[發明專利]基于數據流的車輛故障診斷方法

無效

• 申請號: 201010183798.X
• 申請日: 2010-05-24
• 公開（公告）號: CN101853291A
• 公開（公告）日: 2010-10-06
• 發明（設計）人: 倪志偉;倪麗萍;李鋒剛;王超;胡湯磊;高雅卓;戴奇波
• 申請（專利權）人: 合肥工業大學
• 主分類號: G06F17/30
• 分類號: G06F17/30;G06F19/00
• 代理公司: 安徽省合肥新安專利代理有限責任公司 34101
• 代理人: 何梅生

技術領域

本發明涉及一種基于數據流的車輛故障診斷方法。

背景技術

隨著數據挖掘技術和案例推理技術研究的深入，一些文獻提出將數據挖掘與案例推理結合的研究與應用，通過數據挖掘產生案例推理中的知識，來解決案例庫中知識庫的瓶頸問題。但該類研究主要集中在對靜態數據集的挖掘，產生的數據挖掘結果固定、單一，不能滿足實際中數據實時增加、知識實時變化的需要。

傳統車輛故障的診斷一般是靠有經驗的老師傅通過個人的經驗判斷，或者通過故障點的說明書和維修手冊進行診斷，而實際上很多問題往往與經驗和手冊有出入，具體問題往往有不同的表現。專家的經驗呈現出知識量少、獲取困難，而維修手冊的知識則固定不變，這樣由于診斷的方法長期得不到更新，成為靜態的過時的知識，不僅影響解決問題的準確性，而且對于新的問題可能根本無法解決。

發明內容

本發明是為避免上述現有技術所存在的不足之處，提供一種基于數據流的車輛故障診斷方法，將數據流與CBR結合，并應用于汽車故障診斷中，從而提高解決問題的準確性和有效性，并且能夠對新問題提供最新的解決方案。

本發明解決技術問題采用如下技術方案：

本發明基于數據流的車輛故障診斷方法的特點是：

首先利用數據流算法，對實時汽車故障數據進行挖掘，獲得汽車故障數據流中的有用信息，并將挖掘結果保存在臨時汽車故障案例庫中，作為汽車故障知識庫的來源；

然后利用所述臨時汽車故障案例庫對汽車故障知識庫進行更新，通過相似度匹配計算，實現汽車故障知識庫的及時更新；

再針對新問題的特征，通過檢索汽車故障知識庫或者臨時汽車故障案例庫中的知識或者案例，獲得與新汽車故障問題具有最相似特征的信息，用來解決診斷問題。

本發明基于數據流的車輛故障診斷方法的特點也在于所述數據流算法是使用聚類算法計算m個一級質心，當計算出第二組m個一級質心時，使用最小距離原則聚類算法，以第一組質心作為原始質心，將第二組質心融入第一組中，作為二級質心；依次計算第m組質心，以第i級質心為原始質心，將第m組質心融入第i級質心，作為i+1級質心。

與已有技術相比，本發明有益效果體現在：

本發明將基于數據流挖掘的案例推理技術應用于汽車故障的診斷系統中，由實際數據挖掘出規則，用于實際問題的解決，在解決問題的過程中不斷自我更新，適應最新的問題，使原有依靠人工手段形成與維護的的案例庫，變為計算機技術自動形成與更新。一方面提高了汽車故障診斷的準確性，減少對人的依賴，另一方面由于可以對案例庫實時更新，可以實現對最新問題的支持。

附圖說明

圖1為本發明方法流程示意圖。

以下通過具體實施方式對本發明作進一步說明：

具體實施方式

參見圖1，本實施例中，首先利用數據流算法，對實時汽車故障數據進行挖掘，獲得汽車故障數據流中的有用信息，并將挖掘結果保存在臨時汽車故障案例庫中，作為汽車故障知識庫的來源；然后利用所述臨時汽車故障案例庫對汽車故障知識庫進行更新，通過相似度匹配計算，實現汽車故障知識庫的及時更新；再針對新問題的特征，通過檢索汽車故障知識庫或者臨時汽車故障案例庫中的知識或者案例，獲得與新汽車故障問題具有最相似特征的信息，用來解決診斷問題。

具體實施中，采用改進的數據流聚類算法，首先使用聚類算法計算m個一級質心，當計算出第二組m個一級質心時，使用最小距離原則聚類算法，以第一組質心作為原始質心，將第二組質心融入第一組中，作為二級質心；同理，依次計算第m組質心，以第i級質心為原始質心，將第m組質心融入第i級質心，作為i+1級質心。這一方法中的質心數量既不是不變，也不會陡增，質心數量溫和增長，直至保留在一個穩定的數量水平。這樣每段時間內的聚類結果都得到體現，能夠比較全面地反映數據流中的主要信息，且任何時間點都能得到實時、可用的的聚類數據。具體算法包括以下兩個部分：

1、基本數據塊聚類

從數據流中聚集數據塊，每當數據塊數量達到n時，使用傳統K-center聚類算法計算出m個一級質心。

2、聚類質心二次聚合

在原有聚類質心基礎上，使用最小聚類原則聚類算法，對新產生的聚類質心進行二次聚合。計算新聚類質心與各個原有質心的差值，當所有差值在某閾值之內時，將新聚類質心歸為某類已有質心；當所有差值超過某閾值時，將新聚類質心的特征數據作為新的案例進行保存。

以此類推，隨著數據流的不斷增大，案例庫呈現出平穩上升，然后低速增長，最后基本保持平穩的案例庫信息量變化特征。這樣就獲得了實時、動態的知識。

具體應用：