【技术实现步骤摘要】
本专利技术涉及车辆的自动化故障诊断。更具体地，本专利技术涉及构建用于车辆故障诊断的知识图谱的方法以及基于知识图谱的车辆故障诊断方法和系统。
技术介绍
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。
技术实现思路
1、本公开的第一个方面提供了一种构建用于车辆故障诊断的知识图谱的方法。该方法可以包括：建立车辆部件的数据库，该车辆部件包括能够更换或维修的基本单元；建立异常信号的数据库，该异常信号包括与车辆故障相关的车辆信息，与车辆故障相关的车辆信息包括车辆的运行模式、状态、传感器信号以及行驶数据；从已知的非结构化故障诊断数据和半结构化故障诊断数据中创建故障知识三元组，该故障知识三元组包括：<异常信号-故障名称-故障的车辆部件>和<故障的车辆部件-维修方法-维修建议>；以及基于故障知识三元组，将异常信号、车辆部件和维修建议关联在一起从而构建用于车辆故障诊断的知识图谱。在一些实例中，可以将异常信号i指示车辆部件k出现故障的概率pi/k作为知识图谱中异常
2、在一些实施例中，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。异常信号节点与能够产生该异常信号的一个或多个故障部件节点相关联。故障部件节点与能够维修该故障部件的一个或多个维修建议节点相关联。
3、在一些实施例中，可以利用式1计算概率pi/k：
4、pi/k＝c(i,k)/c(i) (式1)
5、这里，c(i,k)是异常信号i和车辆部件k在同一故障场景中同时出现的次数，c(i)是异常信号i在所有故障场景中出现的次数。
6、在一些实施例中，构建用于车辆故障诊断的知识图谱的方法还可以包括：通过机器学习算法，利用新的数据更新权重ei/k。
7、在一些实施例中，构建用于车辆故障诊断的知识图谱的方法还可以包括：与车辆部件k相关联的多个异常信号所对应的概率相加，以指示车辆部件k出现故障的概率。
8、在一些实施例中，构建用于车辆故障诊断的知识图谱的方法还可以包括：利用故障知识三元组训练机器学习模型，使得上述机器学习模型能够预测未来可能发生的故障以及推荐的维修措施。
9、在一些实施例中，构建用于车辆故障诊断的知识图谱的方法还可以包括：识别多个故障知识三元组之间的关联关系，从而将多个所故障知识三元组相互链接。
10、本公开的第二个方面提供了一种利用知识图谱对车辆故障进行诊断的方法。该方法可以包括：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；车辆终端将故障快照图像发送到云服务器；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故障诊断以确定目标维修建议节点；以及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。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，异常信号节点与能够产生该异常信号的一个或多个故障部件节点相关联，故障部件节点与能够维修该故障部件的一个或多个维修建议节点相关联。在一些实例中，确定目标维修建议节点包括从多个故障部件节点中将具有最大故障概率的故障部件节点确定为目标故障部件节点，并将与目标故障部件节点相关联的维修建议节点确定为目标维修建议节点。
11、在一些实施例中，每个故障部件节点的故障概率pk通过式2计算：
12、pk＝∑ipi/k (式2)
13、这里，pi/k＝c(i,k)/c(i)，c(i,k)是异常信号i和车辆部件k在同一故障场景中同时出现的次数，c(i)是异常信号i在所有故障场景中出现的次数。
14、本公开的第三个方面提供了一种基于知识图谱的车辆故障诊断系统。该系统可以包括：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。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。异常信号节点与能够产生该异常信号的一个或多个故障部件节点相关联。故障部件节点与能够维修该故障部件的一个或多个维修建议节点相关联。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故障诊断以确定目标维修建议节点，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。在一些实例中，确定目标维修建议节点可以包括：从多个故障部件节点中将具有最大故障概率的故障部件节点确定为目标故障部件节点，并将与目标故障部件节点相关联的维修建议节点确定为目标维修建议节点。
15、在一些实施例中，每个故障部件节点的故障概率pk可以通过式2计算：
16、pk＝∑ipi/k (式2)
17、这里，pi/k＝c(i,k)/c(i)，c(i,k)是异常信号i和车辆部件k在同一故障场景中同时出现的次数，c(i)是异常信号i在所有故障场景中出现的次数。
18、本公开的第四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，计算机可读存储器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本公开的基于知识图谱的车辆故障诊断方法或者本公开的利用知识图谱对车辆故障进行诊断的方法。
19、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。
本文档来自技高网...【技术保护点】
1.一种构建用于车辆故障诊断的知识图谱的方法，所述方法包括：
2.根据权利要求1所述方法，其中所述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，其中所述异常信号节点与能够产生该异常信号的一个或多个所述故障部件节点相关联，所述故障部件节点与能够维修该故障部件的一个或多个所述维修建议节点相关联。
3.根据权利要求1所述方法，其中利用式1计算所述概率Pi/k：
4.根据权利要求1所述方法，还包括通过机器学习算法，利用新的数据更新所述权重Ei/k。
5.根据权利要求2所述方法，还包括与所述车辆部件k相关联的多个异常信号所对应的概率相加，以指示所述车辆部件k出现故障的概率。
6.根据权利要求1所述方法，还包括利用所述故障知识三元组训练机器学习模型，使得上述机器学习模型能够预测未来可能发生的故障以及推荐的维修措施。
7.根据权利要求1所述方法，还包括识别多个所述故障知识三元组之间的关联关系，从而将多个所述故障知识三元组相互链接。
8.一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，所述计算机可
9.一种利用知识图谱对车辆故障进行诊断的方法，所述方法包括：
10.按照权利要求9所述方法，每个所述故障部件节点的故障概率Pk通过式2计算：
...【技术特征摘要】
1.一种构建用于车辆故障诊断的知识图谱的方法，所述方法包括：
2.根据权利要求1所述方法，其中所述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，其中所述异常信号节点与能够产生该异常信号的一个或多个所述故障部件节点相关联，所述故障部件节点与能够维修该故障部件的一个或多个所述维修建议节点相关联。
3.根据权利要求1所述方法，其中利用式1计算所述概率pi/k：
4.根据权利要求1所述方法，还包括通过机器学习算法，利用新的数据更新所述权重ei/k。
5.根据权利要求2所述方法，还包括与所述车辆部件k相关联的多个异常信号所对应的概率相加，以指示所述车辆部件k出现故障的概率。
6.根据权利要...
【专利技术属性】
技术研发人员：章鑫杰，
申请(专利权)人：上海科络达云软件技术有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。