CN114582043A - 提供最不可能和最有可能的原因信息的包括集成诊断模型的选择性健康信息报告系统 - Google Patents

Abstract

第一网络装置包括收发器、存储器和控制模块。收发器从与第一网络装置分离的第二网络装置接收集成模型。存储器存储集成模型和诊断故障代码数据、最有可能的原因数据和最不可能的原因数据，这些数据具有用于车辆问题的相应问题原因指示。控制模块在执行集成模型时：比较问题原因指示，以确定问题原因指示是否一致，以指示相同的问题原因；响应于问题原因指示是一致的，显示相同的问题原因；并且响应于问题原因指示是不一致的并且基于一组条件，显示与健康相关的信息的一部分，同时避免显示与健康相关的信息的另一部分。

Description

提供最不可能和最有可能的原因信息的包括集成诊断模型的 选择性健康信息报告系统

背景技术

本节中提供的信息是出于总体上介绍本公开的背景的目的。在本节中描述的范围内的目前署名的发明人的工作，以及在提交时可能不以其他方式构成现有技术的描述方面，既不明确也不隐含地承认是针对本公开的现有技术。

本公开涉及车辆健康监测、评估、报告和响应系统。

特征不断被添加到车辆中，从而使车辆系统变得越来越复杂。此外，电子系统和模块之间的联系越来越紧密，相互依赖，因此有时很难确定问题的原因。检修车辆的技术人员可以使用多种工具和/或查阅信息源来确定问题的一个或多个原因。这些工具可以包括用于提供诊断故障代码的检修工具、万用表和/或其他工具。来源可能包括故障模式有效分析（FMEA）文档，设计故障模式有效分析（DFMEA）文档，历史数据，当前数据，来自车辆操作者的逐字记录（verbatim note）等。逐字记录包括车辆操作者的观察和对体验问题的描述。

发明内容

提供了第一网络装置，该网络装置包括收发器、存储器和控制模块。收发器被配置为从第二网络装置接收集成模型，其中第二网络装置与第一网络装置分离。存储器被配置为存储集成模型、诊断故障代码数据、最有可能的原因数据和最不可能的原因数据，其中诊断故障代码数据、最有可能的原因数据和最不可能的原因数据具有车辆问题的相应的问题原因指示。控制模块被配置为执行集成模型并且在执行集成模型时：比较与诊断故障代码数据、最有可能的原因数据和最不可能的原因数据相对应的问题原因指示，以确定问题原因指示是否是一致的，使得指示相同的问题原因；响应于问题原因指示是一致的，显示相同的问题原因，并且响应于问题原因指示是不一致的并且基于一组条件，显示健康相关信息的选择性部分，同时避免显示健康相关信息的另一选择性部分。

在其他特征中，集成模型是启发式模型或机器学习模型中的至少一种。

在其他特征中，控制模块被配置为：确定部件是否发生故障；响应于确定该部件没有发生故障，确定是显示历史数据还是避免显示车辆的健康报告；并且响应于确定该部件已经发生故障，确定是显示选择性的健康相关信息还是避免显示该车辆的健康报告。

在其他特征中，控制模块被配置为：确定最有可能的原因数据的非空集和最不可能的原因数据的非空集是否可用；响应于确定最有可能的原因数据的空集和最不可能的原因数据的空集可用，避免显示健康报告；并且响应于确定最有可能的原因数据的非空集和最不可能的原因数据的非空集可用，显示最有可能的原因数据和最不可能的原因数据。

在其他特征中，控制模块被配置为：确定最有可能的原因数据和最不可能的原因数据是否与技术人员观察或技术人员逐字记录中的至少一者一致；响应于确定最有可能的原因数据和最不可能的原因数据与技术人员观察或技术人员的逐字记录中的至少一者一致，显示最有可能的原因数据和最不可能的原因数据；并且响应于确定最有可能的原因数据和最不可能的原因数据与技术人员观察或技术人员的逐字记录中的至少一者不一致，显示最有可能的原因数据、最不可能的原因数据和其他与健康相关的数据。

在其他特征中，控制模块被配置为：确定历史最有可能的原因数据和历史最不可能的原因数据是否可用；响应于历史最有可能的原因数据和历史最不可能的原因数据不可用，避免显示健康报告；并且响应于历史最有可能的原因数据和历史最不可能的原因数据可用，确定历史最有可能的原因数据和历史最不可能的原因数据中的至少一者是否与客户的逐字记录一致，或者没有客户的逐字记录可用。

在其他特征中，控制模块被配置为：响应于历史最有可能的原因数据和历史最不可能的原因数据中的至少一者与顾客的逐字记录一致或没有顾客的逐字记录可用，显示趋势数据；并且响应于历史最有可能的原因数据和历史最不可能的原因数据中的至少一与客户的逐字记录不一致或客户的逐字记录可用，显示历史最有可能的原因数据和历史最不可能的原因数据。

在其他特征中，最有可能的原因数据包括历史和当前最有可能的原因数据。最不可能的原因数据包括历史和当前最有可能的原因数据。

在其他特征中，与健康相关的信息包括最有可能的原因数据、最不可能的原因数据、趋势数据、系统示意性数据以及维修建议。

在其他特征中，控制模块被配置为：收发器被配置为接收由车辆、第二网络装置或另一网络装置生成的集成信息，其中，该集成信息包括贪婪决定权；并且基于集成信息生成最不可能的原因决定；并显示最不可能的原因决定。

在其他特征中，提供一种系统，该系统包括第一网络装置和第二网络装置。第二网络装置包括第二收发器、第二存储器和第二控制模块。第二收发器被配置为从第一网络装置接收诊断故障代码数据、最有可能的原因数据和最不可能的原因数据。第二存储器被配置为针对车辆程序存储集成模型、故障模式有效分析数据、诊断故障代码数据、最有可能的原因数据、最不可能的原因数据、车辆操作人员逐字记录数据和维修动作。第二控制模块被配置为：基于故障模式有效分析数据、诊断故障代码数据、最有可能的原因数据、最不可能的原因数据、车辆操作人员逐字记录数据以及维修动作来进行训练或更新集成模型中的至少一者；在进行训练或更新集成模型中的至少一者之后，经由第二收发器将集成模型发送到第一网络装置。

在其他特征中，集成模型是启发式模型或机器学习模型中的至少一种，并且被配置为在基于原因指示的一致性和最有可能的原因数据的非空集以及最不可能的原因数据的非空集的可用性排除其他检修信息的同时，报告选择性检修信息。

在其他特征中，第二控制模块被配置为基于诊断故障代码数据、用于车辆程序的另一车辆的最有可能的原因数据或最不可能的原因数据来进行训练或更新集成模型中的至少一者。

在其他特征中，车辆程序是指车辆的类型、型号和年份。诊断故障代码来自根据车辆程序制造的多种车辆。

在其他特征中，第二控制模块被配置为在进行训练或更新集成模型中的至少一者的同时，移除未解决问题的维修动作。

在其他特征中，第二控制模块被配置为：从选择性逐字记录数据和故障模式有效分析数据中提取问题的症状、根本原因或候选数据中的至少一者；将保修劳动代码（warranty labor code）与提取的选择性逐字记录数据和故障模式有效分析数据进行组合；并且基于与提取的选择性逐字记录数据和故障模式有效分析数据进行组合的保修劳动代码来进行训练或更新集成模型中的至少一者。

在其他特征中，第二控制模块被配置为：用提取的选择性逐字记录数据和故障模式有效分析数据对结合的保修劳动代码进行归一化；并且基于归一化的与提取的选择性逐字记录数据和故障模式有效分析数据进行组合的保修劳动代码，进行训练或更新集成模型中的至少一者。

在其他特征中，第二控制模块被配置为：将归一化的与所提取的选择性逐字记录数据和故障模式有效分析数据进行组合的保修劳动代码分开，以提供训练数据、验证数据和测试数据；基于训练数据训练集成模型；基于验证数据确定集成模型的超参数；并使用测试数据确定集成模型的性能。

在其他特征中，提供了一种检修方法，该检修方法包括：经由第一网络装置的收发器从第二网络装置接收集成模型；并在第一网络装置处存储集成模型、诊断故障代码数据、最有可能的原因数据和最不可能的原因数据，其中，诊断故障代码数据、最有可能的原因数据和最不可能的原因数据具有车辆问题的相应的问题原因指示。该方法进一步包括执行集成模型，并且在执行集成模型时：比较问题原因指示并与诊断故障代码数据、最有可能的原因数据和最不可能的原因数据相对应，以确定问题原因指示是否一致，使得指示相同的问题原因；响应于问题原因指示是一致的，显示相同的问题原因；并且响应于问题原因的指示是不一致的并且基于一组条件，显示健康相关信息的选择性部分，同时避免显示健康相关信息的另一选择性部分。

在其他特征中，该方法进一步包括：在第二网络装置处从第一网络装置接收诊断故障代码数据、最有可能的原因数据和最不可能的原因数据；在第二网络装置处存储用于车辆程序的集成模型、故障模式有效分析数据、诊断故障代码数据、最有可能的原因数据、最不可能的原因数据、车辆操作者逐字记录数据（verbatim data）和维修动作；基于故障模式有效分析数据、诊断故障代码数据、最有可能的原因数据、最不可能的原因数据、车辆操作者逐字记录数据和维修动作，进行训练或更新集成模型中的至少一者；在该集成模型的训练或更新中的至少一项之后，将该集成模型发送到第一网络装置。

本发明还包括如下方案：

方案1. 第一网络装置，包括：

收发器，所述收发器被配置为从第二网络装置接收集成模型，其中，所述第二网络装置与所述第一网络装置分离；

存储器，所述存储器被配置为存储所述集成模型、诊断故障代码数据、最有可能的原因数据和最不可能的原因数据，其中，所述诊断故障代码数据、所述最有可能的原因数据和所述最不可能的原因数据具有针对车辆问题的相应的问题原因指示；以及

控制模块，所述控制模块被配置为执行所述集成模型并且在执行所述集成模型时：

比较与所述诊断故障代码数据、所述最有可能的原因数据和所述最不可能的原因数据相对应的所述问题原因指示，以确定所述问题原因指示是否一致，使得指示相同的问题原因，

响应于所述问题原因指示是一致的，显示所述相同的问题原因，并且

响应于所述问题原因指示不一致并且基于一组条件，显示健康相关信息的选择性部分，同时避免显示所述健康相关信息的另一选择性部分。

方案2. 根据方案1所述的第一网络装置，其中，所述集成模型是启发式模型或机器学习模型中的至少一种。

方案3. 根据方案1所述的第一网络装置，其中，所述控制模块被配置为：

确定部件是否发生故障；

响应于确定所述部件没有发生故障，确定是显示历史数据还是避免显示所述车辆的健康报告；以及

响应于确定所述部件已经发生故障，确定是显示选择性的健康相关信息还是避免显示所述车辆的健康报告。

方案4. 根据方案1所述的第一网络装置，其中，所述控制模块被配置为：

确定最有可能的原因数据的非空集和最不可能的原因数据的非空集是否可用；

响应于确定最有可能的原因数据的空集和最不可能的原因数据的空集可用，避免显示健康报告；以及

响应于确定最有可能的原因数据的非空集和最不可能的原因数据的非空集可用，显示所述最有可能的原因数据和所述最不可能的原因数据。

方案5. 根据方案1所述的第一网络装置，其中，所述控制模块被配置为：

确定所述最有可能的原因数据和所述最不可能的原因数据是否与技术人员观察或技术人员逐字记录中的至少一者一致；

响应于确定所述最有可能的原因数据和所述最不可能的原因数据与技术人员观察或技术人员逐字记录中的至少一者一致，显示所述最有可能的原因数据和所述最不可能的原因数据；以及

响应于确定所述最有可能的原因数据和所述最不可能的原因数据与技术人员观察或技术人员逐字记录中的至少一者不一致，显示所述最有可能的原因数据、所述最不可能的原因数据和其他与健康相关的数据。

方案6. 根据方案1所述的第一网络装置，其中，所述控制模块被配置为：

确定历史最有可能的原因数据和历史最不可能的原因数据是否可用；

响应于历史最有可能的原因数据和历史最不可能的原因数据不可用，避免显示健康报告；以及

响应于所述历史最有可能的原因数据和所述历史最不可能的原因数据可用，确定所述历史最有可能的原因数据和所述历史最不可能的原因数据中的至少一者是否与顾客逐字记录一致或没有顾客逐字记录可用。

方案7. 根据方案6所述的第一网络装置，其中，所述控制模块被配置为：

响应于所述历史最有可能的原因数据和所述历史最不可能的原因数据中的至少一者与顾客逐字记录一致或没有顾客逐字记录可用，显示趋势数据；以及

响应于所述历史最有可能的原因数据和所述历史最不可能的原因数据中的至少一者与客户逐字记录不一致或客户逐字记录可用，显示所述历史最有可能的原因数据和所述历史最不可能的原因数据。

方案8. 根据方案1所述的第一网络装置，其中：

所述最有可能的原因数据包括历史和当前最有可能的原因数据；以及

所述最不可能的原因数据包括历史和当前最有可能的原因数据。

方案9. 根据方案1所述的第一网络装置，其中，与健康相关的信息包括所述最有可能的原因数据、所述最不可能的原因数据、趋势数据、系统示意性数据以及维修建议。

方案10. 根据方案1所述的第一网络装置，其中，所述控制模块被配置为：

所述收发器被配置为接收由所述车辆、所述第二网络装置或另一网络装置生成的集成信息，其中，所述集成信息包括贪婪决定权；

基于集成信息生成最不可能的原因决定；以及

显示最不可能的原因决定。

方案11. 一种系统，包括：

根据方案1所述的第一网络装置；以及

所述第二网络装置，包括：

第二收发器，所述第二收发器被配置为从所述第一网络装置接收所述诊断故障代码数据、所述最有可能的原因数据和所述最不可能的原因数据，

第二存储器，所述第二存储器被配置为针对车辆程序存储所述集成模型、故障模式有效分析数据、所述诊断故障代码数据、所述最有可能的原因数据、所述最不可能的原因数据、车辆操作者逐字记录数据和维修动作，以及

第二控制模块，其被配置为：

基于所述故障模式有效分析数据、所述诊断故障代码数据、所述最有可能的原因数据、所述最不可能的原因数据、所述车辆操作者逐字记录数据和所述维修动作，进行训练或更新所述集成模型中的至少一者，以及

在进行所述训练或更新所述集成模型中的所述至少一者之后，经由所述第二收发器将所述集成模型发送到所述第一网络装置。

方案12. 根据方案11所述的系统，其中，所述集成模型是启发式模型或机器学习模型中的至少一种，并且被配置为在基于原因指示的一致性和最有可能的原因数据的非空集以及最不可能的原因数据的非空集的可用性排除其他检修信息的同时，报告选择性检修信息。

方案13. 根据方案11所述的系统，其中，所述第二控制模块被配置为基于诊断故障代码数据、用于所述车辆程序的另一车辆的最有可能的原因数据或最不可能的原因数据来进行训练或更新所述集成模型中的至少一者。

方案14. 根据方案11所述的系统，其中：

所述车辆程序是指所述车辆的类型、型号和年份；以及

所述诊断故障代码来自根据所述车辆程序制造的多个车辆。

方案15. 根据方案11所述的系统，其中，所述第二控制模块被配置为在进行训练或更新所述集成模型中的至少一者的同时，移除未解决所述问题的维修动作。

方案16. 根据方案11所述的系统，其中，所述第二控制模块被配置为：

从选择性逐字记录数据和故障模式有效分析数据中提取症状、根本原因或所述问题的候选数据中的至少一种；

将保修劳动代码与所提取的选择性逐字记录数据和故障模式有效分析数据进行组合；以及

基于与所述所提取的选择性逐字记录数据和故障模式有效分析数据进行组合的保修劳动代码，进行训练或更新所述集成模型中的至少一者。

方案17. 根据方案16所述的系统，其中，所述第二控制模块被配置为：

将与所述所提取的选择性逐字记录数据和故障模式有效分析数据进行组合的所述保修劳动代码进行归一化；以及

基于与所述所提取的选择性逐字记录数据和故障模式有效分析数据进行组合的归一化的保修劳动代码，进行训练或更新所述集成模型中的至少一者。

方案18. 根据方案17所述的系统，其中，所述第二控制模块被配置为：

将与所述所提取的选择性逐字记录数据和故障模式有效分析数据进行组合的所述归一化的保修劳动代码分开，以提供训练数据、验证数据和测试数据；

基于所述训练数据训练所述集成模型；

基于所述验证数据确定所述集成模型的超参数；以及

使用所述测试数据确定所述集成模型的性能。

方案19. 一种检修方法，包括：

经由第一网络装置的收发器从第二网络装置接收集成模型；

在所述第一网络装置处存储所述集成模型、诊断故障代码数据、最有可能的原因数据和最不可能的原因数据，其中，所述诊断故障代码数据、所述最有可能的原因数据和所述最不可能的原因数据具有针对车辆问题的相应的问题原因指示；以及

执行所述集成模型并且在执行所述集成模型的同时：

比较所述问题原因指示并且与所述诊断故障代码数据、所述最有可能的原因数据和所述最不可能的原因数据相对应，以确定所述问题原因指示是否一致，使得指示相同的问题原因，

响应于所述问题原因指示是一致的，显示相同的问题原因，并且

响应于所述问题原因指示不一致并且基于一组条件，显示健康相关信息的选择性部分，同时避免显示所述健康相关信息的另一选择性部分。

方案20. 根据方案19所述的方法，进一步包括：

在所述第二网络装置处从所述第一网络装置接收所述诊断故障代码数据、所述最有可能的原因数据和所述最不可能的原因数据；

在所述第二网络装置处存储针对车辆程序的所述集成模型、故障模式有效分析数据、所述诊断故障代码数据、所述最有可能的原因数据、所述最不可能的原因数据、车辆操作者逐字记录数据和维修动作；

基于所述故障模式有效分析数据、所述诊断故障代码数据、所述最有可能的原因数据、所述最不可能的原因数据、所述车辆操作者逐字记录数据和所述维修动作，进行训练或更新所述集成模型中的至少一者；以及

在进行所述训练或更新所述集成模型中的至少一者之后，将所述集成模型发送到所述第一网络装置。

根据具体实施方式、权利要求书和附图，本公开的其他应用领域将变得显而易见。具体实施方式和特定示例仅旨在用于说明的目的，并不旨在限制本公开的范围。

附图说明

通过具体实施方式和附图，将更加全面地理解本公开，其中：

图1是根据本公开的被配置为实现集成的启发式和/或机器学习模型的示例健康监测系统的功能框图；

图2是根据本公开的包括健康模块的示例车辆系统的功能框图；

图3是根据本公开的示例后台的功能框图；

图4示出了根据本公开的使用集成的启发式和/或机器学习模型实现的检修报告方法；

图5示出了根据本公开的用于更新集成的启发式和/或机器学习模型的适配过程；

图6是根据本公开的示例检修工具屏幕，其包括趋势图和具有最可能原因（MPC）和最不可能原因（LPC）信息的系统健康信息报告；

图7是根据本公开的包括系统示意图和包括MPC和LPC信息的系统健康信息报告的示例检修工具屏幕；

图8是示出根据本公开的第一示例架构的功能框图，该第一示例架构包括在检修工具处的当前车辆数据的集成和在后台处的绿色电力（POG）原因指示数据的集成；

图9是示出根据本公开的第二示例架构的功能框图，该第二示例架构包括当前车辆数据和在检修工具处的POG原因指示数据的集成；

图10是示出根据本公开的第三示例架构的功能框图，该第三示例架构包括在检修工具处的当前车辆数据的集成和在车辆处的POG原因指示数据的集成；以及

图11是示出根据本公开的第四示例架构的功能框图，该第四示例架构包括当前车辆数据和车辆处的POG原因指示数据的集成。

在附图中，附图标记可以被重复使用以标识相似和/或相同的元件。

具体实施方式

当车辆操作者遇到车辆内的问题时（例如，车辆难以启动），将车辆带到检修站以对车辆进行检修和/或维修。检修技术人员通常将车辆连接到诊断检修工具，以确定是否已设置任何诊断故障代码（DTC）。技术人员还可以查看其他各种收集和/或可访问的信息，诸如FMEA文档、DFMEA检修手册文档、历史数据、当前测量数据、来自车辆操作者的逐字记录（verbatim note）（以下称为逐字记录（verbatim））等。当出现某些问题时，收集的信息可能会不一致，并指示问题的不同原因，尤其是对于间歇性故障。结果，来自不同工具和来源的诊断结果会使检修技术人员感到困惑，并导致对检修工具的不信任，对问题的错误诊断和/或预后以及增加的检修和保修成本。同样，如果为一个问题设置了多个DTC，则可能会进一步增加确定问题的真正根本原因的难度。

对于某些问题，找不到问题（NTF）的比例和客户关注不可重复（CCND）比例可能很高。作为示例，当车辆难以启动时，问题的原因可能是以下几项中的一项或多项：电池不良，起动器不良，电子控制模块不良，连接不良，电子部件不良等。检修技术人员在查看所有收集的信息时可能很难查明问题的原因。这可能会导致在电池确实不是不良时，技术人员错误地确定电池不良。结果，保修成本和/或客户维修成本增加。当发生故障时，不信任可用的检修工具和/或收集的信息的检修技术人员可能会基于从过去的经验中学到的知识来更换部件。这也可能导致更换不正确的部件。

作为另一个示例，如果问题是间歇的，并且没有报告检修工具诊断故障代码，没有车载故障指示灯亮起，也没有来自远程活动健康监测系统的后台指示，则技术人员可能会错误地确定没有故障存在。这导致客户需要提车，等待问题变得更糟，以及将车辆返回检修站，这可能导致客户不满意，并进一步增加检修和/或保修成本。作为示例，可以提供后台指示，并包括指示是否存在问题的绿色、黄色或红色（GYR）指示。GYR指示可以为部件的健康状态（SOH）提供置信度。绿色标记指示部件正在按预期运行。黄色标记指示部件运行时功能降低和/或性能下降。红色标记指示部件已发生故障或将在短短的一段时间内发生故障。

本文阐述的示例包括健康监测系统，该健康监测系统包括自适应和集成诊断模型，以及基于特定条件向检修技术人员指示选择性信息的系统。没有报告其他选择性检修和/或与健康相关的信息。这样做是为了最大程度地减少和/或防止在确定问题原因时造成混淆。公开了多种不同的自适应集成架构和方法。提供了处理永久性故障和间歇性故障的示例。永久性故障是指与失效部件相关的故障。间歇性故障是指偶尔显示的故障，并且可能与性能下降的部件、松动的连接和/或其他无法连续显示故障的问题相关。该系统包括使用启发式和机器学习模型以及独特的图形用户界面屏幕，以快速、清晰和轻松地确定问题。该系统使检修技术人员能够快速、轻松地诊断和/或预后问题。

图1示出了配置为实现集成的启发式和/或机器学习模型的健康监测系统100。健康监测系统100包括车辆102、后台104和检修工具106。车辆102可以包括车身控制模块（BCM）110、收发器112、存储器114和车辆系统116。承载健康模块118的BCM 110或其他控制模块可以包括健康模块118，以向车辆操作者指示与健康相关的信息。如图2所示，可以经由信息娱乐系统指示与健康相关的信息。存储器114可以存储各种数据119。车辆系统116的示例在图2中示出。数据可以包括健康相关信息、检修信息等。健康相关信息可以包括POG原因指示和相关信息以及系统和/或部件状态信息（例如，健康状态，检修时长，性能数据等）。

后台104可以被实现为基于云的网络的一部分，并且包括一个或多个服务器120、收发器122和存储器124。服务器120可以包括控制模块126，控制模块126可以包括模型模块128。模型模块128可以创建、训练和更新集成的启发式和/或机器学习模型130（以下称为集成诊断模型或简称为集成模型130），其与数据132一起存储在存储器124中。下面参考图3进一步描述后台。

检修工具106可以在检修站处实现，并且在检修车辆102时用作功能测试仪。检修工具106可以包括控制模块140、收发器142、用户界面144和存储器146。控制模块140包括检修模块148。用户界面144可以包括触摸屏和/或小键盘。存储器146可以存储集成模型130和数据150。检修工具106可以无线地或经由一根或多根导线连接至车辆102。检修工具106可以用于例如获得、接收和/或生成当前DTC（称为DTC）、历史DTC（HDTC）、当前MPC（称为MPC）、当前LPC（称为LPC）和/或其他与检修相关的信息。数据150可以包括DTC、HDTC、MPC和LPC。

在一些实施例中，检修工具106在另一网络装置处或作为另一网络装置的一部分来实现，诸如在移动电话、车载装置或检修提供商的服务器处或作为其一部分。检修提供商和/或后台104可以提供指示由检修工具106输出的检修和/或健康信息的网站。该网站可以通过移动电话、车载装置和/或其他网络装置来访问。有权访问移动电话、车载装置和/或其他网络装置的用户和/或技术人员可以访问网站和/或检修和/或健康信息。健康信息可以包括以下所述的任何报告的信息。检修和/或健康信息可以包括本文公开的任何检修和/或健康信息。在这些实施例中，检修模块148被实现在移动电话中、车载网络装置中或检修提供商的服务器中。这些实施例全部适用于图1-11的任何实施例和/或本文描述的相应特征。

控制模块110、128、140可以共享各种健康相关信息。控制模块126和140共享集成模型130。控制模块126可以基于从车辆102和/或检修工具106接收到的数据来训练和/或更新集成模型130。

图2示出了图1的车辆102的示例车辆系统200。车辆系统200包括BCM 110，远程信息处理模块206，推进控制模块208，制动系统210，导航系统212，信息娱乐系统214，空调系统216以及其他车辆系统和模块218。BCM 110包括健康模块118。模块和系统110、118、206、208、212、214、216、218可以经由控制器局域网（CAN）总线219彼此通信。该通信可以包括其他系统，诸如制动系统210。可以包括电源220并且其为BCM 110和其他系统、模块、装置和/或部件供电。电源220可以包括一个或多个电池和/或其他电源。

远程信息处理模块206可以包括收发器230和远程信息处理控制模块232。推进控制模块208可以控制推进系统236的操作，该推进系统236可以包括发动机238和/或一个或多个电动马达240。发动机238可包括起动马达242（或起动器）、燃料系统244、点火系统246和节气门系统（throttle system）248。

BCM 110可以基于来自传感器260的数据来控制模块和系统118、206、208、210、212、214、216、218以及其他装置和系统。其他装置和系统可包括窗户和门致动器262，内部灯264，外部灯266，行李箱马达和锁268，座椅位置马达270，座椅温度控制系统272和车辆镜马达274。传感器260可以包括温度传感器，压力传感器，流量传感器，位置传感器等。

健康模块118可以监测所陈述的系统、模块、装置和部件的状态，并经由例如信息娱乐系统214指示健康信息，该信息娱乐系统214可以包括一个或多个显示器、灯、音频系统等。健康模块118可以向图1的控制模块126、140报告健康信息和/或各种状态信息。健康模块118还可从控制模块126、140接收健康相关信息，并将健康相关信息报告给车辆操作者。

图3示出了示例后台104，其包括服务器120、收发器122和存储器124。服务器120包括控制模块126和模型模块128。模型模块128可以接收FMEA和DFMEA信息300，历史数据302，DTC，HDTC，MPC和LPC 304，逐字记录和维修动作306，并基于此信息生成、训练、更新并提供集成模型130。可以将集成模型130提供给图1的检修工具106。

图3的FMEA和DFMEA信息300可以包括症状和问题之间的关系。FMEA和DFMEA信息300可以从远程数据中心310接收。历史数据302可以包括先前为当前型号车辆（即，图1的车辆102的型号）记录的HLPC和HMPC。可以为不同型号的车辆生成不同的集成模型。历史数据302可以包括特定车辆102和/或相同型号和/或类型的其他车辆的历史数据。

可以从图1的检修工具106接收DTC、HDTC、MPC和LPC 304。DTC、HDTC、MPC和LPC 304也可以或可替代地在车辆102处生成并发送到后台104。在处理从车辆102收集的原始信号之后，DTC、HDTC、MPC和LPC 304也可以或者可替代地在后台104处生成。图3的逐字记录和维修动作306可以包括车辆操作者逐字记录、检修技术人员的逐字记录和实际的维修动作，其中相应的维修动作标签标识了所执行的动作。存储器124可以存储集成模型130、FMEA和DFMEA信息300、历史数据302、逐字记录和维修动作306，当前数据320（例如，DTC，MPC，LPC）和HDTC 322，它们也可以被称为历史数据。

模型模块128能够使集成模型130适合于每个车辆程序，其可以参考车辆类型、型号、年份和/或其他车辆识别信息。模型模块128可以实现神经网络，诸如卷积神经网络（CNN）和/或递归神经网络（RNN）。模型模块128还或者可替代地用作支持向量机（SVM）。模型模块128还可以或可替代地在训练集成模型130时实施随机森林学习方法（random forestlearning method）。模型模块128还可以或者可替代地实现统计干扰方法，诸如贝叶斯干扰方法，以随着数据变得可用来更新假设的概率。

一旦训练后，集成模型130就被提供给图1的检修工具106。检修工具106执行集成模型130以生成健康报告信息，如下文进一步描述。

图4示出了使用集成的启发式和/或机器学习模型实现的检修报告方法。可以迭代地执行图4的操作。该方法可以在400处开始，并且可以由检修工具106的检修模块148执行。在402处，对于当前测试的车辆，检修模块148将可用的历史数据（例如，HMPC，HLPC和HDTC数据）加载到存储器146中。

在404处，检修模块148可以生成MPC和LPC数据，并且可以根据生成数据的时间段来生成HMPC和HLPC数据。MPC和LPC数据可以基于参数标识符（ID）、DTC和车辆健康管理（VHM）信息来生成。如果在数据不足的情况下无法生成HMPC、HLPC、MPC和/或LPC数据，则HMPC、HLPC、MPC和LPC数据可以包含空集指示符。VHM信息可以包括GYR指示和/或其他健康相关信息。VHM信息可以基于在延长的时间段内连续评估指示健康状态的各种参数。作为示例，可以评估电池的充电状态、开路电压、最小起动电压、起动时间、电池内部电阻和/或其他参数。识别所监测参数中的问题症状（与正常情况的偏差）以诊断和预测故障（例如电池故障）。MPC数据、VHM信息、DTC等可以被参考或与指示每个问题的一个或多个可能、可能和/或不太可能的原因的原因指示（有时被称为决定）相关联。

在406处，检修模块148确定所加载和生成的数据和信息是否一致，从而指示出问题的相同原因。如果加载的和生成的数据不一致，则执行操作408，否则执行操作410。

在408处，检修模块148报告并显示一致的问题原因指示和解决该问题的相应建议。这可以经由检修工具屏幕来完成。检修工具屏幕可以与图6和图7所示的屏幕类似地配置，但包括图6和7所示的不同信息。

在410处，检修模块148确定与问题原因指示相关联的部件是否已经发生故障（例如，不起作用和/或不能按预期执行）。如果是，则发生永久性故障并执行操作412，否则发生间歇性故障并执行操作430。

在412处，检修模块148确定非空集MPC和LPC数据是否可用。如果否，则检修工具106和/或集成模型可能未配置为诊断（或覆盖）故障（或问题），并且执行操作414，否则，检修工具106和集成模型130配置为诊断故障（或问题），然后执行操作424。

在414处，检修模块148确定非空集HMPC和HLPC数据是否可用。如果否，则故障不被覆盖并且执行操作416，否则执行操作418。操作416的执行可以被称为主动警报（proactivealert）。

在416处，检修模块148避免报告健康相关信息，包括避免显示健康报告。

在418处，检修模块148确定以下至少一者：（i）HMPC和HLPC数据是否与顾客的逐字记录一致，或者（ii）如果没有顾客的逐字记录可用。如果都不是，则执行操作420，否则执行操作422。在420处，检修模块148显示历史数据（例如，HMPC和HLPC数据）。在422处，检修模块148报告并显示HMPC数据、HLPC数据和趋势数据。作为示例，问题可能是无法启动，集成模型可以确定燃油泵是导致无法启动的原因，并报告HMPC、HLPC和趋势数据，这可能表明燃油泵出现故障。

在424处，检修模块148确定MPC和LPC数据是否与技术人员的观察和逐字记录一致。如果是，则执行操作426，否则执行操作428。在426处，检修模块148报告并显示MPC和LPC问题原因的指示（或决定）。继续相同的示例无法启动问题，可以执行操作426，并且指示无法启动问题是由于电池不良造成的。

在428处，检修模块148显示健康相关信息，其可以包括MPC、LPC、建议、DTC、趋势数据、系统示意图和/或其他健康相关数据。陈述的信息可能表明无法启动问题是由于电池漏电（leaky battery）所致。这可以通过显示MPC来指示，这表明问题最有可能的原因是电池漏电。漏电的电池状况可能难以检测和识别。如果未执行操作424，则尽管电池正在漏电，但MPC指示可以指示MPC不是电池。执行操作424以允许技术人员更容易地进行该确定。

在430处，检修模块148确定HMPC和HLPC数据是否可用。如果否，则执行操作432，否则执行操作434。在432处，检修模块148避免报告健康相关信息，包括避免显示健康报告。

在434处，检修模块148确定以下至少一者：（i）HMPC和HLPC数据是否与客户的逐字记录一致，或者（ii）如果没有逐字记录可用。如果都不是，则执行操作436，否则可以执行操作438。在436处，检修模块148显示历史数据（例如，HMPC和HLPC数据）。在438处，检修模块148报告并显示HMPC数据、HLPC数据和趋势数据。继续相同的无法启动示例，检修模块148可以指示由于电池上的低充电状态而发生了间歇性的无法启动故障。

该方法可以在440处结束。这可以在操作416、420、422、426、428、432、436、438之后发生。

图5示出了用于更新图1的集成的启发式和/或机器学习模型130的适配过程。模型130可以是长短期记忆（LSTM）模型。LSTM模型能够处理时间序列数据并基于当前和历史数据做出决定。可以迭代地执行图5的操作。该方法可以由图1的后台104的模型模块128执行，并且在500处开始。

在502处，模型模块128加载历史数据，该历史数据可以包括针对设定的时间段的HMPC和HLPC数据以及当前的测试结果，当前的测试结果可以包括DTC以及MPC和LPC数据。可以针对车辆程序中的车辆进行的每次维修来完成此操作。车辆程序可以指代车辆的类型、型号和年份以及其他车辆识别信息。包括MPC数据、LPC数据和诊断故障代码的历史数据和当前数据可以来自和/或对应于根据车辆程序制造的多种车辆。

在504处，模型模块128移除与未解决问题的维修相关联的数据和/或纠正数据以指示确实纠正了问题的适当维修。这可以基于车辆操作者和/或技术人员的逐字记录来执行。这也可以基于来自现场工程师的逐字记录来执行，该逐字记录是例如评估技术人员认为不良的部件（例如电池）。当执行其他后续维修以纠正以前执行的维修未解决的相同问题时，也可能会删除数据。

在506处，模型模块128加载逐字记录、FMEA和DFMEA数据，并提取选择的信息，诸如症状、根本原因和/或与该问题相关联的候选子系统。在508处，模型模块128将保修劳动代码与所提取的所选信息进行组合，并将组合的结果用作每个维修案例的标签数据。保修劳动代码可以指代指示执行哪种类型的维修的编号（例如，更换电池可能具有特定的保修劳动代码）。

在510处，模型模块128用常数更换组合结果中不可用（或为空集）的任何字段。常数可以是零，可以是负数，也可以是大的数字，以将该数字与其他实际数据区分开。在512处，模型模块128归一化组合的结果数据。这可以包括缩放数据以使其具有例如0-1之间的值。

在514处，模型模块128将归一化的数据划分为训练、验证和测试数据集。

在516处，模型模块128将训练数据集作为输入提供给图1的集成模型130，使用验证集来找到最佳超参数，并使用测试数据集来确定集成模型的性能水平。超参数指示提供最佳结果的相应神经网络的最佳层数。层太少或太多会导致更糟的结果。神经网络的每一层可以包括在上述训练期间训练的权重。

在518处，模型模块128将具有选定数量的层的训练后的所得集成模型保存在存储器124中。该模型可以被发送到一个或多个检修工具，诸如检修工具106。这可以作为对检修工具的初始转移或更换和/或更新已经存储在检修工具上的集成模型来完成。该方法可以在520处结束。

图6示出了检修工具屏幕600，其包括车辆信息窗口602和系统健康信息报告窗口604。提供示例检修工具屏幕600作为图4的操作438的示例。车辆信息窗口602可以包括车辆信息，诸如颜色、车辆检修标签、构建数据、交付数据和其他车辆信息。车辆信息可以包括开放字段动作（open field action）606和检修信息608。开放字段动作606可以包括动作类型、原始编号和描述。检修信息608可以包括检修类型、编号、描述、日期等。

系统健康信息报告窗口604可以包括趋势图610和系统健康信息报告612。趋势图610可以包括历史数据趋势和/或与随时间的问题相关联的其他趋势数据。趋势图610可以指示顾客何时注意到问题（例如，无法启动的问题），如线614的示例曲线所示。如图所示，系统健康信息报告612可以指示MPC、LPC和建议。在所示示例中，发生了无法启动，并且集成模型指示MPC为起动器，LPC为电池，并建议更换起动器。集成模型可以为其他问题和问题原因提供类似的信息。在一个实施例中并且对于间歇性故障情况，要指示的可能健康信息中的图1的检修工具106仅在系统健康信息报告中示出了相关性和历史数据趋势。

上述操作旨在作为说明性示例。取决于应用，可以在重叠的时间段期间以不同顺序顺序地、同步地、同时地、连续地执行操作。另外，根据事件的实施方式和/或顺序，可能不执行或跳过任何操作。

图7示出了检修工具屏幕700，其包括车辆信息窗口702和系统健康信息报告窗口704。提供示例检修工具屏幕700作为图4的操作426的示例。车辆信息窗口702可以包括车辆信息，诸如颜色、车辆检修标签、构建数据、交付数据和其他车辆信息。车辆信息可以包括开放字段动作706和检修信息708。开放字段动作706可以包括动作类型、原始编号和描述。检修信息708可以包括检修类型、编号、描述、日期等。

系统健康信息报告窗口704可以包括系统示意图710和系统健康信息报告712。系统示意图710可以包括识别模块、装置、部件以及相应的互连的框，以示出分层布局以及模块、装置和部件之间的关系。不同的模块、装置和部件可以不同地突出显示和/或着色，以指示特定子系统的模块、装置和/或部件和/或可以与特定问题相关联。系统示意图710允许技术人员快速识别可能涉及和/或问题原因的模块、装置和部件。这可以基于系统健康信息报告中的信息来完成。技术人员可以基于系统示意图710和/或不同模块、装置和/或部件的突出显示和/或着色来验证健康信息报告中的信息。如图所示，由系统健康信息报告窗口704提供的系统健康信息报告可以指示MPC、LPC和建议。在所示示例中，发生了无法启动，并且集成模型指示：MPC是CAN总线、被动进入被动启动（passive entry passive start）（PEPS）模块、BCM或遥控钥匙（keyfob）（或遥控钥匙模块）；LPC是电池、起动器或发动机；以及检查总线连接的建议。集成模型可以为其他问题和问题原因提供类似的信息。在一个实施例中并且对于永久故障情况，图1的检修工具106并且可能的健康信息可用于指示、仅显示（或报告）当前测试结果以及来自集成模型的MPC和LPC结果。检修工具106避免显示其他可用状态和/或健康相关信息。

上述示例包括使用自适应架构来更新集成模型。启发式模型用于集成不同的信息。机器学习模型用于生成综合结果（或决定）。FMEA和DFMEA可用于标记症状、根本原因和候选原因。

可以基于当前车辆数据、诊断和预后结果以及技术人员的观察和客户逐字记录为LPC生成实现不同的架构，并向检修技术人员显示LPC结果以进行车辆维修。向技术人员提供LPC信息可以帮助技术人员避免不必要的维修。这些架构和相应的系统涉及（i）车载和后台数据的收集和处理，以及（ii）检修工具的集成并显示给技术人员。

图8示出了第一示例架构（或第一系统）800，其包括在检修工具处的当前车辆数据的集成以及在后台处的绿色电力（POG）问题原因指示数据的集成。VHM评估旨在预测限定的现场故障模式的开始。POG决定在本文中被参考并且使用LPC启发式方法基于VHM信息来生成。在设定的时间段内，来自特定子系统、模块、装置和/或部件的GYR指示进行的连续绿色评估越多，系统就越确信子系统、模块、装置和/或部件良好（即，运行正常和/或在正常设置参数的运行范围内）。类似地，在设定的时间段内，来自特定子系统、模块、装置和/或部件的GYR指示进行的连续黄色和/或红色评估越多，系统就越确信子系统、模块、装置和/或部件不良（即，异常运行和/或超出了正常设置参数的运行范围）。

第一系统800包括车辆102、后台804和检修工具106。车辆102包括BCM 110、收发器112、存储器114和车辆系统116。BCM 110包括健康模块118。健康模块118可以执行车载系统、模块、装置和部件的数据收集，并将收集到的数据报告给后台804和/或检修工具106。健康模块118可以由车辆模块、移动网络装置（例如，移动电话）的模块、加密狗（dongle）和/或其他车载装置来实现。健康模块118可以被实现为应用。在一个实施例中，健康模块118由车载远程信息处理系统实现。

后台804包括一个或多个服务器820、收发器822和存储器824。服务器820包括具有模型模块128的控制模块826。控制模块826可以进一步包括诊断和预后模块830、GYR模块832和POG模块834。诊断和预后模块830可以基于从健康模块118接收到的数据来确定：存在问题的原因；预测将来会发生的问题；以及/或预计发生问题的原因。这可以基于来自一个或多个车辆，包括存在问题的车辆的历史和当前收集的数据。在后台804处执行的操作可以被称为云计算。GYR模块832可以基于历史数据和当前收集的数据来提供GYR指示。GYR指示可基于诊断和预后。可以通过例如向车辆102和/或车辆操作者的移动网络装置发信号，将GYR指示作为主动警报提供给车辆操作者。POG模块834可以基于GYR指示和/或GYR模块832的输出来生成POG决定和历史数据，诸如HMPC和HLPC数据。POG决定可能包括LPC，并且可能为做出的MPC和LPC决定提供置信度。存储器824存储集成模型130和数据132。

检修工具106包括控制模块140、收发器142、用户界面144和存储器146。控制模块140包括检修模块148。检修模块148可以集成POG决定、车辆数据以及技术人员和客户报告，并且可以基于该集成来生成MPC和LPC数据（或决定）。车辆数据可以包括由健康模块118收集的数据。这可以使用集成模型来完成。可以将MPC和LPC决定提供回后台，以继续调整集成模型。存储器146存储集成模型130和数据150。

图9示出了第二示例架构（或第二系统）900，其包括当前车辆数据和在检修工具处的POG问题原因指示数据的集成。第二系统900包括车辆102、后台904和检修工具906。车辆102包括BCM 110、收发器112、存储器114和车辆系统116。BCM 110包括健康模块118。

后台904包括一个或多个服务器920、收发器922和存储器924。服务器920包括具有模型模块128的控制模块926。控制模块926可以进一步包括诊断和预后模块830和GYR模块832。诊断和预后模块830可以基于所收集到的数据来确定：存在问题的原因；预测将来会发生的问题；以及/或预计发生问题的原因。这可以基于来自一个或多个车辆，包括存在问题的车辆的历史和当前收集的数据。在后台804处执行的操作可以被称为云计算操作。GYR模块832可以基于历史数据和当前收集的数据来提供GYR指示。GYR指示可基于诊断和预后。可以通过例如向车辆102和/或车辆操作者的移动网络装置发信号，将GYR指示作为主动警报提供给车辆操作者。存储器924存储集成模型130和数据132。

检修工具906包括控制模块940、收发器942、用户界面944和存储器946。控制模块940包括检修模块148和POG模块950。POG模块950可以生成POG决定和历史数据，诸如HMPC和HLPC数据。POG决定可能包括LPC，并且可能为做出的MPC和LPC决定提供置信度。

检修模块148可以集成POG决定、车辆数据以及技术人员和客户报告，并且可以生成MPC和LPC数据（或决定）。这可以使用集成模型来完成。可以将MPC和LPC决定提供回后台，以继续调整集成模型。存储器946存储集成模型130和数据150。

图10示出了第三示例架构（或第三系统）1000，其包括在检修工具处的当前车辆数据的集成和在车辆处的POG问题原因指示数据的集成。第三系统1000包括车辆1002、后台104和检修工具106。车辆1002包括BCM 1010、收发器1012、存储器1014和车辆系统1016。BCM1010包括健康模块118，并且可以进一步包括诊断和预后模块（diagnosis and prognosismodule）1030、GYR模块1032和POG模块1034。诊断和预后模块1030、GYR模块1032和POG模块1034可以与图8的诊断和预后模块830、GYR模块832和POG模块834类似地操作。诊断和预后模块830可以基于由车辆收集的数据来提供诊断和预后信息，所述数据包括车辆系统、模块、装置和部件的状态。在一实施例中，使用边缘计算装置来实现诊断和预后模块1030、GYR模块1032和POG模块1034，该边缘计算装置可以在车辆102上或包括在车辆1002和后台104之间的网络装置中。POG模块1034将POG决定提供给检修工具106的检修模块148。

后台104包括一个或多个服务器120、收发器122和存储器124。服务器120包括具有模型模块128的控制模块126，并且如上所述训练和更新集成模型130。存储器124存储集成模型130和数据132。检修工具106包括控制模块140、收发器142、用户界面144和存储器146。控制模块140包括检修模块148。检修模块148可以从POG模块1034和边缘计算装置接收POG决定，而不是从后台104接收。存储器146存储集成模型130和数据150。

图11示出了第四示例架构（或第四系统）1100，其包括当前车辆数据和车辆处的POG问题原因指示数据的集成。第四系统1100包括车辆1102、后台104和检修工具106。车辆1102包括BCM 1110、收发器1112、存储器1114和车辆系统1116。BCM 1010包括健康模块118，并且可以进一步包括诊断和预后模块1030、GYR模块1032和POG模块1034。BCM 1110还可包括集成模块1136。集成模块1036可以将诸如LPC决定的POG决定与诸如当前MPC和LPC数据的其他车辆数据集成。其他车辆数据可以包括HMPC和HLPC数据。

在一实施例中，使用边缘计算装置来实现诊断和预后模块1030、GYR模块1032、POG模块1034和集成模块1136，该边缘计算装置可以在车辆102上或包括在车辆1102和后台104之间的网络装置中。集成模块1136将组合的POG决定和其他车辆数据提供给检修工具106的检修模块148。

后台104包括一个或多个服务器120、收发器122和存储器124。服务器120包括具有模型模块128的控制模块126，并且如上所述训练和更新集成模型130。存储器124存储集成模型130和数据132。检修工具106包括控制模块140、收发器142、用户界面144和存储器146。控制模块140包括检修模块148。检修模块148可以从集成模块1136和边缘计算装置接收组合的POG决定和其他车辆数据。检修模块148将技术人员和客户（或车辆操作者）的逐字记录/报告进行集成，并从车辆1102接收车载集成结果，并基于该集成提供LPC决定，该LPC决定可以显示在检修工具屏幕中。存储器146存储集成模型130和数据150。

上述示例包括用于实现LPC决定生成的架构。这是经由车载和后台数据收集、诊断和预后、POG决定生成以及车辆、检修工具和/或后台处的信息集成来实现的。提供了用于实现LPC决定生成的不同架构变体。在一个实施例中，基于诊断和预后结果进行车载数据收集和后台POG决定生成。检修工具信息集成基于POG决定、车辆数据以及技术人员和客户报告进行。

在另一个实施例中，执行车载数据收集和后台数据库更新以用于诊断和预后结果。基于诊断和预后（D＆P）结果提供POG决定生成。D＆P结果用于检修工具中的POG决定。POG决定、车辆数据以及技术人员和客户报告被集成在一起。

在又一个实施例中，基于车载D＆P决定来生成车载POG决定。POG决定、车辆数据以及技术人员和客户报告的检修工具集成是在检修工具处实现的。在另一个实施例中，基于车载D＆P决定来生成车载POG决定。执行车载信息集成，并且包括集成POG决定和车辆数据。检修工具的信息集成包括集成车载结果以及技术人员和客户报告。针对不同的变体描述了不同的检修信息集成。

前述描述本质上仅是说明性的，绝不旨在限制本公开、其应用或用途。本公开的广泛教导可以以多种形式实现。因此，尽管本公开包括特定示例，但是本公开的真实范围不应受到如此限制，因为在研究附图、说明书和所附权利要求之后，其他修改将变得显而易见。应当理解，在不改变本公开的原理的情况下，可以以不同的顺序（或同时）执行方法内的一个或多个步骤。此外，尽管以上将每一个实施例描述为具有某些特征，但是相对于本公开的任何实施例描述的那些特征中的任何一个或多个特征都可以在任何其他实施例的特征中实现和/或与其他实施例的特征组合，即使该组合没有被明确描述。换句话说，所描述的实施例不是互相排斥的，并且一个或多个实施例彼此的置换仍在本公开的范围内。

使用各种术语，包括“连接”、“接合”、“联接”、“相邻”、“紧邻”、“在...顶部”、“在上方”、“在下方”和“设置”，来描述元件之间（例如，模块，电路元件，半导体层等之间）的空间和功能关系。除非明确地描述为“直接”，否则在以上公开中描述了第一元件和第二元件之间的关系时，该关系可以为第一元件和第二元件之间不存在其他中间元件的直接关系，但是也可以为在第一元件和第二元件之间存在一个或多个中间元件（在空间上或功能上）的间接关系。如本文中所使用的，短语A、B和C中的至少一者应使用非排他性逻辑“或”解释为表示逻辑（A或B或C），并且不应解释为表示“A中的至少一个，B中的至少一个和C中的至少一个”。

在附图中，箭头所指的方向（如箭头所示）通常示出了该图示感兴趣的信息流（诸如数据或指令）。例如，当元素A和元素B交换各种信息，但从元素A发送到元素B的信息与图示有关时，箭头可从元素A指向元素B。此单向箭头并不意味着没有其他信息从元素B发送到元素A。此外，对于从元素A发送到元素B的信息，元素B可以向元素A发送对该信息的请求或接收对该信息的确认。

在包括以下定义的本申请中，术语“模块”或术语“控制器”可以被术语“电路”代替。术语“模块”可以指代以下术语、为其一部分或包括以下术语：专用集成电路（ASIC）；数字、模拟或混合的模拟/数字分立电路；数字、模拟或混合的模拟/数字集成电路；组合逻辑电路；现场可编程门阵列（FPGA）；执行代码的处理器电路（共享，专用或组）；用于存储由处理器电路执行的代码的存储器电路（共享，专用或组）；提供所述功能的其他合适的硬件部件；或上述的某些或全部的组合，诸如在片上系统中。

模块可以包括一个或多个接口电路。在一些示例中，接口电路可以包括连接到局域网（LAN）、互联网、广域网（WAN）或其组合的有线或无线接口。本公开的任何给定模块的功能可以分布在经由接口电路连接的多个模块中。例如，多个模块可以允许负载平衡。在另一个示例中，服务器（也称为远程或云）模块可以代表客户端模块完成某些功能。

如上所使用的术语“代码”可以包括软件、固件和/或微代码，并且可以指代程序、例程、功能、类、数据结构和/或对象。术语“共享处理器电路”包含执行多个模块中部分或全部代码的单个处理器电路。术语“组处理器电路”包含一种处理器电路，该处理器电路与其他处理器电路结合，执行一个或多个模块中的一些或全部代码。对多个处理器电路的引用包含分立管芯上的多个处理器电路，单个管芯上的多个处理器电路，单个处理器电路的多个核，单个处理器电路的多个线程或上述的组合。术语“共享存储器电路”包含一种单存储器电路，该单存储器电路存储来自多个模块的部分或全部代码。术语“组存储器电路”包含一种存储器电路，该存储器电路与附加存储器组合，存储来自一个或多个模块的部分或全部代码。

术语“存储器电路”为术语“计算机可读介质”的子集。如本文中所使用的，术语“计算机可读介质”不包含传播通过介质（诸如在载波上）的瞬时电信号或电磁信号；因此，术语“计算机可读介质”可以被认为是有形的和非暂时性的。非暂时性有形计算机可读介质的非限制性示例为非易失性存储器电路（诸如闪存电路，可擦除可编程只读存储器电路或掩码只读存储器电路），易失性存储器电路（诸如静态随机存取存储器电路或动态随机存取存储器电路），磁存储介质（诸如模拟或数字磁带或硬盘驱动器）和光存储介质（诸如CD，DVD或蓝光光盘）。

本申请中描述的装置和方法可以由通过配置通用计算机以执行计算机程序中实施的一个或多个特定功能而创建的专用计算机来部分或完全实现。上述功能块、流程图部件和其他元件用作软件规范，可以通过技术人员或程序员的日常工作将其转换为计算机程序。

计算机程序包括处理器可执行指令，该处理器可执行指令存储在至少一种非暂时性有形计算机可读介质上。计算机程序还可以包含或依赖于所存储的数据。所述计算机程序可以包含与专用计算机的硬件交互的基本输入/输出系统（BIOS），与专用计算机的特定装置交互的装置驱动程序，一个或多个操作系统，用户应用程序，后台检修，后台应用程序等。

这些计算机程序可以包括：（i）待解析的描述性文本，诸如HTML（超文本标记语言），XML（可扩展标记语言）或JSON（JavaScript对象表示法），（ii）汇编代码，（iii）由编译器从源代码生成的目标代码，（iv）由解释器执行的源代码，（v）由即时编译器进行编译和执行的源代码等。仅作为示例，源代码可以使用包括以下语言的语言的语法来编写：C、C++、C＃、Objective-C、Swift、Haskell、Go、SQL、R、Lisp、Java®、Fortran、Perl、Pascal、Curl、OCaml、Javascript®、HTML5（超文本标记语言第5版）、Ada、ASP（活动服务器页面）、PHP（PHP：超文本预处理器）、Scala、Eiffel、Smalltalk、Erlang、Ruby、Flash®、Visual Basic®、Lua、MATLAB、SIMULINK和Python®。

Claims (10)

1.一种第一网络装置，包括：

收发器，所述收发器被配置为从第二网络装置接收集成模型，其中，所述第二网络装置与所述第一网络装置分离；

存储器，所述存储器被配置为存储所述集成模型、诊断故障代码数据、最有可能的原因数据和最不可能的原因数据，其中，所述诊断故障代码数据、所述最有可能的原因数据和所述最不可能的原因数据具有针对车辆问题的相应的问题原因指示；以及

控制模块，所述控制模块被配置为执行所述集成模型并且在执行所述集成模型时：

比较与所述诊断故障代码数据、所述最有可能的原因数据和所述最不可能的原因数据相对应的所述问题原因指示，以确定所述问题原因指示是否一致，使得指示相同的问题原因，

响应于所述问题原因指示是一致的，显示所述相同的问题原因，并且

响应于所述问题原因指示不一致并且基于一组条件，显示健康相关信息的选择性部分，同时避免显示所述健康相关信息的另一选择性部分。

2.根据权利要求1所述的第一网络装置，其中，所述集成模型是启发式模型或机器学习模型中的至少一种。

3.根据权利要求1所述的第一网络装置，其中，所述控制模块被配置为：

确定部件是否发生故障；

响应于确定所述部件没有发生故障，确定是显示历史数据还是避免显示所述车辆的健康报告；以及

响应于确定所述部件已经发生故障，确定是显示选择性的健康相关信息还是避免显示所述车辆的健康报告。

4.根据权利要求1所述的第一网络装置，其中，所述控制模块被配置为：

确定最有可能的原因数据的非空集和最不可能的原因数据的非空集是否可用；

响应于确定最有可能的原因数据的空集和最不可能的原因数据的空集可用，避免显示健康报告；以及

响应于确定最有可能的原因数据的非空集和最不可能的原因数据的非空集可用，显示所述最有可能的原因数据和所述最不可能的原因数据。

5.根据权利要求1所述的第一网络装置，其中，所述控制模块被配置为：

确定所述最有可能的原因数据和所述最不可能的原因数据是否与技术人员观察或技术人员逐字记录中的至少一者一致；

响应于确定所述最有可能的原因数据和所述最不可能的原因数据与技术人员观察或技术人员逐字记录中的至少一者一致，显示所述最有可能的原因数据和所述最不可能的原因数据；以及

响应于确定所述最有可能的原因数据和所述最不可能的原因数据与技术人员观察或技术人员逐字记录中的至少一者不一致，显示所述最有可能的原因数据、所述最不可能的原因数据和其他与健康相关的数据。

6.根据权利要求1所述的第一网络装置，其中，所述控制模块被配置为：

确定历史最有可能的原因数据和历史最不可能的原因数据是否可用；

响应于历史最有可能的原因数据和历史最不可能的原因数据不可用，避免显示健康报告；以及

响应于所述历史最有可能的原因数据和所述历史最不可能的原因数据可用，确定所述历史最有可能的原因数据和所述历史最不可能的原因数据中的至少一者是否与顾客逐字记录一致或没有顾客逐字记录可用。

7.根据权利要求6所述的第一网络装置，其中，所述控制模块被配置为：

响应于所述历史最有可能的原因数据和所述历史最不可能的原因数据中的至少一者与顾客逐字记录一致或没有顾客逐字记录可用，显示趋势数据；以及

响应于所述历史最有可能的原因数据和所述历史最不可能的原因数据中的至少一者与客户逐字记录不一致或客户逐字记录可用，显示所述历史最有可能的原因数据和所述历史最不可能的原因数据。

8.根据权利要求1所述的第一网络装置，其中：

所述最有可能的原因数据包括历史和当前最有可能的原因数据；以及

所述最不可能的原因数据包括历史和当前最有可能的原因数据。

9.根据权利要求1所述的第一网络装置，其中，与健康相关的信息包括所述最有可能的原因数据、所述最不可能的原因数据、趋势数据、系统示意性数据以及维修建议。

10.根据权利要求1所述的第一网络装置，其中，所述控制模块被配置为：

所述收发器被配置为接收由所述车辆、所述第二网络装置或另一网络装置生成的集成信息，其中，所述集成信息包括贪婪决定权；

基于集成信息生成最不可能的原因决定；以及

显示最不可能的原因决定。

Images