车辆错误模式规则自动化的多智能体因果推理系统

现代车辆产生数千种不同的离散事件，称为诊断故障码（DTC）。汽车制造商使用这些代码的布尔组合，称为错误模式（EP），来描述系统故障并确保车辆安全。然而，EP 规则仍由领域专家手动编写，这种过程在车辆复杂度提高时既昂贵又容易出错。本文引入 CAREP（Causal Automated Reasoning for Error Patterns），一个多智能体系统，用于自动化从 DTC 的高维事件序列中生成 EP 规则。CAREP 结合了一个识别潜在 DTC-EP 关系的因果发现智能体、一个集成元数据和描述信息的上下文信息智能体，以及一个综合候选布尔规则并生成可解释推理痕迹的 orchestrator 智能体。针对拥有超过 29,100 个唯一 DTC 和 474 个错误模式的大型汽车数据集进行评估，结果表明 CAREP 能够自动且准确地发现未知的 EP 规则，超越仅使用大语言模型（LLM）的方法，同时提供透明的因果解释。通过将实用因果发现与基于智能体的推理相结合，CAREP 表示了实现完全自动化故障诊断的一步步力，并实现了可扩展、可解释且高性价比的车辆维护。