基于知識圖譜模型的汽車故障智能診斷方法

摘要：隨著汽車在網(wǎng)聯(lián)化、智能化的發(fā)展，以及大數(shù)據(jù)、云計算技術的興起，汽車故障診斷技術在過去幾年得到迅猛的發(fā)展，大數(shù)據(jù)和人工智能的診斷方法研究和應用是當前國內(nèi)外學者和企業(yè)關注的熱點之一?；诖?，介紹了維修數(shù)據(jù)處理模型、語言處理模型在汽車故障診斷中的應用，闡述了汽車故障診斷知識圖譜的構建方法，描述了知識抽取、知識融合、知識學習、知識推理的過程，也介紹了一種基于知識圖譜模型的汽車故障智能診斷方法。

關鍵詞：故障診斷；知識圖譜；機器學習

中圖分類號：U469" 收稿日期：2024-11-20

DOI：1019999/jcnki1004-0226202502025

1 前言

隨著中國經(jīng)濟持續(xù)穩(wěn)定高速發(fā)展，我國汽車產(chǎn)業(yè)實現(xiàn)了飛速發(fā)展，2023年我國汽車整體銷量突破3 000萬輛，汽車產(chǎn)銷總量連續(xù)15年穩(wěn)居全球第一。截至2024年6月底，全國機動車保有量達44億輛[1]，汽車已經(jīng)走進千家萬戶。

隨著中國汽車保有量持續(xù)不斷的增長，汽車后市場的規(guī)模也在不斷擴大。2023年我國汽車后市場維保行業(yè)產(chǎn)值達12萬億元，未來幾年，傳統(tǒng)燃油汽車老齡化以及新能源汽車的快速發(fā)展，將促使維保市場規(guī)模持續(xù)擴大[2]。汽車運行在各種路況條件和工況下，故障的發(fā)生無法避免，車輛故障對用戶出行和圍繞車輛進行的商業(yè)生產(chǎn)帶來嚴重的影響，因此開展汽車故障智能診斷技術的研究，提供高效、精準的診斷與維修服務是保障汽車安全運行的重要前提，如何高效、精準的診斷也是各大汽車廠商持續(xù)研究的課題。

大數(shù)據(jù)和人工智能的診斷方法研究和應用是當前國內(nèi)外學者和企業(yè)關注的熱點之一，但是投入實踐應用的成果不多。一方面是故障維修數(shù)據(jù)的封閉性，各汽車廠商的售后故障和維修數(shù)據(jù)都僅在各自封閉的系統(tǒng)且拒絕對外開放；另一方面是故障診斷的延續(xù)性，各汽車廠商的售后故障診斷和維修具備一套完整的、基于故障樹的診斷系統(tǒng)。因此，將維保大數(shù)據(jù)與人工智能融合的故障診斷系統(tǒng)的應用是未來的重要研究方向。

2 汽車售后維修數(shù)據(jù)處理方法

汽車售后維修數(shù)據(jù)類型多、數(shù)據(jù)量大、數(shù)據(jù)結構復雜。例如，福特汽車開發(fā)的售后維修技術出版物就包含維修手冊、電路圖、診斷手冊等，在售后的維修過程中還會產(chǎn)生技術服務公告（TSB）、產(chǎn)品問題報告（PCR）、索賠單、維修單、維修案例等數(shù)據(jù)，如此多的數(shù)據(jù)堆積，必須要找到有效的數(shù)據(jù)處理方法，才能將這些數(shù)據(jù)應用到汽車故障診斷中。

以全順車型PDF版本維修手冊為例進行了分析，該手冊包含6種數(shù)據(jù)格式：文本、圖片、表格、癥狀表、精確測試、故障代碼表（DTC），這些數(shù)據(jù)對應的應用場景不一樣，因此解析的時候?qū)?種數(shù)據(jù)格式進行區(qū)分并保存，為了保持和原始pdf文件一樣的目錄結構，按照目錄結構進行數(shù)據(jù)解析，數(shù)據(jù)的解析采用第三方包PP-StructureV2進行總體解析，OCR識別采用PaddleOCR進行識別，然后進行數(shù)據(jù)的組合，具體的流程見圖1。

PP-PicoDet模型是目標檢測模型，整體的網(wǎng)絡架構圖見圖2。

ES Block是百度自研的輕量級網(wǎng)絡ESNet，它是根據(jù) ShuffleNet V2進行的改進。CSP-PAN每一層輸入的網(wǎng)絡結構是CSP的結構，CSP是YOLOV4的創(chuàng)新點，它能夠增強CNN學習的能力，移除了計算瓶頸，降低顯存的使用。

PP-StructureV2包含兩個子系統(tǒng)：布局信息提取和關鍵信息提取。PP-StructureV2輸出結果類型：

{‘type’：text、title、figure、table;‘bbox’：[xx，xx，xx，xx]，‘res’：;‘img_idx’：}

結構化數(shù)據(jù)處理方案則相對簡單，基于13B-LLM大模型的工單數(shù)據(jù)（維修案例、維修工單、索賠單等結構化數(shù)據(jù)）自動抽取歸類技術，對現(xiàn)有的技術資料進行抽取，生成標簽和歸類，形成維修數(shù)據(jù)處理模型，具體的解析流程見圖3。

13B-LLM大模型是一款基于Transformer架構的先進自然語言處理模型，擁有130億參數(shù)，在此基礎上通過深入學習汽車維修領域的專業(yè)知識，能夠準確理解案例中的癥狀、故障原因和維修方法等汽車維修內(nèi)容。根據(jù)品質(zhì)報告單、質(zhì)量索賠單、維修案例這三種數(shù)據(jù)通過13B模型在內(nèi)容及標題中提取每個單據(jù)的故障現(xiàn)象、檢測方法、維修措施及肇事配件，根據(jù)大模型的語義理解，將故障現(xiàn)象歸為不同的現(xiàn)象主題類型。

3 自然語言處理在汽車故障診斷的應用

基于BGE-BERT模型的語義消歧技術，在BGE模型基礎上，對BGE的詞庫進行擴展，增加車輛專有名詞庫，然后搜集車輛售后維修行業(yè)的數(shù)據(jù)，進行tokenizer層的學習，對車輛領域的專有中文及對應的別名叫法進行向量的映射。映射到高維空間的向量，相當于把文本的語義進行細顆粒的切分，每一個維度都代表不同的語義信息，可以把不同維度的語義信息進行語義轉(zhuǎn)化，進行語義消歧；并且針對同一個詞在不同的地方，代表不同的語義信息，模型在學習的時候會結合上下文的信息進行語義的區(qū)分，在BGE的tokenizer層，相同的詞語在不同的話術里面是不同的token值，代表了不同的語義信息。

基于BGE及向量數(shù)據(jù)庫的相似度計算技術，采用BGE（Bidirectional Graph Embedding）算法將故障現(xiàn)象映射到1 024維度的高斯空間，每種故障現(xiàn)象可以細分為1 024細維度的信息，針對同一種故障現(xiàn)象的不同表述方式，進行向量相似度匹配，實現(xiàn)語義理解；同時將故障現(xiàn)象向量數(shù)據(jù)與歷史維修資料內(nèi)向量數(shù)據(jù)進行相似度匹配計算，實現(xiàn)故障診斷方案的精準推送。

4 知識圖譜模型在汽車故障診斷的應用

a.知識抽取方法的研究。從各種數(shù)據(jù)源中自動抽取實體、關系和屬性等知識，包括命名實體識別、關系抽取、屬性抽取等技術。

b.知識融合方法的研究。將從不同數(shù)據(jù)源抽取到的知識進行整合，解決知識的重復、沖突和不一致等問題，包括實體對齊、屬性融合、關系融合等。

c.知識表示學習，將知識圖譜中的實體和關系映射到低維向量空間中，以便于計算機進行處理和計算，同時也能夠更好地捕捉實體和關系之間的語義信息。

d.知識推理的研究。根據(jù)已有的知識推導出新的知識，包括基于規(guī)則的推理、基于統(tǒng)計的推理、基于深度學習的推理等，能夠豐富知識圖譜的內(nèi)容，提高知識圖譜的完整性和應用價值。

將維修數(shù)據(jù)處理模型、語言處理模型應用到故障診斷中，通過知識抽取、知識融合、知識學習、知識推理，建立故障知識圖譜，從而建立基于知識圖譜模型的汽車故障智能診斷方法，智能診斷流程見圖4。

將結構化數(shù)據(jù)與非結構化數(shù)據(jù)，通過數(shù)據(jù)處理、知識抽取、知識融合、語言處理（語義消歧）、知識學習等步驟自動構建故障診斷知識圖譜。依托故障知識圖譜，用戶在和機器問答過程中，機器根據(jù)故障知識圖譜中的關聯(lián)關系，引導用戶逐步排查從而來解決問題。

參考文獻：

[1]編輯部公安部：全國新能源汽車保有量達2 472萬輛，占比718%[J]汽車與配件，2024（13）：48

[2]2023年中國汽車后市場維保行業(yè)調(diào)查報告[J]汽車維修與保養(yǎng)，2024（2）：58-61

作者簡介：

魏艷飛，男，1984年生，工程師，研究方向為汽車服務工程、汽車檢測和維修技術、汽車營銷與策劃。