[发明专利]基于贝叶斯网络的车辆故障智能推理方法及系统

说明书

本发明公开了一种基于贝叶斯网络的车辆故障智能推理方法，包括构建基于贝叶斯网络的故障树模型，获得故障树节点的先验概率及关联故障树节点的检测方法；将故障树模型、先验概率及检测方法输入至推理引擎，生成最优检测方法；接收人工执行最优检测方法的检测结果，并输入至推理引擎，得到故障树节点的后验概率；判断是否存在某个故障树节点的后验概率达到预设的锁定概率；若是,则核验当前故障树节点所对应的故障原因，推送维修规程，并根据当前维修数据更新故障树节点的先验概率；若否，则进行新一轮的检测方法。本发明提供的方法，降低故障树对人工经验准确性的要求，提高了推理系统的准确性，缩短了故障原因的排查步骤，提高了排查效率。

技术领域

本发明涉及车辆智能诊断技术领域，尤其涉及一种基于贝叶斯网络的车辆故障智能推理方法及系统。

背景技术

随着电控技术在汽车上的应用越来越成熟，商用车上的电控单元、电控器件、传感器、线束等零部件越来越多，电控系统也变得越来越复杂，电控系统的维修也给服务站带来了新的挑战。为降低电控系统维修门槛、提升维修效率，现有技术通常会结合人工智能算法，例如将贝叶斯网络算法引入了商用车故障维修过程，基于大数据、人工经验、贝叶斯网络算法结合诊断仪、TBOX等设备进行自动检测和判异，或通过人工检查判异，将判异结果输入算法进行故障原因推理，帮助技师快速推理故障。

目前，最常用的方法是基于决策树的故障推理方法，该种推理方法是基于专家经验建立完善的故障树，并确定故障树的排查顺序和各个节点的排查方法，通过排查方法确定每一个节点走哪个分支，一层一层向下推理，最终找到最底层的故障样原因。但是，这种方法往往存在以下缺点：第一，决策树排查顺序固定，不能根据每一次的推理结果自动调整排查顺序，排查顺序局限、不灵活，容易影响排查效率；第二，决策树基于强逻辑判断，只能对节点内的故障原因排查，不能处理不确定性的情况，进而影响排查结果的准确性；第三，由于决策树具有强逻辑性，因此自学习难度大，耗时长，可实施性不强。

发明内容

本发明的目的在于提供一种基于贝叶斯网络的车辆故障智能推理方法，通过计算原因链概率的方式兼容推理过程的不确定性，降低故障树对于人工经验准确性的要求；通过实现算法模型的自学习修正，提高了推理系统的准确性；通过检测方法推荐引擎的算法，能够针对当前推理的情况对检测方法进行智能推荐，缩短技师对故障原因的排查步骤，提高了排查效率。

为了克服上述现有技术中的缺陷，本发明某一实施例提供了一种基于贝叶斯网络的车辆故障智能推理方法，包括：

构建故障树模型，获得故障树节点的先验概率及关联所述故障树节点的检测方法；

将所述故障树模型、所述先验概率及所述检测方法输入至基于贝叶斯网络的推理引擎，生成最优检测方法；

接收人工执行所述最优检测方法的检测结果，并输入至所述推理引擎，得到所述故障树节点的后验概率；

判断是否存在某个故障树节点的后验概率达到预设的锁定概率；

若是,则核验当前故障树节点所对应的故障原因，推送与所述故障原因对应的维修规程，并根据当前维修数据更新所述故障树节点的先验概率；

若否，则返回执行所述将所述故障树模型、所述先验概率及所述检测方法输入至基于贝叶斯网络的推理引擎，生成最优检测方法的操作。

在某一个实施例中，所述构建故障树模型，获得故障树节点的先验概率，包括：

根据历史工单数据，提取故障类型的专用词库；

通过NLP模型及聚类模型，识别所述专用词库中的故障码、故障原因及故障模式；

根据所述故障码、所述故障原因及所述故障模式，构建待检验故障树模型，并计算故障树节点的先验概率；

接收人工对所述待检验故障树模型的确认结果，并输入至故障结构化库，得到故障树模型。