基于贝叶斯网络的车辆故障检测方案的智能推荐方法

摘要

本发明公开了一种基于贝叶斯网络的车辆故障检测方案的智能推荐方法，包括获得关联故障树网络各个故障原因节点的检测方法，并根据检测方法的属性，为每种检测方法设置类别权重、有效性权重及关联性权重；根据推荐引擎，合并在第一预设范围内的最高类别权重所对应的检测方法，获得所有故障原因节点的最优检测方法；根据执行最优检测方法的结果，获得所有故障原因节点的后验概率，并更新所有检测方法节点为异常的概率；将剩余检测方法节点为异常的概率、类别权重、有效性权重及关联性权重输入至推荐引擎，获得故障树网络的下一轮最优检测方法。本发明提供的智能推荐方法，使得构建检测方法的过程更加智能化，提高了排查效率，且降低了维修成本。

权利要求

1.一种基于贝叶斯网络的车辆故障检测方案的智能推荐方法，其特征在于，包括：获得关联故障树网络各个故障原因节点的检测方法，并根据所述检测方法的属性，为每种检测方法设置类别权重、有效性权重及关联上一检测方法的关联性权重；

根据推荐引擎，合并在第一预设范围内的最高类别权重所对应的检测方法，获得当前故障原因节点的最优检测方法；所述推荐引擎包括贝叶斯推理引擎和贝叶斯自学习引擎；

根据执行所述最优检测方法的结果，获得所有故障原因节点的后验概率，并更新所有检测方法节点为异常的概率；

将剩余检测方法节点为异常的概率、所述类别权重、所述有效性权重及所述关联性权重输入至所述推荐引擎，获得故障树网络的下一轮最优检测方法。

2.根据权利要求1所述的基于贝叶斯网络的车辆故障检测方案的智能推荐方法，其特征在于，所述检测方法的属性包括执行难易程度、执行成本、易评价程度、执行方式；所述执行方式包括自动执行、交互检测及拆解检测。

3.根据权利要求1所述的基于贝叶斯网络的车辆故障检测方案的智能推荐方法，其特征在于，所述有效性权重包括时效性权重、经济性权重及易评价性权重。

4.一种基于贝叶斯网络的车辆故障检测方案的智能推荐装置，其特征在于，包括：故障树网络构建模块，用于获得关联故障树网络各个故障原因节点的检测方法，并根据所述检测方法的属性，为每种检测方法设置类别权重、有效性权重及关联上一检测方法的关联性权重；

最优检测方法推荐模块，用于根据推荐引擎，合并在第一预设范围内的最高类别权重所对应的检测方法，获得当前故障原因节点的最优检测方法；所述推荐引擎包括贝叶斯推理引擎和贝叶斯自学习引擎；

异常概率获取模块，用于根据执行所述最优检测方法的结果，获得所有故障原因节点的后验概率，并更新所有检测方法节点为异常的概率；

检测方法更新模块，用于将剩余检测方法节点为异常的概率、所述类别权重、所述有效性权重及所述关联性权重输入至所述推荐引擎，获得故障树网络的下一轮最优检测方法。

5.根据权利要求4所述的基于贝叶斯网络的车辆故障检测方案的智能推荐装置，其特征在于，所述检测方法的属性包括执行难易程度、执行成本、易评价程度、执行方式；所述执行方式包括自动执行、交互检测及拆解检测。

6.根据权利要求4所述的基于贝叶斯网络的车辆故障检测方案的智能推荐装置，其特征在于，所述有效性权重包括时效性权重、经济性权重及易评价性权重。

7.一种计算机终端设备，其特征在于，包括：一个或多个处理器；

存储器，与所述处理器耦接，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至3任一项所述的基于贝叶斯网络的车辆故障检测方案的智能推荐方法。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行实现如权利要求1至3任一项所述的基于贝叶斯网络的车辆故障检测方案的智能推荐方法。

说明书

基于贝叶斯网络的车辆故障检测方案的智能推荐方法

技术领域

[0001] 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检测方案的智能推荐方法。

背景技术

[0002] 目前，为了降低车辆电控系统维修门槛、提升维修效率，通常会引入人工智能算法到商用车故障维修过程，从而辅助技师快速推理故障，但是，现有技术中，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网络，并确
定故障树网络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，这种检测方法通常无法确定
是否为最优检测顺序，而是完全依赖技师的工作经验，因此会导致排查故障过程的效率低
下，同时增加了维修成本。

发明内容

[0003] 本发明的目的在于提供一种基于贝叶斯网络的车辆故障检测方案的智能推荐方法，该方法在已知当前一轮推理结果的情况下各检测方法的概率排序，并结合实际执行过
程中的难易程度进行加权计算，最终得到最优检测方法，使得构建检测方法的过程更加智
能化，进而提高排查效率，降低维修成本。

[0004] 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检测方案的智能推荐方法，包括：

[0005] 获得关联故障树网络各个故障原因节点的检测方法，并根据所述检测方法的属性，为每种检测方法设置类别权重、有效性权重及关联性权重；

[0006] 根据推荐引擎，合并在第一预设范围内的最高类别权重所对应的检测方法，获得所有故障原因节点的最优检测方法；

[0007] 根据执行所述最优检测方法的结果，获得所有故障原因节点的后验概率，并更新所有检测方法节点为异常的概率；

[0008] 将剩余检测方法节点为异常的概率、所述类别权重、所述有效性权重及所述关联性权重输入至所述推荐引擎，获得故障树网络的下一轮最优检测方法。

[0009] 进一步地，所述检测方法的属性包括执行难易程度、执行成本、易评价程度、执行方式；所述执行方式包括自动执行、交互检测及拆解检测。

[0010] 进一步地，所述有效性权重包括时效性权重、经济性权重及易评价性权重。

[0011] 进一步地，所述推荐引擎包括贝叶斯推理引擎和贝叶斯自学习引擎。

[0012] 本发明某一实施例还提供一种基于贝叶斯网络的车辆故障检测方案的智能推荐装置，包括：

[0013] 故障树网络构建模块，用于获得关联故障树网络各个故障原因节点的检测方法，并根据所述检测方法的属性，为每种检测方法设置类别权重、有效性权重及关联性权重；

[0014] 最优检测方法推荐模块，用于根据推荐引擎，合并在第一预设范围内的最高类别权重所对应的检测方法，获得所有故障原因节点的最优检测方法；

[0015] 异常概率获取模块，用于根据执行所述最优检测方法的结果，获得所有故障原因节点的后验概率，并更新所有检测方法节点为异常的概率；

[0016] 检测方法更新模块，用于将剩余检测方法节点为异常的概率、所述类别权重、所述有效性权重及所述关联性权重输入至所述推荐引擎，获得故障树网络的下一轮最优检测方
法。

[0017] 进一步地，所述检测方法的属性包括执行难易程度、执行成本、易评价程度、执行方式；所述执行方式包括自动执行、交互检测及拆解检测。

[0018] 进一步地，所述有效性权重包括时效性权重、经济性权重及易评价性权重。

[0019] 进一步地，所述推荐引擎包括贝叶斯推理引擎和贝叶斯自学习引擎。

[0020] 本发明某一实施例还提供一种计算机终端设备，包括：

[0021] 一个或多个处理器；

[0022] 存储器，与所述处理器耦接，用于存储一个或多个程序；

[0023] 当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上任一项所述的基于贝叶斯网络的车辆故障检测方案的智能推荐方法。

[0024] 本发明某一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行实现如上任一项所述的基于贝叶斯网络的车辆故障检测方案
的智能推荐方法。

[0025] 相对于现有技术，本发明实施例至少存在如下有益效果：

[0026] 1)引入多维的权重因素，使得检测方法的推荐更加符合实际维修过程；

[0027] 2)通过加权推荐指数的计算，智能推荐故障维修最优路径，使得故障维修过程更简单，更智能化。

附图说明

[0028] 图1是本发明某一实施例提供的基于贝叶斯网络的车辆故障智能推理方法的流程示意图；

[0029] 图2是本发明某一实施例提供的基于故障码P0087建立的故障树网络原理示意图；

[0030] 图3是本发明某一实施例提供的基于贝叶斯网络的车辆故障智能推理装置的结构示意图。

具体实施方式

[0031] 下面将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作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。

[0032] 应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。

[0033] 应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文
清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

[0034] 术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

[0035] 术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

[0036] 第一方面：

[0037] 请参阅图1，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检测方案的智能推荐方法，包括：

[0038] S10、获得关联故障树网络各个故障原因节点的检测方法，并根据所述检测方法的属性，为每种检测方法设置类别权重、有效性权重及关联性权重；

[0039] S20、根据推荐引擎，合并在第一预设范围内的最高类别权重所对应的检测方法，获得所有故障原因节点的最优检测方法；

[0040] S30、根据执行所述最优检测方法的结果，获得当前故障原因节点为异常的概率，并更新剩余故障原因节点为异常的概率；

[0041] S40、将剩余检测方法节点为异常的概率、所述类别权重、所述有效性权重及所述关联性权重输入至所述推荐引擎，获得故障树网络的下一轮最优检测方法。

[0042] 需要说明的是，技师在传统车辆维修过程中通过执行各种检测检测方法，基于检测结果人工推理故障原因的可能性，而此过程与贝叶斯网络算法极为相似。目前已有的与
本发明最相近似的基于决策树的故障推理，该种推理是基于专家经验建立完善的故障树网
络，并确定故障树网络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。因此，若故障原因在靠后
位置，则会浪费很多不必要的排查步骤，大大降低了维修效率，并且，根据人工经验列出的
故障树网络的强逻辑性，对于技师本身的要求也非常高，因此基于纯人工经验的维修越来
越难以满足车主故障快速处置的需求。因此本发明实施例基于贝叶斯网络算法，利用车辆
历史已经产生的工单数据和专家经验建立故障树网络与检测方法之间的关联关系贝叶斯
网络模型，在故障原因推理过程中，通过故障树网络各个原因链的概率反向推理各个检测
方法的概率，得到已知当前一轮推理结果的情况下各检测方法的概率排序；在此基础上结
合检测方法在实际执行过程中的难易程度进行加权计算，同时针对支持通过诊断仪或TBOX
等设备进行自动检测、自动判异的检测方法进行加权合并，最终综合加权概率最高的检测
方法即为系统推荐的最优检测方法。通过最优检测方法的智能推荐，帮助技师找到最优维
修途径，减少故障维修时间，降低维修成本，提升维修效率。

[0043] 进一步地，贝叶斯网络又称信度网络，是Bayes方法的扩展，是目前不确定知识表达和推理领域最有效的理论模型之一。一个贝叶斯网络是一个有向无环图(Directed 
Acyclic Graph,DAG)，由代表变量结点及连接这些结点有向边构成。结点代表随机变量，结
点间的有向边代表了结点间的互相关系(由父结点指向其子结点)，用条件概率进行表达关
系强度，没有父结点的用先验概率进行信息表达。结点变量可以是任何问题的抽象，如：测
试值，观测现象，意见征询等。适用于表达和分析不确定性和概率性的事件，应用于有条件
地依赖多种控制因素的决策，可以从不完全、不精确或不确定的知识或信息中做出推理。

[0044] 在本实施例的步骤S10中，首先需要获得关联故障树网络各个故障原因节点的检测方法，其中，故障树网络是基于大数据和人工经验，对于历史工单的数据及维修手册的提
示信息来整理出可能故障的点，然后将每一个故障原因作为一个节点来进行构建的，并且
每一个故障原因节点关联的检测方法可以是一种，可以是多种，因此在构建检测方案时，其
实是包括检测的故障原因节点和检测方法的组合。优先级为先确定故障原因节点，再选取
对应的检测方法。其中，确定故障原因节点的方法主要是依据历史数据，计算可能出现的概
率，检测顺序的优先级为概率高的在概率低的之前；而第一次推送的检测方法，主要是根据
检测方法的权重来决定，在这一步中，会根据检测方法的自身属性，为每种检测方法设置类
别权重、有效性权重及关联上一检测方法的关联性权重；

[0045] 进一步地，检测方法的属性包括执行难易程度、执行成本、易评价程度、执行方式；所述执行方式包括自动执行、交互检测及拆解检测。可以理解的是，执行难易程度、执行成
本、易评价程度、执行方式都会直接影响当前检测方法的推荐指数，在其他条件统一的情况
下，一般来说，容易执行的优先级大于难执行的、成本低的优先级大于成本高的、易评价的
优先级大于难评价的、执行方式为自动的优先级大于交互检测或拆解检测，因此在步骤S10
会综合这些属性的权重，进行检测方法的推荐，其中，自动执行指的是由系统或者检测装置
自动就能进行故障检测的方法，交互检测指的是需要结合机器和人工的检测，在二者交互
检测下给出判定结果。

[0046] 进一步地，有效性权重包括时效性权重、经济性权重及易评价性权重，即综合考虑检测方法的时效、经济成本、易评价程度来决定检测方法的有效性。还有则是关联上一检测
方法的关联性的权重，即与上一检测方法的相关性越高，所占权重也就越高。

[0047] 执行完步骤S10进入步骤S20，在本步骤中，根据检测方法的类别权重来选择第一轮推荐的最优检测方法，主要做法是设置一个预设范围，例如权重为2‑5，那么推荐引擎会
自动合并类别权重在这个预设范围内的所有检测方法，最终输出一个最优检测方法，其中，
推荐引擎基于贝叶斯网络，包括贝叶斯推理引擎和贝叶斯自学习引擎，前者用于基于大数
据计算，后者用于更新和自学习，不断调整推荐的模型，并提高精度。得到最优检测方法后，
人工会根据当前推荐的最优检测方法去执行当前的故障点，对应的会得到一个执行结果，
并反馈给推荐引擎进行处理，因此在步骤S30中，会首先计算当前故障点为异常的概率，需
要说明的是，第一次选择执行当前故障原因节点，是因为其历史出现次数的频率最高，即基
于大数据的机器算法默认其为最可能故障的点，经过采用最优检测方法检测后，发现该故
障原因节点为异常，那么意味着排查过程结束，同时可以将本次数据结合历史数据，更新一
下次检测的故障原因节点的概率。但通常情况下不会只经过一次检测就排查出故障点，即
本次检测结果为正常，那么就会改变数据库中该节点故障的出现次数，对应地也会影响其
他故障原因节点的概率。因此步骤S30主要是得到剩余检测方法所对应的故障原因节点为
异常的概率，然后从中选择概率最大的作为下一个故障检测的节点，同时在步骤S40中，将
剩余检测方法节点为异常的概率输入至推荐引擎，系统会根据该数据、类别权重、有效性权
重及关联上一检测方法的关联性权重重新生成下一个故障检测节点的最优检测方法，直至
找到故障点，并更新所有节点的先验概率为止。

[0048] 本发明实施例通过在已知当前一轮推理结果的情况下各检测方法的概率排序，并结合实际执行过程中的难易程度进行加权计算，最终得到最优检测方法，使得构建检测方
法的过程更加智能化，进而提高排查效率，降低维修成本。

[0049] 请参阅图2，为了帮助理解本方案，在某一实施例中，还提供了基于故障码P0087的最优方法的推荐，需要说明的是，在故障码P0087的维修排查过程中，经过几轮排查锁定了
故障在燃油滤清器和高压油泵之间，且高压油泵发生故障的概率高于燃油滤清器发生故障
的概率，单从概率层面概率的话应优先推荐拆检高压油泵的检测方法，但是实际上拆检高
压油泵的难度以及成本的耗费大大高于拆检滤清器，因此需要综合各方面因素的考虑才能
给出最优方法推荐。

[0050] 在本实施例中，首先对检测方法进行权重的定义，以检测方法A和B为例，检测方法A和B的各个权重的指数表如表1所示：

[0051]

[0052]

[0053] 表1

[0054] 通过对检测方法进行加权评估后，发现检测方法A的综合推荐指数显著高于检测方法B，因此在第一个故障点的检测中，优先推荐检测方法A。需要说明的是，推荐引擎中包
括的检测方法基于历史数据和维修手册，在维修过程中如果发现新的检测方法优先级影响
因素，可随时人工添加到检测方法推荐引擎中，对推荐逻辑进行修正。

[0055] 进一步，技师通过执行得到第一个故障原因节点正常，然后将数据输入至推理引擎，推理引擎会自动更新所有节点的故障概率，然后按照概率最高点作为先执行点，同时，
会对应更新下一故障原因节点的最优检测方法，用于下一轮检验，直至排查出故障。

[0056] 第二方面：

[0057] 本发明某一实施例还提供一种基于贝叶斯网络的车辆故障检测方案的智能推荐装置，包括：

[0058] 故障树网络构建模块01，用于获得关联故障树网络各个故障原因节点的检测方法，并根据所述检测方法的属性，为每种检测方法设置类别权重、有效性权重及关联性权
重；

[0059] 最优检测方法推荐模块02，用于根据推荐引擎，合并在第一预设范围内的最高类别权重所对应的检测方法，获得所有故障原因节点的最优检测方法；

[0060] 异常概率获取模块03，用于根据执行所述最优检测方法的结果，获得所有故障原因节点的后验概率，并更新所有检测方法节点为异常的概率；

[0061] 检测方法更新模块04，用于将剩余检测方法节点为异常的概率、所述类别权重、所述有效性权重及所述关联性权重输入至所述推荐引擎，获得故障树网络的下一轮最优检测
方法。

[0062] 需要说明的是，本实施例中，四个模块分别执行步骤S10‑S40，在执行步骤S10时，首先需要获得关联故障树网络各个故障原因节点的检测方法，其中，故障树网络是基于大
数据和人工经验，对于历史工单的数据及维修手册的提示信息来整理出可能故障的点，然
后将每一个故障原因作为一个节点来进行构建的，并且每一个故障原因节点关联的检测方
法可以是一种，可以是多种，因此在构建检测方案时，其实是包括检测的故障原因节点和检
测方法的组合。优先级为先确定故障原因节点，再选取对应的检测方法。其中，确定故障原
因节点的方法主要是依据历史数据，计算可能出现的概率，检测顺序的优先级为概率高的
在概率低的之前；而第一次推送的检测方法，主要是根据检测方法的权重来决定，在这一步
中，会根据检测方法的自身属性，为每种检测方法设置类别权重、有效性权重及关联上一检
测方法的关联性权重；

[0063] 进一步地，检测方法的属性包括执行难易程度、执行成本、易评价程度、执行方式；所述执行方式包括自动执行、交互检测及拆解检测。可以理解的是，执行难易程度、执行成
本、易评价程度、执行方式都会直接影响当前检测方法的推荐指数，在其他条件统一的情况
下，一般来说，容易执行的优先级大于难执行的、成本低的优先级大于成本高的、易评价的
优先级大于难评价的、执行方式为自动的优先级大于交互检测或拆解检测，因此在步骤S10
会综合这些属性的权重，进行检测方法的推荐，其中，自动执行指的是由系统或者检测装置
自动就能进行故障检测的方法，交互检测指的是需要结合机器和人工的检测，在二者交互
检测下给出判定结果。

[0064] 进一步地，有效性权重包括时效性权重、经济性权重及易评价性权重，即综合考虑检测方法的时效、经济成本、易评价程度来决定检测方法的有效性。还有则是关联上一检测
方法的关联性的权重，即与上一检测方法的相关性越高，所占权重也就越高。

[0065] 执行完步骤S10进入步骤S20，在本步骤中，根据检测方法的类别权重来选择第一轮推荐的最优检测方法，主要做法是设置一个预设范围，例如权重为2‑5，那么推荐引擎会
自动合并类别权重在这个预设范围内的所有检测方法，最终输出一个最优检测方法，其中，
推荐引擎基于贝叶斯网络，包括贝叶斯推理引擎和贝叶斯自学习引擎，前者用于基于大数
据计算，后者用于更新和自学习，不断调整推荐的模型，并提高精度。得到最优检测方法后，
人工会根据当前推荐的最优检测方法去执行当前的故障点，对应的会得到一个执行结果，
并反馈给推荐引擎进行处理，因此在步骤S30中，会首先计算当前故障点为异常的概率，需
要说明的是，第一次选择执行当前故障原因节点，是因为其历史出现次数的频率最高，即基
于大数据的机器算法默认其为最可能故障的点，经过采用最优检测方法检测后，发现该故
障原因节点为异常，那么意味着排查过程结束，同时可以将本次数据结合历史数据，更新一
下次检测的故障原因节点的概率。但通常情况下不会只经过一次检测就排查出故障点，即
本次检测结果为正常，那么就会改变数据库中该节点故障的出现次数，对应地也会影响其
他故障原因节点的概率。因此步骤S30主要是得到剩余检测方法所对应的故障原因节点为
异常的概率，然后从中选择概率最大的作为下一个故障检测的节点，同时在步骤S40中，将
剩余检测方法节点为异常的概率输入至推荐引擎，系统会根据该数据、类别权重、有效性权
重及关联上一检测方法的关联性权重重新生成下一个故障检测节点的最优检测方法，直至
找到故障点，并更新所有节点的先验概率为止。

[0066] 第三方面：

[0067] 本发明某一实施例还提供了一种计算机终端设备，包括：

[0068] 一个或多个处理器；

[0069] 存储器，与所述处理器耦接，用于存储一个或多个程序；

[0070] 当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的基于贝叶斯网络的车辆故障检测方案的智能推荐方法。

[0071] 处理器用于控制该计算机终端设备的整体操作，以完成上述的基于贝叶斯网络的车辆故障检测方案的智能推荐方法的全部或部分步骤。存储器用于存储各种类型的数据以
支持在该计算机终端设备的操作，这些数据例如可以包括用于在该计算机终端设备上操作
的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器可以由任何类型的易
失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random 
Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable 
Programmable Read‑Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable 
Programmable Read‑Only Memory，简称EPROM)，可编程只读存储器(Programmable Read‑
Only Memory，简称PROM)，只读存储器(Read‑Only Memory，简称ROM)，磁存储器，快闪存储
器，磁盘或光盘。

[0072] 计算机终端设备可以被一个或多个应用专用集成电路(Application Specific 1ntegrated Circuit，简称AS1C)、数字信号处理器(Digital Signal Processor，简称
DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器
件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable 
Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行如上
述任一项实施例所述的基于贝叶斯网络的车辆故障检测方案的智能推荐方法，并达到如上
述方法一致的技术效果。

[0073] 本发明某一实施例还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现如上述任一项实施例所述的基于贝叶斯网络的车辆故障检测方案
的智能推荐方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器，
上述程序指令可由计算机终端设备的处理器执行以完成如上述任一项实施例所述的基于
贝叶斯网络的车辆故障检测方案的智能推荐方法，并达到如上述方法一致的技术效果。

[0074] 以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为
本发明的保护范围。