胡 杰，張 瀟，魏 敏，，陳 林，卿海華，高長(zhǎng)斌

（1.武漢理工大學(xué)，現(xiàn)代汽車(chē)零部件技術(shù)湖北省重點(diǎn)實(shí)驗(yàn)室，武漢 430070；2.武漢理工大學(xué)，現(xiàn)代零部件技術(shù)湖北省協(xié)同創(chuàng)新中心，武漢 430070；3.新能源與智能網(wǎng)聯(lián)車(chē)湖北工程技術(shù)研究中心，武漢 430070；4.上汽通用五菱汽車(chē)股份有限公司，柳州 545000）

前言

隨著汽車(chē)電子技術(shù)的不斷發(fā)展，汽車(chē)功能復(fù)雜性日益提高，車(chē)載故障診斷系統(tǒng)的出現(xiàn)為故障診斷開(kāi)拓了新的思路。當(dāng)車(chē)輛發(fā)生故障時(shí)其自診斷系統(tǒng)會(huì)產(chǎn)生故障碼（diagnostic trouble codes，DTC）并保存［1-2］，維修人員通過(guò)診斷儀讀取故障碼并對(duì)其分析進(jìn)行故障定位并診斷。然而，由于車(chē)輛運(yùn)行中各電控模塊互相進(jìn)行信息傳遞，使得維修過(guò)程讀取的故障碼具有駁雜、數(shù)量大的特點(diǎn)。同時(shí)，實(shí)際上故障碼產(chǎn)生這一情況本身并不表明故障碼自身定義中涉及的部件一定發(fā)生了故障，存在著車(chē)輛行駛過(guò)程中由于環(huán)境引起的偶發(fā)情況而產(chǎn)生故障碼、某些部件受到其它故障部件影響而信號(hào)異常產(chǎn)生故障碼等情況。面對(duì)大量雜亂的故障碼導(dǎo)致通過(guò)分析故障碼來(lái)進(jìn)行精準(zhǔn)快速的故障定位并未取得理想效果。

通過(guò)分析問(wèn)題為根據(jù)維修過(guò)程讀取出的大量雜亂故障碼推理出源頭故障部件，首先考慮貝葉斯網(wǎng)絡(luò)（Bayesian network）［3］方法。然而，由于故障樣本數(shù)量少、故障碼眾多導(dǎo)致貝葉斯網(wǎng)絡(luò)的條件概率表難以通過(guò)樣本數(shù)據(jù)或?qū)＜医?jīng)驗(yàn)生成，故利用D-S 證據(jù)理論（D-S evidence theory）［4］，將不同部件在各故障碼下發(fā)生故障的后驗(yàn)概率看作推理出故障部件的證據(jù)，通過(guò)融合貝葉斯網(wǎng)絡(luò)和證據(jù)理論解決問(wèn)題。

李仲興等［5］構(gòu)建BN 模型得到不同工況下基于振動(dòng)和噪聲的BN模型后驗(yàn)概率，再通過(guò)證據(jù)理論將其融合實(shí)現(xiàn)輪轂電機(jī)的故障診斷。李宏梅等［6］通過(guò)構(gòu)建BN 模型針對(duì)汽車(chē)網(wǎng)絡(luò)故障的不確定性進(jìn)行分析，利用信息融合方法實(shí)現(xiàn)發(fā)動(dòng)機(jī)的故障診斷。史曉娟等［7］將故障樹(shù)轉(zhuǎn)化為BN 模型，利用專(zhuān)家評(píng)估確定故障與征兆間關(guān)系，實(shí)現(xiàn)排水系統(tǒng)的故障診斷。上述文獻(xiàn)通過(guò)專(zhuān)家知識(shí)以及樣本數(shù)據(jù)確定BN 的結(jié)構(gòu)與參數(shù)，實(shí)現(xiàn)了不同領(lǐng)域的故障診斷。但在節(jié)點(diǎn)眾多且樣本數(shù)據(jù)不足的情況下，確定先驗(yàn)概率和條件概率表等參數(shù)是一項(xiàng)工作量巨大且存在不確定性的任務(wù)。

陶鵬等［8］提出了一種證據(jù)可信度的修正函數(shù)用以解決證據(jù)信度為零的悖論，再利用支持概率解決證據(jù)沖突問(wèn)題，將其應(yīng)用于電氣設(shè)備故障診斷且取得了良好效果。張寬等［9］提出基于Pignistic 概率距離構(gòu)建相似度的方法對(duì)基本概率賦值修正，并引入平均支持度加權(quán)優(yōu)化的證據(jù)融合規(guī)則，實(shí)現(xiàn)對(duì)變壓器進(jìn)行故障診斷。夏飛等［10］提出了一種利用證據(jù)間相似度構(gòu)造新證據(jù)體并將新舊證據(jù)同時(shí)合成的方法，實(shí)現(xiàn)了燃?xì)廨啓C(jī)振動(dòng)故障診斷。上述文獻(xiàn)均通過(guò)引用不同指標(biāo)衡量證據(jù)之間的距離來(lái)分析各證據(jù)的可信度、相似度以作為證據(jù)修正的依據(jù)并取得良好的效果，但其均從不同證據(jù)間沖突角度考慮，未考慮證據(jù)自身存在的不確定性。

考慮到上述所提不足，并為解決由于部件的關(guān)聯(lián)故障而產(chǎn)生大量復(fù)雜故障碼導(dǎo)致通過(guò)分析故障碼進(jìn)行故障定位的準(zhǔn)確性差、效率低的問(wèn)題，本文以某企業(yè)某新能源車(chē)型的ABS 系統(tǒng)為例，相關(guān)售后數(shù)據(jù)為基礎(chǔ)，提出一種基于模糊BN和改進(jìn)證據(jù)理論的故障定位方法。首先根據(jù)求援索賠和售后診斷故障碼的歷史數(shù)據(jù)以及該車(chē)型維修手冊(cè)構(gòu)建BN，并通過(guò)云模型對(duì)其參數(shù)進(jìn)行模糊化。然后將后驗(yàn)概率作為證據(jù)，考慮證據(jù)的不確定性和證據(jù)間沖突，提出融合鄧熵和Pignistic 概率距離的修正系數(shù)對(duì)證據(jù)進(jìn)行修正。最后采用基于矩陣分析的合成規(guī)則在降低沖突的同時(shí)減小由于證據(jù)量多、合成規(guī)則復(fù)雜帶來(lái)的計(jì)算量大、合成悖論等情況，得到最終故障定位結(jié)果，準(zhǔn)確高效地實(shí)現(xiàn)故障定位。

1 數(shù)據(jù)來(lái)源及處理

1.1 數(shù)據(jù)內(nèi)容

本文數(shù)據(jù)來(lái)源于某公司某新能源車(chē)型2020 年10 月至2022 年10 月大數(shù)據(jù)平臺(tái)存儲(chǔ)的售后診斷故障碼數(shù)據(jù)以及售后部門(mén)存儲(chǔ)的求援索賠數(shù)據(jù)，該兩份數(shù)據(jù)均以表格形式保存。其中，故障碼數(shù)據(jù)表結(jié)構(gòu)如表1所示。

表1 故障碼數(shù)據(jù)分類(lèi)

求援索賠數(shù)據(jù)結(jié)構(gòu)如表2所示。

表2 求援索賠數(shù)據(jù)分類(lèi)及說(shuō)明

1.2 數(shù)據(jù)預(yù)處理

1.2.1 故障碼數(shù)據(jù)處理

故障碼狀態(tài)包含當(dāng)前和歷史兩種狀態(tài)，其代表故障碼為與該次故障相關(guān)或歷史診斷遺留。針對(duì)售后維修存在著實(shí)際故障已解決但部分故障碼無(wú)法消除的情況，由于這種故障碼不影響車(chē)輛正常運(yùn)行，故將該類(lèi)故障碼丟棄處理。

同時(shí)，由于存在維修工人誤操作導(dǎo)致重復(fù)上傳的現(xiàn)象，故限制同一車(chē)輛診斷事件的時(shí)間間隔不得少于3天，對(duì)多次上傳數(shù)據(jù)進(jìn)行去重處理。

此外，由于車(chē)輛各模塊通過(guò)CAN 網(wǎng)絡(luò)互相收發(fā)信息，導(dǎo)致某些故障碼會(huì)在不同模塊重復(fù)出現(xiàn)，故將該類(lèi)重復(fù)故障碼進(jìn)行去重處理。

1.2.2 求援索賠數(shù)據(jù)處理

求援索賠中存在著更換配件與實(shí)際故障配件不匹配的問(wèn)題，由于該類(lèi)數(shù)據(jù)不多，故采用人工處理。根據(jù)分析處理過(guò)程判斷故障原因是否準(zhǔn)確，若存在問(wèn)題則對(duì)該條數(shù)據(jù)丟棄處理。對(duì)于數(shù)據(jù)重復(fù)上傳問(wèn)題同故障碼數(shù)據(jù)表方法處理。

1.2.3 數(shù)據(jù)集成

將處理后的故障碼數(shù)據(jù)和求援索賠數(shù)據(jù)按照車(chē)型、VIN 碼和維修時(shí)間進(jìn)行集成。經(jīng)過(guò)數(shù)據(jù)預(yù)處理后，得到ABS 系統(tǒng)共327 個(gè)案例，共包含4 614 條故障碼數(shù)據(jù)，部分?jǐn)?shù)據(jù)如表3所示。

表3 預(yù)處理后故障歷史數(shù)據(jù)

2 故障定位模型構(gòu)建

本文提出一種基于模糊BN 和改進(jìn)證據(jù)理論的車(chē)輛故障定位方法。所構(gòu)建的故障定位模型流程如圖1所示，具體步驟如下。

圖1 故障定位模型流程圖

（1）模糊BN 構(gòu)建。將故障碼作為故障征兆，通過(guò)歷史數(shù)據(jù)和專(zhuān)家經(jīng)驗(yàn)確定BN結(jié)構(gòu)，并通過(guò)云模型數(shù)字特征模糊化其先驗(yàn)概率。

（2）基本概率賦值轉(zhuǎn)化。將模糊BN故障部件后驗(yàn)概率作為各條證據(jù)的基本概率賦值。

（3）證據(jù)修正。融合鄧熵和Pignistic 概率距離作為修正系數(shù)對(duì)證據(jù)的不確定性和證據(jù)之間沖突進(jìn)行修正。

（4）改進(jìn)合成規(guī)則。采用基于矩陣分析的合成規(guī)則將修正后的基本概率賦值合成，得到各部件故障的可能性。

（5）故障定位結(jié)果。比較各部件故障的可能性，最大值對(duì)應(yīng)的部件即為最終故障定位結(jié)果。

2.1 模糊BN

根據(jù)歷史樣本數(shù)據(jù)以及維修手冊(cè)確定整個(gè)系統(tǒng)中可能發(fā)生故障的部件以及故障碼，將故障碼作為故障征兆，通過(guò)歷史樣本數(shù)據(jù)確定各故障征兆與故障部件之間的關(guān)聯(lián)。

故障部件節(jié)點(diǎn)與故障碼節(jié)點(diǎn)通過(guò)有向邊建立關(guān)聯(lián)。以ABS 系統(tǒng)為例，本研究所構(gòu)建的BN結(jié)構(gòu)如圖2 所示，其分為兩層結(jié)構(gòu)，上層為可能發(fā)生故障的部件，下層為全部可能出現(xiàn)的故障碼。

圖2 BN網(wǎng)絡(luò)結(jié)構(gòu)圖

由于節(jié)點(diǎn)的故障概率是通過(guò)歷史樣本數(shù)據(jù)獲取，而故障數(shù)據(jù)屬于小樣本數(shù)據(jù)，故采用云模型模糊化先驗(yàn)概率。

云模型作為一種在概率論和模糊理論基礎(chǔ)上發(fā)展的綜合模型，刻畫(huà)了數(shù)值之間隨機(jī)和模糊的性質(zhì)，在描述不確定信息上極具優(yōu)勢(shì)［11］。其具有3 個(gè)數(shù)字特征：期望Ex、熵En和超熵He。期望Ex代表論域空間中云滴分布的期望值；熵En代表云的跨度，反映云分布的不確定性；超熵He代表熵的離散程度，反映熵的不確定性。

云生成器為標(biāo)準(zhǔn)云生成算法，按其功能可以劃分為正向云生成器與逆向云生成器。正向云生成器需要預(yù)先設(shè)置數(shù)字特征（Ex，En，He）以及生成的云滴數(shù)量，輸出云圖像，過(guò)程如圖3所示。

圖3 正向云生成器

圖4 云模型圖像

逆向云為正向云生成的逆過(guò)程，通過(guò)輸入已有的樣本分布，輸出其對(duì)應(yīng)的數(shù)字特征（Ex，En，He），過(guò)程如圖5所示。

圖5 逆向云生成器

假設(shè)兩個(gè)標(biāo)準(zhǔn)云分別為Ci和Cj，云模型的算術(shù)運(yùn)算規(guī)則［12］為

根據(jù)已有樣本和經(jīng)驗(yàn)通過(guò)逆向云生成器輸出各故障部件先驗(yàn)概率的云模型數(shù)字特征，以先驗(yàn)概率的數(shù)字特征代替先驗(yàn)概率作為模糊處理，通過(guò)云模型的算術(shù)運(yùn)算規(guī)則公式和貝葉斯公式計(jì)算出各部件在不同DTC 下發(fā)生故障的后驗(yàn)概率數(shù)字特征。其中貝葉斯公式如式（6）所示。

式中：p(Fi)為基本部件故障的先驗(yàn)概率，由歷史數(shù)據(jù)得到；p(DTCj|Fi)為在已知實(shí)際故障部件的前提下某故障碼出現(xiàn)的條件概率。

最后將后驗(yàn)概率的數(shù)字特征依次通過(guò)正、逆向云生成器迭代10 次體現(xiàn)其不確定性與隨機(jī)性，以其迭代10 次所得數(shù)字特征期望Ex的平均值作為最終后驗(yàn)概率。

2.2 改進(jìn)證據(jù)理論

將已構(gòu)建的BN 的標(biāo)準(zhǔn)故障部件后驗(yàn)概率歸一化，轉(zhuǎn)化為證據(jù)的基本概率賦值。由于傳統(tǒng)D-S 證據(jù)理論存在著未考慮證據(jù)自身權(quán)重，忽略沖突中所蘊(yùn)含的信息等缺點(diǎn)，難以直接進(jìn)行實(shí)際應(yīng)用，故本文提出了融合鄧熵和Pignistic 概率距離的修正系數(shù)，對(duì)證據(jù)的沖突部分重新分配基本概率賦值，以實(shí)現(xiàn)準(zhǔn)確合理的故障定位。

2.2.1 證據(jù)確定程度

鄧熵（deng entropy）［13］是Deng 提出的一種不確定性度量方法，他受到香農(nóng)熵的啟發(fā)，在測(cè)量不確定度時(shí)考慮了基本命題的基數(shù)造成的影響，提出了鄧熵的概念。其具體公式如下：

式中|A|是A的基數(shù)。鄧熵具有|A|越大則ED越大，其不確定程度越大的性質(zhì)。

根據(jù)式（7）可計(jì)算出各證據(jù)自身的不確定程度。由于鄧熵ED的值越大，不確定程度就越大，則可定義（1-ED）為證據(jù)的確定程度Ens。

2.2.2 證據(jù)可信度

Liu 在證據(jù)距離量化過(guò)程中引入Pignistic 概率距離［14］，用以描述證據(jù)之間的沖突程度。其定義Pignistic概率函數(shù)BetPm(A)為

式中|A|是A的基數(shù)，則兩個(gè)獨(dú)立的證據(jù)主體BetPm1和BetPm2的Pignistic概率距離為

由上式可知，Pignistic 概率距離的范圍為［0，1］且具有值越大則沖突越明顯的性質(zhì)。

通過(guò)式（8）和式（9）可計(jì)算出各證據(jù)之間沖突程度。分析Pignistic 概率距離的性質(zhì)則可將定義為m1和m2一致性程度，其值越大則一致性越強(qiáng)。定義各證據(jù)可信度Beli的計(jì)算公式如下：

2.2.3 證據(jù)修正

依據(jù)證據(jù)的確定程度與其可信度，將二者結(jié)合并與所得最大值相除可得證據(jù)的相對(duì)權(quán)重，即作為修正系數(shù)。

則修正后的基本概率賦值為

2.2.4 證據(jù)合成規(guī)則

傳統(tǒng)證據(jù)理論合成規(guī)則如下式所示：

式中k為沖突因子，代表證據(jù)之間的沖突程度，其范圍為［0，1］，k值越大則沖突程度越大。

傳統(tǒng)合成規(guī)則具有面對(duì)高沖突證據(jù)融合會(huì)產(chǎn)生悖論，且當(dāng)證據(jù)和基本命題的數(shù)量增加時(shí)其合成計(jì)算的復(fù)雜程度呈指數(shù)趨勢(shì)增加等缺點(diǎn)。故采用基于矩陣分析的合成規(guī)則［15］在降低沖突的同時(shí)減少計(jì)算量，其偽代碼如表4所示。

表4 改進(jìn)合成規(guī)則偽代碼

3 算例分析

本文以某企業(yè)新能源某車(chē)型的ABS防抱死系統(tǒng)為例，對(duì)已處理好的數(shù)據(jù)進(jìn)行切片操作，按4∶1 的比例隨機(jī)選取訓(xùn)練集260個(gè)案例、驗(yàn)證集67個(gè)案例，進(jìn)行故障定位的應(yīng)用研究。

選取驗(yàn)證集中某簡(jiǎn)單案例為例進(jìn)行故障定位模型演示，該案例的具體數(shù)據(jù)如表5所示。

表5 演示案例數(shù)據(jù)展示

3.1 模糊BN構(gòu)建

在實(shí)際售后維修過(guò)程中，由于服務(wù)站受技術(shù)水平限制，大多部件出現(xiàn)損壞后服務(wù)站采取的措施更多的是對(duì)故障部件整體進(jìn)行更換，故根據(jù)求援索賠數(shù)據(jù)中ABS 系統(tǒng)更換的部件，將發(fā)生故障后被更換的部件整體定義為標(biāo)準(zhǔn)故障部件F1～F6。根據(jù)該車(chē)型維修手冊(cè)以及歷史維修數(shù)據(jù)構(gòu)建演示案例的BN，標(biāo)準(zhǔn)故障部件F1～F6作為故障部件層，故障碼作為故障征兆層，如圖6所示。

圖6 演示案例BN

根據(jù)專(zhuān)家知識(shí)并結(jié)合售后維修數(shù)據(jù)，對(duì)各標(biāo)準(zhǔn)部件故障出現(xiàn)概率統(tǒng)計(jì)，得到各標(biāo)準(zhǔn)故障部件的先驗(yàn)概率云模型數(shù)字特征，并以其代替先驗(yàn)概率作為模糊化處理，如表6所示。

表6 標(biāo)準(zhǔn)故障部件的先驗(yàn)概率數(shù)字特征

通過(guò)正向云生成器生成各標(biāo)準(zhǔn)部件的云圖像，云滴數(shù)設(shè)置為5 000即可看出各朵云的大致形狀，如圖7所示。

圖7 標(biāo)準(zhǔn)部件云模型圖像

本案例中，在單一部件發(fā)生故障時(shí)某故障碼出現(xiàn)的條件概率P(DTCj|Fi)如表7 所示，其余子節(jié)點(diǎn)的條件概率可按相同方法計(jì)算。

表7 子節(jié)點(diǎn)的條件概率

根據(jù)貝葉斯公式可計(jì)算出各標(biāo)準(zhǔn)故障部件在不同DTC 下發(fā)生故障的后驗(yàn)概率數(shù)字特征。將所得到的后驗(yàn)概率數(shù)字特征通過(guò)正、逆向云生成器迭代10 次后，取期望的均值作為后驗(yàn)概率，所得后驗(yàn)概率如表8所示。

表8 節(jié)點(diǎn)Fi的后驗(yàn)概率

3.2 證據(jù)修正計(jì)算

將故障部件在本案例所涉及到的故障碼的后驗(yàn)概率作為證據(jù)的基本概率賦值，并對(duì)其進(jìn)行修正處理。根據(jù)專(zhuān)家經(jīng)驗(yàn)將各標(biāo)準(zhǔn)故障部件的故障基數(shù)分別設(shè)置為A=｛4，2，2，2，1，1｝。

3.2.1 確定程度計(jì)算

由式（7）和確定程度定義可分別計(jì)算出鄧熵和證據(jù)的確定程度，如表9所示。

表9 證據(jù)確定程度

3.2.2 可信度計(jì)算

對(duì)各證據(jù)的基本概率賦值之間的沖突程度計(jì)算，根據(jù)式（8）和式（9）則可以計(jì)算出各條證據(jù)之間的Pignistic概率距離矩陣，如表10所示。

表10 證據(jù)間Pignistic概率距離

根據(jù)式（10）將所求得的Pignistic 概率距離轉(zhuǎn)化為各條證據(jù)的可信度，如表11所示。

表11 證據(jù)可信度

3.2.3 基本概率賦值修正

根據(jù)式（11）可計(jì)算出相對(duì)修正系數(shù)矩陣：η=［0.9635，0.9881，0.9963，1，0.7818］。利用式（12）可計(jì)算出各證據(jù)修正后的基本概率賦值，其中最后一列為

以傳統(tǒng)D-S 證據(jù)理論中的沖突因子k作為評(píng)價(jià)指標(biāo)，對(duì)比采用不同方法進(jìn)行相似度計(jì)算并修正后的各證據(jù)之間沖突程度，其中包括Wasserstein 距離［16］修正、Jousselme 距離［17］修正、Pignistic 概率距離［18］修正和本文提出的方法，具體效果如圖8所示。

圖8 不同方法修正后效果圖

通過(guò)分析圖8 可發(fā)現(xiàn)，本文提出的方法雖然面對(duì)前4 條修正后的證據(jù)之間沖突程度減少效果略遜于單獨(dú)以Pignistic 概率距離進(jìn)行修正的方法，但是修正后的第5 條證據(jù)與其他證據(jù)之間的沖突程度顯著下降。通過(guò)分析鄧熵得出的證據(jù)確定程度可知，第5 條證據(jù)相比于其他證據(jù)的確定程度更高，則更應(yīng)該減少第5 條證據(jù)與其他證據(jù)之間的沖突程度，故從總體角度認(rèn)為本文所提出的證據(jù)修正方法效果更好。

3.3 證據(jù)融合

最后根據(jù)基于矩陣分析的證據(jù)合成規(guī)則將修正后的基本概率賦值進(jìn)行融合，得到故障定位結(jié)果，如表12所示。

經(jīng)比較分析故障可能性可知，通過(guò)故障定位模型得出本案例應(yīng)為輪速傳感器發(fā)生故障，故障部件定位結(jié)果與實(shí)際案例一致。

3.4 方法準(zhǔn)確性分析

將本文提出的方法應(yīng)用于驗(yàn)證集進(jìn)行準(zhǔn)確性驗(yàn)證，得到各標(biāo)準(zhǔn)故障部件發(fā)生故障時(shí)的故障定位準(zhǔn)確率，如表13所示。

表13 標(biāo)準(zhǔn)故障部件故障定位準(zhǔn)確率

經(jīng)對(duì)故障定位的錯(cuò)誤案例分析發(fā)現(xiàn)，雖然定位結(jié)果與實(shí)際故障部件不符，但實(shí)際故障部件的可能性大小基本排在自大到小的第二位，仍可以在一定程度上為故障定位提供參考，故認(rèn)為本文提出的方法在故障定位的應(yīng)用上具有有效性。

3.5 改進(jìn)方法結(jié)果對(duì)比

為了進(jìn)一步驗(yàn)證本文提出方法的優(yōu)勢(shì)，將傳統(tǒng)DS 證據(jù)理論、鄧勇加權(quán)平均法［19］和采用基于矩陣分析的合成規(guī)則將未修正證據(jù)、分別以Wasserstein 距離、Jousselme 距離和Pignistic 概率距離計(jì)算相似度并修正后的證據(jù)合成以及本文提出的方法均應(yīng)用于驗(yàn)證集并進(jìn)行比較，統(tǒng)計(jì)準(zhǔn)確率和合成平均耗時(shí)情況，結(jié)果如表14所示。

表14 不同方法結(jié)果比較

經(jīng)分析發(fā)現(xiàn)合成失敗案例均為故障碼數(shù)量較多的案例。比較采用不同方法的故障定位結(jié)果可發(fā)現(xiàn)，本文方法在提高準(zhǔn)確率的同時(shí)實(shí)現(xiàn)了降低證據(jù)合成所需時(shí)間，避免了故障碼較多時(shí)合成失敗的情況，故認(rèn)為本文方法具有可行性且更具優(yōu)勢(shì)。

4 結(jié)論

本文針對(duì)由于車(chē)輛部件關(guān)聯(lián)故障而產(chǎn)生大量復(fù)雜故障碼，導(dǎo)致通過(guò)分析故障碼定位源頭故障部件效率低的問(wèn)題，提出基于模糊BN和改進(jìn)證據(jù)理論的故障定位方法。首先通過(guò)根據(jù)求援索賠和售后診斷故障碼的歷史數(shù)據(jù)和專(zhuān)家知識(shí)構(gòu)建BN，并用云模型對(duì)其先驗(yàn)概率模糊化；然后將模糊BN后驗(yàn)概率作為改進(jìn)證據(jù)理論的基本概率賦值輸入，將鄧熵和Pignistic概率距離融合作為修正系數(shù)進(jìn)行證據(jù)修正，并采用基于矩陣分析的證據(jù)合成規(guī)則保證無(wú)合成失敗情況的同時(shí)減少計(jì)算量，得到最終故障定位結(jié)果；最后通過(guò)實(shí)際案例驗(yàn)證了該方法的可行性。所提方法有效地解決了售后維修過(guò)程中面對(duì)大量故障碼時(shí)分析故障部件困難的問(wèn)題，提升了故障定位的效率和準(zhǔn)確率，為售后維修人員提供幫助。