DE102015204598A1

DE102015204598A1 - A system for providing information associated with a vehicle failure to a user

Info

Publication number: DE102015204598A1
Application number: DE102015204598.6A
Authority: DE
Inventors: Kazuhito TAKENAKA; Takashi Bando; Utsushi Sakai; Kentarou Hitomi; c/o DENSO CORPORATION Int. Shinohara Yuki; Koukichi Shinoda; Masumi Egawa
Original assignee: Denso Corp
Current assignee: Denso Corp
Priority date: 2014-03-14
Filing date: 2015-03-13
Publication date: 2015-09-17
Also published as: JP2015176285A; JP6183252B2

Abstract

In einem System dient eine erste Einheit zum Erlangen einer Zielsymbolsequenz, die basierend auf eine Gruppe zeitserieller Fahrzeugbedingungsdatensequenzen erzeugt wird, die Bedingungen eines gestörten Fahrzeug repräsentieren. Die Zielsymbolsequenz beinhaltet Symbole, die jeweils ein Merkmalsmuster repräsentieren, das wiederholt oder charakteristisch in der Gruppe zeitserieller Fahrzeugbedingungsdatensequenzen auftritt. Eine zweite Einheit dient zum Extrahieren mindestens eines Stücks von vergangenen Fehlerfallinformationen aus mehreren Stücken vergangener Fehlerfallinformationen basierend auf einer Ähnlichkeit für jedes von mindestens manchen der Stücke vergangener Fehlerfallinformationen zwischen der Zielsymbolsequenz und der mindestens einen vergangenen Symbolsequenz, die in einem entsprechenden, der mindestens manchen der mehreren Stücke vergangener Fehlerfallinformationen beinhaltet ist. Eine dritte Einheit dient zum Bereitstellen des mindestens einen Stücks vergangener Fehlerfallinformationen einem Benutzer.In a system, a first unit is for obtaining a target symbol sequence generated based on a group of time-serial vehicle condition data sequences representing conditions of a disturbed vehicle. The target symbol sequence includes symbols each representing a feature pattern that repeatedly or characteristically occurs in the group of time-serial vehicle condition data sequences. A second unit is for extracting at least a portion of past error case information from multiple pieces of past error case information based on a similarity for each of at least some of the pieces of past error information between the target symbol sequence and the at least one past symbol sequence in a corresponding one of the at least some of the plurality Pieces of past error case information are included. A third unit serves to provide the at least one piece of past error case information to a user.

Description

TECHNISCHES GEBIETTECHNICAL AREA

Die vorliegende Offenbarung betrifft Systeme zum Bereitstellen von Informationen, die mit Fahrzeugfehlern verknüpft sind, das heißt, Fahrzeugproblemen oder Fahrzeugfehlfunktionen, Benutzern wie beispielsweise Automechanikern.The present disclosure relates to systems for providing information associated with vehicle errors, that is, vehicle problems or vehicle malfunctions, to users such as car mechanics.

HINTERGRUNDBACKGROUND

Eine ECU, die in jüngsten Fahrzeugen installiert ist, beinhaltet eine Funktion zum Überwachen, ob es ein Problem, das heißt, einen Fehler oder eine Fehlfunktion, in dem Fahrzeug gibt, und zum Alarmieren eines Fahrers des Fahrzeugs, wenn ein Fehler oder eine Störung in dem Fahrzeug basierend auf den überwachten Ergebnissen erfasst wird.An ECU installed in recent vehicles includes a function for monitoring whether there is a problem, that is, an error or a malfunction, in the vehicle and alerting a driver of the vehicle when an error or a malfunction in the vehicle is detected based on the monitored results.

Wird eine Störung in dem Fahrzeug erfasst, erlangt die ECU eine Momentaufnahme gegenwärtiger Werte, die durch Sensoren gemessen werden, die in dem Fahrzeug beinhaltet sind, als Parameter, die die Bedingungen des Fahrzeugs angeben, wenn ein Fehler oder Störung in dem Fahrzeug aufgetreten ist. Die Momentaufnahme gegenwärtiger Werte wird als Festbilddaten bezeichnet.When a malfunction in the vehicle is detected, the ECU acquires a snapshot of current values measured by sensors included in the vehicle as parameters indicating the conditions of the vehicle when an error or malfunction has occurred in the vehicle. The snapshot of current values is called solid image data.

In anderen Worten repräsentieren die Festbilddaten ein Muster der gegenwärtigen Werte, die durch die Sensoren gemessen werden, die in dem Fahrzeug beinhaltet sind, bei dem Moment, wenn ein Problem in dem Fahrzeug erfasst wurde. Die Festbilddaten können verwendet werden, um zu identifizieren welcher Typ eines Problems in dem Fahrzeug aufgetreten ist, um das Problem zu reparieren, das in dem Fahrzeug aufgetreten ist.In other words, the still image data represents a pattern of the current values measured by the sensors included in the vehicle at the moment when a problem has been detected in the vehicle. The still image data may be used to identify what type of problem has occurred in the vehicle to repair the problem that has occurred in the vehicle.

ÜBERBLICKOVERVIEW

Die Parameter basierend auf die Festbilddaten zeigen das Muster der gegenwärtigen Werte, die durch die Sensoren gemessen werden, die in dem Fahrzeug beinhaltet sind, bei dem Moment, wenn eine Störung in dem Fahrzeug erfasst wurde. In anderen Worten zeigen die Parameter basierend auf die Festbilddaten lediglich momentane Werte, die durch die Sensoren, beim Auftreten einer Störung oder eines Fehlers in dem Fahrzeug gemessen werden.The parameters based on the still image data show the pattern of the current values measured by the sensors included in the vehicle at the moment when a disturbance in the vehicle has been detected. In other words, the parameters based on the still image data only show instantaneous values measured by the sensors, the occurrence of a disturbance or an error in the vehicle.

Aus diesem Grund, wenn es ein Problem mit einem Fahrzeug gegeben hat, was verursacht, dass die durch einen oder mehrere Sensoren gemessenen Werte über die Zeit fluktuieren, kann es schwierig sein, zu erfassen, welcher Fehlertyp in dem Fahrzeug aufgetreten ist.For this reason, if there has been a problem with a vehicle, which causes the values measured by one or more sensors to fluctuate over time, it may be difficult to detect which type of fault has occurred in the vehicle.

Beispielsweise, wenn ein Fehler in einem Fahrzeug aufgetreten ist, was verursacht, dass sich Fluktuationsmusters der Werte, die durch manche Sensoren gemessen werden, bezüglich entsprechenden normalen Fluktuationsmusters ändern, kann es schwierig sein, zu erfassen, welcher Fehlertyp aufgetreten ist. Als weiteres Beispiel, wenn ein Fehler in einem Fahrzeug aufgetreten ist, was verursacht, dass die Frequenz von Fluktuationen der Werte, die durch einen Sensor innerhalb einer gegebenen Periode gemessen werden, sich bezüglich einer entsprechenden normalen Frequenz von Fluktuationen ändert, kann es ebenso schwierig sein, zu erfassen, welcher Fehlertyp aufgetreten ist. Als ein weiteres Beispiel, wenn ein Fehler in einem Fahrzeug aufgetreten ist, was verursacht, dass sich die Reihenfolge von Fluktuationszeitgebungen der Werte, die durch bestimmte Sensoren gemessen werden, bezüglich einer normalen Reihenfolge von Fluktuationszeitgebungen ändert, kann es ferner schwierig sein, zu erfassen, welcher Fehlertyp aufgetreten ist.For example, when an error has occurred in a vehicle, causing fluctuation patterns of the values measured by some sensors to change with respect to corresponding normal fluctuation patterns, it may be difficult to detect which type of error has occurred. As another example, when a fault has occurred in a vehicle, causing the frequency of fluctuations in the values measured by a sensor within a given period to change with respect to a corresponding normal frequency of fluctuations, it may also be difficult to detect which error type has occurred. Further, as another example, when an error has occurred in a vehicle, causing the order of fluctuation timings of the values measured by certain sensors to change in a normal order of fluctuation timings, it may be difficult to detect which error type has occurred.

Hinsichtlich der vorstehend beschriebenen Umstände strebt ein Aspekt der vorliegenden Offenbarung danach, Systeme zum Erzeugen von Information, die mit Fahrzeugfehlern verknüpft sind, auf die durch Benutzer zugegriffen werden kann, die in der Lage sind die vorstehenden Probleme zu lösen, bereitzustellen.In view of the circumstances described above, one aspect of the present disclosure seeks to provide systems for generating information associated with vehicle errors that can be accessed by users capable of solving the foregoing problems.

Insbesondere eine alternativer Aspekt der vorliegenden Offenbarung zielt darauf ab, derartige Systeme bereitzustellen, von denen jedes derartige Informationen erzeugen kann, die richtig identifizieren, welcher Fehlertyp in einem Fahrzeug aufgetreten ist.In particular, an alternative aspect of the present disclosure aims to provide such systems, each of which may generate such information that properly identifies which type of error has occurred in a vehicle.

Gemäß einem exemplarischen Aspekt der vorliegenden Offenbarung, wird ein System bereitgestellt, das eine erste Einheit zum Erlangen einer Zielsymbolsequenz beinhaltet, die basierend auf einer Gruppe zeitserieller Fahrzeugbedingungsdatensequenzen erzeugt werden, die Bedingungen von einem gestörten Fahrzeug repräsentieren. Die Zielsymbolsequenz beinhaltet mehrere Symbole, die jeweils ein Merkmalsmuster repräsentieren, das wiederholt oder charakteristisch in der Gruppe zeitserieller Fahrzeugbedingungsdatensequenzen auftritt. Das System beinhaltet eine zweite Einheit, das mehrere Stücke vergangener Fehlerfallinformationen speichert. Jedes der Stücke der vergangenen Fehlerfallinformationen beinhaltet mindestens eine vergangene Symbolsequenz, die aus mehreren Symbolen besteht, die jeweils ein Merkmalsmuster repräsentieren, das wiederholt oder charakteristisch in einer Gruppe vergangener zeitserieller Fahrzeugbedingungsdatensequenzen auftritt, die von einem Fahrzeug mit einem entsprechenden Fehler erlangt werden. Jedes der Stücke der vergangenen Fehlerfallinformationen beinhaltet ebenso Reparaturinformationen, die mindestens eine Reparaturprozedur für den entsprechenden Fehler angeben. Die Reparaturinformationen korrelieren mit der mindestens einen Symbolsequenz Das System beinhaltet eine dritte Einheit zum Extrahieren mindestens eines Stücks von vergangenen Fehlerfallinformationen von den mehreren Stücken vergangener Fehlerfallinformationen basierend auf einer Ähnlichkeit für jedes von mindestens manchen der mehreren Stücke vergangener Fehlerfallinformationen. Die Ähnlichkeit für jedes von mindestens manchen der mehreren Stücke vergangener Fehlerfallinformationen ist eine Ähnlichkeit der Zielsymbolsequenz bezüglich der mindestens einen vergangenen Symbolsequenz, die in einem entsprechenden, der mindestens manchen der mehreren Stücke vergangener Fehlerfallinformationen beinhaltet ist. Das System beinhaltet eine vierte Einheit zum Bereitstellen des mindestens einen Stücks vergangener Fehlerfallinformationen einem Benutzer.In accordance with an exemplary aspect of the present disclosure, a system is provided that includes a first target symbol sequence acquiring unit that is generated based on a group of time-serial vehicle condition data sequences representing conditions of a failed vehicle. The target symbol sequence includes a plurality of symbols each representing a feature pattern that repeatedly or characteristically occurs in the group of time-serial vehicle condition data sequences. The system includes a second unit that stores multiple pieces of past error event information. Each of the pieces of past error case information includes at least one past symbol sequence consisting of a plurality of symbols each representing a feature pattern that repeatedly or characteristically occurs in a group of past time-serial vehicle condition data sequences obtained from a vehicle having a corresponding error. Each of the pieces of past error case information also includes repair information indicating at least one repair procedure for the corresponding error. The Repair Information Correlates with the At Least One Icon Sequence The system includes a third unit for extracting at least a portion of past error case information from the multiple pieces of past error case information based on a similarity for each of at least some of the multiple pieces of past error case information. The similarity to each of at least some of the multiple pieces of past error case information is a similarity of the target symbol sequence to the at least one past symbol sequence included in a corresponding one of at least some of the multiple pieces of past error case information. The system includes a fourth unit for providing the at least one piece of past error case information to a user.

Das System gemäß dem exemplarischen Aspekt der vorliegenden Offenbarung ermöglicht es, den Komfort für den Benutzer wie beispielsweise eine Mechaniker zu verbessern, der das gestörte, zu diagnostizierende Fahrzeug reparieren wird.The system according to the exemplary aspect of the present disclosure makes it possible to improve the convenience for the user such as a mechanic who will repair the disturbed vehicle to be diagnosed.

Insbesondere drückt die Symbolsequenz, die durch das System gemäß exemplarischen Aspekt verwendet wird, als die Merkmalsmuster, die in der Gruppe der zeitseriellen Fahrzeugbedingungsdatensequenzen beinhaltet sind, nicht nur temporäre lokale Bedingungen des gestörten Fahrzeugs durch die jeweiligen Symbole der Symbolsequenz aber ebenso

1. Fluktuationsmuster der Bedingungen des gestörten Fahrzeugs über die Zeit;
2. die Frequenz von Fluktuationen jeder der Bedingungen des gestörten Fahrzeugs aus.

In particular, the symbol sequence used by the system according to the exemplary aspect as the feature patterns included in the group of time-serial vehicle condition data sequences expresses not only temporary local conditions of the disturbed vehicle by the respective symbols of the symbol sequence, however

1. Fluctuation pattern of the conditions of the disturbed vehicle over time;
2. the frequency of fluctuations of each of the conditions of the disturbed vehicle.

Das System gemäß dem exemplarischen Aspekt erfasst demnach effizient einen derartigen Fehler oder eine Störung, die den Übergang der Bedingungen des gestörten Fahrzeugs über die Zeit nachteilig beeinflussen.Accordingly, the system according to the exemplary aspect efficiently detects such an error or disturbance that adversely affects the passage of the conditions of the disturbed vehicle over time.

Die vorstehenden und/oder weitere Merkmale und/oder Vorteil der unterschiedlichen Aspekte der vorliegenden Offenbarung werden ferner hinsichtlich der folgenden Beschreibung in Zusammenschau mit den Zeichnungen gewürdigt. Unterschiedliche Aspekte der vorliegenden Offenbarung können unterschiedliche Merkmale und/oder Vorteils wo angebracht beinhalten und/oder ausschließen. Zusätzlich können unterschiedliche Aspekte der vorliegenden Offenbarung eines oder mehrere Merkmale anderer Ausführungsformen wo angebracht kombinieren. Die Beschreibungen von Merkmalen und/oder Vorteilen der betreffenden Ausführungsformen sind nicht als andere Ausführungsformen oder die Ansprüche beschränkend zu betrachten.The foregoing and / or further features and / or advantages of the different aspects of the present disclosure will be further appreciated in view of the following description taken in conjunction with the drawings. Different aspects of the present disclosure may include and / or exclude different features and / or advantages as appropriate. Additionally, various aspects of the present disclosure may combine one or more features of other embodiments as appropriate. The descriptions of features and / or advantages of the subject embodiments are not to be construed as limiting other embodiments or the claims.

KURZBESCHREIBUNG DER ZEICHNUNGENBRIEF DESCRIPTION OF THE DRAWINGS

Weitere Aspekte der vorliegenden Offenbarung werden aus der nachfolgenden detaillierten Beschreibung der Ausführungsformen in Zusammenschau mit den Zeichnungen ersichtlicher. Es zeigen:Other aspects of the present disclosure will become more apparent from the following detailed description of the embodiments when taken in conjunction with the drawings. Show it:

1 ein Blockschaltbild, das schematisch ein Beispiel der Struktur eines Systems, um Benutzern Informationen bereitzustellen, die mit Fahrzeugfehlern verknüpft sind, gemäß einer Ausführungsform der vorliegenden Offenbarung illustriert; 1 12 is a block diagram schematically illustrating an example of the structure of a system to provide users with information associated with vehicle errors according to an embodiment of the present disclosure;

2 eine Ansicht, die schematisch ein Stück von Fehlerfallinformationen illustriert, die in einem Fehlerfällespeicherserver gespeichert sind; 2 a view schematically illustrating a piece of error case information stored in a failure storage server;

3A eine Ansicht, die schematisch multidimensionale, zeitserielle Messdatensequenzen und eine Symbolsequenz basierend auf einem Sticky Hierarchical Dirichlet Process-Hidden Markov Model (sHDP-HMM) gemäß der ersten Ausführungsform illustriert; 3A 12 is a view schematically illustrating multi-dimensional time-series measurement data sequences and a symbol sequence based on a Sticky Hierarchical Dirichlet Process-Hidden Markov Model (sHDP-HMM) according to the first embodiment;

3B eine Ansicht, die schematisch multidimensionale, zeitserielle Messdatensequenzen, eine Symbolsequenz basierend auf sHDP-HMM, und eine zweite Symbolsequenz basierend auf einem Nested Pitman-Yor Language model (NPYLM) illustriert; 3B a view schematically illustrating multidimensional time-series measurement data sequences, a symbol sequence based on sHDP-HMM, and a second symbol sequence based on a Nested Pitman-Yor Language model (NPYLM);

4 ein Ablaufdiagramm, das schematisch ein Beispiel einer Informationssammelroutine illustriert, die durch eine fahrzeuggebundene Vorrichtung ausgeführt wird, die in 1 illustriert ist; 4 FIG. 4 is a flowchart schematically illustrating an example of an information collection routine executed by a vehicle-mounted device incorporated in FIG 1 is illustrated;

5 ein Ablaufdiagramm das schematisch ein Beispiel einer Fehlerdiagnoseroutine illustriert, die durch einen Terminal ausgeführt wird, der in 1 illustriert ist; 5 FIG. 4 is a flowchart schematically illustrating an example of a fault diagnosis routine executed by a terminal included in FIG 1 is illustrated;

6 eine Ansicht, die schematisch illustriert, wie eine normalisierte Levenshtein-Distanz zu berechnen ist; 6 a view schematically illustrating how to calculate a normalized Levenshtein distance;

7 eine Ansicht, die schematisch Berechnungsergebnisse von Ähnlichkeiten von Schritt S240 von 4, und Extrahierungsergebnisse von Fehlerfallkandidaten von Schritt S60 von 4 illustriert; 7 12 is a view schematically showing calculation results of similarities of step S240 of FIG 4 , and extraction results of error case candidates from step S60 of FIG 4 illustrated;

8 ein Ablaufdiagramm, das schematisch ein Beispiel einer Informationsregistrierungsroutine illustriert, die in 1 illustriert ist; 8th FIG. 5 is a flowchart schematically illustrating an example of an information registration routine that is described in FIG 1 is illustrated;

9A eine Ansicht, die schematisch einen ersten Vorteil, der durch das System gemäß der Ausführungsform in einem Fall erreicht wird, in dem es eine Zeitverzögerung zwischen zeitseriellen Messdatensequenzen von unterschiedlichen ersten und zweiten Fahrzeugen gibt, illustriert; 9A a view schematically illustrating a first advantage achieved by the system according to the embodiment in a case where there is a time lag between time series measurement data sequences of different first and second vehicles;

9B eine Ansicht, die schematisch einen zweite Vorteil der durch das System gemäß der Ausführungsform in einem Fall erreicht wird, in dem es einen Größenunterschied zwischen zeitseriellen Messdatensequenzen von unterschiedlichen ersten und zweiten Fahrzeugen gibt, illustriert; und 9B a view schematically showing a second advantage achieved by the system according to the embodiment in a case where there is a size difference between time series measurement data sequences of different first and second vehicles; and

10 eine Ansicht, die schematisch Fehlerfallinformationen gemäß einer Modifikation der Ausführungsform illustriert. 10 a view schematically illustrating error case information according to a modification of the embodiment.

DETAILLIERTE BESCHREIBUNG DER AUSFÜHRUNGSFORMDETAILED DESCRIPTION OF THE EMBODIMENT

Eine spezifische Ausführungsform der vorliegenden Offenbarung wird nachfolgend mit Bezug auf die Zeichnungen beschrieben.A specific embodiment of the present disclosure will be described below with reference to the drawings.

Ein System 1 zum Bereitstellen von Informationen, die mit Fahrzeugfehlern verknüpft sind, Benutzern gemäß der Ausführungsform der vorliegenden Offenbarung beinhaltet eine Gruppe von fahrzeuggebundenen Vorrichtungen 10, die in jeweiligen Fahrzeugen installiert sind, fehlerinformationsbereitstellende Terminals 20 und einen Fehlerfällespeicherserver 30.A system 1 For providing information associated with vehicle errors, users according to the embodiment of the present disclosure include a group of vehicle-mounted devices 10 that are installed in respective vehicles, error-reporting-providing terminals 20 and a fault trap storage server 30 ,

Der Fehlerfällespeicherserver 30 beinhaltet eine Datenbank, in der Information, die als Fehlerfallinformationen bezeichnet werden, die viele Fehlerfälle angeben, die in vielen Fahrzeugen in der Vergangenheit aufgetreten sind, gespeichert werden. Der Server 30 beinhaltet ebenso eine Kommunikationseinheit, die externen Terminals einschließlich jedem der fehlerinformationsbereitstellenden Terminals 20 erlaubt, auf den Server 30 zuzugreifen.The failure store server 30 includes a database in which information called error case information indicating many error cases that have occurred in many vehicles in the past is stored. The server 30 Also includes a communication unit, the external terminals including each of the error-information-providing terminals 20 allowed on the server 30 access.

Gemäß 2 beinhalten die Fehlerfallinformationen für jeden der vergangenen Fehlerfälle eine Fallzahl, eine Fehlerfallklassifizierung, Reparaturinfomationen und eine Fahrzeugbedingungssymbolsequenz.According to 2 For each of the past error cases, the error case information includes a case number, an error case classification, repair information, and a vehicle condition symbol sequence.

Die Fallzahl für jeden der vergangenen Fehlerfälle identifiziert den entsprechenden vergangenen Fehlerfall. Die Fehlerfallklassifizierung für jeden der vergangenen Fehlerfälle repräsentiert eine Gruppe, in der der entsprechende vergangene Fehlerfall klassifiziert ist gemäß beispielsweise dem Grund des entsprechenden vergangenen Fehlerfalls.The case number for each of the past error cases identifies the corresponding past error case. The error case classification for each of the past error cases represents a group in which the corresponding past error case is classified according to, for example, the reason of the corresponding past error case.

Die Reparaturinformationen für jeden der vergangenen Fehlerfälle beinhalten unterschiedliche Stücke von Informationen, die erforderlich sind, um den Grund des entsprechenden vergangenen Fehlerfalls zu analysieren, und Information, die Reparaturen angeben, die tatsächlich für den entsprechenden vergangenen Fehlerfall ausgeführt werden. Insbesondere beinhalten die Reparaturinformationen für jeden der vergangenen Fehlerfälle die folgenden ersten bis achten Elemente:

1. Den Typ von einem gestörten Fahrzeug, das heißt, eines fehlfunktionierenden Fahrzeugs entsprechend dem vergangenen Fehlerfall;
2. Das Modelljahr des gestörten Fahrzeugs entsprechend dem vergangenen Fehlerfall;
3. Die Region und Zeit, bei denen einer oder mehr Fehler entsprechend dem vergangenen Fehlerfall erfasst wurden;
4. Die eine oder mehr ausgefallenen Komponenten des entsprechenden gestörten Fahrzeugs;
5. Das eine oder mehrere Überprüfungselemente, die für das entsprechende gestörte Fahrzeug ausgeführt werden;
6. Die tatsächlich ausgeführte Reparaturprozedur;
7. Eines oder mehr Ersatzteile für das entsprechende gestörte Fahrzeug;
8. Den Ort, die Zeit und das Datum, bei denen die Reparaturen für das entsprechende gestörte Fahrzeug ausgeführt wurden.

The repair information for each of the past error cases includes different pieces of information needed to analyze the cause of the corresponding past error case, and information indicating repairs actually executed for the corresponding past error case. In particular, the repair information for each of the past error cases includes the following first to eighth elements:

1. The type of a faulty vehicle, that is, a malfunctioning vehicle corresponding to the past fault case;
2. The model year of the disturbed vehicle according to the past error case;
3. The region and time at which one or more errors were recorded according to the past error case;
4. The one or more failed components of the corresponding disturbed vehicle;
5. The one or more verification elements that are executed for the corresponding disturbed vehicle;
6. The actual repair procedure;
7. One or more spare parts for the corresponding disturbed vehicle;
8. The location, time and date when repairs were made to the affected vehicle.

Die Fahrzeugbedingungssymbolsequenz für jeden der vergangenen Fehlerfälle beinhaltet Merkmalsquantitäten, die einen Übergang der Bedingungen von einem gestörten Fahrzeug entsprechend dem vergangenen Fehlerfall zeigen, der gemessen wurde, als der entsprechende Fehlerfall aufgetreten ist.The vehicle condition symbol sequence for each of the past error cases includes feature quantities that show a transition of the conditions of a failed vehicle corresponding to the past error case that was measured when the corresponding error case occurred.

Gemäß 3A sind multidimensionale, zeitserielle Messdatensequenzen illustriert, die die Bedingungen von einem gestörten Fahrzeug zeigen; jede der zeitseriellen Messdatensequenzen besteht aus Werten (Messungen), die sequentiell, das heißt, zyklisch, durch Sensoren gemessen wenden, die in dem gestörten Fahrzeug installiert sind. In anderen Worten sind in 3A multidimensionale, zeitserielle Fahrzeugbedingungsdatensequenzen illustriert, die die Bedingungen von einem gestörten Fahrzeug zeigen, das heißt, eines fehlfunktionierenden Fahrzeugs.According to 3A illustrates multidimensional time-series measurement data sequences showing the conditions of a disturbed vehicle; Each of the time series measurement data sequences consists of values (measurements) that are sequentially, that is, cyclically, sensed by sensors installed in the disturbed vehicle. In other words, in 3A illustrates multi-dimensional, time-serial vehicle condition data sequences showing the conditions of a disturbed vehicle, that is, a malfunctioning vehicle.

In der Ausführungsform beinhaltet die Gruppe der zeitseriellen Messdatensequenzen eine Mehrzahl von Merkmalsmustern, die beispielsweise wiederholt, das heißt, periodisch oder charakteristisch, das heißt, plötzlich in der Gruppe zeitserieller Messdatensequenzen auftreten.In the embodiment, the group of time-series measurement data sequences includes a plurality of feature patterns, which may be repetitive, that is, periodic or characteristic, that is, suddenly occurring in the group of time series measurement data sequences.

Jedes der mehreren Merkmalsmuster beinhaltet Trajektorien von Messungen, die durch die jeweiligen Sensoren 11 innerhalb einer entsprechenden gleichen Periode gemessen wurden. Die Längen der Trajektorien in jedem der mehreren Merkmalsmuster können beliebig festgelegt werden.Each of the plurality of feature patterns includes trajectories of measurements taken by the respective sensors 11 measured within a corresponding same period. The lengths of the trajectories in each of the plurality of feature patterns may be arbitrarily set.

Wie später beschrieben wird werden Symbole wie beispielsweise C1, C2, ..., sequentiell an die jeweiligen Merkmalsmuster vergeben, um die Symbolsequenz derart zu erzeugen, dass

1. die gleichen Symbole Merkmalsmustern zugeordnet werden, die im Wesentlichen als identische Merkmalsmuster betrachtet werden;
2. unterschiedliche Symbole Merkmalsmustern zugeordnet werden, die als unterschiedlich zueinander zu betrachten sind.

As will be described later, symbols such as C1, C2, ... are sequentially applied to the assigned respective feature pattern to generate the symbol sequence such that

1. the same symbols are assigned to feature patterns that are essentially considered as identical feature patterns;
2. different symbols are assigned to feature patterns that are to be regarded as different from each other.

In anderen Worten, wird die Gruppe der zeitseriellen Messdatensequenzen in eine Symbolsequenz transformiert. Die Symbolsequenz zeigt Merkmale, die in der Gruppe der zeitseriellen Messdatensequenzen beinhaltet sind. Beispielsweise wurde eine derartige Symbolsequenz unter Verwendung eines Sticky Hierarchical Dirichlet Process-Hidden Markov Model (sHDP-HMM) erzeugt.In other words, the group of time series measurement data sequences is transformed into a symbol sequence. The symbol sequence shows features that are included in the group of time series measurement data sequences. For example, such a symbol sequence was generated using a Sticky Hierarchical Dirichlet Process-Hidden Markov Model (sHDP-HMM).

Beispielsweise ist HMM als ein Wahrscheinlichkeitsmodell oder ein statistisches Modell entworfen, das zeitserielle Messdatensequenzen in ein verborgener-Zustand-Übergangs-Array (engl. hidden state-transition array) transformiert. Insbesondere werden im HMM eine vorbestimmte Anzahl von Fahrzeugzuständen, das heißt, eine vorbestimmte Anzahl von verborgenen Zuständen (engl. hidden states), Übergangswahrscheinlichkeiten der Fahrzeugzustände und eine Datenauftrittswahrscheinlichkeit von jedem Fahrzeugzustand vorab basierend auf vielen Stücken zeitserieller Messdatensequenzen durch Lernen bestimmt. Jeder der Fahrzeugzustände kann als eine Ansammlung (engl. cluster) in einem multidimensionalen Datenraum betrachtet werden. Somit ermöglicht es HMM, jegliche Ansammlungen, das heißt, Fahrzeugzustände, zu denen eine Merkmalsmuster in der Gruppe der zeitseriellen Messdatensequenzen gehört, zu bestimmen und der bestimmten Ansammlung ein entsprechendes Symbol zuzuordnen.For example, HMM is designed as a probabilistic model or a statistical model that transforms time series measurement data sequences into a hidden state-transition array. Specifically, in the HMM, a predetermined number of vehicle states, that is, a predetermined number of hidden states, transition probabilities of the vehicle states, and a data occurrence probability of each vehicle state are determined in advance based on many pieces of time series measurement data sequences by learning. Each of the vehicle states may be considered as a cluster in a multidimensional data space. Thus, HMM makes it possible to determine any accumulations, that is, vehicle states to which a feature pattern belongs in the group of time series measurement data sequences, and to assign a corresponding symbol to the particular accumulation.

Somit beispielsweise, falls Merkmalsmuster als zu einer gleichen Ansammlung zugehörig bestimmt werden, werden gleiche Symbole den jeweiligen Merkmalsmustern zugeordnet Andererseits, falls Merkmalsmusters als zu unterschiedlichen Ansammlungen zugehörig bestimmt werden, werden den jeweiligen Merkmalsmustern unterschiedliche Symbole zugeordnet.Thus, for example, if feature patterns are determined to belong to a same collection, like symbols are assigned to the respective feature patterns. On the other hand, if feature patterns are determined to belong to different collections, different symbols are assigned to the respective feature patterns.

Insbesondere kann sHDP-HMM, das in der Ausführungsform verwendet wird, automatisch basierend auf der Gruppe der zeitseriellen Messdatensequenzen selbst, die Anzahl von Fahrzeugzuständen (verborgenen Zuständen), in anderen Worten, die Anzahl von Ansammlungen bestimmen.In particular, sHDP-HMM used in the embodiment may automatically determine the number of accumulations based on the group of the time series measurement data sequences themselves, the number of vehicle states (hidden states), in other words.

3A illustriert ein Beispiel von Symbolsequenzen C1-C2-C3-C2-C4-C5-C2-C3-C1-C2-C3.... Wie vorstehend beschrieben ist, werden die Übergangswahrscheinlichkeiten unter den Symbolen vorab bestimmt. 3A illustrates an example of symbol sequences C1-C2-C3-C2-C4-C5-C2-C3-C1-C2-C3 .... As described above, the transition probabilities among the symbols are determined in advance.

Gemäß 1 beinhaltet jede der fahrzeugsgebundenen Vorrichtungen 10 Sensoren 11, eine Eingabeeinheit 12, eine Informationssammelvorrichtung 13, eine Symbolsequenzspeichervorrichtung 14, eine Anzeigeeinheit 15, und eine Schnittstelle (IF) 16. Die Vorrichtungen 11 bis 16 sind kommunizierbar miteinander mittels eines fahrzeuggebundenen Netzwerks wie beispielsweise eines CAN gekoppelt, das in dem entsprechenden Fahrzeug installiert ist.According to 1 includes each of the vehicle-mounted devices 10 sensors 11 , an input unit 12 , an information collecting device 13 , a symbol sequence storage device 14 , a display unit 15 , and an interface (IF) 16 , The devices 11 to 16 are communicably coupled together by a vehicle-mounted network such as a CAN installed in the corresponding vehicle.

Die Sensoren 11 beinhalten beispielsweise Sensoren zum Messen von Bedingungswerten von vorab spezifizierten Teilen des entsprechenden Fahrzeugs wie beispielsweise einen Fahrzeuggeschwindigkeitssensor, einen Lenkwinkelsensor, einen Bremsensensor, einen Gaspedalpositionssensor und einen Luftmengenmesser. Die Sensoren 11 können Sensoren zum Messen von Bedingungswerten eines entsprechenden Teils des entsprechenden Fahrzeugs beinhalten, die empfindlich für das Auftreten von einem oder mehreren Fehlern in dem entsprechenden Fahrzeug sind.The sensors 11 For example, sensors include sensors for measuring condition values of pre-specified parts of the corresponding vehicle, such as a vehicle speed sensor, a steering angle sensor, a brake sensor, an accelerator position sensor, and an air flow meter. The sensors 11 For example, sensors may include sensors for measuring conditional values of a corresponding portion of the corresponding vehicle that are sensitive to the occurrence of one or more faults in the corresponding vehicle.

Die Eingabeeinheit 12 beinhaltet Eingabevorrichtungen wie beispielsweise eine Tastatur, eine Maus, ein Berührungsfeld und/oder unterschiedliche Schalter, die durch einen Fahrer des entsprechenden Fahrzeugs bedienbar sind. Die Eingabeeinheit 12 erlaubt dem Fahrer eine oder mehrere der Eingabevorrichtungen zum Eingeben unterschiedlicher Befehle einschließlich eines Messstartbefehls, eines Messstoppbefehls und dergleichen in die Informationssammelvorrichtung 13 zu operieren.The input unit 12 includes input devices such as a keyboard, a mouse, a touchpad, and / or various switches operable by a driver of the corresponding vehicle. The input unit 12 allows the driver one or more of the input devices for inputting different commands including a measurement start command, a measurement stop command and the like into the information collecting device 13 to operate.

Die Informationssammelvorrichtung 13 ist als ein allgemein bekannter Computer entworfen, bestehend aus beispielsweise einer CPU 13a und einer Speichereinheit 13b einschließlich eines ROM, eines RAM und dergleichen. Die Informationssammelvorrichtung 13 ist fähig, um bei einer spezifizierten Zeitgebung, eine Informationssammelroutine auszuführen, während das entsprechende Fahrzeug eingeschaltet ist, so dass die Informationssammelvorrichtung 13 eingeschaltet ist.The information collecting device 13 is designed as a well-known computer consisting of, for example, a CPU 13a and a storage unit 13b including a ROM, a RAM, and the like. The information collecting device 13 is capable of executing, at a specified timing, an information collecting routine while the corresponding vehicle is turned on, so that the information collecting device 13 is turned on.

Die Symbolsequenzspeichervorrichtung 14 dient beispielsweise als ein Hochkapazitätsspeicher, in dem Symbolsequenzen durch die später beschriebene Informationssammelvorrichtung 13 berechnet werden, zu speichern sind.The symbol sequence storage device 14 serves, for example, as a high-capacity memory in which symbol sequences are read by the information collecting apparatus described later 13 be calculated to save.

Die Anzeigeeinheit 15 ist fähig, um Anzeigeinformation, die beispielsweise von der Informationssammelvorrichtung 13 gesendet werden, anzuzeigen.The display unit 15 is able to display information, for example, from the information collecting device 13 to be sent.

Die IF 16 ist fähig, um externen Vorrichtungen wie beispielsweise den Terminals 20 zu erlauben, sich kommunizierbar mit dem fahrzeuggebundenen Netzwerk zu verbinden, so dass externe Vorrichtungen, die mit dem fahrzeuggebundenes Netzwerk mittels der IF 16 gekoppelt sind, mit jeglichen Vorrichtungen kommunizieren, die mit dem fahrzeuggebundenen Netzwerk gekoppelt sind. The IF 16 is capable of external devices such as the terminals 20 to allow communicably to connect to the on-board network so that external devices connected to the vehicle-mounted network by means of the IF 16 coupled to communicate with any devices that are coupled to the on-board network.

Als nächstes werden nachfolgend mit Bezug auf 4 spezifische Operationen der Informationssammelvorrichtung 13 beschrieben, die die Informationssammelroutine ausführt.Next, with reference to FIG 4 specific operations of the information collection device 13 described that performs the information collection routine.

Beim Starten der Informationssammelroutine bestimmt die CPU 13a der Informationssammelvorrichtung 13, ob Informationssammelbedingungen zum Starten des Sammelns von Information bei Schritt S110 erfüllt sind. Insbesondere als ein Beispiel bestimmt die CPU 13a, ob ein Messstartbefehl von der Eingabeeinheit 12 eingegeben wurde und ein Messstoppbefehl nicht von der Eingabeeinheit 12 eingegeben wurde, bei Schritt S110. Als weiteres Beispiel bestimmt die CPU 13a, ob die Laufbedingung des entsprechenden Fahrzeugs eine von vorbestimmten Bedingungen zeigt, die für Fehlerdiagnose geeignet sind, wie beispielsweise eine Bedingung, bei der das entsprechende Fahrzeug im Leerlauf ist, oder eine Bedingung, bei der das entsprechende Fahrzeug mit einer konstanten Geschwindigkeit fährt, die höher als eine vorbestimmte Geschwindigkeit ist.When starting the information collection routine, the CPU determines 13a the information collecting device 13 Whether information collection conditions for starting the collection of information are satisfied in step S110. In particular, as an example, the CPU determines 13a Whether a measurement start command from the input unit 12 and a measurement stop command is not input from the input unit 12 has been input, at step S110. As another example, the CPU determines 13a whether the running condition of the corresponding vehicle shows one of predetermined conditions suitable for fault diagnosis, such as a condition in which the corresponding vehicle is idling or a condition in which the corresponding vehicle is traveling at a constant speed, the higher is as a predetermined speed.

Wurde der Messstartbefehl von der Eingabeeinheit 12 eingegeben und ein Messstoppbefehl nicht von der Eingabeeinheit 12 eingegeben, bestimmt die CPU 13a, dass die Informationssammelbedingungen erfüllt sind (JA bei Schritt S110). Zusätzlich, wenn die Fahrtbedingung des entsprechenden Fahrzeugs eine der vorbestimmten Laufbedingungen zeigt, die für Fehlerdiagnose geeignet sind, bestimmt die CPU 13a, dass die Informationssammelbedingungen erfüllt sind (JA bei Schritt S110). Dann, fährt die Informationssammelroutine mit Schritt S120 fort. Andererseits, wenn bestimmt wird, dass die Informationssammelbedingungen nicht erfüllt sind (NEIN bei Schritt S110), beendet die CPU 13a den gegenwärtigen Zyklus der Informationssammelroutine.Was the measurement start command from the input unit 12 and a measurement stop command not from the input unit 12 entered, the CPU determines 13a in that the information collecting conditions are satisfied (YES in step S110). In addition, when the running condition of the corresponding vehicle shows one of the predetermined running conditions suitable for fault diagnosis, the CPU determines 13a in that the information collecting conditions are satisfied (YES in step S110). Then, the information collection routine proceeds to step S120. On the other hand, when it is determined that the information collecting conditions are not satisfied (NO in step S110), the CPU ends 13a the current cycle of the information gathering routine.

Bei Schritt S120 erfasst die CPU 13a einen Wert, das heißt, eine Messung von jedem der Sensoren 11 für jeden vorbestimmten Zyklus innerhalb einer vorbestimmte Messperiode, wodurch multidimensionale, zeitserielle Messdatensequenzen erlangt werden. Jede der zeitseriellen Messdatensequenzen besteht aus Werten (Messungen), die zyklisch durch die Sensoren 11 gemessen werden, die in dem entsprechenden Fahrzeug installiert sind.In step S120, the CPU detects 13a a value, that is, a measurement of each of the sensors 11 for each predetermined cycle within a predetermined measurement period, thereby obtaining multi-dimensional time-serial measurement data sequences. Each of the time series measurement data sequences consists of values (measurements) cycled by the sensors 11 be measured, which are installed in the appropriate vehicle.

Als nächstes transformiert die CPU 13a bei Schritt S130 die zeitseriellen Messdatensequenzen in eine Symbolsequenz unter Verwendung eines sHDP-HMM (vgl. 3). Bei Schritt S140 speichert die CPU 13a die Symbolsequenz in der Symbolsequenzspeichervorrichtung 14 derart, dass die Symbolsequenz mit den Messzeiten und Plätzen der entsprechenden zeitseriellen Messdatensequenzen korreliert. Nach Vervollständigung der Operation bei Schritt S140 beendet die CPU 13a die Informationssammelroutine.Next, the CPU transforms 13a at step S130, the time-series measurement data sequences into a symbol sequence using an sHDP-HMM (see FIG. 3 ). In step S140, the CPU stores 13a the symbol sequence in the symbol sequence storage device 14 such that the symbol sequence correlates with the measurement times and locations of the corresponding time series measurement data sequences. Upon completion of the operation in step S140, the CPU ends 13a the information gathering routine.

Es ist zu beachten, dass, wenn der Fahrer die eine oder mehreren Eingabevorrichtungen zum Eingeben des Messstartbefehls und des Messstoppbefehls operiert, es wünschenswert ist, dass ein Fahrer Fahroperationen zum Fahren (oder laufen lassen) des entsprechenden Fahrzeugs gemäß einem von vorbereiteten Testlaufmustern ausführt, während die Informationssammelbedingungen erfüllt sind. Die vorbereiteten Testlaufmuster werden bestimmten, um für Fehlerdiagnose geeignet zu sein. Da die zeitseriellen Messdatensequenzen gesammelt werden, während das entsprechende Fahrzeug in einem der vorbereiteten Testlaufmuster läuft, die für Fehlerdiagnose geeignet sind, werden Variationen in den zeitseriellen Messdatensequenzen, die zu unterschiedlichen Zeiten erlangt werden, reduziert. In der Ausführungsform wird das Fahren (oder laufen lassen) von einem gestörten, zu diagnostizierenden Fahrzeug gemäß einem der Testlaufmuster normalerweise in einer Werkstatt ausgeführt. In der Ausführungsform kann die Informationssammelvorrichtung 13 operativ sein, um die Fahrprozedur eines der Testlaufmuster auf der Anzeigeeinheit 15 anzuzeigen, wodurch der Fahrer eines Fahrzeugs, der glaubt, dass es ein Problem mit die Fahrzeug gibt, dabei unterstützt wird, die Fahroperationen des entsprechenden Fahrzeugs gemäß einem der Testlaufmuster auszuführen. In der Ausführungsform beinhaltet ein gestörtes Fahrzeug ein Fahrzeug, in dem eine oder mehrere Störungen, Fehler oder Fehlfunktionen aufgetreten sind, und ein Fahrzeug dessen Fahrer das Gefühl hat, dass irgendeine Störung aufgetreten ist.It is to be noted that when the driver operates the one or more input devices for inputting the measurement start command and the measurement stop command, it is desirable for a driver to perform driving operations for driving (or running) the corresponding vehicle according to one of prepared test running patterns the information collection conditions are met. The prepared test run patterns are determined to be suitable for fault diagnosis. Since the time series measurement data sequences are collected while the corresponding vehicle is running in one of the prepared test run patterns suitable for fault diagnosis, variations in the time series measurement data sequences obtained at different times are reduced. In the embodiment, the running (or running) of a disturbed vehicle to be diagnosed according to one of the test running patterns is normally carried out in a workshop. In the embodiment, the information collecting device 13 be operational to the driving procedure of one of the test run patterns on the display unit 15 indicating that the driver of a vehicle who believes that there is a problem with the vehicle is assisted in performing the driving operations of the corresponding vehicle according to one of the test running patterns. In the embodiment, a failed vehicle includes a vehicle in which one or more failures, failures or malfunctions have occurred, and a vehicle whose driver feels that any trouble has occurred.

Es wird der folgende Fall angenommen, dass, während der Fahrer die Fahroperationen des entsprechenden Fahrzeugs gemäß einem ausgewählten der Testlaufmuster ausführt, die CPU 13a einen Wert von jedem der Sensoren 11 für jeden vorbestimmten Zyklus innerhalb der vorbestimmten Messperiode erlangt, um dabei multidimensionale, zeitserielle Messdatensequenzen zu erlangen. In diesem Fall ist es möglich für die CPU 13a die Symbolsequenz, die basierend auf den zeitserielle Messdatensequenzen erlangt wirt, derart zu speichern, dass die Symbolsequenz mit zusätzlichen Informationen, die das ausgewählte Testlaufmuster identifizieren zusätzlich zu die Messzeiten und Plätzen der entsprechenden zeitseriellen Messdatensequenzen korreliert.The following case is assumed that, while the driver is performing the driving operations of the corresponding vehicle according to a selected one of the test running patterns, the CPU 13a a value from each of the sensors 11 for each predetermined cycle within the predetermined measurement period, to thereby obtain multi-dimensional, time series measurement data sequences. In this case, it is possible for the CPU 13a store the symbol sequence obtained based on the time series measurement data sequences such that the symbol sequence with additional information identifying the selected test run pattern in addition to the measurement times and locations of the corresponding time-serial measurement data sequences correlated.

Zusätzlich wird der folgende Fall angenommen, dass, während die Fahrtbedingung des entsprechenden Fahrzeugs eine der vorbestimmten Laufbedingungen zeigt, die für Fehlerdiagnose geeignet sind, die CPU 13a einen Wert von jedem der Sensoren 11 für jeden vorbestimmten Zyklus innerhalb der vorbestimmten Messperiode erfasst, um dabei multidimensionale, zeitserielle Messdatensequenzen zu erlangen. In diesem Fall ist es für die CPU 13a möglich, die Symbolsequenz, die basierend auf den zeitseriellen Messdatensequenzen erlangt wird, derart zu speichern, dass die Symbolsequenz mit zusätzlichen Informationen, die eine gewählte der vorbestimmten Laufbedingungen identifizieren, die für Fehlerdiagnose geeignet sind, zusätzlich zu den Messzeiten und Plätzen der entsprechenden zeitseriellen Messdatensequenzen korreliert.In addition, the following case is assumed that, while the running condition of the corresponding vehicle shows one of the predetermined running conditions suitable for fault diagnosis, the CPU 13a a value from each of the sensors 11 for each predetermined cycle within the predetermined measurement period, to thereby obtain multi-dimensional time-serial measurement data sequences. In this case, it is for the CPU 13a it is possible to store the symbol sequence obtained based on the time series measurement data sequences such that the symbol sequence correlates with additional information identifying a selected one of the predetermined running conditions suitable for fault diagnosis in addition to the measurement times and locations of the corresponding time series measurement data sequences ,

Gemäß 1 beinhaltet jeder der fehlerinformationsbereitstellenden Terminals, die einfach als Terminals 20 bezeichnet werden, eine Schnittstelle (IF) 21, eine Eingabeeinheit 22, eine Anzeigeeinheit 23, eine Informationsverarbeitungseinheit 24, eine Fehlerfällespeichereinheit 25 und eine Kommunikationseinheit 26. Die Einheiten 21 bis 26 sind kommunizierbar miteinander mittels eines Netzwerks wie beispielsweise eines LAN gekoppelt. Beispielsweise sind die Terminals 20 in Werkstätten und/oder Servicestationen installiert.According to 1 includes each of the error-information-providing terminals, which are simply terminals 20 be designated, an interface (IF) 21 , an input unit 22 , a display unit 23 an information processing unit 24 , a fault trap storage unit 25 and a communication unit 26 , The units 21 to 26 are communicably coupled together by a network such as a LAN. For example, the terminals 20 installed in workshops and / or service stations.

Die IF 21 ist fähig, um dem entsprechenden Terminal 20 zu erlauben, mit jeglichen Vorrichtungen, die mit dem fahrzeuggebunden Netzwerk jeder der fahrzeuggebundenen Vorrichtungen 10 gekoppelt sind, in Kooperation mit der IF 15 zu kommunizieren.The IF 21 is capable to the corresponding terminal 20 to allow with any devices connected to the on-board network of any of the on-board devices 10 coupled with the IF 15 to communicate.

Die Eingabeeinheit 22 beinhaltet Eingabevorrichtungen, wie beispielsweise eine Tastatur, eine Maus, eine Berührungsfeld, und/oder unterschiedliche Schalter, die durch einen Benutzer wie beispielsweise einem Automechaniker des Terminals 20 bedienbar sind. Die Eingabeeinheit 22 erlaubt einem Benutzer eine oder mehrere der Eingabevorrichtungen zum Eingeben unterschiedlicher Befehle in die Informationsverarbeitungseinheit 24 zu operieren.The input unit 22 includes input devices, such as a keyboard, a mouse, a touchpad, and / or various switches that are controlled by a user, such as a car mechanic of the terminal 20 are operable. The input unit 22 allows a user one or more of the input devices to input different commands into the information processing unit 24 to operate.

Die Anzeigeeinheit 23 ist fähig, sichtbare Informationen zur Unterstützung von Eingabeoperationen der einen oder mehreren Eingabevorrichtungen und zum Verarbeiten von Ergebnissen der Informationsverarbeitungseinheit 24 anzugeigen.The display unit 23 is capable of providing visual information to support input operations of the one or more input devices and to process results of the information processing unit 24 provide own.

Die Kommunikationseinheit 26 ist fähig, um der Informationsverarbeitungseinheit 24 zu erlauben, auf die Fehlerfällespeicherserver 30 mittels eines öffentlichen Drahtlosnetzwerks wie beispielsweise einem drahtlosen LAN zuzugreifen.The communication unit 26 is capable of the information processing unit 24 to allow access to the error trap storage servers 30 using a public wireless network such as a wireless LAN.

Die Fehlerfällespeichereinheit 25 dient als ein Speicher, in dem die Fehlerfallinformationen, die vom Fehlerfällespeicherserver 30 erfasst werden, und durch die Informationsverarbeitungseinheit 24 erzeugte Informationen zu speichern sind.The fault trap memory unit 25 serves as a memory in which the error case information provided by the fault trap storage server 30 be detected, and by the information processing unit 24 to generate generated information.

Die Informationsverarbeitungseinheit 24 ist als ein allgemein bekannter Computer bestehend aus beispielsweise einer CPU 24a und einer Speichereinheit 24b einschließlich eines ROM, eines RAM und dergleichen entworfen. Die Informationsverarbeitungseinheit 24 ist fähig, um mindestens eine Fehlerdiagnoseroutine und eine Informationsregistrierungsroutine auszuführen. Insbesondere ist die Informationsverarbeitungseinheit 24 programmiert, um die Fehlerdiagnoseroutine zu starten, wenn eine Diagnosestartbefehl in die Informationsverarbeitungseinheit 24 mittels der Eingabeeinheit 22 eingegeben wird, während die IF 21 des entsprechenden Terminals 20 mit der IF 15 von einem gestörten, zu diagnostizierenden Fahrzeug gekoppelt ist. Die Informationsverarbeitungseinheit 24 ist ebenso programmiert, um die Informationsregistrierungsroutine, wenn ein Registrierungsbefehl in die Informationsverarbeitungseinheit 24 mittels der Eingabeeinheit 22 eingegeben wird, unabhängig davon zu starten, ob die IF 21 des entsprechenden Terminals 20 mit etwas gekoppelt ist.The information processing unit 24 is as a well-known computer consisting of, for example, a CPU 24a and a storage unit 24b including a ROM, a RAM and the like. The information processing unit 24 is capable of executing at least one of a fault diagnosis routine and an information registration routine. In particular, the information processing unit 24 programmed to start the fault diagnostic routine when a diagnostic start command is sent to the information processing unit 24 by means of the input unit 22 is entered while the IF 21 of the corresponding terminal 20 with the IF 15 from a disturbed vehicle to be diagnosed. The information processing unit 24 is also programmed to the information registration routine when a registration command in the information processing unit 24 by means of the input unit 22 is entered, regardless of whether the IF 21 of the corresponding terminal 20 coupled with something.

Als nächstes werden spezifische Operationen der Informationsverarbeitungseinheit 24, die die Fehlerdiagnoseroutine ausführt, nachfolgend mit Bezug auf 5 beschrieben.Next, specific operations of the information processing unit 24 executing the fault diagnosis routine, with reference to FIG 5 described.

Beim Starten die Fehlerdiagnoseroutine, bestimmt die CPU 24a bei Schritt S210, ob ein Bedarf besteht, die Fehlerfallinformationen zu aktualisieren, die in der Fehlerfällespeichereinheit 25 gespeichert sind. Beispielsweise greift die CPU 24a auf den Fehlerfällespeicherserver 30 mittels der Kommunkationseinheit 26 zu und bestimmt, ob die Fehlerfallinformationen, die in der Fehlerfällespeichereinheit 25 gespeichert sind, in Übereinstimmung mit den Fehlerfallinformationen sind, die in dem Fehlerfällespeicherserver 30 gespeichert sind.When starting the fault diagnosis routine, the CPU determines 24a at step S210, if there is a need to update the error case information stored in the error occurrence storage unit 25 are stored. For example, the CPU attacks 24a on the error-trap storage server 30 by means of the communication unit 26 and determines if the error case information contained in the error trap storage unit 25 are stored in accordance with the error case information stored in the error memory server 30 are stored.

Wenn bestimmt wird, dass die Fehlerfallinformationen, die in der Fehlerfällespeichereinheit 25 gespeichert sind, nicht in Übereinstimmung mit den Fehlerfallinformationen sind, die in dem Fehlerfällespeicherserver 30 gespeichert sind, erlangt die CPU 24a die Fehlerfallinformationen, die in dem Fehlerfällespeicherserver 30 gespeichert sind. Dann aktualisiert die CPU 24a bei Schritt S210 die vorhergehenden Fehlerfallinformationen, die in der Fehlerfällespeichereinheit 25 gespeichert sind, auf die gegenwärtig erlangten Fehlerfallinformationen.When it is determined that the error case information contained in the error occurrence storage unit 25 are not in accordance with the error case information stored in the error memory server 30 stored, the CPU obtains 24a the error case information that is in the error memory server 30 are stored. Then the CPU updates 24a at step S210, the previous error case information included in the error occurrence memory unit 25 stored on the currently obtained error case information.

Als weiteres Beispiel bestimmt die CPU 24a, ob eine vorbestimmte Zeitperiode abgelaufen ist, seit der letzten Aktualisierung der Fehlerfallinformationen, die in der Fehlerfällespeichereinheit 25 gespeichert sind. Wenn bestimmt wird, dass die vorbestimmte Zeitperiode seit die letzten Aktualisierung der Fehlerfallinformationen abgelaufen ist, die in der Fehlerfällespeichereinheit 25 gespeichert sind, erlangt die CPU 24a die Fehlerfallinformationen, die in dem Fehlerfällespeicherserver 30 gespeichert sind. Dann aktualisiert die CPU 24a bei Schritt S210 die vorhergehenden Fehlerfallinformationen, die in der Fehlerfällespeichereinheit 25 gespeichert sind, auf die gegenwärtig erlangten Fehlerfallinformationen. As another example, the CPU determines 24a whether a predetermined period of time has elapsed since the last update of the error case information stored in the error memory unit 25 are stored. When it is determined that the predetermined time period has elapsed since the last update of the error case information included in the error occurrence memory unit 25 stored, the CPU obtains 24a the error case information that is in the error memory server 30 are stored. Then the CPU updates 24a at step S210, the previous error case information included in the error occurrence memory unit 25 stored on the currently obtained error case information.

Als ein weiteres Beispiel erlangt die CPU 24a die Fehlerfallinformationen die in dem Fehlerfällespeicherserver 30 gespeichert sind, in Antwort darauf, wenn ein Aktualisierungsbefehl in die Informationsverarbeitungseinheit 24 mittels der Eingabeeinheit 22 eingegeben wird. Dann aktualisiert die CPU 24a bei Schritt S210 die vorhergehenden Fehlerfallinformationen, die in der Fehlerfällespeichereinheit 25 gespeichert sind, auf die gegenwärtig erlangten Fehlerfallinformationen.As another example, the CPU obtains 24a the error case information that is in the error memory server 30 are stored in response to when an update command in the information processing unit 24 by means of the input unit 22 is entered. Then the CPU updates 24a at step S210, the previous error case information included in the error occurrence memory unit 25 stored on the currently obtained error case information.

Als nächstes erlangt die CPU 24a mittels der IF 21 die Symbolsequenz, die in der Symbolsequenzspeichervorrichtung 14 der fahrzeugsgebundenen Vorrichtung 10 gespeichert ist, die in einem gestörten, zu diagnostizierenden Fahrzeug installiert ist, bei Schritt S220. Bei Schritt S220, erlangt die CPU 24a ebenso von der fahrzeuggebundenen Vorrichtung 10, die in dem gestörten Fahrzeug installiert ist, Information einschließlich des Typ und des Modells des gestörten Fahrzeugs, die mit den Reparaturinformationen von jedem der vergangenen Fehlerfälle verknüpft sind.Next, the CPU gets 24a by means of the IF 21 the symbol sequence stored in the symbol sequence storage device 14 the vehicle-mounted device 10 stored in a failed vehicle to be diagnosed, at step S220. At step S220, the CPU acquires 24a as well from the vehicle-mounted device 10 Installed in the disturbed vehicle, information including the type and model of the disturbed vehicle associated with the repair information of each of the past failure cases.

Nach der Operation bei Schritt S220, wählt die CPU 24a bei Schritt S230 ein Stück der Fehlerfallinformationen entsprechend einem der vergangenen Fehlerfälle, die in der Fehlerfällespeichereinheit 25 gespeichert sind.After the operation at step S220, the CPU selects 24a at step S230, a piece of the error case information corresponding to one of the past error cases included in the error occurrence memory unit 25 are stored.

Dann berechnet die CPU 24a bei Schritt S240 die Ähnlichkeit zwischen der bei Schritt S220 erlangten Symbolsequenz und der Symbolsequenz, die in dem gewählten Stück der Fehlerfallinformationen entsprechend einem der vergangenen Fehlerfälle beinhaltet ist, die in der Fehlerfällespeichereinheit 25 gespeichert sind. Die Symbolsequenz, die bei Schritt S220 erlangt wird, wird als eine erlangte Symbolsequenz bezeichnet, und die Symbolsequenz, die in dem gewählten Stück der Fehlerfallinformationen entsprechend einem der vergangenen Fehlerfälle, die in der Fehlerfällespeichereinheit 25 gespeichert sind, beinhaltet ist, wird bei Schritt S240 als eine ausgewählte vergangene Symbolsequenz bezeichnet.Then the CPU calculates 24a at step S240, the similarity between the symbol sequence obtained at step S220 and the symbol sequence included in the selected piece of the error case information corresponding to one of the past error cases included in the error occurrence memory unit 25 are stored. The symbol sequence obtained at step S220 is referred to as a obtained symbol sequence, and the symbol sequence included in the selected piece of error case information corresponding to one of the past error cases included in the error occurrence memory unit 25 are stored at step S240 is referred to as a selected past symbol sequence.

Beispielsweise ist die CPU 24a programmiert, um die Ähnlichkeit zwischen der erlangten Symbolsequenz und der ausgewählten vergangenen Symbolsequenz unter Verwendung eine normalisierte Levenshtein-Distanz zu berechnen, die ein Beispiel of Bearbeitungsdistanzen angibt, von denen jede die Differenz zwischen zwei Sequenzen angibt. Wie die normalisierte Levenshtein-Distanz zwischen Symbolsequenzen ”APPLE” und ”MAPPED”, die die erlangte Symbolsequenz und die ausgewählte vergangene Symbolsequenz darstellen, basierend auf die folgenden Bearbeitungen, das heißt, Einfügen, Ersetzen oder Löschen berechnet werden, wird wie folgt beschrieben:

1. APPLE → APPLD (Ersetzen von ”D” durch ”E”)
2. APPLD → APPED (Ersetzen von ”E” durch ”L”)
3. APPED → MAPPED (Einfügen von ”M” am Anfang).

For example, the CPU 24a to calculate the similarity between the obtained symbol sequence and the selected past symbol sequence using a normalized Levenshtein distance indicating an example of processing distances, each of which indicates the difference between two sequences. How to calculate the normalized Levenshtein distance between symbol sequences "APPLE" and "MAPPED" representing the obtained symbol sequence and the selected past symbol sequence based on the following processing, that is, insert, replace, or delete is calculated as follows:

1. APPLE → APPLD (replace "D" with "E")
2. APPLD → APPED (replace "E" with "L")
3. APPED → MAPPED (insert "M" at the beginning).

Dies führt dazu, dass die Levenshtein-Distanz zwischen den Symbolsequenzen ”APPLE” und ”MAPPED” als 3 berechnet wird.This results in the Levenshtein distance between the symbol sequences "APPLE" and "MAPPED" being calculated as 3.

Die CPU 24a dividiert die berechnete Levenshtein-Distanz durch die Anzahl von Symbolen einer der Symbolsequenzen ”APPLE” und ”MAPPED”, deren Anzahl größer als die von der anderen ist, wodurch die normalisierte Levenshtein-Distanz of 0,5 erlangt wird. In 6 wird eine Funktion, die eine größere der Anzahl von Symbolen, das heißt, 5 der Symbolsequenz ”APPLE” und 6 der Symbolsequenz ”MAPPED” ausgibt, als max (5, 6) bezeichnet.The CPU 24a divides the calculated Levenshtein distance by the number of symbols of one of the symbol sequences "APPLE" and "MAPPED", the number of which is greater than that of the other, thereby obtaining the normalized Levenshtein distance of 0.5. In 6 For example, a function that outputs a larger one of the number of symbols, that is, 5 of the symbol sequence "APPLE" and 6 of the symbol sequence "MAPPED" is referred to as max (5, 6).

Als nächstes bestimmt die CPU 24a bei Schritt S250, ob die Operationen bei Schritt S230 und Schritt S240 für all die vergangenen Fehlerfälle ausgeführt wurden, die in der Fehlerfällespeichereinheit 25 gespeichert sind.Next, the CPU determines 24a at step S250, whether the operations at step S230 and step S240 have been performed for all the past error cases included in the error counter memory unit 25 are stored.

Wenn bestimmt wird, dass die Operationen bei Schritt S230 und S240 noch nicht für all die vergangenen Fehlerfälle ausgeführt wurden, die in der Fehlerfällespeichereinheit 25 gespeichert sind (NEIN bei Schritt S250), führt die CPU 24a wiederholt die Operationen bei Schritt S230 und S240 aus. Insbesondere wählt die CPU 24a bei Schritt S230 ein Stück der Fehlerfallinformationen entsprechend einem anderen der vergangenen Fehlerfälle, die in der Fehlerfällespeichereinheit 25 gespeichert sind. Dann berechnet die CPU 24a bei Schritt S240 die Ähnlichkeit zwischen der Symbolsequenz, die bei Schritt S220 erlangt wird, und der Symbolsequenz, die in dem ausgewählten Stück der Fehlerfallinformationen entsprechend einer anderen ein der vergangenen Fehlerfälle beinhaltet ist, die in der Fehlerfällespeichereinheit 25 gespeichert sind.If it is determined that the operations at step S230 and S240 have not yet been performed for all the past error cases included in the error counter storage unit 25 are stored (NO at step S250), the CPU performs 24a repeats the operations in steps S230 and S240. In particular, the CPU selects 24a at step S230, a piece of the error case information corresponding to another of the past error cases included in the error occurrence memory unit 25 are stored. Then the CPU calculates 24a at step S240, the similarity between the symbol sequence obtained at step S220 and the symbol sequence included in the selected piece of the error case information corresponding to another one of the past error cases included in the error occurrence memory unit 25 are stored.

Andererseits, wenn bestimmt wird, dass die Operationen bei Schritts S230 und S240 für all die vergangenen Fehlerfälle ausgeführt wurden, die in der Fehlerfällespeichereinheit 25 gespeichert sind (JA bei Schritt S250), fährt die Fehlerdiagnoseroutine fort mit Schritt S260.On the other hand, if it is determined that the operations in steps S230 and S240 have been performed for all the past error cases which are in the fault occurrence memory unit 25 are stored (YES at step S250), the fault diagnosis routine proceeds to step S260.

Bei Schritt S260 extrahiert die CPU 24a als einen oder mehrere Fehlerfallkandidaten eines oder mehrere Stücke der Fehlerfallinformationen von all den Stücken der Fehlerfallinformationen, die in der Fehlerfällespeichereinheit 25 gespeichert sind, basierend auf die berechneten Ähnlichkeiten aller Stücke der Fehlerfallinformationen, die in der Fehlerfällespeichereinheit 25 gespeichert sind. Insbesondere, wie in 7 illustriert ist, extrahiert die CPU 24a als Fehlerfallkandidaten, Stücke der Fehlerfallinformationen, von denen jedes die berechnete Ähnlichkeit gleich oder größer als ein vorbestimmte Wert, das heißt, 0.8, hat, von all den Stücken der Fehlerfallinformationen, die in der Fehlerfällespeichereinheit 25 gespeichert sind. Insbesondere, falls es manche Fehlerfallkandidaten in einer gleichen Fehlerfallklassifizierung gibt, extrahiert die CPU 24a einen der Fehlerfallkandidaten in der gleichen Fehlerfallklassifizierung von all den Fehlerfallkandidaten in der gleichen Fehlerfallklassifizierung; einer der Fehlerfallkandidaten hat die größte Ähnlichkeit aller Fehlerfallkandidaten in der gleichen Fehlerfallklassifizierung.In step S260, the CPU extracts 24a as one or more error case candidates, one or more pieces of the error case information of all the pieces of error case information contained in the error occurrence memory unit 25 based on the calculated similarities of all pieces of the error case information stored in the error occurrence memory unit 25 are stored. In particular, as in 7 Illustrated, the CPU extracts 24a as error case candidates, pieces of the error case information each of which has the calculated similarity equal to or greater than a predetermined value, that is, 0.8, among all the pieces of the error case information included in the error occurrence memory unit 25 are stored. In particular, if there are some error case candidates in a same error case classification, the CPU extracts 24a one of the error case candidates in the same error case classification of all the error case candidates in the same error case classification; One of the error case candidates has the greatest similarity of all error case candidates in the same error case classification.

Als nächstes erlangt die CPU 24a die Reparaturinformationen, die mit jedem der extrahierten Fehlerfallkandidaten verknüpft sind, und zeigt bei Schritt S270 die Reparaturinformationen, die mit jedem der extrahierten Fehlerfallkandidaten verknüpft sind, auf der Anzeigeeinheit 23 an. Dies stellt visuelle Information über die Reparaturinformationen, die mit jedem der extrahierten Fehlerfallkandidaten verknüpft sind, einem Benutzer wie beispielsweise einem Mechaniker bereit.Next, the CPU gets 24a the repair information associated with each of the extracted error case candidates, and displays the repair information associated with each of the extracted error case candidates on the display unit at step S270 23 at. This provides visual information about the repair information associated with each of the extracted error case candidates to a user, such as a mechanic.

Demzufolge ermöglicht der Mechaniker, auf die visuellen Reparaturinformationen Bezug zu nehmen, die auf der Anzeigeeinheit 23 angezeigt werden, und Reparaturen des gestörten Fahrzeugs einschließlich Identifikation von einem oder mehr Fehlerteilen des gestörten Fahrzeugs gemäß der Reparaturprozedur auszuführen.As a result, the mechanic allows to refer to the visual repair information displayed on the display unit 23 displayed, and perform repairs of the disturbed vehicle including identification of one or more parts of the faulty faulted vehicle according to the repair procedure.

Es ist zu beachten, dass es bei Schritt S250 bevorzugt ist, dass die CPU 24a bestimmt, ob die Operationen bei Schritt S230 und S240 für mindestens einen der vergangenen Fehlerfälle ausgeführt wurden, die in der Fehlerfällespeichereinheit 25 gespeichert sind; Stücke der zusätzlichen Informationen, die mit dem mindestens einen der vergangenen Fehlerfälle verknüpft sind, die in der Fehlerfällespeichereinheit 25 gespeichert sind stimmen mit den zusätzlichen Informationen überein, die mit der Symbolsequenz verknüpft sind, die bei Schritt S220 erlangt wird.It should be noted that at step S250, it is preferable that the CPU 24a determines whether the operations at step S230 and S240 have been performed for at least one of the past error cases that exist in the error memory unit 25 are stored; Pieces of the additional information associated with the at least one of the past failures that occurred in the failure memory unit 25 are stored in accordance with the additional information associated with the symbol sequence obtained at step S220.

Dies eliminiert Ausführen der Operationen bei Schritt S230 und S240 für die verbleibenden vergangenen Fehlerfälle, die in der Fehlerfällespeichereinheit 25 gespeichert sind; Stücke der zusätzlichen Informationen, die mit den verbleibenden Fehlerfälle verknüpft sind, die in der Fehlerfällespeichereinheit 25 gespeichert sind, stimmen nicht mit den zusätzlichen Informationen überein, die mit der Symbolsequenz verknüpft sind, die bei Schritt S220 erlangt wird. Dies führt zur Reduzierung von Zeit, die erforderlich ist, um einen oder mehr richtige Fehlerfallkandidaten von all den Stücken der Fehlerfallinformationen zu extrahieren, die in der Fehlerfällespeichereinheit 25 gespeichert sind.This eliminates the execution of the operations at step S230 and S240 for the remaining past failure cases included in the fault occurrence storage unit 25 are stored; Pieces of additional information associated with the remaining error cases that are in the error trap storage unit 25 are not coincident with the additional information associated with the symbol sequence obtained at step S220. This results in the reduction of time required to extract one or more correct error case candidates from all the pieces of error case information contained in the error trap memory unit 25 are stored.

Als nächstes werden spezifische Operationen der Informationsverarbeitungseinheit 24, die die Informationsregistrierungsroutine ausführt, nachfolgend beschrieben.Next, specific operations of the information processing unit 24 that executes the information registration routine, described below.

Beim Starten der Informationsregistrierungsroutine spezifiziert die CPU 24a der Informationsverarbeitungseinheit 24 bei Schritt S310 die Symbolsequenz, die bei Schritt S220 erlangt wird, zur Registrierung. Als nächstes zeigt die CPU 24a beispielsweise einen Dateneingabebildschirm an, in den ein Mechaniker

1. eine Fehlerfallklassifizierung, in die ein Fehlerfall, der basierend auf der bei Schritt S220 erlangten Symbolsequenz spezifiziert ist, kategorisiert ist;
2. Reparaturinformationen von tatsächlich durch den Mechaniker für den Fehlerfall ausgeführten Reparaturen, der durch die spezifizierte Symbolsequenz identifiziert wird, bei Schritt S320 eingeben kann.

When starting the information registration routine, the CPU specifies 24a the information processing unit 24 at step S310, the symbol sequence obtained at step S220 is registered. Next, the CPU shows 24a For example, a data entry screen into which a mechanic

1. an error case classification into which an error case specified based on the symbol sequence obtained at step S220 is categorized;
2. may enter repair information of repairs actually performed by the mechanic for the error case identified by the specified symbol sequence at step S320.

Die Reparaturinformationen beinhalten die ersten bis achten Elemente, die vorstehend beschrieben sind. Dann operiert der Mechaniker die eine oder mehrere Eingabevorrichtungen zum Eingeben von Stücken von Information über die ersten bis achten Elemente basierend auf den Informationen über tatsächlich ausgeführte Reparaturen. Bei Schritt S320 empfängt die CPU 24a die eingegebenen Informationen einschließlich der Fehlerfallklassifizierung und der ersten bis achten Elemente als die Reparaturinformationen.The repair information includes the first to eighth elements described above. Then, the mechanic operates the one or more input devices for inputting pieces of information about the first to eighth elements based on the information about actually performed repairs. In step S320, the CPU receives 24a the input information including the error case classification and the first to eighth items as the repair information.

Als nächstes korreliert die CPU 24a bei Schritt S330 als eine Fahrzeugbedingungssymbolsequenz, die Symbolsequenz, die bei Schritt S310 erlangt wird, mit der Fehlerfallklassifizierung und den bei Schritt S320 eingegebenen Reparaturinformationen, wodurch Aktualisierungsfehlerfallinformationen erzeugt werden. Dann registriert die CPU 24a bei Schritt S330 die Aktualisierungsfehlerfallinformationen in die Fehlerfallinformationen, die in dem Fehlerfällespeicherserver 30 gespeichert sind, mittels der Kommunikationseinheit 26 und beendet danach die Informationsregistrierungsroutine.Next, the CPU correlates 24a at step S330 as a vehicle condition symbol sequence, the symbol sequence obtained at step S310, with the error case classification and the repair information inputted at step S320, thereby generating update error case information. Then the CPU registers 24a At step S330, the update failure information is included in the error case information stored in the failure memory server 30 are stored by means of communication unit 26 and then ends the information registration routine.

Es ist zu beachten, dass von einem Fall ausgegangen wird, in dem die Fehlerfallklassifizierung und die Fahrzeugbedingungssymbolsequenz, die in den Aktualisierungsfehlerfallinformationen beinhaltet sind, mit denen übereinstimmen, die in einem Stück der Fehlerfallinformationen beinhaltet sind, die in dem Fehlerfällespeicherserver 30 gespeichert sind. In diesem Fall kann die CPU 24a mindestens einen Teil der Reparaturinformationen zu dem Stück der Fehlerfallinformationen die in dem Fehlerfällespeicherserver 30 gespeichert sind hinzufügen. Der Teil der Reparaturinformationen ist nicht in den Reparaturinformationen beinhaltet, die in dem Stück der Fehlerfallinformationen beinhaltet sind, die in dem Fehlerfällespeicherserver 30 gespeichert sind.It is to be noted that a case is assumed in which the error case classification and the vehicle condition symbol sequence included in the update error case information coincide with those included in a piece of the error case information included in the error occurrence memory server 30 are stored. In this case, the CPU can 24a at least a portion of the repair information about the piece of error case information contained in the error recovery storage server 30 are saved. The part of the repair information is not included in the repair information included in the piece of error case information stored in the error storage server 30 are stored.

Zusätzlich wird ein Fall angenommen, in dem irgendeine der Fehlerfallklassifizierung und der Fahrzeugbedingungssymbolsequenz, die in den Aktualisierungsfehlerfallinformationen beinhaltet sind, mit einem entsprechenden der Fehlerfallklassifizierung und die Fahrzeugbedingungssymbolsequenz übereinstimmt, die in einem Stück der Fehlerfallinformationen beinhaltet sind, die in dem Fehlerfällespeicherserver 30 gespeichert sind. In diesem Fall kann die CPU 24a die Aktualisierungsfehlerfallinformationen in dem Fehlerfällespeicherserver 30 als neue Fehlerfallinformationen registrieren.In addition, a case is assumed in which any one of the error case classification and the vehicle condition symbol sequence included in the update error case information agrees with a corresponding one of the error case classification and the vehicle condition symbol sequence included in a piece of the error case information stored in the error occurrence memory server 30 are stored. In this case, the CPU can 24a the update failure case information in the failure storage server 30 register as new error case information.

Wie vorstehend beschrieben ist, hat das System 1 gemäß der Ausführungsform eine spezifische Konfiguration, die

1. basierend auf zeitseriellen Messdatensequenzen, die Übergänge der Bedingungen von einem gestörten, zu diagnostizierenden Fahrzeug zeigen, eine Symbolsequenz erzeugt, die Merkmale zeigt, die in den zeitseriellen Messdatensequenzen beinhaltet sind;
2. Reparaturinformationen abruft, die mit einem vergangenen Fehlerfall verknüpft sind, der ähnlich oder gleich einem Fehlerfall ist, der gegenwärtig durch die Symbolsequenz spezifiziert ist;
3. visuelle und/oder hörbare Information über die abgerufenen Reparaturinformationen einem Benutzer, wie beispielsweise einem Mechaniker bereitstellt.

As described above, the system has 1 According to the embodiment, a specific configuration, the

1. generating a symbol sequence showing features included in the time-serial measurement data sequences based on time series measurement data sequences showing transitions of conditions from a disturbed vehicle to be diagnosed;
2. Obtains repair information associated with a past error case that is similar or equal to an error case currently specified by the symbol sequence;
3. provides visual and / or audible information about the retrieved repair information to a user, such as a mechanic.

Diese spezifische Konfiguration ermöglicht es, den Komfort für den Mechaniker zu verbessern, der das gestörte Fahrzeug reparieren wird, das diagnostiziert wird.This specific configuration makes it possible to improve the comfort for the mechanic who will repair the malfunctioning vehicle being diagnosed.

Insbesondere drückt die Symbolsequenz, die durch die spezifische Konfiguration verwendet wird, als die Merkmale, die in der Gruppe der zeitseriellen Messdatensequenzen beinhaltet sind, nicht nur temporär lokale Bedingungen des gestörten Fahrzeugs durch jeweiligen Symbole der Symbolsequenz sondern ebenso

In particular, the symbol sequence used by the specific configuration, as the features included in the group of time series measurement data sequences, not only temporarily expresses local conditions of the disturbed vehicle by respective symbols of the symbol sequence, but also

Die spezifische Konfiguration erfasst demnach effizient eine derartige Störung, die den Übergang der Bedingungen des gestörten Fahrzeugs über die Zeit nachteilig beeinflusst.The specific configuration thus efficiently detects such a disturbance that adversely affects the transition of the conditions of the disturbed vehicle over time.

Die spezifische Konfiguration erreicht ferner die Robustheit der Symbolsequenz gegenüber der Zeitverzögerung zwischen einer ersten Gruppe zeitserieller Messdatensequenzen für ein erstes Fahrzeug mit einer Störung und eine zweite Gruppe zeitserieller Messdatensequenzen für ein zweites Fahrzeug mit der gleichen Störung.The specific configuration further achieves the robustness of the symbol sequence over the time delay between a first group of time series measurement data sequences for a first vehicle with a fault and a second group of time series measurement data sequences for a second vehicle with the same noise.

Insbesondere kann die Zeitverzögerung verursachen, dass Merkmalsmuster, die in der ersten Gruppe zeitserieller Messdatensequenzen auftreten, von entsprechenden Merkmalsmustern abweichen, die in der zweite Gruppe zeitserieller Messdatensequenzen auftreten, obwohl die Störung, die in dem ersten Fahrzeug aufgetreten ist, identisch zu der ist, die in dem zweiten Fahrzeug aufgetreten ist (vgl. 9A).In particular, the time delay may cause feature patterns occurring in the first group of time series measurement data sequences to deviate from corresponding feature patterns occurring in the second group of time series measurement data sequences, although the interference that has occurred in the first vehicle is identical to that of FIG occurred in the second vehicle (see. 9A ).

Die Zeitverzögerung ist beispielsweise in der Differenz der Größe zwischen dem ersten und zweiten gestörten Fahrzeug, der Differenz der Größe zwischen den Motoren des ersten und zweiten Fahrzeugs und den individuellen Differenzen in den Fahrerfahroperationen zwischen dem ersten und zweiten Fahrzeug begründet Bezüglich des Auftretens der Zeitverzögerung transformiert das System 1 gemäß der Ausführungsform die Merkmalsmuster, die in der ersten Gruppe zeitserieller Messdatensequenzen auftreten, in eine erste Symbolsequenz, und transformiert die Merkmalsmuster, die in der zweiten Gruppe zeitserieller Messdatensequenzen auftreten, in eine zweite Symbolsequenz, die die gleiche wie die erste Symbolsequenz ist, ungeachtet des Auftretens der Zeitverzögerung. Dies für zur Universalität des Systems 1 gegenüber der Zeitverzögerung.The time delay is due, for example, to the difference in magnitude between the first and second failed vehicles, the difference in size between the motors of the first and second vehicles, and the individual differences in the driving operations between the first and second vehicles. With respect to the occurrence of the time delay, this transforms system 1 According to the embodiment, the feature patterns occurring in the first group of time series measurement data sequences are transformed into a first symbol sequence, and transform the feature patterns occurring in the second group of time series measurement data sequences into a second symbol sequence which is the same as the first symbol sequence Occurrence of the time delay. This for the universality of the system 1 against the time delay.

Die spezifische Konfiguration erreicht ferner noch die Robustheit der Symbolsequenz gegenüber dem Größenunterschied zwischen einer dritten Gruppe zeitserieller Messdatensequenzen für ein drittes Fahrzeug mit einer Störung und einer vierten Gruppe zeitserieller Messdatensequenzen für ein viertes Fahrzeug mit der gleichen Störung.The specific configuration further achieves the robustness of the symbol sequence over the difference in size between a third group of time series measurement data sequences for a third vehicle with a disturbance and a fourth group of time series measurement data sequences for a fourth vehicle with the same disturbance.

Insbesondere kann der Größenunterschied verursachen, dass Merkmalsmuster, die in der dritten Gruppe zeitserieller Messdatensequenzen auftreten, bezüglich ihrer Größe unterschiedlich zu entsprechenden Merkmalsmustern sind, die in der vierten Gruppe zeitserieller Messdatensequenzen auftreten, obwohl die Störung, die in dem dritten Fahrzeug aufgetreten ist, identisch zu der ist, die in dem vierten Fahrzeug aufgetreten ist (vgl. 9B).In particular, the size difference may cause feature patterns occurring in the third group of time series measurement data sequences to be different in size corresponding feature patterns occurring in the fourth group of time series measurement data sequences, although the disturbance occurred in the third vehicle is identical to that occurred in the fourth vehicle (see FIG. 9B ).

Wie die Zeitverzögerung ist der Größenunterschied beispielsweise durch die Differenz der Größe zwischen dem dritten und vierten Fahrzeug, die Differenz der Größe zwischen den Motoren des dritten und vierten Fahrzeugs und die individuellen Differenzen der Fahrerfahroperationen zwischen dem dritten und vierten Fahrzeug begründet.Like the time delay, the size difference is due to, for example, the difference in size between the third and fourth vehicles, the difference in size between the motors of the third and fourth vehicles, and the individual differences of the driving operations between the third and fourth vehicles.

Bezüglich des Auftreten des Größenunterschieds transformiert das System 1 gemäß der Ausführungsform die Merkmalsmuster, die in der dritten Gruppe zeitserieller Messdatensequenzen auftreten, in eine dritte Symbolsequenz, und transformiert die Merkmalsmuster, die in der vierten Gruppe zeitserieller Messdatensequenzen auftreten, in eine vierte Symbolsequenz, die die gleiche wie die dritte Symbolsequenz ist, ungeachtet des Auftretens des Größenunterschieds. Dies führt zur Universalität des Systems 1 gegenüber dem Größenunterschied zwischen einer Gruppe zeitserieller Messdatensequenzen für ein Fahrzeug mit einer Störung und einer anderen Gruppe zeitserieller Messdatensequenzen für ein anderes Fahrzeug mit der gleichen Störung.Regarding the occurrence of the size difference, the system transforms 1 According to the embodiment, the feature patterns occurring in the third group of time series measurement data sequences are converted into a third symbol sequence, and transform the feature patterns occurring in the fourth group of time series measurement data sequences into a fourth symbol sequence which is the same as the third symbol sequence Occurrence of the size difference. This leads to the universality of the system 1 to the size difference between a group of time-series measurement data sequences for a vehicle with a fault and another group of time-serial measurement data sequences for another vehicle with the same fault.

Die spezifische Konfiguration, die die Symbolsequenz verwendet, die die Merkmale zeigt, die in der Gruppe zeitserieller Messdatensequenzen beinhaltet sind, führt zur

(1) Reduzierung der Speicherkapazität, die zum Speichern der Symbolsequenz erforderlich ist, verglichen mit der Speicherkapazität, die zum Speichern der Festbilddaten erforderlich ist,
(2) Reduzierung der Menge von Verarbeitungen, die zum Suchen der vergangenen Fehlerfälle erforderlich ist, die in der Fehlerfällespeichereinheit 25 gespeichert sind, unter Verwendung die Symbolsequenz

The specific configuration using the symbol sequence showing the features included in the set of time series measurement data sequences leads to

(1) Reduction of the storage capacity required to store the symbol sequence compared to the storage capacity required to store the fixed image data.
(2) Reduction of the amount of processing required to search for the past error cases in the fault trap storage unit 25 stored using the symbol sequence

Es ist zu beachten, dass beispielsweise DTW (Dynamic Time Warping) als ein Verfahren für direktes Vergleichen zeitserieller Datensequenzen miteinander hinsichtlich einer derartigen Verzögerung zwischen den zeitseriellen Datensequenzen und des Größenunterschied zwischen den zeitseriellen Datensequenzen bekannt ist.It is to be noted that, for example, DTW (Dynamic Time Warping) is known as a method for directly comparing time series data sequences with each other in such a delay between the time series data sequences and the size difference between the time series data sequences.

Jedoch reduziert das Verfahren zum Vergleichen von Symbolsequenzen miteinander, das durch das System 1 ausgeführt wird, die Menge von Verarbeitungen, die für den Vergleich erforderlich ist, verglichen mit der Menge von Verarbeitungen, die für den Vergleich durch das DTW erforderlich ist. Demnach ist das Verfahren, das durch das System 1 ausgeführt wird, für viele zu suchende Symbolsequenzen effizient.However, the method of comparing symbol sequences with each other reduces by the system 1 is executed, the amount of processing required for the comparison compared to the amount of processing required for the comparison by the DTW. Accordingly, the procedure is the system 1 is performed efficiently for many symbol sequences to be searched for.

Die vorliegende Offenbarung ist nicht auf die Beschreibungen der Ausführungsform beschränkt, und die Beschreibungen der Ausführungsform kann innerhalb des Umfangs der vorliegenden Offenbarung breit modifiziert werden.The present disclosure is not limited to the descriptions of the embodiment, and the descriptions of the embodiment may be broadly modified within the scope of the present disclosure.

Das System 1 gemäß der Ausführungsform ist konfiguriert, um sHDP-HMM zum Erzeugen einer Symbolsequenz aus der Gruppe der zeitseriellen Messdatensequenzen zu verwenden, aber die vorliegende Offenbarung ist nicht auf die Konfiguration beschränkt. Insbesondere kann das System 1 konfiguriert sein, um einen Double Articulation Analyzer (DAA), der sHDP-HMM einsetzt, und ein Nested Pitman-Yor Language Model (NPYLM) zu verwenden.The system 1 According to the embodiment, it is configured to use sHDP-HMM for generating a symbol sequence from the group of time series measurement data sequences, but the present disclosure is not limited to the configuration. In particular, the system can 1 be configured to use a Double Articulation Analyzer (DAA) using sHDP-HMM and a Nested Pitman-Yor Language Model (NPYLM).

Insbesondere, wie in 3B illustriert ist, nach Erzeugung einer Symbolsequenz C1-C2-C3-C2-C4-C5-C2-C3-C1-C2-C3 unter Verwendung von sHDP-HMM, ist der DAA konfiguriert, um die Symbolsequenz C1-C2-C3-C2-C4-C5-C2-C3-C1-C2-C3 in eine zweite Symbolsequenz W1-W2-W3-W2-W1-W2 zu teilen. Das System 1 kann gemäß der Ausführungsform konfiguriert sein, um die zweite Symbolsequenz W1-W2-W3-W2-W1-W2 anstelle der Symbolsequenz C1-C2-C3-C2-C4-C5-C2-C3-C1-C2-C3 zu verwenden.In particular, as in 3B 1, after generating a symbol sequence C1-C2-C3-C2-C4-C5-C2-C3-C1-C2-C3 using sHDP-HMM, the DAA is configured to construct the symbol sequence C1-C2-C3-C2 -C4-C5-C2-C3-C1-C2-C3 into a second symbol sequence W1-W2-W3-W2-W1-W2 to divide. The system 1 According to the embodiment, it may be configured to use the second symbol sequence W1-W2-W3-W2-W1-W2 instead of the symbol sequence C1-C2-C3-C2-C4-C5-C2-C3-C1-C2-C3.

Das System 1 kann ebenso konfiguriert sein, um eine vorbestimmte Quantisierungstabelle zum Erzeugen einer Symbolsequenz aus der Gruppe der zeitseriellen Messdatensequenzen zu verwenden.The system 1 may also be configured to use a predetermined quantization table to generate a symbol sequence from the group of time-serial measurement data sequences.

Das System 1 gemäß der Ausführungsform ist konfiguriert, um die Ähnlichkeit zwischen der erlangte Symbolsequenz und der ausgewählten vergangenen Symbolsequenz unter Verwendung der normalisierten Levenshtein-Distanz zu berechnen, aber die vorliegende Offenbarung ist nicht darauf beschränkt.The system 1 According to the embodiment, it is configured to calculate the similarity between the obtained symbol sequence and the selected past symbol sequence using the normalized Levenshtein distance, but the present disclosure is not limited thereto.

Insbesondere kann das System 1 konfiguriert sein, um die Ähnlichkeit zwischen der erlangten Symbolsequenz und der ausgewählten vergangenen Symbolsequenz unter Verwendung einer bekannten gewichteten Levenshtein-Distanz oder einer bekannten Hamming-Distanz zu berechnen.In particular, the system can 1 be configured to calculate the similarity between the obtained symbol sequence and the selected past symbol sequence using a known weighted Levenshtein distance or a known Hamming distance.

Das System 1 gemäß der Ausführungsform ist konfiguriert, um bei Schritt S130 eine einzelne Symbolsequenz aus der Gruppe der zeitseriellen Messdatensequenzen zu erzeugen, aber die vorliegende Offenbarung ist nicht darauf beschränkt.The system 1 According to the embodiment, it is configured to generate a single symbol sequence from the group of time series measurement data sequences at step S130, but the present disclosure is not limited thereto.

Insbesondere kann das System 1 konfiguriert sein, um stochastisch bei Schritt S130 mehrere Symbolsequenzen aus der Gruppe der zeitseriellen Messdatensequenzen zu erzeugen. HMM oder andere ähnliche Verfahren sind in der Lage eine erste Symbolsequenz, die eine erste Wahrscheinlichkeit, dass die erste Symbolsequenz einer eingegebenen Gruppe zeitserieller Datensequenzen zugeordnet ist, aufweist, und eine zweite Symbolsequenz, die eine zweite Wahrscheinlichkeit, dass die zweite Symbolsequenz der eingegebenen Gruppe zeitserieller Datensequenzen zugeordnet ist, aufweist, zu berechnen.In particular, the system can 1 be configured to stochastically at step S130 a plurality of symbol sequences from the group of time series Generate measurement data sequences. HMM or other similar methods are capable of a first symbol sequence having a first probability that the first symbol sequence is associated with an input group of time series data sequences, and a second symbol sequence having a second probability that the second symbol sequence of the input group is time-serial Data sequences is assigned to calculate.

Beispielsweise wird von einem Fall ausgegangen, in dem eine Wahrscheinlichkeit, dass eine erste Symbolsequenz A-B-B-C-B einer eingegebenen Gruppe zeitserieller Datensequenzen zugeordnet ist, 0,3 ist, und eine Wahrscheinlichkeit, dass eine zweite Symbolsequenz A-B-C-C-B der eingegebenen Gruppe zeitserieller Datensequenzen zugeordnet ist, 0,25 ist. In diesem Fall kann das System 1 konfiguriert sein, um stochastisch bei Schritt S130, die erste und zweite Symbolsequenz A-B-B-C-B und A-B-C-C-B gemäß ihrer Wahrscheinlichkeiten zu erzeugen.For example, a case is assumed in which a probability that a first symbol sequence ABBCB is assigned to an input group of time series data sequences is 0.3, and a probability that a second symbol sequence ABCCB is assigned to the input group of time series data sequences is 0.25 is. In this case, the system can 1 be configured to stochastically generate at step S130 the first and second symbol sequences ABBCB and ABCCB according to their probabilities.

Zu dieser Zeit kann das System 1 konfiguriert sein, um bei Schritt S240 Ähnlichkeiten zwischen den jeweiligen mehrere Symbolsequenzen, das heißt, erlangten Symbolsequenzen, und der ausgewählten vergangenen Symbolsequenz zu berechnen. Dann kann das System 1 konfiguriert sein, um bei Schritt S240, die maximale Ähnlichkeit der berechneten Ähnlichkeiten oder eine Durchschnittsähnlichkeit der berechneten Ähnlichkeiten als eine Ähnlichkeit zu erlangen, die bei Schritt S260 verwendet wird, um eines oder mehrere Stücke der Fehlerfallinformationen zu extrahieren.At this time, the system can 1 be configured to compute similarities between the respective plural symbol sequences, that is, obtained symbol sequences, and the selected past symbol sequence at step S240. Then the system can 1 be configured to obtain, at step S240, the maximum similarity of the calculated similarities or an average similarity of the calculated similarities as a similarity used in step S260 to extract one or more pieces of the error case information.

Zusätzlich kann das System 1 konfiguriert sein, um bei Schritt S240, die Ähnlichkeiten von mehreren Symbolsequenzen, das heißt, erlangten Symbolsequenzen, bezüglich der ausgewählten vergangenen Symbolsequenz unter Verwendung eines Gitters zu berechnen; das Gitter drückt die Ereigniswahrscheinlichkeit und/oder Übergangswahrscheinlichkeit von jedem Symbol in jeder der erlangten Symbolsequenzen aus.In addition, the system can 1 be configured to calculate, in step S240, the similarities of a plurality of symbol sequences, that is, acquired symbol sequences, with respect to the selected past symbol sequence using a grid; the grid expresses the event probability and / or transition probability of each symbol in each of the acquired symbol sequences.

Was Gitter bedeutet, wird nachfolgend beschrieben. Es wird angenommen, dass die erste und zweite Symbolsequenz A-B-B-C-B und A-B-C-C-B bei Schritt S130 gemäß ihrer Wahrscheinlichkeiten stochastisch erzeugt werden. Mit dieser Annahme, wie vorstehend beschrieben ist, sind die Wahrscheinlichkeit für die Gesamtheit der ersten Symbolsequenz und die Wahrscheinlichkeit für die Gesamtheit der zweiten Symbolsequenz bezüglich einer eingegebenen Gruppe der zeitseriellen Datensequenzen definiert. Diese Definition bedeutet, dass das erste, zweite, vierte, und fünfte Symbole A, B, C, und B in jeder der ersten und zweiten Symbolsequenzen eine maximale Wahrscheinlichkeit hat und das dritte Symbol eine gegebene Wahrscheinlichkeit von B, und eine andere gegebene Wahrscheinlichkeit von C hat. Das Gitter ist einfach als die Wahrscheinlichkeit von jedem Symbol in einer Symbolsequenz definiert.What lattice means is described below. It is assumed that the first and second symbol sequences A-B-B-C-B and A-B-C-C-B are stochastically generated at step S130 according to their probabilities. With this assumption, as described above, the probability for the entirety of the first symbol sequence and the probability for the entirety of the second symbol sequence are defined with respect to an input group of the time series data sequences. This definition means that the first, second, fourth, and fifth symbols A, B, C, and B have a maximum probability in each of the first and second symbol sequences, and the third symbol has a given probability of B and another given probability of C has. The grid is simply defined as the probability of each symbol in a symbol sequence.

Beispielsweise betrachten wird, wie die Ähnlichkeiten der ersten Symbolsequenz A-B-B-C-B und der zweite Symbolsequenz A-B-C-C-B bezüglich eine erste vergangene Symbolsequenz A-B-D-C-B und einer zweiten vergangenen Symbolsequenz A-D-B-C-B zu bestimmen sind. In diesem Fall ist, obwohl die erste und zweite vergangene Symbolsequenz A-B-D-C-B und A-D-B-C-B sich von der ersten Symbolsequenz A-B-B-C-B um ein Symbol unterscheiden, die Ähnlichkeit der ersten vergangenen Symbolsequenz A-B-D-C-B bezüglich der ersten Symbolsequenz A-B-B-C-B größer als die der zweiten vergangenen Symbolsequenz A-D-B-C-B bezüglich der ersten Symbolsequenz A-B-B-C-B. Die Gründe sind folgendermaßen. Insbesondere ist die Differenz zwischen der ersten vergangenen Symbolsequenz A-B-D-C-B und der ersten Symbolsequenz A-B-B-C-B das dritte Symbol und die Differenz zwischen der zweiten vergangenen Symbolsequenz A-D-B-C-B und der ersten Symbolsequenz A-B-B-C-B ist das zweite Symbol. Basierend auf dem Gitter der ersten Symbolsequenz A-B-B-C-B ist die Wahrscheinlichkeit des zweiten Symbols ”B” in der ersten Symbolsequenz A-B-B-C-B höher als die Wahrscheinlichkeit des dritten Symbols ”B” in der ersten Symbolsequenz A-B-B-C-B. Somit ist die Ähnlichkeit der ersten Symbolsequenz A-B-B-C-B bezüglich der ersten vergangenen Symbolsequenz A-B-D-C-B größer als die der ersten Symbolsequenz A-B-B-C-B bezüglich der zweiten vergangenen Symbolsequenz A-D-B-C-B.For example, consider how to determine the similarities of the first symbol sequence A-B-B-C-B and the second symbol sequence A-B-C-C-B with respect to a first past symbol sequence A-B-D-C-B and a second past symbol sequence A-D-B-C-B. In this case, although the first and second past symbol sequences ABDCB and ADBCB are different from the first symbol sequence ABBCB by one symbol, the similarity of the first past symbol sequence ABDCB with respect to the first symbol sequence ABBCB is greater than that of the second past symbol sequence ADBCB with respect to the first symbol sequence ABBCB. The reasons are as follows. More specifically, the difference between the first past symbol sequence A-B-D-C-B and the first symbol sequence A-B-B-C-B is the third symbol and the difference between the second past symbol sequence A-D-B-C-B and the first symbol sequence A-B-B-C-B is the second symbol. Based on the lattice of the first symbol sequence A-B-B-C-B, the probability of the second symbol "B" in the first symbol sequence A-B-B-C-B is higher than the probability of the third symbol "B" in the first symbol sequence A-B-B-C-B. Thus, the similarity of the first symbol sequence A-B-B-C-B with respect to the first past symbol sequence A-B-D-C-B is greater than that of the first symbol sequence A-B-B-C-B with respect to the second past symbol sequence A-D-B-C-B.

Das System 1 gemäß der Ausführungsform ist konfiguriert, um als Fehlerfallkandidaten Stücke der Fehlerfallinformationen, von denen jedes die berechnete Ähnlichkeit gleich oder größer als der vorbestimmte Wert aufweist, von all den Stücken der Fehlerfallinformationen, die in der Fehlerfällespeichereinheit 25 gespeichert sind, bei Schritt S260 zu extrahieren. Die vorliegende Offenbarung ist jedoch nicht auf diese Konfiguration beschränkt. Insbesondere kann das System 1 bei Schritt S260 konfiguriert sein, um als einen Fehlerfallkandidaten ein Stück der Fehlerfallinformationen zu extrahieren, der die höchste Ähnlichkeit in all den Stücken der Fehlerfallinformationen, die in der Fehlerfällespeichereinheit 25 gespeichert sind, hat. Zusätzlich kann das System 1 konfiguriert sein, um als Fehlerfallkandidaten vorbestimmte Stücke der Fehlerfallinformationen zu extrahieren, die die berechneten Ähnlichkeiten aufweisen, die in absteigender Reihenfolge ausgehend von der höchsten Ähnlichkeit in all den Stücken der Fehlerfallinformationen angeordnet sind, die in der Fehlerfällespeichereinheit 25 gespeichert sind.The system 1 According to the embodiment, it is configured to, as an error case candidate, pieces of the error case information, each of which has the calculated similarity equal to or greater than the predetermined value, among all the pieces of the error case information included in the error occurrence memory unit 25 are stored to extract at step S260. However, the present disclosure is not limited to this configuration. In particular, the system can 1 at step S260 to extract, as an error case candidate, a piece of the error case information having the highest similarity in all the pieces of the error case information included in the error occurrence memory unit 25 have stored. In addition, the system can 1 be configured to extract, as an error case candidate, predetermined pieces of the error case information having the calculated similarities arranged in descending order from the highest similarity in all the pieces of the error case information included in the error occurrence memory unit 25 are stored.

In der Ausführungsform beinhaltet jedes Stück der Fehlerfallinformationen, die erzeugt werden, um im Server 30 gespeichert zu werden, eine entsprechende Fahrzeugbedingungssymbolsequenz (vgl. 2), wobei die vorliegende Offenbarung nicht darauf beschränkt ist. In the embodiment, each piece of error case information generated is included in the server 30 to be stored, a corresponding vehicle condition symbol sequence (cf. 2 ), but the present disclosure is not limited thereto.

Insbesondere wie in 10 illustriert ist, können die Fehlerfallinformationen konfiguriert sein, um beispielsweise für jede der Fehlerfallklassifizierungen,

1. Mehrere Fahrzeugbedingungssymbolsequenzen (C1-C2-C3-C2-C4-C5), (C1-C2-C2-C3-C5), und (C1-C2-C1-C2-C4-C5) für die jeweiligen vergangenen Fehlerfälle A1, A2 und A3, die in der entsprechenden Fehlerfallklassifizierung klassifiziert sind,
2. Stücke von Reparaturinformationen für die jeweiligen mehreren Fahrzeugbedingungssymbolsequenzen zu beinhalten

In particular as in 10 illustrated, the error case information may be configured to, for example, for each of the error case classifications,

1. A plurality of vehicle condition symbol sequences (C1-C2-C3-C2-C4-C5), (C1-C2-C2-C3-C5), and (C1-C2-C1-C2-C4-C5) for the respective past error cases A1 , A2 and A3, which are classified in the corresponding error classification,
2. Contain pieces of repair information for the respective plural vehicle condition symbol sequences

Bei dieser Modifikation, wenn Aktualisierungsfehlerfallinformationen von einem Terminal 20 gesendet werden, kann der Fehlerfällespeicherserver 30 konfiguriert sein, um die Aktualisierungsfehlerfallinformationen derart zu speichern, dass die Aktualisierungsfehlerfallinformationen ist in eine entsprechende Fehlerfallklassifizierung der Aktualisierungsfehlerfallinformationen kategorisiert werden.In this modification, if update error case information from a terminal 20 can be sent, the Fault Storage Server 30 be configured to store the update error case information such that the update error case information is categorized into a corresponding error case classification of the update error case information.

Bei dieser Modifikation kann das System 1 kann konfiguriert sein, um bei Schritt S230 Stücke der Fehlerfallinformationen entsprechend einem der vergangenen Fehlerfälle zu wählen, die in der Fehlerfällespeichereinheit 25 gespeichert sind. Dann kann das System 1 konfiguriert sein, um bei Schritt S240 Ähnlichkeiten zwischen der erlangten Symbolsequenz und mehreren ausgewählten Symbolsequenzen, die in den ausgewählten Stücken der Fehlerfallinformationen beinhaltet sind, zu berechnen. Dann kann das System 1 konfiguriert sein, um bei Schritt S240, die maximale Ähnlichkeit der berechneten Ähnlichkeiten oder eine Durchschnittsähnlichkeit der berechneten Ähnlichkeiten als eine Ähnlichkeit zu erlangen, die bei Schritt S260 verwendet wird, um eines oder mehrere Stücke der Fehlerfallinformationen zu extrahieren.In this modification, the system 1 may be configured to select at the step S230 pieces of the error case information corresponding to one of the past error cases included in the error occurrence memory unit 25 are stored. Then the system can 1 be configured to calculate similarities between the obtained symbol sequence and a plurality of selected symbol sequences included in the selected pieces of the error case information at step S240. Then the system can 1 be configured to obtain, at step S240, the maximum similarity of the calculated similarities or an average similarity of the calculated similarities as a similarity used in step S260 to extract one or more pieces of the error case information.

Das System 1 gemäß der Ausführungsform ist konfiguriert, um ein Stück der Fehlerfallinformationen entsprechend einem der vergangenen Fehlerfälle, die in der Fehlerfällespeichereinheit 25 gespeichert sind, unabhängig vom Typ eines gestörten, zu diagnostizierenden Fahrzeugs zu wählen, aber die vorliegende Erfindung ist nicht darauf beschränkt. Insbesondere kann das System 1 konfiguriert sein, um ein Stück der Fehlerfallinformationen entsprechend einem von manchen vergangenen Fehlerfälle, die mit dem gleichen Fahrzeugtyp verknüpft sind in der Fehlerfällespeichereinheit 25 gespeichert sind, zu wählen. Das System 1 kann ebenso konfiguriert sein, um periodisch ein Stück der Fehlerfallinformationen entsprechend einem von manchen vergangenen Fehlerfälle zu wählen, die mit dem gleichen Fahrzeugtyp verknüpft sind und in der Fehlerfällespeichereinheit 25 gespeichert sind.The system 1 According to the embodiment, it is configured to display a piece of the error case information corresponding to one of the past error cases included in the error occurrence memory unit 25 are selected regardless of the type of disturbed vehicle to be diagnosed, but the present invention is not limited thereto. In particular, the system can 1 be configured to include a piece of the error case information corresponding to one of some past error cases associated with the same vehicle type in the error memory unit 25 are stored, to choose. The system 1 may also be configured to periodically select a piece of the failure information corresponding to one of some past failures associated with the same vehicle type and in the failure memory unit 25 are stored.

Die Fehlerfallinformationen, die in 2 illustriert sind, können derart entworfen sein, dass für jeden der vergangenen Fehlerfälle und der Fahrzeugtypen, eine Fallzahl, eine Fehlerfallklassifizierung, Reparaturinformationen und eine Fahrzeugbedingungssymbolsequenz miteinander korrelieren. Die Fehlerfallinformationen, die in 2 illustriert sind, können derart entworfen sein, dass für jeden der vergangenen Fehlerfälle, eine Fallzahl, eine Fehlerfallklassifizierung, die basierend auf den Differenzen zwischen den Fahrzeugtypen bestimmt wird, Reparaturinformationen und eine Fahrzeugbedingungssymbolsequenz miteinander korrelieren.The error case information that is in 2 may be designed such that for each of the past error cases and the vehicle types, a case number, an error case classification, repair information and a vehicle condition symbol sequence correlate with each other. The error case information that is in 2 may be designed such that for each of the past error cases, a case number, an error case classification determined based on the differences between the vehicle types, repair information and a vehicle condition symbol sequence correlate with each other.

In dem System 1 gemäß der Ausführungsform transformiert jede der fahrzeugsgebundenen Vorrichtungen 10 bei Schritt S130 die zeitseriellen Messdatensequenzen in eine Symbolsequenz, aber die vorliegende Offenbarung ist nicht darauf beschränkt. Insbesondere bei Schritt S220, kann die CPU 24a mittels der IF 21 die zeitseriellen Messdatensequenzen von der fahrzeuggebundene Vorrichtung 10 erlangen, die in einem gestörten, zu diagnostizierenden Fahrzeug installiert ist, und die zeitseriellen Messdatensequenzen in eine Symbolsequenz transformieren.In the system 1 According to the embodiment, each of the vehicle-mounted devices transforms 10 at step S130, the time series measurement data sequences into a symbol sequence, but the present disclosure is not limited thereto. In particular, at step S220, the CPU may 24a by means of the IF 21 the time-serial measurement data sequences from the on-vehicle device 10 obtained in a disturbed vehicle to be diagnosed, and transform the time series measurement data sequences into a symbol sequence.

Das System 1 gemäß der Ausführungsform ist derart konfiguriert, dass jeder der Terminals 20 mittels der Kommunikationseinheit 26 mit dem Server 30 jedes mal kommuniziert, wenn der Terminal 20

1. die Operation bei Schritt S210 zum Aktualisieren der vorhergehenden Fehlerfallinformationen, die in der Fehlerfällespeichereinheit 25 gespeichert sind, auf die gegenwärtig erlangten Fehlerfallinformationen;
2. die Operation bei Schritt S330 zum Registrieren der Aktualisierungsfehlerfallinformationen in den Fehlerfallinformationen die in dem Fehlerfällespeicherserver 30 gespeichert sind, mittels der Kommunikationseinheit 26 ausführt.

The system 1 according to the embodiment is configured such that each of the terminals 20 by means of the communication unit 26 with the server 30 every time communicates when the terminal 20

1. The operation at step S210 for updating the previous error case information stored in the error occurrence storage unit 25 stored on the currently obtained error case information;
2. The operation in step S330 of registering the update failure information in the error case information in the error failure storage server 30 are stored, by means of the communication unit 26 performs.

Die vorliegende Offenbarung ist jedoch nicht auf die Konfiguration beschränkt. Insbesondere kann die CPU 24a die vorhergehenden Fehlerfallinformationen, die in der Fehlerfällespeichereinheit 25 gespeichert sind, unter Verwendung die Aktualisierungsfehlerfallinformationen bei Schritt S330 aktualisieren, ohne die Aktualisierungsoperation bei Schritt S210 auszuführen. Die Informationen, die in der Fehlerfällespeichereinheit 25 gespeichert sind, können mit den Informationen, die in dem Server 30 gespeichert sind, bei gegebenen Zyklen synchronisiert werden.However, the present disclosure is not limited to the configuration. In particular, the CPU can 24a the previous error case information contained in the fault trap memory unit 25 by using the update failure information to update at step S330 without executing the update operation at step S210. The information contained in the error memory unit 25 can be stored with the information in the server 30 stored are synchronized at given cycles.

Bei dieser Modifikation, wenn Aktualisierungsfehlerfallinformationen neu in der Fehlerfällespeichereinheit 25 registriert werden, werden die gleichen Aktualisierungsfehlerfallinformationen ist synchron zum Server 30 gesendet, um im Server 30 registriert zu werden. Wenn neue Fehlerfallinformationen in dem Server 30 registriert werden, werden die gleichen Fehlerfallinformationen synchron zum Terminal 20 gesendet, um in der Fehlerfällespeichereinheit 25 registriert zu werden. Die Synchronisation zwischen jedem Terminal 20 und dem Server 30 kann unter Verwendung direkter Verbindung zwischen die Terminal 20 und dem Server 30 oder unter Verwendung eines externen Speichermediums wie beispielsweise einer Magnetscheibe einer optischen Scheibe oder eines Flashspeichers ausgeführt werden.In this modification, when update failure information is new in the failure storage unit 25 To be registered, the same update failure information is in sync with the server 30 sent to the server 30 to be registered. If new error case information in the server 30 are registered, the same error case information becomes synchronous with the terminal 20 sent to the fault trap storage unit 25 to be registered. The synchronization between each terminal 20 and the server 30 can be done using direct connection between the terminal 20 and the server 30 or using an external storage medium such as a magnetic disk of an optical disk or a flash memory.

Beim HMM werden Werte einer Gruppe zeitserieller Messdatensequenzen, das heißt, Werte von Stücken of multidimensionaler, zeitserieller Messdaten bei jeder Abtastzeit als von einem von vorab definierten Zuständen, das heißt, Fahrzeugzuständen erzeugt betrachtet. Zu dieser Zeit wird irgendeine der Gruppen, von der Stücke mehrdimensionaler, zeitserieller Messdaten erzeugt werden, basierend auf

1. der Erzeugungswahrscheinlichkeit von jedem Fahrzeugzustand, der die Stücke mehrdimensionaler, zeitserieller Messdaten erzeugt;
2. der Übergangswahrscheinlichkeit zu jedem Fahrzeugzustand von einem entsprechenden vorhergehenden Fahrzeugzustand bestimmt.

In the HMM, values of a group of time series measurement data sequences, that is, values of pieces of multidimensional, time series measurement data at each sampling time are considered to be generated by one of predefined states, that is, vehicle states. At this time, any one of the groups from which pieces of multi-dimensional time-series measurement data are generated is based on

1. the generation probability of each vehicle state producing the pieces of multi-dimensional time-series measurement data;
2. determines the transition probability to each vehicle state from a corresponding previous vehicle state.

Typischerweise wird einer der Fahrzeugzustände, der eine maximale Wahrscheinlichkeit aufweist, die basierend auf einer entsprechenden Erzeugungswahrscheinlichkeit und einer entsprechenden Übergangswahrscheinlichkeit bezüglich der Stücke mehrdimensionaler, zeitserieller Messdaten berechnet wird, ausgewählt. Zu dieser Zeit kann ein Grenzwert für die Wahrscheinlichkeit jedes Fahrzeugzustands, die basierend auf einer entsprechenden Erzeugungswahrscheinlichkeit und einer entsprechenden Übergangswahrscheinlichkeit berechnet wird, verwendet werden. Bei dieser Modifikation, wenn keine existierenden Fahrzeugzustände Wahrscheinlichkeiten bezüglich Stücken mehrdimensionaler, zeitserieller Messdaten bei einer Abtastzeit gleich oder größer als der Grenzwert aufweisen, eine neuer Fahrzeugzustand, das heißt, eine neue Ansammlung, zum Erzeugen die Stücke mehrdimensionaler, zeitserieller Messdaten zu den existierenden Fahrzeugzuständen hinzugefügt werden.Typically, one of the vehicle states having a maximum probability calculated based on a corresponding generation probability and a corresponding transition probability with respect to the pieces of multi-dimensional time-series measurement data is selected. At this time, a threshold for the probability of each vehicle state calculated based on a corresponding generation probability and a corresponding transition probability may be used. In this modification, when there are no existing vehicle states having probabilities regarding pieces of multi-dimensional time-series measurement data at a sampling time equal to or greater than the threshold, a new vehicle state, that is, a new collection, for generating the pieces of multi-dimensional time-serial measurement data added to the existing vehicle states become.

Während die illustrative Ausführungsform der vorliegenden Offenbarung beschrieben wurde, ist die vorliegende Offenbarung nicht auf die beschriebene die Ausführungsform beschränkt sondern beinhaltet jegliche und alle Ausführungsformen mit Modifikationen, Weglassungen, Kombinationen (beispielsweise von Aspekten über unterschiedliche Ausführungsformen hinweg), Adaptation und/oder Auswechslungen, wie für den Fachmann basierend auf der vorliegende Offenbarung ersichtlich ist. Die Beschränkungen in den Ansprüche sind basierend auf er in den e Ansprüche engesetzten Sprach breit zu interpretieren und nicht auf Beispiele beschränkt, die in der vorliegenden Beschreibung oder während der Verfolgung der Anmeldung beschrieben werden, wobei die Beispiele als nicht ausschließend zu betrachten sind.While the illustrative embodiment of the present disclosure has been described, the present disclosure is not limited to the described embodiment, but includes any and all embodiments with modifications, omissions, combinations (eg, aspects of different embodiments), adaptation, and / or substitutions, such as to those skilled in the art based on the present disclosure. The limitations in the claims are to be interpreted broadly based on the language set forth in the claims and are not limited to examples described in the present specification or during the prosecution of the application, which examples are not to be considered as exclusive.

Claims

System ( 1 ), comprising: a means ( 24 , S220) for obtaining a target symbol sequence generated based on a group of time-serial vehicle condition data sequences representing conditions of a disturbed vehicle, the target symbol sequence having a plurality of symbols each representing a feature pattern repeatedly or characteristically occurring in the group of time-serial vehicle condition data sequences ; a means ( 25 . 30 ) storing a plurality of pieces of past error case information, each of the pieces of past error case information including: at least one past symbol sequence consisting of a plurality of symbols each representing a feature pattern repeatedly or characteristically occurring in a group of past time-serial vehicle condition data sequences derived from a vehicle with a corresponding error are obtained; and repair information indicating at least one repair procedure for the corresponding error, wherein the repair information correlates with the at least one symbol sequence; a means ( 24 S230 to 260) for extracting at least a part of past error case information from the plural pieces of past error case information based on a similarity for each of at least some of the plural pieces of past error case information, wherein the similarity for each of at least some of the plural pieces of past error case information is similar to that of A target symbol sequence relating to the at least one past symbol sequence included in a corresponding one of the at least some of the multiple pieces of past error case information; and a means ( 24 , S270) for providing the at least one piece of past error case information to a user.

The system of claim 1, further comprising: an agent ( 13 , S130) for generating the symbol sequence based on the influenza of the time series vehicle condition data sequences such that: like symbols are assigned to feature patterns that are substantially identical Consider feature patterns in the flu of the time-serial vehicle condition data sequences; and assigning different symbols to feature patterns different from each other in the flu of the time-serial vehicle condition data sequences.

A system according to claim 1 or 2, characterized in that: the at least one past symbol sequence includes a plurality of past symbol sequences, each of which shows a flu of past time-serial vehicle condition data sequences obtained upon the occurrence of a corresponding error; the repair information includes pieces of repair information, each of the pieces of repair information correlating with a corresponding one of the past plural symbol sequences; and the extracting means is configured to: calculate similarities of the target symbol sequence with respect to the respective past plural symbol sequences included in each of the at least some of the plural pieces of past error case information, and one of a maximum similarity or an average similarity in the calculated similarities as the similarity for calculate each of the at least some of the multiple pieces of past error case information.

A system according to any one of claims 1 to 3, characterized in that: the extracting means is configured to compare the similarity to each of at least some of the plurality of pieces of past error information, a processing distance between the target symbol sequence and the at least one past symbol sequence included in a corresponding one which is included at least some of the multiple pieces of past error case information.

A system according to any one of claims 1 to 4, characterized in that: the acquisition means is configured to stochastically generate as the target symbol sequence a plurality of target symbol sequences based on the group of time-serial vehicle condition data sequences; and the extracting means is configured to: calculate similarities of the plurality of target symbol sequences with respect to the at least one past symbol sequence included in each of at least some of the multiple pieces of past error case information.

The system according to claim 1 , wherein: the extracting means is configured to acquire at least a part of past error case information from the plural pieces of past error case information based on the similarity for each of the at least some of the multiple pieces of past error case information by using a grid extract, wherein the grid expresses an event probability and / or a transition probability of each symbol of the target symbol sequence.

A system according to any one of claims 1 to 6, further comprising: an agent ( 24 , S320) for receiving information including at least repair information of a repair that is actually executed for an error case identified by the target symbol sequence; and a means ( 24 , S330, 30 ) for: correlating the target symbol sequence with the repair information to thereby generate update past error case information; and updating the plurality of pieces of past error case information stored in the storage means based on the update past error case information.