汽車故障診斷專家系統關鍵技術的研究與發展

摘要：在收集整理大量國內外相關研究文獻的基礎上，針對知識獲取方法、知識表示方法及推理策略等這些關鍵技術相應的解決方法進行了分析，包括對傳統方法的改進，如故障規則的自動獲取、組合的知識表示方法和推理方法的多樣化等，以及新理論新技術的應用，如基于案例的專家系統、基于模糊的專家系統、基于神經網絡的專家系統以及基于行為的專家系統等，并提出智能化、網絡化和集成化是未來故障診斷專家系統的發展方向。

關鍵詞：汽車；故障診斷；專家系統；關鍵技術

中圖分類號：TP273文獻標志碼：A

文章編號：1001－3695(2008)06－1633－06

1國內外研究發展與應用概況

目前，汽車故障診斷領域涌現出很多的方法，其中依據診斷的流程可分為經驗儀表診斷法（利用專家的經驗或借助儀表進行診斷）、專家系統診斷法（將專家的經驗以計算機程序的形式進行表達，是一種智能化的診斷方法）、基于特征狀態識別的方法（通過提取故障信號進行分析和識別）、車載自診斷方法（主要用于汽車電控系統的故障診斷）以及近幾年來發展的集成化和網絡化故障診斷方法等。本文以汽車故障診斷為檢索詞，在中文期刊網上進行檢索，對從1994年至今的300多篇相關研究文獻的內容進行歸納整理和分析，得出各種診斷方法在不同時期研究論文的數量比例統計結果， 如圖1所示。從圖中可見，專家系統故障診斷方法一直在汽車故障診斷研究領域占有比較高的比例，已經成為目前廣泛研究并不斷推廣應用的汽車故障診斷方法之一。

1．1國外研究應用概況

國外汽車專家系統的研究發展大致經歷了三個階段：

a)從20世紀70年代后期到80年代中期，這一時期各國汽車行業開始將人工智能應用于汽車故障診斷領域[1]。例如1982年意大利米蘭汽車工業大學首先研制了一個包括汽車發動機點火系、充電系和起動系在內的汽車電器系統的故障診斷專家系統[2]。

b)從80年代中期到90年代后期，這一時期很多汽車制造廠家進行了專家系統的試制以及實用性評價等工作[3]，并且許多先進的理論也融合到傳統方法中。例如1989年美國Venkat等人首次將神經網絡用于故障診斷中，獲得理想的結果[4]；此后，Marko等人將神經網絡引入到汽車控制系統和柴油發動機的故障診斷中，實現了故障的快速分類[5~7]；Brennan等人運用狀態監控和模糊邏輯推理，開發了汽車懸架單元的故障診斷系統[8，9]； M. L. Smith為Eaton公司開發了汽車制動系集成診斷系統[10，11]等。但是由于當時主要采用的開發語言為Lisp和Prolog等，使得系統知識庫的開發效率低下，系統的擴展性和編輯性也不理想，專家系統的實用化發展受到了限制。

c)從90年代后期到現在，這一時期更加注重專家系統的實用化發展，出現了解決故障診斷問題的專家系統構筑工具等。同時，隨著多媒體、網絡以及信息等相關技術的發展，大規模故障診斷專家系統的研制及其應用將再次成為學者和制造廠家關注的焦點。

1．2國內研究應用狀況

我國在汽車故障診斷專家系統方面的研究一直緊跟國外學術動態，并注重加強對新理論、新方法和新趨勢等方面的把握和研究，取得了一些研究成果。在80年代末，國內部分高校和科研機構就開始對汽車故障診斷專家系統進行研究；90年代中期后，國內的研究進入快速發展期，部分研究已達到國外同等水平。同時專家系統的診斷技術也呈現出多樣化的特點，從傳統基于規則的診斷專家系統模型發展到基于模糊邏輯、實例和神經網絡技術的診斷專家系統模型，并逐漸向網絡化、集成化的方向發展[12]。其中主要用于發動機相關系統的故障診斷，對于底盤以及一些相關附屬裝置的診斷研究也正處于不斷發展的研究階段。主要研究與應用狀況如表1所示。

2專家系統及其實現關鍵技術

2．1專家系統的基本結構

汽車故障診斷專家系統是指應用人工智能技術，模擬人類專家求解問題的思維過程來進行汽車故障診斷的一種智能化方法。該方法不僅適用于汽車機械系統的故障診斷，而且也適用于汽車電器系統的故障診斷；同時，還可以與診斷工具相連接或與外部軟件相結合，提高了診斷效率和準確性。專家系統的基本結構通常由人機交互界面、知識庫、推理機、解釋器、綜合數據庫、知識獲取六個部分構成[13]，如圖2所示。

其中知識獲取具有將知識輸入到知識庫中，并且負責維護知識的一致性和完整性的功能；知識庫用于存放領域專家的各種與設備有關的知識；推理機利用診斷知識庫中的知識進行推理診斷，從而給出診斷結果；解釋程序對求解過程作出說明，并回答用戶的提問；人機接口模塊是用戶、領域專家或知識工程師進行交互的平臺；綜合數據庫用于存放系統運行過程中所產生的所有信息以及所需要的原始數據，包括用戶輸入的信息、推理的中間結果、推理過程的記錄等。

2．2專家系統的實現關鍵技術

1)知識獲取

知識獲取是指如何獲得專家的知識和經驗的問題，一般知識獲取的方式有如下幾種：通過知識工程師與領域專家接觸，在專家的指導下以一種適當的計算機內部表示將知識編入知識庫；通過一種智能的知識獲取機制，讓專家與專家系統直接打交道，由智能編輯器直接生成知識庫；通過建立一個帶有歸納、類比或其他高級學習功能的知識發現系統，使之通過實例或實際問題來總結發現出一些尚未被專家掌握或認識到的知識裝入知識庫。

2)知識表示

知識表示是關于各種存儲知識的數據結構及其對這些結構的解釋過程的結合。傳統汽車故障診斷專家系統主要有以下幾種知識表示方法：

a）產生式，又稱規則式表示法，是人工智能中最常用的知識表示方法。它以過程性知識為中心，通常用來表示有因果關系的知識，具有自然、清晰的特點。但是當規則庫比較大時，匹配效率不高，求解復雜問題時容易引起知識的“組合爆炸”，同時不能表示具有結構關系的知識。

b）語義網絡式，是通過概念以及語義關系來表達知識的一種網絡圖。語義網絡能將各種事物有機地聯系起來，明確地描述事物之間的語義關系；同時著重表達了知識間的語義關系，符合人類聯想思維的過程，而且具有信息共享和表達自然的特點。但是這種知識表示方法對于深層次的判斷性知識不能很好地表達。

c）框架式，是一種表示定性狀態的數據結構，可表達知識之間的結構關系。但是框架表示法不善于表達過程性知識。

以上是對確定性知識的表示；對于不確定知識，可以用模糊數學相關理論對其進行表達。

3）推理方法

推理方法是專家系統解決具體問題的思維過程，一般由程序實現。常用的推理方式有基于規則的演繹推理，包括正向推理、反向推理和正反向混合推理等；還有歸納推理，包括完全歸納推理和不完全歸納推理等，這些都是關于精確知識的推理。對于不精確知識推理主要采用概率法、可信度方法、證據論證法和模糊子集法等。

這些關鍵技術之間相互聯系、相互作用。知識獲取技術是對故障診斷源知識的獲取，源知識獲取的多少以及獲取程度的大小直接關系到專家系統是否真正發揮作用；而能否將這些源知識表示成計算機易于識別的方式又是推理機能否正確推理的基礎。因此，對這些關鍵技術的研究和解決對促進專家系統的實用化具有積極的現實意義。

3汽車故障診斷專家系統關鍵技術解決方法

針對上述關鍵技術，許多學者進行了解決方法的研究。其中一方面注重對傳統方法的改進；另一方面將新理論新技術與傳統方法融合，出現了如基于案例的專家系統、基于模糊理論的專家系統、基于神經網絡的專家系統、基于行為的專家系統以及遠程故障診斷專家系統等。這些方法的研究促進了專家系統在汽車故障診斷領域的進一步應用。

3．1傳統方法的改進

傳統的汽車故障診斷專家系統建立在產生式規則的基礎上，其基本思想是根據以往專家經驗，將其歸納成規則，通過啟發式經驗知識進行故障診斷。該方法具有知識表述直觀、形式統一、易于理解和解釋方便等優點，適合于具有豐富經驗的專業領域人員進行故障診斷。但是，這種方法知識獲取困難、知識表示單一，對知識庫的維護要求較高；而且基于規則的專家系統只是重視利用專家經驗解決問題，缺乏對知識的深層理解，一旦出現規則未考慮的情況，專家系統的性能將急劇下降。

3．1．1故障規則的自動獲取

對于規則的獲取方法從過去的憑借人工經驗進行直接交流等方式向規則的自動獲取方向發展，如文獻[14]提出了一種帶有自學習功能的基于多元回歸統計分析的規則獲取方式，這種規則獲取方式帶有反饋的自學習功能，對于已驗證的數據能不斷補充到建立判別函數和判別規則的總體數據庫中，以修正判別函數和判別規則；文獻[15]將粗集理論引入到專家系統開發中，利用粗集中處理含糊不確定問題的思想來實現對故障規則的自動獲取，并用于發動機異響故障診斷中。其中關鍵技術包括故障樣本信息的關系型決策表表示、決策表子表的隨機采樣以及條件屬性的動態約簡算法設計等。

3．1．2組合的知識表示方法

針對知識表示單一問題，文獻[14]將框架式和產生式結合提出了一種分類框架的形式來組織汽車功能故障的知識源，并結合故障樹進行知識描述；文獻[16]提出了一種介于產生式、語義網絡式和框架式之間的節點式知識表示模式，這種模式以不同節點之間的語義關系、因果關系與數值關系相互連接，使得知識表示更加靈活和具有廣泛性；文獻[17]提出采用“規則架－規則體”的模式進行知識表示，并用于開發基于油液分析的故障診斷專家系統；文獻[18]中提出了一種“診斷基元＋產生式規則＋過程”的混合知識表示方法；文獻[19]面向對象的知識表示和產生式規則相結合的方法，利用Java規則引擎平臺建立了專家系統的框架。

3．1．3推理策略的多樣化

針對單一正反向推理的不足，文獻[20]采用混合推理方法以克服單獨一種推理方法的缺點。具體實現方法是以正向推理開始，若在一次推理過程中沒有一條規則的條件部分與事實庫中事實匹配，則把條件部分不能完全匹配的規則都找出來，以這些規則的結論作為假設，進行反向推理；在反向推理的過程中，由用戶提供有關證據，使假設過程進行下去，也就是先通過正向推理形成假設，然后通過反向推理證實假設的過程。

針對不精確推理問題，文獻[21] 中采用雙可信度的不精確推理模型，用于電噴發動機的故障診斷。該系統首先由典型癥狀進行推理，激發出可能存在的故障，初步形成一個觸發故障集；同時進行觸發癥狀的可信度計算，得出故障集中每一個故障發生的可能性大小；再以此作為推理的啟發信息，先將可能性大的故障激活，對每一個激活的故障詢問是否存在本故障引起的其他癥狀，同時計算該故障的最新可信度值。若比值大于該故障的閾值，就初步診斷有故障，形成初診故障集；若初診故障集中僅此一項，則可認定其為診斷結論；若有多種故障存在，則需進一步詢問直到最終得出結論。

文獻[22]中介紹了一種用于汽車發動機點火系的故障診斷專家系統。該系統采用北京理工大學開發的專用圖形專家系統工具，利用其內嵌的推理機實現推理過程，在該工具內部采用一定的算法進行網絡匹配，規則被組織成為模式—連接網絡，模式匹配中的匹配信息被保存在網內各節點中，標志與每個相匹配的事實，利用時間冗余性和結構性的特點使得其推理速度加快。

關于對傳統方法的改進，還有很多新的方法和技術手段用于汽車故障診斷中，具體如表2所示。

3．2新技術新理論的應用

3．2．1基于案例的專家系統

基于案例推理（case－based reasoning，CBR）是近年來人工智能領域興起的一種診斷推理技術。它是類比推理的一個獨立子類。其基本思想是利用過去求解成功或失敗的經驗，通過對歷史案例知識的挖掘，獲得蘊涵于過去中的豐富經驗和知識，并且可利用計算機進行推理。基于實例的診斷專家系統無須對知識進行規則提取，這降低了知識獲取的難度。同時系統是開放的，便于進行增量式學習，而且案例庫的覆蓋度將隨著系統的不斷使用而逐漸增加。該方法主要用于分析不確定性故障，適用于診斷領域源知識難以表示成規則而易于表達成案例的情況。基于案例診斷的專家系統的技術關鍵為如何建立一個有效的檢索機制和案例的組織方式；案例匹配的表面相似性、結構相似性和深層相似性；診斷案例是否能夠覆蓋所有的解空間；案例特征的選擇、權重分配以及處理案例修訂的一致性檢驗等。

針對建立有效的存儲和索引這一問題，文獻[23]提出了將粗集理論中的事例特征項的權值向量確定算法、事例相似度計算算法和基于事例推理的算法應用到汽車異響故障診斷專家系統中，按照事例中各屬性權值計算待求解實例與事例庫中已知事例的相似度，然后按照相似度的大小決定要檢索的事例。實驗表明，該方法能夠有效地提高故障診斷的準確率。文獻[24]中對于事例的存儲和檢索采用動態存儲模型技術，實行分類分層存儲。具體過程為：結合問題的上下文，根據用戶輸入的故障癥狀的特征，首先對主要特征進行匹配，然后對其他的特征進行匹配，直至檢索到一個或一組最相似的事例，用它的診斷結論作為問題的建議求解方案。

針對如何構建最相似的匹配算法這一關鍵技術，目前采用的方法有最近鄰策略、歸納推理策略、知識引導策略和模糊檢索策略等。文獻[25]中采用了最近鄰策略與模糊策略對實例進行匹配，即計算出若干實例并歸為候選實例，根據匹配值對其候選案例進行排隊，選出符合條件的作為解決問題的依據。

3．2．2基于模糊理論的專家系統

在汽車故障診斷方法中，針對界限不分明的模糊概念，可以采用將模糊理論與專家系統技術相結合的方法。該方法具有較強的結構性和知識表達能力，特別適合于診斷不確定信息和不完整性信息。但是這種診斷方法的知識獲取相對較困難，特別是故障與征兆的模糊關系不易確定，且系統的診斷能力依賴于模糊知識庫，學習能力差、易發生漏診和誤診；而且，由于模糊語言變量是用隸屬函數表示的，實現語言變量與隸屬函數之間的轉換是一個難點。

文獻[26]中針對傳統方法建立模糊診斷矩陣的不足，采用了人工智能的方法，利用專家知識動態建立模糊診斷矩陣，并經過適應修正得到比較客觀的故障原因和故障征兆的判斷，如圖3所示。

文獻[27] 中，以模糊數學理論為基礎，采用了諸如海明距離、擇近原則以及對故障的刻畫方法等實現了故障的模糊識別，并建立了汽車故障診斷專家系統的診斷模型。

3．2．3基于神經網絡的專家系統

神經網絡是在現代神經生理學和心里學的基礎之上模仿人的大腦神經元結構特性而建立起來的一種非線性動力學網絡系統。神經網絡與故障診斷專家系統結合有兩種形式：a)使用神經網絡來構建專家系統，變基于符號的推理為基于數值計算的推理，提高系統效率和自學習能力；b)把神經網絡作為知識源的表示與處理模式，并且與其他推理機制融合，實現多模式推理。

神經網絡專家系統的優點表現在：無須描述規則，只需提供典型樣本，是一種示例學習。這一自學習功能比較有效地解決了知識獲取的瓶頸問題。專家系統經過訓練后，其節點間的連接權重和節點的閾值就形成了知識庫，該知識庫可以對知識進行分布式表達，保證了系統的容錯性，對提高在線故障診斷系統抵抗外界干擾具有很大作用。由于神經網絡學習的對象是抽象的數據，而不是具體關心研究對象，更具有適用性。神經網絡專家系統的局限性表現在：網絡在對大型復雜的問題求解時，其學習時間長；對樣本的要求高，表現在要保證系統本質特征的正確描述，其容量要盡可能較大地涵蓋系統的狀態空間；系統不透明，表現在網絡不能夠解釋其推理過程，沒有合理完善的解釋系統等。因此，將傳統的基于符號處理技術和神經網絡進行集成是汽車故障診斷系統的一個全新發展方向。

目前，國內外對基于神經網絡的故障診斷技術研究多集中于BP網絡，文獻[28~31]中都采用了這種BP算法，其網絡結構如圖4所示。它由一個輸入層、一個或多個隱含層以及一個輸出層組成。學習過程包括正向傳播和反向傳播。在正向傳播中，輸入信息從輸入層經隱含層加權處理后傳向輸出層，經作用函數運算后得到的輸出值與期望值進行比較，若有誤差，則誤差反向傳播。沿原先的連接通路返回，通過逐層修改各神經元的權系數減少誤差，如此循環直到輸出滿足要求為止。

傳統的BP算法具有一定的局限性，表現在收斂速度慢、振蕩以及局部極小等問題。針對這些問題，文獻[32]提出了采用動態調整學習速度的激勵函數參數的辦法對BP算法進行修正，并且在某型號變速箱內齒輪故障上做了對比實驗，取得了較好的效果。文獻[33]中，針對傳統BP網絡存在的問題提出了一系列的改進方法：如對于收斂速度慢的問題提出了調整動態參數的方法；針對診斷正確率低的問題，采用增加樣本對它的某輸入項進行弱化處理的方法，使診斷精度提高到78.9％；針對樣本選取困難問題，采用樣本模糊化方法等。



文獻[20]介紹了一種把神經網絡與傳統專家系統結合的全集成型診斷系統，在規則庫的建立過程中，提供了自動的正確性檢查及完備性的保證。系統的推理機制采用正向神經網絡推理和反向邏輯推理構成的混合推理系統，推理采用共同的數據結構和知識表達，以合作的形式進行。這種全集成型的診斷系統提高了基于規則的傳統專家系統的推理效率，克服了邏輯推理不能并行推理的不足，實現了較為完整的規則庫維護機制。

此外，文獻[34]中將模糊理論與神經網絡結合，設計了一個模糊神經網絡推理系統來診斷汽車空調壓縮機故障。該方法采用遺傳算法對系統進行優化，并且對BP網絡算法進行改進，優化了模糊系統的參數和結構，刪除了無用的模糊規則。實驗表明，這種推理方法收斂速度快、泛化能力好、推廣性強，提高了診斷的效率和準確性。文獻[35]中，提出了一種用模糊映射神經網絡代替模糊推理過程，并與規則推理相結合的方法，有效地將模糊診斷、規則推理和神經網絡技術有機地結合在一起，用于汽車發動機的故障診斷專家系統推理機設計中。實驗表明，該方法直觀快速、參數易于調整、精度高，避免了因模糊算法的粗糙和多樣性帶來的信息丟失，減少了錯判或漏判的可能性。

3．2．4基于行為的專家系統

基于行為的專家系統采用神經網絡模塊化單元，以確保系統與對象的實時交互。這種神經網絡模塊化單元不同于一般的基于神經網絡的診斷系統，它是一種相對獨立且能夠動態構建故障診斷子神經網絡模塊單元的變結構單元，該模塊同汽車電控單元（ECU）之間進行數據交互，可以實現實時在線的監測與診斷。基于行為的故障診斷專家系統的優點是在缺乏先驗知識的情況下，通過與診斷對象系統的行為交互，逐步學習進化，最終構成一個完善的診斷系統，因此，不必事先給出所有故障類型，這些減輕了故障診斷專家系統開發的規模和知識獲取困難問題。開發基于行為的診斷專家系統的關鍵是故障行為征兆（語義征兆、網絡征兆）的自動獲取問題，新故障的自動識別和分類問題也是開發的重點[3]。

除此之外，隨著網絡技術的發展，將專家系統同網絡技術結合開發遠程故障診斷系統也能夠較好地解決專家系統開發過程的關鍵技術問題。文獻[36]中，利用故障樹數據結構建立知識庫，開發了基于ASP網絡的汽車故障診斷專家系統。通過網絡提供故障診斷的維修、維護技巧等相關的知識信息，用戶通過網上查詢獲取所需資料，并通過專家進行交互配合協作，不斷地修改、完善和豐富知識庫。文獻[37]中，建立了一個基于B/S的汽車遠程故障診斷專家系統，并對其事先的關鍵技術如基于Web的數據庫技術、實時數據傳輸技術和網絡安全技術等的實現方法進行了研究。

4專家系統的研究應用趨勢

盡管將專家系統應用于汽車故障診斷取得了一定的進展，但是仍舊不能夠完全代替專家的思維過程，仍舊需要同領域專家的合作。因此，診斷的智能化、網絡化和集成化是未來汽車故障診斷專家系統的發展趨勢[38]。

1）提高知識獲取能力智能診斷系統的核心問題是它的學習能力問題，而知識的自動獲取一直是智能故障診斷專家系統研究的難點。解決知識獲取的途徑主要是通過機器學習，即讓機器能夠在實際工作中不斷地總結成功和失敗的經驗教訓，對知識庫中的診斷知識進行調整和修改，以豐富和完善系統知識。機器學習的方法目前主要有基于實例的學習和基于神經網絡的學習。基于實例的學習需要獲得大量的診斷實例，這在實際開發中不容易獲取；基于神經網絡的機器學習方法也存在網絡結構不能改變、不能向不完全的初始規則集添加新的符號規則等局限性。因此發展和完善現有的機器學習方法、探索新的學習方法、建立新的機器學習系統，特別是多種學習方法協同工作的智能診斷專家系統，是研究的一個重要方向[39]。

2）增加知識表示方式現有的知識表示方式無論是傳統的、改進的還是現代的，均不同程度地存在各自的局限性，因此尋求更加準確、直觀和方便的知識表示方式仍舊是汽車故障診斷專家系統研究的主要方向。同時，要更加注重知識庫的可維護性、擴展性以及容錯能力的發展，使得知識表示向智能化的方向發展。

3）改進推理方法精度由于汽車故障診斷的信息不完全度較高，并存在許多模糊信息，用單一推理方法難以完成對故障的有效診斷，選擇一種適合該領域診斷專家系統的推理方法非常重要。基于神經網絡的推理、基于案例的推理以及基于模糊診斷的推理等推理方法有效地提高了診斷推理的精度，目前出現的將信息融合技術與神經網絡技術結合實現故障的推理過程，可以全面地提高故障診斷的準確性和可靠性[40]。尋求提高推理精度的方法也將成為未來專家系統研究的主要問題之一。

4）網絡集成故障診斷專家系統網絡架構下的集成故障診斷專家系統符合現代汽車故障診斷領域要求，基于實例、規則和模糊神經網絡模型的集成診斷專家系統是集成故障診斷專家系統的研究方向之一，同時多媒體技術的應用也有助于提高故障診斷的準確性和效率；通過局域網和因特網等實現診斷服務信息的交流和共享，達成多專家協同診斷已經成為現代故障診斷領域的發展趨勢[3]。

總之，無論是對傳統方法的改進還是同新技術新理論的融合，這些方法都比較有效地解決了汽車故障診斷專家系統開發中的一些關鍵技術。正是對這些新方法的不斷研究，使得專家系統在汽車故障診斷領域有了廣闊的應用前景。

參考文獻：

［1］ 李顯生，鹿應榮，周茹波，等.汽車現代診斷技術的發展趨勢[J].公路交通科技，2001，18（1）：81－84.

[2]SOOD A K， FRIENDLANDER C B，FAHS A A.Engine fault analysis，part:statistical methods[J].IEEE Trans on Industrial Electro－nics，1985，32(4): 327－335.

[3] 陳朝陽，張代勝，任佩江.汽車故障診斷專家系統的現狀與發展趨勢[J].機械工程學報，2003，39（11）：1－6.

[4]VENKATASUBRAMANIAN V， KING C.A neural network methodology for process fault diagnosis[J].Journal of AICHE，1989，35(12):1993－2002.

[5]MARKO K A，JAMES J V，DOSDALL J，et al.Automotive control system diagnostics using neural nets for rapid pattern classification of large data sets[C]//Proc of the 2nd International IEEE Joint Confe－rence on Neural Networks.1989.

[6]MARKO K A，JAMES J V，FELDKAMP T M，et al.Automotive diagnostics using trainable classifier:statistical testing and paradigm selection[C]//Proc of International Joint Conference on Neural Networks.1990.

[7]GOPINATH O C.A neural net solution for diesel engine fault diagnosis[D].Sheffield: University of Sheffield，1994.

[8]HAMILTON B T，LU Yi.Diagnosis of automobile failures using fuzzy logic[C]//Proc of the 8th International Conference on Industrial and Engineering Applications of Artificial Intelligence and Expert Systems.Newark:Gordon and Breach Science Publishers，1995:337－344.

[9]LU Yi，CHEN Tie－qi，HAMILTON B T.A fuzzy diagnostic model and its application in automotive engineering diagnosis[J].Applied Intelligence，1998，9(3):231－243.

[10]STASZEWSKI W J，WORDEN K.Classification of faults in gear－boxes: preprocessing algorithms and neural networks[J].Neural Computing Applications，1997(5):160－183.

[11]LUKICH J M，BRANDT W D. Integrated diagnostics for the vehicle system，SAE 912683[R].1991.

[12]劉鳳霞，孫鳳英，紀峻嶺.專家系統故障診斷法及其在汽車故障診斷中的應用[J].交通科技與經濟，2001， 3（2）：40－43.

[13]楊興，朱大奇，桑慶兵.專家系統研究現狀與展望[J].計算機應用研究，2007，24(5):2－6.

[14]陳銘，李綱，王成燾.基于油液分析的汽車發動機摩擦系統故障診斷專家系統知識庫的建立[J].潤滑與密封，1998(4):21－23.

[15]盛頌恩，勞佳鋒，陳久軍.基于粗集理論的故障規則自動獲取系統的研究[J].浙江工業大學學報，2004，32(2):203－207.

[16]閔永軍，萬茂松，黃銀娣，等.汽車功能故障知識表示的研究[J].林業機械與木工設備，1999，27(6):20－22.

[17]趙志宏.確定性故障診斷知識節點式表示技術[J].長安大學學報，2003，23(1):80－83.

[18]成曙，張振仁，李曉建，等.汽車電氣設備故障診斷專家系統的設計與實現[J].工業儀表與自動化裝置，2004(2):21－23.

[19]王璐瑋，尹朝慶，葛守飛.基于Java規則引擎的汽車發動機故障診斷專家系統研究與開發[J].交通與計算機，2005，23(5):30－34.

[20]許占文，葛岳.關于神經網絡的汽車故障診斷專家系統[J].沈陽工業大學學報，1998，20(5):46－49.

[21]趙樹朋，張世芳，鄺樸生.汽車電噴發動機故障診斷專家系統的開發研究[J].河北農業大學學報，2002，25(2):79－81.

[22]崔林，楊鐵皂，朱圣柳.汽車發動機點火系統故障診斷專家系統的開發[J].洛陽工學院學報，1998，19(3):40－44.

[23]尹旭日，張從文，王教東.汽車故障診斷中基于粗糙集的CBR方法研究[J].交通與計算機，2005，23(1):83－86.

[24]尹旭日，周志華，陳世福.AFDES中基于Case推理方法的研究[J].計算機應用與軟件，2002，19(1):39－41.

[25]張力軍，石湘龍.案例推理在汽車維修故障診斷中的應用[J].湖南理工學院學報，2005，18(9):73－76.

[26]王秉仁，姜小麗，張雷.基于模糊邏輯推理的汽車故障診斷的研究[J].機電工程，2005，22(10):55－57.

[27]胡琳.汽車故障診斷專家系統診斷模型的研究[J].電子技術應用，1997(12):23－26.

[28]馮雷，應霞芳，何勇.基于神經網絡的汽油機故障診斷的專家系統[J].科技通報，2000，16(2):93－96.

[29]陳朝陽，張代勝.神經網絡技術在汽車故障診斷專家系統中的應用[J].合肥工業大學學報，2000，23(1):28－31.

[30]曹建國，羅輯.基于神經網絡的發動機異響故障診斷方法[J].機械制造技術，2004，42(2):19－20.

[31]王偉杰，趙學增，黃文濤.基于BP網絡的故障診斷正向推理方法[J].車用發動機，2001(8):33－35.

[32]孫喬，潘旭峰，李曉雷.神經網絡在汽車傳動系統故障診斷中的應用[J].計算機應用系統，1996(8):16－18.

[33]衛紹元，張蕾.基于神經網絡的汽車故障診斷專家系統開發中的問題研究[J].公路交通科技，2001，18(2):78－81.

[34]張蕾，董恩國.遺傳優化算法在壓縮機故障診斷中的應用[J].壓縮機技術，2004(4):4－6.

[35]胡奕濤，武和雷.車用發動機故障綜合智能診斷方法研究[J].車用發動機，2003(6):4－6.

[36]辛惠娟，錢東平，李志芳.基于ASP網絡開發汽車發動機故障診斷專家系統[J].農機化研究，2006(2):190－193.

[37]陳豪，張為公.基于B/S的汽車遠程故障診斷系統[J].北京汽車，2004(2):33－36.

[38]PUCHER H， JANKOV J. Experimental design and development of an expert system for the knowledge－based engine process optimization of modern diesel engines，SAE 2006－32－0011[R].2006.

[39]HADJIMICHAEL M， MCCARTHY J. Development of a fuzzy expert system for aviation risk modelling，SAE 2005－01－3357[R].2005.

[40]YEH I， KOCHNOWSKI B， SUBBIAN T. An expert system for vehicle restraint system design，SAE 2005－01－1304[R].2005.

注：本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文