故障根源的预测方法、系统、设备、介质及车辆与流程

本申请涉及机器学习领域，更具体地，涉及一种故障根源的预测方法、故障根源预测系统、电子设备、计算机可读存储介质以及车辆。

背景技术：

1、车辆中包含数量巨大的功能模块及其子系统，并且各个功能之间通过复杂的方式进行交互关联。当其中某个模块发生故障时，与其关联的部分模块或子系统也无法正常工作。

2、基于vcu(vehicle control unit，整车控制器)故障诊断处理策略，会产生若干内部故障码。维修人员可以通过内部故障码与故障症状表象预测故障产生的根源。基于车辆外接故障诊断仪会输出vds(vehicle descriptive section，车辆特征代码)。维修人员可以通过vds故障码推理故障根源。

3、但这都要求维修人员拥有丰富的维修经验，而且仅通过单一vcu故障码或者vds故障码的定义排查故障根源也较为困难。

技术实现思路

1、本申请的一个目的是提供一种用于预测车辆故障根源的新技术方案。

2、根据本申请的第一方面，提供了一种故障根源的预测方法。所述预测方法包括：接收故障信息，所述故障信息包括车辆的第一故障码和第二故障码中的至少一项，所述第一故障码是车辆控制器输出的故障码，所述第二故障码是故障诊断仪输出的故障码；

3、基于所述故障信息中所包括的故障码，确定故障根源预测模型；

4、根据所确定的故障根源预测模型以及所述故障信息，输出故障根源的预测结果。

5、可选地，所述故障根源预测模型是机器学习模型并且包括第一故障根源预测模型、第二故障根源预测模型和第三故障根源预测模型，在所述故障信息包括单一的第一故障码的情况下，调用第一故障根源预测模型，在所述故障信息包括单一的第二故障码的情况下，调用第二故障根源预测模型，以及在所述故障信息包括所述第一故障码和所述第二故障码的情况下，调用第三故障根源预测模型。

6、可选地，所述故障根源预测模型是基于朴素贝叶斯算法的模型。

7、可选地，所述故障根源的预测结果包括产生所述故障信息时的至少一个可能故障根源以及该可能故障根源发生的概率。

8、可选地，所述第一故障根源预测模型是基于车辆控制器输出的故障码训练得到的，所述第二故障根源预测模型是基于故障诊断仪输出的故障码训练得到的，所述第三故障根源预测模型是基于车辆控制器输出的故障码和故障诊断仪输出的故障码训练得到的。

9、可选地，所述故障信息还包括故障辅助信息，所述故障辅助信息至少包括故障表现、仪表显示信息和故障码所属系统中的至少一项，根据所确定的故障根源预测模型以及包含所述故障辅助信息的所述故障信息，输出故障根源的预测结果。

10、可选地，所述第一故障根源预测模型是基于车辆控制器输出的故障码和所述故障辅助信息训练得到的，所述第二故障根源预测模型是基于故障诊断仪输出的故障码和所述故障辅助信息训练得到的，所述第三故障根源预测模型是基于车辆控制器输出的故障码、故障诊断仪输出的故障码和所述故障辅助信息训练得到的。

11、可选地，对所述故障辅助信息中每个特征进行重要性排序，得到目标故障辅助信息；根据所确定的故障根源预测模型以及包含所述目标故障辅助信息的故障信息，输出故障根源的预测结果。

12、可选地，对所述故障辅助信息中每个特征进行重要性排序是基于随机森林算法进行的。

13、可选地，所述故障根源表示产生故障的原因、故障系统、故障名称中的至少一个。

14、根据本申请的第二方面，提供了一种故障根源预测系统。所述预测系统包括：接收单元，用于接收故障信息，所述故障信息包括车辆的第一故障码和第二故障码中的至少一项，所述第一故障码是车辆控制器输出的故障码，所述第二故障码是故障诊断仪输出的故障码；

15、确定单元，用于基于所述故障信息中所包括的故障码，确定故障根源预测模型；

16、输出单元，用于根据所确定的故障根源预测模型以及所述故障信息，输出故障根源的预测结果，其中，所述故障根源表示产生故障的原因和位置中的至少一个。

17、根据本申请的第三方面，提供了一种电子设备。所述电子设备包括存储器和处理器，所述存储器用于存储计算机指令，所述处理器用于从所述存储器中调用所述计算机指令，以执行如本申请第一方面中任一项所述的预测方法。

18、根据本申请的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序在被处理器执行时实现如本申请第一方面中任一项所述的预测方法。

19、根据本申请的第五方面，提供了一种车辆。所述车辆包括如本申请第二方面提供的所述的故障根源预测系统、车辆控制器和/或故障诊断仪；或，包括如本申请第三方面提供的所述的电子设备。

20、本申请的一些实施例基于所述故障信息中所包括的故障码，确定故障根源预测模型，根据所确定的故障根源预测模型以及所述故障信息，输出故障根源的预测结果。这样可以准确得到故障根源预测结果，实现整车级别的在线与离线诊断功能。

21、可选地，通过本申请实施例的故障根源预测方法预测到可能故障根源后，维修人员只需要对可能故障根源进行一一排查，确认是否发生故障即可。这样可以降低对维修人员的经验要求，一定程度上还可以减小雇佣专家的成本。

22、可选地，基于所述故障信息中所包括的故障码，分别训练不同类型故障码对应的故障根源预测模型。这可以适应更多的应用场景，使训练出的故障根源预测模型更灵活，预测结果更准确。

23、可选地，基于该模型进行故障根源推理，更智能化，可以更快得到故障根源推理结果。

24、通过以下参照附图对本申请的示例性实施例的详细描述，本申请的其它特征及其优点将会变得清楚。

技术特征：

1.一种故障根源的预测方法，其特征在于，包括：

2.根据权利要求1所述的预测方法，其特征在于，所述故障根源预测模型包括第一故障根源预测模型、第二故障根源预测模型和第三故障根源预测模型，基于所述故障信息中所包括的故障码，确定故障根源预测模型，包括：

3.根据权利要求1所述的预测方法，其特征在于，所述故障根源预测模型是基于朴素贝叶斯算法的模型。

4.根据权利要求1-3中的任何一个所述的预测方法，其特征在于，所述故障根源的预测结果包括产生所述故障信息时的至少一个可能故障根源以及该可能故障根源发生的概率。

5.根据权利要求2中的任何一个所述的预测方法，其特征在于，所述第一故障根源预测模型是基于车辆控制器输出的故障码训练得到的，所述第二故障根源预测模型是基于故障诊断仪输出的故障码训练得到的，所述第三故障根源预测模型是基于车辆控制器输出的故障码和故障诊断仪输出的故障码训练得到的。

6.根据权利要求1所述的预测方法，其特征在于，所述故障信息还包括故障辅助信息，所述故障辅助信息包括故障表现、仪表显示信息和故障码所属系统中的至少一项，所述根据所确定的故障根源预测模型以及所述故障信息，输出故障根源的预测结果，包括：

7.根据权利要求6所述的预测方法，其特征在于，所述故障根源预测模型包括第一故障根源预测模型、第二故障根源预测模型和第三故障根源预测模型，其中，所述第一故障根源预测模型是基于车辆控制器输出的故障码和所述故障辅助信息训练得到的，所述第二故障根源预测模型是基于故障诊断仪输出的故障码和所述故障辅助信息训练得到的，所述第三故障根源预测模型是基于车辆控制器输出的故障码、故障诊断仪输出的故障码和所述故障辅助信息训练得到的。

8.根据权利要求6所述的预测方法，其特征在于，所述根据所确定的故障根源预测模型以及包含所述故障辅助信息的所述故障信息，输出故障根源的预测结果，包括：

9.根据权利要求7所述的预测方法，其特征在于，对所述故障辅助信息中每个特征进行重要性排序是基于随机森林算法进行的。

10.根据权利要求1所述的预测方法，其特征在于，所述故障根源表示产生故障的原因、故障系统及故障名称中的至少一个。

11.一种故障根源预测系统，其特征在于，包括：

12.一种电子设备，其特征在于，包括存储器和处理器，

13.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序在被处理器执行时实现如权利要求1-10中任一项所述的预测方法。

14.一种车辆，其特征在于，包括如权利要求11所述的故障根源预测系统、车辆控制器和/或故障诊断仪；或，包括如权利要求12所述的电子设备。

技术总结本申请公开了一种故障根源的预测方法、系统、设备、介质及车辆。该方法包括：接收故障信息，所述故障信息包括车辆的第一故障码和第二故障码中的至少一项，所述第一故障码是车辆控制器输出的故障码，所述第二故障码是故障诊断仪输出的故障码；基于所述故障信息中所包括的故障码，确定故障根源预测模型；根据所确定的故障根源预测模型以及所述故障信息，输出故障根源的预测结果。技术研发人员：折天浩,许伯良,王吉全,吕高峰受保护的技术使用者：比亚迪股份有限公司技术研发日：技术公布日：2024/7/4