DE102016208048B4

DE102016208048B4 - Automobile, diagnosesysteme und verfahren zur erzeugung von diagnosedaten für automobile

Info

Publication number: DE102016208048B4
Application number: DE102016208048.2A
Authority: DE
Inventors: Gaurav Talwar; Xu Fang Zhao; Md-Foezur Rahman Chowdhury
Original assignee: GM Global Technology Operations LLC
Current assignee: GM Global Technology Operations LLC
Priority date: 2015-05-19
Filing date: 2016-05-10
Publication date: 2023-03-16
Anticipated expiration: 2036-05-11
Also published as: CN106168541B; CN106168541A; US20160343180A1; DE102016208048A1

Abstract

Verfahren zum Erzeugen von Diagnosedaten für ein Automobil, worin das Verfahren umfasst:
Erfassen einer durch eine Automobilkomponente erzeugten akustischen Wellenform mit einem Schallsensor;
Wandeln der akustischen Wellenform in ein elektrisches Wellenformdatensignal;
Identifizieren eines Musters im elektrischen Wellenformdatensignal; und
Klassifizierung des Musters als Hinweis auf ein ausgewähltes Leistungsproblem, wobei das Identifizieren eines Musters im elektrischen Wellenformdatensignal umfasst:
Vergleichen des Musters im elektrischen Wellenformdatensignal mit einem normalen Fahrzeugschallverteilungsmuster;
Identifizieren eines Ausreißermusters, das einzigartig für das elektrische Wellenformdatensignal ist;
Bestimmen, ob das Ausreißermuster innerhalb einer Vertrauensschwelle liegt; wenn das Ausreißermuster innerhalb der Vertrauensschwelle liegt, Kategorisieren des Ausreißermusters als ein Muster von Interesse, worin die Klassifizierung des Musters als Hinweis auf ein ausgewähltes Leistungsproblem aus der Klassifizierung des Musters von Interesse als Hinweis auf ein ausgewähltes Leistungsproblem besteht, und wobei die Vertrauensschwelle auf Wahrscheinlichkeit basiert, wobei das elektronische Wellenformdatensignal einer vordefinierten Klasse zugeordnet ist, die die höchste Wahrscheinlichkeit bereitstellt.

Description

TECHNISCHES GEBIET
Das technische Gebiet bezieht sich allgemein auf Automobildiagnose und bezieht sich insbesondere auf die Diagnose von Automobilleistungsproblemen durch Nicht-Sprach Schall Erfassung.
HINTERGRUND
Die Umweltschutzagentur (EPA) verlangte von Fahrzeugherstellern, On-Board-Diagnosesysteme (OBD-II) für die Überwachung von leichten Nutzfahrzeugen und Lkw, beginnend mit dem Modelljahr 1996, zu installieren. OBD-II-Systeme (z. B. Mikrocontroller und Sensoren) überwachen die elektrischen und mechanischen Systeme des Fahrzeugs und erzeugen Daten, die von einem Fahrzeugmotor-Steuergerät (ECU) verarbeitet werden, um eine Fehlfunktion oder Verschlechterung der die Leistung des Fahrzeugs zu erfassen. Die meisten ECUs senden Status- und Diagnoseinformationen über einen gemeinsamen, standardisierten elektronischen Bus im Fahrzeug. Der Bus funktioniert effektiv als ein On-Board-Computer-Netzwerk mit vielen Prozessoren, von denen jeder Daten sendet und empfängt. Die primären Computer in diesem Netzwerk sind das Fahrzeugelektronik-Steuermodul (ECM) und das Power-Steuermodul (PCM). Das ECM überwacht typischerweise Motorfunktionen (z. B. das Tempomat-Modul, die Zündsteuerung und den Abgas- / Gas-Rezirkulator), während das PCM den Antriebsstrang des Fahrzeugs überwacht (z. B. den Motor, Getriebe und Bremssysteme). Aus dem ECM und PCM verfügbare Daten beinhalten Fahrzeuggeschwindigkeit, Kraftstoffstand, Motortemperatur und Saugrohrdruck. Zusätzlich erzeugt die ECU, in Reaktion auf Eingangsdaten, auch 5-stellige „Diagnose-Fehlercodes“ (DTCs), die ein bestimmtes Problem mit dem Fahrzeug anzeigen. Die Anwesenheit eines DTC im Speicher eines ECU des Fahrzeugs führt in der Regel zur Beleuchtung des „Motorwartung erforderlich“ Lichts, das auf dem Armaturenbrett der meisten Fahrzeuge vorhanden ist.
Daten von den oben genannten Systemen werden durch einen standardisierten Anschluss, der als „OBD-II-Anschluss“ bezeichnet wird, erhältlich gemacht. Der OBD-II-Anschluss liegt typischerweise unter dem Armaturenbrett des Fahrzeugs. Wenn ein Fahrzeug gewartet wird, werden in der Regel Daten aus dem ECM des Fahrzeugs und/oder PCM abgefragt, unter Verwendung eines externen Motor-Diagnosewerkzeugs (allgemein ein „Scan-Tool“ genannt), das in den OBD-II-Anschluss eingesteckt wird. Der Motor des Fahrzeugs wird eingeschaltet und Daten werden vom Motorcomputer durch den OBD-II-Anschluss und zum Scan-Tool übertragen. Die Daten werden dann angezeigt und analysiert, um das Fahrzeug zu warten. Scan-Tools werden in der Regel nur verwendet, um stehende Fahrzeuge oder Fahrzeuge, die auf dem Prüfstand laufen, zu diagnostizieren.
Einige Fahrzeughersteller beinhalteen auch komplexe elektronische Systeme in ihren Fahrzeugen, um auf einige der oben beschriebenen Daten zuzugreifen und sie zu analysieren. Zum Beispiel beinhaltet General Motors ein System in bestimmten Fahrzeugen, das „On-Star“ genannt wird. On-Star sammelt und überträgt Daten, die sich auf diese DTCs beziehen, über ein drahtloses Netzwerk. On-Star-Systeme werden nicht über den OBD-II-Anschluss verbunden, sondern werden direkt an die Fahrzeugelektronik angeschlossen. Dieser Anschlusssprozess erfolgt in der Regel, wenn das Fahrzeug hergestellt wird.
Während die oben genannten Systeme bei der Identifizierung von Automobilleistungsproblemen gut funktionieren können, ist eine Verbesserung möglich. Des Weiteren können Leistungsprobleme für Funktionen außerhalb der Motorfunktionen (z. B. das Tempomat-Modul, Zündsteuerung und Abgas- / Gas-Rezirkulator) und der Antriebsstrangfunktionen (z. B. Motor, Getriebe und Bremssysteme) nicht von bestehenden Systemen identifiziert werden. Die Druckschrift DE 10 2007 051 261 A1 beschreibt ein Verfahren zur akustischen Beurteilung eines Kraftfahrzeuges, wobei mittels eines Mikrofons akustische Signale des Kraftfahrzeuges aufgenommen werden. Die Druckschrift US 2012/0143431 A1 beschreibt ein Diagnosegerät mit einem ersten und einem zweiten Mikrofon, wobei das erste Mikrofon in einem Motorraum positioniert ist, und das zweite Mikrofon in einem Innenraum eines Fahrzeugs positioniert ist. Die Druckschrift DE 103 20 809 A1 beschreibt ein Verfahren zur Erkennung und Überwachung der Bewegung eines Fahrzeuges an welchem mehrere Sensoren zur Erfassung von Messwerten von Beschleunigungen, Geschwindigkeiten, Wegstrecken Kräften oder Geräuschen am Fahrwerk und an der Karosserie angebracht sind.
Dementsprechend ist es wünschenswert, verbesserte Automobildiagnosesysteme und Automobile mit solchen verbesserten diagnostischen Systemen bereitzustellen. Zusätzlich ist es wünschenswert, verbesserte Verfahren zur Erzeugung von Diagnosedaten für Automobile bereitzustellen. Weiterhin werden weitere wünschenswerte Funktionen und Merkmale aus der nachfolgenden detaillierten Beschreibung und den beigefügten Ansprüchen in Verbindung mit den beigefügten Zeichnungen und dem vorangegangenen technischen Gebiet und Hintergrund offensichtlich.
KURZDARSTELLUNG
Ein Verfahren zur Erzeugung von Diagnosedaten für ein Automobil wird bereitgestellt. In einer Ausführungsform beinhaltet das Verfahren die Erfassung einer durch eine Automobilkomponente erzeugte akustische Wellenform mit einem Schallsensor. Das Verfahren wandelt die akustische Wellenform in ein elektrisches Wellenformdatensignal. Das Verfahren beinhaltet die Identifizierung eines Musters im elektrischen Wellenformdatensignal. Ferner klassifiziert das Verfahren das Muster als Hinweis auf ein ausgewähltes Leistungsproblem, wobei das Identifizieren eines Musters im elektrischen Wellenformdatensignal umfasst: Vergleichen des Musters im elektrischen Wellenformdatensignal mit einem normalen Fahrzeugschallverteilungsmuster; Identifizieren eines Ausreißermusters, das einzigartig für das elektrische Wellenformdatensignal ist; Bestimmen, ob das Ausreißermuster innerhalb einer Vertrauensschwelle liegt; wenn das Ausreißermuster innerhalb der Vertrauensschwelle liegt, Kategorisieren des Ausreißermusters als ein Muster von Interesse, worin die Klassifizierung des Musters als Hinweis auf ein ausgewähltes Leistungsproblem aus der Klassifizierung des Musters von Interesse als Hinweis auf ein ausgewähltes Leistungsproblem besteht, und wobei die Vertrauensschwelle auf Wahrscheinlichkeit basiert, wobei das elektronische Wellenformdatensignal einer vordefinierten Klasse zugeordnet ist, die die höchste Wahrscheinlichkeit bereitstellt.
Ein Automobildiagnosesystem wird bereitgestellt. In einer Ausführungsform beinhaltet ein Automobildiagnosesystem einen Schallsensor, der mit einem Automobil verbunden ist, zum Empfang eines Nicht-Sprach-Schalls. Weiterhin beinhaltet das exemplarische Automobildiagnosesystem einen Prozessor mit einem Wandlungsmodul zur Wandlung des Nicht-Sprach-Schalls in ein elektrisches Wellenformdatensignal, einen Klassifizierungsmodul für die Klassifizierung des elektrischen Wellenformdatensignals als Hinweis auf ein ausgewähltes Leistungsproblem und einen Identifizierungsmodul zum Identifizieren eines Musters im elektrischen Wellenformdatensignal, wobei das Identifizierungsmodul ausgebildet ist zum Vergleichen des Musters im elektrischen Wellenformdatensignal mit einem normalen Fahrzeugschallverteilungsmuster, Identifizieren eines Ausreißermusters, das einzigartig für das elektrische Wellenformdatensignal ist, Bestimmen, ob das Ausreißermuster innerhalb einer Vertrauensschwelle liegt, und, wenn das Ausreißermuster innerhalb der Vertrauensschwelle liegt, Kategorisieren des Ausreißermusters als ein Muster von Interesse, worin die Klassifizierung des Musters als Hinweis auf ein ausgewähltes Leistungsproblem aus der Klassifizierung des Musters von Interesse als Hinweis auf ein ausgewähltes Leistungsproblem besteht, und wobei die Vertrauensschwelle auf Wahrscheinlichkeit basiert, wobei das elektronische Wellenformdatensignal einer vordefinierten Klasse zugeordnet ist, die die höchste Wahrscheinlichkeit bereitstellt.
Bei einer weiteren Ausführungsform wird ein Automobil bereitgestellt. Das Automobil beinhaltet einen Rahmen, einen Schallsensor, der mit dem Rahmen gekoppelt ist, um einen Nicht-Sprach-Schall zu empfangen, und einen Prozessor. Der Prozessor beinhaltet ein Wandlungsmodul für die Wandlung des Nicht-Sprach-Schalls in ein elektrisches Wellenformdatensignal. Der Prozessor beinhaltet ferner ein Klassifizierungsmodul für die Klassifizierung des elektrischen Wellenformdatensignals als Hinweis auf ein ausgewähltes Leistungsproblem und ein Identifizierungsmodul zum Identifizieren eines Musters im elektrischen Wellenformdatensignal, wobei das Identifizierungsmodul ausgebildet ist zum Vergleichen des Musters im elektrischen Wellenformdatensignal mit einem normalen Fahrzeugschallverteilungsmuster, Identifizieren eines Ausreißermusters, das einzigartig für das elektrische Wellenformdatensignal ist, Bestimmen, ob das Ausreißermuster innerhalb einer Vertrauensschwelle liegt, und, wenn das Ausreißermuster innerhalb der Vertrauensschwelle liegt, Kategorisieren des Ausreißermusters als ein Muster von Interesse, worin die Klassifizierung des Musters als Hinweis auf ein ausgewähltes Leistungsproblem aus der Klassifizierung des Musters von Interesse als Hinweis auf ein ausgewähltes Leistungsproblem besteht, und wobei die Vertrauensschwelle auf Wahrscheinlichkeit basiert, wobei das elektronische Wellenformdatensignal einer vordefinierten Klasse zugeordnet ist, die die höchste Wahrscheinlichkeit bereitstellt.
Figurenliste
Die Ausführungsformen werden nachfolgend in Verbindung mit den nachfolgenden Zeichnungsfiguren beschrieben, in denen gleiche Bezugszeichen gleiche Elemente bezeichnen, und worin:

1 eine schematische Ansicht eines Automobils in Übereinstimmung mit einem Ausführungsbeispiel ist;
2 eine schematische Darstellung des Diagnosesystems 20 aus 1 in Übereinstimmung mit einer Ausführungsform ist; und
3 ein Flussdiagramm ist, das ein Beispiel eines Verfahrens zum Erzeugen von Diagnosedaten für ein Automobil in Übereinstimmung mit einer Ausführungsform darstellt.

GENAUE BESCHREIBUNG
Die nachfolgende ausführliche Beschreibung ist lediglich exemplarischer Natur und nicht auf die Anwendung und Verwendungen der hierin beschriebenen Ausführungsformen zu beschränken. Weiterhin besteht keine Absicht, durch irgendeine explizite oder implizite Theorie auf dem oben erwähnten technischen Gebiet, Hintergrund, der Kurzdarstellung oder der nachfolgenden genauen Beschreibung gebunden zu sein.
Die nachfolgende Beschreibung bezieht sich auf Elemente oder Funktionen, die miteinander „verbunden“ oder „gekoppelt“ sind. Wie hier verwendet, kann sich „verbunden“ auf ein Element/eine Funktion beziehen, das/die mechanisch mit einem anderen Element/einer Funktion verbunden ist (oder direkt damit kommuniziert, und dies nicht notwendigerweise direkt. Auf ähnliche Weise kann sich „verbunden“, wie hier verwendet, auf ein Element/eine Funktion beziehen, die direkt oder indirekt mit einem anderen Element/einer Funktion verbunden ist (oder direkt oder indirekt damit kommuniziert), und dies nicht notwendigerweise mechanisch. Es sollte jedoch verstanden werden, dass obwohl zwei Elemente weiter unten beschrieben werden, in einer Ausführungsform „verbunden“, bei alternativen Ausführungsformen ähnliche Elemente „gekoppelt“ sein können, und umgekehrt. Obwohl somit die schematischen Diagramme hierin exemplarische Anordnungen von Elementen darstellen, können zusätzliche intervenierende Elemente, Vorrichtungen, Funktionen oder Komponenten bei einer aktuellen Ausführungsform vorhanden sein.
Weiterhin können unterschiedliche, hierin beschriebene Komponenten und Funktionen unter Verwendung von bestimmten numerischen Deskriptoren, wie beispielsweise erste, zweite, dritte usw. sowie Positions- und/oder Winkeldeskriptoren, wie beispielsweise horizontale und vertikale, bezeichnet werden. Allerdings können solche Deskriptoren ausschließlich für beschreibende Zwecke in Bezug auf Zeichnungen verwendet werden, und sollten nicht als einschränkend ausgelegt werden, da die unterschiedlichen Komponenten bei anderen Ausführungsformen neu geordnet sein können. Es sollte verstanden werden, dass 1-3 lediglich veranschaulichend und nicht maßstabsgetreu dargestellt sein können.
1 zeigt ein Fahrzeug (oder „Automobil“) 10, das mit einem Diagnosesystem 20 bereitgestellt wird, gemäß einer Ausführungsform hierin. Das Automobil 10 beinhaltet ein Chassis 12, eine Karosserie 14, vier Räder 16 und ein elektronisches Steuersystem. Die Karosserie 14 ist auf dem Chassis 12 angeordnet und umhüllt im Wesentlichen die anderen Komponenten des Automobils 10. Die Karosserie 14 und das Chassis 12 können gemeinsam einen Rahmen bilden. Die Räder 16 sind jeweils mit dem Chassis 12 in der Nähe einer jeweiligen Ecke der Karosserie 14 drehbar gekoppelt.
Das Automobil 10 kann eines von einer Reihe von verschiedenen Typen von Automobilen sein, wie zum Beispiel, eine Limousine, ein Kombi, ein Lastwagen oder ein Sport Utility Vehicle (SUV) und kann ein Zweiradantrieb (2WD) (d. h. Heckantrieb oder Frontantrieb), Vierradantrieb (4WD) oder Allradantrieb (AWD) sein. Das Automobil 10 kann auch ein beliebiges von oder eine Kombination der folgenden umfassen, eine Anzahl von unterschiedlichen Arten von Motoren, wie beispielsweise ein mit Benzin oder Diesel betriebener Verbrennungsmotor, ein „Fahrzeug mit flexiblem Kraftstoff“ (FFV) (d. h., unter Verwendung von einer Mischung aus Benzin und Alkohol) Motor, ein mit einer gasförmigen Verbindung (beispielsweise Wasserstoff und/oder Erdgas) gespeister Motor, ein Verbrennungs- / Elektromotor Hybridmotor (d. h. wie beispielsweise in einem Hybridelektrofahrzeug (HEV)) und ein Elektromotor.
In der exemplarischen Ausführungsform in 1 beinhaltet das Automobil 10 einen Verbrennungsmotor und/oder einen Elektromotor/Generator 18. Der Verbrennungsmotor und/oder der Elektromotor 18 kann integriert werden, sodass einer oder beide zumindest mit einigen der Räder 16 über einen oder mehrere Antriebswellen 32 mechanisch gekoppelt sind. In einer Ausführungsform ist das Automobil 10 ein „serielles HEV“, in dem der Verbrennungsmotor nicht unmittelbar mit dem Getriebe verbunden ist, sondern mit einem Generator (nicht dargestellt) assoziiert ist, der verwendet wird, um den Elektromotor anzutreiben. In einer anderen Ausführungsform ist das Automobil 10 ein „Parallel-HEV“, in dem der Verbrennungsmotor mit dem Getriebe direkt gekoppelt ist beispielsweise dadurch, dass der Rotor des Elektromotors drehbar mit der Antriebswelle des Verbrennungsmotors gekoppelt ist. Ferner beinhaltet das Automobil 10 ein Diagnosesystem 20 zur Diagnose von Leistungsproblemen von Nicht-Stimmen-Schall. Wie gezeigt, beinhaltet das Diagnosesystem 20 einen Prozessor 22. Der Prozessor 22 ist mit Schallsensoren 24, 26 und 28 gekoppelt.
Die Schallsensoren 24, 26 und 28 können mikroelektromechanische System (MEMS) basierte gerichtete Schallsensoren sein, d. h. Mikrofone, die als Festkörper integrierte Schaltungen oder andere Schallererfassungsinstrumente gebildet sind. Der Schallsensor 24 ist eingebettet in oder anderweitig befestigt am Verbrennungsmotor/Elektromotor/Generator 18. Der Schallsensor 26 ist eingebettet in oder auf andere Weise befestigt an der Karosserie 14. Der Schallsensor 28 ist eingebettet in oder anderweitig befestigt am Chassis 12. Während drei Schallsensoren dargestellt sind, kann das Diagnosesystem 20 ein, zwei, drei oder mehr Schallsensoren für den Empfang von externem Schall beinhalten, d. h. Schall, dessen Ursprung außerhalb der Automobilkabine liegt.
Obwohl nicht im Detail in 1 gezeigt, beinhaltet der Prozessor 22 verschiedene Module zum Empfangen und Wandeln von Schall oder akustischen Wellenformen in elektrische Wellenformen, und zur Verarbeitung von elektrischen Wellenformdatensignalen, wie beispielsweise der Identifizierung von Mustern in den elektrischen Wellenformdatensignalen, und der Klassifizierung von Mustern als Hinweis auf ausgewählte Leistungsprobleme. Weiterhin kann der Prozessor 22 beinhalten oder mit Speicher in Verbindung stehen, um Bibliotheken von normalen Fahrzeug-Schallverteilungsmustern und von Mustern, die mit bekannten Leistungsproblemen assoziiert sind, zu speichern.
2 stellt die verschiedenen Module und die durch den Prozessor 22 durchgeführte Verarbeitung dar. Wie gezeigt, werden externe, Nicht-Stimmen Schall 34, 36 und 38 von den Sensoren 24, 26, bzw. 28 empfangen. Wie oben erwähnt, kann das Diagnosesystem 20 weniger oder mehr Sensoren als die drei dargestellten umfassen. Dementsprechend können ein Schall oder mehrere Schall durch das Diagnosesystem 20 verarbeitet werden. Während drei Schall 34, 36 und 38 in der 2 verarbeitet werden, erfordern noch beschränken sich Ausführungsformen hierin auf die Erfassung und Verarbeitung von Schall an drei Schallsensoren.
Jeder Schall 34, 36 und 38 kann als eine akustische Wellenform oder Audiosignatur charakterisiert werden. Die Schall 34, 36, und 38 können von einer gleichen Quelle oder Quellen hergestellt werden, können aber verschiedene Merkmale oder Eigenschaften aufweisen, wie von den Sensoren 24, 26 und 28 empfangen, aufgrund der unterschiedlichen Positionen der Sensoren 24, 26 und 28. Schall 34 kann beispielsweise eine höhere Lautstärke oder Amplitude an Lärm, die vom Motor 18 stammt, beinhalten, während Schall 26 eine höhere Lautstärke oder Amplitude an Lärm, die von dem Reifen 16 stammt, beinhalten kann. Ferner können die Schall 34, 36 und 38 unterschiedliche Umgebungsgeräuschpegel aufgrund ihrer Position beinhalten.
Wie gezeigt, werden Wandlungsmodule 44, 46 und 48 im Diagnosesystem 20 bereitgestellt, um die Schall 34, 36 und 38 in elektrische Wellenformdatensignale 54, 56 und 58 zu wandeln. Wie gezeigt, können die Wandlungsmodule 44, 46 und 48 ein Teil der Sensoren 24, 26 und 28 und/oder ein Teil des Prozessors 22 sein. Weiterhin kann, während 2 getrennte Wandlermodule 44, 46 und 48, die jeden Schallsensor 24, 26 und 28 gewidmet sind, darstellt, ein einziges Wandlermodul bereitgestellt werden, um Schall in Datensignale für alle oder einen Teil der Sensoren zu wandeln.
In 2 werden unabhängige und separate elektrische Wellenformdatensignale 54, 56 und 58 durch die Wandlermodule 44, 46 und 48 hergestellt. Alternativ kann ein einziges kombiniertes elektrisches Wellenformdatensignal durch ein Wandlermodul oder die Wandlermodule hergestellt werden. In jedem Fall werden die elektrischen Wellenformdatensignale oder Signale 54, 56 und 58 zu einem Identifikationsmodul 60 kommuniziert. Das Identifizierungsmodul 60 ist angepasst, um ein Muster 62 im elektrischen Wellenformdatensignal oder den Signalen 54, 56 und 58 zu identifizieren. Beispielsweise kann das elektrische Wellenformdatensignal eine Verteilung, wie beispielsweise eine Gaußsche Verteilung, die durch normalen Motorbetrieb gezeigt wird, umfassen. Zusätzlich kann das elektrische Wellenformdatensignal einen Ausreißer oder Ausreißer zu der Normalverteilung beinhalten. Solch ein Ausreißer oder solche Ausreißer können ein Muster bilden. Wie gezeigt, kann das Identifizierungsmodul 60 mit dem Speicher 65, beispielsweise einer Bibliothek von normalen Fahrzeugschallverteilungsmustern, kommunizieren. Somit kann das Identifizierungsmodul ein beliebiges Muster oder beliebige Muster 62 identifizieren, die von normalen Fahrzeugen nicht gezeigt werden, das heißt, Muster 62 von Interesse für eine weitere Analyse. Ferner kann das Identifikationsmodul 60 die Amplitude oder andere Eigenschaften des Musters oder der Muster 62 von Interesse analysieren. Beispielsweise kann eine schnelle Fourier-Transformation eine Analyse der Energie und/oder Phasendifferenz bereitstellen. Auch Energiemittelwerte und Varianzen über Audiorahmen können analysiert werden. Mel-Frequenz-Cepstrum-Koeffizienten können analysiert werden, beispielsweise durch einen Musterklassifizierer wie Gaußsche Mix-Modelle, K-Mittelwert-Algorithmen, Neuronale Netze, Bayes- Klassifizierer, und dergleichen. Wenn die Amplitude oder eine andere Eigenschaft des Musters oder der Muster 62 von Interesse einen Schwellenwert nicht überschreitet, kann das Identifikationsmodul anzeigen, dass keine weitere Verarbeitung erforderlich ist. Alternativ kann das Identifikationsmodul 60 bestimmen, ob das Muster oder die Muster 62 von Interesse innerhalb einer Vertrauensschwelle liegen. Mel-Frequenz-Cepstrum-Koeffizienten werden als für die Klassifizierung der meisten Fahrzeugdiagnose oder mechanischen Problem bezogenen Geräusche angemessen erachtet.
Die Vertrauensschwelle basiert auf Wahrscheinlichkeit. In einem exemplarischen Ansatz wird ein elektrisches Wellenformdatensignal einer vordefinierten Klasse oder Kategorie zugeordnet, die die höchste Wahrscheinlichkeit bereitstellt, d. h. das Signal wird mit einem Muster gepaart, welches eine vorbestimmte Kategorie von Leistungsproblem anzeigt. Dabei kann die Wahrscheinlichkeit für jede vordefinierte Kategorie berechnet werden, zum Beispiel Straßenlärm, Motorengeräusch, schlechte Federung, quietschende Bremsen. Die Ergebnisse können in absteigender Reihenfolge der Wahrscheinlichkeit aufgereiht werden. Die oben genannten Merkmale könnten verwendet werden, um die maximale Wahrscheinlichkeit zu bewerten, dass das elektrische Wellenformdatensignal in jede vordefinierte Kategorie passt. Jede Audio Kategorie wird eine eindeutige Signatur in Bezug auf die oben genannten Audio-Merkmale oder Eigenschaften aufweisen. Zum Beispiel kann die Vertrauensschwelle auf weniger als 1% Falschakzeptanz abgestimmt werden. In diesem Verfahren kann die Reihenfolge des Audiospektrums oder Energiespektrums in jedem Zeitrahmen als Merkmalsvektor dienen. Dieser Merkmalsvektor aus dem Test-Audiosample kann in Verbindung mit den vordefinierten Audio-Kategorien verwendet werden, um einen Wahrscheinlichkeits- oder Vertrauenswert zu berechnen. Für jede Kategorie kann es einen entsprechenden Wahrscheinlichkeitswert geben, und die Wahrscheinlichkeitskategorien können in der Reihenfolge dieser Werte aufgereiht werden.
Wenn das identifizierte Muster oder die Muster 62 von Interesse den Schwellenwert erfüllen, kann das Identifikationsmodul 60 das identifizierte Muster oder die Muster 62 von Interesse zu einem Klassifikationsmodul 70 kommunizieren. Das Klassifizierungsmodul 70 ist angepasst, um das Muster 62 als Hinweis auf ein ausgewähltes Leistungsproblem zu klassifizieren. Die Diagnosedaten einschließlich der ausgewählten Leistungsprobleme 72 und gegebenenfalls Empfehlungen für Abhilfemaßnahmen können durch das Klassifikationsmodul 70 angelegt werden. Für Musterklassifizierung, in der ersten Phase, kann das System geschult werden, um jedes markierte Audio-Sample durch Verwendung von Eingabemerkmalen iterativer und rekursiver Art zu klassifizieren, um die Klassifikationsfehler für bekannte Audio-Samples (bereits markierte) zu reduzieren. Nachdem das System zufriedenstellende Klassifikationsleistung mit bekanntem Datensatz liefert, kann es zum Klassifizieren der Audiosamples mit unbekannten Kategorien verwendet werden. Der Fahrzeughersteller kann Audio-Samples während der Fahrzeugentwicklungs- und Validierungsphase sammeln, beispielsweise könnte ein Reifen mit geringem Profil eingesetzt werden, und die entsprechende Audio-Signatur könnte für Schulungszwecke aufgezeichnet werden.
Bei der Klassifizierung des Musters 62, kann das Klassifizierungsmodul 70 ein Wahrscheinlichkeitsmodell 73, das im Speicher des Prozessors 22 gespeichert ist, verwenden. Zum Beispiel kann das Wahrscheinlichkeitsmodell 73 aus der Gruppe bestehend aus Bayes-Netzwerkmodellen, dynamischen Bayes- Netzwerkmodellen, Hidden-Markov-Modellen, Fuzzy-Logik-Modellen, neuronalen Netzwerkmodellen und Petri-Netzmodellen ausgewählt werden. Solche Modelle können multiple Regression, Bayes-Wahrscheinlichkeitskriterium oder Wahrscheinlichkeitsbeobachtungen / -modelle verwenden. Die Merkmalswirksamkeitstechniken können bei der Auswahl von Merkmalen helfen, die einer Klassifizierung förderlich sind. Nach der Auswahl von Merkmalen basierend auf der Komplexität des Algorithmus und der verfügbaren Verarbeitungsleistung (MIPS) der CPU (Mikrocontroller), könnte ein entsprechender Muster-Klassifizierer verwendet werden. Zum Beispiel können neuronale Netze die Bayes- Klassifizierer übertreffen. Jedoch kann erstere mehr Berechnungs- und Verarbeitungsaufwand erfordern. Wie bereits erläutert, soll jedem Merkmalsvektor ein Wahrscheinlichkeitswert für den Fall bereitgestellt werden, dass er zu einer bestimmten Audio-Kategorie gehört. Der Merkmalsvektor mit der höchsten Punktzahl kann als das Etikett dem Testaudio zugeordnet werden.
Ferner können das Klassifizierungsmodul 70 und Wahrscheinlichkeitsmodell 73 mit einem Speicher 75 kommunizieren, beispielsweise einer Bibliothek von Mustern, die mit bekannten Leistungsproblemen assoziiert sind. Die Bibliothek von Mustern kann beispielsweise mit Leistungsproblemen assoziiert sein, wie niedriges Reifenprofil, niedrige Bremstrommeln/- beläge, Zahnriemenproblemen, Übertragungsproblemen, Dämpferproblemen und/oder Abgasproblemen, unter anderen Ursachen für Leistungsprobleme. Die Klassifizierung des Musters 62 kann den Vergleich des Musters mit Mustern innerhalb der Bibliothek 75 beinhalten, die mit bekannten Leistungsproblemen assoziiert sind. Eine Vielzahl von Funktionen stehen zum Vergleich zur Verfügung. Jedoch kann die Wirksamkeit des Vergleichs für bestimmte Merkmale von Techniken, wie Hauptkomponentenanalyse oder Faktoranalyse oder Diskriminanzanalyse, gemessen werden. Eine Korrelationsstudie kann angeben, welches Merkmal effektiver bei der Klassifizierung von verschiedenen mechanischen Fahrzeuggeräuschen ist, wie zum Beispiel eines, das von niedrigen Reifenprofilgeräuschen ausgeht.
Das Klassifizierungsmodul 70 kann die Diagnosedaten, einschließlich des ausgewählten Leistungsproblems 72, an ein Diagnosemodul 80 kommunizieren, das Teil von oder außerhalb des Prozessors 20 sein kann. Beispielsweise kann das Diagnosemodul 80 ein Anzeigelicht oder andere Mitteilung an den Automobilbediener, die einen Wartungsbedarf anzeigt, beinhalten. Alternativ oder zusätzlich kann das Diagnosemodul 80 für die Kommunikation an einen Automobiltechniker bei der Wartung des Automobils vorbereiten. Ferner können die Diagnosedaten einschließlich des ausgewählten Leistungsproblems 72 zu den Daten vom ECM und/oder PCM des Fahrzeugs, die im OBD-II-Anschluss gespeichert sind, für die Abfrage durch das externe Motor-Diagnosewerkzeug hinzugefügt werden.
In einer Ausführungsform kann die Bibliothek 65 von normalen Fahrzeugschallverteilungsmustern durch die Anhäufung von Audiodaten erzeugt werden, das heißt, Schall, während Testfahrten eines mit Sensoren 24, 26 und 28 ausgestatteten Automobils bei einer Vielzahl von Drehzahlen in einer Vielzahl von Wetterbedingungen und über eine Vielzahl von Straßenoberflächen, z. B. Pflastersteine, Beton, Asphalt, Kies, Sand, Schmutz usw. und Umgebungen, z. B. starker Verkehr, Freiflächen, Wälder, Tunnel, Brücken, usw. Optional kann das Diagnosesystem 20 so ausgelegt werden, um weiterhin normale Fahrzeugschallverteilungsmuster zu erlernen, während es durch den Endbenutzer gefahren wird.
3 stellt eine Ausführungsform eines Verfahrens zur Erzeugung von Diagnosedaten für ein Automobil dar. Das Verfahren 100 umfasst die Erfassung einer akustischen Wellenform, die durch eine Automobilkomponente in einem Block 102 erzeugt wurde. Beispielsweise kann ein Schallsensor oder eine Mehrzahl von Schallsensoren, die in Bauteilen des Automobils eingebettet sind, verwendet werden, um Umgebungsgeräusche zu empfangen. Das Verfahren wandelt die akustische Wellenform in ein elektrisches Wellenformdatensignal bei Block 104. Unabhängige und separate elektrische Wellenformdatensignale können für jeden Sensor erzeugt werden oder ein einzelnes kombiniertes elektrisches Wellenformdatensignal kann für alle Sensoren oder für ausgewählte Sensoren erzeugt werden.
Bei Block 106 beinhaltet das Verfahren das Identifizieren eines Musters im elektrischen Wellenformdatensignal. Das Verfahren kann durch einen Vergleich des Musters im elektrischen Wellenformdatensignal mit einem normalen Fahrzeugschallverteilungsmuster oder mit einer Bibliothek von normalen Fahrzeugschallverteilungsmustern ein Muster im elektrischen Wellenformdatensignal identifizieren. Durch den Vergleich der Muster mit dem normalen Fahrzeugschallverteilungsmuster oder -mustern kann das Verfahren ein Ausreißermuster, das einzigartig für das elektrische Wellenformdatensignal ist, identifizieren.
Bei Block 108 bestimmt das Verfahren, ob das Ausreißermuster innerhalb einer Vertrauensschwelle liegt. Wenn das Ausreißermuster nicht innerhalb der Vertrauensschwelle liegt, fährt das Verfahren bei Block 102 mit weiterer Erfassung von akustischen Wellenformen fort. Wenn das Ausreißermuster innerhalb der Vertrauensschwelle liegt, dann wird bei Block 110 das Ausreißermuster als ein Muster von Interesse oder Hinweis auf ein ausgewähltes Leistungsproblem eingestuft. Zum Beispiel kann das Verfahren das Muster unter Verwendung eines Wahrscheinlichkeitsmodells ausgewählt aus der Gruppe bestehend aus Bayes-Netzwerkmodellen, dynamischen Bayes- Netzwerkmodellen, Hidden-Markov-Modellen, Fuzzy-Logik-Modellen, neuronalen Netzwerkmodellen und Petri-Netzmodellen, klassifizieren Ferner kann das Verfahren, das Muster mit einer Bibliothek von Mustern vergleichen, die mit bekannten Leistungsproblemen verbunden sind, worin die bekannten Leistungsprobleme niedriges Reifenprofil, niedrige Bremstrommeln / -beläge, Zahnriemenprobleme, Übertragungsprobleme, Dämpferprobleme und/oder Abgasprobleme beinhalten. Das Verfahren geht weiter bei Block 112 mit der Weiterleitung der Diagnosedaten, einschließlich der ausgewählten Leistungsprobleme, an ein Diagnosemodul.
Obwohl mindestens eine exemplarische Ausführungsform in der vorangegangenen detaillierten Beschreibung präsentiert wurde, sollte gewürdigt werden, dass es eine Vielzahl von Variationen gibt. Es sollte auch gewürdigt werden, dass die exemplarische Ausführungsform oder exemplarische Ausführungsformen nur Beispiele sind, die den Umfang, die Anwendbarkeit oder Konfiguration der Offenlegung in keinster Weise einschränken sollen. Vielmehr wird die vorangegangene detaillierte Beschreibung Fachleuten auf diesem Gebiet eine bequeme Anleitung zum Implementieren der exemplarischen Ausführungsform oder exemplarischen Ausführungsformen bieten. Es sollte verstanden werden, dass an der Funktion und Anordnung von Elementen verschiedene Änderungen vorgenommen werden können, ohne von dem Umfang der Offenlegung abzuweichen, wie er in den beigefügten Ansprüchen und den gesetzlichen Entsprechungen davon beschrieben ist.

Claims

Verfahren zum Erzeugen von Diagnosedaten für ein Automobil, worin das Verfahren umfasst: Erfassen einer durch eine Automobilkomponente erzeugten akustischen Wellenform mit einem Schallsensor; Wandeln der akustischen Wellenform in ein elektrisches Wellenformdatensignal; Identifizieren eines Musters im elektrischen Wellenformdatensignal; und Klassifizierung des Musters als Hinweis auf ein ausgewähltes Leistungsproblem, wobei das Identifizieren eines Musters im elektrischen Wellenformdatensignal umfasst: Vergleichen des Musters im elektrischen Wellenformdatensignal mit einem normalen Fahrzeugschallverteilungsmuster; Identifizieren eines Ausreißermusters, das einzigartig für das elektrische Wellenformdatensignal ist; Bestimmen, ob das Ausreißermuster innerhalb einer Vertrauensschwelle liegt; wenn das Ausreißermuster innerhalb der Vertrauensschwelle liegt, Kategorisieren des Ausreißermusters als ein Muster von Interesse, worin die Klassifizierung des Musters als Hinweis auf ein ausgewähltes Leistungsproblem aus der Klassifizierung des Musters von Interesse als Hinweis auf ein ausgewähltes Leistungsproblem besteht, und wobei die Vertrauensschwelle auf Wahrscheinlichkeit basiert, wobei das elektronische Wellenformdatensignal einer vordefinierten Klasse zugeordnet ist, die die höchste Wahrscheinlichkeit bereitstellt.
Verfahren nach Anspruch 1, ferner umfassend das Weiterleiten der Diagnosedaten, einschließlich des ausgewählten Leistungsproblems, an ein Diagnosemodul.
Verfahren nach Anspruch 1, worin ein Prozessor eine Bibliothek von normalen Fahrzeugschallverteilungsmustern umfasst, worin das Identifizieren eines Musters im elektrischen Wellenformdatensignal beinhaltet: Vergleichen des Musters im elektrischen Wellenformdatensignal mit der Bibliothek von normalen Fahrzeugschallverteilungsmustern; und Identifizieren eines Ausreißermusters, das einzigartig für das elektrische Wellenformdatensignal ist.
Verfahren nach Anspruch 1, worin die Klassifizierung des Musters als Hinweis auf ein ausgewähltes Leistungsproblem den Vergleich des Muster mit einer Bibliothek von Mustern, die mit bekannten Leistungsproblemen verbunden sind, beinhaltet, worin die bekannten Leistungsprobleme niedriges Reifenprofil, niedrige Bremstrommeln/-beläge, Zahnriemenprobleme, Übertragungsprobleme, Dämpferprobleme und/oder Abgasprobleme beinhalten.
Verfahren nach Anspruch 1, worin das Erfassen einer Schallwellenform, die durch eine Automobilkomponente erzeugt wurde, mit einem Schallsensor das Empfangen von Umgebungsgeräuschen mit einer Mehrzahl von Schallsensoren, die in Strukturkomponenten des Automobils eingebettet sind, umfasst.
Automobil-Diagnosesystem, umfassend: einen Schallsensor, der mit einem Automobil verbunden ist, um einen Nicht-Sprach Schall zu empfangen; und einen Prozessor, der ein Wandlungsmodul, für die Wandlung des Nicht-Sprach Schalls in ein elektrisches Wellenformdatensignal, ein Klassifizierungsmodul, zum Klassifizieren des elektrischen Wellenformdatensignals als Hinweis auf ein ausgewähltes Leistungsproblem, beinhaltet, und ein Identifizierungsmodul zum Identifizieren eines Musters im elektrischen Wellenformdatensignal, wobei das Identifizierungsmodul ausgebildet ist zum Vergleichen des Musters im elektrischen Wellenformdatensignal mit einem normalen Fahrzeugschallverteilungsmuster; Identifizieren eines Ausreißermusters, das einzigartig für das elektrische Wellenformdatensignal ist; Bestimmen, ob das Ausreißermuster innerhalb einer Vertrauensschwelle liegt, wenn das Ausreißermuster innerhalb der Vertrauensschwelle liegt, Kategorisieren des Ausreißermusters als ein Muster von Interesse, worin die Klassifizierung des Musters als Hinweis auf ein ausgewähltes Leistungsproblem aus der Klassifizierung des Musters von Interesse als Hinweis auf ein ausgewähltes Leistungsproblem besteht, und wobei die Vertrauensschwelle auf Wahrscheinlichkeit basiert, wobei das elektronische Wellenformdatensignal einer vordefinierten Klasse zugeordnet ist, die die höchste Wahrscheinlichkeit bereitstellt.
Automobil, umfassend: einen Rahmen; einen Schallsensor, der mit dem Rahmen gekoppelt ist, um einen Nicht-Sprach Schall zu empfangen; und einen Prozessor, der ein Wandlungsmodul, für die Wandlung des Nicht-Sprach Schalls in ein elektrisches Wellenformdatensignal, ein Klassifizierungsmodul, zum Klassifizieren des elektrischen Wellenformdatensignals als Hinweis auf ein ausgewähltes Leistungsproblem, beinhaltet, und ein Identifizierungsmodul zum Identifizieren eines Musters im elektrischen Wellenformdatensignal, wobei das Identifizierungsmodul ausgebildet ist zum Vergleichen des Musters im elektrischen Wellenformdatensignal mit einem normalen Fahrzeugschallverteilungsmuster; Identifizieren eines Ausreißermusters, das einzigartig für das elektrische Wellenformdatensignal ist; Bestimmen, ob das Ausreißermuster innerhalb einer Vertrauensschwelle liegt; wenn das Ausreißermuster innerhalb der Vertrauensschwelle liegt, Kategorisieren des Ausreißermusters als ein Muster von Interesse, worin die Klassifizierung des Musters als Hinweis auf ein ausgewähltes Leistungsproblem aus der Klassifizierung des Musters von Interesse als Hinweis auf ein ausgewähltes Leistungsproblem besteht, und wobei die Vertrauensschwelle auf Wahrscheinlichkeit basiert, wobei das elektronische Wellenformdatensignal einer vordefinierten Klasse zugeordnet ist, die die höchste Wahrscheinlichkeit bereitstellt.