首页 / 专利库 / 电脑编程 / 算法 / 基于FP-Tree序列模式挖掘的故障诊断与估价的方法

基于FP-Tree序列模式挖掘的故障诊断与估价的方法

阅读:666发布:2021-04-14

专利汇可以提供基于FP-Tree序列模式挖掘的故障诊断与估价的方法专利检索,专利查询,专利分析的服务。并且本 发明 涉及一种基于FP‑Tree序列模式挖掘的故障诊断与估价的方法。包括以下步骤:S1.根据事务 数据库 ,通过FP‑Tree 算法 创建故障码和更换备件对应关系的频繁项集;S2.利用备件 位置 和故障所在的ECU位置之间的拓扑关系,进行拓扑搜索,遴选频繁项集;S3.构建备件与维修工项的对应关系,获得故障码对应备件和工项的完整解决方案。本发明通过频繁项集算法FP‑Tree和序列模式挖掘寻找对应关系。采用两算法融合使用,提供了能基于 大数据 ,获知准确度高的故障码和更换备件的对应关系,适用于除了单一故障还有多故障并行解决的可能性,远程估算车辆的故障码判断需要维修的备件和工项,提供完整解决方案,为车辆的维修提供参考和借鉴。,下面是基于FP-Tree序列模式挖掘的故障诊断与估价的方法专利的具体信息内容。

1.基于FP-Tree序列模式挖掘的故障诊断与估价的方法,其特征在于,包括以下步骤:
S1.根据事务数据库,通过FP-Tree算法创建故障码和更换备件对应关系的频繁项集;
S1.1输入事务数据库和最小支持度阈值minσ,扫描事务数据库,删除频数小于最小支持度的项目,得到全部频繁项集F1,对F1中的频繁项按其支持度降序排列得到L;
S1.2创建FP-Tree的根节点,以“null”标记,再次扫描事务数据库,把事务数据库中的每一条记录按照L中的顺序排列,生成FP-Tree;
S1.3从FP-Tree中找到所有的频繁模式;
S2.利用备件位置和故障所在的ECU位置之间的拓扑关系,进行拓扑搜索,遴选频繁项集;
S2.1根据备件码的构造规则将备件进行分类;
S2.2对备件和故障所在的ECU位置构建拓扑关系,并将所述拓扑关系进行标识,得到备件和ECU位置的对应关系;
S3.构建备件与维修工项的对应关系,获得故障码对应备件和工项的完整解决方案;
S3.1扫描备件与维修工项的数据库,获得备件与维修工项的频繁项集F2;对F2中的频繁项按其支持度降序排列得到L’;
S3.2创建FP-Tree的根节点,以“null”标记,再次扫描数据库,把数据库中的每一条记录按照L’中的顺序排列,生成FP-Tree;
S3.3从FP-Tree中找到所有的频繁模式,构建备件与维修工项的对应关系。
2.根据权利要求1所述的基于FP-Tree序列模式挖掘的故障诊断与估价的方法,其特征在于,所述的备件分别按照附件、娱乐信息,发动机,燃油、排气、空调,变速箱,前轴、转向装置,后轴,车轮制动器,踏板机构,车身电子设备进行0~9分类。
3.根据权利要求1所述的基于FP-Tree序列模式挖掘的故障诊断与估价的方法,其特征在于,所述的FP-Tree的构造算法如下:
按照S1.1或S3.1排序后的频繁项表为[p|P],其中p是第一个频繁项,而P是剩余的频繁项的列表。
4.根据权利要求3所述的基于FP-Tree序列模式挖掘的故障诊断与估价的方法,其特征在于,调用insert_tree([p|P],T),insert_tree([p|P],T)过程执行情况如下:如果T有子节点N使N.item_name=p.item_name,则N的计数增加1;否则创建一个新节点N,将其计数设置为1,链接到它的父节点T,并且通过node_link将其链接到具有相同名称item_name的节点;如果P非空,递归调用insert_tree(P,N)。
5.根据权利要求1所述的基于FP-Tree序列模式挖掘的故障诊断与估价的方法,其特征在于,对于FP-Tree是单枝的情况,直接输出整条路径上所有节点的组合+postModel。

说明书全文

基于FP-Tree序列模式挖掘的故障诊断与估价的方法

技术领域

[0001] 本发明涉及故障诊断领域,尤其涉及通过FP-Tree序列模式挖掘关联算法,探索故障码与备件及工项的关联关系,更具体说是基于FP-Tree序列模式挖掘的故障诊断与估价的方法。

背景技术

[0002] 现有技术中,汽车维修工人通过读取车辆诊断仪生成的诊断报告中故障码来掌握故障情况,通过服务手册或结合维修经验确认导致该故障情况的故障发生部位,提供维修方案,即故障码和更换备件的粗略关系,再经服务顾问给出工项开单。因此,目前的车辆故障诊断方法冗杂耗时,汽车维修工人对于设备故障基本凭借经验判断,并且给出备件号、备件名称及备件价位,主观性强,缺乏统一标准。特别是对于多种车辆故障并行的情况,更增大了处理难度,费时费

发明内容

[0003] 本发明为解决现有技术的不足,提供了一种基于FP-Tree序列模式挖掘的故障诊断与估价的方法。该方法通过将车辆诊断仪生成的诊断报告中ECU故障码和对应车辆的维修记录进行关联,利用挖掘关联规则的频繁项集算法FP-Tree,寻找故障码和更换备件的粗略关系。再进一步通过故障码和更换备件间建立拓扑关系,通过序列模式挖掘,获知准确度高的故障码和更换备件的对应关系。同理,探索备件与维修工项之间的对应关系,获得故障码对应备件和工项的完整解决方案。
[0004] 本发明的技术方案如下:基于FP-Tree序列模式挖掘的故障诊断与估价的方法,包括以下步骤:
[0005] S1.根据事务数据库,通过FP-Tree算法创建故障码和更换备件对应关系的频繁项集;
[0006] S2.利用备件位置和故障所在的ECU位置之间的拓扑关系,进行拓扑搜索,遴选频繁项集;
[0007] S3.构建备件与维修工项的对应关系,获得故障码对应备件和工项的完整解决方案。
[0008] 进一步的,所述步骤S1包括:S1.1输入事务数据库和最小支持度阈值minσ,扫描事务数据库,删除频数小于最小支持度的项目,得到全部频繁项集F1,对F1中的频繁项按其支持度降序排列得到L;
[0009] S1.2创建FP-Tree的根节点,以“null”标记,再次扫描事务数据库,把事务数据库中的每一条记录按照L中的顺序排列,生成FP-Tree;
[0010] S1.3从FP-Tree中找到所有的频繁模式。
[0011] 进一步的,所述步骤S2包括:S2.1根据备件码的构造规则将备件进行分类;
[0012] S2.2对备件和故障所在的ECU位置构建拓扑关系,并将所述拓扑关系进行标识,得到备件和ECU位置的对应关系。
[0013] 所述的备件分别按照附件、娱乐信息,发动机,燃油、排气、空调,变速箱,前轴、转向装置,后轴,车轮制动器,踏板机构,车身电子设备进行0~9分类。
[0014] 进一步的,所述步骤S3包括:S3.1扫描备件与维修工项的数据库,获得备件与维修工项的频繁项集F2;对F2中的频繁项按其支持度降序排列得到L’;
[0015] S3.2创建FP-Tree的根节点,以“null”标记,再次数据库,把数据库中的每一条记录按照L’中的顺序排列,生成FP-Tree;
[0016] S3.3从FP-Tree中找到所有的频繁模式,构建备件与维修工项的对应关系。
[0017] 所述的FP-Tree的构造算法如下:按照S1.1或S3.1排序后的频繁项表为[p|P],其中p是第一个频繁项,而P是剩余的频繁项的列表。
[0018] 更具体地,调用insert_tree([p|P],T),insert_tree([p|P],T)过程执行情况如下:如果T有子节点N使N.item_name=p.item_name,则N的计数增加1;如果T没有子节点,创建一个新节点N,将其计数设置为1,链接到它的父节点T,并且通过node_link将其链接到具有相同名称item_name的节点;如果P非空,递归调用insert_tree(P,N)。
[0019] 对于FP-Tree是单枝的情况,直接输出整条路径上所有节点的组合+postModel。
[0020] 与现有技术相比,本发明的有益效果是:本发明通过频繁项集算法FP-Tree和序列模式挖掘寻找对应关系。采用两算法融合使用,提供了能基于大数据,获知准确度高的故障码和更换备件的对应关系,适用于除了单一故障还有多故障并行解决的可能性,远程估算车辆的故障码判断需要维修的备件和工项,提供完整解决方案,为车辆的维修提供参考和借鉴。附图说明
[0021] 图1为本发明实施例1插入第一条故障码和备件对应关系的FP-Tree结构示意图;
[0022] 图2为本发明实施例1插入第二条故障码和备件对应关系的FP-Tree结构示意图;
[0023] 图3为本发明实施例1插入第三条故障码和备件对应关系的FP-Tree结构示意图;
[0024] 图4为本发明实施例1生成的故障码和备件对应关系的FP-Tree结构示意图;
[0025] 图5为本发明备件位置和车辆故障所在的ECU位置之间的拓扑关系图。

具体实施方式

[0026] 下面结合附图,通过实施例对本发明作进一步详细说明。以下实施例对本发明只是描述性的,不是限定性的,不能以此限定本发明的保护范围。
[0027] 一、FP-Tree算法
[0028] 利用FP-Tree,紧缩的数据结构来存储查找频繁项集,挖掘关联规则,根据置信度、支持度等提取出故障和备件的可能项集。
[0029] 输入:事务数据库D(故障码和更换备件的连接关系)和最小支持度阈值minσ;
[0030] 输出:事务数据库D所对应的FP-tree。
[0031] FP-tree是按以下步骤构造的:
[0032] 1、扫描事务数据库D,获得事务数据库D中所包含的全部频繁项集F1,及它们各自的支持度。对F1中的频繁项按其支持度降序排序得到L。
[0033] 2、创建FP-tree的根节点T,以“null”标记,再次扫描事务数据库D,对于事务数据库D中每个事务,将其中的频繁项选出并按L中的次序排序。设排序后的频繁项表为[p|P],其中p是第一个频繁项,而P是剩余的频繁项。调用insert_tree([p|P],T)。insert_tree([p|P],T)过程执行情况如下:如果T有子节点N使N.item_name=p.item_name,则N的计数增加1;否则创建一个新节点N,将其计数设置为1,链接到它的父节点T,并且通过node_link将其链接到具有相同item_name的节点。如果P非空,递归地调用insert_tree(P,N)。FP-tree是一个高度压缩的结构,它存储了用于挖掘频繁项集的全部信息。
[0034] 对于FP-Tree已经是单枝的情况,就没有必要再递归调用FPGrowth了,直接输出整条路径上所有节点的各种组合+postModel就可了。
[0035] 事务数据库如下,每一行代表一次故障码和更换备件的可能关系:
[0036] 故障A,故障B,备件C,备件D故障B,故障E,备件D,备件F
故障B,备件C,备件D
故障A,故障B,备件C,故障E,备件D,备件F
故障A,备件C,备件F
故障B,备件C,备件F
故障A,备件C,备件D
故障A,故障B,备件C,备件G,备件D
故障A,故障B,备件F
故障A,故障B,备件G,备件D
[0037] 目的:找出一种总是相伴出现的组合,比如故障B和备件D总一起出现,则[故障B,备件D]是一条频繁模式。通过FP-Tree得到一部分粗略的关系,然后通过拓扑搜索细化,剔除不满足拓扑关系的组合。
[0038] (1)扫描数据库,每项按频数递减排序,并删除频数小于最小支持度MinSup的项目。
[0039] 故障A:7
[0040] 故障B:8
[0041] 备件C:7
[0042] 备件D:7
[0043]
[0044] 备件F:5
[0045]
[0046] *本次扫描{Minsup=3}
[0047] 则故障B、备件C、备件D、故障A、备件F为频繁1项集,计为F1。
[0048] (2)对于每一条故障码和更换备件的可能关系,按照F1中的顺序重新排序。
[0049]故障B,备件D,备件C,故障A
故障B,备件D,备件F
故障B,备件D,备件C
故障B,备件D,备件C,故障A,备件F
备件C,故障A,备件F
故障B,故障A,备件F
故障B,备件C,备件F
备件D,备件C,故障A
故障B,备件D,备件C,故障A
故障B,备件D,故障A
[0050] (3)把第(2)步骤中得到的各条记录插入到FP-Tree中。初始后缀模式为空,最终生成FP-Tree如图1~4所示。
[0051] 图4中最左边的一侧叫做表头项,树中相同名称的节点要链接起来,链表的第一个元素就是表头项里的元素。如果FP-Tree为空(只含一个虚的root节点),则FP-Growth函数返回。此时输出表头项的每一项+postModel,支持度为表头项中对应项的计数。
[0052] (4)表头项中的每一项(我们拿“故障A:7”为例),对于各项都执行以下①到⑤的操作:
[0053] ①从FP-Tree中找到所有的“故障A”节点,向上遍历它的祖先节点,得到4条路径:
[0054]备件D:6,故障B:8,故障A:1
备件D:6,故障B:8,备件C:4,故障A:3
故障B:8,故障A:1
备件C:2,故障A:2
[0055] ②对于每一条路径上的节点,其count都设置为故障A的count
[0056]
[0057]
[0058] ③因为每一项末尾都是故障A,可以把故障A去掉,得到条件模式基(Conditional Pattern Base,CPB),此时的后缀模式是:(故障A)。
[0059]备件D:1,故障B:1
备件D:3,故障B:3,备件C:3
故障B:1
备件C:2
[0060] ④把上面的结果当作原始的事务数据库,返回到第3步,递归迭代运行。
[0061] ⑤最终得到的频繁项集为(去除只有备件或者只有故障的关系集)
[0062]频次 频繁项集
6 故障B,备件D
5 故障A,备件D
5 故障A,备件C
5 故障B,备件C
4 故障B,备件F
4 故障B,备件C,备件D
3 故障A,备件F
3 故障A,故障B,备件C
3 故障A,故障B,备件C,备件D
3 故障A,故障B,备件D
3 故障A,备件C,备件D
[0063] 二、拓扑搜索
[0064] 对关联算法得出的故障和备件(项目)的可能项集进行进一步收缩,利用车辆构造,限制备件位置和车辆故障所在的ECU位置之间的拓扑关系,在有限范围内遴选频繁项集。
[0065] 根据备件码的构造规则,进行备件分类,具体如下:
[0066] 1(发动机):发动机总成、缸体、缸盖、活塞连杆、连接部件、发动机托架、支架固件,燃油喷射如进气管、空气流量计等;
[0067] 2(燃油、排气、空调冷却):燃油箱、排气管、空调制冷系统等;
[0068] 3(变速箱):变速箱总成及内部部件;
[0069] 4(前轴、转向装置):前轮驱动差速器、转向系统(转向机)、前减震器等;
[0070] 5(后轴):后轴、后轮驱动差速器,后减震器,如后桥、后轮轴承等;
[0071] 6(车轮、制动器):车轮、车轮装饰盖、刹车系统;
[0072] 7(踏板机构):手脚制动系统
[0073] 8(车身):车身及装饰件,空调壳体,前后保险杠,如车身总成、空调通系统等;
[0074] 9(电子设备):电器,如发动机、起动机、控制器灯具线束等;
[0075] 0(附件、信息娱乐):附件(千斤顶,天线,收音机,发动机底护板)及油漆材料等。
[0076] 采用FP-Free频繁项集算法构建备件与维修项目(工项)之间的对应关系,从而获得故障码对应备件和工项的完整解决方案。
[0077] 2、备件号码分类对应车辆ECU名称拓扑关系
[0078]
[0079]
[0080]
[0081]
[0082]
[0083]
[0084] 3、备件号码分类对应工项代码拓扑关系
[0085]
[0086]
[0087]
[0088] 通过上述方法结合找到故障与备件的对应关系,获得故障码对应备件和工项的完整解决方案。
[0089] 以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈