在汽车维修过程中，由于涉及到许多知识和经验领域，主要面临以下三大问题。

①涉及面广，维修知识覆盖面广

车辆维修过程将涉及物理、化学、电气、材料等多方面的知识，而且不同型号、不同部件的构造、工作原理、诊断方法、维修方法等也不一样。一次的修理可能需要大量的工具书本和资料，而且很费力。

②处理问题速度慢，影响口碑和销量

如果一辆车发生故障，要去4S店进行维修，通常要去工厂检验员、服务顾问、维修工(机修、钣金、电工、喷漆)等等。一次故障往往涉及多个系统和部件，对某些故障，对接人员无法直接找出故障原因，导致客户等待时间长、体验差、满意度低。连4S店和厂家都会投诉，质疑车型的质量，进而影响到这款车的口碑和销量。

③人员流动性大，培训时间长

因为公司的扩张或员工的流失，导致了每年都要培养大批的新员工。汽修相关职位中，从入职到能胜任的培训周期通常需要2-3年的时间。在新员工面对新难题时，若一直依靠高级技术人员的口传，工作效率就会极低。

智能化生产维修问答助手是以维修知识图谱为基础，结合自然语言处理技术构建问答引擎，实现了基于知识库的问答系统。使用者可以询问有关故障原因、解决方法、故障细节等信息。

一、维护知识图谱

首先需要设计一种图谱模式，该模式需要汽车维修领域专家和制图专家共同完成，通过对维修领域专业知识的抽象、归纳，如事件、故障模式、设备、测量等概念及语义关系等概念。

然后将维修工单、故障记录、流程审批等数据进行解析、抽取、结构化，结合设备属性和关联关系，构建了汽车维修知识图。

二、养护知识问答

它以语义解析为基础，通过知识图谱查询用户给出的自然语言问题，将其转化为逻辑形式。与传统的基于字符匹配的搜索引擎相比，基于知识图谱的问答搜索可以进一步理解用户输入的语义信息，并推荐与搜索结果相关的知识。

例如，维修工程师搜索“发动机出现故障会有什么显示”，能够了解用户搜索意图实际上是发动机故障指示灯的图例，然后优先返回文档截图和相关维修事例，而不是返回关键字，如“引擎”、“故障”、“显示”等关键字。对部分问题的回答可以直接用图表形式进行说明，并可在图谱上选取答案追溯至相关历史文献。另外，知识图谱还可以推荐其它图例和“发动机故障指示灯”的维护实例，帮助工程师做知识扩展。

实践证明，“维修问答助手”对维修技师在日常维修、外出救援、个人技能提升等场景中都有很大的帮助。其特点是：

(一)信息获取更加方便，而且遇到故障时，能够及时得到参考的维修方法。维护技术也在这一应用的加持下逐渐完善。维护效率和一次修复率明显提高，客户等待时间缩短。

一年多来，通过维护知识问答的方式，新员工能够实现自我学习，对技术工人的成长速度由过去2-3年缩短为6个月，对高级技术人员的依赖也逐渐减少。

对于生产厂家的技术专家来说，“维修问答助手”让他们从繁琐的故障咨询中解放出来，专注于疑难问题的攻关，新问题的解决方案可以反哺知识库的维修，将经验和知识转化为知识资本，从而构建或保持企业的核心竞争力。