DE102014210504A1

DE102014210504A1 - Referenzwerterzeugungsvorrichtung für ein Fahrzeug

Info

Publication number: DE102014210504A1
Application number: DE201410210504
Authority: DE
Inventors: c/o Denso Corporation Takenaka Kazuhito; c/o DENSO CORPORATION Bando Takashi; c/o Denso Corporation Shinohara Yuuki; c/o Denso Corporation Yamada Masakazu; c/o Denso Corporation Muramatsu Naoki; c/o DENSO CORPORATION Egawa Masumi
Original assignee: Denso Corp
Current assignee: Denso Corp
Priority date: 2013-06-04
Filing date: 2014-06-03
Publication date: 2014-12-04
Also published as: JP2014234113A; JP6003810B2

Abstract

Die Referenzwerterzeugungsvorrichtung für ein Fahrzeug weist einen Datenerfassungsabschnitt, einen Klassifizierungsabschnitt, einen Merkmalsextrahierungsabschnitt, einen Akkumulierungsabschnitt und einen Referenzwerterzeugungsabschnitt auf. Der Datenerfassungsabschnitt erfasst sequentiell Fahrdaten, die wenigstens entweder Information über eine Bedienung des Fahrzeugs durch einen Fahrer oder Information über Zustände des Fahrzeugs oder Information über Zustände des Fahrers oder Information über eine Fahrumgebung aufweisen. Der Klassifizierungsabschnitt klassifiziert die Zeitreihenfahrdaten auf der Grundlage eines Musters einer temporären Änderung der Fahrdaten in eine Fahrszene, wobei die Fahrszene dem Muster entspricht. Der Merkmalsextrahierungsabschnitt extrahiert ein Mustermerkmal, wobei das Mustermerkmal ein Merkmal der Fahrdaten in der Mustereinheit ist. Der Akkumulierungsabschnitt akkumuliert das im Merkmalsextrahierungsabschnitt extrahierte Mustermerkmal. Der Referenzwerterzeugungsabschnitt erzeugt einen Referenzwert zur Diskriminierung zwischen einer Fehlfunktion und einem Normalzustand des Fahrzeugs auf der Grundlage des im Akkumulierungsabschnitt akkumulierten Mustermerkmals.

Description

HINTERGRUND
(Technisches Gebiet)
Die vorliegende Erfindung betrifft eine Referenzwerterzeugungsvorrichtung, die einen Referenzwert zur Erfassung von Fehlfunktionen in einem Fahrzeug erzeugt.
(Bisheriger Stand der Technik)
Bekannt sind, hinsichtlich einer Fehlerdiagnose für Fahrzeuge zur frühzeitigen Erfassung eines Fehlers oder Überprüfung der Ursache, Studien zur Erfassung eines Fehlerzustands in Fahrzeugen. Hierfür ist eine Vorrichtung berücksichtigt worden, die Referenzwerte lernt, die Referenzwerte von Fahrdaten in Normalzuständen oder Fehlerzuständen eines Fahrzeugs sind, und anschließend Fehlfunktionen des Fahrzeugs erfasst, wenn die Fahrdaten außerhalb der Referenzwerte liegen.
Fahrsituationen von Fahrzeugen umfassen jedoch verschiedene Fahrszenen in Abhängigkeit von Umgebungszuständen, Fahrmustern und dergleichen, so dass angenommen wird, dass sich der zulässige Bereich des Wertes von jeder Art von Fahrdaten, d. h. die Referenzwerte, in Abhängigkeit einer jeweiligen Fahrszene ändert. Folglich ist es, um die vorstehend beschriebene Vorrichtung zu realisieren, erforderlich, Referenzwerte der Fahrdaten unter verschiedenen Fahrszenen zu bestimmen.
Als eine Einrichtung zum Lösen dieses Problems ist beispielsweise die folgende Referenzwerterzeugungsvorrichtung in einem Patentdokument 1 ( JP 4414470 ) vorgeschlagen worden. Die Referenzwerterzeugungsvorrichtung des Patentdokuments häuft ähnliche Fahrdaten, wie beispielsweise eine Verbrennungsmotordrehzahl und eine Fahrzeuggeschwindigkeit, in der gleichen Gruppe an (Clustering), um so die Fahrdaten in eine jeweilige Gruppe der Fahrdaten entsprechend einer ähnlichen Fahrszene zu gruppieren. Anschließend bestimmt die Vorrichtung einen jeweiligen Referenzwert für jede Gruppe auf der Grundlage von Frequenzen von Werten der Fahrdaten in der Gruppe.
Die Referenzwerterzeugungsvorrichtung im Patentdokument 1 verwendet jedoch Istwerte der Fahrdaten als die Referenzwerte. Folglich kann die Vorrichtung beispielsweise dann, wenn die Fahrdaten einen Wert beschreiben, der einen Beschleunigungszustand anzeigt, nicht zwischen einem Beschleunigungszustand, der auf einen Stoppzustand folgt, und einem Beschleunigungszustand, der auf einen Verzögerungszustand folgt, diskriminieren. Eine Fehlfunktion, die für die Fahrdaten mit einer bestimmten Historie charakteristisch ist, wie beispielsweise eine Fehlfunktion, die im Beschleunigungszustand auftritt, der auf den Stoppzustand folgt, jedoch nicht in dem Beschleunigungszustand nach einer Verzögerung auftritt, kann nicht erfasst werden.
ZUSAMMENFASSUNG
Die vorliegende Erfindung stellt eine Referenzwerterzeugungsvorrichtung bereit, die einen Referenzwert zur Diskriminierung verschiedener Arten von Fehlfunktionen erzeugen kann.
Die Referenzwerterzeugungsvorrichtung für ein Fahrzeug weist einen Datenerfassungsabschnitt, einen Klassifizierungsabschnitt, einen Merkmalsextrahierungsabschnitt, einen Akkumulierungsabschnitt und einen Referenzwerterzeugungsabschnitt auf. Der Datenerfassungsabschnitt erfasst sequentiell Fahrdaten, die wenigstens entweder Information über eine Bedienung des Fahrzeugs durch einen Fahrer oder Information über Zustände des Fahrzeugs oder Information über Zustände des Fahrers oder Information über eine Fahrumgebung aufweisen. Der Klassifizierungsabschnitt klassifiziert die Zeitreihenfahrdaten in eine Fahrszene, auf der Grundlage eines Musters einer temporären Änderung der Fahrdaten, wobei die Fahrszene dem Muster entspricht. Der Merkmalsextrahierungsabschnitt extrahiert ein Mustermerkmal, wobei das Mustermerkmal ein Merkmal der Fahrdaten in der Mustereinheit ist. Der Akkumulierungsabschnitt akkumuliert das im Merkmalsextrahierungsabschnitt extrahierte Mustermerkmal. Der Referenzwerterzeugungsabschnitt erzeugt einen Referenzwert zur Diskriminierung zwischen einer Fehlfunktion und einem Normalzustand des Fahrzeugs auf der Grundlage des im Akkumulierungsabschnitt akkumulierten Mustermerkmals.
Demgemäß ist das im Merkmalextrahierungsabschnitt extrahierte Mustermerkmal ein Merkmal, das ein Muster beschreibt, das wiederholt in den Zeitreihenfahrdaten erscheint. Der Referenzwerterzeugungsabschnitt erzeugt den Referenzwert auf der Grundlage des akkumulierten Mustermerkmals. Folglich weist ein Zeitreihenmuster von Fahrdaten mit einer bestimmten Historie einen Referenzwert auf, der von Zeitreihenmustern von Fahrdaten mit anderen Historien verschieden ist, um so die Erzeugung des Referenzwerts zur Diskriminierung der Fehlfunktion zu ermöglichen, die für die Fahrdaten mit der bestimmten Historie charakteristisch ist. Dies führt dazu, dass die Vorrichtung Referenzwerte zur Diskriminierung mehrerer Arten von Fehlfunktionen erzeugen kann. Ferner ermöglicht die vorliegende Erfindung eine Erfassung von mehr Fehlerzuständen als im Stand der Technik, um so eine frühe oder automatische Erfassung von Fehlern zu realisieren.
KURZE BESCHREIBUNG DER ZEICHNUNGEN
In den beigefügten Zeichnungen zeigt:
1 eine schematische Abbildung zur Veranschaulichung eines Beispiels einer Fahrzeugdiagnoseeinheit;
2 ein Blockdiagramm zur Veranschaulichung eines Beispiels einer Datenerfassungsvorrichtung;
3 ein Blockdiagramm zur Veranschaulichung eines Beispiels einer Diagnosevorrichtung;
4 ein Diagramm zur Veranschaulichung eines Beispiels von sechs Arten von Zeitreihenfahrdaten;
5 eine Abbildung zur Veranschaulichung einer Zweifachgliederungsstrukturanalyse;
6 eine Abbildung zur Veranschaulichung von Extrahierungsdiagnosemerkmalen in einem Diagnosemerkmalextrahierungsabschnitt;
7 ein Diagramm zur Veranschaulichung einer Regressionsgeraden zwischen zwei Arten von Fahrdaten;
8 eine Abbildung zur Veranschaulichung eines Matrixausdrucks;
9 eine Abbildung zur Veranschaulichung von Akkumulierungsdiagnosemerkmalen in einem Diagnosemerkmalakkumulierungsabschnitt;
10 eine Abbildung zur Veranschaulichung eines Beispiels für einen Referenzwerterzeugungsprozess;
11 eine Abbildung zur Veranschaulichung eines weiteren Beispiels für einen Referenzwerterzeugungsprozess;
12 ein Ablaufdiagramm zur Veranschaulichung eines Beispiels eines Ablaufs von referenzwerterzeugungsbezogenen Prozessen in der Diagnosevorrichtung;
13 eine Abbildung zur Veranschaulichung eines Beispiels eines Fehlerdiagnoseprozesses:
14 eine Abbildung zur Veranschaulichung eines weiteren Beispiels eines Fehlerdiagnoseprozesses;
15 ein Ablaufdiagramm zur Veranschaulichung eines Beispiels eines Ablaufs von fehlerdiagnosebezogenen Prozessen in der Diagnosevorrichtung;
16A eine Abbildung zur Veranschaulichung eines Beispiels einer Klassifizierung der Fahrszene (Stand der Technik);
16B eine Abbildung zur Veranschaulichung eines Beispiels einer Klassifizierung der Fahrszene (gemäß einer ersten Ausführungsform);
17A eine Abbildung zur Veranschaulichung eines weiteren Beispiels einer Klassifizierung der Fahrszene (Stand der Technik);
17B eine Abbildung zur Veranschaulichung eines weiteren Beispiels einer Klassifizierung der Fahrszene (gemäß der ersten Ausführungsform);
18A eine Abbildung zur Veranschaulichung eines weiteren Beispiels einer Klassifizierung der Fahrszene (Stand der Technik);
18B eine Abbildung zur Veranschaulichung eines weiteren Beispiels einer Klassifizierung der Fahrszene (gemäß der ersten Ausführungsform);
19A eine Abbildung zur Veranschaulichung eines weiteren Beispiels einer Klassifizierung der Fahrszene (Stand der Technik);
19B eine Abbildung zur Veranschaulichung eines weiteren Beispiels einer Klassifizierung der Fahrszene (gemäß der ersten Ausführungsform);
20A eine Abbildung zur Veranschaulichung eines Beispiels einer Fehlerdiskriminierung (Stand der Technik);
20B eine Abbildung zur Veranschaulichung eines Beispiels einer Fehlerdiskriminierung (gemäß der ersten Ausführungsform); und
21 eine schematische Abbildung zur Veranschaulichung eines weiteren Beispiels der Fahrzeugdiagnoseeinheit (gemäß einer zweiten Ausführungsform).
DETAILLIERTE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
Nachstehend sind Ausführungsformen unter Bezugnahme auf die Zeichnungen beschrieben.
(Erste Ausführungsform)
1 zeigt ein Blockdiagramm zur Veranschaulichung einer schematischen Konfiguration einer Fahrzeugdiagnoseeinheit 100 gemäß der ersten Ausführungsform. Die in der 1 gezeigte Fahrzeugdiagnoseeinheit 100 weist eine Datenerfassungsvorrichtung 1, eine Diagnosevorrichtung 2 und eine Benachrichtigungsvorrichtung 3 auf. Die Konfiguration aus der Datenerfassungsvorrichtung 1 und der Diagnosevorrichtung 2 entspricht einer Referenzwerterzeugungsvorrichtung in den Ansprüchen.
Die Datenerfassungsvorrichtung 1 weist, wie in 2 gezeigt, einen Datenerfassungsabschnitt 11 und einen Datenspeicherabschnitt 12 auf. Die Datenerfassungsvorrichtung 1 ist an einem Fahrzeug montiert. Der Datenerfassungsabschnitt 11 erfasst Erfassungswerte von Sensoren des Eigenfahrzeugs (das Fahrzeug mit dem Datenerfassungsabschnitt 11) und speichert diese im Datenspeicherabschnitt 12. Der Datenerfassungsabschnitt 11 entspricht dem Datenerfassungsabschnitt in den Ansprüchen. Der Datenerfassungsabschnitt 11 kann die Erfassungswerte der Sensoren des Eigenfahrzeugs über ein fahrzeuginternes LAN in Übereinstimmung mit einem Kommunikationsprotokoll, wie beispielsweise CAN (Controller Area Network), oder alternativ über jedes direkte Kabel, das zwischen dem Erfassungsabschnitt 11 und jedem Sensor verbunden ist, erfassen.
Die Erfassungswerte weisen Fahrbedienungsinformation, Fahrzeugzustandsinformation, Fahrerzustandsinformation und dergleichen auf. Die Fahrbedienungsinformation ist Information über Fahrbedienungen durch einen Fahrer des Eigenfahrzeugs. Die Fahrzeugzustandsinformation ist Information über das Eigenfahrzeug, wie beispielsweise Verhaltensweisen des Eigenfahrzeugs und Zustände des Eigenfahrzeugs verschieden von dem Verhalten, wobei die Verhaltensweisen und die Zustände im Ansprechen auf die Fahrbedienung auftreten. Die Fahrerzustandsinformation ist Information über Zustände des Fahrers.
Beispiele für die Sensoren zum Messen der Fahrbedienungsinformation sind ein Beschleunigungssensor, ein Bremssensor, ein Lenksensor und dergleichen. Der Beschleunigungssensor misst einen Betätigungsbetrag an einem Gaspedal, wie beispielsweise eine Gaspedalposition (nachstehend als Gaspedalposition bezeichnet). Der Bremssensor misst einen Betätigungsbetrag an einem Bremssystem, wie beispielsweise eine Bremspedalposition oder einen Bremshauptzylinderdruck. Der Lenksensor misst einen Lenkwinkel, der ein Bedienwinkel an einem Lenkrad ist. Weitere Beispiele umfassen einen Richtungsanzeigeschalter zum Einschalten von Richtungssignalen, einen Schaltpositionssensor zur Erfassung einer Schaltposition eines Getriebes und dergleichen.
Beispiele für die Sensoren zum Messen von Fahrzeugzustandsinformation sind ein Geschwindigkeitssensor zum Messen einer Fahrgeschwindigkeit (nachstehend als Fahrzeuggeschwindigkeit bezeichnet) des Eigenfahrzeugs, ein Beschleunigungssensor zum Messen von Beschleunigungen in der Vor-Zurück-Richtung oder der Querrichtung des Fahrzeugs, ein Kurbelwinkelsensor zum Messen einer Verbrennungsmotordrehzahl, ein Temperatursensor zum Messen einer Temperatur des Kühlmittels des Verbrennungsmotors, ein Luftdurchflussmesser zum Messen eines Ansaugluftvolumens und dergleichen.
Beispiele für die Sensoren zum Messen von Fahrerzustandsinformation umfassen einen Herzschlagsensor zum Messen eines Herzschlags des Fahrers und eine fahrzeuginterne Kamera zur Erfassung eines Gesichtsausdrucks des Fahrers und dergleichen.
Der Datenerfassungsabschnitt 11 speichert nicht nur die Erfassungswerte von den Sensoren im Datenspeicherabschnitt 12, sondern kann ebenso dazu ausgelegt sein, einen jeweiligen Ableitungswert (wie beispielsweise eine zeitliche Differenzierung) der Fahrbedienungsinformation, der Fahrzeugzustandsinformation und der Fahrerzustandsinformation zu berechnen und die berechneten Werte als Ableitungswertinformation im Datenspeicherabschnitt 12 mit den Erfassungswerten zu speichern.
Wenn beispielsweise der Erfassungswert des Lenksensors erfasst wird, berechnet der Datenerfassungsabschnitt 11 eine Lenkgeschwindigkeit als die Ableitungswertinformation des Lenkwinkels mit einem positiven oder negativen Vorzeichen, das eine Lenkrichtung zeigt, und speichert der Datenerfassungsabschnitt 11 diese anschließend. Wenn die Erfassungswerte des Beschleunigungssensors oder des Bremssensors erfasst werden, berechnet der Datenerfassungsabschnitt 11 eine Herabdrückgeschwindigkeit entsprechend der Ableitungswertinformation auf der Grundlage der Gaspedalposition oder des Bremshauptzylinderdrucks mit einem Vorzeichen von Plus oder Minus, das eine Pedalbewegungsrichtung (eine Herabdrückrichtung oder eine Rückkehrrichtung) anzeigt, und speichert der Datenerfassungsabschnitt 11 diese. Es sollte beachtet werden, dass der Datenerfassungsabschnitt 11 dazu ausgelegt sein kann, nicht die Ableitungswerte, sondern einen Differenzwert (wie beispielsweise einen Differenzwert zwischen den Erfassungswerten, die von der gleichen Art sind und an unterschiedlichen Zeitpunkten erfasst werden, d. h. einen Differenzwert zwischen Zeitreihendaten) der Erfassungswerte als die Ableitungswertinformation zu berechnen.
Folglich ermöglicht eine Verwendung der Ableitungswertinformation der Fahrbedienungsinformation, der Fahrzeugzustandsinformation und der Fahrerzustandsinformation eine geeignet Darstellung der Tendenz der Zustandsänderung des Fahrzeugs im Ansprechen auf die Bedienung durch den Fahrer. Bezüglich des Fahrbedienung am Fahrzeug und des Zustands des Fahrzeugs ist oftmals eher die Tendenz der Änderung des Erfassungswerts als der Betrag des Wertes von Bedeutung.
Wenn der Fahrer beispielsweise das Lenkrad betätigt, um den Lenkwinkel nach rechts zu erhöhen, verstärkt das Fahrzeug die Tendenz zum Rechtsabbiegen. Demgegenüber schwächt das Fahrzeug dann, wenn das Lenkrad zurück zur neutralen Position geführt wird, die Tendenz zum Rechtsabbiegen zu einem Übergang zu einer Geradeausfahrt, auch wenn der Lenkwinkel gleich dem vorherigen Beispiel ist. Gleiches gilt für das Gaspedal und das Bremspedal. D. h., ein Herabdrücken des Gaspedals nach vorne erhöht die Fahrzeuggeschwindigkeit oder die Verbrennungsmotordrehzahl. Demgegenüber verringert sich die Fahrzeuggeschwindigkeit oder die Verbrennungsmotordrehzahl, wenn das Pedal zurückkehrt, auch wenn die Gaspedalpositionen in diesen Situationen gleich sind. Folglich ist das Verhalten des Fahrzeugs auch dann recht verschieden, wenn die Erfassungswerte gleich sind. Wenn die Ableitungswertinformation verwendet wird, kann Information über solch eine Tendenz einer Änderung gewonnen werden.
Der Datenerfassungsabschnitt 11 kann dazu ausgelegt sein, Information (Fahrumgebungsinformation) über die Fahrumgebung des Eigenfahrzeugs zu erfassen, um diese im Datenspeicherabschnitt 12 zu speichern. Beispiele für die Sensoren zur Erfassung der Fahrumgebungsinformation umfassen einen Umgebungssensor, einen fahrzeuginternen Umgebungssensor, einen GPS-(globales Positionsbestimmungssystem)-Sensor und eine Straßeninformationsdatenbank.
Als der Umgebungssensor können ein Temperatursensor zum Messen einer Außenlufttemperatur, eine Radarvorrichtung zum Messen eines Abstands zu vorausfahrenden Fahrzeugen oder Hindernissen und dergleichen verwendet werden. Die Radarvorrichtung wird verwendet, um ein Vorhandensein oder Fehlen eines vorausfahrenden Fahrzeugs zu erfassen und einen Abstand zu dem vorausfahrenden Fahrzeug zu messen, wenn das vorausfahrende Fahrzeug erfasst wird. Als der fahrzeuginterne Umgebungssensor kann ein Mikrophon zur Erfassung eines Tons bzw. akustischen Signals im Eigenfahrzeug verwendet werden. Das Mikrophon wird dazu verwendet, ein Vorhandensein oder Fehlen einer Unterhaltung im Eigenfahrzeug zu erfassen und den Inhalt der Unterhaltung zu erfassen, wenn die Unterhaltung erfasst wird.
Durch die Verwendung des GPS-Empfängers und der Straßeninformationsdatenbank können die Bedingungen der vom Fahrzeug befahrenen Straße erschlossen werden. Es kann beispielsweise bestimmt werden, ob die vom Fahrzeug befahrene Straße eine Autobahn oder eine gewöhnliche Straße ist, ob die Straße mehrere Fahrspuren oder nur eine Fahrspur aufweist, und ob oder nicht eine Kreuzung oder eine Weggabelung voraus des Eigenfahrzeugs liegt.
Solche Information, die von dem Umgebungssensor, dem fahrzeuginternen Umgebungssensor, dem GPS-Empfänger und der Straßeninformationsdatenbank erhalten wird, hat großen Einfluss auf den Fahrzeugzustand und den Fahrerzustand. Folglich können, wenn auch solche Information verwendet wird, eine Diskretisierungsgenauigkeit in einem Diskretisierungsprozess, der nachstehend noch beschrieben ist, und eine Genauigkeit einer Segmentierung in einem Musterextrahierungsprozess, der nachstehend noch beschrieben ist, verbessert werden.
Der Information, die der Datenerfassungsabschnitt 11 von den Sensoren erfasst, wie beispielsweise die Fahrbedienungsinformation, die Fahrzeugzustandsinformation, die Fahrumgebungsinformation, die Fahrerzustandsinformation und die Ableitungswertinformation hiervon, sind nachstehend als Fahrdaten beschrieben. Der Datenerfassungsabschnitt 11 verknüpft die Fahrdaten mit Information (Zeitstempel) über eine Zeit der Erfassung der Fahrdaten, um sie im Datenspeicherabschnitt 12 zu speichern.
Die Diagnosevorrichtung 2 weist einen Mikrocomputer mit einer CPU, einem Speicher, wie beispielsweise einem ROM, einem RAM und einem EEPROM, E/A-Anschlüsse und einen diese verbindenden Bus auf. Die Diagnosevorrichtung 2 wird im Fahrzeug verwendet.
Die Diagnosevorrichtung 2 erfasst die im Datenspeicherabschnitt 12 der Datenerfassungsvorrichtung 1 des Eigenfahrzeugs gespeicherten Fahrdaten. Die Fahrdaten, die von der Diagnosevorrichtung 2 bereits erfasst worden sind, können aus dem Datenspeicherabschnitt 12 gelöscht werden.
Anschließend führt die Diagnosevorrichtung 2 im ROM gespeicherte Steuerprogramme auf der Grundlage der erfassten Fahrdaten aus, um so referenzwertbezogene Prozesse auszuführen, die jeden Referenzwert entsprechend einer jeweiligen Fahrszene erzeugen (nachstehend noch beschrieben), wobei die Referenzwerte zur Bestimmung dienen, ob oder nicht eine Fehlfunktion des Fahrzeugs vorliegt. Die Diagnosevorrichtung 2 führt Fehlerdiagnosebezogene Prozesse aus, die bestimmen, ob oder nicht eine Fehlfunktion des Fahrzeugs vorliegt.
Die Diagnosevorrichtung 2 weist als Funktionsblöcke, wie in 3 gezeigt, einen Fahrszenenklassifizierungsabschnitt 21, einen Diagnosemerkmalextrahierungsabschnitt 22, einen Diagnosemerkmalakkumulierungsabschnitt 23, einen Referenzwerterzeugungsabschnitt 24, einen Referenzwertspeicherabschnitt 25 und einen Fehlerdiagnoseabschnitt 26 auf. Der Diagnosemerkmalakkumulierungsabschnitt 23 und der Referenzwertspeicherabschnitt 25 sind mit einem wiederbeschreibbaren Speicher, wie beispielsweise einem elektrisch wiederbeschreibbaren Speicher, einschließlich eines RAM, eines EEPROM und dergleichen, oder einem magnetisch wiederbeschreibbaren Speichers, einschließlich eines HDD, aufgebaut.
Der Fahrszenenklassifizierungsabschnitt 21 ordnet die von der Datenerfassungsvorrichtung 1 erfassten Fahrdaten auf der Grundlage der vorstehend beschriebenen Zeitstempel in chronologischer Reihenfolge an und teilt die in chronologischer Reihenfolge angeordneten Fahrdaten anschließend in mehrere Teile. Der Fahrszenenklassifizierungsabschnitt 21 entspricht dem Klassifizierungsabschnitt in den Ansprüchen. In dieser Ausführungsform sind nachstehend Beispiele unter Verwendung von sechs Arten von Fahrdaten, d. h. Gaspedalposition, Bremshauptzylinderdruck, Lenkwinkel, Fahrzeuggeschwindigkeit, Ableitungswert des Bremshauptzylinderdrucks und Ableitungswert des Lenkwinkels, beschrieben.
Die Fahrdaten ändern sich in Abhängigkeit von Umgebungszuständen oder Fahrmustern signifikant. 4 zeigt ein Diagramm zur Veranschaulichung eines Beispiels der sechs Arten von Fahrdaten, die in chronologischer Reihenfolge angeordnet sind. In der 4 zeigt die horizontale Achse die Zeit, die vertikale Achse Werte der Fahrdaten und sind die sechs Arten von Fahrdaten auf der vertikalen Achse aufgetragen. Jedes Stück von Fahrdaten zeigt, wie in 4 gezeigt, verschiedene Werte, es tauchen jedoch, wie in A gezeigt, ein ähnliches Muster der Änderung der Werte der Fahrdaten wiederholt in den verschiedenen Zeitbereichen auf.
Der Fahrszenenklassifizierungsabschnitt 21 extrahiert das vorstehend beschriebene Muster. Hierfür teilt der Fahrszenenklassifizierungsabschnitt 21 die Zeitreihenfahrdaten beispielsweise in Übereinstimmung mit der Zweifachgliederungsstrukturanalyse. Dieses Verfahren weist einen zweistufigen Prozess aus einem Diskretisierungsprozess und einem Musterextrahierungsprozess auf. Bei diesem Verfahren wird, nachdem der Diskretisierungsprozess, bei dem die Zeitreihendaten diskretisiert werden, im folgenden Musterextrahierungsprozess ein Muster, das wiederholt in der diskreten Reihe erscheint, die im Diskretisierungsprozess erhalten wird, extrahiert. D. h., der Fahrszenenklassifizierungsabschnitt 21 teilt die Fahrdaten automatisch in jede Fahrszene als das Muster.
Nachstehend ist die Zweifachgliederungsstrukturanalyse (double articulation structure analysis) beschrieben.
Bei dem Diskretisierungsprozess teilt der Fahrszenenklassifizierungsabschnitt 21, wie in 5 gezeigt, die sechs Arten von Fahrdaten, die in der chronologischen Reihenfolge angeordnet sind, in Teileinheiten. In dieser Ausführungsform entspricht jede Teileinheit einem jeweiligen Fahrzeugzustand. Anschließend beschreibt der Fahrszenenklassifizierungsabschnitt 21 jede geteilte Fahrdaten mit einem jeweiligen Fahrsymbol (C1, C2, C3, C4, C5 usw.) entsprechend jedem Fahrzeugzustand, der aus den geteilten Fahrdaten bestimmt wird, um so eine Symbolfolge zu generieren.
Bei dem Diskretisierungsprozess wird, in einem Raum, in dem jede von sechs Arten von Fahrdaten jede Dimension bildet, jeder Fahrzeugzustand, der aus den Fahrdaten erhalten wird, als ein Cluster definiert, indem eine statistische Verarbeitung angewandt wird. Jede Kombination der Fahrdaten wird in jeden Fahrzeugzustand (d. h. jedes Cluster) geteilt, indem bestimmt wird, zu welchem Cluster die Kombination der Fahrdaten gehört. Ferner beschreibt der Fahrszenenklassifizierungsabschnitt 21 jede geteilte Fahrdaten mit einem jeweiligen Symbol (C1, C2, C3, C4, C5 usw.) entsprechend einem jeweiligen Cluster, zu dem jede Kombination der Fahrdaten gehört, um so eine Symbolfolge zu erzeugen.
In dieser Ausführungsform wird ein HDP-HMM (Hierarchical Dirichlet Process Hidden Markov Model), eines von Modellen, die mit verborgenen Zuständen und stochastischen Übergängen zwischen den Zuständen beschrieben werden, im Diskretisierungsprozess verwendet. HDP-HMM weist eine Flexibilität auf, bei der die Anzahl von verborgenen Zuständen in Abhängigkeit von Eingangssignalen automatisch bestimmt werden kann, indem ein unendlich-dimensionaler verborgener Zustand (entsprechend einem Cluster) im HMM angenommen wird. Folglich weist HDP-HMM dahingehend einen Vorteil auf, dass es nicht erforderlich ist, die Anzahl von verborgenen Zuständen im Voraus auszulegen. Insbesondere wird vorzugsweise Sticky-HDP-HMM als HDP-HMM verwendet. Sticky-HDP-HMM ist ein Verfahren, bei dem eine Eigenübergangswahrscheinlichkeit von derjenigen von HDP-HMM nach oben verzerrt wird. Eine Erhöhung der Eigenübergangswahrscheinlichkeit ermöglicht eine Verhinderung eines übermäßigen Übergangs bzw. Wechsels von verborgenen Zuständen, so dass eine Modellierung von kontinuierlichen Fahrdaten wirksam erfolgen kann.
Diese Art von HDP-HMM und Sticky-HDP-HMM ist beispielsweise in „Imitation Learning Method for unsegmented motion using Hierarchical Dirichlet Process Hidden Markov Model" (The Society of Instrument and Control Engineers System and Information Division Congress (2010)) näher beschrieben. Folglich ist hierauf nachstehend nicht näher eingegangen.
Es sollte beachtet werden, dass der Diskretisierungsprozess nicht auf das vorstehend beschriebene HDP-HMM beschränkt ist, sondern andere Modelle verwendet werden können. So können beispielsweise Modelle, wie beispielsweise ein gewöhnliches HMM, ein Markov Model N-ter Ordnung, ein hierarchisches Markov Model, ein Switching-AR-(autoregressives)-Model und eine Switching-Kalman-Filterung angewandt werden. In diesem Fall wird die Anzahl von verborgenen Zuständen in jedem Model im Voraus ausgelegt und werden Parameter von jedem verborgenen Zustand und jede Übergangswahrscheinlichkeit zwischen verborgenen Zuständen im Voraus berechnet oder nacheinander aktualisiert, und zwar in Übereinstimmung mit der ausgelegten Anzahl von verborgenen Zuständen. Anschließend werden A-posteriori-Wahrscheinlichkeiten von verborgenen Zuständen auf der Grundlage der berechneten Parameter der verborgenen Zustände und Übergangswahrscheinlichkeiten zwischen den verborgenen Zuständen berechnet. Hierdurch kann der wahrscheinlichste verborgene Zustand (Cluster) erhalten werden.
Anschließend wird, im Musterextrahierungsprozess, wie in 5 gezeigt, die Symbolfolge, die im Diskretisierungsprozess erhalten wird, in Fahrwörter (W1, W2, W3 usw.) segmentiert, die die jeweiligen Fahrszenen beschreiben. Hierin ist ein Fahrwort aus einem einzigen Fahrsymbol oder einer Kombination von Fahrsymbolen aufgebaut, und beschreibt jedes Fahrwort eine jeweilige Fahrszene oder jeweilige Fahrszenen (wie beispielsweise Starten, Stoppen, Fahren bei konstanter Geschwindigkeit, Kurvenfahrt, Links- oder Rechtsabbiegen an einer Kreuzung, Fahrspurwechsel nach rechts oder nach links usw.). Der Fahrszenenklassifizierungsabschnitt 21 gibt die Ergebnisse der Segmentierung im Musterextrahierungsprozess an den Diagnosemerkmalextrahierungsabschnitt 22.
Bei einem in der 5 gezeigten Beispiel wird beispielsweise ein Fahrsymbol C1 allein durch ein Fahrwort W1 ersetzt. Demgegenüber werden die Fahrsymbole C2 und C3 zu einem Fahrwort W2 zusammengefügt. Die Fahrsymbole C2, C4 und C5 werden zu einem Fahrwort W3 zusammengefügt. Folglich zeigt die Folge oder die Anordnung der Fahrwörter, die durch die Segmentierung in jedes Fahrwort erhalten wird, das eine jeweilige Fahrszene beschreibt, Änderungen der Fahrszenen.
In dieser Ausführungsform wird ein NPYLM (Nested Pitman-Yor Language Model) als ein Beispiel für nicht überwachte Stückelungs- bzw. Chunking-Verfahren von diskreten Folgen, die statistische Information verwenden, auf den Musterextrahierungsprozess angewandt. Dieses NPYLM ist ein Model, das durch Einbettung eines N-gram-Models als ein Wortmodel in ein HPYLM (Hierarchical Pitman-Yor Language Model) erweitert wird und eine morphologische Analyse ohne Wörterbuchdaten realisieren kann. HPYLM ist ein verbessertes N-gram-Sprachmodel zur Anwendung auf unbekannte oder niederfrequente Wörter durch Ausführung einer Glättung in Übereinstimmung mit Pitman-Yor-Prozessen.
NPYLM und HPYLM sind in „Motion Segmentation with Hierarchical Pitman-Yor Language Model" (The 25th Annual Conference of the Japanese Society for Artificial Intelligence, 3B1-OS22c-8, 2011) näher beschrieben worden. Folglich ist hierauf nachstehend nicht näher eingegangen.
Der Musterextrahierungsprozess ist nicht auf die Verwendung des vorstehend beschriebenen NPYLM beschränkt, sondern es können andere Verfahren angewandt werden. Der Fahrszenenklassifizierungsabschnitt 21 kann die eingegebene Symbolfolge beispielsweise in die wahrscheinlichsten Fahrwörter segmentieren, indem er auf ein Fahrwortwörterbuch, eine Übergangswahrscheinlichkeitsdatenbank und eine Erzeugungswahrscheinlichkeitsdatenbank Bezug nimmt, die im Voraus vorbereitet werden und darin gespeichert werden. Das Fahrwortwörterbuch kann erstellt werden, indem vorbestimmte Fahrwörter auf der Grundlage von Symbolfolgen festgelegt werden, die erzeugt werden, wenn Fahrzeuge in verschiedenen Fahrszenen fahren, und die Übergangswahrscheinlichkeitsdatenbank und die Erzeugungswahrscheinlichkeitsdatenbank können ebenso erstellt werden, indem eine Übergangswahrscheinlichkeit und eine Erfassungswert jedes Fahrwortes auf der Grundlage der Symbolfolgen und der Fahrwörter gewonnen werden.
In dieser Ausführungsform werden die Fahrdaten, die in Übereinstimmung mit der Zweifachgliederungsstrukturanalyse in Fahrwörter segmentiert werden, in den folgenden Prozessen als eine Mustereinheit behandelt. Eine Mustereinheit ist jedoch nicht hierauf beschränkt. Der Fahrszenenklassifizierungsabschnitt 21 kann beispielsweise dazu ausgelegt sein, die Fahrdaten in Abhängigkeit jedes Fahrsymbols als die Ergebnisse des Diskretisierungsprozesses ohne Segmentierung in die Fahrwörter zu klassifizieren. In diesem Fall werden die Fahrdaten, die in Abhängigkeit der Fahrsymbole klassifiziert werden, zu einer Mustereinheit.
Der Diagnosemerkmalextrahierungsabschnitt 22 ist dazu ausgelegt, einen Diagnosemerkmalextrahierungsprozess auszuführen. Bei dem Diagnosemerkmalextrahierungsprozess extrahiert der Diagnosemerkmalextrahierungsabschnitt 22 ein Merkmal (ein Diagnosemerkmal) der Fahrdaten in einer Mustereinheit, die in jede Fahrszene klassifiziert ist. Das Diagnosemerkmal entspricht dem Mustermerkmal in den Ansprüchen, und der Diagnosemerkmalextrahierungsabschnitt 22 entspricht dem Merkmalextrahierungsabschnitt in den Ansprüchen. Der Diagnosemerkmalextrahierungsabschnitt 22 akkumuliert im Diagnosemerkmalakkumulierungsabschnitt 23 das Diagnosemerkmal, das im Diagnosemerkmalextrahierungsprozess extrahiert wird, und gibt das extrahierte Diagnosemerkmal an den Fehlerdiagnoseabschnitt 26. Das im Diagnosemerkmalakkumulierungsabschnitt 23 akkumulierte Diagnosemerkmal wird in referenzwerterzeugungsbezogenen Prozessen verwendet, die nachstehend noch beschrieben sind, und das Diagnosemerkmal, das an den Fehlerdiagnoseabschnitt 26 gegeben wird, wird in einem Fehlerdiagnoseprozess verwendet, der nachstehend noch beschrieben ist.
Nachstehend ist die Extrahierung des Diagnosemerkmals im Diagnosemerkmalextrahierungsabschnitt 22 unter Bezugnahme auf die 6 beschrieben. 6 zeigt eine Abbildung zur Veranschaulichung eines Beispiels für die Fahrdaten, die im Fahrszenenklassifizierungsabschnitt 21 klassifiziert werden. Die gestrichelten Linien in der 6 zeigen Grenzen zwischen Fahrszenen, die im Fahrszenenklassifizierungsabschnitt 21 klassifiziert werden.
Die Fahrdaten in der gleichen Fahrszene weisen ähnliche statistische Eigenschaften auf. In der Fahrszene 5 der 6 zeigen die Fahrdaten 3 beispielsweise eine Tendenz, bei der der Wert schnell ansteigt, nachdem er sich monoton verringert hat (siehe B in der 6). Die Fahrdaten 5 zeigen eine Tendenz, bei der der Wert schnell auf einen Tiefstwert fällt, nachdem er langsam angestiegen ist (siehe C in der 6). Ferner entspricht, in der Fahrszene 5, die Zeit, wenn der Wert der Fahrdaten 3 von abnehmend zu zunehmend wechselt, der Zeit, wenn der Wert der Fahrdaten 5 von abnehmend zu stationär wechselt. Der Diagnosemerkmalextrahierungsabschnitt 22 extrahiert solch eine Änderung, einen Wert und ein Verhältnis der Fahrdaten quantitativ, als ein Diagnosemerkmal.
Gemäß einem Beispiel extrahiert der Diagnosemerkmalextrahierungsabschnitt 22, als ein Diagnosemerkmal, einen Satz von Regressionskoeffizienten von allen möglichen Paaren von Arten von Fahrdaten, die aus allen Arten von Fahrdaten gewählt werden, wobei der jeweilige Regressionskoeffizient ein lineares Verhältnis zwischen zwei Arten von Fahrdaten in der gleichen Zeitspanne der Fahrszene beschreibt. Hierdurch können Verhältnisse zwischen verschiedenen Arten von Zeitreihenfahrdaten in einer bestimmten Fahrszene beschrieben bzw. dargestellt werden.
7 zeigt ein Diagramm, in dem Werte der Fahrdaten 3 und 5 in der Fahrszene 5 des in der 6 gezeigten Beispiels in einer zweidimensionalen Ebene aufgetragen sind. In der 7 zeigt ein Punkt die Werte der Fahrdaten 3 und 5 zur gleichen Zeit. Die gestrichelte Linie in der 7 zeigt die Regressionsgerade der Fahrdaten 3 und 5, wobei der Gradient der Regressionsgeraden den Regressionskoeffizienten zeigt. Ein Matrixausdruck der Regressionskoeffizienten von allen Kombinationen von allen Fahrdaten wird als ein Diagnosemerkmal verwendet. In einem Beispiel dieser Ausführungsform wird, da die Fahrdaten sechsdimensionale Daten sind, das Diagnosemerkmal der Regressionskoeffizienten, wie in 8 gezeigt, durch eine Matrix bestehend aus 36 Zellen in einer 6×6 Matrix angeordnet beschrieben. Werte werden in jeder Zelle der Matrix gespeichert, wobei jede Zeile der Einfachheit halber in Abhängigkeit von Werten in der 8 schattiert dargestellt ist.
Die Erfindung ist nicht auf die Verwendung des vorstehend beschriebenen Regressionskoeffizienten zur Extrahierung eines Diagnosemerkmals beschränkt. Es können andere Werte, die das Verhältnis zwischen verschiedenen Arten von Zeitreihenfahrdaten beschreiben, verwendet werden. Es kann beispielsweise ein Korrelationskoeffizient zwischen zwei Variablen, ein Granger-Kausalitätskoeffizient oder eine Regressionsresiduum verwendet werden. Alternativ kann ein Abweichungsgrad von einer Regressionsgeraden eines Modells verwendet werden. Hier beschreibt das Modell Verhältnisse zwischen Fahrdaten jedes Sensors, die im Voraus von einem Fahrzeughersteller oder dergleichen ausgelegt und als normal bestätigt werden.
Die Erfindung ist nicht auf die Verwendung des Matrixausdrucks der Regressionskoeffizienten für das Diagnosemerkmal beschränkt. Es kann beispielsweise ein Satz von Korrelationskoeffizienten zwischen Variablen, Granger-Kausalitätskoeffizienten oder Regressionsresiduen verwendet werden. Als Ausdrücke eines Satzes können ein Array, eine Matrix und ein Tensor (in diesem Beispiel des Satzes von Korrelationskoeffizienten, Granger-Kausalitätskoeffizienten und Regressionsresiduen, ein dreidimensionaler Tensor) und dergleichen verwendet werden.
Ferner können nicht nur die Verhältnisse vom Typ 1:1, sondern ebenso Verhältnisse vom Typ 1:M (M = Many bzw. viele) der Fahrdaten für das Diagnosemerkmal verwendet werden. Es kann beispielsweise ein Residuum bei einer Mehrfachlinearregressionsanalyse, die unter Verwendung von einer Art der Fahrdaten als eine Antwortgröße und anderer Arten von Fahrdaten als beispielhafte Variable ausgeführt wird, als das Diagnosemerkmal verwendet werden. In diesem Fall kann ein Satz der Residuen in Mehrfachlinearregressionsanalysen, die an den jeweiligen Fahrdaten ausgeführt werden, als das Diagnosemerkmal verwendet werden.
Ferner ist das Diagnosemerkmal nicht auf das Verhältnis zwischen den Zeitreihenfahrdaten beschränkt. Als ein Diagnosemerkmal zur quantitativen Extrahierung jedes Variablenwerts der Fahrdaten können beispielsweise Mittelwerte von Variablen in der gleichen Fahrszene, die als Vektor beschrieben werden, verwendet werden. Alternativ können, als Diagnosemerkmal zur quantitativen Extrahierung von Änderungen der Fahrdaten, Mittelwerte von Ableitungswerten von Variablen in jeder Fahrszene verwendet werden.
Der Diagnosemerkmalextrahierungsabschnitt 22 akkumuliert, im Diagnosemerkmalakkumulierungsabschnitt 23, das im Diagnosemerkmalextrahierungsprozess extrahierte Diagnosemerkmal. Der Diagnosemerkmalakkumulierungsabschnitt 23 entspricht dem Akkumulierungsabschnitt in den Ansprüchen. In dieser Ausführungsform ist, wie in 9 gezeigt, jede Datenbank bezüglich einer jeweiligen Fahrszene im Akkumulierungsabschnitt 23 aufgebaut und werden Diagnosemerkmale in der Datenbank der entsprechenden Fahrszene akkumuliert.
Es sollte beachtet werden, dass die Erfindung nicht auf die Konfiguration beschränkt ist, in der die Diagnosemerkmale anhand der Art von Fahrszenen im Akkumulierungsabschnitt 23 akkumuliert werden. Es ist beispielsweise eine Konfiguration denkbar, in der die Diagnosemerkmale im Akkumulierungsabschnitt 23 akkumuliert werden, ohne die Fahrszenen zu klassifizieren. Gemäß einem weiteren Beispiel kann die gleiche Datenbank mehreren Arten von Fahrszenen zugeteilt werden. In diesem Fall kann beispielsweise die gleiche Datenbank einer Gruppe der Fahrszenen zugeteilt werden, wobei die Gruppe per Clustering der Mittelwerte des entsprechenden Diagnosemerkmals der Fahrszenen bestimmt wird.
Der Referenzwerterzeugungsabschnitt 24 ist dazu ausgelegt, den Referenzwerterzeugungsprozess auszuführen. Bei dem Referenzwerterzeugungsprozess erzeugt der Referenzwerterzeugungsabschnitt 24 den Referenzwert zur Bestimmung, ob oder nicht eine Fehlfunktion des Fahrzeugs vorliegt, auf der Grundlage des im Akkumulierungsabschnitt 23 akkumulierten Diagnosemerkmals. Genauer gesagt, im Referenzwerterzeugungsprozess erzeugt der Referenzwerterzeugungsabschnitt 24 den Referenzwert zur Diskriminierung zwischen einem Normalwert und einem Fehlerwert. In dieser Ausführungsform erzeugt der Referenzwerterzeugungsabschnitt 24 jeden Referenzwert für eine jeweilige Fahrszene auf der Grundlage der Diagnosemerkmale, die im Akkumulierungsabschnitt 23 akkumuliert werden, anhand der Art von Fahrszenen, die im Fahrszenenklassifizierungsabschnitt 21 klassifiziert werden.
Der Referenzwerterzeugungsabschnitt 24 bestimmt, wie in 10 gezeigt, eine Diskriminierungsgrenze (d. h. eine Diskriminierungshyperebene) zwischen Normalwerten und Fehlerwerten in Übereinstimmung mit einer OC-SVM (One Class Support Vector Machine) unter Verwendung der Diagnosemerkmale, die anhand der Art von Fahrszenen akkumuliert werden, als Lerndaten. Hierdurch erzeugt der Referenzwerterzeugungsabschnitt 24 die Diskriminierungsgrenze als den Referenzwert.
Der Referenzwerterzeugungsabschnitt 24 kann dazu ausgelegt sein, als den Referenzwert, eine normierte Abweichung der Frequenzverteilung des im Diagnosemerkmalakkumulierungsabschnitt 23 akkumulierten Diagnosemerkmals zu erzeugen (nachstehend als eine erste Modifikation beschrieben).
Gemäß der ersten Modifikation erzeugt der Referenzwerterzeugungsabschnitt 24, wie in 11 gezeigt, als den Referenzwert, die Diskriminierungsgrenze zwischen Normalwert und Fehlerwert für jede Zelle der Matrix des Diagnosemerkmals auf der Grundlage der Frequenzverteilung der entsprechenden Zelle. Die Frequenzverteilung der Zelle ist eine Verteilung Erscheinungsfrequenz von Werten, die in einer Zelle gespeichert werden, und wird für jede Zelle einer Matrix auf der Grundlage der Matrizen erzeugt, die die Diagnosemerkmale sind, die im Akkumulierungsabschnitt 23 akkumuliert werden. Der Referenzwerterzeugungsabschnitt 24 legt, als den Referenzwert, beispielsweise die dreifache Standardabweichung fest, um zwischen normal und fehlerhaft zu diskriminieren, indem der Referenzwert mit einer Differenz zwischen einem Wert und dem Mittelwert verglichen wird.
Ferner ist die Erfindung nicht auf die Erzeugung des Referenzwertes in Übereinstimmung mit einem nicht überwachten Lernen, d. h. auf der Grundlage der Diagnosemerkmale der Fahrdaten nur in Normalzuständen des Fahrzeugs, beschränkt, so wie es vorstehend beschrieben ist.
Der Referenzwerterzeugungsabschnitt 24 kann beispielsweise dazu ausgelegt sein, den Referenzwert auf der Grundlage von sowohl den Diagnosemerkmalen der Fahrdaten in Normalzuständen des Fahrzeugs als auch den Diagnosemerkmalen der Fahrdaten in Fehlerzuständen des Fahrzeugs zu erzeugen (nachstehend als eine zweite Modifikation beschrieben).
In der zweiten Modifikation kann der Referenzwerterzeugungsabschnitt 24 dazu ausgelegt sein, als den Referenzwert, die Diskriminierungsgrenze zu erzeugen, die in Übereinstimmung mit der SVM (Support Vector Machine) gelernt wird, und zwar unter Verwendung der Diagnosemerkmale der Fahrdaten in Normalzuständen des Fahrzeugs und der Diagnosemerkmale der Fahrdaten in Fehlerzuständen des Fahrzeugs. Die Fahrdaten in Normalzuständen und in Fehlerzuständen des Fahrzeugs werden beispielsweise im Voraus erhalten, indem Tests in Normalzuständen und in Fehlerzuständen des Fahrzeugs durchgeführt werden.
Der Referenzwerterzeugungsabschnitt 24 speichert den im Referenzwerterzeugungsprozess erzeugten Referenzwert im Referenzwertspeicherabschnitt 25. In dieser Ausführungsform werden, im Referenzwertspeicherabschnitt 25, die Referenzwerte anhand der Art der Fahrszenen gespeichert, die im Fahrszenenklassifizierungsabschnitt 21 klassifiziert werden.
Hierin werden die referenzwertbezogenen Prozesse in der Diagnosevorrichtung 2 unter Bezugnahme auf das in der 12 gezeigte Ablaufdiagramm beschrieben. Das in der 12 gezeigte Ablaufdiagramm wird gestartet, wenn eine Energiequelle der Diagnosevorrichtung 2 eingeschaltet wird, und der Ablauf wird in einem vorbestimmten Ausführungszyklus wiederholt, bis er beendet wird, wenn die Energiequelle der Diagnosevorrichtung 2 ausgeschaltet wird.
Zunächst erhält die Diagnosevorrichtung 2, in Schritt S1, neue Fahrdaten von der Datenerfassungsvorrichtung 1. Wenn die Daten erhalten worden sind (Schritt S1: JA), schreitet der Ablauf zu Schritt S2 voran. Wenn die Daten demgegenüber nicht erhalten worden sind (Schritt S1: NEIN), wird Schritt S1 wiederholt ausgeführt.
In Schritt S2 führt der Fahrszenenklassifizierungsabschnitt 21 den vorstehend beschriebenen Diskretisierungsprozess an den Zeitreihenfahrdaten aus, woraufhin der Ablauf zu Schritt S3 voranschreitet. In Schritt S3 führt der Fahrszenenklassifizierungsabschnitt 21 den vorstehend beschriebenen Musterextrahierungsprozess an der Symbolfolge aus, die im Diskretisierungsprozess erhalten wird, woraufhin der Ablauf zu Schritt S4 voranschreitet.
In Schritt S4 führt der Diagnosemerkmalextrahierungsabschnitt 22 den vorstehend beschriebenen Diagnosemerkmalextrahierungsprozess an den Fahrdaten aus, die in jede Fahrszene klassifiziert werden, und zwar als Mustereinheit im Musterextrahierungsprozess, woraufhin der Ablauf zu Schritt S5 voranschreitet. In Schritt S5 akkumuliert der Diagnosemerkmalextrahierungsabschnitt 22 im Diagnosemerkmalakkumulierungsabschnitt 23 das Diagnosemerkmal, das im Diagnosemerkmalextrahierungsprozess extrahiert wird, und zwar anhand der Art der Fahrszenen, die im Klassifizierungsabschnitt 21 klassifiziert werden. Anschließend schreitet der Ablauf zu Schritt S6 voran.
In Schritt S6 führt der Referenzwerterzeugungsabschnitt 24 den vorstehend beschriebenen Referenzwerterzeugungsprozess auf der Grundlage des im Akkumulierungsabschnitt 23 akkumulierten Diagnosemerkmals aus. Anschließend schreitet der Ablauf zu Schritt S7 voran. In Schritt S7 speichert der Referenzwerterzeugungsabschnitt 24 den Referenzwert im Referenzwertspeicherabschnitt 25, der im Referenzwerterzeugungsprozess erzeugt wird, und zwar anhand der Art der Fahrszenen, die im Klassifizierungsabschnitt 21 klassifiziert werden. Anschließend wird der Ablauf bis zur nächsten Wiederholung beendet.
Wenn noch nicht ausreichend Diagnosemerkmale im Akkumulierungsabschnitt 23 akkumuliert worden sind, können die Schritte S6 und S7 ausgelassen werden, bis ausreichend Diagnosemerkmale akkumuliert worden sind. In diesem Fall kehrt der Ablauf nach einer Ausführung von Schritt S5 zu Schritt S1 zurück.
Der Fehlerdiagnoseabschnitt 26 führt einen Fehlerdiagnoseprozess zur Diagnose einer Fehlfunktion, wie beispielsweise, ob oder nicht eine Fehlfunktion vorliegt, und des Ortes der Fehlfunktion aus. Im Fehlerdiagnoseprozess diagnostiziert der Fehlerdiagnoseabschnitt 26 auf der Grundlage des im Speicherabschnitt 25 gespeicherten Referenzwertes und des im Merkmalextrahierungsprozess aus den von der Datenerfassungsvorrichtung 1 erhaltenen Fahrdaten extrahierten Diagnosemerkmals. Der Fehlerdiagnoseabschnitt 26 entspricht dem Fehlerdiskriminierungsabschnitt in den Ansprüchen. Der Fehlerdiagnoseabschnitt 26 führt den Fehlerdiagnoseprozess beispielsweise aus, indem er die vorstehend beschriebene Diskriminierungsgrenze als den Referenzwert mit dem im Diagnosemerkmalextrahierungsprozess extrahierten Merkmal vergleicht.
Im Fehlerdiagnoseprozess berechnet der Fehlerdiagnoseabschnitt 26, wie in 13 gezeigt, einen Abweichungsgrad des im Diagnosemerkmalsprozess extrahierten Diagnosemerkmals von der Diskriminierungsgrenze (d. h. dem Referenzwert), der gemäß dem vorstehend beschriebenen OC-SVM erhalten wird. Anschließend vergleicht der Fehlerdiagnoseabschnitt 26 den Abweichungsgrad, der den Grad der Fehlfunktion anzeigt, mit einem Schwellenwert, um so das Auftreten der Fehlfunktion zu diagnostizieren, wenn der Abweichungsgrad den Schwellenwert überschreitet. Ferner kann der Fehlerdiagnoseabschnitt 26 dann, wenn die Fehlfunktion diagnostiziert worden ist, Teile des Diagnosemerkmals mit einem großen Einfluss auf die Fehlfunktion bestimmen, und zwar auf der Grundlage des Verhältnisses zwischen den Diagnosemerkmalen und den Diskriminierungsgrenzen. In der Matrix der Diagnosemerkmale diagnostiziert Fehlerdiagnoseabschnitt 26 beispielsweise dann, wenn der Regressionskoeffizient zwischen dem Bremshauptzylinderdruck und dem Ableitungswert des Bremshauptzylinderdrucks signifikant von der Diskriminierungsgrenze abweicht, den Bremshauptzylinderdruck als den Ort der Fehlfunktion.
Der Fehlerdiagnoseabschnitt 26 erhält, als einen Abweichungsvektor, einen Vektor von dem Diagnosemerkmal zu dem Punkt, der dem Diagnosemerkmal am nächsten ist, wobei der Punkt auf der Diskriminierungsgrenze liegt, die in Übereinstimmung mit OC-SVM erfasst wird. In dieser Ausführungsform ist der Abweichungsvektor, da die Matrix der Diagnosemerkmale aus 36 (= 6·6) Zellen besteht, ein 36-dimensionaler Vektor. Der Fehlerdiagnoseabschnitt 26 ordnet den 36-dimensionalen Vektor auf der Matrix bestehend aus 36 (= 6·6) Zellen an, um eine Abweichungsgradmatrix zu erhalten, in der die Abweichungsgrade der jeweiligen Zellen in der Matrix der Diagnosemerkmale in einer Matrix dargestellt sind.
Wenn die Konfiguration, in der die normierte Abweichung in der Frequenzverteilung des Diagnosemerkmals als die Diskriminierungsgrenze erzeugt wird, gleich der vorstehend beschriebenen ersten Modifikation angewandt wird, vergleicht der Fehlerdiagnoseabschnitt 26, wie in 14 gezeigt, jede Zelle in der Matrix der Diagnosemerkmale mit einer entsprechenden Diskriminierungsgrenze, um die Abweichungsgrade zu berechnen. Hierdurch erhält der Fehlerdiagnoseabschnitt 26 eine Abweichungsgradmatrix, in der die Abweichungsgrade der jeweiligen Zellen in einer Matrix dargestellt sind.
Da, in dieser Offenbarung, die Fehlfunktion des Fahrzeugs einen Zustand beschreibt, in dem die Fahrdaten nicht normal sind, kann die Fehlfunktion des Fahrzeugs als ein Vorgeschmack oder ein Anwärter für einen Fehler im Fahrzeug verstanden werden, der einen Zustand beschreibt, in dem irgendwelche Probleme im Fahrzeug auftreten. Folglich kann der Fehlerdiagnoseabschnitt 26 dazu ausgelegt sein, den Fehler ferner auf der Grundlage des Diagnoseergebnisses des Fehlerdiagnoseprozesses zu diagnostizieren.
Nachstehend sind fehlerdiagnosebezogene Prozesse in der Diagnosevorrichtung 2 unter Bezugnahme auf ein in der 15 gezeigtes Ablaufdiagramm beschrieben. Das in der 15 gezeigte Ablaufdiagramm kann jedes Mal gestartet werden, wenn neue Fahrdaten von der Datenerfassungsvorrichtung 1 erfasst werden. Im Ablauf der 15 diagnostiziert die Diagnosevorrichtung 2 eine Fehlfunktion des Fahrzeugs in Echtzeit.
Zunächst führt der Fahrszenenklassifizierungsabschnitt 21, in Schritt S21, den vorstehend beschriebenen Diskretisierungsprozess an den Zeitreihenfahrdaten aus, die von der Datenerfassungsvorrichtung 1 erhalten werden. Anschließend schreitet der Ablauf zu Schritt S22 voran. In Schritt S22 führt der Klassifizierungsabschnitt 21 den vorstehend beschriebenen Musterextrahierungsprozess an der Symbolfolge aus, die im Diskretisierungsprozess erhalten wird. Anschließend schreitet der Ablauf zu Schritt S23 voran.
In Schritt S23 identifiziert der Klassifizierungsabschnitt 21 die aktuelle Fahrszene, indem er eine Mustereinheit klassifiziert, die im Musterextrahierungsprozess erhalten wird. Anschließend schreitet der Ablauf zu Schritt S24 voran. In Schritt S24 führt der Diagnosemerkmalextrahierungsabschnitt 22 den vorstehend beschriebenen Diagnosemerkmalextrahierungsprozess an den Fahrdaten in der Mustereinheit aus. Anschließend schreitet der Ablauf zu Schritt S25 voran.
In Schritt S25 liest der Fehlerdiagnoseabschnitt 26 den Referenzwert entsprechend der aktuellen Fahrszene aus dem Referenzwertspeicherabschnitt 25. Anschließend schreitet der Ablauf zu Schritt S26 voran. In Schritt S26 führt der Fehlerdiagnoseabschnitt 26 den vorstehend beschriebenen Fehlerdiagnoseprozess auf der Grundlage des in Schritt S24 extrahierten Diagnosemerkmals und des in Schritt S25 gelesenen Referenzwertes aus. Anschließend schreitet der Ablauf zu Schritt S27 voran. In Schritt S27 gibt der Fehlerdiagnoseabschnitt 26 die Diagnoseergebnisse in der Fehlerdiagnose an die Benachrichtigungsvorrichtung 3, woraufhin der Ablauf beendet wird.
Die Benachrichtigungsvorrichtung 3 meldet die von der Diagnosevorrichtung 2 eingegebenen Diagnoseergebnisse. Die Benachrichtigungsvorrichtung 3 kann beispielsweise dazu ausgelegt sein, graphische Darstellungen oder Text anzuzeigen, ein Audiosignal auszugeben (d. h. eine Audioausgabevorrichtung), oder beides auszugeben.
Gemäß der ersten Ausführungsform kann der Referenzwert zur Diagnose einer Fehlfunktion, die für das Zeitreihenmuster der Fahrdaten mit einer bestimmten Historie spezifisch ist, als die Fehlfunktion erzeugt werden, um so mehrere Arten von Fehlfunktionen als ein Fehlfunktion diagnostizieren zu können.
Nachstehend sind Funktionen und Effekte dieser Offenbarung unter Bezugnahme auf die 16A bis 20A näher beschrieben. Zunächst ist, unter Bezugnahme auf die 16A bis 18B, ein Fall beschrieben, der eine Situation zeigt, in der eine Fehlfunktion des Fahrzeugs im Stand der Technik schwer zu unterscheiden ist, gemäß dieser Offenbarung jedoch unterschieden werden kann.
Es wird beispielsweise angenommen, dass eine Fehlfunktion auftritt, bei der die Fahrzeuggeschwindigkeit nicht auf die Gaspedalposition reagiert, jedoch nur kurz nach Fahrtbeginn. Es sollte beachtet werden, dass, in diesem Fall, die Gaspedalposition und die Fahrzeuggeschwindigkeit innerhalb der jeweiligen Bereiche liegen, die normal erfasst werden, wobei beispielsweise ähnliche Werte ebenso bei einer Beschleunigung nach einer Verzögerung erfasst werden. Um diese Fehlfunktion automatisch durch die Vorrichtung zu diagnostizieren, ist es erforderlich, die Beschleunigung kurz nach Fahrtbeginn als eine Fahrszene und andere Beschleunigung als andere Fahrszenen zu extrahieren und zu bestimmen, ob das Verhältnis zwischen der Gaspedalposition und der Fahrzeuggeschwindigkeit in der Fahrszene normal oder nicht normal bzw. fehlerhaft ist.
Im Stand der Technik gemäß dem Patentdokument 1 werden die Fahrdaten auf der Grundlage von Ist-Werten hiervon gruppiert. Folglich kann dann, wenn die Fahrdaten aktuell die gleiche Situation anzeigen, die einen Beschleunigungszustand beschreibt, die Beschleunigung aus dem Stoppzustand nicht als eine Fahrszene diskriminiert werden, die sich von der Beschleunigung nach einem Verzögerungszustand unterscheidet (siehe 16A). Folglich kann die Fehlfunktion, die für das vorstehend beschriebene Zeitreihenmuster der Fahrdaten mit der bestimmten Historie spezifisch ist, nicht als eine Fehlfunktion diagnostiziert werden.
Demgegenüber werden, in der ersten Ausführungsform, die Fahrdaten auf der Grundlage des Zeitreihenmusters der Fahrdaten mit einer bestimmten Historie, wie beispielsweise die Beschleunigung nach dem Anfahren, in die Fahrszene klassifiziert. Dementsprechend können die Beschleunigung nach dem Anfahren und die Beschleunigung nach dem Verzögerungszustand als verschiedene Fahrszenen voneinander unterschieden werden (siehe 16B). Dementsprechend kann eine bestimmte Fehlfunktion des Zeitreihenmusters der Fahrdaten mit einer bestimmten Historie als eine Fehlfunktion diagnostiziert werden.
Weitere Beispiel für die Fahrszenen, die im Stand der Technik nicht unterschieden werden können, jedoch gemäß der ersten Ausführungsform unterschieden werden können, sind unter Bezugnahme auf die 17A bis 18B beschrieben. Eines der Beispiel ist, wie in den 17A und 17B gezeigt, ein Paar der Fahrszenen mit einem langsamen Fahren nach einem Stoppzustand und einem langsamen Fahren in einem Verkehrsstau. 17A zeigt ein Beispiel aus dem Stand der Technik, und 17B zeigt ein Beispiel gemäß der ersten Ausführungsform. Ein weiteres Beispiel ist, wie in den 18A und 18B gezeigt, ein Paar der Fahrszenen mit dem Beginn eines Abbiegens nach rechts, was dem Beginn eines Abbiegens nach rechts nach einer Geradeausfahrt entspricht, und einem Zurückdrehen, was einem Abbiegen nach rechts nach einem scharfen Abbiegen nach rechts, d. h. einem Abbiegen nach rechts mit einem verringerten Lenkwinkel nach einem scharfen Abbiegen nach rechts, entspricht. 18A zeigt ein Beispiel aus dem Stand der Technik, und 18B zeigt ein Beispiel gemäß der ersten Ausführungsform.
Nachstehend sind Unterschiede zwischen einem Fall, in dem ein Clustering gemäß dem Stand der Technik ausgeführt wird, und einem Fall, in dem eine Klassifizierung auf der Grundlage von Zeitreihenmustern gemäß der ersten Ausführungsform ausgeführt wird, unter Bezugnahme auf die 19A und 19B beschrieben. 19A zeigt ein Beispiel aus dem Stand der Technik, und 19B zeigt ein Beispiel gemäß der ersten Ausführungsform. Hierin ist ein Beispiel unter Verwendung der Fahrzeuggeschwindigkeit und der Gaspedalposition als die Fahrdaten beschrieben.
19A zeigt die Fahrdaten, die erfasst werden, indem Fahrtests ausgeführt werden. Die Fahrdaten im Normalzustand werden in jede Fahrszene klassifiziert, indem ein Clustering gemäß Patentdokument 1 ausgeführt wird, und Abtastpunkte in den Fahrdaten sind in der 19A mit den jeweiligen Arten von Symbolen (x oder •) in Abhängigkeit der Arten von Fahrszenen gezeigt.
19B zeigt die Fahrdaten, die erfasst werden, indem Fahrtests ausgeführt werden. Die Fahrdaten im Normalzustand werden gemäß der Konfiguration der ersten Ausführungsform in jede Fahrszene klassifiziert, und Abtastpunkte in den Fahrdaten sind in der 19B mit den jeweiligen Arten von Symbolen (+, x oder •) in Abhängigkeit der Arten von Fahrszenen gezeigt.
In den Beispielen der 19A und 19B werden die gleichen Fahrdaten verwendet. Es sollte beachtet werden, dass die 19A und 19B jeweils nur die Abtastpunkte zeigen, die zu den durch Ellipsen gekennzeichneten Fahrszenen gehören.
Beim Clustering gemäß dem Stand der Technik werden die Fahrdaten, wie in 19A gezeigt, in zwei Fahrszenen klassifiziert. Demgegenüber werden die Fahrdaten bei der Klassifizierung gemäß der Konfiguration der ersten Ausführungsform, wie in 19B gezeigt, in drei Fahrszenen klassifiziert. Ferner sind Werte der Gaspedalposition der Fahrdaten, die gemäß der Konfiguration der ersten Ausführungsform klassifiziert werden, in jeder Fahrszene weit verteilt. Der Grund hierfür liegt darin, dass dann, wenn ebenso die Historie der Fahrdaten berücksichtigt wird, die Änderung in der Fahrzeuggeschwindigkeit geringer als die Änderung in der Gaspedalposition in Zeitreihenfahrdaten ist, und dass sich die Zeitreihenfahrdaten im Wert der Gaspedalposition, wie in 19B gezeigt, umfangreich ändern. Demgegenüber werden, beim Clustering gemäß dem Stand der Technik, die Fahrdaten, die sich nicht fortlaufend über die Zeit ändern, in die gleiche Fahrszene klassifiziert. Folglich kann die Konfiguration der ersten Ausführungsform die Fahrdaten genau in die Fahrszenen klassifiziert, und zwar angemessener entsprechend den Ist-Längsänderungen.
Nachstehend sind Effekte der Fehlerdiagnose in der Konfiguration der ersten Ausführungsform unter Bezugnahme auf die 20A und 20B beschrieben. 20A zeigt ein Beispiel aus dem Stand der Technik, und 20B zeigt ein Beispiel gemäß der ersten Ausführungsform. Hier sind die Beispiele unter Verwendung der Fahrzeuggeschwindigkeit und der Gaspedalposition als die Fahrdaten beschrieben. In den 20A und 20B sind Abtastpunkte in einem Fehlerzustand durch weiße Kreise und Abtastpunkte in einem Normalzustand durch schwarze Kreise gezeigt.
Zunächst sind Probleme im Stand der Technik beschrieben. Im Stand der Technik, wie beispielsweise im Patentdokument 1 gezeigt, werden die jeweiligen Normalbereiche für mehrere Arten von Fahrdaten bestimmt. D. h., die jeweiligen Normalwerte werden für die Fahrzeuggeschwindigkeit und die Gaspedalposition bestimmt. Obgleich die jeweiligen Werte der Fahrzeuggeschwindigkeit und der Gaspedalposition innerhalb der Normalbereiche liegen, kann eine Fehlfunktion im Fahrzeug auftreten. In diesem Fall kann der Stand der Technik die Abtastpunkte im Fehlerzustand, wie in 20A gezeigt, nicht als eine Fehlfunktion diagnostizieren.
Demgegenüber werden, gemäß der ersten Ausführungsform, Verhältnisse zwischen mehreren Arten von Fahrdaten unter Verwendung von Regressionsgeraden modelliert, woraufhin die Fehlfunktion auf der Grundlage des Abweichungsgrads vom Referenzwert des Regressionskoeffizienten diagnostiziert wird. D. h., die Fehlfunktion wird diagnostiziert, indem bestimmt wird, ob oder nicht das Verhältnis zwischen der Fahrzeuggeschwindigkeit und der Gaspedalposition innerhalb des normalen Bereichs liegt. Folglich können die Abtastpunkte im Fehlerzustand, wie in 20B gezeigt, als eine Fehlfunktion diagnostiziert werden, während sie im Stand der Technik nicht als die Fehlfunktion diagnostiziert werden können.
Ferner werden, gemäß der ersten Ausführungsform, wie in 19B gezeigt, die Fahrszenen durch Zeitreihenmuster klassifiziert, die eine Kontinuität der Fahrdaten beibehalten. Dementsprechend werden Modellierungsfehler verringert, verglichen mit einem Fall, in dem die Verhältnisse zwischen mehreren Arten von Fahrdaten, die in Übereinstimmung mit einem herkömmlichen Clustering in die Fahrszenen gruppiert werden, unter Verwendung der Regressionsgeraden modelliert. Ferner können folglich die Referenzwerte zur Diskriminierung zwischen Normalwert und Fehlerwert berechnet werden, um innerhalb eines schmaleren Bereichs zu liegen, so dass das Vermögen zur Diagnostizieren von Fehlfunktionen erhöht werden kann.
Obgleich die Datenerfassungsvorrichtung 1, die Diagnosevorrichtung 2 und die Benachrichtigungsvorrichtung 3 in der ersten Ausführungsform als separate Vorrichtungen gebildet sind, ist die vorliegende Erfindung nicht hierauf beschränkt. So können beispielsweise die Datenerfassungsvorrichtung 1 und die Diagnosevorrichtung 2 zu einer Vorrichtung kombiniert werden, die Diagnosevorrichtung 2 und die Benachrichtigungsvorrichtung 3 zu einer Vorrichtung kombiniert werden oder die Datenerfassungsvorrichtung 1, die Diagnosevorrichtung 2 und die Benachrichtigungsvorrichtung 3 zu einer Vorrichtung kombiniert werden.
(Zweite Ausführungsform)
Die vorliegende Erfindung ist nicht auf die erste Ausführungsform beschränkt. Die folgende Erfindung ist ebenso im Schutzumfang der Erfindung umfasst. Nachstehend ist die zweite Ausführungsform beschrieben. Es sollte beachtet werden, dass, der Einfachheit halber, Elemente mit den gleichen Funktionen in beiden Ausführungsformen mit den gleichen Bezugszeichen bzw. Symbolen versehen und nachstehend nicht wiederholt beschrieben sind.
Die Fahrzeugdiagnoseeinheit 100a gemäß der zweiten Ausführungsform ist, wie in 21 gezeigt, gleich der Fahrzeugdiagnoseeinheit 100 gemäß der ersten Ausführungsform, mit der Ausnahme, dass die Diagnosevorrichtung 2 und die Benachrichtigungsvorrichtung 3 außerhalb des Fahrzeugs vorgesehen sind. Die Diagnosevorrichtung 2 der zweiten Ausführungsform kann beispielsweise ein Server bei einem Händler oder einer Werkstatt sein. Die Diagnosevorrichtung 2 entspricht dem Server in den Ansprüchen, und die Datenerfassungsvorrichtung 1 entspricht der am Fahrzeug befestigten Vorrichtung.
Vorzugsweise ist die Diagnosevorrichtung 2 dazu ausgelegt, die Fahrdaten von Datenerfassungsvorrichtungen 1 mehrerer Fahrzeuge zu erfassen. Dies erhöht die Anzahl von Samplen der Fahrdaten, die in den vorstehend beschriebenen referenzwerterzeugungsbezogenen Prozessen zu verwenden sind, so dass die Genauigkeit des in den referenzwerterzeugungsbezogenen Prozessen erzeugten Referenzwertes erhöht wird. Ferner kann hierdurch die Genauigkeit der Fehlerdiagnose im vorstehend beschriebenen Fehlerdiagnoseprozess unter Verwendung des Referenzwertes verbessert werden.
In der zweiten Ausführungsform weisen die Diagnosevorrichtung 2 und die Datenerfassungsvorrichtung 1 Vorrichtungen zur drahtlosen Kommunikation auf, so dass die Diagnosevorrichtung 2 außerhalb des Fahrzeugs die Fahrdaten per drahtloser Kommunikation von der Datenerfassungsvorrichtung 1 empfängt, die im Fahrzeug verwendet wird. Die Diagnosevorrichtung 2 kann dazu ausgelegt sein, die Fahrdaten per drahtgebundener Kommunikation von der Datenerfassungsvorrichtung 1 zu empfangen. Alternativ kann die Diagnosevorrichtung 2 dazu ausgelegt sein, die Fahrdaten durch eine Weiterleitung über ein fahrzeuginternes Kommunikationsmodul, wie beispielsweise einen mobilen Anschluss oder ein DCM (Datenkommunikationsmodul), von der Datenerfassungsvorrichtung 1 zu erfassen.
In der zweiten Ausführungsform kann beispielsweise dann, wenn ein Testbetrieb für regelmäßigen Service bei dem Händler oder der Werkstatt erfolgt, die Datenerfassungsvorrichtung 1 dazu ausgelegt sein, die Fahrdaten während des Testbetriebs zu erfassen, und die Diagnosevorrichtung 2 dazu ausgelegt sein, Fehlfunktionen zu diagnostizieren. Alternativ kann die Diagnosevorrichtung 2 dazu ausgelegt sein, die Fahrdaten per Weiterleitung über ein DCM und dergleichen in Echtzeit von der Datenerfassungsvorrichtung 1 des Fahrzeugs, das gewöhnlich fährt, zu erfassen und Fehlfunktionen zu diagnostizieren.
Die Vorrichtung ist nicht darauf beschränkt, wie vorstehend beschrieben, während einer Fahrt des Fahrzeugs in Echtzeit zu diagnostizieren. Die Erfindung ist nicht auf die vorstehend beschriebenen Konfigurationen beschränkt. Wenn das Fahrzeug beispielsweise bei dem Händler oder der Werkstatt abgegeben wird, erfasst die Diagnosevorrichtung 2 die Bedien- bzw. Betriebsdaten, die zuvor während einer gewöhnlichen Fahrt in der Datenerfassungsvorrichtung 1 gewonnen werden, und diagnostiziert die Diagnosevorrichtung 2 Fehlfunktionen auf der Grundlage der erfassten Fahrdaten.
Ferner ist die Erfindung nicht darauf beschränkt, die Benachrichtigungsvorrichtung 3 außerhalb des Fahrzeugs bereitzustellen, so wie es vorstehend beschrieben ist. Die Benachrichtigungsvorrichtung 3 kann beispielsweise im Fahrzeug verwendet werden, dazu ausgelegt sein, das Diagnoseergebnis von der Diagnosevorrichtung 2 außerhalb des Fahrzeugs per Weiterleitung über ein DCM zu erfassen, und dazu ausgelegt sein, die erfassten Diagnoseergebnisse an den Fahrer des Fahrzeugs zu melden.
Ferner ist die Erfindung, obgleich die erste und die zweite Ausführungsform die Konfigurationen aufzeigen, bei denen ein Element zur Erzeugung der Referenzwerte und ein Element zur Diagnose einer Fehlfunktion kombiniert gebildet sind, nicht hierauf beschränkt. Es können beispielsweise eine Vorrichtung (nachstehend als Referenzwerterzeugungsvorrichtung bezeichnet) mit dem Fahrszenenklassifizierungsabschnitt 21, dem Diagnosemerkmalextrahierungsabschnitt 22, dem Diagnosemerkmalakkumulierungsabschnitt 23, dem Referenzwerterzeugungsabschnitt 24 und dem Referenzwertspeicherabschnitt 25 und eine Vorrichtung (nachstehend als Fehlerdiagnosevorrichtung bezeichnet) mit dem Fehlerdiagnoseabschnitt 26 separat als die jeweiligen Vorrichtungen vorgesehen sein (dritte Modifikation). In diesem Fall entspricht die Referenzwerterzeugungsvorrichtung der Referenzwerterzeugungsvorrichtung für ein Fahrzeug in den Ansprüchen.
In der dritten Modifikation kann die Referenzwerterzeugungsvorrichtung außerhalb des Fahrzeugs angeordnet sein und die Fehlerdiagnosevorrichtung im Fahrzeug verwendet werden. In diesem Fall sind die Referenzwerterzeugungsvorrichtung und die Fehlerdiagnosevorrichtung dazu ausgelegt, Information per drahtloser Kommunikation, per drahtgebundener Kommunikation und dergleichen untereinander auszutauschen. Demgemäß kann die Referenzwerterzeugungsvorrichtung außerhalb des Fahrzeugs den Referenzwert auf der Grundlage der Fahrdaten von mehreren Fahrzeugen erzeugen und den Referenzwert an die im Fahrzeug verwendete Fehlerdiagnosevorrichtung senden und kann die Fehlerdiagnosevorrichtung Fehlfunktionen unter Verwendung des Referenzwerts diagnostizieren.
Wenn die Referenzwerterzeugungsvorrichtung und die Fehlerdiagnosevorrichtung getrennt voneinander gebildet sind, kann die Fehlerdiagnosevorrichtung ebenso den Diagnosemerkmalextrahierungsabschnitt 22 aufweisen oder dazu ausgelegt sein, das Diagnosemerkmal zu erfassen, das im Diagnosemerkmalextrahierungsabschnitt 22 der Referenzwerterzeugungsvorrichtung extrahiert wird.
Ein Teil des Fahrszenenklassifizierungsabschnitts 21, des Diagnosemerkmalextrahierungsabschnitts 22, des Diagnosemerkmalakkumulierungsabschnitts 23, des Referenzwerterzeugungsabschnitts 24 und des Referenzwertspeicherabschnitts 25 kann im Fahrzeug verwendet werden, und die anderen Abschnitte können außerhalb des Fahrzeugs angeordnet sein. In diesem Fall sind ein Element, das im Fahrzeug verwendet wird, und ein Element, das außerhalb des Fahrzeugs verwendet wird, dazu ausgelegt, Information per drahtloser Kommunikation, drahtgebundener Kommunikation und dergleichen untereinander auszutauschen.
Obgleich die Erfindung vorstehend in Verbindung mit ihren bestimmten bevorzugten Ausführungsformen beschrieben ist, werden Fachleuten beim Lesen der vorliegenden Anmeldung verschiedene Änderungen und Modifikationen ersichtlich sein. Folglich sollte die Erfindung im Sinne der Ansprüche so breit wie möglich und als all diese Änderungen und Modifikationen mit umfassend verstanden werden.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

JP 4414470 [0004]

Zitierte Nicht-Patentliteratur

„Imitation Learning Method for unsegmented motion using Hierarchical Dirichlet Process Hidden Markov Model” (The Society of Instrument and Control Engineers System and Information Division Congress (2010)) [0063]
„Motion Segmentation with Hierarchical Pitman-Yor Language Model” (The 25th Annual Conference of the Japanese Society for Artificial Intelligence, 3B1-OS22c-8, 2011) [0068]

Claims

Referenzwerterzeugungsvorrichtung für ein Fahrzeug, mit: – einem Datenerfassungsabschnitt (11) zur sequentiellen Erfassung von Fahrdaten, die wenigstens entweder Information über eine Bedienung des Fahrzeugs durch einen Fahrer oder Information über Zustände des Fahrzeugs oder Information über Zustände des Fahrers oder Information über eine Fahrumgebung aufweisen; – einem Klassifizierungsabschnitt (21) zur Klassifizierung der Zeitreihenfahrdaten in eine Fahrszene auf der Grundlage eines Musters einer temporären Änderung der Fahrdaten, wobei die Fahrszene dem Muster entspricht; – einem Merkmalsextrahierungsabschnitt (22) zur Extrahierung eines Mustermerkmals, wobei das Mustermerkmal ein Merkmal der Fahrdaten in der Mustereinheit ist; – einem Akkumulierungsabschnitt (23) zur Akkumulierung des im Merkmalsextrahierungsabschnitt extrahierten Mustermerkmals; und – einem Referenzwerterzeugungsabschnitt (24) zur Erzeugung eines Referenzwerts zur Diskriminierung zwischen einer Fehlfunktion und einem Normalzustand des Fahrzeugs auf der Grundlage des im Akkumulierungsabschnitt akkumulierten Mustermerkmals.
Referenzwerterzeugungsvorrichtung nach Anspruch 1, dadurch gekennzeichnet, dass der Merkmalsextrahierungsabschnitt dazu ausgelegt ist, das Mustermerkmal mit Information, in der eine temporäre Änderung der Fahrdaten beschrieben ist, zu extrahieren.
Referenzwerterzeugungsvorrichtung nach Anspruch 2, dadurch gekennzeichnet, dass – der Datenerfassungsabschnitt dazu ausgelegt ist, mehrere Arten von Fahrdaten zu erfassen; und – der Merkmalsextrahierungsabschnitt dazu ausgelegt ist, das Mustermerkmal mit Information über ein Verhältnis zwischen mehreren Arten von Fahrdaten zu extrahieren.
Referenzwerterzeugungsvorrichtung nach Anspruch 3, dadurch gekennzeichnet, dass der Merkmalsextrahierungsabschnitt dazu ausgelegt ist, das Mustermerkmal mit einer Matrix zu extrahieren, die die Verhältnisse zwischen mehreren Arten von Fahrdaten beschreibt.
Referenzwerterzeugungsvorrichtung nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass sie ferner aufweist: – einen Fehlfunktionsdiskriminierungsabschnitt (26) zur Diskriminierung zwischen der Fehlfunktion und dem Normalzustand des Fahrzeugs auf der Grundlage des im Referenzwerterzeugungsabschnitt erzeugten Referenzwert und des Mustermerkmals, das im Merkmalsextrahierungsabschnitt aus den Fahrdaten extrahiert wird, die sequentiell im Erfassungsabschnitt erfasst werden.
Referenzwerterzeugungsvorrichtung nach Anspruch 5, dadurch gekennzeichnet, dass der Fehlfunktionsdiskriminierungsabschnitt dazu ausgelegt ist, einem Abweichungsgrad des Mustermerkmals vom Referenzwert zu berechnen, indem er den Referenzwert mit dem Mustermerkmal vergleicht, und die Fehlfunktion auf der Grundlage des Vergleichsergebnisses zu erfassen.
Referenzwerterzeugungsvorrichtung nach Anspruch 5 oder 6, dadurch gekennzeichnet, dass – der Datenerfassungsabschnitt dazu ausgelegt ist, mehrere Arten von Fahrdaten sequentiell zu erfassen; – der Merkmalsextrahierungsabschnitt dazu ausgelegt ist, mehrere Arten von Mustermerkmalen entsprechend den jeweiligen Arten von Fahrdaten zu extrahieren; und – der Fehlfunktionsdiskriminierungsabschnitt dazu ausgelegt ist, den Ort der Fehlfunktion im Fahrzeug auf der Grundlage der Art von Mustermerkmal zu bestimmen.
Referenzwerterzeugungsvorrichtung nach einem der Ansprüche 1 bis 7, dadurch gekennzeichnet, dass der Klassifizierungsabschnitt dazu ausgelegt ist, eine Zweifachgliederungsstrukturanalyse auszuführen, indem er die Zeitreihenfahrdaten diskretisiert und anschließend ein Muster aus der diskreten Reihe extrahiert, die bei der Diskretisierung erhalten wird, um so eine Klassifizierung in jede Mustereinheit vorzunehmen.
Referenzwerterzeugungsvorrichtung nach einem der Ansprüche 1 bis 8, dadurch gekennzeichnet, dass der Referenzwerterzeugungsabschnitt dazu ausgelegt ist, den Referenzwert auf der Grundlage der Frequenzverteilung der im Akkumulierungsabschnitt akkumulierten Mustermerkmale zu erzeugen, wobei mehrere Mustermerkmale entsprechend der gleichen Fahrszene in verschiedenen Zeitperioden akkumuliert werden.
Referenzwerterzeugungsvorrichtung nach Anspruch 9, dadurch gekennzeichnet, dass der Referenzwerterzeugungsabschnitt dazu ausgelegt ist, als den Referenzwert, eine Diskriminierungsgrenze zu erzeugen, die unter Verwendung einer One Class Support Vector Machine gelernt wird, aus den Mustermerkmalen, die im Akkumulierungsabschnitt akkumuliert werden.
Referenzwerterzeugungsvorrichtung nach Anspruch 9, dadurch gekennzeichnet, dass der Referenzwerterzeugungsabschnitt dazu ausgelegt ist, als den Referenzwert, eine normierte Abweichung in der Frequenzverteilung der im Akkumulierungsabschnitt akkumulierten Mustermerkmale zu erzeugen.
Referenzwerterzeugungsvorrichtung nach einem der Ansprüche 1 bis 9, dadurch gekennzeichnet, dass der Referenzwerterzeugungsabschnitt dazu ausgelegt ist, den Referenzwert auf der Grundlage von sowohl dem Mustermerkmal in einem Normalzustand des Fahrzeugs als auch dem Mustermerkmal in einem Fehlerzustand des Fahrzeugs zu erzeugen.
Referenzwerterzeugungsvorrichtung nach Anspruch 12, dadurch gekennzeichnet, dass der Referenzwerterzeugungsabschnitt dazu ausgelegt ist, als den Referenzwert, eine Diskriminierungsgrenze zu erzeugen, die unter Verwendung einer Support Vector Machine gelernt wird, sowohl aus dem Mustermerkmal in einem Normalzustand des Fahrzeugs als auch aus dem Mustermerkmal in einem Fehlerzustand des Fahrzeugs.
Referenzwerterzeugungsvorrichtung nach einem der Ansprüche 1 bis 13, dadurch gekennzeichnet, dass – der Datenerfassungsabschnitt dazu ausgelegt ist, Bedieninformation, die die Information über die Bedienung durch den Fahrer ist, sequentiell als die Fahrdaten zu erfassen; und – der Klassifizierungsabschnitt dazu ausgelegt ist, die Zeitreihenbedieninformation in die Fahrszenen zu klassifizieren, wobei die Fahrszene ein Muster einer Änderung der Bedienung ist, das aus der Zeitreihenbedieninformation extrahiert wird.
Referenzwerterzeugungsvorrichtung nach Anspruch 14, dadurch gekennzeichnet, dass der Datenerfassungsabschnitt dazu ausgelegt ist, als die Bedieninformation, Information über die Bedienung eines Gaspedals, einer Bremse und einer Lenkung durch den Fahrer zu erfassen.
Referenzwerterzeugungsvorrichtung nach einem der Ansprüche 1 bis 15, dadurch gekennzeichnet, dass – wenigstens entweder der Klassifizierungsabschnitt oder der Merkmalsextrahierungsabschnitt oder der Akkumulierungsabschnitt oder der Referenzwerterzeugungsabschnitt in einem Server vorgesehen ist; – der Rest in einer fahrzeuginternen Vorrichtung vorgesehen ist, die im Fahrzeug verwendet wird; und – der Server dazu ausgelegt ist, mit der fahrzeuginternen Vorrichtung zu kommunizieren.
Referenzwerterzeugungsvorrichtung nach einem der Ansprüche 5 bis 15, dadurch gekennzeichnet, dass – wenigstens entweder der Klassifizierungsabschnitt oder der Merkmalsextrahierungsabschnitt oder der Akkumulierungsabschnitt oder der Referenzwerterzeugungsabschnitt oder der Fehlfunktionsdiskriminierungsabschnitt in einem Server vorgesehen ist; – der Rest in einer fahrzeuginternen Vorrichtung vorgesehen ist, die im Fahrzeug verwendet wird; und – der Server dazu ausgelegt ist, mit der fahrzeuginternen Vorrichtung zu kommunizieren.