基于多维关联规则的车辆故障码解耦方法研究

doi:10.19562/j.chinasae.qcgc.2024.01.017

摘要/Abstract

摘要：

本文提出一种针对车辆复杂耦合故障的故障码（DTC）解耦方法。首先由车辆故障自诊断原理及故障信号传播过程分析故障码的复杂关联性，结合关联规则技术挖掘故障码间强关联关系，并定义故障码多维关联规则；其次由故障码数据集特征，改进适用于故障码多维关联规则挖掘的FP-Growth算法；最后由多维关联规则构建故障码关联知识图谱，结合图论实现复杂故障码解耦。结果表明，该方法能有效降低故障码的数量及复杂度，提升基于故障码检修故障的效率。

关键词: 故障码, 解耦, 多维关联规则, 知识图谱

Abstract:

A DTC decoupling method for complex coupling faults of vehicles is proposed in this paper. Firstly， by analyzing the complex association of DTCs through the principle of vehicle fault self-diagnosis and the propagation process of fault signals， the strong association relationship between DTCs is mined combined with the association rule technology and the multidimensional association rules of DTC are defined. Secondly， the FP-Growth algorithm for DTC multidimensional association rule mining is improved by the characteristics of the DTCs dataset. Finally， the DTC association knowledge graph is constructed by multidimensional association rules to realize complex DTCs decoupling by combining graph theory. The results show that this method can effectively reduce the number and complexity of DTCs， and improve the efficiency of troubleshooting faults based on DTCs.

Key words: diagnostic trouble code （DTC）, decoupling, multidimensional association rule, knowledge graph

胡杰, 卿海华, 魏敏, 耿黄政, 张潇, 陈林. 基于多维关联规则的车辆故障码解耦方法研究[J]. 汽车工程, 2024, 46(1): 161-169.

Jie Hu, Haihua Qing, Min Wei, Huangzheng Geng, Xiao Zhang, Lin Chen. Research on Vehicle Diagnostic Trouble Code Decoupling Method Based on Multidimensional Association Rule[J]. Automotive Engineering, 2024, 46(1): 161-169.

图/表 19

图1

图2

图3

表1

表2

事务数据示例"

事务数据	DTC所属模块
事务数据	EPS	BMS	…	VCU
$T 1$	C100016， C166001， U198081	P110416， U007300	…	U1D0087， B108D00， B101914
$T 2$	U198087	P180616	…	B104A00， B102811
$T 3$	U140287， C166001	P182000， P110416	…	——
$T 4$	C166001	P182400	…	B100016， B104800
$T 5$	U198087， C166001	P180117， P182000， P182400	…	B102A00， U1A1181， B101914

表2

表3

改进后FP-Tree节点属性及含义"

节点属性	含义
Father	父节点
Children	子节点
Count	该分支节点频次
nodeLink	指向下一个分支相同节点
$n o d e O r d e r *$	节点在项头表的逆序索引值 $? *$

表3

表4

算法改进前后挖掘所需频繁项集耗时"

数据量	原算法 $t 1$ /s	改进后 $t 2$ /s	速度提升/%
2 000	6.74	2.25	66.70
4 000	7.91	3.94	50.18
6 000	8.23	4.76	42.16
8 000	16.01	5.30	66.90
10 000	内存溢出	11.43
20 000	内存溢出	66.31

表4

图4

图5

图6

图7

表5

图8

图9

图10

表6

图11

图12

表7

参考文献 16

1	OLIVEIRA M F， LUDERS R. Combining multiple diagnostic trouble codes into a single decision tree［J］. IFAC PAPERSONLINE， 2016， 49（11）： 555-561.
2	KRIEBE S， KUSMENKO E， RUMPE B， et al. Learning error patterns from diagnosis trouble codes［C］. 2019 IEEE Intelligent Vehicles Symposium （IV）， 2019： 179-184.
3	THOORPU K R， PRAFULLA N. Sequential DTC vector embedding using deep neural networks for industry 4.0［C］. 2020 IEEE 7th International Conference on Industrial Engineering and Applications （ICIEA）， 2020： 912-915.
4	THEISSLER A. Multi-class novelty detection in diagnostic trouble codes from repair shops［C］. 2017 IEEE 15th International Conference on Industrial Informatics （INDIN）， 2017： 1043-1049.
5	PIRASTEH P， NOWACZYK S， PASHAMI S， et al. Interactive feature extraction for diagnostic trouble codes in predictive maintenance［P］. Interactive Data Mining， 2019.
6	赵祥龙. 基于第三方云平台的车辆故障知识图谱构建［D］.成都：西南交通大学， 2019.
	ZHAO X L. Vehicle fault knowledge graph based on third-party cloud platform［D］. Chengdu： Southwest Jiaotong University， 2019.
7	王栩晨. 基于数据驱动的电动汽车三电系统故障诊断及预测研究［D］.西安：长安大学， 2022.
	WANG X C. Research on fault diagnosis and prediction of electric vehicle three electric systems based on data driven［D］. Xi'an： Chang'an University， 2022.
8	YAMAMOTO H， KAYANUMA G， NAGASHIMA T， et al. Early detection of adverse drug reaction signals by association rule mining using large-scale administrative claims data［J］. Drug Safety， 2023.
9	杨勇. 多维关联规则挖掘在烟草行业中的应用探索［J］. 科技创新与应用， 2022， 12（12）： 55-58.
	YANG Y. Application exploration of multi-dimensional association rule mining in tobacco industry［J］. Scientific and Technological Innovation and Application， 2022， 12（12）： 55-58.
10	徐凯. 基于关联规则的电商大数据挖掘与应用研究［D］. 西安：西京学院， 2022.
	XU K. Research on e-commerce big data mining and application based on association rules［D］. Xi'an： Xijing University， 2022.
11	DENG N， YE Z W， CAI W H， et al. Association rule mining based on hybrid whale optimization algorithm［J］. International Journal of Data Warehousing and Mining （IJDWM）， 2022， 18（1）.
12	柳媛. 基于无监督学习的故障分析研究［D］.北京：北京邮电大学， 2021.
	LIU Y. Failure analysis research based on unsupervised learning［D］. Beijing：Beijing University of Posts and Telecommunications， 2021.
13	ARIVAZHAGAN B， SUBRAMANIAN R S. Hybrid model for pattern discovery in data communication to enhance customer relationship management using data mining techiques［J］. Journal of Physics： Conference Series， 2021， 1979（1）.
14	SHAWKAT M， BADAWI M， EI-GHAMRAWY S， et al. An optimized FP-Growth algorithm for discovery of association rules［J］. The Journal of Supercomputing， 2021， 78（4）.
15	王营，高琦，李婷玉，等.基于改进FP-growth算法的售后服务数据挖掘［J］.现代制造工程，2021（6）： 31-37.
	WANG Y， GAO Q， LI T Y， et al. After-sales service data mining based on improved FP-growth algorithm［J］. Modern Manufacturing Engineering， 2021（6）： 31-37.
16	周刚，闫龙川，吴小华，等. 面向电力传输信息系统故障定位的知识图谱构建与应用［J］. 激光杂志， 2021， 42（12）： 190-196.
	ZHOU G， YAN L C， WU X H， et al. Construction and application of knowledge graph for fault location of power transmission information system［J］. Laser Magazine， 2021， 42（12）： 190-196.

车型	Ecu	编码	状态	时间	Vin
E…	BMS	U180187	当前	2022/6/6 9：00：58	LK6…
E…	OBC	P1A2212	当前	2022/6/6 9：00：58	LK6…
E…	BMS	P180516	历史	2022/6/6 8：59：36	LK6…
E…	BMS	P181900	历史	2022/6/6 8：59：36	LK6…
E…	IC	U1C0287	当前	2021/7/2 11：41：55	LK6…
E…	ESP	C112224	当前	2021/7/2 11：41：55	LK6…
E…	…	…	…	…	…

节点属性	属性值
<id>	412
name	B104B00
故障定义	电池包总电压状态——电压过低
所属模块	VCU
是否报文故障	否
发生频次	132
衍生DTC	B104A00、B104C00、B105C00、B107C00

DTC	DTC含义
B104B00	电池包总电压状态--电压过低
B104C00	电池内部CAN总线异常
B105C00	电池包温度传感器异常
B107C00	电池包单体电压传感器异常
B104A00	电池包告警级别--电池停车请求
P183016	电池组总压低于4级告警门限值
P191200	电池温度传感器故障
B101311	PTC1使能回路对地短路

故障代号	常见故障	频次	精简率R/%
I	电池单体电压压差大	202	82.53
II	轮胎压力传感器故障	181	74.15
III	左前轮速传感器故障	156	69.51
IV	充电模块故障	57	58.13
V	电池单体温度过高	109	79.24

[1]	邹渊,孙文景,张旭东,刘佳慧,温雅,马文斌. 智能网联汽车多域电子电气架构技术发展研究[J]. 汽车工程, 2023, 45(6): 895-909.
[2]	余颖弘,黄利,李以农,郑玲,周佳,梁艺潇. 基于动力学解耦的紧急工况循迹跟踪控制研究[J]. 汽车工程, 2023, 45(6): 997-1009.
[3]	胡杰,耿號,李源洁,耿黄政,童敏敏. 基于关联规则挖掘的车辆故障码分析[J]. 汽车工程, 2023, 45(4): 699-708.
[4]	胡杰,张潇,魏敏,陈林,卿海华,高长斌. 基于模糊BN和改进证据理论的车辆故障定位方法[J]. 汽车工程, 2023, 45(10): 1975-1983.
[5]	胡杰,李源洁,耿號,耿黄政,郭雄,易红卫. 基于深度学习的汽车故障知识图谱构建[J]. 汽车工程, 2023, 45(1): 52-60.
[6]	张书恺,陈慧,刘美岑. 全自动泊车系统路径跟随控制策略[J]. 汽车工程, 2022, 44(7): 1027-1039.
[7]	赵祥模,张心睿,王润民,徐志刚,凡海金. 网联交叉口信号-车辆轨迹协同优化控制方法[J]. 汽车工程, 2021, 43(11): 1577-1586.
[8]	张雨甜,李斐然,田汉青,胡纪滨,魏超,吴维. 无人车辆底盘集成动力学系统解耦控制研究[J]. 汽车工程, 2021, 43(11): 1673-1682.
[9]	吕辉, 杨坤, 尹辉, 上官文斌, 于德介. 基于多维平行六面体模型的动力总成悬置系统固有特性分析^*[J]. 汽车工程, 2020, 42(4): 498-504.
[10]	周苏, 胡哲, 谢非. 车用质子交换膜燃料电池空气供应系统自适应解耦控制方法研究[J]. 汽车工程, 2020, 42(2): 172-177.
[11]	陈志成, 赵健, 朱冰, 吴坚. 基于电控助力制动级联制动防抱死控制策略^*[J]. 汽车工程, 2019, 41(11): 1320-1326.