基于贝叶斯网络的车辆故障检测方案的智能推荐方法转让专利
申请号 : CN202011425297.8
文献号 : CN112434832B
文献日 : 2021-08-17
发明人 : 李留海 , 许铁强 , 桑叶漫 , 谢玉琰 , 李含
申请人 : 广州瑞修得信息科技有限公司
摘要 :
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
背景技术
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
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。
法。
的智能推荐方法。
附图说明
具体实施方式
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。
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。
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。
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。
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;
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。
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。
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。
法的过程更加智能化,进而提高排查效率,降低维修成本。
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。
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。
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。
重;
方法。
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;
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。
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。
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。
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。
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。
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。
本发明的保护范围。