用于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码的布尔组合（称为错误模式，EP）来刻画系统故障并确保车辆安全。然而，EP 规则仍由领域专家手工制定，随着车辆复杂度增长，这一过程成本高昂且易出错。本文提出 CAREP（Causal Automated Reasoning for Error Patterns），一个从 DTC 高维事件序列自动化生成 EP 规则的多智能体系统。CAREP 结合了识别潜在 DTC-EP 关系的因果发现智能体、整合元数据与描述的上下文信息智能体，以及综合候选布尔规则并给出可解释推理轨迹的编排智能体。在包含超过29,100个独特 DTC 与474个错误模式的大规模汽车数据集上的评估表明，CAREP 能自动且准确地发现未知的 EP 规则，优于仅用 LLM 的基线，同时提供透明的因果解释。通过结合实用的因果发现与基于智能体的推理，CAREP 代表了迈向全自动故障诊断的一步，实现可扩展、可解释且高性价比的车辆维护。