CN114265955A - 一种基于诊断故障代码演变图谱的故障预测方法及装置 - Google Patents

Abstract

本发明涉及一种基于诊断故障代码演变图谱的故障预测方法及装置,属于数据处理技术领域。方法包括：获取车辆在第一预定时间内的历史故障码数据；对所述历史故障码数据进行处理，构建故障图谱；对所述故障图谱进行分析，筛选关键故障码，确定车辆在未来第二预定时间内进站维修的概率。本方法能够实时、准确预测汽车因某零件出现故障而进行进站维修的概率，降低了经济成本。

Description

一种基于诊断故障代码演变图谱的故障预测方法及装置

技术领域

本发明属于数据处理技术领域，尤其涉及一种基于诊断故障代码演变图谱的故障预测方法及装置。

背景技术

汽车在人们的生活、工作中越来越普及，目前全国汽车保有量为2亿。但汽车在使用过程中事故频发，虽然大部分是因为驾驶员操作不当造成的，但也有部分原因是汽车故障导致。人为因素是无法控制的，但汽车故障所带来的伤害是可以有效避免的。

汽车常见故障发生在发动机、传动器、制动器及电气系统等。在使用汽车之前，驾驶员对汽车进行一次有效的故障检测，可以保证汽车在驾驶途中不会出现故障。但对以上系统进行检查，传统的检测方式所花费的时间与精力是相当大的，而且效果不佳，经常性的检查维修，会加快汽车的报废速度。

目前车联网系统每日采集大量的故障码数据，我们可以对其进行分析来提前对车辆故障进行预警，但系统直接采集的故障码数据集中会包含大量的临时故障码，这种故障码，能够自行消除，是车辆在行驶过程中瞬间检测到的故障，可能是恶劣路面导致的，也可能是驾驶员操作不当导致的，这种故障码会在车况恢复后自动消除，也就是虚假的故障码，这给车辆提前预警及主动服务带来了障碍。所以需要对这些复杂的故障码进行分析，筛选出真正可能导致汽车某一零件发生故障的故障码，通过对这些关键故障码进行管控，实现故障的提前预警。

现有故障预测方案均未利用诊断故障码DTC(Diagnostic Trouble Code)演变图谱对车辆故障进行预测，而是主要分为以下三类：第一类为利用车辆历史行车信息及机器学习来预测未来故障的发生时间，但其缺点是不能准确的预测具体发生故障的零件，同时模型极易处于过拟合的状态，造成预测结果不准确，给业务上带来一定的困扰；第二类则是利用历史行车数据及当前的行车数据基于机器学习模型以检测当前车辆是否存在故障，此类方法的缺点同样为模型的过拟合现象，同时，其不能提前对故障进行预测从而进行故障预警，并且该类方案也不能给出具体的故障零件，第三类则通过在车辆关键零部件位置安装多个传感器，实时传输信号，再利用传统的故障识别即频谱分析法来预测车辆故障，此方法的缺点是需要安装多个传感器，消耗许多经济成本。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于诊断故障代码演变图谱的故障预测方法及装置，通过获取车辆在第一预定时间内的历史故障码数据，对所述历史故障码数据进行处理，构建故障图谱，对所述故障图谱进行分析，确定车辆在未来第二预定时间内进站维修的概率，能够实时、准确预测汽车因某零件出现故障而进行进站维修的概率，降低了经济成本。

根据本发明的一个方面，本发明提供了一种基于诊断故障码演变图谱的故障预测方法，所述方法包括以下步骤：

S1：获取车辆在第一预定时间内的历史故障码数据；

S2：对所述历史故障码数据进行处理，构建故障图谱；

S3：对所述故障图谱进行分析，筛选关键故障码，确定车辆在未来第二预定时间内进站维修的概率。

优选地，所述车辆历史故障码数据包括目标零件故障多次维修前对应的故障码记录和车辆在第三预定时间内的全部故障码记录，所述故障码记录字段至少包括故障名称、故障主代码SPN和故障等级代码FMI。

优选地，所述对所述历史故障码数据进行处理，包括对故障码记录标注及过滤处理：

根据故障名称，对每次维修前的故障码数据分别进行标注，将故障码归类为与目标零件故障有关和无关两类，将被标记为与目标零件故障无关的故障码进行删除过滤。

优选地，所述对所述历史故障码数据进行处理，还包括对数据格式重构、故障码去重处理：

将故障主代码SPN和故障等级代码FMI以下划线进行组合得到SPN_FMI；将每次维修记录前的所有SPN_FMI进行去重，保留首次出现的SPN_FMI记录，然后将去重后的SPN_FMI按照时间顺序排列，构成故障码组合。

优选地，所述构建故障图谱包括故障码演变二元关系抽取和图谱绘制：

利用故障码组合进行关系提取，构造二元组src→dst，然后将所有维修记录提取出的二元组进行汇总，所述二元组表示故障码src演变为故障码dst；

将经过提取后的所有二元组绘制在知识图谱上，得到含有故障码节点和维修零件节点的故障图谱。

优选地，所述对所述故障图谱进行分析，包括故障图谱反向概率分析和故障图谱正向概率分析，其中，故障图谱反向概率分析包括：

从图谱中的维修零件节点开始，依次计算每个节点的反向概率，筛选出反向概率大于概率阈值T1的故障码，反向概率计算公式如下：

其中，i表示与当前dst节点相连的第i个src节点，n表示与当前dst节点连接的src节点个数，count(src_i)表示在所有的记录中，与当前dst节点相连的第i个src节点，其演变为当前dst的总次数。

由维修零件节点出发，在图谱中向上过滤节点，产生新的故障图谱；

故障图谱正向概率分析包括：

由最上面的节点出发，依次计算所有节点的正向概率，删除正向概率小于阈值T2的dst节点，正向概率计算公式如下：

其中，i表示与当前src节点相连的第i个dst节点，n表示与当前src节点连接的dst节点个数，count(dst_i)表示在所有的记录中，当前src节点演变为与当前src节点相连的第i个dst节点的总次数。

优选地，所述对所述故障图谱进行分析包括：将经过概率分析后的故障图谱进行图谱节点分析：

图谱连通性分析：通过检测图的连通性，排除不相关的节点和边，提取与目标节点相关联的子图；

节点的度分析：通过计算图谱中各节点的邻居数，找到没有邻居的节点，删除所述没有邻居的节点；

检测相互关联的节点：如果存在相互关联的节点，则删除相互关联的边，而保留节点；删除图中存在三角环状关系的节点。

优选地，所述筛选关键故障码，包括：

利用故障图谱节点分析后的数据形成最终的故障演变图谱；

计算每辆车只在进站维修前N天内发生，而这之前没有发生的故障码集合；

对所有的故障码集合进行关联分析，识别出概率大于阈值P1的故障码组合；

将故障码集合按照概率进行排序，选取预定数量的故障码组合，计算每个组合发生后未来N日内进站维修的概率，概率计算公式如下：

基于同样的数据计算图谱中每一个故障码进行发生N日内进站维修的概率；选取概率大于阈值P2的单个故障码，以及概率大于阈值P3的故障码组合作为车辆N日内进站维修的管控对象。

优选地，所述确定车辆在未来第二预定时间内进站维修的概率，包括：

结合故障图谱与筛选出的单个故障码及故障码组合实时计算车辆在未来第二预定时间内因某一特定零件损坏而进站维修的概率。

根据本发明的另一个方面，本发明还提供了一种基于诊断故障代码演变图谱的故障预测装置，所述装置包括：

获取模块，用于获取车辆在第一预定时间内的历史故障码数据；

处理模块，用于对所述历史故障码数据进行处理，构建故障图谱；

预测模块，用于对所述故障图谱进行分析，筛选关键故障码，确定车辆在未来第二预定时间内进站维修的概率。

有益效果：本发明从大数据的角度出发，利用大量的汽车故障码数据及维修保养数据，首先，可以针对某一特定零件构建故障演变图谱，实时预测汽车因该零件出现故障而进行进站维修的概率，其次，基于大量的历史故障码的分析，可以给出每一层故障码演变为下一层故障码的条件概率直到最后零件损坏进站维修的概率，期间完全是基于历史数据分析的结果，不存在模型过拟合的情况，保证了一定的预测准确率。本发明利用车辆实时返回的故障码进行分析，并且只需通过管控一些关键故障码即可预测车辆的故障，避免了通过安装传感器等物理设备而消耗的经济成本。

通过参照以下附图及对本发明的具体实施方式的详细描述，本发明的特征及优点将会变得清楚。

附图说明

图1是基于诊断故障码演变图谱的故障预测方法流程图；

图2是反向概率分析节点关系示意图；

图3是反向概率分析时过滤处理后的节点关系示意图；

图4是正向概率分析节点关系示意图；

图5-图8是图谱连通性分析示意图；

图9是进站维修概率分析示意图；

图10是基于诊断故障码演变图谱的故障预测装置示意图。

具体实施方式

下面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做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。

实施例1

图1是基于诊断故障码演变图谱的故障预测方法流程图。如图1所示，本发明提供了一种基于诊断故障码演变图谱的故障预测方法，所述方法包括以下步骤：

S1：获取车辆在第一预定时间内的历史故障码数据。

具体地，预定时间可以是1年，也可以是3个月，除了历史故障码数据，还也可以获取维修保养记录数据，所述维修保养字段包括：VIN，维修时间、更换零件。

S2：对所述历史故障码数据进行处理，构建故障图谱。

具体地，对所述历史故障码数据进行处理，包括故障码记录标注及过滤、数据格式重构、故障码去重、故障码演变二元关系抽取等，在处理完数据后，可以根据这些数据构建故障图谱。

S3：对所述故障图谱进行分析，筛选关键故障码，确定车辆在未来第二预定时间内进站维修的概率。

具体地，对所述故障图谱进行分析，包括故障图谱反向概率分析、故障图谱正向概率分析、故障图谱节点分析、N日内进站维修概率分析等，在分析完成后，根据概率阈值筛选关键故障码，确定车辆在未来第二预定时间内进站维修的概率。

本方法通过获取车辆在第一预定时间内的历史故障码数据，对所述历史故障码数据进行处理，构建故障图谱，对所述故障图谱进行分析，确定车辆在未来第二预定时间内进站维修的概率，能够实时、准确预测汽车因某零件出现故障而进行进站维修的概率，降低了经济成本。

优选地，所述车辆历史故障码数据包括目标零件故障多次维修前对应的故障码记录和车辆在第三预定时间内的全部故障码记录，所述故障码记录字段至少包括故障名称、故障主代码SPN和故障等级代码FMI。

具体地，所述车辆历史故障码数据包含两部分：

1、获取车辆(不限于1辆车)某一零件多次维修前所对应的故障码记录。

2、获取多辆车时间范围为1年的全量故障码记录(不限零件)及维修保养记录；

所述故障码记录字段包括：VIN，故障名称，故障发生时间，故障主代码SPN，故障等级代码FMI。所述维修保养字段包括：VIN，维修时间、更换零件。

优选地，所述对所述历史故障码数据进行处理，包括对故障码记录标注及过滤处理：

根据故障名称，对每次维修前的故障码数据分别进行标注，将故障码归类为与目标零件故障有关和无关两类，将被标记为与目标零件故障无关的故障码进行删除过滤。

具体地，为了排除无关故障码的干扰，根据故障名称，对每次维修前的故障码数据分别进行标注，将故障码归类为与当前零件故障有关和无关两类。

将被标记为与当前零件故障无关的故障码进行删除过滤。

优选地，所述对所述历史故障码数据进行处理，包括对数据格式重构、故障码去重处理：

将故障主代码SPN和故障等级代码FMI以下划线进行组合得到SPN_FMI；将每次维修记录前的所有SPN_FMI进行去重，保留首次出现的SPN_FMI记录，然后将去重后的SPN_FMI按照时间顺序排列，构成故障码组合。

具体地，故障码数据格式重构：将SPN、FMI以下划线进行组合SPN_FMI；

故障码去重：将每一次维修记录前的所有SPN_FMI进行去重，保留第一次出现的SPN_FMI记录，然后将去重后的SPN_FMI按照时间顺序排列，构成故障码组合(去重后)。

优选地，所述构建故障图谱包括故障码演变二元关系抽取和图谱绘制：

利用故障码组合进行关系提取，构造二元组src→dst，然后将所有维修记录提取出的二元组进行汇总，所述二元组表示故障码src演变为故障码dst；

将经过提取后的所有二元组绘制在知识图谱上，得到含有故障码节点和维修零件节点的故障图谱。

具体地，利用故障码组合(去重后)进行关系提取，构造二元组src→dst，然后将所有维修记录提取出的二元组进行汇总，二元组提取方法如下：假设该零件某次维修前所对应的SPN_FMI依次为51_5,1127_0,1241_1,2898_5,51_1，同时假设此次维修记录对应的更换零件为节气门体总成，则根据此次维修记录所抽取出来的二元组依次是51_5(src)→1127_0(dst),1127_0(src)→1241_1(dst),1241_1(src)→2898_5(dst),2898_5(src)→51_1(dst),51_1(src)→节气门体维修(dst)。

将经过提取后的所有二元组均绘制在知识图谱上，得到含有故障码节点和维修零件节点的故障图谱。

优选地，所述对所述故障图谱进行分析，包括故障图谱反向概率分析和故障图谱正向概率分析，其中，故障图谱反向概率分析包括：

从图谱中的维修零件节点开始，依次计算每个节点的反向概率，筛选出反向概率大于概率阈值T1的故障码，反向概率计算公式如下：

其中，i表示与当前dst节点相连的第i个src节点，n表示与当前dst节点连接的src节点个数，count(src_i)表示在所有的记录中，与当前dst节点相连的第i个src节点，其演变为当前dst的总次数。

由维修零件节点出发，在图谱中向上过滤节点，产生新的故障图谱；

故障图谱正向概率分析包括：

由最上面的节点出发，依次计算所有节点的正向概率，删除正向概率小于阈值T2的dst节点，正向概率计算公式如下：

其中，i表示与当前src节点相连的第i个dst节点，n表示与当前src节点连接的dst节点个数，count(dst_i)表示在所有的记录中，当前src节点演变为与当前src节点相连的第i个dst节点的总次数。

具体地，从维修零件的那一个节点开始，依次计算每一个dst节点对应的src分布，根据概率阈值T1由此不断筛选上一层中比较重要的故障码，T1计算方法如下：取整个图谱中所有P_i的10％分位数。

参考图2，如维修零件这个节点，将所有的二元组进行汇总(可能有多辆车的记录汇总在一起)，然后对汇总后的结果进行统计，得到A→维修零件的次数，例如，得到故障码A节点演变为维修零件节点次数为1次。依次类推，故障码B节点演变为维修零件节点次数为20次……，则可以依次计算得出：

A→维修零件p＝1/(1+20+50+8+100)＝0.5％

B→维修零件p＝20/(1+20+50+8+100)＝11.17％

C→维修零件p＝50/(1+20+50+8+100)＝27.93％

D→维修零件p＝8/(1+20+50+8+100)＝4.47％

M→维修零件p＝100/(1+20+50+8+100)＝55.87％

由于A,D→维修零件的概率偏小，所以初步认为维修零件这个节点是由B,C,M节点演变而来，故删除概率偏小的关系，M节点处理方式相同。删除后的结果如下图3所示。

经过由维修零件节点出发，不断向上过滤节点，产生新的故障图谱后，本步骤则由最上面的节点出发，依次对所有节点计算正向条件概率即，当该节点发生的条件下，与其相关联的下一个节点dst发生的条件概率，按照概率阈值将概率较小的dst节点依次删除，实现节点的由上到下进行过滤。

例如，参考图3，对于图3中的节点F：

F→M p＝30/(30+300)＝9.1％

F→G p＝300/(30+300)＝90.9％

所以认为当F发生后，M发生的概率会很小，所以剪去F演变为M的这一关系，结果如图4所示。

优选地，所述对所述故障图谱进行分析包括：将经过概率分析后的故障图谱进行图谱节点分析：

图谱连通性分析：通过检测图的连通性，排除不相关的节点和边，提取与目标节点相关联的子图；

节点的度分析：通过计算图谱中各节点的邻居数，找到没有邻居的节点，删除所述没有邻居的节点；

检测相互关联的节点：如果存在相互关联的节点，则删除相互关联的边，而保留节点；删除图中存在三角环状关系的节点。

具体地，将经过概率分析后的故障图谱进行图谱节点分析，具体步骤如下：

图谱连通性分析：主要通过检测图的连通组件(connected components),提取与目标节点(目标故障)相关联的子图，从而排除不相关的节点和边，如图5所示。

节点的度分析(degree)：主要通过计算图谱中各节点的邻居(演变出来的节点)数，找到没有邻居的节点(目标节点除外)，然后删除没有邻居的节点，如图6所示。

没有邻居的节点即表示：此节点的故障码没有后续进行演变，而是终止了。

检测相互关联的节点

此处相互关联的节点，可能是节点对应的故障码实际中几乎同时发生，而它们本身并不存在演变关系。所以在此步骤中，如果存在相互关联的节点，则删除相互关联的边，但要保留节点，如图7所示。

删除图中类似如下的三角状关系，如图8所示。

优选地，所述筛选关键故障码，包括：

利用故障图谱节点分析后的数据形成最终的故障演变图谱；

计算每辆车只在进站维修前N天内发生，而这之前没有发生的故障码集合；

对所有的故障码集合进行关联分析，识别出概率大于阈值P1的故障码组合；

将故障码集合按照概率进行排序，选取预定数量的故障码组合，计算每个组合发生后未来N日内进站维修的概率，概率计算公式如下：

基于同样的数据计算图谱中每一个故障码进行发生N日内进站维修的概率；选取概率大于阈值P2的单个故障码，以及概率大于阈值P3的故障码组合作为车辆N日内进站维修的管控对象。

具体地，首先利用故障图谱节点分析后的数据即可形成最终的故障演变图谱，如图9所示。

其次，计算每辆车只在进站维修前N(N∈7～14)天内发生，而这之前没有发生的故障码集合；

对所有的故障码集合进行关联分析(Apriori algorithm)，识别出出现概率较大的故障码组合。

然后，将故障码集合按照概率进行排序，选取概率较大的前30个组合，基于多辆车故障码记录及维修保养数据依次计算每个组合发生后未来N(N∈7～14)日内进站维修的概率，概率计算公式如下：

P＝发生待检测故障码组合后N日内进站维修的次数/1年内发生待检测故障码组合的次数

同时，基于同样的数据对以上图谱中倒数第二层的每一个故障码进行发生N(N∈7～14)日进站维修的概率进行计算，公式同上。

最后选取概率较大的单个故障码，以及概率较大的故障码组合作为车辆N(N∈7～14)日内进站维修的监测对象。

优选地，所述确定车辆在未来第二预定时间内进站维修的概率，包括：

结合故障图谱与筛选出的单个故障码及故障码组合实时计算车辆在未来第二预定时间内因某一特定零件损坏而进站维修的概率。

具体地，以未来第二预定时间为15日为例，结合故障图谱与筛选出的单个故障码及故障码组合实时计算车辆因某一特定零件损坏而进站维修的概率，计算方法如下：

实时检测待测车辆过去15日内是否产生故障图谱中的故障码：

若未产生任何故障码，则默认近期内进站维修的概率为0；

若产生了其中除S8中以外的故障码，如故障码为A,B,C，则依次遍历步筛选出的每一个单故障码或故障码组合；

对于单故障码，假设为Q，则依次计算A,B,C分别演变为Q的概率，取其最大概率值乘以此故障码发生后N(N∈7～14)日内维修概率，则记为p_1；其中A演变为Q的概率计算公式为：

若根据谱图可判断得到A不可演变为Q则P(A,Q)＝0

若根据谱图可判断得到A可演变为Q则P(A,Q)＝P(A,B)*P(B,C)*……*P(P,Q)，其中P(A,B)等即为步骤S6中所述正向条件概率。

对于故障码组合，假设包含故障码M,L,分别计算A,B,C演变为M,L的概率P(A,M)、P(B,M)、P(C,M)、P(A,L)、P(B,L)、P(C,L),其次取P(A,M)、P(B,M)、P(C,M)中的最大值记为P(M),取P(A,L)、P(B,L)、P(C,L)中的最大值记为P(L),最后计算P(M)*P(L)*故障码组合(M,L)N(N∈7～14)日内进站维修的概率记为p_2，最后，取p_1,p_2,p_3,……中的最大值作为该车辆近期内因维修某一特定零件而进站维修概率。

若产生了故障码或故障码组合，则根据分别取得的各故障码及故障码组合对应的发生后N日内进站维修的概率，将其最大值作为待测车辆N日内进站维修的概率。

本发明从大数据的角度出发，利用大量的汽车故障码数据及维修保养数据，首先，可以针对某一特定零件构建故障演变图谱，实时预测汽车因该零件出现故障而进行进站维修的概率，其次，基于大量的历史故障码的分析，可以给出每一层故障码演变为下一层故障码的条件概率直到最后零件损坏进站维修的概率，期间完全是基于历史数据分析的结果，不存在模型过拟合的情况，保证了一定的预测准确率。本发明利用车辆实时返回的故障码进行分析，并且只需通过管控一些关键故障码即可预测车辆的故障，避免了通过安装传感器等物理设备而消耗的经济成本。

实施例2

图10是基于诊断故障码演变图谱的故障预测装置示意图。如图10所示，本发明还提供了一种基于诊断故障代码演变图谱的故障预测装置，所述装置包括：

获取模块，用于获取车辆在第一预定时间内的历史故障码数据；

处理模块，用于对所述历史故障码数据进行处理，构建故障图谱；

预测模块，用于对所述故障图谱进行分析，筛选关键故障码，确定车辆在未来第二预定时间内进站维修的概率。

本实施例2中各个模块所实现的功能的具体实施过程与实施例1中的各个步骤的实施过程相同，在此不再赘述。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (10)

1.一种基于诊断故障码演变图谱的故障预测方法，其特征在于，所述方法包括以下步骤：

S1：获取车辆在第一预定时间内的历史故障码数据；

S2：对所述历史故障码数据进行处理，构建故障图谱；

S3：对所述故障图谱进行分析，筛选关键故障码，确定车辆在未来第二预定时间内进站维修的概率。

2.根据权利要求1所述的方法，其特征在于，所述车辆历史故障码数据包括目标零件故障多次维修前对应的故障码记录和车辆在第三预定时间内的全部故障码记录，所述故障码记录字段至少包括故障名称、故障主代码SPN和故障等级代码FMI。

3.根据权利要求2所述的方法，其特征在于，所述对所述历史故障码数据进行处理，包括对故障码记录标注及过滤处理：

根据故障名称，对每次维修前的故障码数据分别进行标注，将故障码归类为与目标零件故障有关和无关两类，将被标记为与目标零件故障无关的故障码进行删除过滤。

4.根据权利要求3所述的方法，其特征在于，所述对所述历史故障码数据进行处理，还包括对数据格式重构、故障码去重处理：

将故障主代码SPN和故障等级代码FMI以下划线进行组合得到SPN_FMI；将每次维修记录前的所有SPN_FMI进行去重，保留首次出现的SPN_FMI记录，然后将去重后的SPN_FMI按照时间顺序排列，构成故障码组合。

5.根据权利要求4所述的方法，其特征在于，所述构建故障图谱包括故障码演变二元关系抽取和图谱绘制：

利用故障码组合进行关系提取，构造二元组src→dst，然后将所有维修记录提取出的二元组进行汇总，所述二元组表示故障码src演变为故障码dst；

将经过提取后的所有二元组绘制在知识图谱上，得到含有故障码节点和维修零件节点的故障图谱。

6.根据权利要求5所述的方法，其特征在于，所述对所述故障图谱进行分析，包括故障图谱反向概率分析和故障图谱正向概率分析，其中，故障图谱反向概率分析包括：

从图谱中的维修零件节点开始，依次计算每个节点的反向概率，筛选出反向概率大于概率阈值T1的故障码，反向概率计算公式如下：

其中，i表示与当前dst节点相连的第i个src节点，n表示与当前dst节点连接的src节点个数，count(src_i)表示在所有的记录中，与当前dst节点相连的第i个src节点，其演变为当前dst的总次数。

由维修零件节点出发，在图谱中向上过滤节点，产生新的故障图谱；

故障图谱正向概率分析包括：

由最上面的节点出发，依次计算所有节点的正向概率，删除正向概率小于阈值T2的dst节点，正向概率计算公式如下：

其中，i表示与当前src节点相连的第i个dst节点，n表示与当前src节点连接的dst节点个数，count(dst_i)表示在所有的记录中，当前src节点演变为与当前src节点相连的第i个dst节点的总次数。

7.根据权利要求6所述的方法，其特征在于，所述对所述故障图谱进行分析包括：将经过概率分析后的故障图谱进行图谱节点分析：

图谱连通性分析：通过检测图的连通性，排除不相关的节点和边，提取与目标节点相关联的子图；

节点的度分析：通过计算图谱中各节点的邻居数，找到没有邻居的节点，删除所述没有邻居的节点；

检测相互关联的节点：如果存在相互关联的节点，则删除相互关联的边，而保留节点；删除图中存在三角环状关系的节点。

8.根据权利要求6所述的方法，其特征在于，所述筛选关键故障码，包括：

利用故障图谱节点分析后的数据形成最终的故障演变图谱；

计算每辆车只在进站维修前N天内发生，而这之前没有发生的故障码集合；

对所有的故障码集合进行关联分析，识别出概率大于阈值P1的故障码组合；

将故障码集合按照概率进行排序，选取预定数量的故障码组合，计算每个组合发生后未来N日内进站维修的概率，概率计算公式如下：

基于同样的数据计算图谱中每一个故障码进行发生N日内进站维修的概率；选取概率大于阈值P2的单个故障码，以及概率大于阈值P3的故障码组合作为车辆N日内进站维修的管控对象。

9.根据权利要求8所述的方法，其特征在于，所述确定车辆在未来第二预定时间内进站维修的概率，包括：

结合故障图谱与筛选出的单个故障码及故障码组合实时计算车辆在未来第二预定时间内因某一特定零件损坏而进站维修的概率。

10.一种基于诊断故障代码演变图谱的故障预测装置，其特征在于，所述装置包括：

获取模块，用于获取车辆在第一预定时间内的历史故障码数据；

处理模块，用于对所述历史故障码数据进行处理，构建故障图谱；

预测模块，用于对所述故障图谱进行分析，筛选关键故障码，确定车辆在未来第二预定时间内进站维修的概率。

Images