Hi-DEC：面向智能网联汽车整车故障预测的层级双专家代码预测方法

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Hi-DEC: Hierarchical dual-expert code prediction for whole-vehicle fault prognosis in intelligent connected vehicles

　　

•Hi-DEC 预测智能网联车辆下一次进站时的整车故障。•双故障码图模型同时建模共现关系与时间迁移关系。•历史–新颖性解码器区分重复性故障与新兴故障。•Hi-DEC 在真实车队数据上提升了整体故障与潜在故障的预测效果。•排序预测结果可支持以可靠性为中心的检修计划制定。

引言

智能网联车辆（ICV）在运营过程中持续产生大量故障诊断码、维修记录及车队运营数据。这些记录为将车辆维护模式从被动维修向预测性维护和可靠性中心维护转型提供了宝贵的数据基础。对于车队运营商和维护工程师而言，提前识别未来可能出现的故障可为基于风险的检修计划制定、预防性维护排程、备件准备以及在故障演变为非计划停机或关键安全事件之前进行安全风险缓解提供预测性证据。机器学习驱动的预测性维护在汽车行业中获得了越来越多的关注，其中数据可用性、多源信息融合、可解释性和部署可行性仍是关键挑战 [1]。从可靠性工程的角度来看，核心目标不仅是提高预测准确性，还需将异构的维护数据转化为可操作的证据，以支持风险优先的维护决策。因此，整车故障预测已成为汽车可靠性工程、车队健康管理和维护决策支持中的重要研究课题。

在实际维护场景中，车辆故障通常以故障诊断码或其他标准化故障码的形式记录。与基于传感器测量值识别当前故障状态的实时故障诊断不同，基于服务记录的预测旨在预测未来一次维护进站时可能出现的故障码集合。这一任务在整车尺度上尤为具有挑战性。单次服务事件可能包含来自不同子系统的多个故障码，从而构成一个本质上高维度的多标签预测问题。此外，故障码通常表现出显著的长尾分布、稀疏的历史观测以及复杂的码间依赖关系。部分故障因持续退化、维修不彻底或重复工作负荷而反复出现，而另一些故障可能因子系统耦合、共用工况、共用电子控制单元或故障链式传播而首次出现。这些特征使得下一次进站整车故障预测远比单部件诊断、二值异常检测或传统部件级预测更为困难。

现有的汽车预测性维护研究针对电池、动力总成、发动机和制动系统等特定部件和子系统取得了令人瞩目的成果 [2]、[3]、[4]、[5]。近期的序列模型、注意力机制和基于图的方法也被应用于基于传感器测量值、车载诊断数据和历史维护记录的车辆故障诊断与预测 [6]、[7]。车载自组织网络中的实时故障诊断也得到了研究，重点关注传感器和通信单元故障 [8]、[9]、[10]；然而，这些方法针对的是瞬时测量值，而非基于服务记录的多标签预测。然而，当这些方法应用于以可靠性为中心的整车预测时，仍存在三个局限性。第一，许多现有方法是为部件级诊断、有限的一组预定义故障类别或二值健康状态分类而设计的，因此无法直接预测未来服务事件中的完整多标签故障码配置。第二，故障码间的依赖关系往往仅从单一视角建模，而实际维护记录中既包含同一进站的共现关系，也包含跨进站的时间迁移模式。第三，重复性故障和新兴故障通常由统一解码器处理，尽管它们的生成机制和维护含义截然不同。这些局限性限制了现有方法在车队级主动维护和以可靠性为导向的决策支持中的适用性。

为了解决上述局限性，本文提出了 Hi-DEC，一种面向智能网联车辆整车故障预测的层次化双专家码预测框架。Hi-DEC 的核心思想是将下一次进站故障预测分解为两条互补的预测路径：重复性驱动的故障预测和车队知识驱动的新兴风险发现。具体而言，Hi-DEC 构建双视角故障码图以同时表示并发故障耦合和顺序故障演进，采用自适应时间上下文编码器捕捉异构的维护历史模式，并引入历史–新颖性双专家解码器以区分重复性故障与新出现风险。这一设计源于以可靠性为中心的维护实践，在该实践中，重复性退化和新兴故障传播通常需要不同的检修优先级和维护措施。Hi-DEC 不仅仅产生单一诊断标签，而是生成排序后的故障码推荐，可在维护资源有限的情况下作为检修优先排序的预测性证据加以解读。本文的主要贡献总结如下：

•我们将智能网联车辆的基于服务记录的整车故障预测形式化为一个高维度、多标签的下一次进站预测问题，显式考虑了重复性和新兴性故障码。
•我们提出了 Hi-DEC，一个层次化双专家预测框架，集成了双图故障码表示、自适应时间上下文编码和历史–新颖性协同解码，以生成排序的故障码预测结果，支持以可靠性为中心的维护。
•我们从车队级维护记录中构建共现图和时序迁移图，联合建模并发故障耦合和顺序故障演进，从而支持故障码表示学习和新兴故障推断。
•我们设计了历史–新颖性双专家解码器，以区分重复性驱动的故障预测与新兴故障发现，同时提升整体故障预测和潜在故障预测的效果。
•我们使用大规模真实世界智能网联车辆故障数据集、公开车辆故障数据集以及同车型同生产年度的分布外设置验证了 Hi-DEC。消融实验、案例研究和决策影响分析进一步证明了其在主动维护决策支持中的有效性、泛化能力和面向可靠性的可解释性。

文献摘录

汽车预测性维护与数据驱动的故障诊断

随着车载诊断、远程信息处理、故障记录和车队运营数据的不断增加，预测性维护已成为汽车行业中一个重要的研究主题。Theissler 等人系统回顾了汽车系统中机器学习驱动的预测性维护，并强调了多源数据融合、数据可用性、可解释性和实际部署的重要性 [1]。近期的综述进一步突出了……

问题表述与符号

智能网联车辆（ICV）在车队运营过程中持续产生车载诊断数据和维护记录。在实际中，单次服务事件可能记录多个故障码，且车辆的故障码配置可能随时间演变。为了形式化智能网联车辆的下一次进站故障预测任务，我们引入以下符号，如表 2 所示。

设 ?={???,???,…,??_??} 表示车队级码本中的所有故障码集合，其中 ?? 为……

实验数据集

为验证所提出的 Hi-DEC 框架，我们采用了一个大规模真实世界故障记录数据集，该数据集针对某单一 OEM 的一个智能网联车辆（ICV）车型，时间跨度从 2021 年 11 月至 2026 年 4 月。记录是由为该车型提供服务的维修企业上传的服务事件。我们按照提交顺序接收上传数据，不控制车间诊断、扫描器选择或 ECU 故障码清除。在提交时，记录遵循行业报告规范，该规范……

讨论

第 4 节中的数值比较表明，在随机车辆级划分条件下，Hi-DEC 相较于强基线方法提升了整体排序质量。然而，这些结果本身并未指明在可靠性中心维护中应当信任这些增益的工作区间。本节将工程解释与关键表格结果分离，并阐述该方法适用的条件和局限性。

结论

本文提出了 Hi-DEC，一个面向智能网联车辆整车故障预测的层次化双专家码预测框架。该框架应对了高维多标签故障预测、稀疏历史故障记录、异构时序演变以及故障码间相互依赖关系等实际挑战。与部件级诊断模型或单解码器故障预测器不同，Hi-DEC 显式建模了重复性……

CRediT 作者贡献声明

陈芳华：撰写——原稿、可视化、软件、方法论、概念化。尚德光：撰写——原稿、可视化、软件。郭伟卓：撰写——原稿、可视化。叶科：监督、项目管理。

利益冲突声明

作者声明不存在已知的竞争财务利益或个人关系，这些利益或关系可能影响本文所报告的工作。

陈芳华 | 尚德光 | 郭伟卓 | 叶科