CN115718802A - 一种故障诊断方法、系统、设备及存储介质 - Google Patents

Abstract

本申请公开了一种故障诊断方法、系统、设备及存储介质，通过获取故障信息；利用故障维修知识图谱以及AI诊断模型对故障信息进行分析，生成故障原因，根据所述故障原因，从所述故障维修知识图谱中确定与所述获取故障信息和所述故障原因关联的解决方案。根据当前故障信息与已训练好的AI深度学习分类判别模型进行故障诊断，找出与故障现象连接的故障原因和解决办法，将匹配结果展示出来，实现对设备故障诊断的辅助分析。由此，降低服务成本诊断知识库/引导式诊断降低技能要求和人工成本，并且提高维修方案准确性，减少返工成本，从而提升故障诊断维修效率。

Description

一种故障诊断方法、系统、设备及存储介质

技术领域

本申请涉及智能网联技术领域，特别是涉及一种故障诊断方法、系统、设备及存储介质。

背景技术

随着科技的进步和人们对于出行需求的改变，汽车越来越多的走入千家万户走上道路，目前汽车已经成为日常生活中的关键设备。随着汽车数量的越来越多，道路路况越来越复杂，道路交通事故急剧增加。其中，由于车辆部件本身的问题造成的交通事故，占据了交通事故的30％以上。

随着汽车电气电子化、新能源化、智能网联化，汽车故障问题不再是简单的机械问题，更多的有电气故障、系统通讯及网络总线等故障。汽车故障变得更加复杂，涉及到多个领域的综合性问题，这给维修技师带来了前所未有的挑战。社会上智能网联化汽车保有量在不断的增长，而培养一名合格的汽修专家却需要很长的时间，以至于供需关系严重不平衡。尤其是根据经验或者咨询相关人员获得技术指导，来验证及解决故障，这种方式耗时较长且容易出现诊断失误的情况。

因此，如何高效地分析汽车故障原因并给出故障解决方案，是本领域技术人亟需解决的技术问题。

发明内容

基于上述问题，本申请提供了一种故障诊断方法、系统、设备及存储介质，能够提高故障诊断识别结果的准确性。

为解决上述问题，本申请实施例所提供的技术方案如下：

本申请第一方面提供了一种故障诊断方法，包括：

获取故障信息；

利用故障维修知识图谱以及AI诊断模型对故障信息进行分析，生成故障原因，所述AI诊断模型为基于历史采集的故障诊断数据资料训练，通过机器学习和归档数据分析优化得到的诊断准确率达到预设阈值的诊断模型；

根据所述故障原因，从所述故障维修知识图谱中确定与所述获取故障信息和所述故障原因关联的解决方案。

可选的，所述故障维修知识图谱的构建方法包括：

获取故障诊断数据资料；

分析所述故障诊断数据资料的来源和属性，获得所述故障诊断数据资料的属性、多个实体类，及多个实体类之间的关系；

根据所述实体类、所述属性及所述实体类之间的关系构建所述故障维修知识图谱的模式层；

根据所述故障维修知识图谱的模式层的需求查询所述故障诊断数据资料，得到查询结果；

根据所述查询结果抽取知识三元组，所述知识三元组表示以实体-关系-实体连接形式呈现的故障维修知识图谱基本组成单元；

利用所述知识三元组填充所述故障维修知识图谱的数据层，将所述数据层和模式层结合获得故障维修知识图谱。

可选的，所述获取故障信息之前，还包括：

响应于检测指令，根据所述检测指令生成引导诊断流程；

按序执行所述引导诊断流程生成检测信息，所述检测信息为执行当前所述引导诊断流程时显示的检测指导信息；

根据所述检测信息的检测结果确定故障信息。

可选的，所述故障信息包括故障现象和故障参数，所述故障维修知识图谱包括故障现象实体，所述利用故障维修知识图谱以及AI诊断模型对故障信息进行分析，生成故障原因，包括：

将输入的故障现象与所述故障维修知识图谱中的故障现象实体的文本进行语义相似度计算比对，获取语义相似度超过阈值的故障现象实体；

从所述故障维修知识图谱中找到所获取的故障现象实体关联的故障参数与候选故障原因，由故障参数确定相应的AI诊断模型；

将所获得的候选故障原因与输入的故障参数加入训练数据集重新对所确定的AI诊断模型进行训练；

利用训练好的AI诊断模型对输入的故障参数进行判别，输出故障原因。

可选的，所述AI诊断模型包括特征提取层和解码层，所述利用故障维修知识图谱以及AI诊断模型对故障信息进行分析，生成故障原因，包括：

将所述故障信息输入所述特征提取层进行编码，得到编码结果；

将所述编码结果输入所述解码层，得到标注序列；

根据所述标注序列预测隐藏状态序列；

根据所述标注序列和所述隐藏状态序列确定所述故障信息的特征实体，所述特征实体用于表示从输入的故障信息中提取出的关于故障现象的文本；

根据所述特征实体查询所述故障维修知识图谱，得到所述故障信息对应的故障原因。

可选的，所述AI诊断模型的训练过程，包括：

获取包含历史故障诊断数据资料的当前训练数据集；

训练步骤：将所述当前训练数据集输入待训练的AI诊断模型，所述待训练的AI诊断模型利用梯度下降算法生成预备解决方案；

根据归档数据处理所述预备解决方案，得到处理结果，所述处理结果包括修正解决方案和对所述修正解决方案的评分，所述修正解决方案为对所述预备解决方案中的错误信息修正后得到的方案；

根据所述处理结果中评分高于阈值的修正解决方案更新当前训练数据集，并执行所述训练步骤及后续步骤直至模型诊断准确率达到预设阈值，生成所述AI诊断模型。

可选的，所述将所述数据层和模式层结合获得故障维修知识图谱之后，还包括：

响应于获取到新增故障诊断数据资料，根据所述新增故障诊断数据资料分别更新所述知识图谱模式层和所述知识图谱数据层。

第二方面，本申请实施例提供了一种系统，包括：

故障信息获取单元，用于获取故障信息；

故障原因生成单元，用于利用故障维修知识图谱以及AI诊断模型对故障信息进行分析，生成故障原因，所述AI诊断模型为基于历史采集的故障诊断数据资料训练，通过机器学习和归档数据分析优化得到的诊断准确率达到预设阈值的诊断模型；

解决方案确定单元，用于根据所述故障原因，从所述故障维修知识图谱中确定与所述获取故障信息和所述故障原因关联的解决方案。

第三方面，本申请实施例提供了一种设备，所述设备包括存储器和处理器，所述存储器用于存储指令或代码，所述处理器用于执行所述指令或代码，以使所述设备执行前述第一方面任一项所述的故障诊断方法。

第四方面，本申请实施例提供了一种计算机存储介质，所述计算机存储介质中存储有代码，当所述代码被运行时，运行所述代码的设备实现前述第一方面任一项所述的故障诊断方法。

相较于现有技术，本申请具有以下有益效果：

本申请提供的故障诊断方法，通过获取故障信息；利用故障维修知识图谱以及AI诊断模型对故障信息进行分析，生成故障原因，所述AI诊断模型为基于历史采集的故障诊断数据资料训练，通过机器学习和归档数据分析优化得到的诊断准确率达到预设阈值的诊断模型；根据所述故障原因，从所述故障维修知识图谱中确定与所述获取故障信息和所述故障原因关联的解决方案。本申请提供的方法可以有效地利用历史采集的故障诊断数据资料等构成的故障维修知识图谱，对设备的故障诊断进行辅助分析，从而减少使用人员频繁重复的故障分析工作，辅助设备维护人员更快地发现故障原因和解决问题，从而提升故障诊断和维修效率；本发明方法能够随时间根据历史故障数据不断更新设备故障维修知识图谱，工作人员可以输入设备故障现象，通过在设备故障维修知识图谱中的故障现象之间进行语义相似度计算，通过机器学习和归档数据分析两种方式持续优化诊断算法，不断提升诊断结果的准确性，而后根据当前历史故障数据与已训练好的AI深度学习分类判别模型进行故障诊断，找出与故障现象连接的故障原因和解决办法，将匹配结果展示出来，实现对设备故障诊断的辅助分析。由此，远程方式大幅降低服务成本诊断知识库/引导式诊断降低技能要求和人工成本，并且提高维修方案准确性，减少返工成本。

附图说明

为更清楚地说明本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，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例所提供的一种故障诊断方法流程图；

图2为本申请实施例所提供的构建故障维修知识图谱的方法流程图；

图3为本申请实施例所提供的引导式诊断定位故障的方法流程图；

图4为本申请实施例所提供的一种引导式诊断流程示意图；

图5为本申请实施例提供的引导式远程诊断示意图；

图6为本申请实施例所提供的一种故障诊断系统结构图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

正如前文所述，由于汽车新技术日新月异，汽车电控系统日趋复杂，汽车发生故障的频率越来越高，汽车出现故障的原因越来越复杂。汽车发生故障后，需要等待维修人员到达发生故障的汽车的位置进行汽车故障诊断与维修，在不对整车进行解体的情况下，通过观察汽车故障征兆及使用仪器设备确定汽车工作状况，查明故障原因和故障部位，应用相应的维修方法及工具排除汽车故障。当汽车发生故障后，查找汽车发生故障的原因所占用的时间为70％，而对汽车进行维修的时间仅占30％。一般情况下，为保证数据采集过程中的安全性，需车辆原地启动，浪费时间、人力等相关资源，诊断和维修的成本较高。当前传统售后服务面临的问题如下：缺少合格的维修技师，培训周期长，流动性强，易造成重复维修；对诊断仪结果由手工处理，效率低、易出错，因此车辆的返厂率高；维修技师无法快速获取维修技术资料，浪费时间，维修周期长；主机厂工程师现场支持差旅时间成本高，单次修复率低，新技术/新车型快速推出，大大增加诊断维修难度，容易影响客户体验，客户满意度差。

有鉴于此，本申请提供了一种故障诊断方法、系统、设备及存储介质。旨在通过获取故障信息；利用故障维修知识图谱以及AI诊断模型对故障信息进行分析，生成故障原因，所述AI诊断模型为基于历史采集的故障诊断数据资料训练，通过机器学习和归档数据分析优化得到的诊断准确率达到预设阈值的诊断模型；根据所述故障原因，从所述故障维修知识图谱中确定与所述获取故障信息和所述故障原因关联的解决方案。本发明方法能够随时间根据历史故障数据不断更新设备故障维修知识图谱，工作人员可以输入设备故障现象，通过在设备故障维修知识图谱中的故障现象之间进行语义相似度计算，以及根据当前历史故障数据与已训练好的AI深度学习分类判别模型进行故障诊断，找出与故障现象连接的故障原因和解决办法，将匹配结果展示出来，实现对设备故障诊断的辅助分析。在此基础上，本申请还提供了逐步引导/辅助决策定位故障，根据诊断指令生成诊断引导信息，准确高效得获取故障信息。由此，远程方式大幅降低服务成本诊断知识库/引导式诊断降低技能要求和人工成本，并且提高维修方案准确性，减少返工成本。

本申请实施例提供的方法由诊断后台系统执行，例如可以由汽车后台服务器执行。所述汽车后台服务器可以是一台服务器设备，也可以是由多台服务器组成的服务器集群。

以下通过一个实施例，对本申请提供的一种故障诊断方法进行说明。请参考图1，图1为本申请实施例所提供的一种故障诊断方法流程图，本实施例所提供的诊断方法可以由诊断后台系统执行，包括：

S101、获取故障信息，利用故障维修知识图谱以及AI诊断模型进行故障原因判断，生成故障原因。

在一种可能的实现方式中，所述故障信息包括故障现象和故障参数，所述输入故障信息，利用故障维修知识图谱以及AI诊断模型进行故障原因判断，生成故障原因包括A1-A4：

A1：将输入的故障现象与所述故障维修知识图谱中的故障现象文本进行语义相似度计算比对，获取超过阈值的故障现象实体。

故障现象为当前车辆发生故障的具体表现，例如无法启动，雨刷速度异常等，在实际应用中可以获取当前车辆故障现象的文本描述，系统获取用户输入的文本数据与知识图谱中的故障现象实体通过进行语义相似度计算，其中工具可以应用word2vector(词向量)。

获取相似度较高的几个故障现象实体，即超过阈值的故障现象实体，此处阈值可以根据实际情况进行适应性调整，在此不做限制。

A2：从所述故障维修知识图谱中找到所获取的故障现象实体关联的故障参数与故障原因，由故障参数确定相应的AI诊断模型。

AI诊断模型，即AI深度学习分类判别模型，以SVM(支持向量机)模型为例，在原支撑向量和原样本的基础上，根据新输入的样本是否正确分类，采用成熟的SVM增量学习来更新支撑向量和模型。在本实施例应用过程中，系统获取历史发生故障时的设备参数以及故障类型，将获取到的多种故障现象的特征数据作为样本批量输入，通过将设备参数做归一化正则处理并采用支持向量机SVM进行训练获得判别模型。其中，各个AI诊断模型可以根据人工判断的故障类型作为标签，对AI诊断模型进行更新学习。例如，故障类型有M种，可以根据各种故障类型形成M种特定的AI诊断模型，例如故障类型为保险丝型号错误，该故障现象对应的故障参数为保险丝电压a，设置该故障类型的诊断模型为保险丝型号错误AI诊断模型。

本步骤中系统先利用输入的故障现象与故障参数与故障维修知识图谱进行故障现象匹配，对故障现象进行语义相似度计算，获得超过设定阈值的相似度较高的几个故障现象实体，对应获取故障现象实体关联的故障原因实体与故障参数实体，也即获得故障现象实体关联的故障参数。由知识图谱获取的故障原因为候选故障类型。例如，上述步骤中已经获取到A，B，C，D四种候选故障类型，即当前设备可能存在这四种故障原因。再根据四种候选故障类型所关联的故障参数确定对应的AI诊断模型，A故障的故障参数为a1，获取a1对应的AI诊断模型。将知识图谱预判别的候选故障类型和输入的故障参数加入训练集，对所确定的AI诊断模型进行再次训练，以此来获得更加精准的AI判别模型。

在实际应用过程中，应用故障参数确定AI诊断模型较为准确，在一些可能的实现方式中，存在一个故障类型具有多个故障参数的情况，例如当故障类型为电池故障时，该故障类型可能对应多个故障参数，例如电池老化故障对应的是故障参数a，电池线路连接故障对应的是故障参数b，此时两种故障参数对应两种不同的模型，AI诊断模型a和AI诊断模型b。

该进程通过混合模型，结合了输入的故障参数和故障现象的历史数据，可以提高对故障原因的预测精度。

A3：将所获得的故障原因与输入的故障参数加入训练数据集重新对所确定的AI诊断模型进行训练。

A4：利用训练好的AI诊断模型对输入的故障参数进行判别，输出故障原因。

由知识图谱获取的故障原因为候选故障类型。再根据故障现象所关联的故障参数确定对应的AI诊断模型，将知识图谱预判别的候选故障类型和输入的故障参数加入训练集，对所确定的AI诊断模型进行再次训练，以此来获得更加精准的AI判别模型。最后利用训练后得到的更加精准的AI深度学习分类判别模型判断输入的传感器数据对应的故障原因。通过混合模型，结合了故障参数和故障现象的历史数据，可以提高对故障原因的预测精度。

利用相应的AI诊断模型对当前输入的故障参数进行判别，获取对应的故障原因，在实际应用场景中故障原因可以通过获取故障种类概率，并按照概率大小将故障现象实体相关联的故障零部件实体、故障原因实体、解决办法实体同时展示给用户作为故障诊断的辅助判断。

在一种可能的实现方式中，所述AI诊断模型包括特征提取层和解码层，所述输入故障信息，利用故障维修知识图谱以及AI诊断模型进行故障原因判断，生成故障原因，包括B1-B4：

其中，BiLSTM-CRF直观显示了模型结构与优势，其中BiLSTM(双向长短期记忆神经网络)通过前向/后向传递的方式学习序列中某字符依赖的过去和将来的信息，CRF(条件随机场)则考虑到标注序列的合理性。模型主要由Embedding(嵌入)层(主要有词向量，字向量以及一些额外特征)，双向LSTM层，以及最后的CRF层构成。

B1：将所述故障信息输入所述特征提取层进行编码，得到编码结果。

将获取到的故障信息输入特征提取层，在实际应用过程中，引入双向LSTM(长短期记忆网络)层作为特征提取工具，LSTM拥有较强的长序列特征提取能力。双向LSTM，在提取某个时刻特征时，能够利用该时刻之后的序列的信息，可以提高模型的特征提取能力。

B2：将所述编码结果输入所述解码层，得到标注序列。

将上述步骤获取得到的编码结果输入解码层，在实际应用场景中，引入CRF作为解码工具。中文输入经过双向LSTM层的编码之后，需要能够利用编码到的丰富的信息，从自由文本中识别出属于预定义类别的文本片段,将其转化成NER(命名实体识别)标注序列。

B3：根据所述标注序列预测隐藏状态序列。

对于已经解码得到的标注序列，结合序列标注问题，需要预测隐藏的状态序列。通过计算上述步骤中得到的每个标注序列的概率，选取概率最大的状态序列作为预测结果，求解方法可以为Viterbi算法。在实际应用过程中也可以是指概率阈值，根据不小于概率阈值的序列状态自主选取预测隐藏状态序列。

B4：根据所述标注序列和所述隐藏状态序列确定所述输入故障信息对应的故障原因。

根据获取到的隐藏序列和标注序列提取知识图谱中的实体元素，实体为概念集合。对获取到的上述序列进行词性标注、事件要素抽取、基因序列分析处理。其中，词性标注(POS)是NLP领域最常见也是应用最广泛的场景之一。绝大部分语种(无论是否存在明显单词分隔符)都由语义基础组成部分——单词(token)构成，有单词就一定有对单词词性的标注。事件要素抽取任务是利用预定义事件的要素类型，通过模型分析文本数据，接着抽取某一事件实例对应的相关要素取值，进而对该事件实例进行刻画。例如对故障语句进行抽取处理，通过对词语词性标注为名词、动词、形容词等，进而获得器件名、故障名称，例如器件名为“保险丝”，故障名称为“老化”，进而确定出故障原因为保险丝老化。

通过观察上述步骤中获得的序列，预测隐藏状态序列，抽取用户描述的知识信息，从而确定输入故障信息对应的故障原因。

所述AI诊断模型为基于历史采集的故障诊断数据资料训练，通过机器学习和归档数据分析优化得到的诊断准确率达到预设阈值的诊断模型。

在一种可能的实现方式中，所述AI诊断模型的训练过程，包括C1-C3：

C1、获取包含历史故障诊断数据资料的当前训练数据集。

C2、训练步骤：将所述当前训练数据集输入待训练的AI诊断模型，所述待训练的AI诊断模型利用梯度下降算法生成预备解决方案。

根据归档数据处理所述预备解决方案，得到处理结果，所述处理结果包括修正解决方案和对所述修正解决方案的评分，所述修正解决方案为对所述预备解决方案中的错误信息修正后得到的方案。

本申请中机器学习主要在梯度下降是时候做优化，当目标函数是凸函数时，梯度下降法的解是全局解。一般情况下，其解不保证是全局最优解，梯度下降法的速度也未必是最快的。因此，在本申请中采用了该种优化方法，梯度下降法的优化思想是用当前位置负梯度方向作为搜索方向，因为该方向为当前位置的最快下降方向。最速下降法越接近目标值，步长越小，前进越慢。这样的迭代过程使搜索诊断结果不断迭代结果越来越准确。

算法搜索推送的维修解决方案多种辅助解决方案作为预备解决方案，如果推送的维修方案尚有不足之处解决方案步骤有误，技术人员可以对各个解决方案中进行不足之处进行补充和打分然后归档，归档后有专业人员后续可以对分值较低的进行分析审核，确认无误就会补充完善到我们的知识库中。

C3、根据所述处理结果中评分高于阈值的修正解决方案更新当前训练数据集，并执行所述训练步骤及后续步骤直至模型诊断准确率达到预设阈值，生成所述AI诊断模型。

获取上述步骤中评分高于阈值的修正解决方案，并对训练数据集进行更新，循环执行上述步骤C2，直至模型诊断准确率达到预设阈值，停止循环得到AI诊断模型。

S102、根据所述故障原因，从所述故障维修知识图谱中确定与所述输入故障信息和所述故障原因关联的解决方案实体。

基于服务知识图谱和实体识别查询映射，根据故障现象、故障码及工况参数自动诊断故障并给出维修方案/诊断步骤及相似案例。由上述两种方法获取故障原因，判断出的故障原因，从设备的故障维修知识图谱中找到与输入故障现象和所述故障原因关联的故障零部件和解决办法实体，展示给用户。在实际应用场景中，可以根据故障类型判别概率结果，根据结果大小，在数据库中查找与这些故障现象连接的故障零部件、故障原因、解决办法等实体，将检索到的故障现象、故障零部件、故障原因、解决办法等实体同时展示出来，帮助维修人员对设备的故障诊断进行辅助分析，从而减少使用人员频繁重复的故障分析工作，辅助设备维护人员更快地发现故障原因和解决问题，达到提升故障诊断和维修效率的目的。

以下通过一个实施例，对本申请提供的构建故障维修知识图谱的方法包进行说明，本实施例所提供的构建故障维修知识图谱方法由诊断后台系统执行。请参考图2，图2为本申请实施例所提供的构建故障维修知识图谱的方法流程图，包括：

S201、获取故障诊断数据资料。

其中，设备故障数据为与设备故障相关的数据，可以固有的相关故障数据信息。例如，FMEA、维修手册、用户手册、零件图册、电气原理图、培训课件、维修工单、维修案例、技术支持案例和技术公告等。所述设备故障数据也可以为是设备历史维修数据记录中的故障数据，即第三方数据，存储于第三方数据库中。

信息抽取(infromation extraction)信息抽取是一种自动化地从半结构化和无结构数据中抽取实体、关系以及实体属性等结构化信息的技术。关键技术包括：实体抽取、关系抽取和属性抽取。实体抽取，也称为命名实体识别(named entity recognition，NER)，是指从文本数据集中自动识别出命名实体，如故障现象、零件、描述等。当前主流技术为面向开放域(open domain)的实体抽取。关系抽取，为了得到语义信息，从相关语料中提取出实体之间的关联关系，通过关系将实体联系起来，才能够形成网状的知识结构，抽取样例，发动机抖动，所属，h6。属性抽取，目标是从不同信息源中采集特定实体的属性信息，如针对某个故障现象，可以从描述信息中得到其时间、并发问题等信息。采用数据挖掘的方法直接从文本中挖掘实体属性和属性值之间的关系模式，据此实现对属性名和属性值在文本中的定位。

其中，知识图谱的原始数据类型一般来说有三类：结构化数据(Structed Data)，如关系数据库。非结构化数据，如图片、音频、视频。半结构化数据，如XML、JSON、百科，使用图数据库来进行存储，常用的如Neo4j数据库(由Java实现的开源NoSql图数据库)，nebula数据库(基于图数据库的特性使用C++编写)，GraphDB数据库(使用图结构进行语义查询的数据库)等。

在实际应用场景中，通过信息抽取，实现从原始数据中获取到了实体、关系以及实体的属性信息后，就需要通过知识融合对数据进行逻辑归属和冗杂/错误过滤。如指代消解和实体消歧，即需要实体链接和知识合并两个流程实现。对非结构化/半结构化数据处理：实体链接(entity linking)的流程是通过给定的实体指称项，通过相似度计算进行实体消歧和共指消解，确认正确实体对象后，再将该实体指称项链接到知识库中对应实体。其中实体消歧解决同名实体产生歧义问题，共指消解解决多个指称对应同一实体对象的问题。对结构化数据处理：知识合并主要涉及“合并外部知识库”，处理数据层和模式层的冲突；以及用RDB2RDF等方法“合并关系数据库”，其中为了将结构化的历史数据融入到知识图谱中，可以采用资源描述框架(RDF)作为数据模型。业界和学术界将这一数据转换过程形象地称为RDB2RDF，其实质就是将关系数据库的数据换成RDF的三元组数据。

S202、分析所述故障诊断数据资料的来源和属性，获得所述故障诊断数据资料的属性、多个实体类，及多个实体类之间的关系。

根据上述步骤获得的故障诊断数据资料，其中来源可以为故障检修知识库或第三方数据库，其中故障检修知识库可以存储有固有的相关故障数据信息。例如，FMEA、维修手册、用户手册、零件图册、电气原理图、培训课件、维修工单、维修案例、技术支持案例和技术公告等。第三方数据库可以包含设备历史维修数据记录中的故障数据。在实际应用过程中，根据故障数据的来源以及不同的数据类型对获取到的资料进行分类，分析资料中的资料属性如器件名称、故障名称、检修动作、故障数据等，根据前述属性及来源可以将数据资料分成若干个实体类，例如器件、故障、样本集和故障特征，并且根据故障诊断数据资料中的确定各个实体类的属性以及两个实体类之间的连接关系，例如根据A型号的保险丝相关的故障诊断数据资料，确定当前型号保险丝的属性为必要电子元器件，系统可以抽取到相应的实体为器件和故障样本。

S203、根据所述实体类、所述属性及所述实体类之间的关系构建所述故障维修知识图谱的模式层。

在实际应用场景中，可以采用七步法构建故障维修模式层，并在创建实例前进行质量评估。流程可以为本体抽取、质量评估、知识推理，最终形成知识图谱。

其中，七步法构建过程包括：

第一步：确定本体的领域，明确领域本体的目的，本申请的本体涉及领域为故障维修领域；

第二步：查看是否有可复用本体，调研是否有相关的本体已经构建好，如果有的话可直接导入节省构建成本和时间；

第三步：确定重要术语，在列举所有的术语时需保证全面性；

第四步：定义类及其层次结构，本申请采用自顶向下的方法，即先定义领域中最宽泛的概念，然后进行细化；

第五步：确定类的属性，仅依靠类无法提供充足的信息，因此还需要定义类的属性来进一步描述类，确定类的属性还包括定义类间关系；

第六步：定义属性的约束，如对属性值的类型、属性值的数量范围等进行限制；

第七步：通过质量评估后创建类的具体实例。

在一些可能的实现方式中，也可以结合故障诊断领域的专家知识建立本体模型，构建知识图谱模式层。

在通过信息抽取，和知识融合后已经实现从原始杂乱数据中获得到一系列基本的事实表达。之后一步就是通过知识计算获得结构化，网络化的知识体系以及更新机制。本体构建即通过实体并列关系相似度计算、实体上下位关系抽取、本体的生成，完成自动化的本体构建，实现将数据归类成人工的概念集合/概念框架，如“人”、“事”、“物”等。质量评估，可以对知识的可信度进行量化，通过舍弃置信度较低的知识来保障知识库的质量。

S204、根据所述故障维修知识图谱的模式层的需求查询所述故障诊断数据资料，得到查询结果。

例如模式层包括器件、故障、样本集和特征，根据模式层的上述四种内容从从故障诊断数据资料中获取下层(数据层)中的实例内容。例如根据模式层的器件查询得到器件实体(器件A，器件B)。根据模式层的故障查询到若干个故障实体(故障a，故障b)。

S205、根据所述查询结果抽取知识三元组。

从上数步骤中已经获取到的若干个实体，其中模式层中器件与故障之间的连接为包含关系，故障与样本集之间的联系为导致或包含关系，样本集与特征之间为包含关系。根据上述模式层中的各个关联关系，抽取数据层中各个实例间的连接关系，具体的，抽取两个实体间的连接关系，例如抽取器件A与故障a之间的关联关系，生成知识三元组，器件A包含故障a。所述知识三元组表示以实体-关系-实体连接形式呈现的故障维修知识图谱基本组成单元。

S206、利用所述知识三元组填充所述故障维修知识图谱的数据层，将所述数据层和模式层结合获得故障维修知识图谱。

将上述步骤中获取到若干个三元组，填充到数据层，形成数据完整的数据层，将数据层与模式层相结合形成完整的故障维修知识图谱，并存储到数据库中。

关于形成的知识图谱的应用，例如知识检索、智能问答、知识导览和智能诊断。在本申请中主要利用形成的知识图谱进行故障诊断，详细过程参见实施例一，在此不做赘述。

在实际应用过程中，知识推理出故障维修知识图谱中的新知识，可以补入故障维修知识图谱。知识推理即通过基于逻辑的推理、基于图的推理和基于深度学习的推理，处理知识图谱之间关系值缺失，完成进一步的知识发现。

在一种可能的实现方式中，响应于获取到新增设备故障数据，进行知识更新过程，在知识图谱实际应用后，将有大量数据涌入和更新，因此知识的更新流程是必须搭建的。更新包括概念层的更新和数据层的更新。概念层的更新是指新增数据后获得了新的概念，需要自动将新的概念添加到知识库的概念层中。数据层的更新主要是新增或更新实体、关系、属性值，对数据层进行更新需要考虑数据源的可靠性、数据的一致性(是否存在矛盾或冗杂等问题)等可靠数据源，并选择在各数据源中高频出现的事实和属性加入知识库。

以下通过一个实施例，对本申请提供的引导式诊断定位故障的方法包进行说明，本实施例所提供的引导式诊断定位故障方法由诊断后台系统执行。请参考图3，图3为本申请实施例所提供的引导式诊断定位故障的方法流程图，包括：

S301、响应于检测指令，根据所述检测指令生成引导诊断流程。

关于引导式诊断的工作流程可以参考图4，图4为本申请实施例所提供的一种引导式诊断流程示意图。响应于获取到检测指令，其中，检测指令可以为指示检测设备各个器件的开始指令，例如图4中的“初步检查”、“检查蓄电池电压”、“检查保险丝”、“检查发动机控制模块接地线路”、“检查发动机控制模块接地线路”、“重新对ECM进行编程和设置”、“更换发动机控制模块”和“利用诊断仪确认故障是否消除”。根据当前获取到的检测指令生成引导诊断流程，例如当系统接收到检测指令为检测蓄电池电压时，生成后续的整个引导诊断流程，所述引导诊断流程包括各个检测步骤以及各检测步骤对应的解决方案。即图4中的检测蓄电池电压至最终步骤利用诊断仪确认故障是否消除。

S302、按序执行所述引导诊断流程生成检测信息。

所述检测信息为执行当前所述引导诊断流程时显示的检测指导信息。在检测过程中，针对每个检测步骤系统可以生成一个用于指引机器或操作者对相应器件进行检测的指导信息，例如图4中执行检测步骤5：检查发动机控制模块接地线路后，系统生成的检测信息可以为“操作启动开关使电源模式至OFF状态，断开发动机控制模块线束连接器CA21c。使用万用表根据以下表格测量各端子”，其中生成的表格包括预设的测量端子1(多个CA21c)，测量端子2(车身接地)，机器或人工检测后，根据检测值与系统提供的标准值进行匹配，其中标准值可以为标准值区间或标准值阈值，例如，标准电阻小于1欧姆，根据匹配结果判读当前检测值是否符合标准。

在一种可能的实现方式中，在引导式诊断的基础上可以增加远程诊断协助，参照图5的远程诊断过程，图5为本申请实施例提供的引导式远程诊断示意图，系统结构化可解析的引导诊断步骤，嵌入可自动执行的远程诊断程序(OTX)，采集OTX诊断的反馈结果并自动判断当前检测信息的故障，而后可以根据按键触发解决方案的生成，点击OTX触发按键，生成诊断结果。例如图5中的检测结果，包括“OTX测量值电阻24欧姆，超出标准值，诊断为ECM接地线路故障”，以及当前诊断结果可以包括其他触发指令，如“取消”“查看详情”“生成工单”等，其中查看详情可以查看当前检测对象对应的检测值以及检测流程，生成工单对应后续根据判定的故障信息和知识图谱完成故障解决方案的推荐过程。

S303、根据所述检测信息的检测结果确定故障信息。

根据上述步骤中获得的检测值与标准值的比对结果，确定当前检测故障是否存在故障，例如图4中检查发动机控制模块接地线路后，得到检测结果，响应于测量值不符合标准，则确认当前检测信息存在故障，对当前检测信息对应的故障器件的故障信息进行获取，其中，故障信息可以包括当前检测目标、检测目标的测量值，后续根据故障信息和维修知识图谱生成对应的解决方案。响应于测量值符合标准，则确认当前检测信息不存在故障，继续执行当前检测信息的后续引导诊断流程。

本申请提供的故障诊断方法，通过响应于检测指令，根据所述检测指令生成引导诊断流程，按序执行所述引导诊断流程生成检测信息，根据所述检测信息的检测结果确定故障信息。如此，根据当前检测指令确定预设的诊断流程，将车辆的诊断数据、测试数据和技术资料组合起来，并根据故障现象，通过确定诊断思路，定义诊断流程，进而形成程序语言的方法来实现故障排查与处理。这使得车辆的故障查找更加理性、精确、直观和经济，并降低了电器类故障诊断工程中对于维修技师的技术依赖，还弥补了售后经销商整体诊断能力不足的缺陷。远程方式大幅降低服务成本，诊断知识库/引导式诊断降低技能要求和人工成本的同时，提高了诊断准确率。

以上为本申请实施例所提供的故障诊断方法的一些具体实现方式，基于此，本申请还提供了对应的用于故障诊断的系统。下面将从功能模块化的角度对本申请实施例所提供的系统进行介绍。图6为本申请实施例所提供的一种故障诊断系统结构图。

本申请实施例还提供了一种故障诊断系统，包括：

故障信息获取单元401，用于获取故障信息；

故障原因生成单元402，用于利用故障维修知识图谱以及AI诊断模型对故障信息进行分析，生成故障原因，所述AI诊断模型为基于历史采集的故障诊断数据资料训练，通过机器学习和归档数据分析优化得到的诊断准确率达到预设阈值的诊断模型；

解决方案确定单元403，用于根据所述故障原因，从所述故障维修知识图谱中确定与所述获取故障信息和所述故障原因关联的解决方案。

可选的，所述系统还包括：

引导诊断流程生成单元，响应于检测指令，用于根据所述检测指令生成引导诊断流程；

检测信息生成单元，用于按序执行所述引导诊断流程生成检测信息，所述检测信息为执行当前所述引导诊断流程时显示的检测指导信息；

故障信息生成单元，用于根据所述检测信息的检测结果确定故障信息。

所述故障原因生成单元，具体用于：

将输入的故障现象与所述故障维修知识图谱中的故障现象实体的文本进行语义相似度计算比对，获取语义相似度超过阈值的故障现象实体；

从所述故障维修知识图谱中找到所获取的故障现象实体关联的故障参数与候选故障原因，由故障参数确定相应的AI诊断模型；

将所获得的候选故障原因与输入的故障参数加入训练数据集重新对所确定的AI诊断模型进行训练；

利用训练好的AI诊断模型对输入的故障参数进行判别，输出故障原因。

所述故障原因生成单元，具体用于：

将所述故障信息输入所述特征提取层进行编码，得到编码结果；

将所述编码结果输入所述解码层，得到标注序列；

根据所述标注序列预测隐藏状态序列；

根据所述标注序列和所述隐藏状态序列确定所述故障信息的特征实体，所述特征实体用于表示从输入的故障信息中提取出的关于故障现象的文本；

根据所述特征实体查询所述故障维修知识图谱，得到所述故障信息对应的故障原因。

可选的，所述系统还包括：

更新单元，响应于获取到新增故障诊断数据资料，用于根据所述新增故障诊断数据资料分别更新所述知识图谱模式层和所述知识图谱数据层。

本申请实施例提供了一种设备，所述设备包括存储器和处理器，所述存储器用于存储指令或代码，所述处理器用于执行所述指令或代码，以使所述设备执行前述任一项所述的故障诊断方法。

本申请实施例提供了一种计算机存储介质，所述计算机存储介质中存储有代码，当所述代码被运行时，运行所述代码的设备实现前述任一项所述的故障诊断方法。

需要说明的是，本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统或装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种故障诊断方法，其特征在于，包括：

获取故障信息；

利用故障维修知识图谱以及AI诊断模型对故障信息进行分析，生成故障原因，所述AI诊断模型为基于历史采集的故障诊断数据资料训练，通过机器学习和归档数据分析优化得到的诊断准确率达到预设阈值的诊断模型；

根据所述故障原因，从所述故障维修知识图谱中确定与所述获取故障信息和所述故障原因关联的解决方案。

2.根据权利要求1所述的方法，其特征在于，所述故障维修知识图谱的构建方法包括：

获取故障诊断数据资料；

分析所述故障诊断数据资料的来源和属性，获得所述故障诊断数据资料的属性、多个实体类，及多个实体类之间的关系；

根据所述实体类、所述属性及所述实体类之间的关系构建所述故障维修知识图谱的模式层；

根据所述故障维修知识图谱的模式层的需求查询所述故障诊断数据资料，得到查询结果；

根据所述查询结果抽取知识三元组，所述知识三元组表示以实体-关系-实体连接形式呈现的故障维修知识图谱基本组成单元；

利用所述知识三元组填充所述故障维修知识图谱的数据层，将所述数据层和模式层结合获得故障维修知识图谱。

3.根据权利要求1所述的方法，其特征在于，所述获取故障信息之前，还包括：

响应于检测指令，根据所述检测指令生成引导诊断流程；

按序执行所述引导诊断流程生成检测信息，所述检测信息为执行当前所述引导诊断流程时显示的检测指导信息；

根据所述检测信息的检测结果确定故障信息。

4.根据权利要求1所述的方法，其特征在于，所述故障信息包括故障现象和故障参数，所述故障维修知识图谱包括故障现象实体，所述利用故障维修知识图谱以及AI诊断模型对故障信息进行分析，生成故障原因，包括：

将输入的故障现象与所述故障维修知识图谱中的故障现象实体的文本进行语义相似度计算比对，获取语义相似度超过阈值的故障现象实体；

从所述故障维修知识图谱中找到所获取的故障现象实体关联的故障参数与候选故障原因，由故障参数确定相应的AI诊断模型；

将所获得的候选故障原因与输入的故障参数加入训练数据集重新对所确定的AI诊断模型进行训练；

利用训练好的AI诊断模型对输入的故障参数进行判别，输出故障原因。

5.根据权利要求1所述的方法，其特征在于，所述AI诊断模型包括特征提取层和解码层，所述利用故障维修知识图谱以及AI诊断模型对故障信息进行分析，生成故障原因，包括：

将所述故障信息输入所述特征提取层进行编码，得到编码结果；

将所述编码结果输入所述解码层，得到标注序列；

根据所述标注序列预测隐藏状态序列；

根据所述标注序列和所述隐藏状态序列确定所述故障信息的特征实体，所述特征实体用于表示从输入的故障信息中提取出的关于故障现象的文本；

根据所述特征实体查询所述故障维修知识图谱，得到所述故障信息对应的故障原因。

6.根据权利要求1所述的方法，其特征在于，所述AI诊断模型的训练过程，包括：

获取包含历史故障诊断数据资料的当前训练数据集；

训练步骤：将所述当前训练数据集输入待训练的AI诊断模型，所述待训练的AI诊断模型利用梯度下降算法生成预备解决方案；

根据归档数据处理所述预备解决方案，得到处理结果，所述处理结果包括修正解决方案和对所述修正解决方案的评分，所述修正解决方案为对所述预备解决方案中的错误信息修正后得到的方案；

根据所述处理结果中评分高于阈值的修正解决方案更新当前训练数据集，并执行所述训练步骤及后续步骤直至模型诊断准确率达到预设阈值，生成所述AI诊断模型。

7.根据权利要求2所述的方法，所述将所述数据层和模式层结合获得故障维修知识图谱之后，还包括：

响应于获取到新增故障诊断数据资料，根据所述新增故障诊断数据资料分别更新所述知识图谱模式层和所述知识图谱数据层。

8.一种故障诊断系统，其特征在于，包括：

故障信息获取单元，用于获取故障信息；

故障原因生成单元，用于利用故障维修知识图谱以及AI诊断模型对故障信息进行分析，生成故障原因，所述AI诊断模型为基于历史采集的故障诊断数据资料训练，通过机器学习和归档数据分析优化得到的诊断准确率达到预设阈值的诊断模型；

解决方案确定单元，用于根据所述故障原因，从所述故障维修知识图谱中确定与所述获取故障信息和所述故障原因关联的解决方案。

9.一种电子设备，其特征在于，包括：处理器、存储器、系统总线；

所述处理器以及所述存储器通过所述系统总线相连；

所述存储器用于存储一个或多个程序，所述一个或多个程序包括指令，所述指令当被所述处理器执行时使所述处理器执行权利要求1-7任一项所述的故障诊断方法。

10.一种可读存储介质，其特征在于，所述计算机可读存储介质中存储有代码，当所述代码被运行时，运行所述代码的设备实现如权利要求1-7任一项所述的故障诊断方法。

Images