CN117120307A - 车辆异常检测装置及车辆异常检测方法 - Google Patents
车辆异常检测装置及车辆异常检测方法 Download PDFInfo
- Publication number
- CN117120307A CN117120307A CN202180096119.1A CN202180096119A CN117120307A CN 117120307 A CN117120307 A CN 117120307A CN 202180096119 A CN202180096119 A CN 202180096119A CN 117120307 A CN117120307 A CN 117120307A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- abnormality
- detection data
- data
- detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 253
- 230000005856 abnormality Effects 0.000 title claims abstract description 197
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000011002 quantification Methods 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 abstract description 8
- 238000003745 diagnosis Methods 0.000 description 20
- 238000000034 method Methods 0.000 description 20
- 230000008439 repair process Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
- B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
- B60R16/023—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements for transmission of signals between vehicle parts or subsystems
- B60R16/0231—Circuits relating to the driving or the functioning of the vehicle
- B60R16/0232—Circuits relating to the driving or the functioning of the vehicle for measuring vehicle parameters and indicating critical, abnormal or dangerous conditions
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0237—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on parallel systems, e.g. comparing signals produced at the same time by same type systems and detect faulty ones by noticing differences among their responses
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2637—Vehicle, car, auto, wheelchair
Abstract
本发明的车辆异常检测装置具备:接收部,其接收表示从行驶中的第一车辆检测出异常的异常信息数据、从异常状态的静止中的第一车辆检测出的第一检测数据、从静止中的第二车辆检测出的第二检测数据;存储部,其将异常信息数据与第一检测数据进行关联并存储;异常判断部,其使用第一检测数据及第二检测数据来判断第二车辆是否存在异常;发送部,其在判断为存在异常的情况下,将异常信息数据发送给第二车辆所具备的通知装置或与第二车辆相关联的通知装置。
Description
技术领域
本发明涉及车辆异常检测装置及车辆异常检测方法。
背景技术
在专利文献1中,公开了检测车辆在行驶中发生的故障的车载装置。该车载装置接收在诊断为车辆发生了故障时继续输出的故障信息,在持续接收到故障信息直至车辆的行驶距离达到规定距离以上的情况下,判断为该故障信息的可靠性高。
现有技术文献
专利文献
专利文献1:(日本)特开2009-227250号公报
发明要解决的课题
但是,为了检测车辆在行驶中被检测出但在停止中不能检测的故障,必须使车辆行驶。因此,浪费了用于使该车辆行驶的能量。
发明内容
本发明是鉴于上述问题而完成的,其目的在于提供一种车辆异常检测装置及车辆异常检测方法,能够不消耗使第二车辆行驶所需的能量而检测出第二车辆的异常。
鉴于上述目的,本发明的一方式的车辆异常检测装置具备:接收部,其接收表示从行驶中的第一车辆检测出异常的异常信息数据、从异常状态的静止中的第一车辆检测出的第一检测数据、从静止中的第二车辆检测出的第二检测数据;存储部,其将异常信息数据与第一检测数据进行关联并存储;异常判断部,其使用第一检测数据和第二检测数据判断第二车辆是否存在异常;发送部,其在判断为存在异常的情况下,将异常信息数据发送到第二车辆所具备的通知装置或与第二车辆相关联的通知装置。
发明效果
根据本发明的一方式,能够不消耗使第二车辆行驶所需要的能量而检测出第二车辆的异常。
附图说明
图1是表示包含第一实施方式的车辆异常检测装置3的车辆异常检测系统的整体结构的块图。
图2A是表示图1的车辆异常检测装置3的动作的一例且使用学习模型计算相似度的例子的流程图。
图2B是表示图1的车辆异常检测装置3的动作的另一例且不使用学习模型而计算相似度的例子的流程图。
图3是表示包含第二实施方式的车辆异常检测装置3的车辆异常检测系统的整体结构的块图。
图4是表示图3的车辆异常检测装置3的动作的一例的流程图。
图5是表示包含第三实施方式的车辆异常检测装置3的车辆异常检测系统的整体结构的块图。
图6是表示图5的车辆异常检测装置3的动作的一例的流程图。
图7是表示包含第四实施方式的车辆异常检测装置3的车辆异常检测系统的整体结构的块图。
图8是表示图7的车辆异常检测装置3的动作的一例的流程图。
图9是表示包含第五实施方式的车辆异常检测装置3的车辆异常检测系统的整体结构的块图。
图10是表示图9的车辆异常检测装置3的动作的一例的流程图。
图11是表示显示装置4的显示画面的例子的图。
具体实施方式
参照附图,对实施方式进行说明。在附图的记载中,对相同部分标注相同符号并省略说明。
(第一实施方式)
参照图1,对包含第一实施方式的车辆异常检测装置3的车辆异常检测系统的整体结构进行说明。车辆异常检测系统具备:在行驶中检测出故障(异常的一例)的故障车辆1、成为故障检测的对象的对象车辆2、进行对象车辆2的故障诊断的车辆异常检测装置3、显示判断结果的显示装置4。
“对象车辆”是由车辆异常检测装置3判断有无故障的车辆,作为其一例,可以列举被放在销售车辆的销售店(包括汽车经销商)的特定用户所拥有的车辆、尚未销售的开发中或实验中的车辆(以下称为“开发车辆”)、以及长期放置而未行驶的车辆。另一方面,“故障车辆”是在进行对象车辆的故障诊断时检测出车辆异常检测装置3使用的数据的车辆。
在所有实施方式中,“异常”不仅包括车辆不正常、即不能发挥车辆本来具备的规定的功能、能力或特性的故障,还包括未达到故障的失调(不正常状态)及故障的征兆。“作为“异常”的一个例子,对“故障”进行说明,但没有将“异常”的意思限定为故障的意图。
故障车辆1和对象车辆2分别具有控制车辆1、2的多个电子控制单元(ECU:Electronic Control Unit)13、14、......、23、24、......,在车辆1、2的控制中,在这些多个ECU之间共享数据。作为共享时的通信协议,使用CAN(Controller Area Network)。在汽车中,能够利用经由CAN通信的车载网络,利用在CAN上流动的时间序列数据即CAN消息数据(以下称为CAN数据)来进行故障诊断。
故障车辆1和对象车辆2分别还具有:车辆信号收集部12、22,其收集CAN数据以及ECU13、14、......、23、24、......的输入数据以及输出数据(将它们统称为“检测数据”);发送部11、21,其将检测数据发送给车辆异常检测装置3。ECU包括:网关ECU、车载信息娱乐系统(IVI:in-vehicle infotainment)ECU、远程信息处理控制单元(TCU)、发动机控制ECU、充电控制ECU、动力转向ECU、气囊ECU、混合动力控制ECU、传输控制ECU。
车辆异常检测装置3至少具有:接收部31,其接收从行驶中或停止中(静止中的一例)的故障车辆1及对象车辆2检测出的各种数据;存储部(行驶/停止信号相关数据库34),其存储接收到的数据;异常判断部(第二故障部位确定部35),其使用存储的数据进行对象车辆2的故障诊断;发送部61,其在判断为存在故障的情况下,将表示该情况的数据发送给通知装置(显示装置4)。
接收部31接收表示从行驶中的故障车辆1(第一车辆)检测出异常的异常信息数据以及从发生了故障的状态的静止中的故障车辆1检测出的第一检测数据,并接收从与故障车辆1不同的对象车辆2(第二车辆)即静止中的对象车辆2检测出的第二检测数据。行驶/停止信号相关数据库(DB)34将异常信息数据和第一检测数据进行关联并存储。异常信息数据至少表示从行驶中的故障车辆1检测出异常。行驶/停止信号相关DB34对CAN数据(第一检测数据的一例)附加“故障”的标签(异常信息数据)并进行存储。检测出第一检测数据时的故障车辆1处于故障尚未修理的状态,第一检测数据是在故障车辆1停止中(静止中的一例)检测出的数据。
“停止中”包括车辆未行驶但能够行驶的状态,例如发动机起动的状态、行驶所需的控制单元的电源接通的状态。“静止中”中,除了上述的停止中以外,还包括不能行驶但车载的空调、音响设备以及导航系统的电源接通的状态。
第二故障部位确定部35使用第一检测数据以及第二检测数据,判断从行驶中的故障车辆1检测出的异常是否存在于对象车辆2中。第二故障部位确定部35比较第一检测数据和第二检测数据,判断异常是否存在于对象车辆2中。第二故障部位确定部35在第二检测数据与第一检测数据相似的情况下,判断为在对象车辆2中也发生了与检测出第一检测数据的故障车辆1相同或相似的故障。第二故障部位确定部35使用与第一检测数据相关联的异常信息数据,至少能够确定检测出异常。进而,第二故障部位确定部35也可以确定异常信息数据所包含的、检测出该异常的车辆的部位、发生该异常的车辆的部位、进行更换/修理的部件。
发送部61在判断为对象车辆2存在故障的情况下,向显示装置4发送异常信息数据。显示装置4是通知装置的一例,例如,搭载在对象车辆2的仪表板上的导航系统的操作画面、音响系统或空调的操作画面这样的对象车辆2所具备的装置、及进行对象车辆2的故障诊断的销售店(汽车经销商)内设置的用户界面画面、或者包括与对象车辆2相关联的装置,诸如经销商的销售人员或对象车辆2的用户持有的移动终端的显示屏。在通知装置中,除了显示装置4之外,还包括通过声音传达诊断结果的声音输出装置、通过电子邮件传达诊断结果的邮件发送装置。
第二故障部位确定部35使用从行驶中的故障车辆1检测出异常、从静止中的故障车辆检测出的第一检测数据以及从静止中的对象车辆2检测出的第二检测数据,判断与第一检测数据相关联的异常信息数据所表示的异常是否存在于对象车辆2中。由此,能够使用静止时的检测数据(第一检测数据以及第二检测数据)来判断行驶中检测出的异常的有无。能够使用在静止中检测出的第一和第二检测数据来检测在行驶中存在某种异常但在静止中未发现的异常。即,能够不使对象车辆2行驶而检测出仅在行驶时才能检测出的异常。因此,能够不消耗使对象车辆2行驶所需的能量而保存。另外,即使是开发中或实验中的车辆或长时间放置的车辆,也可以不实际行驶,而保持静止状态,判断在行驶时发生的异常的有无。
车辆异常检测装置3也可以具备:接收部31、第一故障部位确定部32、行驶/停止关联部33、行驶/停止信号相关DB34、第二故障部位确定部35、发送部61。第一故障部位确定部32根据第一检测数据确定故障车辆1的故障部位。例如,第一故障部位确定部32从CAN数据取得故障代码,根据故障代码确定故障车辆1的故障部位。
作为“故障代码”,可以例示由1个字母和4位数字构成的DTC(Diagnostic TroubleCode)。DTC是被编程到控制包括汽车在内的输送设备的多个电子控制单元(ECU)中的自诊断功能(OBD2:On-Board Diagnostics 2)的故障代码。DTC由国际标准规格等标准化,有不依赖于汽车制造商而共同定义的DTC和各汽车制造商自由定义的DTC。在车辆发生故障时,通过由汽车经销商连接故障诊断机(车辆异常检测装置3的一例)来取得DTC,从DTC确定故障部位以及故障原因的至少一方,由此能够更换或修理故障部位。代替故障部位,也可以是故障类别。通过确定故障类别,即使是在各种情况下发生的故障,也能够进行针对该异常类别的修理应对。
行驶/停止关联部33也可以生成将从发生了故障的状态的行驶中的故障车辆1检测出的检测数据(第四检测数据)、第一检测数据、异常信息数据关联起来的教导数据。进而,也可以将从未发生故障的正常状态的停止中的故障车辆1检测出的检测数据(第五检测数据)追加到关联中。也可以将由第一故障部位确定部32确定的故障部位以及故障原因的至少一方与第一检测数据进行关联,生成教导数据。通过增加关联信息,由第二故障部位确定部35确定的信息(故障部位、故障类别、故障原因、行驶时的CAN数据、DTC)也增加。在行驶/停止信号相关DB34中,存储这些教导数据。
第二故障部位确定部35具有学习模型,该学习模型使用由行驶/停止关联部33生成的教导数据,确定故障的有无、故障部位、故障类别、故障原因。这些学习模型可以使用诸如梯度提升、贝叶斯网络、深度学习等机器学习来生成,或者基于规则生成。由此,即使是在各种情况下发生的故障,也能够确定为规定部位的故障。同时能够确定故障原因。
参照图2A,说明图1的车辆异常检测装置3的动作的一例。首先,在步骤S10中,行驶/停止关联部33生成教导数据,进入步骤S20,第二故障部位确定部35使用教导数据生成学习模型。进入步骤S30,第二故障部位确定部35使用学习模型进行对象车辆2的故障诊断,进入步骤S40,发送部61向显示装置4发送诊断结果。
对各步骤S10~S40的详细顺序进行说明。在步骤S101中,接收部31从故障车辆1接收从发生了故障的状态的行驶中的故障车辆1检测出的检测数据(第四检测数据)。进入步骤S102,接收部31从故障车辆1接收从发生了故障的状态的停止中的故障车辆1检测出的检测数据(第一检测数据)。
进入步骤S103,如图2A的教导数据D01所示,行驶/停止关联部33将第四检测数据(data1、data2、data3)和第一检测数据(data1’、data2’、data3’)、异常信息数据(故障对象、原因)和从未发生故障的正常状态的停止中的故障车辆1检测出的第五检测数据(data1”、data2”、data3”)进行关联,生成停止中的正常/故障的教导数据(步骤S104)。进入步骤S201,第二故障部位确定部35(学习模型生成部)使用教导数据,生成将停止中的教导数据分类为正常或异常的学习模型。
进入步骤S301,接收部31接收从停止中的对象车辆2检测出的第二检测数据。进入步骤S302,第二故障部位确定部35使用第一检测数据以及第二检测数据和在步骤S201中生成的学习模型,判断从行驶中的故障车辆1检测出的异常是否存在于对象车辆2中。具体而言,第二故障部位确定部35使用步骤S201的学习模型,计算第二检测数据与第一检测数据的相似度。作为使用步骤S201的学习模型的计算方法的一例,可以列举梯度提升。此时,作为相似度的一个例子,可以使用在梯度提升中计算出的符合率。计算规定的多个确认事项中第一检测数据和第二检测数据符合的事项的数量的比例作为符合率。
在相似度为规定值以上的情况下(S303中“是”),第二故障部位确定部35判断为异常信息数据(教导数据D01的故障对象、原因)所示的故障存在于对象车辆2中。在相似度小于规定值的情况下(S303中“否”),第二故障部位确定部35判断为对象车辆2没有故障。进入步骤S401,发送部61向显示装置4发送至少包含有无故障的诊断结果。
如上所述,接收部31还接收从未发生故障的正常状态的停止中的故障车辆1检测出的第三检测数据。第二故障部位确定部35(学习模型生成部)使用第三检测数据和第一检测数据生成学习模型。第二故障部位确定部35使用学习完成的学习模型,根据第二检测数据判断对象车辆2是否存在故障。使用利用从未发生故障的正常状态(例如故障修理后)的停止中的故障车辆1检测出的第三检测数据和第一检测数据学习的学习模型。由此,能够判断第二检测数据与故障时的停止时检测数据或正常时的停止时检测数据中的哪一个相似,因此能够高精度地判断有无发生故障。例如,在修理了故障部位之后,无需使对象车辆2行驶,就能够高精度地确认故障消失。
第二故障部位确定部35在第一检测数据与第二检测数据的相似度为阈值以上的情况下,判断为存在故障。基于第一检测数据与第二检测数据的相似度,判断有无故障,由此能够高精度地检测有无发生故障。
(变形例)
在参照图2A说明的车辆异常检测装置3的动作的一例中,生成学习模型,使用该学习模型计算出第二检测数据与第一检测数据的相似度,但作为相似度的计算方法,也有不利用学习模型的方法。作为不利用学习模型的方法,例如有使用主成分分析来计算相似度的方法。
具体而言,如图2B所示,在步骤S104之后,不实施图2A的步骤S20、即生成学习模型的步骤S201,而进入步骤S60。在步骤S60中,对在步骤S104中生成的停止中的正常/故障的教导数据进行主成分分析,分类为正常和各故障的聚类(クラスタ:cluster)。然后,进入步骤S30。在步骤S302中,将对象车辆停止时的检测数据投影到上述主成分分析上时,通过计算马氏距离作为距各聚类重心的信息距离,计算与各聚类的相似度。这里,聚类分类方法不限于主成分分析,并且信息距离不限于马氏距离。另外,在聚类分类中,例如,也可以在通过2维映射这样的主成分分析进行维数削减之后,通过k-means法等聚类方法进行分类。
(第二实施方式)
参照图3,对包括第二实施方式的车辆异常检测装置3的车辆异常检测系统的整体结构进行说明。对于与图1相同的部分,标注相同的符号并省略说明。图3的车辆异常检测系统在取代图1的行驶/停止关联部33而具备行驶/停止相关提取部36这一点上不同,其他结构相同。
行驶/停止相关提取部36在从发生故障的状态的行驶中的故障车辆1检测出的第四检测数据、和从发生故障的状态的停止中的故障车辆1检测出的第一检测数据之间,提取出具有共通变化的信号。或者,也可以提取出共通的信号间的相关关系与正常时的检测数据不同的部分。行驶/停止相关提取部36提取出从静止中的故障车辆1检测出且由接收部31接收到的第一检测数据整体中从第三检测数据偏离规定值以上的部分作为第一检测数据。由此,第二故障部位确定部35所处理的数据量削减,因此能够降低计算成本,实现故障诊断的高效化。
参照图4,对图3的车辆异常检测装置3的动作的一例进行说明。对于与图2A相同的部分,标注相同的符号并省略说明。图4的车辆异常检测方法在图2A的步骤S102之后且步骤S103之前实施步骤S110这一点、即追加了步骤S110这一点不同,其他结构相同。
接收到第四检测数据以及第一检测数据之后,进入步骤S110,行驶/停止相关提取部36提取出第四检测数据以及第一检测数据中与正常时的检测数据偏离的信号或相关关系。也可以提取行驶时数据(第四检测数据)和停止时数据(第一检测数据)的共通部分中与正常时的检测数据偏离的部分。在步骤S103中,行驶/停止关联部33将第四检测数据(data1、data2、data3)的提取部分与第一检测数据(data1’、data2’、data3’)的提取部分进行关联。
(第三实施方式)
参照图5,说明包含第三实施方式的车辆异常检测装置3的车辆异常检测系统的整体结构。对于与图3相同的部分,标注相同的符号并省略说明。图5的车辆异常检测系统与图3相比,在还具备第一异常度计算部37、第二异常度计算部38(异常度计算部)这一点上不同,其他结构相同。
第一异常度计算部37计算将与正常时的偏离量定量化后的异常度。第一异常度计算部37通过比较从发生了故障的状态的停止中的故障车辆1检测出的第一检测数据、和从未发生故障的正常状态的停止中的故障车辆1检测出的第三检测数据,计算出故障车辆1的异常度。
例如,第一异常度计算部37使用式(1)计算异常度a(x’)。
a(x’)={(x’ -m)2}/2s2 (1)
其中,在式(1)中,“x’”是故障车辆1的第一检测数据,“m”是从正常状态的停止中的故障车辆1检测出的第六检测数据,“s”是第六检测数据的标准偏差。
第一故障部位确定部32也可以对计算出的异常度和预先设定的异常度阈值进行比较,在异常度超过异常度阈值的情况下,判断为故障车辆1发生了故障。另外,异常度的计算方法不限于上述方法。行驶/停止相关提取部36也可以将计算出的异常度与提取部分关联起来,生成教导数据D01。
第二异常度计算部38(异常度计算部)通过比较从停止中的对象车辆2检测出的第二检测数据和从未发生故障的正常状态的停止中的对象车辆2检测出的检测数据,计算出异常度。第二异常度计算部38能够使用与第一异常度计算部37所使用的异常度的计算方法相同的方法,根据停止中的对象车辆2的检测数据,计算出行驶时的对象车辆2的异常度。发送部61将计算出的对象车辆2的异常度作为故障诊断结果的一部分发送给显示装置4。由此,能够得到判断对象车辆2的修理的时刻和修理的优先度的指标。
第二异常度计算部38也可以根据对象车辆2的异常度,进而计算出以故障车辆1的异常度为基准的对象车辆2的异常度的相对值。发送部61代替计算出的对象车辆2的异常度,或者将上述相对值与对象车辆2的异常度一起作为故障诊断结果的一部分发送给显示装置4。由此,能够得到判断对象车辆2的修理的时刻和修理的优先度的指标。
参照图6,说明图5的车辆异常检测装置3的动作的一例。对于与图4相同的部分,标注相同的符号并省略说明。图6的车辆异常检测方法在图4的步骤S201之后且步骤S301之前追加步骤S501;以及在有无故障的判断(S304、S305)之后、在诊断结果的发送(S401)之前追加步骤S306及步骤307这一点上不同,其他结构相同。
在生成学习模型后,进入步骤S501,第一异常度计算部37使用式(1)计算出故障车辆1停止时的异常度a(x’)。
使用相似度判断有无故障后,进入步骤S306,第二异常度计算部38使用与第一异常度计算部37相同的计算方法即(1)式,计算出对象车辆2的异常度。进入步骤S307,第二异常度计算部38计算出以故障车辆1的异常度为基准的对象车辆2的异常度的相对值。换言之,将对象车辆2的异常度的相对值除以故障车辆1的异常度而计算出上述的相对值。在步骤S401中,发送部将对象车辆2的异常度及其相对值作为故障诊断结果的一部分发送给显示装置4。
(第四实施方式)
参照图7,对包含第四实施方式的车辆异常检测装置3的车辆异常检测系统的整体结构进行说明。对于与图3相同的部分,标注相同的符号并省略说明。图7的车辆异常检测系统与图3相比,在还具备聚类部39这一点上不同,其他结构相同。
接收部31还接收从发生了故障的状态的行驶中的故障车辆1检测出的第四检测数据、以及从未发生故障的正常状态的行驶中的故障车辆1检测出的第五检测数据。聚类部39通过对正常以及包含多个故障代码的故障车辆1的各种行驶时的检测数据(第四检测数据、第五检测数据)进行聚类,来确认由行驶/停止相关提取部36提取出的信号或相关关系与故障的关联性。由此,能够将由第二故障部位确定部35确定的故障部位和其他可能的故障部位进行分类。即,第四检测数据及第五检测数据的聚类发挥故障诊断的双重检查功能的作用,由此,能够从多个存在的故障部位的选择项中高精度地确定故障部位。
参照图8,对图7的车辆异常检测装置3的动作的一例进行说明。对于与图4相同的部分,标注相同的符号并省略说明。图8的车辆异常检测方法,在图4的步骤S110之后且在S103之前追加步骤S105这一点、以及代替图4的步骤S302、S303、S304、S305而实施步骤S308这一点不同,其他结构相同。
提取出信号或相关关系后(S110),进入步骤S105,聚类部39通过对正常以及包含多个故障代码的故障车辆1的各种行驶时的检测数据(第四检测数据、第五检测数据)进行聚类,由此确认由行驶/停止相关提取部36提取出的信号或相关关系与故障的关联性。然后,进入步骤S103。
在接收部31接收到从停止中的对象车辆2检测出的第二检测数据后(S301),进入步骤S308,第二故障部位确定部35使用坡度提升对对象车辆1的第二检测数据进行分类并进行故障诊断。由此,能够高精度地对推定出的故障部位和其他有可能的故障部位进行分类。
(第五实施方式)
参照图9,说明包含第五实施方式的车辆异常检测装置3的车辆异常检测系统的整体结构。对于与图1相同的部分,标注相同的符号并省略说明。图9的车辆异常检测系统与图1相比,不同之处在于,车辆异常检测装置3代替行驶/停止关联部33和行驶/停止信号相关DB34,而具有预测模型生成部41和预测模型DB42,还具有行驶时数据预测部43,其他结构相同。
接收部31接收:第一~第三检测数据、从发生了故障的状态的行驶中的故障车辆1检测出的第四检测数据、以及从未发生故障的正常状态的行驶中的故障车辆1检测出的第五检测数据。预测模型生成部41学习第一检测数据与第四检测数据的第一相关关系,学习第三检测数据与第五检测数据的第二相关关系。具体而言,使用作为循环神经网络的一例的LSTM(长短期记忆人工神经网络:Long short-term memory),学习将输入作为停止时的检测数据(第一检测数据、第三检测数据),将输出作为行驶时的检测数据(第四检测数据、第五检测数据)的预测模型。以使预测出的行驶时的检测数据收敛于实际行驶时的检测数据的方式进行学习。由此,预测模型生成部41能够生成根据停止时的检测数据预测行驶时的检测数据的预测模型。所生成的预测模型被存储到预测模型DB42中。
行驶时数据预测部43使用存储在预测模型DB42中的预测模型,根据对象车辆1停止时的第二检测数据来推定对象车辆1的行驶时的检测数据。第二故障部位确定部35基于推定出的对象车辆2行驶时的检测数据,判断对象车辆2是否存在故障。
由此,能够根据对象车辆2停止时的检测数据来确定行驶时有无故障。另外,根据修理了故障部位后的停止时的检测数据,能够确认行驶中检测出的故障已解决并恢复正常的情况。
第二故障部位确定部35(异常判断部)使用第一检测数据与第四检测数据间的第一相关关系及第三检测数据与第五检测数据间的第二相关关系,判断故障车辆2是否存在故障。由此,通过使用与故障时的停止中及行驶中的检测数据的相关关系、以及与正常时的停止中及行驶中的检测数据的相关关系来判断故障的有无,能够提高判断精度。
参照图10,对图9的车辆异常检测装置3的动作的一例进行说明。对于与图2A相同的部分,标注相同的符号并省略说明。图10的车辆异常检测方法在代替图2A的步骤S104及S201而实施S202及S203,以及取代图2A的步骤S302~S305而实施S309及S310这一点上不同,其他结构相同。
在步骤S202中,预测模型生成部41学习将输入作为停止时的检测数据、将输出作为行驶时的检测数据的预测模型,以使输出的行驶时的检测数据收敛于实际行驶时的检测数据。进入步骤S203,预测模型生成部41生成根据停止时的检测数据预测行驶时的检测数据的预测模型,并存储到预测模型DB42中。
在步骤S309中,行驶时数据预测部43使用存储在预测模型DB42中的预测模型,根据对象车辆1停止时的第二检测数据来推定对象车辆1的行驶时的检测数据。第二故障部位确定部35基于推定出的对象车辆2行驶时的检测数据,判断对象车辆2是否存在故障。
参照图11,对显示装置4的显示画面的例子进行说明。在对象车辆2停止时的检测数据53中,标记有与未发生故障的状态的相同车型的停止时的检测数据51相比不同的部位55、56。而且,显示了行驶时数据预测部43所预测的对象车辆1的行驶时的检测数据54,在行驶时的检测数据54中,在与停止时的检测数据53相同的部位55、56被进行了标记,进而,在出现故障症状的部位57、58也进行了标记。为了与行驶时的检测数据54进行对比,还显示了正常状态的相同车型的行驶时的检测数据52。通过对停止时的检测数据51与正常状态(51、52)进行比较、对停止时的检测数据51与预测的行驶时的检测数据54进行比较,能够容易理解地显示对象车辆2的故障。进而,通过显示与正常状态偏离的信号的种类(signa12、signal8)以及预测的故障部位(部件A、部件D),能够容易地探讨对故障的应对(修理)方法。
如上所述,虽然记载了本发明的实施方式,但是不应该理解为构成该公开的一部分的论述及附图限定本发明。对于本领域技术人员来说,从该公开可以明确各种代替实施方式、实施方式以及运用技术。
发送部61也可以在对象车辆2静止时,向通知装置4发送表示预测到发生故障的行驶状态(例如,每小时80km以上的行驶速度)的行驶状态信息。对象车辆2的用户在对象车辆2的静止中,能够预先知道预想发生故障的行驶状况,因此能够抑制故障的发生,提高车辆的安全性。
发送部61也可以在对象车辆2静止时,向通知装置4发送表示由故障限制的行驶条件(例如,每小时80km以下的行驶速度)的行驶限制信息。对象车辆2的用户在对象车辆2的静止中,能够预先知道由故障限制的行驶条件,因此能够抑制故障的发生且使车辆安全地行驶。
针对每个检测出故障的部位,将故障车辆1停止时的检测数据存储到数据库34中,第二故障部位确定部35在判断为对象车辆2发生了故障的情况下,将与故障车辆1停止时的检测数据相关联的部件推定为对象车辆2的具有异常的部件。由此,即使是在各种情况下发生的故障,也能够确定为规定部位的故障。
另外,按照每个故障类别,将故障车辆1停止时的检测数据存储到数据库34中,第二故障部位确定部35在判断为对象车辆2发生了故障的情况下,将与故障车辆1停止时的检测数据相关联的故障类别推定为对象车辆2的故障类别。由此,即使是在各种情况下发生的故障,也能够进行对每个异常类别的修理应对。
另外,故障车辆1和对象车辆2也可以是同一车辆。由此,能够在按车辆分类的基础上进行诊断,能够提高故障诊断的精度。
符号说明
4:显示装置(通知装置);31:接收部;34:行驶/停止信号相关DB(存储部);35:第二故障部位确定部(异常判断部);38:第二异常度计算部(异常度计算部);41:预测模型生成部(学习模型生成部);42:预测模型DB(存储部);61:发送部。
Claims (10)
1.一种车辆异常检测装置,具备:
接收部,其接收表示从行驶中的第一车辆检测出异常的异常信息数据及从发生了所述异常的状态的静止中的所述第一车辆检测出的第一检测数据,并接收从与所述第一车辆不同的第二车辆且静止中的所述第二车辆检测出的第二检测数据;
存储部,其将所述异常信息数据与所述第一检测数据进行关联并存储;
异常判断部,其使用所述第一检测数据及所述第二检测数据,判断所述第二车辆是否存在从行驶中的所述第一车辆检测出的所述异常;
发送部,其在判断为存在所述异常情况下,将所述异常信息数据发送到所述第二车辆具备的通知装置或与所述第二车辆相关联的通知装置。
2.如权利要求1所述的车辆异常检测装置,其中,
所述接收部还接收从未发生所述异常的正常状态的静止中的所述第一车辆检测出的第三检测数据,
所述车辆异常检测装置还具备使用所述第三检测数据和所述第一检测数据生成学习模型的学习模型生成部,
所述异常判断部使用已学习完成的所述学习模型,并根据所述第二检测数据判断所述第二车辆是否存在所述异常。
3.如权利要求2所述的车辆异常检测装置,其中,
所述异常判断部在所述第一检测数据与所述第二检测数据的相似度为阈值以上的情况下,判断为存在所述异常。
4.如权利要求2所述的车辆异常检测装置,其中,
所述第一检测数据是在从静止中的所述第一车辆检测出的数据整体中提取出从所述第三检测数据偏离了规定值以上的部分的数据。
5.如权利要求2所述的车辆异常检测装置,其中,
所述接收部还接收从发生了所述异常的状态的行驶中的所述第一车辆检测出的第四检测数据、及从未发生所述异常的正常状态的行驶中的所述第一车辆检测出的第五检测数据,
所述异常判断部使用所述第一检测数据与所述第四检测数据间的第一相关关系和第三检测数据与所述第五检测数据间的第二相关关系,判断所述第二车辆是否存在所述异常。
6.如权利要求1~5中任一项所述的车辆异常检测装置,其中,
所述发送部在所述第二车辆静止时,向所述通知装置发送表示预测到发生所述异常的行驶状态的行驶状态信息。
7.如权利要求1~6中任一项所述的车辆异常检测装置,其中,
所述发送部在所述第二车辆静止时,向所述通知装置发送表示由所述异常限制的行驶条件的行驶限制信息。
8.如权利要求1~7中任一项所述的车辆异常检测装置,其中,
还具备异常度计算部,该异常度计算部计算表示将与正常时的偏离量定量化的所述第二车辆的异常度,
所述发送部向所述通知装置发送所述第二车辆的异常度。
9.如权利要求1~7中任一项所述的车辆异常检测装置,其中,
还具备异常度计算部,该异常度计算部计算表示将与正常时的偏离量定量化的异常度,
所述异常度计算部进行如下处理:
计算所述第一车辆的异常度,
将所述第一车辆的异常度与所述第一检测数据进行关联并存储到所述存储部中,
计算所述第二车辆的异常度,
计算以第一车辆的异常度为基准的所述第二车辆的异常度的相对值,
所述发送部将所述相对值发送到所述通知装置。
10.一种车辆异常检测方法,其中,
接收表示从行驶中的第一车辆检测出异常的异常信息数据及从发生了所述异常的状态的静止中的所述第一车辆检测出的第一检测数据,
接收从与所述第一车辆不同的第二车辆且静止中的所述第二车辆检测出的第二检测数据,
将所述异常信息数据与所述第一检测数据进行关联并存储,
使用所述第一检测数据及所述第二检测数据,判断所述第二车辆是否存在从行驶中的所述第一车辆检测出的所述异常,
在判断为存在所述异常的情况下,将所述异常信息数据发送给所述第二车辆所具备的通知装置或与所述第二车辆相关联的通知装置。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/IB2021/000192 WO2022200821A1 (ja) | 2021-03-25 | 2021-03-25 | 車両異常検出装置及び車両異常検出方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117120307A true CN117120307A (zh) | 2023-11-24 |
Family
ID=83395245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180096119.1A Pending CN117120307A (zh) | 2021-03-25 | 2021-03-25 | 车辆异常检测装置及车辆异常检测方法 |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP4316918A1 (zh) |
JP (1) | JP7468778B2 (zh) |
CN (1) | CN117120307A (zh) |
WO (1) | WO2022200821A1 (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4182472B2 (ja) | 2003-03-05 | 2008-11-19 | マツダ株式会社 | 遠隔故障予測システム |
JP4544325B2 (ja) | 2008-03-25 | 2010-09-15 | 株式会社デンソー | 車載装置 |
JP4832609B1 (ja) | 2011-06-22 | 2011-12-07 | 株式会社日立エンジニアリング・アンド・サービス | 異常予兆診断装置および異常予兆診断方法 |
JP6062710B2 (ja) * | 2012-10-25 | 2017-01-18 | 日野自動車株式会社 | 車両診断装置 |
JP6135545B2 (ja) | 2014-02-24 | 2017-05-31 | 株式会社デンソー | 補正値生成装置、故障診断装置、補正値生成プログラム、および故障診断プログラム |
JP6988674B2 (ja) * | 2018-05-07 | 2022-01-05 | トヨタ自動車株式会社 | 診断装置、診断システム、及び診断方法 |
-
2021
- 2021-03-25 WO PCT/IB2021/000192 patent/WO2022200821A1/ja active Application Filing
- 2021-03-25 JP JP2023508128A patent/JP7468778B2/ja active Active
- 2021-03-25 EP EP21932813.5A patent/EP4316918A1/en active Pending
- 2021-03-25 CN CN202180096119.1A patent/CN117120307A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4316918A1 (en) | 2024-02-07 |
WO2022200821A1 (ja) | 2022-09-29 |
JPWO2022200821A1 (zh) | 2022-09-29 |
JP7468778B2 (ja) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106406273B (zh) | 车辆中故障原因的确定 | |
CN101514942B (zh) | 车辆诊断装置、车辆诊断系统以及诊断方法 | |
KR101974347B1 (ko) | 차량 고장 진단 시스템 및 그 진단방법 | |
US8924071B2 (en) | Online vehicle maintenance | |
US6950782B2 (en) | Model-based intelligent diagnostic agent | |
US8996230B2 (en) | Method and apparatus for translating vehicle diagnostic trouble codes | |
KR20190107080A (ko) | 클라우드 기반 차량 고장 진단 방법, 장치 및 시스템 | |
KR101936895B1 (ko) | 소음을 이용한 딥러닝 기반 자동차 고장진단 시스템 및 방법 | |
CN109699186B (zh) | 用于提供和应用诊断筛选列表的方法和系统 | |
JP2005219717A (ja) | 車両・車載機器の異常診断装置 | |
EP3865963A1 (en) | Method and device for analyzing vehicle failure | |
US20230252829A1 (en) | Method and diagnostic device for performing vehicle diagnostics | |
CN113902233A (zh) | 车辆安全预警方法、大数据平台装置、车载终端和车辆 | |
CN105469147B (zh) | 用于诊断故障和/或诊断维修和/或维护需求的方法 | |
CN115016428A (zh) | 一种应用于特种车辆的立体化多级诊断系统及方法 | |
CN108810850A (zh) | 车载故障播报系统、方法、设备及存储介质 | |
US20210365309A1 (en) | Method and System of Performing Diagnostic Flowchart | |
CN113961386A (zh) | 一种整车软件版本自动管理方法 | |
KR102255599B1 (ko) | 차량 고장 진단 서비스 제공 시스템 및 방법 | |
CN117120307A (zh) | 车辆异常检测装置及车辆异常检测方法 | |
US20220284740A1 (en) | Method for determining the operating state of vehicle components | |
CN115359585A (zh) | 车辆提前排查故障的方法、装置、车辆及存储介质 | |
JPH09164923A (ja) | 車両メンテナンス管理装置 | |
KR20210123657A (ko) | 차량 고장 정보를 이용한 위험 등급 판단방법, 위험 등급 판단장치 및 이를 위한 컴퓨터 프로그램 | |
CN109901561A (zh) | 一种基于多维度统计的ems终端设备故障远程诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |