JP2014234113A - Vehicular reference value generation apparatus - Google Patents
Vehicular reference value generation apparatus Download PDFInfo
- Publication number
- JP2014234113A JP2014234113A JP2013118144A JP2013118144A JP2014234113A JP 2014234113 A JP2014234113 A JP 2014234113A JP 2013118144 A JP2013118144 A JP 2013118144A JP 2013118144 A JP2013118144 A JP 2013118144A JP 2014234113 A JP2014234113 A JP 2014234113A
- Authority
- JP
- Japan
- Prior art keywords
- vehicle
- reference value
- unit
- driving
- pattern
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
Description
本発明は、車両の異常を判別するための基準値を生成する車両用基準値生成装置に関するものである。 The present invention relates to a vehicular reference value generation device that generates a reference value for discriminating a vehicle abnormality.
従来、車両の故障診断において、故障の早期発見や原因究明のために、車両の異常状態の検出が検討されている。そのために、正常時又は異常時の運転データから、運転データの正常値である基準値を学習しておき、運転データがこの基準値の範囲でない場合に車両の異常と判別する装置が検討されている。 Conventionally, in vehicle failure diagnosis, detection of an abnormal state of a vehicle has been studied for early detection of the failure and investigation of the cause. For this purpose, a device that learns a reference value that is a normal value of driving data from normal or abnormal driving data and determines that the vehicle is abnormal when the driving data is not within the range of the reference value has been studied. Yes.
しかしながら、車両の運転状況には、環境条件や走行パターンに応じた様々な運転シーンがあり、個々の運転シーンによって各種の運転データが取り得る基準値の範囲も個別に変化し得ると考えられる。従って、上記装置を実現するためには、様々な運転シーンの下での各種の運転データの基準値を決定する必要があった。 However, there are various driving scenes according to environmental conditions and driving patterns in the driving situation of the vehicle, and it is considered that the range of reference values that can be taken by various driving data can be changed individually depending on the individual driving scenes. Therefore, in order to realize the above-described device, it is necessary to determine reference values for various operation data under various operation scenes.
そこで、この問題を解決する手段として、例えば、特許文献1には、以下の基準値生成装置が開示されている。特許文献1に開示の基準値生成装置では、エンジン回転数や車速といった各運転データについて、近似した状態にある運転データを同じグループにクラスタリングすることによって、運転シーンが近似した運転データごとにグループ分けする。そして、そのグループごとに、運転データの値の頻度から基準値を決定する。
Thus, as means for solving this problem, for example,
しかしながら、特許文献1に開示の基準値生成装置では、運転データの瞬間的な値を基準値としているため、例えば瞬間的には同じ「加速時」を示す運転データの値であった場合に、停止状態からの加速した場合の「加速時」と、減速後に加速した場合の「加速時」とを区別することができなかった。よって、減速後の加速では発生しないが、停止状態から加速した場合に発生し得る異常のような、特定の履歴を持った運転データの時系列パターンに特有の異常を異常として判別するための基準値を生成することができなかった。
However, in the reference value generation device disclosed in
本発明は、上記従来の問題点に鑑みなされたものであって、その目的は、車両のより多くの種類の異常を異常と判別できる基準値を生成することを可能にする車両用基準値生成装置を提供することにある。 The present invention has been made in view of the above-described conventional problems, and its purpose is to generate a reference value for a vehicle that makes it possible to generate a reference value that can distinguish more types of abnormality of the vehicle as abnormal. To provide an apparatus.
本発明の車両用基準値生成装置は、車両の運転者による操作、車両の状態、運転者の状態、及び車両の走行環境の少なくとも1つを含む、車両に関する情報である運転データを逐次取得する運転データ取得部(11)と、運転データ取得部で取得した、時系列に並んだ運転データを、繰り返し現れる運転データの変化のパターン単位(以下、運転シーン)に区分けし、運転シーンごとに分類する分類部(21)と、パターン単位の運転データを表現する特徴であるパターン特徴を抽出する特徴抽出部(22)と、特徴抽出部で抽出したパターン特徴を、分類部で分類した運転シーンに基づいて蓄積する蓄積部(23)と、蓄積部に蓄積されているパターン特徴から、車両の異常を判別するための基準値を生成する基準値生成部(24)とを備えることを特徴としている。 The vehicle reference value generation device according to the present invention sequentially acquires driving data, which is information relating to a vehicle, including at least one of an operation by a driver of the vehicle, a state of the vehicle, a state of the driver, and a driving environment of the vehicle. The operation data acquired by the operation data acquisition unit (11) and the operation data acquisition unit is divided into time-series operation data pattern units (hereinafter referred to as operation scenes) that repeatedly appear and classified for each operation scene. A classifying unit (21), a feature extracting unit (22) for extracting pattern features which are features expressing driving data in pattern units, and pattern features extracted by the feature extracting unit into driving scenes classified by the classifying unit. And a reference value generation unit (24) for generating a reference value for discriminating a vehicle abnormality from the pattern features stored in the storage unit. It is characterized in Rukoto.
これによれば、特徴抽出部で抽出するパターン特徴は、時系列に並んだ運転データの繰り返し現れるパターンを表現する特徴となる。そして、基準値生成部は、分類部で分類した運転シーンに基づいて蓄積されているこのパターン特徴から、車両の異常を判別するための基準値を生成する。そのため、特定の履歴を持った運転データの時系列パターンは、他の履歴を持った運転データの時系列パターンと異なる基準値を持つことになり、特定の履歴を持った運転データ特有の異常を、異常と判別するための基準値を生成することが可能になる。その結果、車両のより多くの種類の異常を異常と判別できる基準値を生成することが可能になる。また、本発明により、従来よりも多くの異常状態を判別し、故障の早期発見や自動診断をすることが可能となる。 According to this, the pattern feature extracted by the feature extraction unit is a feature expressing a pattern that repeatedly appears in the operation data arranged in time series. Then, the reference value generation unit generates a reference value for determining a vehicle abnormality from the pattern features accumulated based on the driving scene classified by the classification unit. Therefore, the time series pattern of operation data with a specific history will have a different reference value from the time series pattern of operation data with other history, and an abnormality peculiar to operation data with a specific history will be detected. It becomes possible to generate a reference value for determining an abnormality. As a result, it is possible to generate a reference value that can distinguish more types of abnormality of the vehicle as abnormalities. Further, according to the present invention, it is possible to discriminate more abnormal states than in the past, and to make early detection of failures and automatic diagnosis.
以下、本発明の実施形態について図面を用いて説明する。 Hereinafter, embodiments of the present invention will be described with reference to the drawings.
(実施形態1)
図1は、本発明が適用された車両診断ユニット100の概略的な構成を示すブロック図である。図1に示す車両診断ユニット100は、運転データ収集装置1、診断装置2、及び提示装置3を含んでいる。運転データ収集装置1と診断装置2とからなる構成が、請求項の車両用基準値生成装置に相当する。
(Embodiment 1)
FIG. 1 is a block diagram showing a schematic configuration of a vehicle
運転データ収集装置1は、車両に搭載されて、図2に示すように、データ取得部11及びデータ記憶部12を備える。データ取得部11は、自車の各種センサの検出値を逐次取得し、データ記憶部12に保存する。データ取得部11が請求項の運転データ取得部に相当する。データ取得部11は、例えばCAN(controller area network)などの通信プロトコルに準拠した車内LANを介して自車のセンサの検出値を取得する構成としてもよいし、ジカ線を介して自車のセンサの検出値を取得する構成としてもよい。
The driving
自車の各種センサの検出値としては、ドライバによる自車の運転操作に関する情報(以下、運転操作情報)、その運転操作の結果として表れる自車の挙動や挙動以外の状態に関する情報(以下、車両状態情報)、当該ドライバの状態に関する情報(以下、ドライバ状態情報)などがある。
運転操作情報を計測するセンサとしては、アクセル開度を計測するアクセルセンサ、ブレーキペダルの踏み込み量やブレーキマスタシリンダ圧を計測するブレーキセンサ、ステアリングホイールの操舵角度を計測するステアリングセンサ等が挙げられる。他にも、方向指示器を作動させるためのウインカースイッチや、トランスミッションのシフト位置を検出するシフトポジションセンサ等も挙げられる。
The detection values of the various sensors of the vehicle include information related to the driving operation of the vehicle by the driver (hereinafter referred to as driving operation information), information related to the behavior of the vehicle and states other than the behavior appearing as a result of the driving operation (hereinafter referred to as vehicle Status information), information on the status of the driver (hereinafter referred to as driver status information), and the like.
Examples of the sensor that measures driving operation information include an accelerator sensor that measures an accelerator opening, a brake sensor that measures a depression amount of a brake pedal and a brake master cylinder pressure, and a steering sensor that measures a steering angle of a steering wheel. In addition, there are a winker switch for operating the direction indicator, a shift position sensor for detecting a shift position of the transmission, and the like.
車両状態情報を計測するセンサとしては、車両の走行速度(以下、車速)を計測する速度センサ、車両の前後方向や横方向の加速度を計測する加速度センサ、エンジン回転数を計測するクランク角センサ、エンジン冷却水温を計測する温度センサ、吸入空気量を計測するエアフロメータ等が挙げられる。
ドライバ状態情報を計測するセンサとしては、ドライバの心拍を計測する心拍センサ、ドライバの視線を計測する視線センサ、及びドライバの表情を計測する車室内カメラ等が挙げられる。
Sensors that measure vehicle state information include a speed sensor that measures the traveling speed of the vehicle (hereinafter referred to as a vehicle speed), an acceleration sensor that measures the longitudinal and lateral acceleration of the vehicle, a crank angle sensor that measures the engine speed, A temperature sensor that measures the engine coolant temperature, an air flow meter that measures the intake air amount, and the like can be given.
Examples of sensors that measure driver status information include a heart rate sensor that measures a driver's heart rate, a gaze sensor that measures the driver's line of sight, and a vehicle interior camera that measures the driver's facial expression.
データ取得部11は、単にセンサからの検出値をデータ記憶部12に保存するばかりでなく、運転操作情報、車両状態情報、及びドライバ状態情報について、その微分値に相当する微分値情報を算出し、併せてデータ記憶部12に保存する構成としてもよい。
The
例えば、ステアリングセンサの検出信号を取得する場合には、操舵角度の微分値情報である操舵速度を、操舵方向を表す正負の符号とともに算出し、保存する構成とすればよい。また、アクセルセンサやブレーキセンサの検出値を取得する場合には、アクセル開度やブレーキマスタシリンダ圧から、微分値情報に相当する踏み込み速度を、踏み増し又は踏み戻し方向を表す正負の符号とともに算出し、保存する構成とすればよい。なお、データ取得部11は、各センサによる検出値の微分値そのものではなく、単なる差分値を微分値情報として算出する構成としてもよい。
For example, when the detection signal of the steering sensor is acquired, the steering speed that is the differential value information of the steering angle may be calculated and stored together with positive and negative signs representing the steering direction. In addition, when obtaining the detection value of the accelerator sensor or brake sensor, the stepping speed corresponding to the differential value information is calculated from the accelerator opening and the brake master cylinder pressure together with positive and negative signs indicating the stepping-up or stepping-back direction. And a configuration for saving. In addition, the
このように、運転者操作情報、車両状態情報、及びドライバ状態情報の微分値情報を用いることにより、運転者の操作による車両の状態変化の傾向を適切に表すことが可能となる。車両の運転操作及び車両の状態に関しては、その大きさのみが問題となる訳ではなく、むしろ、その変化の傾向が重要となる。 In this way, by using the driver operation information, the vehicle state information, and the differential value information of the driver state information, it is possible to appropriately represent the tendency of the vehicle state change due to the driver's operation. Regarding the driving operation of the vehicle and the state of the vehicle, not only the size is a problem, but rather the tendency of the change is important.
例えば、右方向への操舵角が増加するようにステアリングホイールを操舵しているときには、車両は右方向への旋回を強めている状態であるのに対し、中立位置へ戻しているときには、旋回状態が弱められ直進に近づいている状態である。アクセルペダルやブレーキペダルの操作も同様であり、踏み増ししているときは車速やエンジン回転数が増加し、踏み戻しているときでは、車速もエンジン回転数も減少するように、車両の挙動は全く異なるものとなる。微分値情報を用いた場合、このような変化の傾向を情報として表すことができる。 For example, when the steering wheel is being steered so that the steering angle in the right direction increases, the vehicle is in a state where the turning to the right is intensified, whereas when the vehicle is returning to the neutral position, the turning state Is weakened and is approaching straight ahead. The operation of the accelerator pedal and brake pedal is the same.The vehicle speed and engine speed increase when the pedal is increased, and the vehicle speed and engine speed decrease when the pedal is returned. It will be completely different. When differential value information is used, such a change tendency can be expressed as information.
また、データ取得部11は、自車の走行環境に関する情報(以下、走行環境情報)を取得して、データ記憶部12に保存する構成としてもよい。走行環境情報を検出するセンサとしては、周辺環境センサ、車内環境センサ、GPS受信機、及び道路情報データベースなどが挙げられる。
The
周辺環境センサとしては、例えば、外気温を計測する温度センサや、前方を走行する車両や障害物までの距離を計測するレーダ装置を用いることができ、このレーダ装置は、先行車両の有無や、先行車両が存在する場合に、その先行車両までの距離を計測したりするために使用される。また、車内環境センサとしては、例えば、車室内の音声を計測するマイクを用いることができ、このマイクは、車室内の会話の有無や、会話が存在する場合に、その会話の内容を検出するために使用される。 As the ambient environment sensor, for example, a temperature sensor that measures the outside air temperature, or a radar device that measures the distance to a vehicle or an obstacle that travels in front of the vehicle can be used. When a preceding vehicle exists, it is used to measure the distance to the preceding vehicle. In addition, as the vehicle interior environment sensor, for example, a microphone that measures the sound in the vehicle interior can be used, and this microphone detects the presence or absence of conversation in the vehicle interior and the content of the conversation when there is a conversation. Used for.
また、GPS受信機と道路情報データベースとを用いることで、車両が走行している道路状況を把握できる。例えば、車両が走行している道路が、高速道路か一般道路か、複数車線からなる道路か一本の車線しかない道路か、車両の走行位置前方に交差点や分岐ポイントが存在するか等を把握できる。 Further, by using the GPS receiver and the road information database, it is possible to grasp the road situation where the vehicle is traveling. For example, whether the road on which the vehicle is traveling is an expressway or a general road, whether it is a road with multiple lanes or a single lane, and whether there are intersections or branch points ahead of the vehicle's travel position it can.
このような周辺環境センサ、車内環境センサ、GPS受信機及び道路情報データベースから得られる情報は、車両状態及びドライバ状態に対する影響が大きい。このため、これらの情報も用いることで、後述する離散化処理での区分けの精度や、後述するパターン抽出処理での分節化の精度を高めることができる。 Such information obtained from the surrounding environment sensor, the in-vehicle environment sensor, the GPS receiver, and the road information database has a great influence on the vehicle state and the driver state. For this reason, by using these pieces of information, it is possible to improve the accuracy of segmentation in the discretization process described later and the accuracy of segmentation in the pattern extraction process described later.
各種センサから取得する運転操作情報、車両状態情報、走行環境情報、ドライバ状態情報や、これらの微分値情報といった、データ取得部11が取得する情報を、以降では運転データと呼ぶ。また、データ取得部11は、逐次取得する運転データに、その運転データを検出や取得したときの時刻の情報(つまり、タイムスタンプ)を紐付けしてデータ記憶部12に保存する。
Information acquired by the
続いて、診断装置2は、主にマイクロコンピュータとして構成され、何れも周知のCPU、ROM・RAM・EEPROM等のメモリ、I/O、及びこれらを接続するバスによって構成される。診断装置2は車両で用いられる。
Subsequently, the
診断装置2は、自車の運転データ収集装置1のデータ記憶部12に蓄積されている運転データを取得する。診断装置2が取得した運転データについては、データ記憶部12から消去する構成とすればよい。
The
そして、診断装置2は、取得した運転データに基づき、ROMに記憶された各種の制御プログラムを実行することで、車両の異常の有無を判別するための基準値を後述する運転シーンごとに生成する基準値生成関連処理を行う。また、診断装置2は、車両の異常の有無を判別する異常診断関連処理を行う。
And the
図3に示すように、診断装置2は、機能ブロックとして、運転シーン分類部21、診断特徴抽出部22、診断特徴蓄積部23、基準値生成部24、基準値格納部25、及び異常診断部26を備えている。診断特徴蓄積部23及び基準値格納部25は、例えばRAMやEEPROM等の電気的に書き換え可能なメモリやHDD等の時期的に書き換え可能なストレージに構築されるものとする。
As shown in FIG. 3, the
運転シーン分類部21は、運転データ収集装置1から取得した運転データを、前述のタイムスタンプをもとに時系列に並べ、時系列に並んだ運転データをいくつかのまとまりに分割する。運転シーン分類部21が請求項の分類部に相当する。本実施形態では、運転データとして、アクセル開度、ブレーキマスタシリンダ圧、操舵角度、車速、ブレーキマスタシリンダ圧の微分値、及び操舵角度の微分値といった6種類の運転データを用いる場合を例に挙げて以降の説明を行う。
The driving
運転データは、環境条件や走行パターンによって大きく変動する。図4は時系列に並んだ6種類の運転データの一例を示すグラフである。図4に示すように、各運転データは様々な値をとっているが、Aで示すように特定の領域では、同じようなパターンが繰り返し発生している。 The driving data varies greatly depending on environmental conditions and driving patterns. FIG. 4 is a graph showing an example of six types of operation data arranged in time series. As shown in FIG. 4, each operation data takes various values, but as shown by A, a similar pattern repeatedly occurs in a specific region.
運転シーン分類部21では、上述したようなパターンを抽出する。そのために、運転シーン分類部21は、一例として、二重分節構造解析によって、時系列に並んだ運転データを分割する。これは時系列データに対して離散化を行う離散化処理の後、離散化処理によって得られた離散系列において繰り返し現れるパターンを抽出するパターン抽出処理を行うといった2段階の処理によって、自動的に運転シーンごとに運転データの分割を行って分類を行うものである。二重分節構造解析の概要について、以下に示す。
The driving
離散化処理では、図5に示すように、時系列に並んだ6種類の運転データを、区分単位となる車両の状態ごとに区分けしつつ、その区分けされた各運転データから把握される車両の状態に対応するドライビング記号(C1、C2、C3、C4、C5、…)によって表すことにより、記号列を生成する。 In the discretization process, as shown in FIG. 5, six types of driving data arranged in time series are classified according to the state of the vehicle as a unit of division, and the vehicle data grasped from each of the divided driving data. A symbol string is generated by representing the driving symbol (C1, C2, C3, C4, C5,...) Corresponding to the state.
つまり、離散化処理では、入力される6種類の各運転データを次元とする空間において、各運転データから把握される各種の車両の状態をクラスタとし、各運転データの組み合わせがいずれのクラスタに属するかを統計的に処理することにより、経時的に変化する各運転データを区分単位となる車両の状態ごと(つまり、クラスタごと)に区分けする。さらに、離散化処理では、各運転データの組み合わせが属するクラスタに対応する記号(C1、C2、C3、C4、C5、…)によって、区分けされた各信号を表すことにより、記号列を生成する。 In other words, in the discretization process, various vehicle states grasped from each driving data are defined as clusters in a space having the six types of driving data input as dimensions, and any combination of the driving data belongs to any cluster. By statistically processing this, each driving data that changes with time is classified for each vehicle state (that is, for each cluster) as a classification unit. Further, in the discretization process, a symbol string is generated by representing each divided signal by a symbol (C1, C2, C3, C4, C5,...) Corresponding to the cluster to which each combination of operation data belongs.
本実施形態では、離散化処理に、隠れ状態とその状態間の確率的遷移で表現されるモデルの一つである階層ディリクレ過程隠れマルコフモデル(HDP−HMM)を利用する。HDP−HMMは、HMMに無限次元の隠れ状態(クラスタに相当)を仮定することにより、入力される各信号に応じて隠れ状態の数を決定するという柔軟さを有する。そのため、HMMを利用する際に、隠れ状態数を事前に設計する必要がないという利点を有する。特に、HDP−HMMとして、スティッキーHDP−HMMを用いることが好ましい。スティッキーHDP−HMMは、HDP−HMMの自己遷移確率にバイアスを付加したもので、自己遷移確率を大きくすることにより、隠れ状態の過剰遷移を抑えることができ、動作の連続性を仮定するモデリングを効率的に行うことが可能となる。 In this embodiment, a hierarchical Dirichlet process hidden Markov model (HDP-HMM), which is one of models expressed by a hidden state and a stochastic transition between the states, is used for the discretization process. The HDP-HMM has the flexibility to determine the number of hidden states according to each input signal by assuming an infinite dimensional hidden state (corresponding to a cluster) in the HMM. Therefore, there is an advantage that it is not necessary to design the number of hidden states in advance when using the HMM. In particular, it is preferable to use sticky HDP-HMM as the HDP-HMM. Sticky HDP-HMM adds a bias to the self-transition probability of HDP-HMM. By increasing the self-transition probability, excessive transition of hidden states can be suppressed, and modeling assuming continuity of operation is performed. It becomes possible to carry out efficiently.
このようなHDP−HMMやスティッキーHDP−HMMに関しては、例えば「階層ディリクレ過程隠れマルコフモデルを用いた非分節動作模倣学習手法」(計測自動制御学会システム・情報部門学術講演会(2010))に詳しく説明されているため、これ以上の説明は省略する。 For such HDP-HMM and Sticky HDP-HMM, for example, see “Non-segmental motion imitation learning method using hierarchical Dirichlet process hidden Markov model” (Academic Lecture Meeting of the Society of Instrument and Control Engineers System and Information Division (2010)). Since it is described, further description is omitted.
なお、離散化処理は、上述したHDP−HMMに限らず、他のモデルを利用して行うことも可能である。例えば、一般的なHMMやN次マルコフモデル、階層マルコフモデル、スイッチングARモデル、スイッチングカルマンフィルタなどのモデルを用いることも可能である。この場合、例えば、予め各モデルの隠れ状態数の設計を行い、その隠れ状態数に従って各隠れ状態のパラメータ及び隠れ状態間の遷移確率を予め算出、もしくは逐次的に更新していく。そして、それらの隠れ状態のパラメータ及び隠れ状態間の遷移確率に基づき、隠れ状態の事後確率を算出することにより、最も尤もらしい隠れ状態(クラスタ)を得ることができる。 Note that the discretization process is not limited to the HDP-HMM described above, and can be performed using another model. For example, it is possible to use a model such as a general HMM, an Nth order Markov model, a hierarchical Markov model, a switching AR model, or a switching Kalman filter. In this case, for example, the number of hidden states of each model is designed in advance, and the parameters of each hidden state and the transition probability between hidden states are calculated in advance or sequentially updated according to the number of hidden states. Then, the most likely hidden state (cluster) can be obtained by calculating the posterior probability of the hidden state based on the parameters of the hidden state and the transition probability between the hidden states.
続いて、パターン抽出処理では、図5に示すように、離散化処理で得られた記号列を、運転シーンを意味するドライビングワード(W1、W2、W3、…)ごとに分節化する。つまり、パターン抽出処理では、記号列における各ドライビング記号が、単独で、又は複数個集まって、運転シーン(例えば、発進、停止、定速走行、カーブにおける旋回、交差点の右折及び左折、右側車線及び左側車線への車線変更など)を意味するように分節化する。運転シーン分類部21は、パターン抽出処理で分節化した結果を、診断特徴抽出部22に入力する。
Subsequently, in the pattern extraction process, as shown in FIG. 5, the symbol string obtained by the discretization process is segmented for each driving word (W1, W2, W3,...) Meaning a driving scene. That is, in the pattern extraction process, each driving symbol in the symbol string is singly or gathered, and driving scenes (for example, starting, stopping, constant speed driving, turning in a curve, turning right and left at an intersection, right lane and Segmentation to mean left lane change). The driving
例えば、図5に示す例では、ドライビング記号C1は単独でドライビングワードW1に置き換えられる一方、ドライビング記号C2とC3とは統合されてドライビングワードW2とされる。また、ドライビング記号C2、C4、C5はドライビングワードW3とされる。このように、運転シーンを意味するドライビングワードごとに分節化して得られるドライビングワードの並びは、運転シーンの変化を示すものとなる。 For example, in the example shown in FIG. 5, the driving symbol C1 is replaced by the driving word W1 alone, while the driving symbols C2 and C3 are integrated into the driving word W2. The driving symbols C2, C4, and C5 are the driving word W3. In this way, the arrangement of driving words obtained by segmenting each driving word meaning a driving scene indicates a change in the driving scene.
本実施形態では、パターン抽出処理に、統計情報を利用した離散文字列の教師なしチャンク化手法の1例であるNested Pitman-Yor Language Model(NPYLM)を利用する。このNPYLMは、Hierarchical Pitman-Yor Language Model(HPYLM)に単語のN-gramモデルを組み込むことにより拡張したものであり、辞書データなしでの形態素解
析を実現したものである。HPYLMは、N-gram言語モデルにPitman-Yor過程によるスムージングを行うことで、未知語や低頻度語に対する頑強性を向上させ、適切な単語の分節化を可能としたものである。
In this embodiment, Nested Pitman-Yor Language Model (NPYLM), which is an example of an unsupervised chunking technique for discrete character strings using statistical information, is used for pattern extraction processing. This NPYLM has been expanded by incorporating an N-gram model of words into the Hierarchical Pitman-Yor Language Model (HPYLM), and realizes morphological analysis without dictionary data. HPYLM improves the robustness against unknown words and low-frequency words by smoothing the N-gram language model by the Pitman-Yor process, and enables appropriate word segmentation.
NPYLM及びHPYLMに関しては、「階層Pitman-Yor言語モデルを用いた動作解析」(第25回人工知能学会全国大会, 3B1-OS22c-8 .(2011))に詳しく説明されているので、これ以上の説明は省略する。 NPYLM and HPYLM are described in detail in “Analysis of Behavior Using Hierarchical Pitman-Yor Language Model” (The 25th Annual Conference of the Japanese Society for Artificial Intelligence, 3B1-OS22c-8. (2011)). Description is omitted.
なお、パターン抽出処理は、上述したNPYLMに限らず、他の手法によって分節化を行う構成としてもよい。例えば、車両を各種の走行態様で走行させたときに生成された記号列に基づき、予め所定のドライビングワードを設定して、ドライビングワード辞書を作成するとともに、各ドライビングワードの遷移確率や生成確率のデータベースを作成し、記憶させておく。そして、これらのドライビングワード辞書、遷移確率データベース、及び生成確率データベースを参照して、入力された記号列を最も確からしいドライビングワードごとに分節化してもよい。 Note that the pattern extraction process is not limited to the above-described NPYLM, and may be configured to perform segmentation by other methods. For example, based on a symbol string generated when the vehicle is driven in various driving modes, a predetermined driving word is set in advance to create a driving word dictionary, and the transition probability and generation probability of each driving word Create a database and store it. Then, referring to these driving word dictionaries, transition probability database, and generation probability database, the input symbol string may be segmented for each most probable driving word.
本実施形態では、二重分節構造解析によってドライビングワードごとに分節化された運転データを、パターン単位として以降の説明を行うが、必ずしもこれに限らない。例えば、ドライビングワードごとの分節化を行わずに、離散化処理の結果であるドライビング記号ごとに運転データを分類する構成としてもよく、この構成を採用した場合には、ドライビング記号ごとに分類された運転データをパターン単位とする。 In the present embodiment, the operation data segmented for each driving word by the double segment structure analysis is described below as a pattern unit, but the present invention is not necessarily limited thereto. For example, the operation data may be classified for each driving symbol that is the result of the discretization processing without performing segmentation for each driving word. When this configuration is adopted, the driving data is classified for each driving symbol. Use operation data as pattern units.
図3に戻って、診断特徴抽出部22は、運転シーン分類部21で運転シーンごとに分類したパターン単位の運転データの特徴(以下、診断特徴)を抽出する診断特徴抽出処理を行う。診断特徴が請求項のパターン特徴に相当し、診断特徴抽出部22が請求項の特徴抽出部に相当する。診断特徴抽出部22は、診断特徴抽出処理で抽出した診断特徴を診断特徴蓄積部23に蓄積したり、異常診断部26に入力したりする。なお、診断特徴蓄積部23に蓄積された診断特徴は、後述の基準値生成処理に用いられ、異常診断部26に入力された診断特徴は、後述の異常診断処理に用いられることになる。
Returning to FIG. 3, the diagnostic
ここで、診断特徴抽出部22での診断特徴の抽出について図6を用いて説明を行う。図6は、運転シーン分類部21によって分類された運転データの一例を示す図である。図6中の破線が運転シーン分類部21によって分類された運転シーンの切れ目である。
Here, the extraction of diagnostic features in the diagnostic
運転シーン分類部21によって分類された運転シーンが同一の時間帯における運転データは、類似した統計的性質を持っている。例えば、図6中の運転シーン5を例に挙げると、運転データ3については、値が単調に減少した後に急激に増加している傾向が認められる(図6のB参照)。また、運転データ5については、値が緩やかに増加した後、最小値に急激に落ち込んでいる傾向が認められる(図6のC参照)。さらに、運転シーン5において、運転データ3の値が減少から増加に転じる時刻と、運転データ5の値が急激に小さくなる時刻は対応している。診断特徴抽出部22では、このような運転データの変動、量、関係性を診断特徴として定量的に抽出する。
The driving data in the time zone with the same driving scene classified by the driving
一例として、診断特徴抽出部22は、運転シーンが同一の時間帯におけるある2つの運転データ間の回帰係数を、全ての運転データの組み合わせについて並べたものを診断特徴として抽出する。これによって、特定の運転シーンにおける、時系列に並んだ運転データ間の関係性を表現することができる。
As an example, the diagnostic
例として、図6の例における運転シーン5での運転データ3と運転データ5との値を、2次元平面上にプロットしたものを図7に示す。図7中に破線で示したものが回帰直線であり、この傾きが回帰係数である。各運転データの全ての組み合わせについての回帰係数をマトリクス表現したものを診断特徴として用いる。本実施形態の例では、運転データは6次元データであるので、図8に示すように、6×6=36のセルからなるマトリクスで表現することになる。マトリクスの各セルには数値が書き込まれるが、図8では便宜上、数値の多寡を各セルの濃淡で表現している。
As an example, FIG. 7 shows a plot of the values of the
なお、診断特徴は、上述した回帰係数を用いるものに限らず、時系列に並んだ運転データ間の関係性を表現する他の値を用いる構成としてもよい。例えば、2変数間の相関係数、Granger因果係数、回帰残差等を用いる構成としてもよい。他にも、設計モデルにおける回帰直線からの逸脱度を用いる構成としてもよい。ここで言うところの設計モデルとは、予め車両メーカーなどで設計され、正常であることが確認されている各種センサの運転データ間の関係を表現したものである。 The diagnostic feature is not limited to using the above-described regression coefficient, but may be configured to use other values expressing the relationship between operation data arranged in time series. For example, a configuration using a correlation coefficient between two variables, a Granger causal coefficient, a regression residual, or the like may be used. In addition, it is good also as a structure which uses the deviation degree from the regression line in a design model. The design model referred to here expresses a relationship between operation data of various sensors that have been designed in advance by a vehicle manufacturer or the like and confirmed to be normal.
また、診断特徴として、マトリクス表現したものを用いる構成に限らない。例えば、2変数間の相関係数、回帰係数、回帰残差等を並べたものを用いる構成としてもよい。この場合、診断特徴は、マトリクスではなく3次元のテンソルで表現する構成とすればよい。また、運転データ間の1対1の関係ではなく、1対多の関係性を表現する構成としてもよい。例えば、ある運転データを目的変数、残りすべての運転データを説明変数とした重回帰分析における残差を、それぞれの運転データについて並べたものを診断特徴としてもよい。 Moreover, it is not restricted to the structure which uses what was expressed as a matrix as a diagnostic feature. For example, a configuration in which a correlation coefficient between two variables, a regression coefficient, a regression residual, and the like are arranged may be used. In this case, the diagnostic feature may be expressed by a three-dimensional tensor instead of a matrix. Moreover, it is good also as a structure which expresses the one-to-many relationship instead of the one-to-one relationship between driving | operation data. For example, a diagnostic feature may be obtained by arranging the residuals in the multiple regression analysis with a certain driving data as an objective variable and all the remaining driving data as explanatory variables, for each driving data.
さらに、診断特徴は、時系列に並んだ運転データ間の関係性を表現するもの以外であってもよい。例えば運転データの個々の変数の値を定量的に抽出するものとして、各変数の同一運転シーン内の平均値をベクトルとしたものを用いる構成としてもよい。他にも、例えば、運転データの変動を定量的に抽出するものとして、運転シーンごとに各変数運転データの微分値の平均をとったものを用いる構成としてもよい。 Furthermore, the diagnostic feature may be other than that expressing the relationship between operation data arranged in time series. For example, a configuration may be used in which the values of individual variables in the driving data are quantitatively extracted and the average value of each variable in the same driving scene is used as a vector. In addition, for example, as a means for quantitatively extracting fluctuations in driving data, a configuration in which an average of the differential values of the variable driving data for each driving scene may be used.
診断特徴抽出部22は、診断特徴抽出処理で抽出した診断特徴を診断特徴蓄積部23に蓄積する。診断特徴蓄積部23が請求項の蓄積部に相当する。本実施形態では、診断特徴蓄積部23には、図9に示すように、運転シーンごとのデータベースが構築されており、診断特徴をこのデータベースに運転シーンごとに蓄積するものとして以降の説明を行う。
The diagnostic
なお、診断特徴を運転シーンごとに診断特徴蓄積部23に蓄積する構成に限らず、運転シーンごとの区別を行わずに診断特徴蓄積部23に蓄積する構成としてもよい。他にも、複数種類の運転シーンを同じデータベースに割る振る構成としてもよい。一例としては、運転シーンごとに診断特徴の平均値を算出し、算出した平均値の近い運転シーン同士を、同じデータベースに割り振る構成とすればよい。
In addition, it is good also as a structure which accumulate | stores not only in the structure which accumulate | stores a diagnostic feature for every driving scene in the diagnostic
図3に戻って、基準値生成部24は、診断特徴蓄積部23に蓄積されている診断特徴から、車両の異常の有無を判別するための基準値を生成する基準値生成処理を行う。基準値生成処理では、言い換えると、正常値と異常値とを判別する基準値を生成する。本実施形態の例では、運転シーン分類部21で分類した運転シーンごとに診断特徴蓄積部23に蓄積されている診断特徴から、基準値を運転シーンごとに生成する。
Returning to FIG. 3, the reference
基準値生成部24は、図10に示すように、運転シーンごとに蓄積された診断特徴を学習データとして用いたOne Class Support Vector Machine(OC−SVM)によって求められる正常値と異常値との識別境界(つまり、識別超平面)を基準値として生成する。
As shown in FIG. 10, the reference
なお、基準値生成部24は、診断特徴蓄積部23に蓄積されている診断特徴の頻度分布における偏差を正規化したものを、基準値として生成する構成(以下、変形例1)としてもよい。変形例1としては、図11に示すように、診断特徴蓄積部23に蓄積されている診断特徴のマトリクスのセルごとに、値の頻度分布から正常値と異常値との識別境界を基準値として生成する構成とすればよい。例えば、診断特徴のセルごとに、値の平均との差が値の標準偏差の3倍を基準値とする、などとすればはい。
Note that the reference
また、前述の実施形態では、教師なし学習によって基準値を生成する構成を示したが、必ずしもこれに限らない。例えば基準値生成部24が、車両の正常時における運転データの診断特徴と、車両の異常時における運転データのパターン特徴との双方に基づいて基準値を生成する構成(以下、変形例2)としてもよい。
In the above-described embodiment, the configuration in which the reference value is generated by unsupervised learning has been described. However, the configuration is not necessarily limited thereto. For example, as a configuration in which the reference
変形例2としては、車両の正常時における運転データの診断特徴と、車両の異常時における運転データの診断特徴とのSupport Vector Machine(SVM)による判別によって学習した識別境界を、基準値として生成する構成とすればよい。車両の正常時における運転データと車両の異常時における運転データとは、車両の正常時と車両の異常時とのそれぞれの実車試験によって予め与えておく構成とすればよい。 As a second modification, an identification boundary learned by discrimination by a Support Vector Machine (SVM) between a diagnostic feature of driving data when the vehicle is normal and a diagnostic feature of driving data when the vehicle is abnormal is generated as a reference value. What is necessary is just composition. The driving data when the vehicle is normal and the driving data when the vehicle is abnormal may be provided in advance by actual vehicle tests for when the vehicle is normal and when the vehicle is abnormal.
基準値生成部24は、基準値生成処理で生成した基準値を基準値格納部25に格納する。本実施形態では、基準値格納部25には、運転シーン分類部21で分類された運転シーンごとの基準値を格納する場合を例に挙げて以降の説明を行う。
The reference
ここで、図12のフローチャートを用いて、診断装置2での基準値生成関連処理についての説明を行う。図12のフローチャートは、例えば、診断装置2の電源がオンになったときに開始し、診断装置2の電源がオフになったときに終了する構成とすればよい。
Here, the reference value generation related processing in the
まず、ステップS1では、診断装置2が運転データ収集装置1から新たな運転データを取得した場合(ステップS1でYES)には、ステップS2に移る。一方、診断装置2が運転データ収集装置1から新たな運転データを取得していない場合(ステップS1でNO)には、ステップS1のフローを繰り返す。
First, in step S1, when the
ステップS2では、時系列に並んだ運転データに対して、運転シーン分類部21が前述の離散化処理を行って、ステップS3に移る。ステップS3では、離散化処理で得られた記号列に対して、運転シーン分類部21が前述のパターン抽出処理を行って、ステップS4に移る。
In step S2, the driving
ステップS4では、パターン抽出処理で運転シーンごとに分類したパターン単位の運転データに対して、診断特徴抽出部22が前述の診断特徴抽出処理を行って、ステップS5に移る。ステップS5では、診断特徴抽出部22が、診断特徴抽出処理で抽出した診断特徴を、運転シーン分類部21によって分類された運転シーンごとに診断特徴蓄積部23へ蓄積し、ステップS6に移る。
In step S4, the diagnostic
ステップS6では、基準値生成部24が、診断特徴蓄積部23に蓄積されている診断特徴から、前述の基準値生成処理を行って、ステップS7に移る。ステップS7では、基準値生成部24が、基準値生成処理で生成した基準値を、運転シーン分類部21によって分類された運転シーンごとに基準値格納部25へ格納し、フローを終了する。
In step S6, the reference
また、診断特徴蓄積部23に十分な診断特徴が蓄積されていない場合には、蓄積されるまでステップS6、ステップS7を省略しても良い。その場合には、十分な診断特徴が蓄積されていない場合にはステップS5を行ったあと、ステップS1に移ればよい。
If sufficient diagnostic features are not stored in the diagnostic
図3に戻って、異常診断部26は、基準値格納部25に格納されている基準値と、運転データ収集装置1から取得した運転データについて特徴抽出処理で抽出した診断特徴とから、車両の異常有無の判別や異常箇所の判別といった異常診断を行う異常診断処理を行う。異常診断部26が請求項の異常判別部に相当する。異常診断部26は、例えば、基準値としての前述の識別境界と、特徴抽出処理で抽出した診断特徴とを比較することにより、異常診断処理を行う。
Returning to FIG. 3, the
異常診断処理では、図13に示すように、特徴抽出処理で抽出した診断特徴について、前述のOC−SVMによって得られた識別境界(つまり、基準値)からの逸脱度を算出する。そして、算出した逸脱度の大きさを異常の度合いとし、閾値を超えている場合に異常と判別する。さらに異常と判別した場合において、診断特徴と識別境界との関係から、異常に対して影響の大きい診断特徴を算出することが出来る。一例として、診断特徴のマトリクスのうち、ブレーキマスタシリンダ圧とブレーキマスタシリンダ圧の微分値との間の回帰係数が識別境界から大きく離れていた場合には、ブレーキマスタシリンダに異常ありと判別する。 In the abnormality diagnosis process, as shown in FIG. 13, the degree of deviation from the identification boundary (that is, the reference value) obtained by the above-described OC-SVM is calculated for the diagnostic feature extracted by the feature extraction process. Then, the calculated degree of deviation is set as the degree of abnormality, and when it exceeds the threshold, it is determined as abnormal. Furthermore, when it is determined that there is an abnormality, it is possible to calculate a diagnostic feature that has a large influence on the abnormality from the relationship between the diagnostic feature and the identification boundary. As an example, if the regression coefficient between the brake master cylinder pressure and the differential value of the brake master cylinder pressure in the diagnostic feature matrix is far from the identification boundary, it is determined that the brake master cylinder is abnormal.
異常診断部26は、診断特徴に最も近い、OC−SVMによって得られた識別境界までの法線ベクトルを逸脱ベクトルとする。本実施形態の例では、診断特徴のマトリクスは6×6=36のセルからなるので、この逸脱ベクトルは36次元のベクトルとなる。異常診断部26は、この36次元の逸脱ベクトルを6×6=36のセルのマトリクス上に並び替えることで、診断特徴のマトリクスの各セルの逸脱度をマトリクス表現した逸脱度マトリクスを算出する。
The
異常診断部26は、前述の変形例1のように、診断特徴の頻度分布における偏差を正規化したものを基準値として生成する構成を採用していた場合には、図14に示すように、診断特徴のマトリクスのセルごとに識別境界との比較を行って逸脱度を算出し、各セルの逸脱度をマトリクス表現した逸脱度マトリクスを算出する。
When the
なお、本発明において車両の異常とは運転データが正常でない状態を意味するので、車両の異常は、車両に何か問題が発生した状態である車両の故障の予兆あるいは候補であるといえる。そのため異常診断部26は、異常診断処理での診断結果からさらに故障の診断まで行う構成としてもよい。
In the present invention, the vehicle abnormality means a state in which the driving data is not normal. Therefore, it can be said that the vehicle abnormality is a sign or a candidate of a vehicle failure in which a problem has occurred in the vehicle. Therefore, the
ここで、図15のフローチャートを用いて、診断装置2での異常診断関連処理についての説明を行う。図15のフローチャートは、例えば、運転データ収集装置1から新たな運転データを取得するごとに開始する構成とすればよい。図15のフローチャートでは、リアルタイムに車両の異常を判別する場合を例に挙げて説明を行う。
Here, the abnormality diagnosis-related processing in the
まず、ステップS21では、運転データ収集装置1から取得した、時系列に並んだ運転データに対して、運転シーン分類部21が前述の離散化処理を行って、ステップS22に移る。ステップS22では、離散化処理で得られた記号列に対して、運転シーン分類部21が前述のパターン抽出処理を行って、ステップS23に移る。
First, in step S21, the driving
ステップS23では、運転シーン分類部21が、パターン抽出処理でドライビングワードごとの分節化を行うことにより、現在の運転シーンを特定し、ステップS24に移る。ステップS24では、現在の運転シーンに対応するパターン単位の運転データに対して、診断特徴抽出部22が前述の診断特徴抽出処理を行って、ステップS25に移る。
In step S23, the driving
ステップS25では、異常診断部26が、現在の運転シーンに対応する基準値を基準値格納部25から読み出して、ステップS26に移る。ステップS26では、ステップS24で抽出した診断特徴と、ステップS26で読み出した基準値とから、異常診断部26が前述した異常診断処理を行って、ステップS27に移る。ステップS27では、異常診断処理での診断結果を異常診断部26が提示装置3に出力して、フローを終了する。
In step S25, the
図1に戻って、提示装置3は、診断装置2から入力される診断結果を提示する。提示装置3としては、例えば画像やテキストを表示する表示装置を用いる構成としてもよいし、音声を出力する音声出力装置を用いる構成としてもよいし、これらの両方を用いる構成としてもよい。
Returning to FIG. 1, the
実施形態1の構成によれば、特定の履歴を持った運転データの時系列パターンに特有の異常を異常と判別するための基準値を生成することができ、車両のより多くの種類の異常を異常と判別することが可能になる。 According to the configuration of the first embodiment, it is possible to generate a reference value for discriminating abnormalities peculiar to the time series pattern of driving data having a specific history as abnormalities, and to detect more types of abnormalities in the vehicle. It becomes possible to determine that there is an abnormality.
ここで、本発明における作用効果について、具体的に図16(a)〜図20(b)を用いて説明を行う。まず、図16(a)〜図18(b)を用いて、従来技術では判別困難な車両の異常を判別可能となる点についての説明を行う。 Here, the effect in this invention is demonstrated concretely using FIG. 16 (a)-FIG.20 (b). First, with reference to FIG. 16A to FIG. 18B, a description will be given of the point where it is possible to determine a vehicle abnormality that is difficult to determine with the conventional technology.
一例として、アクセル開度に対して車速が正常に応答しないような異常が発車直後にのみ発生しているとする。ただし、アクセル開度及び車速のそれぞれの値は、通常検出されるような値であり、例えば減速後の加速時においても同様の値が検出されるものとする。この異常を装置によって自動的に判別するためには、発車直後の加速時とそれ以外の加速時とを異なる運転シーンとして抽出した上で、その運転シーンにおけるアクセル開度と車速との関係が正常か異常かを判別する必要がある。 As an example, it is assumed that an abnormality such that the vehicle speed does not normally respond to the accelerator opening occurs only immediately after departure. However, the values of the accelerator opening and the vehicle speed are values that are normally detected. For example, similar values are detected even during acceleration after deceleration. In order to automatically discriminate this abnormality by the device, the relationship between the accelerator opening and the vehicle speed in the driving scene is normal after extracting the acceleration time immediately after departure and the other acceleration time as different driving scenes. It is necessary to determine whether it is abnormal.
特許文献1に開示されているような従来技術では、運転データの瞬間的な値をもとにクラスタリングするため、瞬間的には同じ「加速中」を示す運転データの値であった場合に、停止状態からの加速と減速後の加速とを異なる運転シーンとして区別することができなかった(図16(a)参照)。よって、前述したような特定の履歴を持った運転データの時系列パターンに特有の異常を異常と判別できなかった。
In the prior art as disclosed in
一方、実施形態1の構成では、停車時に続く加速である「発車後の加速時」といった特定の履歴を持った運転データの時系列パターン単位で運転シーンを分類するので、「発車後の加速時」と「減速後の加速時」とを異なる運転シーンとして区別することができる(図16(b)参照)。よって、前述したような特定の履歴を持った運転データの時系列パターンに特有の異常を異常と判別することが可能になる。 On the other hand, in the configuration of the first embodiment, the driving scenes are classified in units of time-series patterns of driving data having a specific history such as “acceleration after departure” that is acceleration following stoppage. "And" acceleration after deceleration "can be distinguished as different driving scenes (see FIG. 16B). Therefore, it is possible to determine that an abnormality peculiar to the time series pattern of operation data having a specific history as described above is abnormal.
従来技術では区別できないが、実施形態1の構成では区別できる運転シーンの別の例としては、図17(a)及び図17(b)に示すような、停車時に続く徐行である「発車時の徐行」と徐行に続く徐行である「渋滞中の徐行」といった運転シーンがある。なお、図17(a)が従来技術の例、図17(b)が実施形態1の構成の例である。他にも、図18(a)及び図18(b)に示すような、直進後の右旋回である「右旋回の開始」と右急旋回後の右旋回である「右旋回の緩和」といった運転シーンがある。なお、図18(a)が従来技術の例、図18(b)が実施形態1の構成の例である。 Another example of a driving scene that cannot be distinguished by the conventional technology but can be distinguished by the configuration of the first embodiment is slow driving that is continued when the vehicle is stopped, as shown in FIGS. 17 (a) and 17 (b). There are driving scenes such as “slowing down” and “slowing down in a traffic jam”, which is slowing down following slowing down. FIG. 17A shows an example of the prior art, and FIG. 17B shows an example of the configuration of the first embodiment. In addition, as shown in FIGS. 18 (a) and 18 (b), “start of right turn” which is a right turn after going straight and “right turn” which is a right turn after sudden right turn. There are driving scenes such as “relaxation”. 18A shows an example of the prior art, and FIG. 18B shows an example of the configuration of the first embodiment.
続いて、図19(a)及び図19(b)を用いて、従来技術のクラスタリングによって分類した場合と、実施形態1の構成により時系列パターンとして分類した場合との違いについて説明を行う。図19(a)が従来の例、図19(b)が実施形態1の構成の例である。ここでは、運転データとして車速とアクセル開度を例に挙げて説明を行う。 Next, the difference between the case where classification is performed by clustering according to the prior art and the case where classification is performed as a time series pattern according to the configuration of the first embodiment will be described with reference to FIGS. 19A and 19B. FIG. 19A shows a conventional example, and FIG. 19B shows an example of the configuration of the first embodiment. Here, a description will be given by taking the vehicle speed and the accelerator opening as examples of driving data.
図19(a)は、実車試験によって検出した運転データの正常値に対して、特許文献1と同様のクラスタリングによって運転シーンの分類を行い、それぞれ異なる運転シーンに属する運転データの計測点を異なる印で表示したものである。図19(b)は、実車試験によって検出した運転データの正常値に対して、実施形態1の構成により運転シーンの分類を行い、それぞれ異なる運転シーンに属する運転データの計測点を異なる印で表示したものである。なお、図19(a)及び図19(b)の例では、同じ運転データを用いている。ただし、それぞれ楕円で示した運転シーンに属する運転データの計測点のみを図示している。
FIG. 19A shows the classification of driving scenes by the same clustering as in
図19(a)に示すように、従来技術のクラスタリングによって分類した場合には、運転データは2つの運転シーンに分類される。一方、図19(b)に示すように、実施形態1の構成によって分類した場合には、運転データは3つの運転シーンに分類される。そして実施形態1の構成によって分類した運転シーンは、アクセル開度の方向により広く分布している。これは運転データの履歴まで考えた場合、アクセル開度の変化に対して車速の変化は小さく、運転データの時系列としては、図19(b)におけるアクセル開度方向に大きく変化するためである。従来技術によるクラスタリングでは、時間的には連続的に変化しない運転データを同じ運転シーンとして分類してしまっている。このように、運転データ自体は同じであっても、実施形態1の構成の方が運転シーンをより実際の時系列の変動に即し、詳細に分類することができる。 As shown in FIG. 19A, when the classification is performed by the clustering of the prior art, the driving data is classified into two driving scenes. On the other hand, as shown in FIG. 19B, when classified according to the configuration of the first embodiment, the driving data is classified into three driving scenes. The driving scenes classified according to the configuration of the first embodiment are more widely distributed in the direction of the accelerator opening. This is because when the driving data history is considered, the change in the vehicle speed is small with respect to the change in the accelerator opening, and the time series of the driving data changes greatly in the accelerator opening direction in FIG. . In conventional clustering, driving data that does not change continuously in time is classified as the same driving scene. Thus, even if the driving data itself is the same, the configuration of the first embodiment can classify driving scenes in more detail according to actual time-series fluctuations.
続いて、図20(a)及び図20(b)を用いて、実施形態1の構成における異常診断の利点についての説明を行う。図20(a)が従来の例、図20(b)が実施形態1の構成の例である。ここでは、運転データとして車速とアクセル開度を例に挙げて説明を行う。また、図20の白丸が異常時の計測点、黒丸が正常時の計測点を示している。 Subsequently, the advantages of the abnormality diagnosis in the configuration of the first embodiment will be described with reference to FIGS. 20 (a) and 20 (b). FIG. 20A shows a conventional example, and FIG. 20B shows an example of the configuration of the first embodiment. Here, a description will be given by taking the vehicle speed and the accelerator opening as examples of driving data. Moreover, the white circle of FIG. 20 has shown the measurement point at the time of abnormality, and the black circle has shown the measurement point at the time of normal.
まず、従来技術の問題点について説明を行う。特許文献1に示すような従来技術では、複数の運転データの各々について正常値の範囲を定めていた。つまり、車速とアクセル開度とのそれぞれについて正常値の範囲を定めていた。しかしながら、車速とアクセル開度とのそれぞれが単体としては正常値の範囲におさまっていても、車両に異常が生じている場合がある。このような場合において、従来技術では、図20(a)に示すように、異常時の計測点を異常と判別できない。
First, problems of the prior art will be described. In the prior art as shown in
一方、実施形態1の構成によれば、複数の運転データの関係性を回帰直線でモデル化し、その回帰係数の基準値からの逸脱度によって異常を判別する。つまり、車速とアクセル開度との関係性が正常の範囲におさまっているかによって異常を判別する。従って、図20(b)に示すように、従来技術では異常と判別することができなかった異常時の計測点も異常と判別することが可能になる。 On the other hand, according to the configuration of the first embodiment, the relationship between a plurality of operation data is modeled by a regression line, and abnormality is determined by the degree of deviation from the reference value of the regression coefficient. That is, the abnormality is determined based on whether the relationship between the vehicle speed and the accelerator opening is within a normal range. Therefore, as shown in FIG. 20 (b), it becomes possible to determine that the measurement point at the time of abnormality that could not be determined as abnormal in the prior art is also abnormal.
さらに、実施形態1の構成によれば、図19(b)に示されるように、運転シーンを時系列パターンによって運転データの連続性を残しながら分類している。よって、従来技術のクラスタリングによって分類した運転シーンに対して複数の運転データの関係性を回帰直線でモデル化するよりも、モデル化誤差を小さくすることができる。そして、その結果、正常値と異常値とを判別するための基準値がより狭い範囲に算出され、異常を判別する能力も高くなる。 Furthermore, according to the configuration of the first embodiment, as shown in FIG. 19B, the driving scenes are classified according to the time series pattern while leaving the continuity of the driving data. Therefore, the modeling error can be reduced as compared with the case where the relationship between a plurality of driving data is modeled by the regression line with respect to the driving scene classified by the clustering of the prior art. As a result, the reference value for discriminating between the normal value and the abnormal value is calculated in a narrower range, and the ability to discriminate the abnormality is enhanced.
実施形態1では、運転データ収集装置1と診断装置2と提示装置3とが別体に設けられている構成を示したが、必ずしもこれに限らない。例えば、運転データ収集装置1と診断装置2とが一体に設けられている構成としてもよいし、診断装置2と提示装置3とが一体に設けられている構成としてもよいし、運転データ収集装置1と診断装置2と提示装置3とが一体に設けられている構成としてもよい。
Although
(実施形態2)
本発明は前述の実施形態1に限定されるものではなく、次の実施形態2も本発明の技術的範囲に含まれる。以下では、この実施形態2について説明を行う。なお、説明の便宜上、前述の実施形態の説明に用いた図に示した部材と同一の機能を有する部材については、同一の符号を付し、その説明を省略する。
(Embodiment 2)
The present invention is not limited to the above-described first embodiment, and the following second embodiment is also included in the technical scope of the present invention. Hereinafter, the second embodiment will be described. For convenience of explanation, members having the same functions as those shown in the drawings used in the description of the above-described embodiment are denoted by the same reference numerals, and description thereof is omitted.
図21に示すように、実施形態2の車両診断ユニット100aは、診断装置2及び提示装置3が車両外に設けられる点を除けば、実施形態1の車両診断ユニット100と同様である。実施形態2における診断装置2は、例えば、車両の点検サービスを取り扱うディーラーや整備工場などに備えられているサーバとすればよい。よって、診断装置2が請求項のサーバに相当し、運転データ収集装置1が請求項の車載装置に相当する。
As shown in FIG. 21, the vehicle
また、実施形態2における診断装置2は、複数の車両の運転データ収集装置1から運転データを取得する構成とすることが好ましい。これにより、前述の基準値生成関連処理で用いる運転データのサンプル数が増加し、基準値生成関連処理で生成される基準値の精度を向上できる他、この基準値を用いる前述の異常診断処理での異常診断の精度を向上できる。
Moreover, it is preferable that the
実施形態2では、診断装置2と運転データ収集装置1とがお互いに無線通信機を備えることで、車両外の診断装置2が、車両で用いられる運転データ収集装置1から無線通信によって運転データを取得する構成とすればよい。なお、診断装置2が運転データ収集装置1から有線通信によって運転データを取得する構成としてもよいし、携帯端末やDCM(data communication module)といった車載通信モジュールを中継して診断装置2が運転データ収集装置1から運転データを取得する構成としてもよい。
In the second embodiment, the
実施形態2においては、例えば車両の走行中にリアルタイムに前述の異常診断を行うのではなく、ディーラーや整備工場で点検のための試験を実施し、その試験中に運転データ収集装置1で取得される運転データを用いて異常診断を行う構成とすればよい。
In the second embodiment, for example, the above-described abnormality diagnosis is not performed in real time while the vehicle is running, but a test for inspection is performed at a dealer or a maintenance shop, and is acquired by the operation
なお、上述した構成に限らず、車両の通常走行中に運転データ収集装置1で取得した運転データを、ディーラーや整備工場に車両が持ち込まれた際に診断装置2で取得し、取得した運転データを用いて異常診断を行う構成としてもよい。他にも、診断装置2がDCM等を介することで、通常走行中の車両の運転データ収集装置1からリアルタイムに運転データを取得し、取得した運転データを用いて異常診断を行う構成としてもよい。
The driving data acquired by the driving
また、実施形態2では、提示装置3を車両外に設ける構成を示したが、必ずしもこれに限らない。例えば、提示装置3は車両で用いられ、車両外の診断装置2からDCM等を介した通信等によって診断結果を取得し、取得した診断結果を車両のドライバに提示する構成としてもよい。
In the second embodiment, the configuration in which the
さらに、前述の実施形態1及び2では、基準値を生成する部材と異常診断を行う部材とが一体に設けられている構成を示したが、必ずしもこれに限らない。例えば、運転シーン分類部21、診断特徴抽出部22、診断特徴蓄積部23、基準値生成部24、及び基準値格納部25を備える装置(以下、基準値生成装置)と、異常診断部26を備える装置(以下、異常診断装置)とが別体に設けられる構成(変形例3)としてもよい。この場合、基準値生成装置が請求項の車両用基準値生成装置に相当する。
Furthermore, in the above-described first and second embodiments, the configuration in which the member that generates the reference value and the member that performs abnormality diagnosis is integrally provided is not necessarily limited thereto. For example, an apparatus (hereinafter referred to as a reference value generation device) including a driving
変形例3の構成においては、基準値生成装置が車両外に設けられ、異常診断装置が車両で用いられる構成としてもよい。基準値生成装置と異常診断装置とは、無線通信や有線通信等でお互いに情報の送受信を行う構成とすればよい。これによれば、車両外の基準値生成装置で複数の車両の運転データをもとに生成した基準値を、車両で用いられる異常診断装置に送信し、この基準値を用いて異常診断装置で異常診断を行わせることが可能になる。
In the configuration of
なお、基準値生成装置と異常診断装置とを別体に設ける場合には、異常診断装置にも診断特徴抽出部22を備える構成としてもよいし、基準値生成装置の診断特徴抽出部22で抽出した診断特徴を異常診断装置が取得する構成としてもよい。
When the reference value generating device and the abnormality diagnosing device are provided separately, the abnormality diagnosing device may be provided with the diagnostic
また、運転シーン分類部21、診断特徴抽出部22、診断特徴蓄積部23、基準値生成部24、及び基準値格納部25についても、一部が車両で用いられる一方、一部が車両外に設けられる構成としてもよい。この場合、車両で用いられる部材と車両外で用いられる部材とは、無線通信や有線通信等でお互いに情報の送受信を行う構成とすればよい。
Also, some of the driving
なお、本発明は、上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。 The present invention is not limited to the above-described embodiments, and various modifications can be made within the scope of the claims, and the technical means disclosed in different embodiments can be appropriately combined. Such embodiments are also included in the technical scope of the present invention.
1 運転データ収集装置(車両用基準値生成装置)、2 診断装置(車両用基準値生成装置)、11 データ取得部(運転データ取得部)、21 運転シーン分類部(分類部)、22 診断特徴抽出部(特徴抽出部)、23 診断特徴蓄積部(蓄積部)、24 基準値生成部、26 異常診断部(異常判別部)
DESCRIPTION OF
Claims (17)
前記運転データ取得部で取得した、時系列に並んだ前記運転データを、前記運転データの変化のパターン単位に区分けした運転シーンごとに分類する分類部(21)と、
前記パターン単位の前記運転データの特徴であるパターン特徴を抽出する特徴抽出部(22)と、
前記特徴抽出部で抽出した前記パターン特徴を、前記分類部で分類した前記運転シーンに基づいて蓄積する蓄積部(23)と、
前記蓄積部に蓄積されている前記パターン特徴から、前記車両の異常を判別するための基準値を生成する基準値生成部(24)とを備えることを特徴とする車両用基準値生成装置。 A driving data acquisition unit (11) for sequentially acquiring driving data, including at least one of an operation by a driver of the vehicle, the state of the vehicle, the state of the driver, and the driving environment of the vehicle;
A classification unit (21) for classifying the operation data arranged in time series acquired by the operation data acquisition unit for each operation scene divided into pattern units of change of the operation data;
A feature extraction unit (22) for extracting a pattern feature that is a feature of the operation data in units of the pattern;
An accumulator (23) for accumulating the pattern features extracted by the feature extractor based on the driving scene classified by the classifier;
A reference value generation device for a vehicle, comprising: a reference value generation unit (24) for generating a reference value for determining abnormality of the vehicle from the pattern feature stored in the storage unit.
前記特徴抽出部で抽出する前記パターン特徴は、前記運転データの時間的な変化を表現したものを含むことを特徴とする車両用基準値生成装置。 In claim 1,
The reference value generating device for a vehicle, wherein the pattern feature extracted by the feature extraction unit includes a representation of a temporal change in the driving data.
前記運転データ取得部で取得する前記運転データは複数種類であって、
前記特徴抽出部で抽出する前記パターン特徴は、複数種類の前記運転データ間の関係性を表現したものであることを特徴とする車両用基準値生成装置。 In claim 2,
The operation data acquired by the operation data acquisition unit is a plurality of types,
The vehicle reference value generation apparatus, wherein the pattern feature extracted by the feature extraction unit expresses a relationship between a plurality of types of driving data.
前記特徴抽出部で抽出する前記パターン特徴は、複数種類の前記運転データ間の関係性をマトリクス表現したものであることを特徴とする車両用基準値生成装置。 In claim 3,
The reference value generating device for a vehicle, wherein the pattern feature extracted by the feature extraction unit is a matrix representation of a relationship between a plurality of types of driving data.
前記基準値生成部で生成した前記基準値と、前記運転データ取得部で逐次取得した前記運転データについて前記特徴抽出部で抽出した前記パターン特徴とから、前記車両の異常の有無を判別する異常判別部(26)を備えることを特徴とする車両用基準値生成装置。 In any one of Claims 1-4,
An abnormality determination that determines whether the vehicle is abnormal from the reference value generated by the reference value generation unit and the pattern feature extracted by the feature extraction unit for the driving data sequentially acquired by the driving data acquisition unit. A vehicle reference value generation device comprising a unit (26).
前記異常判別部は、前記基準値生成部で生成した前記基準値と、前記運転データ取得部で逐次取得した前記運転データについて前記特徴抽出部で抽出した前記パターン特徴とを比較することで当該基準値からの当該パターン特徴の逸脱度を算出し、算出したこの逸脱度が閾値を超えた場合に、前記車両の異常ありと判別することを特徴とする車両用基準値生成装置。 In claim 5,
The abnormality determination unit compares the reference value generated by the reference value generation unit with the pattern feature extracted by the feature extraction unit for the operation data sequentially acquired by the operation data acquisition unit. A vehicle reference value generation device that calculates a deviation degree of the pattern feature from a value and determines that the vehicle is abnormal when the calculated deviation degree exceeds a threshold value.
前記運転データ取得部で取得する前記運転データは複数種類であり、
前記特徴抽出部で抽出する前記パターン特徴も、前記運転データ取得部で取得する前記運転データが複数種類であるのに対応して複数種類であって、
前記異常判別部は、複数種類の前記パターン特徴のうちに、前記逸脱度が閾値を超える前記パターン特徴が存在した場合に、そのパターン特徴に対応する前記車両の部位に異常ありと判別することを特徴とする車両用基準値生成装置。 In claim 6,
The operation data acquired by the operation data acquisition unit is of multiple types,
The pattern feature extracted by the feature extraction unit also has a plurality of types corresponding to the plurality of types of operation data acquired by the operation data acquisition unit,
The abnormality determining unit determines that there is an abnormality in a part of the vehicle corresponding to the pattern feature when the pattern feature having a deviation degree exceeding a threshold value is present among a plurality of types of the pattern features. A vehicle reference value generating device.
前記分類部は、時系列に並んだ前記運転データに対して離散化を行った後、その離散化によって得られた離散系列においてパターンを抽出する二重分節構造解析を行うことによって、前記パターン単位に区分けすることを特徴とする車両用基準値生成装置。 In any one of Claims 1-7,
The classification unit performs discretization on the operation data arranged in time series, and then performs a double segment structure analysis to extract a pattern in the discrete series obtained by the discretization, thereby performing the pattern unit A reference value generating device for a vehicle, characterized in that it is classified into:
前記基準値生成部は、前記蓄積部に蓄積されている前記パターン特徴の頻度分布に基づいて、前記基準値を生成することを特徴とする車両用基準値生成装置。 In any one of Claims 1-8,
The vehicle reference value generation apparatus, wherein the reference value generation unit generates the reference value based on a frequency distribution of the pattern features stored in the storage unit.
前記基準値生成部は、前記蓄積部に蓄積されている前記パターン特徴に対して、One Class Support Vector Machineを用いて学習した識別境界を、前記基準値として生成することを特徴とする車両用基準値生成装置。 In claim 9,
The reference value generating unit generates, as the reference value, an identification boundary learned using a One Class Support Vector Machine for the pattern feature stored in the storage unit. Value generator.
前記基準値生成部は、前記蓄積部に蓄積されている前記パターン特徴の頻度分布における偏差を正規化したものを、前記基準値として生成することを特徴とする車両用基準値生成装置。 In claim 9,
The vehicle reference value generation device, wherein the reference value generation unit generates, as the reference value, a normalized deviation in the frequency distribution of the pattern features stored in the storage unit.
前記基準値生成部は、前記車両の正常時における前記運転データの前記パターン特徴と、前記車両の異常時における前記運転データの前記パターン特徴との双方に基づいて、前記基準値を生成することを特徴とする車両用基準値生成装置。 In any one of Claims 1-11,
The reference value generation unit generates the reference value based on both the pattern feature of the driving data when the vehicle is normal and the pattern feature of the driving data when the vehicle is abnormal. A vehicle reference value generating device.
前記基準値生成部は、前記車両の正常時における前記運転データの前記パターン特徴と、前記車両の異常時における前記運転データの前記パターン特徴とのSupport Vector Machineによって学習した識別境界を、前記基準値として生成することを特徴とする車両用基準値生成装置。 In claim 12,
The reference value generation unit uses the reference value to identify the identification boundary learned by Support Vector Machine between the pattern feature of the driving data when the vehicle is normal and the pattern feature of the driving data when the vehicle is abnormal. A reference value generating device for a vehicle, characterized in that
前記運転データ取得部は、前記運転データとして、前記運転者による操作の情報である操作情報を取得するものであって、
前記分類部は、前記運転データ取得部で取得した、時系列に並んだ前記操作情報を、前記操作情報の変化のパターン単位に区分けした運転シーンごとに分類することを特徴とする車両用基準値生成装置。 In any one of Claims 1-13,
The operation data acquisition unit acquires operation information that is operation information by the driver as the operation data,
The classification unit classifies the operation information arranged in time series acquired by the driving data acquisition unit for each driving scene classified into pattern units of change of the operation information, and a vehicle reference value Generator.
前記運転データ取得部は、前記操作情報として、前記運転者によるアクセル、ブレーキ、及びステアリングの操作の情報を取得するものであることを特徴とする車両用基準値生成装置。 In claim 14,
The vehicle data reference generating device is characterized in that the driving data acquisition unit acquires information on an operation of an accelerator, a brake, and a steering by the driver as the operation information.
車両で用いられて、前記運転データ取得部を少なくとも備える車載装置(1)と、
前記車載装置と通信を行うサーバ(2)とからなり、
前記サーバは、前記分類部、前記特徴抽出部、前記蓄積部、及び前記基準値生成部のうちの少なくとも1つを備え、
前記車載装置は、前記分類部、前記特徴抽出部、前記蓄積部、及び前記基準値生成部のうちの前記サーバに備えられていないものを備えていることを特徴とする車両用基準値生成装置。 In any one of Claims 1-15,
An in-vehicle device (1) used in a vehicle and including at least the operation data acquisition unit;
A server (2) that communicates with the in-vehicle device,
The server includes at least one of the classification unit, the feature extraction unit, the storage unit, and the reference value generation unit,
The vehicle-mounted device includes a vehicle that is not included in the server among the classification unit, the feature extraction unit, the storage unit, and the reference value generation unit. .
前記基準値生成部で生成した前記基準値と、前記運転データ取得部で逐次取得した前記運転データについて前記特徴抽出部で抽出した前記パターン特徴とから、前記車両の異常の有無を判別する異常判別部(26)を備えるものであって、
車両で用いられて、前記運転データ取得部を少なくとも備える車載装置(1)と、
前記車載装置と通信を行うサーバ(2)とからなり、
前記サーバは、前記分類部、前記特徴抽出部、前記蓄積部、前記基準値生成部、及び前記異常判別部のうちの少なくとも1つを備え、
前記車載装置は、前記分類部、前記特徴抽出部、前記蓄積部、前記基準値生成部、及び前記異常判別部のうちの前記サーバに備えられていないものを備えていることを特徴とする車両用基準値生成装置。 In any one of Claims 5-15,
An abnormality determination that determines whether the vehicle is abnormal from the reference value generated by the reference value generation unit and the pattern feature extracted by the feature extraction unit for the driving data sequentially acquired by the driving data acquisition unit. Part (26),
An in-vehicle device (1) used in a vehicle and including at least the operation data acquisition unit;
A server (2) that communicates with the in-vehicle device,
The server includes at least one of the classification unit, the feature extraction unit, the storage unit, the reference value generation unit, and the abnormality determination unit,
The vehicle-mounted device includes a vehicle that is not included in the server among the classification unit, the feature extraction unit, the storage unit, the reference value generation unit, and the abnormality determination unit. Standard value generator.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013118144A JP6003810B2 (en) | 2013-06-04 | 2013-06-04 | Vehicle reference value generator |
DE201410210504 DE102014210504A1 (en) | 2013-06-04 | 2014-06-03 | Reference value generating device for a vehicle |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2013118144A JP6003810B2 (en) | 2013-06-04 | 2013-06-04 | Vehicle reference value generator |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2014234113A true JP2014234113A (en) | 2014-12-15 |
JP6003810B2 JP6003810B2 (en) | 2016-10-05 |
Family
ID=51899685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2013118144A Active JP6003810B2 (en) | 2013-06-04 | 2013-06-04 | Vehicle reference value generator |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6003810B2 (en) |
DE (1) | DE102014210504A1 (en) |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016149013A (en) * | 2015-02-12 | 2016-08-18 | 株式会社デンソー | Driving support information creation device, and driving support device |
JP2016161475A (en) * | 2015-03-04 | 2016-09-05 | 株式会社デンソー | Failure diagnosis device and terminal equipment |
JP2017068748A (en) * | 2015-10-01 | 2017-04-06 | 富士通株式会社 | Clustering program, clustering method, and information processing apparatus |
JP2017109650A (en) * | 2015-12-17 | 2017-06-22 | 株式会社東芝 | Abnormality diagnostic device and method |
JP2017194048A (en) * | 2016-04-15 | 2017-10-26 | トヨタ自動車株式会社 | Failure diagnosis device of internal combustion engine |
JP2017218045A (en) * | 2016-06-08 | 2017-12-14 | 株式会社日立製作所 | Abnormality candidate information analysis device and behavior prediction device |
JP2018514480A (en) * | 2015-03-25 | 2018-06-07 | ダナ イタリア エス. アール. エル. | System and method for detecting an impending fall of a vehicle |
WO2018189866A1 (en) * | 2017-04-13 | 2018-10-18 | 株式会社日立製作所 | Data processing system and data processing method for apparatus for manufacturing plurality of types of items in mixed manner |
JP2018161462A (en) * | 2017-03-27 | 2018-10-18 | パナソニックIpマネジメント株式会社 | Information processing method, information processing device, and program |
US10233855B2 (en) | 2016-04-15 | 2019-03-19 | Toyota Jidosha Kabushiki Kaisha | Failure diagnosis apparatus for diagnosing an insufficient output of an internal combustion engine |
JP2019056482A (en) * | 2017-09-19 | 2019-04-11 | 株式会社日立製作所 | Method and apparatus for determining brake wear of vehicle |
JP2019095836A (en) * | 2017-11-17 | 2019-06-20 | 株式会社デンソー | Diagnosis system |
KR20190130383A (en) * | 2018-05-14 | 2019-11-22 | 주식회사 세화 | Devices and methods capable of custom diagnostics and individual alarms per Point Machine |
JP2020507748A (en) * | 2017-01-13 | 2020-03-12 | 華為技術有限公司Huawei Technologies Co.,Ltd. | Cloud-based vehicle failure diagnosis method, apparatus and system |
JP2020060911A (en) * | 2018-10-09 | 2020-04-16 | 持田 信治 | Time-series environmental information registration method |
JP2020093770A (en) * | 2015-12-17 | 2020-06-18 | 株式会社東芝 | State diagnostic device and method |
CN112130539A (en) * | 2020-09-23 | 2020-12-25 | 大唐广电科技(武汉)有限公司 | Method and device for judging and tracking vehicle type of production line |
WO2021010074A1 (en) * | 2019-07-12 | 2021-01-21 | 株式会社日立製作所 | Equipment diagnostic apparatus, equipment diagnostic system, and equipment diagnostic method |
JPWO2021019893A1 (en) * | 2019-07-31 | 2021-02-04 | ||
WO2021111727A1 (en) * | 2019-12-05 | 2021-06-10 | 日本電気株式会社 | Failure diagnosing device, failure diagnosing system, failure diagnosing method, and failure diagnosing program |
US11162447B2 (en) | 2018-01-30 | 2021-11-02 | Hyundai Motor Company | Vehicle predictive control system based on big data and method thereof |
WO2022019020A1 (en) * | 2020-07-20 | 2022-01-27 | 本田技研工業株式会社 | Abnormality detection device and abnormality detection program |
JPWO2022162771A1 (en) * | 2021-01-27 | 2022-08-04 | ||
JP7197672B1 (en) | 2021-12-27 | 2022-12-27 | Kddi株式会社 | DRIVER CHARACTERISTICS ESTIMATION SYSTEM, DRIVER CHARACTERISTICS ESTIMATION METHOD AND COMPUTER PROGRAM |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102015011023B4 (en) * | 2015-08-22 | 2022-01-05 | Audi Ag | Vehicle data recorder device, vehicle and method for logging a process in a vehicle |
DE102018121270B4 (en) | 2018-08-31 | 2023-12-21 | Volkswagen Aktiengesellschaft | Diagnostic method, diagnostic system and motor vehicle |
DE102018216557A1 (en) * | 2018-09-27 | 2020-04-02 | Bayerische Motoren Werke Aktiengesellschaft | Method, device and means of transportation for acoustically monitoring the correctness of a means of transportation |
DE102020101993A1 (en) | 2020-01-28 | 2021-07-29 | Bayerische Motoren Werke Aktiengesellschaft | Method for determining, in particular, error operating states of a vehicle, computer-readable storage medium and system |
DE102021203312A1 (en) | 2021-03-31 | 2022-10-06 | Rolls-Royce Deutschland Ltd & Co Kg | System and method for state detection of a device |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005025351A (en) * | 2003-06-30 | 2005-01-27 | Kagawa Univ | Information processor, status judgment device and diagnostic unit, information processing method, status judgment method, and diagnostic method |
JP2005146966A (en) * | 2003-11-14 | 2005-06-09 | Equos Research Co Ltd | Classification device for running-speed data, estimation device for running-speed pattern, and drive control device of hybrid vehicle |
JP2010089760A (en) * | 2008-10-10 | 2010-04-22 | Honda Motor Co Ltd | Creation of reference value for troubleshooting of vehicle |
JP2010137644A (en) * | 2008-12-10 | 2010-06-24 | Honda Motor Co Ltd | Failure diagnosis device for vehicle |
-
2013
- 2013-06-04 JP JP2013118144A patent/JP6003810B2/en active Active
-
2014
- 2014-06-03 DE DE201410210504 patent/DE102014210504A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005025351A (en) * | 2003-06-30 | 2005-01-27 | Kagawa Univ | Information processor, status judgment device and diagnostic unit, information processing method, status judgment method, and diagnostic method |
JP2005146966A (en) * | 2003-11-14 | 2005-06-09 | Equos Research Co Ltd | Classification device for running-speed data, estimation device for running-speed pattern, and drive control device of hybrid vehicle |
JP2010089760A (en) * | 2008-10-10 | 2010-04-22 | Honda Motor Co Ltd | Creation of reference value for troubleshooting of vehicle |
JP2010137644A (en) * | 2008-12-10 | 2010-06-24 | Honda Motor Co Ltd | Failure diagnosis device for vehicle |
Cited By (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016149013A (en) * | 2015-02-12 | 2016-08-18 | 株式会社デンソー | Driving support information creation device, and driving support device |
JP2016161475A (en) * | 2015-03-04 | 2016-09-05 | 株式会社デンソー | Failure diagnosis device and terminal equipment |
JP2018514480A (en) * | 2015-03-25 | 2018-06-07 | ダナ イタリア エス. アール. エル. | System and method for detecting an impending fall of a vehicle |
US10572512B2 (en) | 2015-10-01 | 2020-02-25 | Fujitsu Limited | Detection method and information processing device |
JP2017068748A (en) * | 2015-10-01 | 2017-04-06 | 富士通株式会社 | Clustering program, clustering method, and information processing apparatus |
JP2017109650A (en) * | 2015-12-17 | 2017-06-22 | 株式会社東芝 | Abnormality diagnostic device and method |
JP2020093770A (en) * | 2015-12-17 | 2020-06-18 | 株式会社東芝 | State diagnostic device and method |
US10233855B2 (en) | 2016-04-15 | 2019-03-19 | Toyota Jidosha Kabushiki Kaisha | Failure diagnosis apparatus for diagnosing an insufficient output of an internal combustion engine |
JP2017194048A (en) * | 2016-04-15 | 2017-10-26 | トヨタ自動車株式会社 | Failure diagnosis device of internal combustion engine |
JP2017218045A (en) * | 2016-06-08 | 2017-12-14 | 株式会社日立製作所 | Abnormality candidate information analysis device and behavior prediction device |
JP2020507748A (en) * | 2017-01-13 | 2020-03-12 | 華為技術有限公司Huawei Technologies Co.,Ltd. | Cloud-based vehicle failure diagnosis method, apparatus and system |
US12086165B2 (en) | 2017-01-13 | 2024-09-10 | Huawei Technologies Co., Ltd. | Cloud-based vehicle fault diagnosis method, apparatus, and system |
US11468715B2 (en) | 2017-01-13 | 2022-10-11 | Huawei Technologies Co., Ltd. | Cloud-based vehicle fault diagnosis method, apparatus, and system |
JP7065447B2 (en) | 2017-03-27 | 2022-05-12 | パナソニックIpマネジメント株式会社 | Information processing methods, information processing devices, and programs |
JP2018161462A (en) * | 2017-03-27 | 2018-10-18 | パナソニックIpマネジメント株式会社 | Information processing method, information processing device, and program |
JPWO2018189866A1 (en) * | 2017-04-13 | 2020-02-27 | 株式会社日立製作所 | Data processing system and data processing method for multiple-mix production equipment |
WO2018189866A1 (en) * | 2017-04-13 | 2018-10-18 | 株式会社日立製作所 | Data processing system and data processing method for apparatus for manufacturing plurality of types of items in mixed manner |
JP2019056482A (en) * | 2017-09-19 | 2019-04-11 | 株式会社日立製作所 | Method and apparatus for determining brake wear of vehicle |
US10773702B2 (en) | 2017-09-19 | 2020-09-15 | Hitachi, Ltd. | Method and apparatus for determining brake wear at a vehicle |
JP2019095836A (en) * | 2017-11-17 | 2019-06-20 | 株式会社デンソー | Diagnosis system |
US11162447B2 (en) | 2018-01-30 | 2021-11-02 | Hyundai Motor Company | Vehicle predictive control system based on big data and method thereof |
KR102061592B1 (en) * | 2018-05-14 | 2020-01-03 | 주식회사 세화 | Devices and methods capable of custom diagnostics and individual alarms per Point Machine |
KR20190130383A (en) * | 2018-05-14 | 2019-11-22 | 주식회사 세화 | Devices and methods capable of custom diagnostics and individual alarms per Point Machine |
JP2020060911A (en) * | 2018-10-09 | 2020-04-16 | 持田 信治 | Time-series environmental information registration method |
JP7253351B2 (en) | 2018-10-09 | 2023-04-06 | 持田 信治 | How to register environmental information in chronological order |
JP7545514B2 (en) | 2018-10-09 | 2024-09-04 | 信治 持田 | A device for normalizing time-series environmental information |
WO2021010074A1 (en) * | 2019-07-12 | 2021-01-21 | 株式会社日立製作所 | Equipment diagnostic apparatus, equipment diagnostic system, and equipment diagnostic method |
JPWO2021019893A1 (en) * | 2019-07-31 | 2021-02-04 | ||
US12073662B2 (en) | 2019-07-31 | 2024-08-27 | Nec Corporation | Abnormality detection system, abnormality detection method, and abnormality detection program |
JP7294427B2 (en) | 2019-07-31 | 2023-06-20 | 日本電気株式会社 | Anomaly detection system, anomaly detection method, and anomaly detection program |
JPWO2021111727A1 (en) * | 2019-12-05 | 2021-06-10 | ||
WO2021111727A1 (en) * | 2019-12-05 | 2021-06-10 | 日本電気株式会社 | Failure diagnosing device, failure diagnosing system, failure diagnosing method, and failure diagnosing program |
JP7367773B2 (en) | 2019-12-05 | 2023-10-24 | 日本電気株式会社 | Fault diagnosis device, fault diagnosis system, fault diagnosis method, and fault diagnosis program |
US11869284B2 (en) | 2019-12-05 | 2024-01-09 | Nec Corporation | Failure diagnosis device, failure diagnosis system, failure diagnosis method, and failure diagnosis program |
JP2022020512A (en) * | 2020-07-20 | 2022-02-01 | 本田技研工業株式会社 | Abnormality detection device and abnormality detection program |
JP7072611B2 (en) | 2020-07-20 | 2022-05-20 | 本田技研工業株式会社 | Anomaly detection device and anomaly detection program |
WO2022019020A1 (en) * | 2020-07-20 | 2022-01-27 | 本田技研工業株式会社 | Abnormality detection device and abnormality detection program |
CN112130539A (en) * | 2020-09-23 | 2020-12-25 | 大唐广电科技(武汉)有限公司 | Method and device for judging and tracking vehicle type of production line |
WO2022162771A1 (en) * | 2021-01-27 | 2022-08-04 | 日本電気株式会社 | Detection device, detection method, and program |
JPWO2022162771A1 (en) * | 2021-01-27 | 2022-08-04 | ||
JP2023097051A (en) * | 2021-12-27 | 2023-07-07 | Kddi株式会社 | Driver characteristic estimation system, driver characteristic estimation method and computer program |
JP7197672B1 (en) | 2021-12-27 | 2022-12-27 | Kddi株式会社 | DRIVER CHARACTERISTICS ESTIMATION SYSTEM, DRIVER CHARACTERISTICS ESTIMATION METHOD AND COMPUTER PROGRAM |
Also Published As
Publication number | Publication date |
---|---|
JP6003810B2 (en) | 2016-10-05 |
DE102014210504A1 (en) | 2014-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6003810B2 (en) | Vehicle reference value generator | |
Gu et al. | A novel lane-changing decision model for autonomous vehicles based on deep autoencoder network and XGBoost | |
US9527384B2 (en) | Driving context generation system for generating driving behavior description information | |
Lyu et al. | Using naturalistic driving data to identify driving style based on longitudinal driving operation conditions | |
GB2573738A (en) | Driving monitoring | |
CN110949398A (en) | Method for detecting abnormal driving behavior of first-vehicle drivers in vehicle formation driving | |
JP6519434B2 (en) | Driving support device | |
JP2013250663A (en) | Driving scene recognition device | |
JP6950481B2 (en) | Diagnostic system | |
Chu et al. | A review of driving style recognition methods from short-term and long-term perspectives | |
JP5895728B2 (en) | Vehicle group management device | |
CN114943956A (en) | Driving distraction identification method and system under multiple scenes and vehicle | |
KR20150066308A (en) | Apparatus and method for determining driving condition of deiver | |
KR101898153B1 (en) | Apparatus and method for recognizing driving patten based on vehicle driving data | |
Zhao et al. | Distraction-level recognition based on stacking ensemble learning for IVIS secondary tasks | |
CN117456479A (en) | Method and device for detecting abnormal driving behavior of vehicle based on optical flow estimation | |
CN117237911A (en) | Image-based dynamic obstacle rapid detection method and system | |
Xing et al. | Recognizing driver braking intention with vehicle data using unsupervised learning methods | |
KR20230139666A (en) | Devices and Methods for Recognizing Drowsy Driving based on Classification of Drowsy Driving Types and Ensemble Deep Learning | |
JP2019207620A (en) | Vehicle proposal system, driving feature generation device, and vehicle proposal device | |
Boyraz et al. | Active vehicle safety system design based on driver characteristics and behaviour | |
Xu et al. | Estimating risk levels of driving scenarios through analysis of driving styles for autonomous vehicles | |
Zhang et al. | Detecting driver distractions using a deep learning approach and multi-source naturalistic driving data | |
KR20200075918A (en) | Vehicle and control method thereof | |
Han et al. | The Critical Scenario Extraction and Identification Method for ICV Testing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20141121 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20150813 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20150901 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20151022 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20160126 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160310 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20160809 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20160822 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 6003810 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |