一种基于知识图谱的车辆故障诊断方法和系统与流程

本发明涉及车辆的自动化故障诊断。更具体地，本发明涉及基于知识图谱的车辆故障诊断方法和系统。

背景技术：

1、基于知识图谱的车辆故障诊断方法是一种利用大数据和人工智能技术，通过分析维修历史数据来构建知识图谱，并利用知识图谱自动识别和分类车辆故障，提供维修建议，大幅提高维修效率和准确性。

2、基于知识图谱的车辆故障诊断方法首先通过实体抽取和关系识别技术，从海量的维修数据中提取出有价值的信息，然后将这些信息组织成知识图谱。在此基础上，系统通过复杂的算法模型(如xgboost故障分类模型)，对车辆出现的故障进行诊断、判断可能的故障部件并提供针对故障部件的维修指导。这不仅提高了故障诊断的准确性，还大大缩短了诊断时间，提升了维修效率。此外，这种方法还能够通过知识图谱的持续学习和更新，不断完善故障诊断的准确度，为车辆维修提供强有力的数据支持。

技术实现思路

1、本公开的第一个方面提供了一种基于知识图谱的车辆故障诊断方法。在一些实施例中，该方法可以包括：(a)当车辆终端的车辆故障监测模块检测到发生车辆故障时，生成故障快照图像；(b)车辆终端将故障快照图像发送到云服务器；(c)云服务器从故障快照图像中解析车辆信息，并基于车辆信息在云服务器中的故障知识图谱中进行递进式故障诊断以得到目标维修建议节点；以及(d)云服务器将目标维修建议节点的信息作为诊断信息发送给车辆终端，在一些实例中，故障知识图谱包括异常信号节点、故障部件节点和维修建议节点。异常信号节点与车辆故障的产生相关联的一个或多个故障部件节点相关联。故障部件节点与提供对故障部件的维修建议的一个或多个维修建议节点相关联。对车辆故障的产生具有相互影响或者共现关系的多个异常信号节点可以彼此关联。

2、在一些实施例中，上述步骤(c)可以包括：云服务器从故障快照图像中提取与车辆故障相关联的车辆信息。车辆信息可以包括故障发生时间、车辆驾驶模式、车辆状态、车辆传感器数据、车辆行驶数据或其任意组合。维修建议节点可以包括对故障症状和处理方式的描述、故障部件的图像、故障排除的维修视频或其任意组合。

3、在一些实施例中，上述递进式故障诊断可以包括：(i)在车辆信息中识别出异常信号；(ii)在知识图谱中定位与异常信号相对应的异常信号节点；(iii)将与异常信号节点相关联的一个或多个故障部件节点判定为候选故障部件节点；(iv)获取与候选故障部件节点相关联的一个或多个维修建议节点；(v)将一个或多个维修建议节点的一个或多个特征向量与从故障快照中提取的故障特征向量进行向量匹配，从而得到目标维修建议节点；以及(vi)将目标维修建议节点作为诊断信息发送给车辆终端。

4、在一些实施例中，上述步骤(iii)可以包括：确定是否存在与异常信号节点相关联的一个或多个关联异常信号节点；如果存在一个或多个关联异常信号节点，则确定与一个多个关联异常信号节点相对应的车辆信号数据是否异常；以及如果确定车辆信号数据异常，则将与对应的一个多个关联异常信号节点相关联的一个或多个故障部件节点判定为候选故障部件节点。

5、在一些实施例中，上述处理(v)可以包括：利用卷积神经网络模型从一个或多个维修建议节点中提取一个或多个特征向量，并利用卷积神经网络模型从故障快照中提取故障特征向量。在一些实施例中，上述(v)可以包括：将一个或多个维修建议节点中与故障特征向量具有最高向量匹配度的维修建议节点确定为目标维修建议节点。在一些实施例中，上述(v)可以包括：将一个或多个维修建议节点中与故障特征向量的向量匹配度超过一预设值的一个或多个维修建议节点确定为目标维修建议节点。

6、本公开的第二个方面提供了一种基于知识图谱的车辆故障诊断系统。在一些实施例中，该车辆故障诊断系统可以包括：车辆终端；和云服务器。车辆终端可以包括：车辆故障监测模块，其配置为在检测到发生车辆故障时，生成故障快照图像；以及车辆故障发送模块，其配置为将故障快照图像发送到云服务器。云服务器可以包括：故障知识图谱；故障快照接收模块；和故障诊断模块。故障知识图谱可以包括异常信号节点、故障部件节点和维修建议节点。异常信号节点可以与车辆故障的产生相关联的一个或多个车辆故障部件节点相关联。故障部件节点可以与提供对故障部件的维修建议的一个或多个维修建议节点相关联。对车辆故障的产生具有相互影响或者共现关系的多个异常信号节点可以彼此关联。故障快照接收模块可以配置为接收从车辆终端发送的故障快照图像。故障诊断模块可以配置为从快照图像中解析车辆信息，基于车辆信息在云服务器中的故障知识图谱中进行递进式故障诊断以得到目标维修建议节点，并将目标维修建议节点的信息作为诊断信息发送给车辆终端。

7、在一些实施例中，故障诊断模块可以进一步配置为：从故障快照图像中提取与车辆故障相关联的车辆信息。车辆信息可以包括故障发生时间、车辆驾驶模式、车辆状态、车辆传感器数据、车辆行驶数据或其任意组合。在一些实施例中，维修建议节点可以包括对故障症状和处理方式的描述、故障部件的图像、故障排除的维修视频或其任意组合。

8、在一些实施例中，故障诊断模块可以进一步配置为：(i)在车辆信息中识别出异常信号；(ii)在知识图谱中定位与异常信号数据相对应的异常信号节点；(iii)将与异常信号节点相关联的一个或多个故障部件节点判定为候选故障部件节点；(iv)获取与候选故障部件节点相关联的一个或多个维修建议节点；(v)将一个或多个维修建议节点的一个或多个特征向量与从故障快照中提取的故障特征向量进行向量匹配，从而得到目标维修建议节点；以及(vi)将目标维修建议节点作为诊断信息发送给车辆终端。

9、在一些实施例中，上述处理(iii)可以包括：确定是否存在与异常信号节点相关联的一个或多个关联异常信号节点；如果存在一个或多个关联异常信号节点，则确定与一个多个关联异常信号节点相对应的车辆信号数据是否异常；并且如果确定车辆信号数据异常，则将对应的一个多个关联异常信号节点相关联的一个或多个故障部件节点判定为候选故障部件节点。

10、在一些实施例中，上述处理(v)可以包括：利用卷积神经网络模型从一个或多个维修建议节点中提取一个或多个特征向量，并利用卷积神经网络模型从故障快照中提取故障特征向量。

11、在一些实施例中，上述处理(v)可以包括：将一个或多个维修建议节点中与故障特征向量具有最高向量匹配度的维修建议节点确定为目标维修建议节点。在一些实施例中，上述处理(v)可以包括：将一个或多个维修建议节点中与故障特征向量的向量匹配度超过一预设值的一个或多个维修建议节点确定为目标维修建议节点。

12、本公开的第三个方面提供了一种包括一个或多个计算机处理器和计算机可读存储器的系统。该计算机可读存储器可以包括机器可执行代码。机器可执行代码在由一个或多个计算机处理器执行时实现如本公开的基于知识图谱的车辆故障诊断方法。

13、应当理解，本公开并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。