CN102177049B - 用于车辆故障诊断的基准值的生成 - Google Patents

Abstract

利用日常在市区等行驶的通常车辆所蓄积的出现问题时等的行驶数据来生成正常运转时的数据。在车辆出现问题时，将该车辆的电子控制装置(ECU)的存储装置所保存的时序ECU数据与基准值比较，进行该车辆的故障诊断，该时序ECU数据与出现问题时的多个运转参数相关。逐次蓄积而保存从多个车辆获得的所述时序ECU数据，生成所蓄积的时序ECU数据的数值矢量。对数值矢量进行聚类，分类为与特征对应的多个聚类，在多个聚类中分别按照各个运转参数，针对该参数的值，求出出现频度高的值的范围，将所获得的出现频度高的值的范围作为运转参数的正常值的范围进行保存，正常值的范围作为故障诊断用的基准值。

Description

用于车辆故障诊断的基准值的生成

技术领域

本发明涉及如下内容：在车辆运转中收集各车辆电子控制装置(ECU：ElectronicControl Unit)的存储装置所保存的数据，生成作为故障诊断基准的各种运转参数的正常值数据。

背景技术

作为诊断汽车等车辆的故障的工具的诊断装置已被众所周知。近年来，正在研究在诊断器中使用将过去产生的故障信息登记到数据库中来推定新产生的故障原因的所谓专家系统(expert system)。专家系统包括：将人类的经验知识预先登记到数据库内进行检索的规则库型推论方式；和预先学习正常时或故障时的系统动作，通过仿真来查找故障原因的模型库型推论方式。

前者的方式的构造简单且可期待较高的可靠性，但很难使知识规则化，从而每当在作为对象的系统中施加变更时都需要追加或修正规则。

另一方面，在后者的方式中，即使操作人员不具有充分的经验和知识也能够推定故障部位，对于作为对象的系统的变更也能够期待某种程度的通用性。尤其是比较在相同运转环境条件下的正常时数据与故障时数据的方法是发现问题原因的最有效手段之一。

但是，在车辆的运转中存在各种的环境条件及行驶模式，可取得大多运转参数的正常值范围也分别可能根据其各个状况而变化，所以为了在彼此相同的条件下进行数据比较来获得用于进行准确判断的正常值数据，需要预先收集在各个运转状况下的正常时数据。

因此，需要利用设有运转数据蓄积装置的专用测试车辆来进行大量的行驶测试，从而在数据的收集、蓄积中需要大量的劳力。

在日本特开昭62-261938(专利文献1)中记载了如下的诊断装置，该诊断装置具备：知识数据存储单元，其针对故障的症状和与其对应原因之间的关系存储正确的信息；以及特殊情况存储单元，其存储不确定的信息。

另外，在日本特开平6-95881(专利文献2)中记载了如下的情况：分析设计数据及过去的故障数据，将其作为前向推论方式的EMEA输入至关系数据库，并生成修正EMEA，生成事件序列图，生成故障搜索树，用于参考规则库，并对专家的专门知识进行数值化，生成规则库。

专利文献

专利文献1：日本特开昭62-261938

专利文献2：日本特开平6-95881

发明内容

发明解决的问题

取代通过设有运转数据蓄积装置的测试车辆的行驶来收集数据，而是只要能够从日常在市区等行驶的通常车辆中获得大量运转数据，则不需要通过测试车辆行驶来收集数据。

但是，在通常车辆中进行的运转数据的蓄积仅限于在产生故障时作为诊断用信息记录到ECU内的故障产生时数据。

但是，这样地作为故障产生时数据记录/蓄积到ECU内的数据是各种运转参数的集合体，在大多数情况下，虽然与故障相关的一部分参数为异常值，但其他的大多参数都是正常值。

因此，本发明的目的在于，提供利用日常在市区等行驶的通常车辆所蓄积的故障产生时等的行驶数据来生成正常运转时数据的装置。

用于解决课题的手段

为了解决上述课题，本发明提供基准值生成装置，其用于故障诊断，该故障诊断是在车辆出现问题时，将该车辆的电子控制装置(ECU)的存储装置所保存的时序ECU数据与基准值比较，进行该车辆的故障诊断，该时序ECU数据与出现问题时的多个运转参数相关。该基准值生成装置具有：蓄积装置，其逐次蓄积而保存从多个车辆获得的所述时序ECU数据；生成所述蓄积装置所蓄积的时序ECU数据的数值矢量的单元。

对所述数值矢量进行聚类，分类为与特征对应的多个聚类，在所述多个聚类中分别按照各个运转参数，针对该参数的值，求出出现频度高的值的范围，将所述频度计算单元所获得的出现频度高的值的范围作为所述运转参数的正常值的范围进行保存的单元，所述正常值的范围作为故障诊断用的基准值。

在一实施方式中，所述生成数值矢量的单元将所述时序ECU数据分割为多个时间段，生成每个时间段的所述数值矢量。对每个所述时间段的数值矢量进行聚类。

附图说明

图1是示出本发明的一实施例的装置的整体结构的图。

图2是示出基准值生成过程的流程的图。

图3是示出表示运转参数的特征量的数值矢量的图。

图4是示出特征量数值的出现频度的直方图。

具体实施方式

接着，参照附图，对本发明的实施方式进行说明。图1示出作为本发明前提的汽车的电子控制系统所包含的数据收集装置14。车载网络11是用于进行安装在车辆内的多个电子控制单元(ECU)之间的通信的网络。在该实施例中，网络被分成F系统和B系统这两个系统，但也可以是1个系统的网络。F系统的网络是用于在进行发动机的燃料喷射控制和点火时期控制等的ECU、进行传动控制的ECU、进行制动控制的ECU等所谓控制系统的多个ECU之间进行通信的网络。B系统的网络是用于在控制电动车窗及门锁的ECU、控制车灯的ECU、控制空调等电器制品的ECU等所谓车体电器系统的多个ECU之间进行通信的网络。ECU基本上是计算机，由微型处理器和通信模块构成。

F系统的网络将车速数据11A、发动机水温数据11B、发动机转速数据11C等控制系统的数据、以及表示ECU检测出的问题的故障代码11E发送至数据收集装置14。B系统的网络将表示空调等附件(ACC)的状态的数据11F等来自车体电器系统的ECU的数据、以及表示ECU检测出的问题的故障代码11G发送至数据收集装置14。

数据收集装置14自身是ECU。数据收集装置14由以微型处理器为主的控制器14H进行控制。接收部14A从车载网络11逐次接收表示车辆状态的最新数据，控制器14H逐次将该数据临时存储到车辆状态数据存储器14B内。车辆状态数据存储器14B是随机访问存储器(RAM)，例如存储有20秒的规定时间长度的最新数据，按照先进先出(FIFO)的移位寄存器方式，例如以0.2秒的间隔使用新数据进行改写。

非易失性存储器14D由即使在电源关闭时也从电池接受维持电流的供给来维持存储的备用存储器、或EEPROM等可改写的ROM等构成。控制器14H在接收到故障代码(DTC，Diagnosis Trouble Code)时，从车辆状态数据存储器14B读出产生故障代码前的15秒内的数据并保存到非易失性存储器14D内。该数据被称为车载快照(OBS：on-board snap shot)。每当产生了故障代码时执行此处理，非易失性存储器14D与多个故障代码对应地保存多个OBS。

当为了检查、修理此车而驶入服务店时，服务人员将故障诊断器16的连接端子与ECU的输出端子连接，将非易失性存储器14D所保存的数据读取到诊断器中，利用诊断器，进行故障诊断。

另一方面，将已读取的非易失性存储器14D所保存的数据作为本发明应用对象即行驶数据蓄积到数据蓄积装置20内。与数据蓄积装置20相关联地设置有基准数据生成装置30。

此外，也可以将非易失存储器14D所保存的数据从车载的通信装置发送至数据蓄积装置20，而不必等待车驶入服务店内。

表1示出与1个故障代码的产生对应地保存到非易失性存储器14D内的OBS的一例。在该例中，作为运转参数，示出了R(发动机转速)、V(车速)以及T(发动机的冷却水温度)，但是，在OBS中包含与空燃比传感器的输出值、氧传感器的输出值、燃料喷射时间、空燃比等多个(根据车种而不同，例如50～60)参数相关的数据。

关于时间，将产生故障代码时作为基准的0秒，使用负符号表示依次倒退0.2秒的时间。

[表1]

这里，说明从OBS中提取数据的基准值(正常值)的考虑方法。即使是在产生故障代码时所保存的OBS数据，与问题无关的参数值也是正常的。另外，可认为即使是与问题相关的参数值，在产生问题前的15秒内也有部分是正常的。因此，当针对多个问题收集OBS数据进行统计处理时，异常值被多个正常值削弱或排除，结果能够提取正常运转时的参数值。

为了达到该目的，采样数越多越好。在此实施例中，将采样的车的台数设为13000，以上述方式从实际在市内行驶的一般用户的车中获得OBS数据。

可认为提取对象的正常值范围是按照每个“某状态(某运转条件下)”而存在的。因此，如果将处于近似状态的OBS数据归纳为聚类(集团)并按照每个聚类来提取适当值的范围，则能够提取每个“某状态”的正常值范围。

具体而言，采用聚类方法将近似的OBS数据作为聚类(集合)进行分类。按照每个聚类来提取参数的适当值范围，将其作为用于在故障诊断时参照的基准值。

聚类是在没有外部基准的情况下对数据进行分组化的数据分析方法，在本实施例中采用被称为K-means法的方法。作为考虑方法，将数据描绘在与参数的个数对应的维数的空间内，根据其距离来对数据进行分类。

基准数据生成装置30针对一个车种，例如收集来自13000台车的OBS(1个/台的情况)。

接着，按照“发动机转速：R”“车速：V”“冷却水温：T”这3个参数的特征量将其收集的OBS数据聚类为“20”。(一次聚类)

并且，针对通过一次聚类而提取出的“20”的聚类，按照全部参数进一步聚类为“30”，提取“600”的聚类即运转条件。(二次聚类)

一次聚类是利用在与问题的出现相关的运转参数中的、被认为依赖度特别大的“发动机转速：R”“车速：V”“冷却水温：T”这3个参数进行的粗略聚类，首先，从各个OBS中提取3个运转参数的特征量。

参照图2以及图3来说明基准值生成的实施例。首先，生成运转参数的特征量的数值矢量(31)。作为特征量，在此例中采用每3秒内的参数的平均值、最大值、最小值、斜率的平均值。作为特征量，除了上述之外，还可从在统计数学中采用的标准偏差、振幅值、频率、最小斜率、最大斜率、偏度、峰度等中选择适合车辆运转参数分析的特征量来使用。从n台(n是1～13000)中获得的OBS数据的参数用Rn、Vn、Tn表示，平均值用Rn_av、Vn_av、Tn_av表示，最大值用Rn_mx、Vn_mx、Tn_mx表示，最小值用Rn_mn、Vn_mn、Tn_mn，表示，斜率(inclination)的平均值用Rn_in、Vn_in、Tn_in表示。

此外，这里所述的斜率是车辆在加速中、减速中的程度、或者作为处于巡航(cruise)运转(定速运转)中的判断指标的重要特征量，该斜率是通过对参数值f(x)相对于时间经过(h)的变化量进行微分而获得的值，用下式表示。在数字化运算中，可通过参数值f(x)的差分运算来求出。

[式1]

$\lim \frac{f(x+h)-f\left(x\right)}{h}$

参照图3，在第1时间段(-14.8～-12.0秒)中，针对参数Rk，生成该时间段中的平均值Rn_av-1、最大值Rn_mx-1、最小值Rn_mn-1以及斜率的平均值Rn_in-1。同样，针对参数V，生成平均值Vn_av-1、最大值Vn_mx-1、最小值Vn_mn-1、斜率的平均值Vn_in-1，针对参数T，生成Tn_av-1、Tn_mx-1、Tn_mn-1、Tn_in-1。针对第2时间段(-11.8～-9.0秒)、第3时间段(-8.8～-6.0秒)、第4时间段(-5.8～-3.0秒)以及第5时间段(-2.8～0秒)，也同样地计算表2所示的特征量。

在此实施例中，利用1次聚类，将“发动机转速：R”“车速：V”“冷却水温：T”这3个参数(Rn、Vn、Tn)在上述5个时间段各自中的数值矢量分类为例如20个1次聚类Dj(33)。作为初始条件，随机规定核心矢量，该核心矢量是20个1次聚类的中心。也可以根据有限数量的实验数据，按照经验规则来规定核心矢量的初始值。当将j设为1～20的整数、将作为第j个聚类的中心的核心矢量表示为(R_av-cj、R_mx-cj、R_mn-cj、R_in-cj、V_av-cj、V_mx-cj、V_mn-cj、V_in-cj、T_av-cj、T_mx-cj、T_mn-cj、T_in-cj)时，利用下式来计算上述表的第1时间段的数值矢量与20个聚类Dj各自的核心矢量之间的曼哈顿距离D1nj。

D1nj＝|Rn_av-1-R_av-cj |+|Rn_mx-1-R_mx-cj|+|Rn_mn-1-R_mn-cj|+|Rn_in-1-R_in-cj|

+|Vn_av-1-V_av-cj|+|Vn_mx-1-V_mx-cj|+|Vn_mn-1-V_mn-cj|+|Vn_in-1-V_in-cj|

+|Tn_av-1-T_av-cj|+|Tn_mx-1-T_mx-cj|+|Tn_mn-1-T_mn-cj|+|Tn_in-1-T_in-cj|        (1)

关于第1时间段中的1个数值矢量(Rn、Vn、Tn)，针对j＝1、2、3....20进行(1)式的运算，求出曼哈顿距离，使该数值矢量(Rn、Vn、Tn)归属于成为最小值的核心矢量的聚类Dj。针对n＝1、2、3、.....、13000进行同样的运算，使各个数值矢量(Rn、Vn、Tn)归属于到达核心矢量的曼哈顿距离最小的聚类Dj。这样，将从n台车获得的OBS数据的第1时间段的数值矢量分类为20个聚类Dj。

对于第2时间段，也同样利用下式来计算上述表的第2时间段的数值矢量与第2时间段的聚类D2j之间的曼哈顿距离D2nj。

D2nj＝|Rn_av-2-R_av-cj|+|Rn_mx-2-R_mx-cj|+|Rn_mx-2-R_mx-cj|Rn_mx-2-r_mx-cj|+|Rn_in-2-R_in-cj|

+|Vn_av-2-V_av-cj|+|Vn_mx-2-V_mx-cj|+|Vn_mn-2-V_mn-cj|+|Vn_in-2-V_in-cj|

+|Tn_av-2-T_av-cj|+|Tn_mx-2-T_mx-cj|+|Tn_mn-2-T_mn-cj|+|Tn_in-2-T_in-cj|           (2)

根据曼哈顿距离，将从n台车获得的OBS数据的第2时间段的数值矢量分类为20个1次聚类Dj。同样，将第3时间段的数值矢量分类为20个1次聚类Dj，将第4时间段的数值矢量以及第5时间段的数值矢量分别分类为20个1次聚类Dj。

然后，针对20个1次聚类Dj分别计算归属的数值矢量的平均值，将该平均值设为各聚类的核心矢量。采用这样更新的核心矢量来再次执行上述聚类。当通过第2次的聚类更新了各聚类的核心矢量时，利用所更新的核心矢量进一步进行第3次的聚类。执行这种反复处理，直至核心矢量收敛、或者完成了预先设定的试行次数为止。

有时收敛的方式根据初始设定的核心矢量而不同，所以例如可随机准备10个不同的初始设定，利用各个初始设定来反复进行聚类，并采用最好地收敛的试行的聚类结果。这样，可针对20个1次聚类Dj分别获得最终的核心矢量(重心)。

利用该最终的核心矢量来执行20个1次聚类的聚类，完成65000个数据(13000台×5个/台)的1次分类。因为采用重要度最高的运转参数来执行1次分类并对近似度高的数值矢量进行分组化，所以全部数据首先大致按照重要度高的运转状态的每个差异进行分组化。因此，分别与差异较大的运转状态的情况对应地形成了各个组即聚类。

然后，转移到2次聚类(35)。在2次聚类中，在20个1次聚类Dj中分别针对该聚类所包含的全部参数的OBS数值矢量(将图3的数值矢量扩展为全部参数)进一步进行聚类，将各1次聚类分类为30个2次聚类。即，将与各个不同的运转状态对应的20个1次聚类分别细分为30个2次聚类。

对各个1次聚类进行2次聚类来形成30个2次聚类，所以在整体中获得600个(20x 30)2次聚类。各个OBS数值矢量(在实施例中为65000个的数据)归属于该600个2次聚类的一个。

用于2次聚类的30个2次聚类的核心矢量的初始值可与1次聚类同样地随机规定。也可以根据过去的数据按照经验规则来规定该初始值。关于该核心矢量，利用与1次聚类相同的方法进行更新，求出最终的核心矢量，利用30个最终的核心矢量进行最终的聚类来形成600个2次聚类。

然后，转移到频度计算步骤37，根据这样获得的600个2次聚类的数据，按照每个参数，生成将横轴作为参数值、将纵轴作为数据个数的分成20份的直方图(图4(A))。去掉纵轴值为规定值(例如整体的a％)以下的等级(图4(B))，对于剩下的等级，将相邻等级归纳为组，以归属于组的数据个数为b％以上的方式进行分组(图4(C))。该处理针对每个聚类即600个2次聚类分别地执行。

此时，根据聚类的参数残差来调整a％、b％的值，该参数残差是2次聚类内的OBS数据的分布基准。参数残差是评价数值矢量的各个参数值与该数值矢量所属的组的重心即核心矢量偏离多少的值。在该实施例中，关于各个数值矢量，求取与其所属的聚类的重心之差，利用其方均值(平方和的平方根)来表示残差。因为单纯的差具有正或负的符号，所以为了观察差的大小而采用方均值。

越是参数残差大、分布广的参数，则越减少a％、b％，提取较大的正常值范围(图4(D))。

采用简单的例子对与图4关联地说明的方法进行更具体的说明。针对包含在某一聚类内的全部数值矢量生成图3中每列(参数)的直方图。例如，假设针对某运转参数的特征量之一，获得了表2所示的直方图。如果该聚类中包含100个数值矢量时，累计数总共为100。

[表2]

列的值的范围	累计数
		0.0-0.1	22
0.1-0.2	0
		0.2-0.3	0
0.3-0.4	18
		0.4-0.5	3O
0.5-0.6	14
		0.6-0.7	2
0.7-08	0
		0.8-0.9	9
0.9-1.0	5

删除累计数为累计总数的a％以下的棒。现在，如果把a％设为1％，则删除累计数为1以下的棒，所以剩下表3的棒。在图4的例子中，从图4(A)的直方图转移至图4(B)的直方图。

[表3]

列的值的范围	累计数
		0.0-0.1	22
0.3-0.4	18
		04-05	30
0.5-0.6	14
		0.6-0.7	2
08-0.9	9
		0.9-1.0	5

在剩余的棒中，将相邻的棒组合来进行分组化。在此例中，如表4那样进行分组化。

[表4]

组ID	列的值的范围	累计数
			1	00-0.1	22
2	0.3-0.7	64
			3	0.8-1.0	14

删除在这样生成的组中的累计数为累计总数的b％以下的组。例如，如果删除20％以下的组，则删除组ID为3的组，剩下表5的组。在图4的例子中，从图4(B)的直方图转移至图4(C)的直方图。

[表5]

组ID	列的值的范围	累计数
			1	0.0-0.1	22
2	0.3-0.7	64

接着，转移至基准值设定步骤39，将这样剩下的组中的列即运转参数特征量的范围设为正常值的范围。在此例中，0.0-0.1以及0.3-0.7是正常值的范围。为了简化数据处理，将正常值的范围合并成一个，作为在故障诊断中使用的基准值的范围。在此例中，基准值的范围是0.0-0.7。在图4的例子中，从图4(C)转移至图4(D)。

如上所述，在本实施例中可生成600个运转状况不同的条件下的各运转参数的正常值范围。

为了利用该正常值数据进行故障车辆的诊断，首先，由诊断器读取故障车辆的诊断对象ECU数据，从正常值数据(作为不同运转状况的600个运转状况数据)中检索最类似的运转状况数据。接着，通过比较该检索结果的正常值数据与诊断对象的ECU数据，能够在相同的运转条件下判别各运转参数中的哪个参数偏离了基准值(正常值范围)，根据该判别来查找出现问题的位置。

此外，最类似的运转状况数据的检索方法多种多样，作为一例，如本实施例所说明的那样，计算ECU数据的各运转参数的特征量，从600个正常值数据中近似地检索与该ECU数据类似的正常值数据，由此能够选择作为对象的正常值数据。

以上针对具体的实施例说明了本发明。本发明不限于该实施例。

标号说明

14 数据收集装置

16 诊断器

20 数据蓄积装置

30 基准数据生成装置

Claims (16)

1.一种生成基准值的系统，该基准值用于车辆的故障诊断，该故障诊断是在车辆出现问题时，将该车辆的电子控制装置(ECU)的存储装置所保存的多个运转参数的OBS数据与所述基准值比较，进行该车辆的故障诊断，该系统具有：

蓄积装置，其蓄积而保存从出现问题的多个车辆读取的所述OBS数据；以及

基准值生成单元，

该基准值生成单元被配置成：

利用所述蓄积装置所蓄积的所述OBS数据来生成每个规定时间段的所述运转参数的数值矢量，

使用包含在所述数值矢量中的所述运转参数的特征，使所述数值矢量归属于多个聚类，

在每个聚类中分别按照各个运转参数，针对该相应的参数的值，识别出现频度高的值的1个以上的范围，

将所述值的范围作为表示确定的运转状况的相应的聚类中的所述运转参数的正常值的范围进行保存，

由此，从所述多个车辆读取的所述OBS数据中包含的异常值在被削弱或被排除的状态下保存，

将该保存的所述正常值的范围作为用于对在成为诊断对象的车辆出现问题时存储在该车辆的所述存储装置中的所述OBS数据进行诊断的故障诊断用的所述基准值来使用。

2.根据权利要求1所述的系统，其中，

所述运转参数包括车辆出现问题之前的规定时间段内的发动机转速、车辆速度以及冷却水温中的至少一个。

3.根据权利要求2所述的系统，其中，

所述基准值生成单元还被配置为按照每个记录将所述OBS数据分割为多个时间段，按照每个时间段计算所述运转参数的特征，生成该特征的数值矢量。

4.根据权利要求3所述的系统，其中，

所述基准值生成单元还被配置为计算每个时间段的所述特征的所述数值矢量与具有初始值的核心矢量的第1多个的聚类之间的距离，使所述特征的各数值矢量归属于与所述特征的所述数值矢量最接近的第1聚类，生成所述第1多个的聚类。

5.根据权利要求4所述的系统，所述基准值生成单元还被配置为

a)按照每个所述第1聚类，求取归属于所述聚类的所述特征量的所述数值矢量的均值，利用该均值来置换所述相应的第1聚类的所述核心矢量的所述初始值，

b)计算每个所述时间段的每个记录中的所述运转参数的所述数值矢量与每个所述第1聚类的所述核心矢量之间的距离，使各数值矢量归属于与所述数值矢量最接近的第1聚类，更新所述第1多个的聚类。

6.根据权利要求5所述的系统，其中，

c)反复所述a)以及b)的处理，直至所述核心矢量的中心收敛、或完成了预定的试行次数为止。

7.根据权利要求6所述的系统，其中，

针对规定的一个或多个运转参数，使数值矢量归属于所述第1多个的聚类，关于所述第1多个的聚类，针对更多的运转参数，按照所述第1聚类中的每一个，2次聚类为第2多个的聚类。

8.根据权利要求7所述的系统，其中，

针对每个第2聚类的所述数值矢量计算每个所述运转参数的出现频度，将出现频度高的数值范围作为所述相应的运转参数的基准值。

9.一种生成基准值的方法，该基准值用于车辆的故障诊断，该故障诊断是在车辆出现问题时，将该车辆的电子控制装置(ECU)的存储装置所保存的多个运转参数的OBS数据与所述基准值比较，进行该车辆的故障诊断，该方法包括以下步骤：

从出现问题的多个车辆读取所述OBS数据，蓄积而保存在蓄积装置中；

利用蓄积在所述蓄积装置中的所述OBS数据来生成每个规定时间段的所述运转参数的数值矢量；

使用包含在所述数值矢量中的所述运转参数的特征，使所述数值矢量归属于多个聚类；

在每个聚类中分别按照各个运转参数，针对该相应的参数的值，识别出现频度高的值的1个以上的范围；以及

将所述值的范围作为表示确定的运转状况的相应的聚类中的所述运转参数的正常值的范围进行保存，

由此，从所述多个车辆读取的所述OBS数据中包含的异常值在被削弱或被排除的状态下保存，

将该保存的所述正常值的范围作为用于对在成为诊断对象的车辆出现问题时存储在该车辆的所述存储装置中的所述OBS数据进行诊断的故障诊断用的所述基准值来使用。

10.根据权利要求9所述的方法，其中，

所述运转参数包括车辆出现问题之前的规定时间段内的发动机转速、车辆速度以及冷却水温的至少一个。

11.根据权利要求10所述的方法，其中，该方法还包括如下步骤：

按照每个记录将所述OBS数据分割为多个时间段，按照每个时间段计算所述运转参数的特征，生成该特征的数值矢量。

12.根据权利要求11所述的方法，其中，该方法还包括如下步骤：

计算每个时间段的所述特征的所述数值矢量与具有初始值的核心矢量的第1多个的聚类之间的距离，使所述特征的各数值矢量归属于与所述特征的所述数值矢量最接近的第1聚类，生成所述第1多个的聚类。

13.根据权利要求12所述的方法，其中，该方法还包括如下步骤：

a)按照每个所述第1聚类，求取归属于所述聚类的所述特征量的所述数值矢量的均值，利用该均值来置换所述相应的第1聚类的所述核心矢量的所述初始值，

b)计算每个所述时间段的每个记录中的所述运转参数的所述数值矢量与每个所述第1聚类的所述核心矢量之间的距离，使各数值矢量归属于与所述数值矢量最接近的第1聚类，更新所述第1多个的聚类。

14.根据权利要求13所述的方法，其中，

c)反复所述a)以及b)的处理，直至所述核心矢量的中心收敛、或完成了预定的试行次数为止。

15.根据权利要求14所述的方法，其中，

针对规定的一个或多个运转参数，使数值矢量归属于所述第1多个的聚类，关于所述第1多个的聚类，针对更多的运转参数，按照所述第1聚类中的每一个，2次聚类为第2多个的聚类。

16.根据权利要求15所述的方法，其中，

针对每个第2聚类的所述数值矢量计算每个所述运转参数的出现频度，将出现频度高的数值范围作为所述相应的运转参数的基准值。