随着汽车行业的发展,汽车故障诊断系统已成为当前的热门研究方向。传统的汽车故障诊断系统缺乏系统性、全面性,且依赖动态信号处理。随着人工智能技术的发展,基于神经网络、案例推理及规则推理的汽车故障诊断专家系统逐步出现在汽车维修领域。由于汽车系统庞大复杂,有效的汽车故障维修日志数量较少,很难单纯依赖数学模型解决汽车故障诊断问题,且不易获取全面的汽车维修规则。基于案例推理(CBR)的汽车故障诊断系统可以采用迭代的方式不断完善系统知识库,然而存在以下问题:(1)对噪声数据尤为敏感,错误数据及冗余数据容易影响系统检索效率和求解结果;(2)当案例库中案例数量增加时,有可能会出现检索效率过低、检索结果冗余的情况;(3)案例知识获取存在瓶颈问题。针对以上问题,本文基于CBR及可拓学理论,研究汽车故障诊断系统。物元理论被应用到可拓案例模型建立过程中,首先,利用可拓模型及树形数据结构,建立知识表达式,形式化描述汽车故障案例;随后介绍汽车故障诊断案例索引的创建,如何利用机器学习的方法以及用户反馈,维护该案例库,以一条汽车故障诊断记录为例,介绍实例存储方式;然后介绍可拓推理及检索策略,用于案例推理过程中,进而从逻辑层扩展案例库;最后,整体介绍该汽车故障诊断系统的目标、原则、设计思想、流程及主要功能模块。基于可拓模型,汽车故障案例便于创建、存储、维护以及检索,提高该系统的使用效率及灵活性。案例的主要属性形式化存储到案例库中,基于主属性分析,压缩案例库。汽车故障诊断案例信息被自然语言描述,并且信息不全面,基于CBR及可拓学,可拓搜索策略被设计,有效提高案例检索效率,降低用户及研发人员的汽车维修专业知识要求。