车辆诊断转换：面向错误模式预测的多模态方法

准确诊断和预测车辆故障对于汽车行业的维护和安全至关重要。虽然现代诊断系统主要依赖于车辆诊断故障码（DTC）在车载诊断（OBD）系统中注册的序列，但常常忽略了如温度、湿度和压力等原始感知数据等有价值的上下文信息。这种上下文数据对于领域专家分类车辆故障至关重要，但由于其复杂性和真实数据噪声性质，带来了独特的挑战。本文提出了 BiCarFormer：一种将 DTC 序列和环境条件集成，用于多标签序列分类错误码到错误模式的首个多模态方法。BiCarFormer 是一种为车辆事件序列量身定制的双向 Transformer 模型，采用嵌入融合和协注意力机制来捕捉诊断码与环境数据之间的关系。在包含 22,137 个错误码和 360 个错误模式的具有挑战性的真实汽车数据集上的实验结果表明，我们的方法显著优于仅依赖 DTC 序列或传统序列模型的模型。这一工作凸显了纳入环境上下文信息的重要性，以实现更准确和更稳健的车辆诊断，从而降低维护成本并提升汽车行业自动化进程。