【技術實現步驟摘要】
本專利技術涉及車輛的自動化故障診斷。更具體地，本專利技術涉及構建用于車輛故障診斷的知識圖譜的方法以及基于知識圖譜的車輛故障診斷方法和系統。
技術介紹
1、基于知識圖譜的車輛故障診斷方法是一種利用大數據和人工智能技術，通過分析維修歷史數據來構建知識圖譜，并利用知識圖譜自動識別和分類車輛故障，提供維修建議，大幅提高維修效率和準確性。
2、基于知識圖譜的車輛故障診斷方法首先通過實體抽取和關系識別技術，從海量的維修數據中提取出有價值的信息，然后將這些信息組織成知識圖譜。在此基礎上，系統通過復雜的算法模型(如xgboost故障分類模型)，對車輛出現的故障進行診斷、判斷可能的故障部件并提供針對故障部件的維修指導。
技術實現思路
1、本公開的第一個方面提供了一種構建用于車輛故障診斷的知識圖譜的方法。該方法可以包括：建立車輛部件的數據庫，該車輛部件包括能夠更換或維修的基本單元；建立異常信號的數據庫，該異常信號包括與車輛故障相關的車輛信息，與車輛故障相關的車輛信息包括車輛的運行模式、狀態、傳感器信號以及行駛數據；從已知的非結構化故障診斷數據和半結構化故障診斷數據中創建故障知識三元組，該故障知識三元組包括：<異常信號-故障名稱-故障的車輛部件>和<故障的車輛部件-維修方法-維修建議>；以及基于故障知識三元組，將異常信號、車輛部件和維修建議關聯在一起從而構建用于車輛故障診斷的知識圖譜。在一些實例中，可以將異常信號i指示車輛部件k出現故障的概率pi/k作為知識圖譜中異常
2、在一些實施例中，知識圖譜包括異常信號節點、故障部件節點和維修建議節點。異常信號節點與能夠產生該異常信號的一個或多個故障部件節點相關聯。故障部件節點與能夠維修該故障部件的一個或多個維修建議節點相關聯。
3、在一些實施例中，可以利用式1計算概率pi/k：
4、pi/k＝c(i,k)/c(i)????(式1)
5、這里，c(i,k)是異常信號i和車輛部件k在同一故障場景中同時出現的次數，c(i)是異常信號i在所有故障場景中出現的次數。
6、在一些實施例中，構建用于車輛故障診斷的知識圖譜的方法還可以包括：通過機器學習算法，利用新的數據更新權重ei/k。
7、在一些實施例中，構建用于車輛故障診斷的知識圖譜的方法還可以包括：與車輛部件k相關聯的多個異常信號所對應的概率相加，以指示車輛部件k出現故障的概率。
8、在一些實施例中，構建用于車輛故障診斷的知識圖譜的方法還可以包括：利用故障知識三元組訓練機器學習模型，使得上述機器學習模型能夠預測未來可能發生的故障以及推薦的維修措施。
9、在一些實施例中，構建用于車輛故障診斷的知識圖譜的方法還可以包括：識別多個故障知識三元組之間的關聯關系，從而將多個所故障知識三元組相互鏈接。
10、本公開的第二個方面提供了一種利用知識圖譜對車輛故障進行診斷的方法。該方法可以包括：當車輛終端的車輛故障監測模塊檢測到發生車輛故障時，生成故障快照圖像；車輛終端將故障快照圖像發送到云服務器；云服務器從故障快照圖像中解析車輛信息，并基于車輛信息在云服務器中的故障知識圖譜中進行故障診斷以確定目標維修建議節點；以及云服務器將目標維修建議節點的信息作為診斷信息發送給車輛終端。故障知識圖譜可以包括異常信號節點、故障部件節點和維修建議節點，異常信號節點與能夠產生該異常信號的一個或多個故障部件節點相關聯，故障部件節點與能夠維修該故障部件的一個或多個維修建議節點相關聯。在一些實例中，確定目標維修建議節點包括從多個故障部件節點中將具有最大故障概率的故障部件節點確定為目標故障部件節點，并將與目標故障部件節點相關聯的維修建議節點確定為目標維修建議節點。
11、在一些實施例中，每個故障部件節點的故障概率pk通過式2計算：
12、pk＝∑ipi/k????(式2)
13、這里，pi/k＝c(i,k)/c(i)，c(i,k)是異常信號i和車輛部件k在同一故障場景中同時出現的次數，c(i)是異常信號i在所有故障場景中出現的次數。
14、本公開的第三個方面提供了一種基于知識圖譜的車輛故障診斷系統。該系統可以包括：車輛終端；和云服務器。車輛終端可以包括：車輛故障監測模塊，其配置為在檢測到發生車輛故障時，生成故障快照圖像；以及車輛故障發送模塊，其配置為將故障快照圖像發送到云服務器。云服務器可以包括：故障知識圖譜；故障快照接收模塊；和故障診斷模塊。知識圖譜包括異常信號節點、故障部件節點和維修建議節點。異常信號節點與能夠產生該異常信號的一個或多個故障部件節點相關聯。故障部件節點與能夠維修該故障部件的一個或多個維修建議節點相關聯。故障快照接收模塊可以配置為接收從車輛終端發送的故障快照圖像。故障診斷模塊可以配置為從快照圖像中解析車輛信息，基于車輛信息在云服務器中的故障知識圖譜中進行故障診斷以確定目標維修建議節點，并將目標維修建議節點的信息作為診斷信息發送給車輛終端。在一些實例中，確定目標維修建議節點可以包括：從多個故障部件節點中將具有最大故障概率的故障部件節點確定為目標故障部件節點，并將與目標故障部件節點相關聯的維修建議節點確定為目標維修建議節點。
15、在一些實施例中，每個故障部件節點的故障概率pk可以通過式2計算：
16、pk＝∑ipi/k????(式2)
17、這里，pi/k＝c(i,k)/c(i)，c(i,k)是異常信號i和車輛部件k在同一故障場景中同時出現的次數，c(i)是異常信號i在所有故障場景中出現的次數。
18、本公開的第四個方面提供了一種包括一個或多個計算機處理器和計算機可讀存儲器的系統，計算機可讀存儲器包括機器可執行代碼，機器可執行代碼在由一個或多個計算機處理器執行時實現本公開的基于知識圖譜的車輛故障診斷方法或者本公開的利用知識圖譜對車輛故障進行診斷的方法。
19、應當理解，本公開并非旨在標識本公開的實施例的關鍵或重要特征，也不用于限制本公開的范圍。本公開的其它特征將通過以下的說明書而變得容易理解。
本文檔來自技高網...【技術保護點】
1.一種構建用于車輛故障診斷的知識圖譜的方法，所述方法包括：
2.根據權利要求1所述方法，其中所述知識圖譜包括異常信號節點、故障部件節點和維修建議節點，其中所述異常信號節點與能夠產生該異常信號的一個或多個所述故障部件節點相關聯，所述故障部件節點與能夠維修該故障部件的一個或多個所述維修建議節點相關聯。
3.根據權利要求1所述方法，其中利用式1計算所述概率Pi/k：
4.根據權利要求1所述方法，還包括通過機器學習算法，利用新的數據更新所述權重Ei/k。
5.根據權利要求2所述方法，還包括與所述車輛部件k相關聯的多個異常信號所對應的概率相加，以指示所述車輛部件k出現故障的概率。
6.根據權利要求1所述方法，還包括利用所述故障知識三元組訓練機器學習模型，使得上述機器學習模型能夠預測未來可能發生的故障以及推薦的維修措施。
7.根據權利要求1所述方法，還包括識別多個所述故障知識三元組之間的關聯關系，從而將多個所述故障知識三元組相互鏈接。
8.一種包括一個或多個計算機處理器和計算機可讀存儲器的系統，所述計算機可
9.一種利用知識圖譜對車輛故障進行診斷的方法，所述方法包括：
10.按照權利要求9所述方法，每個所述故障部件節點的故障概率Pk通過式2計算：
...【技術特征摘要】
1.一種構建用于車輛故障診斷的知識圖譜的方法，所述方法包括：
2.根據權利要求1所述方法，其中所述知識圖譜包括異常信號節點、故障部件節點和維修建議節點，其中所述異常信號節點與能夠產生該異常信號的一個或多個所述故障部件節點相關聯，所述故障部件節點與能夠維修該故障部件的一個或多個所述維修建議節點相關聯。
3.根據權利要求1所述方法，其中利用式1計算所述概率pi/k：
4.根據權利要求1所述方法，還包括通過機器學習算法，利用新的數據更新所述權重ei/k。
5.根據權利要求2所述方法，還包括與所述車輛部件k相關聯的多個異常信號所對應的概率相加，以指示所述車輛部件k出現故障的概率。
6.根據權利要...
【專利技術屬性】
技術研發人員：章鑫杰，
申請(專利權)人：上海科絡達云軟件技術有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。