DE102019115356A1

DE102019115356A1 - Fahrzeugfehler-grundursachendiagnose

Info

Publication number: DE102019115356A1
Application number: DE102019115356.5A
Authority: DE
Inventors: Shengbing Jiang; Chaitanya Sankavaram; David A. Frank; Brian L. Buck; Janelle Kane Rolando
Original assignee: GM Global Technology Operations LLC
Current assignee: GM Global Technology Operations LLC
Priority date: 2018-12-06
Filing date: 2019-06-06
Publication date: 2020-06-10
Anticipated expiration: 2039-06-07
Also published as: CN111284426A; DE102019115356B4; US20200184742A1; CN111284426B; US11151808B2

Abstract

Ein Verfahren zur Grundursachendiagnose von Fehlerdaten von einem Fahrzeug beinhaltet das Identifizieren eines ersten Fahrzeugfehlers und das Auswählen eines Fahrzeugmerkmals aus Feld-Reparaturdaten, das dem identifizierten ersten Fahrzeugfehler entspricht. Das Verfahren beinhaltet auch das Identifizieren einer effektiven Reparatur des identifizierten ersten Fahrzeugfehlers aus den Feld-Reparaturdaten. Das Verfahren beinhaltet zusätzlich das Schulen und Testen über einen Maschinenlernalgorithmus, einen Arbeitscode-Klassifikator unter Verwendung der identifizierten wirksamen Reparatur des ersten Fahrzeugfehlers und des ausgewählten Fahrzeugmerkmals entsprechend dem identifizierten ersten Fahrzeugfehler. Das Verfahren beinhaltet auch das Identifizieren und Klassifizieren, unter Verwendung des trainierten Klassifikators, von nicht eindeutigen Arbeitscodes. Weiterhin beinhaltet das Verfahren das Kommunizieren der identifizierten und klassifizierten nicht eindeutigen Arbeitscodes zur Diagnose einer Grundursache der ersten Fahrzeugfehlerdaten in Echtzeit. Ein computerlesbares Medium, das einen ausführbaren Computeralgorithmus zum Durchführen der Grundursachendiagnose von Fahrzeugfehlerdaten speichert ist ebenfalls vorgesehen.

Description

EINFUHRUNG
Die vorliegende Offenbarung betrifft die Grundursachendiagnose von Fahrzeugfehlern.
Fahrzeuge können während ihres Betriebs zu verschiedenen Bedenken, Problemen oder Fehlern führen. Schwerwiegende Fahrzeugfehler können dazu führen, dass das Fahrzeug unfahrbar wird, jedoch im Allgemeinen führt der Großteil der Fehler an einem Fahrzeug zur Unzufriedenheit des Benutzers. Bei einer Fahrzeugpanne handelt es sich gewöhnlich um entweder einen elektrischen oder einen mechanischen Ausfall, bei dem der zugrunde liegende Fehler verhindert, dass das Fahrzeug überhaupt betrieben werden kann oder dass das Fahrzeug schwer zu betreiben ist. Abhängig von der Art und Schwere des Fehlers kann ein Fahrzeug zu einer Reparaturwerkstatt, wie einem autorisierten Händler, abgeschleppt werden oder nicht.
Eine Panne tritt auf, wenn ein Fahrzeug auf der Straße stehenbleibt. Ein Fahrzeug kann aufgrund einer Vielzahl von Fehlern stehenbleiben, die sich von einer entladenen Batterie, Kraftstoffpumpe, schlechter Kraftstoffqualität bis hin zu fehlerhafter Elektrik oder Sensoren, Kraftstoffdruck-Problemen, übersehenen Undichtigkeiten usw. erstrecken. Eine vollständige Fahrzeugpanne findet statt, wenn das Fahrzeug vollständig unbeweglich wird und nicht einmal eine kurze Distanz zum Erreichen einer Reparaturwerkstatt gefahren werden, weshalb es abgeschleppt werden muss. Eine vollständige Panne kann aus verschiedenen Gründen auftreten, einschließlich eines Motor- oder Getriebefehlers oder eines fehlerhaften Anlassers oder einer entladenen Batterie, wobei eine entladene Batterie durch Überbrücken wieder gestartet werden kann.
Bei einer teilweisen Panne kann das Fahrzeug noch funktionsfähig sein, aber sein Betrieb kann zunehmend eingeschränkter werden oder, wenn das Fahrzeug weiter betrieben wird, kann dies zu weiteren Schäden am Fahrzeug führen. Wenn eine teilweise Panne auftritt, kann es möglich sein, das Fahrzeug zu einer Reparaturwerkstatt zu fahren, wodurch ein Abschleppen vermieden wird. Einige häufige Ursachen für eine teilweise Panne beinhalten Überhitzung, Bremsausfall und intermittierendes Abwürgen. Einige Fehler führen nicht zu Fahrzeugpannen, sondern können beispielsweise die vollständige Nutzung der Infotainment- oder Klimasteuerungssysteme des Fahrzeugs behindern. Einige der obigen Fahrzeugfehler können intermittierend sein - sie lösen einen Diagnosefehlercode aus, beheben sich dann allerdings selbst. Solche Fehler können schwierig zu diagnostizieren oder zu duplizieren sein und können dazu führen, dass Fahrzeugkomponenten ohne Lösen des Problems ersetzt werden. Im Allgemeinen neigen intermittierende Fahrzeugfehler dazu, Garantiekosten zu erhöhen und sich negativ auf die Kundenzufriedenheit auszuwirken.
KURZDARSTELLUNG
Ein Verfahren zur Grundursachendiagnose von Fehlerdaten von einem Fahrzeug beinhaltet das Identifizieren eines ersten Fahrzeugfehlers und das Auswählen von Feldreparaturdaten über einen ausführbaren Computer-Algorithmus, ein Fahrzeugmerkmal, das dem identifizierten ersten Fahrzeugfehler entspricht. Das Verfahren beinhaltet auch das Identifizieren aus den Feldreparaturdaten über den ausführbaren Computer-Algorithmus, eine effektive Reparatur des identifizierten ersten Fahrzeugfehlers. Das Verfahren beinhaltet zusätzlich das Schulen und Testen über einen Maschinenlernalgorithmus, einen Arbeitscode-Klassifikator unter Verwendung der identifizierten wirksamen Reparatur des ersten Fahrzeugfehlers und des ausgewählten Fahrzeugmerkmals entsprechend dem identifizierten ersten Fahrzeugfehler. Das Verfahren beinhaltet auch das Identifizieren und Klassifizieren über den ausführbaren Computer-Algorithmus, unter Verwendung des trainierten Arbeitscode-Klassifikators, der nicht eindeutig ist, sondern z. B. durch das Testergebnis, Arbeitscodes mehrdeutig. Weiterhin beinhaltet das Verfahren das Kommunizieren der identifizierten und klassifizierten nicht eindeutigen Arbeitscodes zur Diagnose einer Grundursache der ersten Fahrzeugfehlerdaten in Echtzeit. Das Verfahren kann speziell zur Diagnose intermittierender Systemfehler verwendet werden.
Der Vorgang des Auswählens des Fahrzeugmerkmals aus den Feldreparaturdaten kann das Auswählen der Feldreparaturdaten von einer Fahrzeugflotte beinhalten.
Der Vorgang des Auswählens eines Fahrzeugmerkmals, das dem identifizierten ersten Fahrzeugfehler entspricht, beinhaltet das Auswählen des Fahrzeugmerkmals aus einem vordefinierten Satz von Fahrzeugmerkmalen.
Der Vorgang des Auswählens des Fahrzeugmerkmals aus einem vordefinierten Satz von Fahrzeugmerkmalen kann das Identifizieren eines zweiten Fahrzeugfehlers beinhalten, der nicht mit dem ersten Fahrzeugfehler in Beziehung steht, d. h. eine bekannte andere Grundursache aufweist. Der Vorgang des Auswählens des Fahrzeugmerkmals aus einem vordefinierten Satz von Fahrzeugmerkmalen kann auch das Vergleichen von Wahrscheinlichkeitsverteilungen der Fahrzeugmerkmale aus dem vordefinierten Satz von Fahrzeugmerkmalen für den ersten Fahrzeugfehler und für den zweiten Fahrzeugfehler beinhalten. Des Weiteren kann der Vorgang des Auswählens des Fahrzeugmerkmals aus einem vordefinierten Satz von Fahrzeugmerkmalen auch das Vergleichen von Wahrscheinlichkeitsverteilungen der Fahrzeugmerkmale aus dem vordefinierten Satz von Fahrzeugmerkmalen für den ersten Fahrzeugfehler und für den zweiten Fahrzeugfehler beinhalten.
Das Verfahren kann zusätzlich Folgendes beinhalten: das Entfernen eines Fahrzeugmerkmals aus dem vordefinierten Satz von Fahrzeugmerkmalen mit einer ausreichenden Korrelation zum entfernten Fahrzeugmerkmal.
Die ausreichende Korrelation kann mittels Pearson-Korrelationskoeffizienten-Verteilungsanalyse bestimmt werden.
Das Identifizieren einer effektiven Reparatur des ersten Fahrzeugfehlers kann das Identifizieren von mindestens einem von einer vorbestimmten Zeitdauer und einer vorbestimmten Entfernung, die vom Fahrzeug nach der Reparatur ohne Wiederholung des ersten Fahrzeugfehlers zurückgelegt wird, beinhalten..
Die das Identifizieren und Klassifizieren von nicht eindeutigen Arbeitscodes kann das Bilden eines Arbeitscodes gegenüber der Ground Truth Class Confidence Matrix 46 beinhalten und das Bilden eines Arbeitscodes gegenüber der Ground Truth Class Identity Matrix 48 daraus.
Das Identifizieren und Klassifizieren von nicht eindeutigen Arbeitscodes kann ferner das Durchführen einer hierarchischen Arbeitscode-Klassifizierung über Zusammenführungsklassen in dem gebildeten Arbeitscode im Vergleich zu der Ground Truth Class Identity Matrix 48 beinhalten.
Das Identifizieren und Klassifizieren von nicht eindeutigen Arbeitscodes kann ferner das Verfeinern der Arbeitscode-Klassifizierung über Bayes'sche Inferenzanalysen beinhalten.
Ebenfalls offenbart ist ein computerlesbares Medium, das einen ausführbaren Algorithmus speichert, der dafür konfiguriert ist, bei der Ausführung durch einen Prozessor, die obige Grundursachendiagnose von Fahrzeugfehlerdaten durchzuführen.
Die vorstehend aufgeführten Merkmale und Vorteile sowie andere Merkmale und Vorteile der vorliegenden Offenbarung werden aus der folgenden ausführlichen Beschreibung der Ausführungsform(en) und der/den besten Art(en) zur Umsetzung der beschriebenen Offenbarung in Verbindung mit den zugehörigen Zeichnungen und hinzugefügten Ansprüchen ersichtlich.
Figurenliste

1 ist eine schematische perspektivische Ansicht einer Flotte von Kraftfahrzeugen in elektronischer Kommunikation, die zum Identifizieren und Analysieren von Fahrzeugfehlern und Reparaturdaten über einen Computeralgorithmus überwacht werden, um die Grundursachen-Bestimmung der betroffenen Fehler gemäß der vorliegenden Offenbarung zu erleichtern.
2 ist eine grafische Darstellung einer Ausführungsform der Methodik, die durch den in 1 angegebenen Algorithmus ausgeführt wird, zum Auswählen eines Fahrzeugmerkmals aus einem vordefinierten Satz von Fahrzeugmerkmalen, welche das Identifizieren und Isolieren von nicht verwandten Fahrzeugfehlern, gemäß der vorliegenden Offenbarung beinhaltet.
3 ist eine grafische Darstellung einer Ausführungsform der Methodik, die durch den Algorithmus ausgeführt wird, um ein Fahrzeugmerkmal mit einer ausreichenden Korrelation zum entfernten Fahrzeugmerkmal aus dem vordefinierten Satz Fahrzeugmerkmale gemäß der vorliegenden Offenbarung zu entfernen.
4 ist eine grafische Darstellung einer Ausführungsform der Methodik, die durch den Algorithmus ausgeführt wird, um nicht eindeutige Arbeitscodes durch Bilden von Arbeitscode gegenüber Bodenwahrheitsmatrizengemäß der vorliegenden Offenbarung zu identifizieren und klassifizieren.
5 ist eine grafische Darstellung einer Ausführungsform der Methodik, die durch den Algorithmus ausgeführt wird, um nicht eindeutige Arbeitscodes durch Durchführen von hierarchischen Arbeitscode-Klassifizierungen zum Bilden einer Arbeitscode-Empfehlungsmatrix gemäß der vorliegenden Offenbarung zu identifizieren und klassifizieren.
6 ist eine grafische Darstellung einer Ausführungsform der Methodik, die durch den Algorithmus ausgeführt wird, um nicht eindeutige Arbeitscodes durch weiteres Verfeinern von Arbeitscode-Klassifizierungen über die Bayes'sche Interferenzanalysen gemäß der vorliegenden Offenbarung zu identifizieren und klassifizieren.
7 ist ein Flussdiagramm eines Verfahrens zur Grundursachendiagnose der Fehlerdaten vom Fahrzeug und der in den 1 - 6 dargestellten Fahrzeugflotte gemäß der vorliegenden Offenbarung.

AUSFÜHRLICHE BESCHREIBUNG
Unter Bezugnahme auf die Zeichnungen, wobei sich gleiche Bezugszeichen auf gleiche Komponenten beziehen, stellt 1 eine schematische Ansicht eines Kraftfahrzeugs 10 dar. Wie dargestellt, weist das Kraftfahrzeug 10 eine Fahrzeugkarosserie 12 auf. Das Fahrzeug 10 kann verwendet werden, um eine Straßenoberfläche 14 über eine Vielzahl von Laufrädern 16 zu überfahren, die durch den Antriebsstrang des Fahrzeugs angetrieben werden. Obwohl in 1 vier Räder 16 dargestellt sind, ist auch ein Fahrzeug mit einer geringeren oder größeren Anzahl von Rädern oder mit anderen Mitteln, wie beispielsweise Schienen (nicht dargestellt), zum Überfahren einer Straßenoberfläche oder eines anderen Geländes 14 vorgesehen. Das Fahrzeug 10 kann Folgendes beinhalten: eine Reihe mechanischer, elektrischer und anderer Systeme 18, wie beispielsweise des Fahrzeugantriebsstrangs; Heizungs-, Lüftungs- und Klimaanlagen (HVAC)-System; und Infotainment-System, die alle auf der Fahrzeugkarosserie 12 angeordnet und/oder angebracht sind.
Derartige Systeme 18 Fahrzeuge 10 können während ihres Betriebs zu verschiedenen Bedenken, Problemen oder Fehlern führen. Einige Systemfehler 18 können verursachen, dass das Fahrzeug 10 unbeweglich wird, während andere Systemfehler 18 weniger katastrophal sind, aber dennoch zu einer Unzufriedenheit des Benutzers mit dem Fahrzeug führen können. Fahrzeugsystem 18 Fehler können intermittierend sein. Solche intermittierenden Fehler können zu einem vorübergehenden Verlust der Funktionalität des Systems 18 führen; sie können aber auch einen Diagnosefehlercode auslösen, diese allerdings wieder selbst beheben. Ein Fahrzeugsystemfehler 18 wird typischerweise durch einen qualifizierten Servicetechniker in einem Fahrzeug-Servicezentrum oder einer Werkstatt behoben. Abhängig davon, ob das Fahrzeug 10 von einem Hersteller- oder der Garantie eines Dritten gedeckt ist, können die Kosten der Reparatur entweder durch die Garantie oder den Fahrzeugbesitzer abgedeckt werden. Jedoch sind die Störungen des intermittierenden Systems 18 schwierig zu diagnostizieren oder zu duplizieren, was wiederholte Besuche des Eigentümers im Servicezentrum erfordern und die Garantiekosten erhöhen kann.
Eine Flotte 10A von ähnlichen Fahrzeugen, d. h. mit dem gemeinsamen System 18, wie beispielsweise dem Fahrzeug 10, und Reparaturen von System 18 Fehlern unter der Flotte 10A können unter Verwendung einer Datenbank 20 überwacht werden, die von einem programmierbarer Zentralcomputer 22 oder eine Informationstechnologie (IT)-Cloud-Plattform 24 (dargestellt in 1) unterstützt wird. Im Allgemeinen ist eine IT-Cloud-Plattform eine vom Anbieter verwaltete Suite von Hardware und Software. Ein IT-Paradigma ermöglicht den universellen Zugriff auf gemeinsam genutzte Pools konfigurierbarer Systemressourcen und Dienste auf höherer Ebene, die mit minimalem Verwaltungsaufwand, häufig über das Internet, schnell bereitgestellt werden können. Darüber hinaus ist Cloud Computing auf die gemeinsame Nutzung von Ressourcen angewiesen, um Kohärenz und Größenvorteile zu erreichen, ähnlich wie bei einem öffentlichen Versorgungsunternehmen. Die IT-Cloud-Plattform 24 kann auch in Kommunikation mit dem Zentralcomputer 22 zur Koordinierung und Verwaltung des Betriebs einer derartigen Flotte 10A von Fahrzeugen 10 eingesetzt werden.
Der Zentralcomputer 22 ist entfernt von der Flotte 10A angeordnet. Der Zentralcomputer 22 beinhaltet einen Speicher, der physisch und nichtflüchtig ist. Der Speicher kann ein beschreibbares Medium sein, das an der Bereitstellung computerlesbarer Daten oder Prozessinstruktionen beteiligt ist. Dieses Medium kann in einem beliebigen Format vorliegen, einschließlich, aber nicht einschränkt auf nichtflüchtige Medien und flüchtige Medien. Nicht-flüchtige Medien, die vom Zentralcomputer 22 verwendet werden, können beispielsweise optische oder magnetische Disks und andere persistente Speicher beinhalten. Flüchtige Medien können zum Beispiel dynamische Direktzugriffsspeicher (DRAM) beinhalten, die einen Hauptspeicher darstellen können. Derartige Anweisungen können von einem oder mehreren Übertragungsmedien einschließlich Koaxialkabel, Kupferdraht und Faseroptik übertragen werden einschließlich der Leiter, aus denen ein mit dem elektronischen Prozessor 22A des Zentralcomputers 22 gekoppelter Systembus besteht. Der Speicher des Zentralcomputers 22 kann auch eine flexible Disk, eine Festplatte, ein Magnetband oder einen magnetischen Datenträger, eine CD-ROM, DVD, oder einen anderen optischen Datenträger usw. beinhalten. Der Zentralcomputer 22 kann mit einem schnellen Primärtakt, den erforderlichen Analog-Digital- (A/D) und/oder Digital-Analog- (D/A) Schaltungen, Ein-/Ausgabeschaltungen und Vorrichtungen (I/O) sowie einer geeigneten Signalkonditionierung und/oder Pufferschaltung ausgestattet sein. Algorithmen, die für den Zentralcomputer 22 erforderlich oder zugänglich sind, können im Speicher gespeichert und automatisch ausgeführt werden, um die benötigte Funktionalität bereitzustellen.
Die Datenbank 20 kann über einen einzelnen Computer 26 oder über eine Vielzahl von ähnlichen verknüpften Computern zugänglich sein, wie in 1 dargestellt. Entweder der Zentralcomputer 22 oder die IT-Cloud-Plattform 24 ist dafür konfiguriert, ein computerlesbares Medium 30 zu verwenden oder auf ein computerlesbares Medium 30 zuzugreifen, in dem ein ausführbarer Algorithmus 32 gespeichert ist, der dafür konfiguriert ist, bei der Ausführung durch einen Prozessor, wie der elektronische Prozessor 22A, eine Grundursachendiagnose 34 von Fehlerdaten von dem Fahrzeug 10 und der Flotte 10A durchzuführen. Die Grundursachendiagnose 34 kann speziell zur Diagnose intermittierender Systemfehler 18 verwendet werden. Dementsprechend kann der Algorithmus 32 kann in den elektronischen Prozessor 22A des Zentralcomputers 22 (nicht dargestellt) programmiert oder in ein diskretes, zugängliches, computerlesbares Medium (CRM), wie in 1 dargestellt, eingebettet werden. Der Algorithmus 32 wird verwendet, um Daten des ersten Fahrzeugfehlers 36 in Echtzeit zu analysieren. Der Algorithmus 32 beinhaltet das Identifizieren eines ersten Fahrzeugfehlers 36 - 1 (in 2 dargestellt). Der Algorithmus 32 beinhaltet auch die Auswahl von Feldreparaturdaten, beispielsweise aus Daten von Reparaturen, die an den Fahrzeugen 10 in der Flotte 10A durchgeführt werden, und in der Datenbank 20 gespeichert sind, ein Fahrzeugmerkmal 38 - 1 entsprechend dem identifizierten ersten Fahrzeugfehler 36-1. Das ausgewählte Fahrzeugmerkmal 38-1 entspricht oder ist Teil eines bestimmten Systems 18.
In einer Ausführungsform, Auswählen des Fahrzeugmerkmals 38-1, das dem identifizierten ersten Fahrzeugfehler 36-1 entspricht, kann das Auswählen des Fahrzeugmerkmals aus einem vordefinierten Satz 38A von Fahrzeugmerkmalen ( 1 dargestellt) beinhalten. Auswählen des Fahrzeugmerkmals 38-1 aus dem vordefinierten Satz 38A von Fahrzeugmerkmalen über den Algorithmus 32 kann das Identifizieren eines zweiten Fahrzeugfehlers 36-2 beinhalten, der nicht mit dem ersten Fahrzeugfehler 36-1 verbunden ist, d. h. eine bekannte andere Grundursache als in 2 dargestellt hat, die die ersten und zweiten Fahrzeugfehler darstellt, die im Vergleich zur Wahrscheinlichkeits-Verteilung geplottet wurden. Auch in einer derartigen Ausführungsform, das Auswählen des Fahrzeugmerkmals 38-1 aus dem vordefinierten Satz 38A würde auch das Vergleichen von Wahrscheinlichkeitsverteilungen der Fahrzeugmerkmale aus dem vordefinierten Satz 38A von Fahrzeugmerkmalen für den ersten Fahrzeugfehler 36-1 und für den zweiten Fahrzeugfehler 36-2 beinhalten.
Weiterhin in der obigen Ausführungsform kann der Algorithmus 32 das Entfernen von dem vordefinierten Satz 38A von Fahrzeugmerkmalen, d. h. das Entfernen oder Isolieren eines Fahrzeugmerkmals 38-2 mit statistisch oder im Wesentlichen äquivalenten Wahrscheinlichkeitsverteilungen für den ersten Fahrzeugfehler 36-1 und für den zweiten Fahrzeugfehler 36-2 beinhalten. Es kann ein Vergleich der Wahrscheinlichkeitsverteilungen der Fahrzeugmerkmale für den ersten und zweiten Fahrzeugfehler 36-1, 36-2 über eine Jensen-Shannon Divergenz-(JSD)-Analyse durchgeführt werden. Die Jensen-Shannon Divergenzanalyse für den ersten und zweiten Fahrzeugfehler 36-1, 36-2 kann wie folgt ausgedrückt werden: $J S D (P 1, P 2) = \frac{1}{2} \sum (P 1 (i) l o g \frac{P 1 (i)}{M (i)} + P 2 (i) P r o t o k o l l \frac{P 2 (i)}{M (i)})$
wobei $M = \frac{1}{2} (P 1 + P 2)$
and
wobei P1 und P2 sind Wahrscheinlichkeitsverteilungen des Fahrzeugmerkmals 38-2 für den jeweiligen ersten und zweiten Fahrzeugfehler 36-1, 36-2, die in der vorliegenden Offenbarung referenziert sind.
Wie in 3 dargestellt, kann der Algorithmus 32 zusätzlich Folgendes beinhalten: das Entfernen eines Fahrzeugmerkmals 38-3 aus dem vordefinierten Satz 38A von Fahrzeugmerkmalen 10 mit einer ausreichenden Korrelation zum entfernten Fahrzeugmerkmal 38-2. Insbesondere die ausreichende Korrelation kann mittels Pearson-Korrelationskoeffizienten-Verteilungsanalyse (PCC) bestimmt werden. Im Allgemeinen in Statistiken ist der Pearson-Korrelationskoeffizient, auch als Pearson's r bezeichnet, der Pearson Produkt-Moment Korrelationskoeffizient (PPMCC) oder die bivariate Korrelation, ein Maß für die lineare Korrelation zwischen zwei Variablen X und Y. Der Wert für die Cauchy-Schwarz-Ungleichheit hat einen Wert zwischen +1 und -1, wobei 1 die gesamte positive lineare Korrelation, 0 keine lineare Korrelation und -1 eine gesamt negative lineare Korrelation ist. Die jeweilige Korrelation kann beispielsweise als „ausreichend“ über einem bestimmten Minimalwert, wie beispielsweise größer als 0,7, betrachtet werden. Unter Bezugnahme auf 3 kann die Pearson-Korrelations-Koeffizientenanalyse für die Fahrzeugmerkmale 38-2, 38-3 wie folgt ausgedrückt werden: $P C C (P 1, P 2) = \frac{n \sum P 1 (i) P 2 (i) - \sum P 1 (i) P 2 (i)}{\sqrt{n \sum P 1^{2} (i) - {(\sum P 1 (i))}^{2}} - \sqrt{n {\sum P 2^{2} (i) - (\sum P 2 (i))}^{2}}}$
wobei n die Probengröße ist, und
wobei P1 und P2 Wahrscheinlichkeitsverteilungen für die entsprechenden Fahrzeugmerkmale 38-2, 38-3 sind, die in der vorliegenden Offenbarung referenziert sind.
Der Algorithmus 32 beinhaltet auch das Identifizieren aus den Feldreparaturdaten, beispielsweise über den elektronischen Prozessor 22A, wie beispielsweise als Teil des Zentralcomputers 22, eine wirksame Reparatur 40 (dargestellt in 1) des ersten Fahrzeugfehlers 36-1. Das Identifizieren einer effektiven Reparatur 40 des ersten Fahrzeugfehlers 36-1 kann das Identifizieren von mindestens einem von einer vorbestimmten Zeitdauer T und einer vorbestimmten Entfernung D, die vom Fahrzeug nach der Reparatur 40 ohne Wiederholung des ersten Fahrzeugfehlers 36-1 zurückgelegt wird, beinhalten. Der Algorithmus 32 beinhaltet zusätzlich das Trainieren und Testen, und dadurch das Einrichten eines Arbeitscode-(LC)-Klassifikators 42, wie in 4 dargestellt. Der Algorithmus 32 verwendet eine eingebettete künstliche Intelligenz (AI) oder einen maschinellen Lernalgorithmus 32A, wie ein lernfähiges künstliches neuronales Netzwerk, das vom Zentralcomputer 22 verwendet und insbesondere im ausführbaren Computeralgorithmus 32 eingebettet oder mit diesem gepaart werden kann. Der maschinelle Lernalgorithmus 32A ist spezifisch dafür konfiguriert, die eingehenden Feldreparaturdaten zu beurteilen und aus diesen zu lernen, um den Arbeitscode-Klassifikator 42 zu erstellen. Insbesondere das Schulen und Testen des Arbeitscode-Klassifikators 42 wird erreicht, indem die identifizierte wirksame Reparatur 40 des ersten Fahrzeugfehlers 36-1 und des ausgewählten Fahrzeugmerkmals 38-1 entsprechend dem identifizierten ersten Fahrzeugfehler 36-1 verwendet wird. Die Arbeitscodes 44 werden im Allgemeinen von der Datenbank 20 verwendet, um verschiedene Reparaturen von Fahrzeugsystemen, wie beispielsweise dem System 18, zu identifizieren.
Der Algorithmus 32 beinhaltet auch das Identifizieren und Klassifizieren (und damit Isolieren), unter Verwendung des trainierten Arbeitscode-Klassifikators 42, nicht eindeutigen Arbeitscodes 44A, d. h. die mehrdeutig sind oder sich nicht von anderen Arbeitscodes 44 unterscheiden, basierend auf den Ergebnissen der Tests, die über den maschinellen Lernalgorithmus 32A durchgeführt wurden. Wie in 4 dargestellt, kann das Identifizieren und Klassifizieren von nicht eindeutigen Arbeitscodes 44A das Bilden eines Arbeitscodes verglichen mit der Ground Truth Class Confidence Matrix 46 beinhalten und das Bilden eines Arbeitscodes verglichen mit der Ground Truth Class Identity Matrix 48 daraus. Wie in 5 dargestellt, kann das Identifizieren und Klassifizieren von nicht eindeutigen Arbeitscodes ferner das Durchführen einer hierarchischen Arbeitscode-Klassifizierung über Zusammenführungsklassen in dem gebildeten Arbeitscode im Vergleich zu der Ground Truth Class Identity Matrix 50 beinhalten. Insbesondere in 4 und 5 stellen die Arbeitscodes LC₅ und LC₆ nicht eindeutige Arbeitscodes 44A dar.
Wie in 6 dargestellt, kann das Identifizieren und Klassifizieren von nicht eindeutigen Arbeitscodes 44A des Weiteren das Verfeinern der Arbeitscode-Klassifizierung über das Bild einer Class Confidence Matrix 52 und das Durchführen einer Bayes'schen Interferenzanalyse beinhalten. Insbesondere kann eine Bayes'sche Inferenzanalyse für die weitere Verfeinerung angewendet werden, wenn der Arbeitscode-Klassifikator LC₅ und das Ergebnis als richtig berichtet; aber wenn LC₆ gemeldet wird, besteht eine Möglichkeit, dass das Muster entweder zu LC₅ oder LC₆ gehört. Ähnlich wie in 4 und 5, stellen die Arbeitscodes _LC5 _{und LC}6 nicht eindeutige Arbeitscodes 44A dar. Im Allgemeinen ist die Bayes'sche Inferenz ein Verfahren zur statistischen Inferenz, bei dem das Bayes'sche Theorem verwendet wird, um die Wahrscheinlichkeit für eine Hypothese zu aktualisieren, sobald mehr Beweise oder Informationen verfügbar werden. Die Bayes'sche Inferenz ist eine wichtige Technik in der Statistik und insbesondere in der mathematischen Statistik. Die Bayes'sche Interferenz leitet die posteriore Wahrscheinlichkeit als Konsequenz zweier Vorläufer ab: eine frühere Wahrscheinlichkeit und eine „Wahrscheinlichkeitsfunktion“, abgeleitet von einem statistischen Modell für die beobachteten Daten. Die Bayes'sche Inferenz berechnet die posteriore Wahrscheinlichkeit gemäß dem Bayes'schen Theorem. Unter weiterer Bezugnahme auf 6, kann die Bayes'sche Inferenzanalyse für die nicht eindeutigen Arbeitscodes 44A m wie folgt ausgedrückt werden: $P (R e p o r t = L C_{6} | T r u t h = L C_{5}) = 0.46$
P(Truth = LC_i), i = 0, 5, 6 ist die bekannte frühere Wahrscheinlichkeitsverteilung
(unter der Annahme P(Truth = LC_i) = 1/3, i = 0, 5, 6) $\begin{array}{l} P (T = L C_{5} | R = L C_{6}) = \frac{P (R = L C_{6} | T = L C_{5}) \cdot P (T = L C_{5})}{P (T = L C_{6})} \\ = \frac{P (R = L C_{6} | T = L C_{5}) \cdot P (T = L C_{5})}{\sum_{i = 0,5,6} P (R = L C_{6} | T = L C_{i}) \cdot P (T = L C_{i})} = \frac{0.46 * 1 / 3}{0 * 1 / 3 + 0.46 * 1 / 3 + 0.99 * 1 / 3} = 0.32 \end{array}$
wobei LC₅ und LC₆ ₆ nicht eindeutige Arbeitscodes 44A sind, die in den 4-6 dargestellt sind.
Nach dem Identifizieren und Klassifizieren der nicht eindeutigen Arbeitscodes 44A, beinhaltet der Algorithmus 32 ferner das Speichern in der Datenbank 20 oder auf einem Server 54 (dargestellt in 1), der mit dem Zentralcomputer 22 verbunden ist der identifizierten und klassifizierten, nicht eindeutigen Arbeitscodes 44A. Auf die Datenbank 20 und/oder den Server 54 kann von Remote-Computer(n) 26 zugegriffen werden. Der Computer 26 kann Teil eines Computernetzwerks 56 (dargestellt in 1) in elektronischer Verbindung mit der Datenbank 20 sein, die sich in einem Servicecenter befindet, und auf die durch einen Techniker zugegriffen werden kann. Als ein Ergebnis können die identifizierten und klassifizierten, nicht eindeutigen Arbeitscodes 44A auf Anforderung an einen Servicetechniker zum Durchführen einer Diagnose und nachfolgender Reparatur einer Grundursache der Echtzeit-Fahrzeugfehler-Daten 36-1 kommuniziert werden.
7 zeigt ein Verfahren 100 der Grundursachendiagnose 34 von Fehlerdaten vom Fahrzeug 10 und der Flotte 10A, wie vorstehend mit Bezug auf die 1-6 beschrieben. Wie vorstehend beschrieben, soll das Verfahren 100 im Algorithmus 32 ausgeführt werden und maschinelles Lernen anwenden, um die GrundursachenDiagnose 34 durchzuführen. Wie vorstehend erläutert, kann die Grundursachendiagnose 34 speziell zur Diagnose und Reparatur intermittierender Systemfehler 18 verwendet werden.
Das Verfahren 100 beginnt in Rahmen 102 mit dem Identifizieren des ersten Fahrzeugfehlers 36-1. Nach dem Rahmen 102 fährt das Verfahren mit dem Rahmen 104 fort. In Rahmen 104 beinhaltet das Verfahren das Auswählen aus dem Feld, wie beispielsweise der Fahrzeugflotte 10A, Reparaturdaten über den elektronischen Prozessor 22A, beispielsweise der zentralen Steuerung 22, das Fahrzeugmerkmal 38-1 entsprechend dem identifizierten ersten Fahrzeugfehler 36-1. Wie vorstehend beschrieben, kann das Auswählen des Fahrzeugmerkmals 38-1 aus den Feldreparaturdaten das Auswählen der Feldreparaturdaten gemäß einer Fahrzeugflotte 10A beinhalten.
Des Weiteren kann das Auswählen des Fahrzeugmerkmals 38-1, das dem identifizierten ersten Fahrzeugfehler 36-1 entspricht, das Auswählen des Fahrzeugmerkmals aus einem vordefinierten Satz 38A von Fahrzeugmerkmalen beinhalten. Das Auswählen des Fahrzeugmerkmals 38-1 aus dem vordefinierten Satz 38A von Fahrzeugmerkmalen über den Algorithmus 32 kann das Identifizieren des zweiten Fahrzeugfehlers 36-2 beinhalten, der nicht mit dem ersten Fahrzeugfehler 36-1 verbunden ist. Auch würde das Auswählen des Fahrzeugmerkmals 38-1 aus dem vordefinierten Satz 38A auch das Vergleichen von Wahrscheinlichkeitsverteilungen der Fahrzeugmerkmale aus dem vordefinierten Satz 38A von Fahrzeugmerkmalen für den ersten Fahrzeugfehler 36-1 und für den zweiten Fahrzeugfehler 36-2 beinhalten.
Weiterhin kann der Algorithmus 32 das Entfernen des Fahrzeugmerkmals 38-2, das im Wesentlichen oder statistisch äquivalenten Wahrscheinlichkeitsverteilungen für den ersten Fahrzeugfehler 36-1 und für den zweiten Fahrzeugfehler 36-2 aus dem vordefinierten Satz 38A von Fahrzeugmerkmalen beinhalten. Wie vorstehend beschrieben kann ein derartiger Vergleich der Wahrscheinlichkeitsverteilungen der Fahrzeugmerkmale für die ersten und zweiten Fahrzeugfehler 36-1, 36-2 über eine Jensen-Shannon Divergenz-(JSD)-Analyse durchgeführt werden. Des Weiteren kann das Entfernen des Fahrzeugmerkmals 38-3 mit einer ausreichenden Korrelation zum entfernten Fahrzeugmerkmal 38-2 aus dem vordefinierten Satz 38A über die Korrelationskoeffizienten-Verteilungsanalyse bestimmt werden.
Im Rahmen 104 kann das Verfahren ferner das Entfernen eines Fahrzeugmerkmals aus dem vordefinierten Satz von Fahrzeugmerkmalen 38A beinhalten, das eine ausreichende oder hohe Korrelation zum entfernten Fahrzeugmerkmal 38-2 hat. Wie vorstehend beschrieben, kann die ausreichende Korrelation kann mittels Pearson-Korrelationskoeffizienten-Verteilungsanalyse bestimmt werden. Nach dem Rahmen 104 fährt das Verfahren mit dem Rahmen 106 fort. Im Rahmen 106 beinhaltet das Verfahren das Identifizieren aus den Feld-Reparaturdaten, wie über den elektronischen Prozessor 22A, eine wirksame Reparatur 40 des identifizierten ersten Fahrzeugfehlers 36-1. Das Identifizieren einer effektiven Reparatur 40 des ersten Fahrzeugfehlers 36-1 kann das Identifizieren von mindestens einem von einer vorbestimmten Zeitdauer T und einer vorbestimmten Entfernung D, die vom Fahrzeug 10 nach der Reparatur 40 ohne Wiederholung des ersten Fahrzeugfehlers 36-1 zurückgelegt wird, beinhalten.
Nach dem Rahmen 106 fährt das Verfahren mit dem Rahmen 108 fort. Im Rahmen 108 beinhaltet das Verfahren das Bestimmen, wie durch Schulung und Tests über den maschinellen Lernalgorithmus 32A, des Arbeitscode-Klassifikators 42 unter Verwendung der effektiven Reparatur 40 des ersten Fahrzeugfehlers 36-1 und des ausgewählten Fahrzeugfehlers 38-1 entsprechend dem identifizierten ersten Fahrzeugfehler. Nach dem Rahmen 108 fährt das Verfahren mit dem Rahmen 110 fort. Wie vorstehend in Bezug auf die 1-6 beschrieben, beinhaltet das Verfahren in Rahmen 110 das Identifizieren und Klassifizieren, beispielsweise über den elektronischen Prozessor 22A, unter Verwendung des trainierten Arbeitscode-Klassifikators 42, um dadurch nicht eindeutige Arbeitscodes 44A zu isolieren.
Das Identifizieren und Klassifizieren von nicht eindeutigen Arbeitscodes 44A im Rahmen 110 kann das Bilden eines Arbeitscodes verglichen mit der Ground Truth Class Confidence Matrix 46 und das Bilden eines Arbeitscodes verglichen mit der Ground Truth Class Identity Matrix 48 davon beinhalten. Das Identifizieren und Klassifizieren von nicht eindeutigen Arbeitscodes 44A kann ferner das Durchführen einer hierarchischen Arbeitscode-Klassifizierung über das Zusammenführen von Klassen in dem gebildeten Arbeitscode im Vergleich zu der Ground Truth Class Identity Matrix 48 beinhalten. Darüber hinaus kann das Identifizieren und Klassifizieren von nicht eindeutigen Arbeitscodes 44A das Verfeinern der Arbeitscode-Klassifizierung über die Bayes'sche Inferenzanalyse beinhalten. Nach dem Rahmen 110 fährt das Verfahren mit dem Rahmen 112 fort. Im Rahmen 112 beinhaltet das Verfahren das Kommunizieren der identifizierten und klassifizierten nicht eindeutigen Arbeitscodes 44A zur Diagnose einer Grundursache der ersten Fahrzeugfehlerdaten 36-1 in Echtzeit. Nach Rahmen 112 kann das Verfahren zum Rahmen 102 zurückkehren, um einen zusätzlichen Fehler im Fahrzeug 10 zu identifizieren, d. h. sich von dem zuvor identifizierten ersten Fahrzeugfehler 36-1 für eine ähnliche Analyse unterscheiden.
Die ausführliche Beschreibung und die Zeichnungen oder Figuren unterstützen und beschreiben die Offenbarung, doch der Umfang der Offenbarung ist einzig und allein durch die Ansprüche definiert. Während ein paar der besten Arten und Weisen und weitere Ausführungsformen der beanspruchten Offenbarung ausführlich beschrieben wurden, gibt es verschiedene alternative Konstruktionen und Ausführungsformen zur Umsetzung der Offenbarung in den angehängten Ansprüchen.
Darüber hinaus sollen die in den Zeichnungen dargestellten Ausführungsformen oder die Merkmale von verschiedenen Ausführungsformen, die in der vorliegenden Beschreibung erwähnt sind, nicht unbedingt als voneinander unabhängige Ausführungsformen aufgefasst werden. Vielmehr ist es möglich, dass jedes der in einem der Beispiele einer Ausführungsform beschriebenen Merkmale mit einem oder mehreren anderen gewünschten Merkmalen aus anderen Ausführungsformen kombiniert werden kann, was andere Ausführungsformen zur Folge hat, die nicht in Worten oder durch Bezugnahme auf die Zeichnungen beschrieben sind. Dementsprechend fallen derartige andere Ausführungsformen in den Rahmen des Schutzumfangs der beigefügten Ansprüche.

Claims

Verfahren zur Grundursachendiagnose von Fehlerdaten von einem Fahrzeug, das Verfahren umfassend: Identifizieren eines ersten Fahrzeugfehlers; Auswählen eines Fahrzeugmerkmals aus einem Feld-Reparaturdaten, das dem identifizierten ersten Fahrzeugfehler entspricht, über einen ausführbaren Computeralgorithmus; Identifizieren einer effektiven Reparatur des identifizierten ersten Fahrzeugfehlers aus den Feld-Reparaturdaten, über den ausführbaren Computeralgorithmus; Schulen und Testen über einen Maschinenlernalgorithmus, einen Arbeitscode-Klassifikator unter Verwendung der identifizierten wirksamen Reparatur des ersten Fahrzeugfehlers und des ausgewählten Fahrzeugmerkmals entsprechend dem identifizierten ersten Fahrzeugfehler; Identifizieren und Klassifizieren nicht eindeutiger Arbeitscodes, über den ausführbaren Computeralgorithmus, unter Verwendung des trainierten Arbeitscode-Klassifikators; und Kommunizieren der identifizierten und klassifizierten nicht eindeutigen Arbeitscodes zur Diagnose einer Grundursache der ersten Fahrzeugfehlerdaten in Echtzeit.
Verfahren nach Anspruch 1, ferner umfassend das Auswählen der Feldreparaturdaten von einer Fahrzeugflotte.
Das Verfahren nach Anspruch 1, wobei das Auswählen eines Fahrzeugmerkmals, das dem identifizierten ersten Fahrzeugfehler entspricht, das Auswählen des Fahrzeugmerkmals aus einem vordefinierten Satz von Fahrzeugmerkmalen beinhaltet.
Das Verfahren nach Anspruch 3, wobei das Auswählen des Fahrzeugmerkmals aus einem vordefinierten Satz von Fahrzeugmerkmalen Folgendes beinhaltet: Identifizieren eines zweiten Fahrzeugfehlers, der nicht mit dem ersten Fahrzeugfehler in Beziehung steht; Vergleichen von Wahrscheinlichkeitsverteilungen der Fahrzeugmerkmale aus dem vordefinierten Satz von Fahrzeugmerkmalen für den ersten Fahrzeugfehler und für den zweiten Fahrzeugfehler; und Entfernen eines Fahrzeugmerkmals aus dem vordefinierten Satz von Fahrzeugmerkmalen, das statistisch äquivalente Wahrscheinlichkeitsverteilungen für den ersten Fahrzeugfehler und für den zweiten Fahrzeugfehler hat.
Das Verfahren nach Anspruch 4, beinhaltet ferner das Entfernen eines Fahrzeugmerkmals aus dem vordefinierten Satz von Fahrzeugmerkmalen, das eine ausreichende Korrelation zum entfernten Fahrzeugmerkmal hat.
Verfahren nach Anspruch 5, wobei die ausreichende Korrelation über die Pearson-Korrelationskoeffizienten-Verteilungsanalyse bestimmt wird.
Verfahren nach Anspruch 1, wobei das Identifizieren einer effektiven Reparatur des ersten Fahrzeugfehlers das Identifizieren von mindestens einem von einer vorbestimmten Zeitdauer und einer vorbestimmten Entfernung, die vom Fahrzeug nach der Reparatur ohne Wiederholung des ersten Fahrzeugfehlers zurückgelegt wird, beinhaltet.
Verfahren nach Anspruch 1, wobei das Identifizieren und Klassifizieren von nicht eindeutigen Arbeitscodes das Bilden eines Arbeitscodes verglichen mit der Ground Truth Class Confidence Matrix beinhaltet und das Bilden eines Arbeitscodes verglichen mit der Ground Truth Class Identity Matrix davon.
Verfahren nach Anspruch 8, wobei die identifizierenden und klassifizierenden nicht eindeutigen Arbeitscodes des Weiteren das Durchführen einer hierarchischen Arbeitscode-Klassifizierung über das Zusammenführen von Klassen im gebildeten Arbeitscode verglichen mit der Ground Truth Class Identity Matrix beinhaltet.
Verfahren nach Anspruch 9, wobei das Identifizieren und Klassifizieren von nicht eindeutigen Arbeitscodes ferner das Verfeinern der Arbeitscode-Klassifizierung über Bayes'sche Inferenzanalysen beinhaltet.