用户(品牌4S及品牌专修)：全行业技术经理技术总监技师撰写的技术解决方案；

核心用户(车主)：提供故障现象或故障码照片以及所更换的配件照片；

核心用户(大客户)：汽车大数据服务：保险公司、主机厂质保后故障诊断数据购买，零配件供应链接入服务；

社会汽服技术支持云服务平台：

用于传统技术人员主导式的诊断报修与客户建立信任关系，通过由自动化检测到诊断报告实时共享给店内迎宾、服务顾问、服务总监、技术经理、车间班组长、技师手机微信的整个精准化管理服务应用。

聚合模块主要功能实现：

第一聚合功能：聚合技术子模块：

全网信息和精准数据匹配的对接服务：

<1>聚合技术的信息多级检索收敛，能够更精准匹配大大提高数据有效性；

<2>聚合技术切割再组织，对数据进行动态结合，变成全新的更加精准的数据；

第二聚合功能：动态数据聚合子模块：

通过聚合子模块对全网开放数据进行切割再组织，形成更精准的数据；

针对全网未覆盖的技术，能够通过用户搜索动作进行记录，并基于大数据对于该问题，通过智能算法给出精准的汽车故障诊断及养车问题的解决方案；

技术资料进一步优化—>建立数据库—>智能分析尚未出现的技术问题—>智能分析得出解决方案。简单讲，匹配了互联网的分享需求，对数据拆分和纵深的专题化、结构化，成为 B端用户可吸收理解的认知模块，为小B端提供系统化程度更高颗粒更细的技术支持。切割 (简化)数据链接车主的消费决策。

专业地讲就是，聚合技术即智能化聚合及数据管理引擎。实现基于故障问题所衍生出的汽车维保及养车用车知识管理，输出有价值的企业级垂直智能化应用。最后达到智慧认知和支撑服务和消费决策能力的聚合引擎。最终能形成买车、养车、卖车的汽车知识图谱的大数据平台。即：从汽修行业技术支持到汽车消费者决策服务升级，成为事实上的“汽车技术服务标准”。

第三聚合功能：全网技术资料与原厂技术资料组合聚合子模块；

把相应的故障码及故障现象到故障点映射关系的解决方案，作为数据证据呈现。对于车主客户增加安全感及信任感，对技师维修作业提供参考，避免需要大量人工作业时间堆砌的换件排除法所导致的效率低下的误诊误换乃至小病大修。

全网技术技术信息聚合，提高了数据精准匹配的验证效率。

知识图谱

知识图谱让专业的汽车技术变得简单易懂，让车主客户与客服顾问及技师之间形成信息透明知识对称的无障碍沟通。对于没有OBD设备的车主，也可以通过本系统的微信服务号或APP，手动或语音输入感官到的故障现象，通过系统中故障现象与故障码的关系映射，把主观感知客观化、模糊感觉计量化。实现故障范围准确收敛。当需要门店服务的时候，车主与门店之间已经建立起前置化的有预判的信任关系。还可以形成车型车系全生命周期的可视化体检表，即一种开放的汽车质量可查询。

基于双向建立的数据库，通过聚合技术，构建知识图谱，建立汽车服务行业标准，汽车生命周期，出现的所有技术问题，都通过知识图谱按照分级关系，进行精准匹配；现有行业的技术资料，都是不可智能化再生的固化的死数据，而本系统故障大数据知识图谱是动态可再生的，只要有新的故障码出现，新的故障码及故障现象映射故障点的关系就可以通过算法建立并更新知识图谱。

所述精准匹配模块9用于将基于返回的故障点的多映射关系通过结合故障现象及品牌车型及技术总成及数据流及故障点属性分类与电子配件目录数据库EPC匹配，最终形成故障点与汽车配件一对一映射关系。

汽车配件电子目录EPC是汽车供应商为了方便就将自己的生产的所有车型，汽车配件信息，车辆识别号码编译规则等资料编成的一个软件，通过软件可以方便地浏览整辆轿车所有零部件的装配图、分解图、零件图，方便地查找零部件。它主要应用于全国各大，中，小型汽车修理厂(修理采购)以及汽车配件商店(销售采购)。用户通常需要一个17位VIN车辆识别号码，即可解析和编译出该车架号所对应的车辆车型、年款等信息，并锁定该车型可用的配件。能方便直观了解每个车型汽车零部件的专业正规名称，形状，数量，安装位置，所属车型，配件零件号，与哪个配件相连，全车线束及电器的分布，每个插头的连接，还有配件价格等。里面还有各种组成部分的内部图片，例如发动机总成，发电机总成等，里面都有比较清楚的图片可以参考。

由于采用所述精准匹配包括将基于返回的故障点的多映射关系通过结合故障现象及品牌车型及技术总成及数据流以及故障点属性分类与电子配件目录数据库EPC匹配，最终形成故障点与汽车配件一对一映射关系，通过在这个环节进行的研究分析及数据模型建立：如2012 款某品牌车型，全车电气化率仅占45％，全车总计1300个故障码，除重后只有400个故障码是对应单独故障现象(业内称：故障抱怨)，这其中又只有20％大约80个故障码是一个故障码对应一个故障点的单一映射。剩下的全车有320个故障码与该车总计1600个易损件及全车件建立映射关系。在这320故障码中，映射关系最多的是1:181，也就是一个故障码映射181个故障点。最少的是2个故障点因为单一故障点已经在之前的工作中排除。而这些映射关系中，又会出现一个多个故障码与多个故障点之间形成关联引发故障关系。所以，故障码到故障点的映射于信息组合方式是排列组合式，于信息流动方式是神经网络式。我们的系统就是通过故障码到故障点映射关系库模块，经过相关联的条件和算法大大收缩命中范围，并且把排列组合的故障码与故障点关系转变为准确的映射关系。随着用户量越来越大的车辆检测数据，通过机器学习，故障码及故障现象映射故障点的一对一映射准确率越来越高，从一年前的30％已经上升到目前的98％，目前，汽车维修行业主要依赖个体经验进行“排除”法故障诊断维修，缺失结构化数据也就缺失了“基建建设”，自然是无法实现机器智能化，如图7所示，本方案目前通过在品牌4S店采购并验证2018台各品牌车型，准确率已经达到 98％以上。满足了4S店的对智能化故障诊断的需求。

实施例二：

如基于“汽车空调故障点映射模型”案例的说明：

第一步骤：发现故障现象：不制冷；

第二步骤：检测到的故障码是：008140空调压缩机B+断路/短路。

第三步骤：故障码解释是“空调压缩机B+断路/短路”，故障码解释并不能让普通专业人员和非专业人员清楚，而且导致空调不制冷有23个故障点配件(如图8所示)，因此，系统形成结构化关系数据库，即空调不制冷的一个基础的诊断病理地图(知识图谱)。

第四步骤：确定该故障码的病理关系的数理比例是1:23。

第五步骤：技术总成是相应车型款所采用的空调技术供应商技术。

第六步骤：“故障码及故障现象到故障点映射关系库模块”算法处理：在不同故障现象等输入条件下，比如本案故障除了“空调不制冷”，还存在“仪表显示混合动力故障”的引发故障现象，基于该空调病理诊断的知识图谱中已经具有的故障点之间的引发关系(如图9所示)；

第七步骤：最终确诊故障点是“空调压缩机控制阀”，实现故障码到具体故障点的确诊关系；

第八步骤：故障点专业名称“空调压缩机控制阀”结合被检车辆的VIN码，匹配汽车配件电子目录EPC实现一对一映射的智能化诊断，从而寻找到相应的配件。

工作原理：

本专利通过采用故障点识别模块：基于采集的被检车辆故障码通过故障码映射故障点模块确定故障码相应的故障点；汽车配件确定模块：基于确定的故障点和被检车辆的车辆识别码VIN的组合通过故障点映射汽车配件模块确定汽车配件库存量单位SKU，由于本方案的第一数据链包括通过故障码，全网数据覆盖，甄别专业网站、论坛的相应车型，以及机器自动标注及汽车专家及技术经理及数据人员进行人工审核标注相结合的方式，实现故障码及故障现象映射到故障点，以1:N的量化实现映射关系数据库，第二数据链包括门店通过OBD采集到故障码，通过第一数据链映射到故障点，再通过VIN码与故障点的组合匹配电子目录EPC 数据库，获取或剔除相应映射关系，如果没有匹配到配件，系统立即向用户发出警示信息，从而纠错和实现精准匹配避免误诊，第一数据链和第二数据链是通过汽车故障数据结构化，形成算法实现标准化输入及输出，实现从故障码到故障点配件的诊断报告，由此形成汽车故障诊断的量化标准，将以云端在线的服务模式贯穿从车主需求到配件供应链，由于厂家的汽车故障码专检设备都只是读取出故障码及中英文解释，不但颗粒化程度粗且专业性强生涩拗口，技师难解释车主难理解，第一数据链和第二数据链在国际标准诊断规则的基础上，创新性地建立故障大数据，提供从故障码解释到故障点配件SKU的智能化诊断，以结果为导向，让技师和车主一看即懂问题在哪里该换什么配件，彻底砍掉供需双方的信任代价，极大降低交易成本，传统汽车配件采购场景，无论车主还是技师，汽车到门店排查后，要不是只告诉供应商品牌车型年款，让对方根据经验查找配件，要不需要用手机拍摄VIN码或解码仪屏幕照片，发给配件商让其对照搜寻配件，这个过程和环节与故障诊断同样存在因为无意或有意的人为因素，导致信息不透明服务不匹配，本系统在诊断环节即一步实现从故障诊断到配件供应链贯通，通过VIN+故障码双轨数据链，实现每一台车从故障现象到电子配件目录EPC 故障点配件SKU的精准映射通过开发汽车故障大数据核心算法，一步到位从发现故障码和故障现象即可知道故障点，并映射电子配件目录EPC零配件的精准库存单位指标SKU，从而解决汽车故障诊断依赖人的经验并实现远程诊断及维修，由此建立起全行业的汽车故障诊断技术服务标准。因此，本系统通过技术原理及技术资料的结构化处理，形成一套标准化的数据输入经算法的输出，把专家的技术经验转化为数据算法，这是形成汽修技术服务标准的数字基建，实现了全行业的技术经验转化为数据算法，由于中国多达两亿机动车及上万种车型，传统的是长期维修某款车型的大师傅才具备该车型的故障诊断经验，本系统通过标准故障码的机理，构建从故障码及故障现象到故障点的跨品牌映射关系算法。实现了跨品牌跨地域在线共享的汽车故障诊断，本系统双轨数据链实现故障码到故障点的配件SKU，从技术上实现汽车在线诊断OBD到电子配件目录EPC的全链条数据贯通。数据链长跨度大环节多实施难度高，本发明解决了现有诊断设备技术依靠报码机理过度依赖个体经验，缺乏大数据技术支撑的智能化诊断和导向的能力，从而导致难以实现对故障进行正确判定的同时精准命中故障点及配件的问题。本发明适用各种能源动力机动车包含但不限于化石能源汽油柴油动力、纯电池动力、燃料电池、氢能源在内的传统内燃机动力及新能源电机动力汽车。本发明解决了现有诊断设备技术依靠报码机理过度依赖个体经验，缺乏大数据技术支撑的智能化诊断和导向的能力，从而导致难以实现机器自动化对故障进行正确判定的同时精准命中故障点及配件，具有了实现汽车后市场服务的智能化、前置化、在线化、远程化的数据链服务模式的有益技术效果。

利用本发明的技术方案，或本领域的技术人员在本发明技术方案的启发下，设计出类似的技术方案，而达到上述技术效果的，均是落入本发明的保护范围。

Claims (10)

1.一种汽车故障精确诊断的大数据智能化系统，其特征在于，所述系统包括：

故障点识别模块：基于采集的被检车辆故障码通过故障码映射故障点模块确定故障码相应的故障点；

汽车配件确定模块：基于确定的故障点和被检车辆的车辆识别码VIN的组合通过故障点映射汽车配件模块确定汽车配件库存量单位SKU。

2.根据权利要求1所述系统，其特征在于，所述故障码映射故障点模块用于：

通过被检车辆故障码与云端故障码到故障点映射关系库的匹配确定并返回故障码相对应的被检车辆故障点。

3.根据权利要求1所述系统，其特征在于，所述系统还包括专业名称转换模块和精准匹配模块，其中；

所述专业名称转换模块，用于将返回的口语化的故障点经自然语言处理技术NLP转化为专业名称故障点；

所述精准匹配模块，用于专业名称故障点与汽车配件之间的精准匹配；

所述故障点映射汽车配件模块，用于将返回的故障点通过专业名称转换模块确定为专业故障点，基于专业故障点与相应的VIN码组合的组合信息码与基于开放的汽车供应商的零配件目录的结构化数据映射关系的电子配件目录数据库EPC通过精准匹配模块确定故障点相对应的汽车配件。

4.根据权利要求1所述系统，其特征在于，所述故障码通过汽车故障诊断系统通过OBD获取。

5.根据权利要求2所述系统，其特征在于，所述故障点映射汽车配件模块还包括故障码到故障点映射关系库的构建模块，所述故障码到故障点映射关系库的构建模块包括：

基于大数据技术的故障码到故障点映射关系库，所述故障码到故障点映射关系库中故障码与故障点的量化映射比例为1:N，所述N为2～181的整数。

6.根据权利要求5所述系统，其特征在于，所述大数据技术基于国际标准故障码，通过全网数据覆盖、甄别专业网站、汽车问答论坛以及技术资料的机器自动标注结合人工审核标注相结合进行实现。

7.根据权利要求5所述系统，其特征在于，所述故障码到故障点映射关系库包括品牌车型、故障现象、汽车所采用的各控制单元技术总成及故障点属性分类的属性字段。

8.根据权利要求5所述系统，其特征在于，所述故障码到故障点映射关系库的构建模块还包括：

关系库建立模块：基于采集并提取相关技术信息将故障码与故障点的非结构化信息，通过大数据技术的统计归纳出高频共性并发的故障映射关系的初级序列，被架构成相应的故障码与故障点的基于结构化数据映射关系的数据建模；

关系库确认模块：将故障码与故障点的结构化数据映射关系通过基于全网汽车故障综合信息的多种纬度的交叉比对形成适配于且被不同故障现象过滤的确定的故障码与故障点的结构化数据映射关系。

9.根据权利要求8所述系统，其特征在于，所述全网汽车故障综合信息包括全网技术资料、汽车维修信息、汽车故障问答的相关故障信息。

10.根据权利要求3所述系统，其特征在于，所述精准匹配模块用于将基于返回的故障点的多映射关系通过结合故障现象及品牌车型及技术总成及数据流及故障点属性分类与电子配件目录数据库EPC匹配，最终形成故障点与汽车配件一对一映射关系。

Images