CN101660974A - 用于车辆的异常分析系统和用于车辆的异常分析方法 - Google Patents

Abstract

本发明提供了用于车辆的异常分析系统和用于车辆的异常分析方法。当基于表示车辆状态的车辆状态值检测到车辆(70)的异常时，用于车辆(70)的异常分析系统(100，100a)估计异常的原因。异常分析系统(100，100a)包括：因素识别信息提取单元(10)，其基于车辆状态值提取用来识别异常的因素的因素识别信息；数据库(20，20a)，其包括数据组(21，22，23，24，25，26)，所述数据组与因素识别信息各自的类别(F1，F2，F3，F4，F5，Fx)对应，并存储异常的原因和异常发生时的车辆状态值；以及异常原因估计单元(30，30a)，其利用与由因素识别信息提取单元(10)提取的因素识别信息的类别对应的数据组，来执行用于估计车辆(70)的异常的原因的处理。

Description

用于车辆的异常分析系统和用于车辆的异常分析方法

技术领域

本发明一般地涉及用于车辆的异常分析系统和用于车辆的异常分析方法。更具体而言，本发明涉及用于车辆的异常分析系统和用于车辆的异常分析方法，如果基于表示车辆状态的车辆状态值判定车辆中已经发生异常，它们用于估计异常的原因。

背景技术

例如，日本专利申请公报No.JP-A-2006-251918(JP-A-2006-251918)描述了一种故障分析系统，其包括：多个车内传感器，其恒定地获得表示汽车的设备的状态的状态信息；车内信息存储单元，其存储由多个车内传感器获得的与设备相关的状态信息；共享信息数据库，其设置在汽车外部并将与汽车中引起的故障现象相关的信息(其由输入单元输入到共享信息数据库中)和与故障相关的信息(其包含在信息存储单元中存储的状态信息中)彼此关联并将这些信息存储在其中；以及故障分析单元，其基于所收集的与车辆故障相关的信息来分析故障。在该故障分析系统中，估计在汽车中检测到的故障的原因，并将故障信息和故障发生时的车辆状态存储在数据库中。

但是，因为JP-A-2006-251918中描述的故障分析单元利用存储在共享信息数据库中的全部故障信息来分析故障，在故障分析期间对故障分析单元施加了较高的处理负荷。

发明内容

本发明提供了一种用于车辆的异常分析系统和用于车辆的异常分析方法，利用该系统和方法以降低的处理负荷来分析车辆的异常。

本发明的第一方面涉及一种用于车辆的异常分析系统，当基于表示所述车辆的状态的车辆状态值检测到所述车辆的异常时，所述异常分析系统估计所述车辆的异常的原因。所述异常分析系统包括：因素识别信息提取单元，其基于所述车辆状态值提取用来识别所述异常的因素的因素识别信息；数据库，其包括数据组，所述数据组与所述因素识别信息各自的类别对应，并存储异常的原因和所述异常发生时的车辆状态值；以及异常原因估计单元，其利用与由所述因素识别信息提取单元提取的所述因素识别信息的类别对应的所述数据组，来执行用于估计所述车辆的异常的原因的处理。

根据本发明的第一方面，当检测到异常时，首先，提取异常因素识别信息以识别异常的因素，接着仅利用所选择的数据执行详细的异常分析，而不是在紧接着检测到异常之后利用包含详细数据的数据库来执行异常分析。因此，以降低的处理负荷来分析异常，并减少了为执行用于分析异常的处理所需的时间。此外，在因素识别信息的提取期间，判定异常的因素是故障还是其他因素(例如，误操作)。结果，可以采取适当的措施。

在本发明的第一方面中，所述因素识别信息提取单元可以安装在所述车辆中；并且所述数据库和所述异常原因估计单元可以形成为车辆外部诊断单元并设置在所述车辆的外部。

利用上述构造，因为在车辆中仅执行因素识别，并由车辆外部诊断单元来执行详细的异常分析，所以提高了异常分析的效率。此外，车内单元可以包括具有最小需要能力的计算单元，并且车辆外部诊断单元可以包括具有高精度的单元。结果，可以在减轻车辆的重量的同时提高异常分析的精度。

这样构造的异常分析系统还可以包括通信单元，其将由所述因素识别信息提取单元提取的所述因素识别信息传送至所述车辆外部诊断单元。

利用此构造，因素识别信息实时地传递至车辆外部诊断单元。结果，迅速地获得由车辆外部诊断单元执行的异常分析的结果。

在上述构造中，所述数据库中的每个所述数据组可以包括训练数据。

利用此构造，通过执行学习，提高了数据库中的数据组中的数据的精度，并容易地将需要的数据添加到数据组中的数据。结果，可以随着学习进行以更高的精度执行异常分析。

在根据本发明的第一方面的异常分析系统中，所述因素识别信息提取单元可以在提取与部件故障或系统故障相关的因素识别信息之前执行用于提取与暂时异常相关的因素识别信息的处理，并且所述因素识别信息提取单元可以将未被归类为与暂时异常相关的因素识别信息的类别的车辆状态值提取作为与所述部件故障或所述系统故障相关的因素识别信息。

利用此构造，可以区分暂时异常，例如由驾驶员执行的误操作、行驶状态的暂时变化、以及由于故障引起处理负荷的暂时增大。结果，可以高精度地执行异常分析。

在这样构造的异常分析系统中，所述因素识别信息提取单元可以在提取与部件故障或系统故障相关的因素识别信息之前执行用于提取与暂时异常相关的因素识别信息的处理，并且所述因素识别信息提取单元可以将未被归类为与暂时异常相关的因素识别信息的类别的车辆状态值提取作为与所述部件故障或所述系统故障相关的因素识别信息。

利用此构造，首先判定异常是否为并非故障的暂时异常。如果判定为异常为暂时异常，则迅速地将此暂时异常排除在由于故障引起的异常的分析之外。因此，可以以降低的处理负荷来执行异常分析，并降低了虽然尚未发生故障但做出已经发生故障的错误判定的可能性。结果，可以提高异常原因的估计的精度。

本发明的第二方面涉及一种用于车辆的异常分析方法，所述异常分析方法用于当基于表示所述车辆的状态的车辆状态值检测到所述车辆的异常时，估计所述车辆的异常的原因。所述异常分析方法包括以下步骤：基于所述车辆状态值提取用来识别所述异常的因素的因素识别信息；从包括数据组的数据库选择与所提取的因素识别信息的类别对应的所述数据组，所述数据组与所述因素识别信息各自的类别对应并存储所述异常的原因和所述异常发生时的车辆状态值；以及利用所选择的数据组，来估计所述车辆的异常的原因。

根据上述本发明的方面，可以以降低的处理负荷来分析车辆的异常，并提高了异常原因的判定精度。

附图说明

将参考附图在对本发明的示例实施例的以下详细说明中，描述本发明的特征、优点和工业意义，附图中相同或相应的部分将由相同的附图标记表示，其中：

图1是示出根据本发明的实施例的用于车辆的异常分析系统的总体结构的示例的图；

图2A和2B是示出由根据本发明的实施例的异常分析系统的因素识别信息提取单元执行的处理的内容的示例的表，图2A示出了其中控制值被归类为数个类别的因素识别信息的示例，图2B示出了可以由基于图2A中的车辆状态值来识别的因素引起的车辆的异常状态的示例；

图3是示出由车辆外部诊断单元执行的处理的详细内容的表；

图4是示出数据库中存储的训练数据的示例的表；

图5是示出根据本发明的实施例的修改方案的用于车辆的异常分析系统的视图，其具有能够将训练数据下载其中的因素识别信息数据；并且

图6是根据本发明的实施例用于车辆的异常分析方法的流程图。

具体实施方式

此后，将参考附图描述本发明的实施例。

图1是示出根据本发明的实施例的异常分析系统100的总体结构的示例的视图。如图1所示，根据本发明的实施例的异常分析系统100包括因素识别信息提取单元10、数据库20、和异常原因估计单元30。数据库20和异常原因估计单元30可以彼此一体地形成为车辆外部诊断单元40，并设置在车辆的外部。当数据库20和异常原因估计单元30彼此一体地形成为车辆外部诊断单元40时，根据本发明的异常分析系统100还可以包括通信单元50。

当检测到车辆的异常时，因素识别信息提取单元10基于在发生检测到的异常时的车辆状态值来提取用于识别异常的因素的因素识别信息。

例如，记录在控制车辆的ECU(电子控制单元)中的各种检测值可以用作车辆状态值，即，表示车辆状态的数据。例如，由在诸如车门开关和车镜开关之类的操作系统中的传感器检测到的值，以及由行驶信息系统中的传感器检测到的诸如加速度和车速之类的值，被作为车辆状态值输入在ECU 60中。设置在车辆中的ECU 60执行与各个功能或各个传感器系统对应的多种控制。例如，ECU 60执行用于操作系统的控制和另一用于行驶信息系统的控制。因此，ECU 60可以由执行不同功能或用于不同目的多个ECU(例如，ECUA 61和ECUB 62)形成。

可以基于由设置在车辆中的上述各种传感器检测到的值，来判定车辆70中是否已经发生异常。与发动机控制相关的传感器的示例包括检测加速器踏板操作量的加速器位置传感器，检测节气门开度的节气门位置传感器，检测凸轮轴转角的凸轮位置传感器，检测曲轴转角和发动机速度的曲轴位置传感器，以及检测发动机冷却剂温度的冷却剂温度传感器。例如，通过判定由这些传感器检测到的值是否在预定的正常值范围内，来判定发动机是否被适当地驱动。即，由这些传感器检测到的值被用作表示车辆状态的车辆状态值。这些传感器连接至发动机控制计算机，并且由这些传感器检测到的值被输入到发动机控制计算机。因此，由发动机控制计算机来判定是否已经发生异常。因为基于由多个传感器检测到的值来控制燃料喷射正时和点火正时，所以可以基于多个传感器值和这些正时之间的关系来判定控制中是否已经发生异常或者各个部件中是否已经发生异常。对各个检测值的利用使得可以检测由复杂原因引起的异常。如果检测到异常的发生，则可以将异常发生时的车辆状态值存储作为车辆信息。这些车辆状态值可以称为冻结帧数据(freeze frame date，FFD)。

例如，在电动转向中，基于表示由转矩传感器检测到的值的转矩传感器信号来计算被施加以辅助转向操作的力所沿的方向，并控制驱动电路以将驱动电流输出至电动机。在此情况下，可以基于由转矩传感器信号所表示的值来判定转矩传感器自身是否已经发生异常，基于电动机电流值来判定电动机的驱动是否已经发生异常，并基于电动机的温度来判定是否已经发生例如过热或过电流的异常。在此情况下，由转矩传感器信号表示的值、电动机电流值、电动机的温度等被用作车辆状态值。如果被施加以辅助转向操作的力所沿的方向和电动机的转角彼此不符，则判定为由包括与驱动电路相关的原因在内的多个原因引起异常。在电动转向中，因为由电动转向计算机来执行控制，所以可以由电动转向计算机来判定是否已经发生异常，并将异常发生时的车辆状态值存储为车辆信息。

以与上述方式相似的方式，可以判定包括制动系统和变速器系统的驱动系统、包括加热器和空调的空调系统、包括窗户和车镜的主体系统、以及包括导航系统和音频系统的电气系统中是否已经发生异常。

基于异常因素将因素识别信息数据11归类为数个类别的因素识别信息。因素识别信息提取单元10判定作为诊断数据接收到的车辆状态值被归类的类别。然后，因素识别信息提取单元10提取车辆状态值被归类的该类别中的因素识别信息。因素识别信息提取单元10具有其中存储了因素识别信息的因素识别信息数据11。

因素识别信息数据11被归类为与当异常原因估计单元30执行对车辆异常的原因的详细估计以判定异常原因时使用的各个因素数据组对应的数个类别。如图1所示，因素识别信息数据11具有六个类别的因素识别信息，即，与操作相关的因素识别信息的类别F1、与行驶状态相关的因素识别信息的类别F2、与部件的劣化相关的因素识别的类别F3、与处理负荷相关的因素识别的类别F4、与未完成的学习相关的因素识别的类别F5、以及与故障相关的因素识别的类别Fx。当基于车辆状态值判定为车辆中已经发生异常时，因素识别信息提取单元10基于检测到的车辆状态值判定因素识别信息数据11中的因素识别信息的类别，所述因素识别信息应该被提取以识别异常的因素。因此，因素识别信息提取单元10判定包括车辆异常因素的因素识别信息的类别。下文将描述进行判定的方式的细节。

由因素识别信息提取单元10执行以提取因素识别信息的计算处理的精度不需要太高，只要能识别异常的因素即可。因此，虽然通常认为需要大量数据来分析异常，但是因素识别信息数据11的量不需要很大。如果基于因素识别信息数据11识别异常的因素，则因素识别信息数据11的量已经足够。由因素识别信息提取单元10执行的计算处理可以是用于识别异常的因素的计算处理。因此，降低了计算量。因此，CPU(中央处理单元)的计算处理能力不需要太高，只要CPU能够执行用于识别异常的因素的计算即可。

数据库20是存储车辆的异常的原因和异常发生时的车辆状态值的存储单元。原因和车辆状态值存储在数据库20中的数据组中。数据库20包括分别与因素识别信息提取单元10的因素识别信息数据11中的因素识别信息的类别F1、F2、F3、F4、F5和Fx对应的数据组21、22、23、24、25和26。基于因素类型将因素识别信息数据11归类为因素识别信息的类别F1、F2、F3、F4、F5和Fx。图1示出了操作相关因素数据组21、行驶状态相关因素数据组22、劣化相关因素数据组23、处理负荷相关因素数据组24、未完成学习相关因素数据组25和故障相关因素数据组26。

数据库20中的分别与因素识别信息数据11中的因素识别信息的类别F1、F2、F3、F4、F5和Fx对应的数据组21、22、23、24、25和26每个均包括与车辆异常的原因和异常发生时的车辆状态值相关的大量数据。数据组21、22、23、24、25和26每个中的数据量足以基于相应类别中的因素识别信息来估计异常的原因。因此，数据库20的使用使得可以更详细地分析由因素识别信息提取单元10提取的因素识别信息。

数据库20可以包括训练数据。数据库20用于更详细并更精确地分析异常的原因。因此，如果数据库20包括具有学习功能的训练数据，自身更新数据并加强分析功能，则更精确地分析异常。

异常原因估计单元30利用从数据组21、22、23、24、25和26中选择的并与由因素识别信息提取单元10提取的因素识别信息的类别对应的数据组，来估计异常的原因。因此，当判定为车辆中已经发生异常时，异常原因估计单元30访问数据库20中的与由因素识别信息提取单元10提取的因素识别信息的类别相对应的数据组，并利用存储在数据库20的该数据组中的与异常的原因和异常发生时的车辆状态值相关的数据来执行用于估计异常原因的计算。如果需要，异常原因估计单元30基于数据执行计算处理。在现有技术中，数据库20中的数据未被归类。因此，需要检查并分析数据库20中的全部数据。但是在根据本发明的异常分析系统100中，异常原因估计单元30选择数据组21、22、23、24、25和26中与因素识别信息的各个类别对应的一个，并利用所选择的数据组中的数据执行分析。因此，施加在异常原因估计单元30上的处理负担显著地低于现有技术。

图1示出了其中异常原因估计单元30判定已经引起异常的故障的类型的示例，其中异常原因估计单元30判定已经发生引起异常的劣化的部件的示例，以及其中异常原因估计单元30判定对其执行了已经引起对异常负有原因的状态改变的操作的部件的示例。例如，当因素识别信息提取单元10提取到表示异常的因素是故障的因素识别信息时，异常原因估计单元30访问数据库20中的故障相关因素数据组26，并基于故障相关数据组26中存储的数据来估计异常的原因。例如，异常原因估计单元30判定为已经发生故障A。类似地，当已经发生另一故障时，异常原因估计单元30执行与上述相似的处理，并判定为已经发生故障B。

当检测到车辆的异常时，如果因素识别信息提取单元10提取到表示异常的因素是部件的劣化的因素识别信息，则异常原因估计单元30访问数据库20中的劣化相关因素数据组23，并分析异常。然后，异常原因估计单元30判断为异常的原因是部件“a”的劣化。当部件“b”已经劣化时，异常原因估计单元30执行与上述相似的处理，并判断为异常的原因是部件“b”的劣化。当分析结果表示部件“a”和部件“b”两者均已经劣化时，异常原因估计单元30判断为异常的原因是部件“a”和部件“b”两者的劣化。

当检测到车辆的异常时，如果因素识别信息提取单元10提取到表示异常的因素是由于误操作引起的暂时状态改变的因素识别信息，则异常原因估计单元30访问操作相关因素数据组21。然后，异常原因估计单元30执行用于详细分析异常的计算处理，并判定异常的原因。例如，异常原因估计单元30判定异常的原因是由于开关X的操作引起的状态改变，异常的原因是按钮Y的操作引起的状态改变，或者异常的原因是由于开关X的操作和按钮Y的操作两者引起的状态改变。

如果判定为异常的因素是故障，则在判定其中发生故障的部分之后，例如在判定其中发生故障的车辆部件或其中发生故障的系统之后，例如需要进行修理来排除故障的原因。但是，如果由于对部件不施加太多影响的劣化或者由于误操作而检测到车辆的异常，则因为异常只是暂时异常而不是故障，所以无需进行修理。因此，将根据异常是故障还是不同于故障的暂时异常，来不同地采取措施。根据本发明的实施例的异常分析系统100以适于将要采取的措施的方式来分析异常。例如，当分析由于故障导致的异常的原因时，使用包括更详细信息的故障相关因素数据组26，并将更高的优先级给予用于分析异常的原因的计算处理。另一方面，如果异常的因素不是故障，则在不执行具有更高优先级的计算处理的情况下分析异常。如上所述，利用根据本发明的实施例的异常分析系统，可以通过在较早的阶段判定异常是由于故障引起的还是由于除故障以外的因素引起的，来采取弹性和合适的措施。

异常原因估计单元30利用数据库20来执行用于估计车辆的异常的原因的计算处理。因此，异常原因估计单元30可以由包括CPU和诸如ROM(只读存储器)和RAM(随机存取存储器)之类的存储单元的计算机形成。

数据库20和异常原因估计单元30可以设置在车辆内。但是，数据库20和异常原因估计单元30通常设置在车辆外部，例如，在汽车经销商或控制中心处。如上所述，因为异常原因估计单元30利用数据库20中的数据组中的大量数据来执行用于精确地分析异常的计算处理，所以数据库20中存储的数据量和异常原因估计单元30的计算量两者均较大。因此，优选地，数据库20和异常原因估计单元30设置在车辆外部。当数据库20和异常原因估计单元30设置在车辆外部时，数据库20和异常原因估计单元30可以彼此一体地形成为车辆外部诊断单元40。例如，当车辆外部诊断单元40设置在车辆经销商处时，如果车辆被放置在车辆经销商处，则车内因素识别信息提取单元10利用连接线连接至车辆外部诊断单元40以分析异常的原因。

可选地，可以设置能够在车辆和车辆外部诊断单元40之间进行通信的通信单元50，并且所提取的因素识别信息可以从车内因素识别信息提取单元10传递至车辆外部诊断单元40。例如，车辆可以设置有车辆侧通信单元51，车辆外部诊断单元40可以设置有车辆外部通信单元52。因此，因素识别信息可以从因素识别信息提取单元10传递至车辆外部诊断单元40。

由通信单元50提供的通信方法不受具体限制。通信单元50可以以有线或无线方式提供通信，或者可以经由网络(例如LAN(局域网))来提供通信。当使用通信单元50时，车辆外部诊断单元40可以设置在除了汽车经销商以外的任意给定位置处。可以使用中心，例如G-Book。通过使用通信单元50来实时地分析异常。

接着，将参考图2详细描述其中因素识别信息提取单元10识别异常的因素的方法。图2是用于描述由根据本发明的实施例的异常分析系统100的因素识别信息提取单元10执行的处理的内容的示例的图。

图2A是示出其中将各种控制值(基于这些控制值来识别除了故障之外的异常因素)被归类为数个类别的因素识别信息的示例的表。如图2A所示，基于检测信息的特征和类型将控制值归类为四个类别(即，因素识别信息类别A、B、C和D)的因素识别信息。

因素识别信息类别A包括表示与操作系统和输入传感器系统相关的信息的车辆状态值。例如，车门开关状态是表示车门的打开/关闭状态的信息，车镜开关状态是表示车镜的展开/缩回状态的信息。类似地，锁开关状态是表示车门被上锁或解锁的信息，电动车座开关状态是表示用于电驱动车座的开关是打开还是关闭的信息。这些车辆状态全部表示与由用户执行的开关操作等相关的信息。因此，当基于这些车辆状态值判定为车辆中已经发生异常时，存在由于用户执行的误操作导致发生异常的较高可能性。因此，这些车辆状态值被归类为包括与操作系统和输入传感器系统相关的信息的因素识别信息类别A。

将描述因素识别信息类别A中的其他车辆状态值。灯开关状态和巡航开关状态是表示用户打开还是关闭这些开关的信息。转向状态、制动踏板状态和加速器踏板状态是表示由驾驶员执行的操作的信息。变速杆状态是表示驾驶员将变速杆固定到的位置的信息，驻车制动状态是表示驾驶员将制动杆拉动的量的信息。

因素识别信息类别B包括表示行驶信息的车辆状态值。这些车辆状态值可以根据车辆的行驶状态而改变。例如，当车辆在粗糙砂砾道路上行驶因而车辆上下移动较大量时，上下方向上的加速度较大地改变。当车辆在长且陡的下坡上行驶时，尽管加速器踏板操作量较小，但是车速和加速度表现为较高的值。如图2A所示，表示行驶信息的车辆状态量的示例包括加速度、车速、发动机速度、变速器的档位状态、燃料喷射状态、与车辆行驶的道路相关的信息、以及天气信息。

因素识别信息类别C包括表示系统信息的车辆状态值。例如，电源电压可以根据电负荷的大小而改变，微计算机的状态可以根据处理负荷的大小而改变。如图2所示，表示系统信息的车辆状态值的示例包括电源电压、电负荷状态和微计算机状态。

因素识别信息类别D包括基于其将车辆的异常的因素识别为不适当的校正/学习状态的车辆状态值。安装在车辆中的一些ECU具有各种学习功能。如果不适当地执行学习或者不适当地校正了控制值，则可以在车辆中发生异常。因此，与学习和校正相关的车辆状态值被归类为基于其将车辆的异常的因素识别为不适当的校正/学习状态的因素识别信息的类别。如图2所示，这种因素识别信息的类别中包括的车辆状态值的示例包括控制学习值、零点校正值、透镜学习值、转向校正值、加速度校正值和加速器传感器校正值。

图2B是示出可以由基于图2A中的车辆状态值来归类的因素引起的车辆的异常状态的示例的表。

由基于因素识别信息类别A中的车辆状态值识别的因素引起的车辆的异常状态的示例包括同时打开多个开关的状态，变速杆固定在空档位置的状态，在制动踏板被下压最大量的情况下下压加速器踏板的状态，在车辆未行驶的情况下方向盘被转动最大量并保持在该位置较长时间的状态等。仅基于变速杆状态来检测变速杆固定在空档的异常状态。但是，仅在检测制动踏板状态和加速器踏板状态两者之后检测在制动踏板被下压最大量的情况下下压加速器踏板的异常状态。类似地，不是基于仅一个开关状态而是基于多个开关状态来检测同时打开多个开关的异常状态。因此，基于图2A中因素识别信息类别A中的要求车辆状态值的组合来判定异常状态。例如，因素识别信息提取单元10可以在因素识别信息数据11中存储在异常发生时车辆状态值的组合的各种模式，并将检测到的因素识别信息类别A中车辆状态值与所存储的车辆状态值的各种组合进行查对，以判定异常是否是由于用户执行的操作引起的暂时异常。当作为利用因素识别信息类别A中的因素识别信息执行数据挖掘的结果而识别到车辆的异常状态时，判定异常为用户执行的操作引起的暂时异常，并提供识别符号F1。

如果不能通过利用因素识别信息类别A中的车辆状态值执行的数据挖掘来识别异常的因素，则利用利用因素识别信息类别B中因素识别信息来执行数据挖掘。表示行驶信息的控制值被归类为因素识别信息类别B。由基于因素识别信息类别B中的车辆状态值识别的因素引起的车辆异常状态的示例包括由于在下雨天气下的打滑导致检测到的车速急剧降低的状态，以及因为路面非常颠簸所以负荷急剧增大的状态。例如，当由于在下雨天气下打滑导致检测到的车速急剧降低时，基于天气信息和车速的组合来提取异常的因素。当因为路面非常颠簸所以负荷急剧增大时，基于因素识别信息类别B(例如与车辆行驶的道路相关的信息，以及在上下方向上的加速度)中包括的车辆状态值来识别异常的因素。当作为利用因素识别信息类别B中的因素识别信息执行的数据挖掘的结果识别到车辆的异常因素时，判定异常是由于行驶状态引起的暂时异常，并提供识别符号F2。

如果既不能通过仅利用类别A中的因素识别信息执行数据挖掘也不能通过仅利用类别B中的因素识别信息执行数据挖掘来识别异常的因素，则利用利用类别A中的因素识别信息和类别B中的因素识别信息两者来执行数据挖掘。例如，如果即使加速器踏板被下压车速仍不升高，则基于被归类为图2A所示的因素识别信息类别A的加速器踏板状态和被归类为图2A所示的因素识别信息类别B的发动机速度，来识别异常的因素。如果即使将方向盘转动最大量怠速速度仍不升高，则基于被归类为图2A的因素识别信息类别A的转向状态和被归类为图2A的因素识别信息类别B的发动机速度的组合，来识别异常的因素。如果即使开关打开部件仍不操作，则基于被归类为因素识别信息类别A的各种开关状态和被归类为因素识别信息类别B的、被认为响应于开关的操作而改变的车辆状态值的组合，来识别异常的因素。如果即使变速杆被操作档位仍不改变，则基于被归类为因素识别信息类别A的变速杆状态和被归类为因素识别信息类别B的变速器档位状态的组合，来识别异常的因素。如果作为利用类别A和B中的因素识别信息执行数据挖掘的结果而基于因素识别信息类别A中包括的车辆状态值和因素识别信息类别B中包括的车辆状态值识别到车辆的异常的因素，则判定为异常为由于部件的劣化引起的暂时异常。例如，如果即使开关打开而部件仍不操作或者如果即使变速杆被操作而档位仍不改变，则可以认为已经发生暂时的接触不良。如果操作状态和行驶状态是适当的，则部件在许多情况下正确地操作。在此情况下，判定为由于部件的劣化已经发生暂时异常，并提供识别符号F3。

如果通过利用类别A的因素识别信息和类别B的因素识别信息两者执行的数据挖掘未识别到异常的因素，则利用类别C的因素识别信息来执行数据挖掘。由基于因素识别信息类别C中的车辆状态值识别的因素所引起的车辆的异常状态的示例包括由于大量电负荷的使用导致电压降低的状态，以及微计算机的处理能力降低的状态。如果由于大量电负荷的使用导致电压降低，则电负荷值暂时增大，并且由于大量电负荷的使用导致电源电压暂时降低。因此，基于因素识别信息类别C中的车辆状态值来识别异常的因素。当微计算机的处理能力降低时，例如，当由于负荷的暂时增大导致将微计算机置于异常状态时，基于处理负荷值和微计算机状态来识别异常的因素。当作为利用类别C中的因素识别信息执行数据挖掘的结果识别到车辆的异常的因素时，判定异常为由于处理负荷的急剧增大导致的暂时异常，并提供识别符号F4。

如果通过利用类别C中的因素识别信息执行的数据挖掘未识别到异常的因素，则利用类别D中的因素识别信息执行数据挖掘。由基于因素识别信息类别D中的车辆状态值识别的因素所引起的异常状态的示例包括由于较差的学习导致的暂时不稳定状态和由于不合适的校正值的写入导致的暂时不稳定状态。例如，如果引起由于较差的学习导致的暂时不稳定状态，则因素识别信息类别D中的控制学习值、透镜学习值或加速器传感器学习值表现为异常值。如果引起由于不合适的校正值的写入导致的暂时不稳定状态，则因素识别信息类别D中的零点校正值、转向校正值或加速度校正值表现为异常值。因此，当作为利用类别D中的因素识别信息执行数据挖掘的结果使因素识别信息类别D中的车辆状态值表现为异常值时，判定车辆的异常的因素为较差的学习。在此情况下，判定异常为由于较差的学习等导致的暂时异常，并提供识别符号F5。

如果通过利用类别D中的因素识别信息执行数据挖掘未识别到异常的因素，则判定车辆的异常不是暂时异常，并且异常的因素是部件故障或系统故障。即，如果没有识别到暂时异常的因素，并且没有提取到因素识别信息，则判定车辆的异常的因素是部件故障或系统故障，并提供识别符号Fx。在此情况下，需要分析由于故障引起的异常。

在根据本发明实施例的用于车辆的异常分析系统100中，当检测到车辆的异常时，设置在车辆中的因素识别信息提取单元10首先利用由车内传感器检测到的车辆状态值来执行用于提取因素识别信息的处理，因素识别信息表明异常是由除了故障之外的因素等引起的暂时异常。如果没有提取到表明异常是暂时异常的因素识别信息，则因素识别信息提取单元10判定为故障是异常的因素。这样，不需要修理的暂时异常在较早阶段在车辆中得到识别，并被排除在用于对由于故障引起的异常进行分析(其需要较高的处理负荷)的对象之外。为了提取因素识别信息，仅需要基于有限的控制值来判定包括异常的因素的因素识别信息的类别。因此，降低了车辆中的计算处理负荷，可以使得在车辆中安装具有更低的能力的CPU。

当在车辆中完成因素识别信息的提取并判定提供了识别符号F1至F5和Fx中的哪个时，将由所提供的识别符号表明的信息和车辆中检测到的全部车辆状态值存储。当车辆被提供至汽车经销商并在汽车经销商处分析异常时，所存储的识别符号和当车辆的异常发生时检测到的车辆状态值从因素识别信息提取单元10传递至数据库20和异常原因估计单元30。在此情况下，可以经由导线(例如连接线)或利用通信单元50将数据从因素识别信息提取单元10传递至数据库20和异常原因估计单元30。当利用通信单元50将数据从因素识别信息提取单元10传递至包括数据库20和异常原因估计单元30的车辆外部诊断单元40时，在因素识别信息提取单元10中选择的识别符号和在检测到异常时的车辆状态值从车辆侧通信单元51传递至车辆外部诊断单元40的车辆外部通信单元52。

图3是示出由包括数据库20和异常原因估计单元30的车辆外部诊断单元40执行的处理的详细内容的表。

如图3所示，数据库20包括与各个因素识别信息类别对应的多个数据组21至26，即操作相关因素数据组21、行驶状态相关因素数据组22、劣化相关因素数据组23、处理负荷相关因素数据组24、未完成学习相关因素数据组25、以及故障相关因素数据组26。在与各个因素识别信息类别对应的数据组21至26的每个数据组中，存储异常的原因和异常发生时的车辆状态值。因此，例如，在操作相关因素数据组21中，存储由于用户执行的误操作导致的暂时异常的具体原因和异常发生时的车辆状态值。在行驶状态相关因素数据组22中，存储由于车辆的行驶状态导致的暂时异常的具体原因和异常发生时的车辆状态值。在劣化相关因素数据组23中，存储由于部件的劣化导致的异常的原因和异常发生时的车辆状态值。类似地，在处理负荷相关因素数据组24中，存储由于处理负荷的升高导致的异常的原因和异常发生时的车辆状态值。在未完成学习相关因素数据组25中，存储由于未完成学习部分或不合适校正值的存在导致的异常的原因和异常发生时的车辆状态值。在故障相关因素数据组26中，存储由于部件故障和系统故障导致的异常的原因和异常发生时的车辆状态值。

数据组21至26每个均包含大量数据，基于这些数据可以通过执行数据挖掘来执行异常诊断。利用每个均包含大量特定信息的数据组21至26，车辆外部诊断单元40以高精度分析异常，并判定异常的具体原因。

在从因素识别信息提取单元10接收到包含从识别符号F1至F5和Fx中选择的识别符号和车辆状态值的信息时，异常原因估计单元30利用从数据组21至26选择的与所选择的识别符号对应的数据组，来分析异常。异常原因估计单元30仅利用从数据组21至26中选择的数据组来分析异常。因此，处理负荷显著降低，并以比利用数据库20中的全部数据分析异常时更短的时间来分析异常。可以由异常原因估计单元30根据全部数据挖掘法(full scale data mining)来执行异常分析。例如，可以由异常原因估计单元30根据其中检测到车辆状态值和特征模型之间的相关性，并积累知识的方法来执行异常分析。因此，可以高精度地分析异常，并随着数据积累而提高精度。

如果异常原因估计单元30判定为异常的因素是由识别符号F1至F5表示的暂时异常的因素之一，则异常的因素不是故障。因此，可以采取保持或设计改变之类的措施。另一方面，如果异常原因估计单元30判定为异常的因素是由识别符号Fx表示的因素，即部件故障或系统故障，则识别已经发生故障的部分。因此，对已经发生故障的部分进行修理。因此，如果判定为异常是由除故障以外的因素引起的暂时异常，则不必进行不需要的修理。另一方面，如果判定为异常的因素是故障，则迅速地进行必要的修理。如果判定为异常的因素是故障，则在将暂时异常的因素排除在分析之外的情况下分析异常。因此，可以基于所选择的数据来分析异常的原因。结果，提高了分析的精度。

图4是示出数据库20中存储的训练数据的示例的表。如上所述，异常原因估计单元30通过执行数据挖掘来执行学习。因此，通过学习获得的知识作为训练数据存储在数据库20中。图4示出了在数据库20中的数据组21至26的每个中存储的训练数据。

在其中存储了与由故障引起的异常相关的数据的故障相关因素数据组26中，存储了与传感器的故障相关的值、与开关断线相关的值、与致动器的故障相关的值、与系统故障相关的值等，作为与故障相关的学习值。这些值作为异常发生时的车辆状态值存储。因为异常发生时的车辆状态值被视为当异常发生时由各个车内传感器检测到的值的集合，所以异常发生时的车辆状态值可以称为FFD(冻结帧数据，Freeze Frame Data)。例如，在故障相关因素数据组26中，存储了作为异常原因的“传感器故障”，以及冻结帧数据(即，传感器故障发生时的车辆状态值)。类似地，作为异常原因的“开关断线”，以及开关断线发生时的车辆状态值被存储在故障相关因素数据组26中。此外，在故障相关因素数据组26中存储作为异常原因的“致动器的故障”和致动器故障发生时的车辆状态值以及作为异常原因的“系统故障”和系统故障发生时的车辆状态值。关于其他故障(未示出)，原因和故障发生时的车辆状态值存储在故障相关因素数据组26中。

在其中存储了与由于用户执行的操作引起的暂时异常相关的数据的操作相关因素数据组21中，例如，存储了与在车辆停止时将方向盘操作最大量引起的异常相关的数据，以及与通过突然施加制动引起的异常相关的数据。在操作相关因素数据组21中，例如，存储了作为异常原因的“在车辆停止时将方向盘操作最大量”和与此异常对应的车辆状态值，以及作为异常原因的“突然施加制动”和与此异常对应的车辆状态值。在其中存储了与由于行驶状态引起的暂时异常相关的数据的行驶状态相关因素数据组22中，例如，存储了与因为车辆在颠簸道路上行驶发生的异常相关的数据，以及与因为车辆打滑发生的异常相关的数据。例如，作为异常原因的“在颠簸道路上行驶”和与此异常对应的车辆状态值，以及作为异常原因的“打滑”和与此异常对应的车辆状态值被存储在行驶状态相关因素数据组22中。例如，当异常原因是“打滑”时，存储包括发动机速度和车速的车辆状态值。在其中存储了与由于处理负荷的急剧升高引起的暂时异常相关的数据的处理负荷相关因素数据组24中，例如，存储了由于置于CPU上的负荷的急剧升高导致的异常相关的数据。例如，作为异常原因的“置于CPU上的负荷的急剧升高”和与此原因对应的车辆状态值被存储在处理负荷相关因素数据组24中。在其中存储了与由于部件劣化引起的暂时异常相关的数据的劣化相关因素数据组23中，存储与由具体部件劣化(例如，部件Z的劣化和开关Y的劣化)引起的异常相关的数据。例如，作为异常原因的“部件Z的劣化”和与此原因对应的车辆状态值，以及作为异常原因的“开关Y的劣化”和与此原因对应的车辆状态值被存储在劣化相关因素数据组23中。

随着学习进行，训练数据量增大或减小。将需要的数据添加到训练数据，并将不需要的数据从训练数据删除，由此获得更精确的训练数据。

接着，将参考图5描述根据本发明的实施例的修改方案的用于车辆的异常分析系统100a。根据修改方案，存储在数据库20中的上述训练数据被下载到车辆中的因素识别信息提取单元10的因素识别信息数据11a。图5是示出根据修改方案的用于车辆的异常分析系统100a的视图，异常分析系统100a具有训练数据能够下载到其的因素识别信息数据11a。

如图5所示，根据修改方案的异常分析系统100a包括设置在车辆70中的因素识别信息提取单元10、作为车辆侧通信单元的通信模块51a、以及车辆外部诊断单元40a。车辆70包括因素识别信息提取单元10、因素识别信息数据11a、ECU 60和通信模块51a。车辆外部诊断单元40a包括数据库20a和服务器30a，训练数据存储在数据库20a中，服务器30a具有异常原因估计单元30的功能。

在图5中的根据修改方案的用于车辆的异常分析系统100a中，通信模块51a经由网络50a从服务器30a下载周期性更新的训练数据。服务器30a是包括异常原因估计单元30的计算机。服务器30a访问包括训练数据的数据库20a，分析异常，并将需要数据添加到训练数据，并从训练数据删除不需要的数据。

在车辆70中，利用通信模块51a从服务器30a周期性地下载训练数据，以更新车辆70中的训练数据。因为在数据库20a中存储了巨量的数据，所以通信模块51a可以仅下载针对由因素识别信息提取单元10执行的因素识别信息的提取所选择的训练数据。

其他部件与以上参考图1至4所述的那些相同。ECU 60可以由在车辆中的位置或其中存储的控制值的类型不同的多个ECU(例如，ECU 61和ECU 62)形成。当检测到车辆的异常时，与车辆状态值相关的数据从ECU 61和62每个传递至因素识别信息提取单元10。因素识别信息提取单元10利用更新的因素识别信息数据11a、基于检测到的车辆状态值来识别异常的因素，并提取与识别到的因素相对应的因素识别信息。利用通信模块51a将由因素识别信息提取单元10提取的因素识别信息经由网络50a传递至车辆外部诊断单元40a的服务器30a。

在车辆外部诊断单元40a中，包括异常因素估计单元的服务器30a通过利用数据库20a中的训练数据的基于因素识别信息而识别的部分执行数据挖掘，来详细分析异常的原因。如上所述，将采取的措施取决于异常是暂时异常还是故障而不同。

在如图5所示的本发明的实施例的修改方案中，使用网络50a。这可以在车辆70中利用最近的训练数据来提取因素识别信息。

接着，将参考图6描述利用根据本发明的实施例的异常分析系统100或根据本发明的实施例的修改方案的异常分析系统100a执行的用于车辆的异常分析方法的流程。图6是示出用于根据本发明的异常分析方法的流程的视图。

在步骤(此后，称为“S”)100，判定车辆70中是否已经发生异常。例如，如上参考图1所示，基于各种传感器检测到的值，来判定是否发生异常。如果判定为车辆70中尚未发生异常，则例程结束，并再次执行S100。另一方面，如果在S100中判定已经发生异常，则执行S110。

在S110，提取因素识别信息。更具体而言，由因素识别信息提取单元10基于在异常发生时由每个ECU 60记录的各个车辆信息，来提取与异常的因素相关的因素识别信息，并将与异常的因素相关的因素识别信息与各个车辆信息中包括的车辆状态值一起记录。

在S120，将车辆70置于汽车经销商处。因此，可以基于由因素识别信息提取单元10提取的因素识别信息和车辆状态值来分析异常的原因。

在S130，将由因素识别信息提取单元10提取的因素识别信息从车辆70传递至车辆外部诊断单元40，并且车辆外部诊断单元40检查接收到的因素识别信息的识别符号(其为F1至F5和Fx中之一)。车辆外部诊断单元40包括数据库20，数据库20具有其中存储了异常的原因和异常发生时的车辆状态值的数据组。车辆外部诊断单元40中的异常原因估计单元30可以识别所接收到的因素识别信息的识别符号。

在S140，异常原因估计单元30选择数据库20中的数据组21至26中包括与从识别符号F1至F5和Fx中选择的识别符号相对应的训练数据的一个数据组。在此步骤中，从包括多个数据组21至26的数据库20选择与所提取的因素识别信息对应的数据组。

在S150，异常原因估计单元30利用从数据组21至26中选择的数据组来估计异常的原因。用于估计异常的原因的异常分析可以例如通过数据挖掘来执行。仅利用从数据组21至26中选择的数据组来执行用于判定异常的原因的处理。当S150完成时，由根据本发明的实施例的异常分析系统100或根据本发明的实施例的修改方案的异常分析系统100a执行的例程完成。但是，在S150完成之后，根据异常原因的估计结果来选择S160至S190之一，并执行所选择的步骤。

如果在S150估计异常的原因是部件故障，则执行S160。在S160，对被判定为故障部件的部件进行修理。因此，可以排除由于该故障导致的异常。

如果在S150估计异常的原因是部件的劣化，则执行S170。在S170，对被估计为劣化的部件进行检查。根据部件的劣化程度，应该更换或调节部件。

如果在S150估计异常是由于行驶状态、由用户执行的误操作或处理负荷的过度升高导致的暂时异常，则基于异常的原因选择S180或S190，并执行所选择的步骤。

在S180，对设计进行修改。当认为异常是由于设计问题引起的，则修改设计以提高可用性，使得异常不容易发生。

在S190，对用户进行解释。当由于由用户执行的误操作或由于恶劣的行驶状态导致暂时异常发生时或者当处理负荷超过限制时，用户使用车辆的方式可能不适当，用户应该加深他/她对如何使用车辆的理解。在此情况下，应该对用户进行解释，引起他/她的注意，使得不发生异常。

在流程图中，S100至S150被包括在由根据本发明的实施例的异常分析系统100或根据本发明的实施例的修改方案的异常分析系统100a执行的例程中，并且S160至S190是附加步骤的示例。从S100至S190中，根据本发明的用于车辆的异常分析方法需要包括S110和S130至S150。在流程图所示的示例中，车辆70被置于汽车经销商处，并由车辆外部诊断单元40详细分析异常。可选地，可以利用通信单元50在控制中心处分析异常。

虽然已经参考示例实施例描述了本发明，但是应该理解，本发明不限于示例实施例。相反，本发明意在覆盖各种修改方案和等同设置。此外，虽然以作为示例的各种组合和构造示出了示例实施例的各种元件，但是包括更多、更少或仅单个元件的其他组合和构造也落在本发明的范围内。

Claims (14)

1.一种用于车辆(70)的异常分析系统(100，100a)，当基于表示所述车辆(70)的状态的车辆状态值检测到所述车辆(70)的异常时，所述异常分析系统估计所述车辆(70)的异常的原因，所述异常分析系统包括：

因素识别信息提取单元(10)，其基于所述车辆状态值提取用来识别所述异常的因素的因素识别信息；

数据库(20，20a)，其包括数据组(21，22，23，24，25，26)，所述数据组与所述因素识别信息各自的类别(F1，F2，F3，F4，F5，Fx)对应，并存储异常的原因和所述异常发生时的车辆状态值；以及

异常原因估计单元(30，30a)，其利用与由所述因素识别信息提取单元(10)提取的所述因素识别信息的类别对应的所述数据组，来执行用于估计所述车辆(70)的异常的原因的处理。

2.根据权利要求1所述的异常分析系统，其中：

所述因素识别信息提取单元(10)安装在所述车辆(70)中；并且

所述数据库(20，20a)和所述异常原因估计单元(30，30a)形成为车辆外部诊断单元(40，40a)并设置在所述车辆(70)的外部。

3.根据权利要求2所述的异常分析系统，其中，在估计所述车辆(70)的异常的原因时，所述因素识别信息提取单元(10)和所述异常原因估计单元(30)经由连接线彼此连接。

4.根据权利要求2所述的异常分析系统，还包括：

通信单元(50，50a)，其将由所述因素识别信息提取单元(10)提取的所述因素识别信息传送至所述车辆外部诊断单元(40，40a)。

5.根据权利要求2所述的异常分析系统，其中，所述数据库(20，20a)中的每个所述数据组包括训练数据。

6.根据权利要求5所述的异常分析系统，其中：

通信模组(51a)设置在所述车辆(70)中；并且

通过所述通信模组(51a)将所述训练数据下载到所述因素识别信息提取单元(10)。

7.根据权利要求6所述的异常分析系统，其中：

选择所述训练数据中用于由所述因素识别信息提取单元(10)执行对所述因素识别信息的提取的部分；并且

将所述训练数据的被选择的部分下载到所述因素识别信息提取单元(10)。

8.根据权利要求1至7中任一项所述的异常分析系统，其中，所述因素识别信息的类别(F1，F2，F3，F4，F5，Fx)包括与既不是部件故障也不是系统故障的暂时异常相关的信息的类别(F1，F2，F3，F4，F5)。

9.根据权利要求8所述的异常分析系统，其中：

所述因素识别信息提取单元(10)在提取与所述部件故障或所述系统故障相关的因素识别信息之前执行用于提取与所述暂时异常相关的因素识别信息的处理；并且

所述因素识别信息提取单元(10)将未被归类为与所述暂时异常相关的因素识别信息的类别(F1，F2，F3，F4，F5)的车辆状态值提取作为与所述部件故障或所述系统故障相关的因素识别信息。

10.根据权利要求8所述的异常分析系统，其中：

所述因素识别信息提取单元(10)执行用于提取与所述暂时异常相关的因素识别信息的处理；

当作为用于提取与所述暂时异常相关的因素识别信息的处理的结果提取到所述因素识别信息时，所述因素识别信息提取单元(10)判定为所述异常是所述暂时异常；并且

当作为用于提取与所述暂时异常相关的因素识别信息的处理的结果未提取到所述因素识别信息时，所述因素识别信息提取单元(10)判定为所述异常的因素是所述部件故障或者所述系统故障。

11.根据权利要求10所述的异常分析系统，其中，当所述异常的因素是所述部件故障或者所述系统故障时赋予用于估计所述异常的原因的处理的优先级不同于当所述异常是所述暂时异常时赋予用于估计所述异常的原因的处理的优先级。

12.根据权利要求11所述的异常分析系统，其中，当所述异常的因素是所述部件故障或者所述系统故障时，将高的优先级赋予用于估计所述异常的原因的处理。

13.根据权利要求1所述的异常分析系统，其中，所述数据库(20，20a)中的每个所述数据组(21，22，23，24，25，26)包括训练数据。

14.一种用于车辆(70)的异常分析方法，所述异常分析方法用于当基于表示所述车辆的状态的车辆状态值检测到所述车辆(70)的异常时，估计所述车辆的异常的原因，所述异常分析方法包括以下步骤：

基于所述车辆状态值提取用来识别所述异常的因素的因素识别信息；

从包括数据组(21，22，23，24，25，26)的数据库(20，20a)选择与所提取的因素识别信息的类别对应的所述数据组，所述数据组与所述因素识别信息各自的类别(F1，F2，F3，F4，F5，Fx)对应并存储所述异常的原因和所述异常发生时的车辆状态值；以及

利用所选择的数据组，来估计所述车辆(70)的异常的原因。

Images