CN112925296B - 一种基于人工智能的图形化车载网络诊断方法 - Google Patents

Abstract

本发明涉及一种基于人工智能的图形化车载网络诊断方法，所述方法包括如下步骤：车辆进入诊断，并按照汽车ECU相关诊断要求加载根据图形化模块配置生成的流程配置文件，所述配置文件为本地流程配置文件，加载成功后进行汽车ECU诊断并自动化测试形成诊断报告或者输入相关诊断指令进行汽车ECU诊断，解析诊断指令响应，如车辆存在故障码，则由人工智能进行识别并分析故障码，进而进行修复或者对外提示修复问题，如车辆皆为肯定响应不存在故障，则本次汽车诊断结束。所述方法用于实现车辆网络诊断，实施本发明，能够极大地降低整车故障诊断及故障维护的门槛和条件，智能地实现了车辆的自诊断及其自维修，同时提升了工作效率和车辆安全。

Description

一种基于人工智能的图形化车载网络诊断方法

技术领域

本发明涉及汽车技术领域，具体涉及一种基于人工智能的图形化车载网络诊断方法。

背景技术

随着汽车电子控制技术的迅猛发展，集成电路和微处理器在汽车上得到了大规模应用，车载电控单元在汽车上的数量日益增多，为简化整车电子电器架构并保证车载电控单元间的信息交互，出现了车载多路复用通信网络技术，将整车的电控单元形成一个统一的网络系统。

控制器局域网(CAN)的应用是整车电子电器架构实现的重要基础，当前车载CAN网络的设计、仿真、实现和验证主要依靠国外的工具链供应商，包括德国的维克多汽车技术有限公司、美国的英特佩斯控制系统有限公司。这些公司从传统的汽车电子控制和嵌入式系统的角度出发，开发了一系列适用于车载网络的分析和测试工具，解决了部分汽车主机厂和供应商的需求。目前国外公司提供的工具链虽稳定性好，但价格均较高，人机交互比较简单，对于国内需求方的支持力度不够。

文献(薛燕.车载网络系统故障诊断技术研究[D])里各种应用于车载网络故障诊断的方法，如控制单元检测法、故障自诊断法、波形及数据流分析法、目视检测法等。这些方法可以诊断汽车电源、架构、网关、协议、线路、通信等故障，但是诊断的过程和专业的诊断设备都需要专业的工程师进行专业的操作，而且对于诊断设备诊断出的问题也常常需要专业人员采集相关数据进行人为地分析，这无疑给整车诊断带来了极大的不便。

发明内容

本发明的目的是针对当前汽车诊断领域存在的问题，提出了一种基于人工智能的图形化车载网络诊断方法，该方法能够基于人工智能诊断，极方便的解决了汽车相关故障问题。本发明在一定程度上解决了上述整车诊断这种不便之处，但是该发明的人工智能数据库并不是包含所有故障解决方案，需要持续积累样本，丰富数据库。

一种基于人工智能的图形化车载网络诊断方法，包括以下步骤：

车辆进入诊断，并按照汽车ECU相关诊断要求加载根据图形化模块配置生成的流程配置文件，所述配置文件为本地流程配置文件；

加载成功后进行汽车ECU诊断并自动化测试形成诊断报告或者输入相关诊断指令进行汽车ECU诊断；

解析诊断指令响应，若车辆存在故障码，则由人工智能进行识别并分析故障码，进而进行修复或者对外提示修复问题，若车辆皆为肯定响应不存在故障，则本次汽车诊断结束。

优选的，所述图形化模块包括底层封装的常用功能函数，用以模拟常用的诊断用例，并以形象的图形模块来表征，通过添加、拖动、删除对应的图形模块来表示各个诊断用例。

优选的，所述常用功能函数包括系统相关函数、CAN相关函数。

优选的，所述流程配置文件是图形化模块通过流程线的方式来表示各用例的流程顺序，实现图形化交互后通过图形化模块配置的流程生成.XML流程配置文件，用以系统解析。

优选的，进入诊断状态后，根据是否加载诊断参数列表决定如何配置参数，如果导入诊断参数列表则加载并自动解析，如果没有导入则提示手动编辑信息。

优选的，若汽车ECU需要新增的新增测试用例，则通过加载DBC文件，根据配置故障码设置条件来配置指令流程。

优选的，所述测试用例是在基于ISO14229和ISO15765配置诊断协议层相关参数生成诊断配置文件之后生成。

优选的，所述人工智能是结合人工智能技术中的神经网络算法，对通过该系统读到整车的故障码及该故障码对应的问题排查方法及解决方案进行样本深度学习，使系统具备对故障码进行识别的能力，并根据已掌握的这种识别能力找出对应的排查方法，通过已掌握的这种识别能力若能排查出问题，则再根据对应的解决方案进行尝试性修复，若能修复对应的故障那么最终将该方法方案上传至人工智能服务器中形成经验进行累积学习，若出现的故障码通过已掌握的这种识别能力不能解决此问题，则将此问题上传至人工智能服务器，再反馈给对应的人员进行修复。

本发明实施例提供一种基于人工智能的图形化车载网络诊断方法，在汽车诊断过程中，根据图形化模块配置生成的流程配置文件，加载配置文件后能基于人工智能分析并提出解决汽车故障方案。

本发明与现有技术相比有如下优点：

1、本发明用于车载网络诊断，结合了人工智能技术实现了车载网络诊断的智能化，极大地降低了整车故障诊断及故障维护的门槛及条件，同时极大的方便用户对整车的安全状态了解，降低安全事故的风险。

2、本发明首次提出诊断用例配置图形化配置的方法，极大的方便了使用者根据需求自定义诊断测试用例，避免了采用编程方式来配置诊断用例流程而需要编写大量的程序，极大地降低了对使用者的编程能力的要求，同时也能提升工作效率。

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：

图1为本发明实施例所述流程示意图；

图2为本发明实施例所述基于人工智能诊断流程示意图；

图3为本实施例诊断用例配置流程图；

图4为本实施例图形可视化诊断用例编写部分流程图；

图5为本实施例一种基于人工智能的图形化车载网络诊断方法流程图。

具体实施方式

以下将结合附图详细说明本发明的具体实施例、特征和方面。对本发明的技术方案做出进一步描述，同时也给出了相关细节。但本发明并不局限于这些实施例。

实施例一：

本实施例提供一种基于人工智能的图形化车载网络诊断方法，其用于实现汽车诊断及其汽车故障的分析与解决。本发明基于人工智能，提供从整车诊断发现问题、分析问题再到解决方案一体化的服务，整个过程无需人为进行任何操作，也无需专业工程师再采集相关数据进行人为地分析问题。

如图1所示的一种基于人工智能的图形化车载网络诊断方法，包括以下步骤：

步骤A1、车辆进入诊断，并按照汽车ECU相关诊断要求加载根据图形化模块配置生成的流程配置文件，所述配置文件为本地流程配置文件，加载成功后进行汽车ECU诊断并自动化测试形成诊断报告或者输入相关诊断指令进行汽车ECU诊断，诊断系统解析诊断指令响应。

其中，在车辆进入诊断后，按照汽车ECU相关诊断要求(该诊断要求具体包括ECU系统、通信等方面的诊断)加载根据图形化模块配置生成的流程配置文件的创建流程图如图3和图4所示。如图3，首先进入诊断状态后，根据是否加载诊断参数列表(诊断参数列表是基于ECU诊断要求和参数而制订的，具体包括Diag.Services诊断服务、DTC.Table诊断故障码表、DTC.Status诊断故障码状态、DID-$22$2E$19$2F$31服务等内容)来决定如何配置参数，如果导入诊断参数列表则加载并自动解析，如果没有导入则提示手动编辑诊断服务、基于UDS 14229的22服务即DID(诊断数据标识符)、19服务中DTC(诊断故障码)等信息，之后加载安全算法配置文件(.Algo)，目的是保证诊断通信的数据安全和保密。之后基于ISO14229和ISO15765配置诊断协议层相关参数(如N_As，N_Bs，N_Br，N_Ar，N_Cr，BS，STmin，P2 server，P2*server，P2 client，P2*client等)，生成诊断配置文件(.Diag)，从而再生成测试用例，生成之后进行编辑测试化用例，采用可视化编辑即根据图形化模块生成配置文件。而图形化模块是由大量的常用功能函数如系统相关函数(-on preStart；-on presto；-onstopMeasurement；-on timer<new Timer>等)，CAN相关函数(-canGetBitRate；-canGetTxErrorCount；-canSetConfiguration；-outport；-inport；-canGetStdData等)底层封装，直接可以通过添加、拖动、删除等对应的图形模块来表示各个诊断用例，再通过流程线的方式来表示各用例的流程顺序，从而实现图形化交互的功能。最终通过图形化模块配置的流程生成.XML流程配置文件，用以系统解析。同样，可以加载.XML格式的流程配置文件，通过图形的方式还原流程配置，以便用于用例的修改。

如图4是图形可视化诊断用例编写部分流程图，通过加载DBC文件，根据配置故障码设置条件来配置指令流程，若ECU需要新增的新增测试用例，则继续配置故障码设置条件来配置指令，如此循环，否则配置文件配置结束。

步骤A2、如车辆存在故障码，则由人工智能进行识别并分析故障码，进而进行修复或者对外提示修复问题。

其中，人工智能进行识别并分析故障码如图2所示，如当汽车在行驶过程中汽车仪表盘的某个故障指示灯亮起，此时系统会对汽车ECU进行诊断，将此故障指示灯亮起的信号发送至系统，由系统进行识别该故障灯所对应的故障码并在人工智能服务器数据库中寻找该故障灯所对应的故障码及其解决方法，所述人工智能服务器数据库存储有大量相关否定响应和故障码及其它们所对应的解决方法方案等相关数据。如果在人工智能服务器数据库找到并成功识别故障码，则会进行尝试性修复或者告知用户出故障的原因，便于用户及时处理故障，并将本次识别成功的方法方案上传至人工智能服务器数据库中形成经验进行累计学习。如果识别失败则会反馈给专业的工程师分析之后，再通知用户。

步骤A3、如车辆皆为肯定响应不存在故障，则本次汽车诊断结束。

实施例二：

如图5所示，本发明实施例二提供的基于人工智能的图形化车载网络诊断方法，包括以下步骤：

开始诊断时，按照汽车ECU相关诊断要求加载根据图形化模块配置生成的流程配置文件，所述配置文件为本地流程配置文件，加载成功后进行汽车ECU诊断并自动化测试形成诊断报告或者输入相关诊断指令进行汽车ECU诊断，解析诊断指令响应，如车辆存在故障码，则由人工智能进行识别并分析故障码，进而进行修复或者对外提示修复问题，如车辆皆为肯定响应不存在故障，则本次汽车诊断结束。

开始诊断后，加载配置文件(.Diag)，如果选择自动测试则需加载配置文件进行自动测试并最终生成诊断测试报告，如果不选择自动测试，则将输入相关诊断指令，例如发送0x 10 03，进入0x03扩展模式，ECU接收到诊断指令请求或回复否定响应(0x03 7F 10 22)。其中否定响应码(NRC)为0x22表示条件不满足，系统接收到ECU回复的否定响应后，即系统响应不为肯定响应后系统会进入系统分析否定响应，此过程是基于人工智能分析，通过此否定响应码在人工智能服务器数据库进行搜索识别，识别到该否定响应码对应的不为肯定响应的原因，比如是汽车蓄电池电压过低或者过高，或者汽车车速当前大于0，或者当前汽车转速大于0，然后系统就会提示用户原因，便于用户解决此故障。

此外，实施例二所述系统与实施例一所述方法相对应，未详述部分可以参阅实施例一所述内容。

以上已经描述了本发明的各实施例，以上仅仅只是示例性的。在不违背本发明各实施例的范围和精神情况下以及在不偏离权利要求书所定义的范围下，本发明所述技术领域的技术人员可以对本发明各实施例做修改，变更或者采用类似的方式替代。本发明所用术语的选择，目的是为了描述本各实施例的原理，便于相关技术人员更好的理解。

Claims (3)

1.一种基于人工智能的图形化车载网络诊断方法，其特征在于，包括以下步骤：

车辆进入诊断，并按照汽车ECU相关诊断要求加载根据图形化模块配置生成的流程配置文件，所述配置文件为本地流程配置文件；

加载成功后进行汽车ECU诊断并自动化测试形成诊断报告或者输入相关诊断指令进行汽车ECU诊断；进入诊断状态后，根据是否加载诊断参数列表来决定如何配置参数，如果导入诊断参数列表则加载并自动解析，如果没有导入则提示手动编辑诊断服务、基于ISO14229的22服务即DID（诊断数据标识符）、19服务中DTC（诊断故障码）信息，之后加载.Algo安全算法配置文件，之后基于ISO14229和ISO15765配置诊断协议层相关参数，生成.Diag诊断配置文件，从而再生成测试用例，生成之后进行编辑测试化用例，采用可视化编辑即根据图形化模块生成配置文件；图形化模块是常用功能函数底层封装，直接通过添加、拖动、删除对应的图形模块来表示各个诊断用例，再通过流程线的方式来表示各用例的流程顺序，从而实现图形化交互的功能，最终通过图形化模块配置的流程生成.XML流程配置文件，用以系统解析；

所述常用功能函数包括系统相关函数、CAN相关函数；

诊断参数列表是基于ECU诊断要求和参数而制订的，具体包括Diag.Services诊断服务、DTC.Table诊断故障码表、DTC.Status诊断故障码状态；

解析诊断指令响应，若车辆存在故障码，则由人工智能进行识别并分析故障码，进而进行修复或者对外提示修复问题，若车辆皆为肯定响应不存在故障，则本次汽车诊断结束。

2.根据权利要求1所述的基于人工智能的图形化车载网络诊断方法，其特征在于，若汽车ECU需要新增测试用例，则通过加载DBC文件，根据配置故障码设置条件来配置指令流程。

3.根据权利要求2所述的基于人工智能的图形化车载网络诊断方法，其特征在于，所述人工智能是结合人工智能技术中的神经网络算法，对通过读到整车的故障码及该故障码对应的问题排查方法及解决方案进行样本深度学习，使具备对故障码进行识别的能力，并根据已掌握的这种识别能力找出对应的排查方法，通过已掌握的这种识别能力若能排查出问题，则再根据对应的解决方案进行尝试性修复，若能修复对应的故障那么最终将故障码对应的排查方法和解决方案上传至人工智能服务器中形成经验进行累积学习，若出现的故障码通过已掌握的这种识别能力不能解决此问题，则将此问题上传至人工智能服务器，再反馈给对应的人员进行修复。

Images