基于案例信息檢索的汽車故障診斷系統的構建

唐偉萍　賴德鵬

基于案例信息檢索的汽車故障診斷系統的構建

唐偉萍賴德鵬

（廣西電力職業技術學院，廣西 南寧 530007）

傳統車輛維修養護診斷模式依賴于人工經驗和配套設備，已經適應不了汽車更新換代的速度，迫切需要更高效更智能的定位故障、快速檢修技術來提升車輛安全性和可靠性，從而誕生了車輛故障診斷技術這個綜合性學科。文章通過基于人工智能設計思想，采用大量的維修實例可以作為系統的訓練樣本，應用最新信息技術完成汽車故障認知診斷系統的設計與實現，為用戶提供一個高效簡便的故障診斷平臺，為專業維修人員解決汽車故障、對汽車維修提供依據，經實驗測試，系統大大降低故障診斷難度，節約故障診斷時間，帶來良好的經濟效益。

案例信息檢索；車輛診斷；系統構建

引言

據公安部2022年7月6日發布的2022年上半年全國機動車統計數據顯示：截至2022年6月底，全國機動車保有量達4.06億輛。說明隨著人們物質生活水平的提高，汽車逐漸成為每個家庭必備的交通工具。同時，隨著信息技術發展和工業化程度的加深，更先進更智能的精密電子和計算機信息技術應用到汽車上，除了代步需求外，更安全、更舒適、更智能成了汽車品質評價的重要指標，也促使汽車結構日趨復雜，日常檢測、常規保養顯得越來越重要。如何排除汽車安全隱患、存在故障快速定位檢修成了汽車售后服務行業的重點和難點，迫切需求新技術新方法為汽車維修業提供更直接、更準確、更簡便的車輛故障診斷[1]。

汽車廠商旗下品牌多樣化是當前一個顯著特點，伴隨汽車加載設備復雜化，給傳統主要依靠工人經驗和儀器分析的診斷極大的困惑和被動。汽車故障診斷技術是以車輛故障診斷學理論為指導，應用信息化技術對車輛各種指標進行采集分析，并將數據存儲，形成專業級案例庫，方便同類故障診斷時進行檢索[2]，為精確診斷提供依據，從而實現故障診斷預防、故障快速定位及準確維修提高技術支持，進而提高汽車的安全性和可靠性。

1　相關技術概述

1.1 故障診斷

故障診斷的目的是檢測對象運行時特征信息進行綜合分析，判斷運行狀態是否正常，一旦有異常特征被捕捉，馬上對故障產生的成因進行分析，給出診斷結果并給出具體解決方案，從而實現對設備全生命周期監管，進而避免故障引發的安全隱患，降低損失[2]。本質上是基于故障特征進行成因分析推理的技術或解決方案，一般分定期檢測和按需特殊診斷兩種，分設備信號采集、特征碼分析、案例匹配分析和診斷結果反饋四個過程[4]。

1.2 自然語言處理

自然語言處理是計算機科學技術與人工智能、大數據挖掘相融合的一個重要方向，萌芽于1949年美國人威弗提出的機器程序思路，興起于1956年人工智能誕生，壯大于20世紀90年代計算機算力、存儲的快速提升和互聯網快速發展，逐漸出現基于統計、實例和規則的語料庫產品，實現信息學、哲學、統計學等多學科交叉融合[5]。因為涉及人類字、詞、句、段的組合，對象是人類常用語言，基此而產生的理解和翻譯，進而形成信息檢索和文本歸類，均屬于自然語言處理范圍，目前主要分語言學、數據挖掘、AI和認知、語言工程四個方向[6]。

1.3 車輛診斷技術

因為汽車零部件質量、壽命、使用環境的差異以及駕駛習慣[7]，不可避免出現故障，同時由于檢測、保養和使用汽油等消耗品的差異，也導致成因各異，因此，在車輛全生命周期中重視故障預防和處理，定期檢測、及時排除隱患顯得非常必要。隨著計算機技術和智能技術的發展，逐步出現了工人經驗法、儀表診斷法、專家系統診斷法和數值特征判斷法等新技術和新方法，隨著更多學科的融合和技術迭代賦能[8]，汽車故障診斷技術開始向網絡化、智能化、自動化的邁進。

2 基于案例信息檢索的車輛故障診斷系統總體設計

由于汽車品牌和車型眾多，大大增加了汽車維修人員判斷的難度，而準確鎖定故障是維修的基礎，因此，建立基于案例信息檢索庫的車輛故障診斷系統可以方便維修人員科學了解故障成因，有效提高故障判斷準確度和維修維護的效率。設計的關鍵包括準確的需求、合理的架構。

2.1 需求分析

清晰可行的需求是系統開發成功的前提。一個成熟科學的汽車故障診斷系統應該能夠根據維修人員輸入相應故障現象，馬上能反饋故障成因和解決建議，為準確維修提供科學依據和可靠指導。在此過程中，對輸入故障描述進行中文分詞，通過詞條相似度計算機匹配案例，對零配件標注，數據信息存儲是關鍵。根據對南寧市不同品牌4S店維修人員的調研，經過整理梳理，得出系統工作流程如下所示：

step1：維修人員輸入故障描述。

step2：中文分詞。系統對輸入的故障描述進行中文分詞處理，解決計算機不能直接使用自然語言問題。

step3：案例匹配。文本相似度計算，反饋計算結果，同時要充分考慮復雜度，進而提高結果的準確度。

step4：器件標注。目的是提高器件和故障的關聯度，進而提高維修人員對診斷結果中涉及器件的敏感度，從而遇到同類故障時迅速作出預判。

step5：數據管理。一是不斷地為系統添加和存儲新的案例數據，從而訓練系統模型，提高檢測能力和匹配度；二是記錄用戶習慣，形成關聯記憶，方便檢索。

step6：輸入新的描述跳轉step2，否則結束。

2.2 系統總體架構設計

系統主要面向汽車維修維護專業人員或者汽車專業師生，因此系統應具有經濟性、操作簡易性和可拓展性。也就是說，一是盡量降低成本，減少時間、地域、設備等制約；二是用戶均為專業人員，交互界面一定要方便輸入，方便檢索，方便閱讀和分析；系統通過物理接口能與車載平臺互連互通，方便記憶用戶習慣，同時預留下一步連接互聯網或者應用公有云的方式。基于此，設計總體架構如圖1所示。

圖1 系統總體架構設計圖

用戶使用終端輸入故障描述，數據庫同時記錄用戶輸入習慣，以生成關聯記憶；終端收到輸入信息后傳遞至案例匹配接口，和數據庫中的語料庫進行對比，得出匹配結果并返回給用戶。

3 系統關鍵技術的設計和實現

3.1 案例分詞技術

這是基于中文分詞基礎上延伸出來的技術，將輸入的內容切分成一個個單獨的詞條，相較以英文為代表的分詞技術，中文分詞相對滯后，主要難點在于歧義識別和新詞識別，因此模型訓練越久準確率越高。按照分類方式不同，常見案例分詞有基于字符串匹配的分詞方法、基于理解的分詞方法和基于統計的分詞方法，這三種方法各有優缺。

由于故障診斷結果準確性和診斷速度直接關鍵到用戶對汽車故障診斷系統的體驗，因此選擇基于字符串匹配和語料庫統計混合的分詞方法，工作流程如下所示：

step1：輸入描述預處理，去掉標點符號、段落標記、空格等，切分成短句；

step2：按規則切分成最小原子；

Step3：使用N-最短路徑算法切分；

step4：識別未登錄詞；

step5：重復、重疊詞性合并；

step6：輸出分詞結果。

其中語料庫存放的是真實語言材料，是經過取樣和預處理后的電子文本數據庫，系統采用基于字符串和專用車輛故障描述結合的處理方法，原子分詞就是對預處理后的斷句進行原子切分。首先對所有原子進行遍歷，然后再把原子和后面相鄰原子進行組合，同時匹配詞典確認是否新詞。N-最短路徑分詞是最大路徑和最短路徑取均值，將前N個最優路徑予以保留，通過Dijkstra算法求解出N條最優路徑，通過分詞二維表轉化為Dijkstra算法矩陣實現。未登錄詞識別主要是針對詞典未錄入的詞，通過隱馬爾可夫模型實現識別和應用。

3.2 案例匹配技術

案例匹配，實際上是在分詞基礎上，通過特定算法通過文本相似度計算，與語料庫故障描述進行匹配，為器件標注服務。主要有詞項加權、詞向量計算、和編輯距離三種方法，詞項加權主要分通過打分公式計算的有無監督計算和利用機器學習方法預測權值的有監督計算兩種；詞向量計算主要有基于神經網絡模型和基于輔助特征擴充兩種；編輯距離是字符串轉換，計算編輯次數，以距離最小為越優。

本系統通過構建汽車故障搜索引擎，可以有效提高系統交互性和體驗感。建立方法如下：首先檢索已有案例生成案例庫；接著進行預處理，包括詞性一致詞和中文分詞等，同時為新案例構建索引；最后，用戶向系統提出訪問請求時，觸發索引進行查詢并向用戶返回結果。

文本相似度計算是系統的核心，通過合適的算法可以實現信息檢索的智能化和自動化。由于輸入故障描述經過案例分詞后數據量很大，給故障檢索引擎造成較大的被動，因此結合相似度算法計算結果進行關聯度排序，可以大大提高用戶搜索的過程和效率。根據故障檢索引擎和系統實際，我們選擇TF-IDF算法進行案例匹配，并與調整向量和編輯距離共同實現相似度計算。TF-IDF算法是一種無監督的計算方法，也是主流詞項加權算法，其中TF指的是詞頻，就是該詞在文本中出現次數除文本總詞數的商，代表該詞與文本關聯度；IDF代表某詞規律出現程度，定義為逆向文件詞頻。因此，某詞重要性等于詞頻和逆向文件詞頻兩者的乘積。TF-IDF算法是通過公式1實現的。

其中，f表示某詞出現的頻率，N為文本總數，n詞語出現文本次數。雖然TF-IDF算法能很好實現完整句子通過分詞后計算得到該查詢與案例的關聯度，但實際應用中，往往出現某詞出現頻率很高，但沒有被賦予匹配權重的情，這就是該算法的不足，因此，系統通過結合向量打分、編輯距離打分來解決。

計算結果出來后，需要精確定位故障碼，本系統故障診斷代碼根據《吉利帝豪品牌汽車發動機車間手冊》進行試驗，具體操作流程如下：

step1：案例庫中包含故障碼的信息，全部生成故障碼表，建立故障碼和案例映射關系，以提高檢索效率；

step2：故障碼表生成索引，方便查詢；

step3：通過案例分詞進行計算，如果結果包含故障碼則通過索引直接得到匹配案例。

3.3 器件標注技術

器件標注是根據案例匹配計算結果，對出現的汽車專用器件或部件進行標記，目的是方便維修人員針對性進行檢查，提高故障維修服務效率。主流算法包括TextRank算法和主題模型算法兩種。前者基于PageRank算法，一般用于文本關鍵字和摘要的生成，通過有向圖節點根據有向邊求解實現；后者則是通過主題挖掘得到語義關聯度進行建模，使用模型統計，判斷文檔中包含主題及其所占的比例，一般通過矩陣迭代計算的收斂結果作為最終值，常用有PLSA和LDA兩種訓練推理方法。

經過調研，結合行業實際，系統采用TextRank算法進行器件標注。首先，對已有案例提取與主題關聯度最高的部分關鍵詞，該過程使用TextRank算法實現；其次，選取這些關鍵詞數據查詢，建立數據庫詞條匹配內容的索引，完成標注；最后，生成檢查數據，輸出結果。使用TextRank算法能有效提高計算的復雜度，提升計算效率。

3.4 數據管理

數據管理主要包括語料庫、案例庫、器件庫和用戶操作習慣記錄四部分，前面三個主要是側重系統使用過程的數據收集、存儲和應用，后者則是通過隱馬爾夫模型記錄用戶輸入習慣，從而實現使用過程中生成的海量故障診斷案例、汽車維修數據和用戶操作數據的分析和處理，通過數據關聯索引為提高案例匹配精確率和高效性提供支撐，也應系統進一步拓展和豐富完善奠定基礎。

系統用戶習慣記錄主要通過隱馬爾可夫模型（Hidden Markov Model，HMM）實現，HMM是一個關于時序的概率模型，拼音漢字的轉化可以當成序列標注問題，給定一個線性輸入序列M=(m1，m2，m3，......，mn)，相應給輸入的每個關鍵詞打上標簽，集合中對應某個標簽N=(n1，n2，n3，......，nn)，ni是mi的標記。通過HMM可以快速描述一個隱藏不可觀測的狀態隨機序列，同步生成一個可觀測隨機序列的過程。

4 系統測試

4.1 測試環境

系統運行測試環境由以下四個部分組成，編程環境使用Win10 64位操作系統，3.0 GHz處理器，16 G內存，確保滿足可移植可拓展性，方便修改和完善，同時使用BCG等界面增強工具增加人機交互的美觀性和友好度，體驗感更強；編程語言使用Python語言，這是目前主流面向對象的解釋型開發語言，能夠很好地兼容當前汽車入式系統使用的C/C++，同時有豐富的庫供調用從而具有很好的拓展性，提高開發效率；開發平臺選擇pycharm，是Python開發常用的集成環境，有直接簡便、可直接操作的代碼編輯、編譯、調試器和圖形化操作工具，能夠跨平臺使用，有較好的移植性和較高的開發效率；數據來源選擇吉利汽車公司帝豪品牌故障手冊，由于系統基于案例匹配，因此在測試過程中同步進行數據收集，力求數據真實相關。

4.2 測試結果

系統測試目標是以最少代價在最短時間內盡最大可能找出缺陷，通過優化和完善，提高系統的質量和用戶滿意度，降低系統缺陷給用戶帶來損失的風險。從5個角度使用18種測試方法對系統開發過程中進行測試，具體見表1所示。

表1 系統測試情況表

經過測試表明，符合開發要求，同時具有以下特點：界面友好，簡潔易用；系統運行流暢，結構完整；模塊功能完備，協作性強；具有可拓展性和可移植性。

5　結束語

汽車除了代步作用外，更舒適、更安全、更智能成為人民對汽車功能需求新的期盼，這迫使汽車結構越來越復雜，無形中增加了保養和維修的難度，在此背景下，對汽車故障進行診斷和修理成了該行業的重點和難點。本文首先對汽車故障診斷關鍵技術進行梳理，設計一個基于案例信息檢索的汽車故障診斷系統，并對系統關鍵技術進行闡釋，為用戶提供一個直觀簡捷的故障診斷系統，方便維修人員對汽車故障快速定位準確判斷和高效修理，經過測試，系統界面友好，操作簡捷，性能優異，基本達到預期目標。

由于受時間和經費等限制，系統還存在不少需完善提高的地方，比如診斷方案中解決方法比較簡單，還需要進一步豐富；核心算法不夠先進，可考慮引進神經網絡、粒子群等智能算法提高運算能力；系統可考慮引入云平臺實現隨時隨地使用。這都是系統下一步努力的方向。

[1] 王韻. 基于案例信息檢索的車輛故障診斷系統[D]. 長春: 吉林大學，2016.

[2] 吳夫青. 車輛制動系統常見故障診斷及預防措施[J]. 時代汽車，2022(9): 174-175.

[3] 王鵬宇，王峻. 車輛走行部車載故障診斷系統應用與實踐[J]. 甘肅科技，2021，37(18): 53-56.

[4] 吉武俊. 車輛排放系統故障診斷方法研究[D]. 鄭州: 河南職業技術學院，2016.

[5] 何真承. 基于4G網絡和CAN總線的車輛在線故障診斷系統設計與實現[D]. 重慶: 重慶大學，2019.

[6] 萬山林. 大數據地鐵車輛牽引系統故障診斷技術的分析[J]. 科學技術創新，2020(16): 82-83.

[7] 孫麗娟. 基于云平臺的車輛故障診斷系統研究[D]. 杭州: 浙江科技學院，2020.

[8] 馬立玲，郭凱杰，王軍政. 基于改進SVM的車輛傳動系統故障診斷方法[J]. 北京理工大學學報，2020，40(8): 856-860.

Construction of Vehicle Fault Diagnosis System Based on Case Information Retrieval

The traditional vehicle maintenance and diagnosis mode depends on manual experience and supporting equipment, which can not adapt to the speed of vehicle replacement. There is an urgent need for more efficient and intelligent fault location and rapid maintenance technology to improve vehicle safety and reliability, thus giving birth to the comprehensive discipline of vehicle fault diagnosis technology. Based on the design idea of artificial intelligence, this paper adopts a large number of maintenance examples as the training samples of the system, applies the latest information technology to complete the design and implementation of automobile fault cognitive diagnosis system, provides users with an efficient and simple fault diagnosis platform, and provides the basis for professional maintenance personnel to solve automobile faults and automobile maintenance. Through experimental test, the system greatly reduces the difficulty of fault diagnosis and saves the time of fault diagnosis, and brings good economic benefits.

case information retrieval; vehicle diagnosis; system construction

U472

A

1008-1151(2022)10-0004-04

2022-05-30

2020年度廣西高校中青年教師科研基礎能力提升項目“基于案例信息檢索的汽車故障診斷系統的研究與開發”（2020KY41016）；2022年度廣西高校中青年教師科研基礎能力提升項目“一種交流充電樁檢測裝置設計與研究”（2022KY1348）。

唐偉萍（1983－），女，廣西玉林人，廣西電力職業技術學院副教授，研究方向為計算機技術應用。