JP7468778B2 - 車両異常検出装置及び車両異常検出方法 - Google Patents
車両異常検出装置及び車両異常検出方法 Download PDFInfo
- Publication number
- JP7468778B2 JP7468778B2 JP2023508128A JP2023508128A JP7468778B2 JP 7468778 B2 JP7468778 B2 JP 7468778B2 JP 2023508128 A JP2023508128 A JP 2023508128A JP 2023508128 A JP2023508128 A JP 2023508128A JP 7468778 B2 JP7468778 B2 JP 7468778B2
- Authority
- JP
- Japan
- Prior art keywords
- vehicle
- abnormality
- detection data
- detection
- data
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims description 242
- 230000005856 abnormality Effects 0.000 title claims description 183
- 238000004364 calculation method Methods 0.000 claims description 23
- 230000005540 biological transmission Effects 0.000 claims description 16
- 230000007257 malfunction Effects 0.000 description 33
- 238000000034 method Methods 0.000 description 21
- 238000003745 diagnosis Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 10
- 230000015556 catabolic process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 5
- 230000008439 repair process Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
- B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
- B60R16/023—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements for transmission of signals between vehicle parts or subsystems
- B60R16/0231—Circuits relating to the driving or the functioning of the vehicle
- B60R16/0232—Circuits relating to the driving or the functioning of the vehicle for measuring vehicle parameters and indicating critical, abnormal or dangerous conditions
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0237—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on parallel systems, e.g. comparing signals produced at the same time by same type systems and detect faulty ones by noticing differences among their responses
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2637—Vehicle, car, auto, wheelchair
Description
本発明は、車両異常検出装置及び車両異常検出方法に関するものである。
特許文献1に、車両が走行中に発生した故障を検出する車載装置が開示されている。この車載装置は、車両に故障が発生したと診断される際に継続して出力される故障情報を受信し、車両の走行距離が所定距離以上となるまで継続して故障情報を受信した場合に、その故障情報の信頼性が高いと判断する。
しかしながら、車両が走行中に検出されるが、停止中では検出できない故障を検出するためには、車両を走らせなければならない。よって、この車両を走行させるためのエネルギーが無駄になる。
本発明は、上記課題に鑑みて成されたものであり、その目的は、第2車両を走行させるために必要なエネルギーを消費せず第2車両の異常を検出することができる車両異常検出装置及び車両異常検出方法を提供することである。
上記目的に鑑み、本発明の一態様に係る車両異常検出装置は、走行中の第1車両から異常が検出されたことを示す異常情報データ及び異常状態の静止中の第1車両から検出された第1検出データ、静止中の第2車両から検出された第2検出データを受信する受信部と、異常情報データと第1検出データとを関連付けて記憶する記憶部と、第1検出データ及び第2検出データを用いて、第2車両に異常があるか否かを判断する異常判断部と、異常があると判断された場合、異常情報データを第2車両が備える又は第2車両に関連する通知装置に送信する送信部と、を備える。
本発明の一態様によれば、第2車両を走行させるために必要なエネルギーを消費せず第2車両の異常を検出することができる。
図面を参照して、実施形態を説明する。図面の記載において同一部分には同一符号を付して説明を省略する。
(第1実施形態)
図1を参照して、第1実施形態に係る車両異常検出装置3を含む車両異常検出システムの全体構成を説明する。車両異常検出システムは、走行中に故障(異常の一例)が検出された故障車両1と、故障検出の対象となる対象車両2と、対象車両2の故障診断を行う車両異常検出装置3と、判断結果を表示する表示装置4とを備える。
図1を参照して、第1実施形態に係る車両異常検出装置3を含む車両異常検出システムの全体構成を説明する。車両異常検出システムは、走行中に故障(異常の一例)が検出された故障車両1と、故障検出の対象となる対象車両2と、対象車両2の故障診断を行う車両異常検出装置3と、判断結果を表示する表示装置4とを備える。
「対象車両」は、車両異常検出装置3によって故障の有無を判断される車両であって、その一例として、車両を販売する販売店(カーディーラーを含む)に持ち込まれた特定のユーザが所有する車両、未だ販売されていない開発中又は実験中の車両(以後、「開発車両」と呼ぶ)、及び長期に放置され走行していなかった車両が挙げられる。一方、「故障車両」は、対象車両の故障診断を行う際に車両異常検出装置3が用いるデータが検出された車両である。
全ての実施形態において、「異常」には、車両が正常ではないこと、すなわち、車両が本来備える所定の機能、能力又は特性を発揮できなくなる故障のみならず、故障までは至らない不調及び故障の兆しも含まれる。「異常」の一例として「故障」について説明するが、「異常」の意味を故障に限定する意図はない。
故障車両1及び対象車両2は、それぞれ、車両1、2を制御する複数の電子制御ユニット(ECU:Electronic Control Unit)13、14、・・・、23、24、・・・を有し、車両1、2の制御においては、これら複数のECU間でデータを共有している。共有する際の通信プロトコルとして、CAN(Controller Area Network)が用いられている。自動車では、CAN通信を介した車載ネットワークを利用し、CAN上を流れる時系列データであるCANメッセージデータ(以下、CANデータ)を利用して故障診断を行うことができる。
故障車両1及び対象車両2は、それぞれ、CANデータ及びECU13、14、・・・、23、24、・・・の入力データ及び出力データ(これらを纏めて「検出データ」と呼ぶ)を収集する車両信号収集部12、22と、検出データを車両異常検出装置3へ送信する送信部11、21を更に有する。ECUには、ゲートウェイECU、車内エンターテインメント(IVI:in-vehicle infotainment)ECU、テレマティクス制御ユニット(TCU)、エンジン制御ECU、充電制御ECU、パワーステアリングECU、エアバッグECU、ハイブリッド制御ECU、トランスミッション制御ECUが含まれる。
車両異常検出装置3は、走行中又は停止中(静止中の一例)の故障車両1及び対象車両2から検出された様々なデータを受信する受信部31と、受信したデータを記憶する記憶部(走行/停止信号相関データベース34)と、記憶したデータを用いて、対象車両2の故障診断を行う異常判断部(第2故障部位特定部35)と、故障があると判断された場合に、その旨のデータを通知装置(表示装置4)へ送信する送信部61とを少なくとも有する。
受信部31は、走行中の故障車両1(第1車両)から異常が検出されたことを示す異常情報データ及び故障が発生している状態の静止中の故障車両1から検出された第1検出データを受信し、故障車両1とは異なる対象車両2(第2車両)であって静止中の対象車両2から検出された第2検出データを受信する。走行/停止信号相関データベース(DB)34は、異常情報データと第1検出データとを関連付けて記憶する。異常情報データは、走行中の故障車両1から異常が検出されたことを少なくとも示す。走行/停止信号相関DB34は、CANデータ(第1検出データの一例)に対して、「故障」というラベル(異常情報データ)を付して、記憶する。第1検出データが検出されたときの故障車両1は未だ故障が修理されていない状態であり、第1検出データは、故障車両1が停止中(静止中の一例)において検出されたデータである。
「停止中」には、車両は走行していないが、走行可能な状態、例えば、エンジンが始動している状態、走行に必要な制御ユニットの電源がオンの状態が含まれる。「静止中」には、前記した停止中の他に、走行可能ではないが、車載されたエアコン、音響機器及びナビゲーションシステムの電源がオンの状態が含まれる。
第2故障部位特定部35は、第1検出データ及び第2検出データを用いて、走行中の故障車両1から検出された異常が対象車両2にあるか否かを判断する。第2故障部位特定部35は、第1検出データ及び第2検出データを比較して、異常が対象車両2にあるか否かを判断する。第2故障部位特定部35は、第2検出データが第1検出データに類似している場合、第1検出データが検出された故障車両1と同じ又は類似の故障が、対象車両2にも発生していと判断する。第2故障部位特定部35は、第1検出データに紐付けられた異常情報データを用いて、異常が検出されたことを少なくとも特定することができる。さらに、第2故障部位特定部35は、異常情報データに含まれる、その異常が検出された車両の部位、及びその異常が発生した車両の部位、交換/修理する部品を特定してもよい。
送信部61は、対象車両2に故障があると判断された場合、異常情報データを表示装置4に送信する。表示装置4は、通知装置の一例であり、例えば、対象車両2のインストルメントパネルに搭載されたナビゲーションシステムの操作画面、オーディオシステム又はエアコンの操作画面のような対象車両2が備える装置、及び、対象車両2の故障診断を行う販売店(カーディーラー)内に設置されたユーザインターフェース画面、或いは、販売店の販売員又は対象車両2のユーザが保持する携帯端末の表示画面のような対象車両2に関連する装置が含まれる。通知装置には、表示装置4の他に、音声で診断結果を伝える音声出力装置、電子メールで診断結果を伝えるメール発信装置が含まれる。
第2故障部位特定部35は、走行中の故障車両1から異常が検出され、静止中の故障車両から検出された第1検出データ及び静止中の対象車両2から検出された第2検出データを用いて、第1検出データに関連付けられた異常情報データが示す異常が対象車両2にあるか否かを判断する。これにより、走行中に検出される異常の有無を、静止時の検出データ(第1検出データ及び第2検出データ)を用いて判断することができる。走行中には何らかの異常があったが静止中には発現しない異常を、静止中に検出された第1及び第2検出データを用いて検出することができる。つまり、走行時にしか検出できない異常を、対象車両2を走行させることなく検出することができる。このために、対象車両2を走行させるために必要なエネルギーを消費せずに温存することができる。また、開発中又は実験中の車両或いは長く放置した車両であっても、実際に走行させることなく、静止させたまま、走行時に発生する異常の有無を判断することができる。
車両異常検出装置3は、受信部31と、第1故障部位特定部32と、走行/停止紐付け部33と、走行/停止信号相関DB34と、第2故障部位特定部35と、送信部61とを備えていてもよい。第1故障部位特定部32は、第1検出データから故障車両1の故障部位を特定する。例えば、第1故障部位特定部32は、CANデータから故障コードを取得し、故障コードから故障車両1の故障部位を特定する。
「故障コード」として、アルファベット1文字と4桁の数字から構成されるDTC(Diagnostic Trouble Code)が例示される。DTCは、自動車をはじめとする輸送機器を制御する複数の電子制御ユニット(ECU)にプログラミングされている自己診断機能(OBD2:On-Board Diagnostics 2)の故障コードである。DTCは、国際標準規格等で規格化されており、自動車メーカーに依らず共通に定義されているものと、各自動車メーカーが自由に定義しているものがある。車両が故障した際、カーディーラーにて故障診断機(車両異常検出装置3の一例)を接続することでDTCを取得し、DTCから故障部位及び故障原因の少なくとも一方を特定することにより、故障部位を交換または修理することができる。故障部位の代わりに、故障種別であっても構わない。故障種別を特定することにより、様々な場面で発生した故障であっても、その異常種別ごとへの修理対応をすることができる。
走行/停止紐付け部33は、故障が発生している状態の走行中の故障車両1から検出された検出データ(第4検出データ)と、第1検出データと、異常情報データとを紐付けた教師データを作成してもよい。さらに、故障が発生していない正常な状態の停止中の故障車両1から検出された検出データ(第5検出データ)を紐付けに追加してもよい。第1故障部位特定部32により特定された故障部位及び故障原因の少なくとも一方を第1検出データに紐づけて教師データを作成しても構わない。紐付ける情報を増やすことにより、第2故障部位特定部35で特定される情報(故障部位、故障種別、故障原因、走行時のCANデータ、DTC)も増える。走行/停止信号相関DB34には、これらの教師データが記憶される。
第2故障部位特定部35は、走行/停止紐付け部33により作成された教師データを用いて、故障の有無、故障部位、故障種別、故障原因を特定する学習モデルを有している。これらの学習モデルは、勾配ブースティング、ベイジアンネットワーク、ディープラーニングなどの機械学習を用いて作成してもよく、ルールベースで作成してもよい。これにより、様々な場面で発生した故障であっても、所定部位の故障であると特定することができる。併せて故障原因を特定することができる。
図2Aを参照して、図1の車両異常検出装置3の動作の一例を説明する。まず、ステップS10にて走行/停止紐付け部33が教師データを作成し、ステップS20に進み、第2故障部位特定部35が教師データを用いて学習モデルを作成する。ステップS30に進み、第2故障部位特定部35が学習モデルを用いて対象車両2の故障診断を行い、ステップS40に進み、送信部61が診断結果を表示装置4へ送信する。
各ステップS10~S40の詳細な手順を説明する。ステップS101にて、受信部31が、故障が発生している状態の走行中の故障車両1から検出された検出データ(第4検出データ)を故障車両1から受信する。ステップS102に進み、受信部31が、故障が発生している状態の停止中の故障車両1から検出された検出データ(第1検出データ)を故障車両1から受信する。
ステップS103に進み、図2Aの教師データD01に示すように、走行/停止紐付け部33が、第4検出データ(data1、data2、data3)と第1検出データ(data1’、data2’、data3’)と、異常情報データ(故障対象、原因)と、故障が発生していない正常な状態の停止中の故障車両1から検出された第5検出データ(data1’’、data2’’、data3’’)とを紐付けて、停止中の正常/故障の教師データを作成する(ステップS104)。ステップS201に進み、第2故障部位特定部35(学習モデル作成部)は、教師データを用いて、停止中の教師データを正常又は異常に分類する学習モデルを作成する。
ステップS301に進み、受信部31が停止中の対象車両2から検出された第2検出データを受信する。ステップS302に進み、第2故障部位特定部35は、第1検出データ及び第2検出データとステップS201で作成した学習モデルを用いて、走行中の故障車両1から検出された異常が対象車両2にあるか否かを判断する。具体的には、第2故障部位特定部35は、ステップS201の学習モデルを用いて、第2検出データと第1検出データとの類似度を算出する。ステップS201の学習モデルを用いる算出方法の一例として勾配ブースティングが挙げられる。このとき、類似度の一例として、勾配ブースティングにおいて算出される適合率を用いることができる。所定の複数の確認事項のうち第1検出データと第2検出データが適合する事項の数の割合を適合率として算出する。
類似度が所定値以上である場合(S303でYES)、第2故障部位特定部35は、異常情報データ(教師データD01の故障対象、原因)に示された故障が対象車両2にあると判断する。類似度が所定値未満である場合(S303でNO)、第2故障部位特定部35は、対象車両2に故障はないと判断する。ステップS401に進み、送信部61は、少なくとも故障の有無を含む診断結果を表示装置4に送信する。
以上説明したように、受信部31は、故障が発生していない正常な状態の停止中の故障車両1から検出された第3検出データを更に受信する。第2故障部位特定部35(学習モデル作成部)は、第3検出データと第1検出データとを用いて学習モデルを作成する。第2故障部位特定部35は、学習済みの学習モデルを用いて、第2検出データから対象車両2に故障があるか否かを判断する。故障が発生していない正常な状態(例えば故障修理後)の停止中の故障車両1から検出された第3検出データと第1検出データを用いて学習した学習モデルを用いる。これにより、第2検出データが、故障時の停止時検出データ或いは正常時の停止時検出データのいずれに類似するかを判断することができるので、故障の発生の有無を精度よく判断することができる。例えば、故障箇所を修理した後に、対象車両2を走行させることなく、故障が無くなったことを精度よく確認することができる。
第2故障部位特定部35は、第1検出データと第2検出データとの類似度が閾値以上である場合に、故障があると判断する。第1検出データと第2検出データとの類似度に基づいて、故障の有無を判断することにより、故障の発生の有無を精度よく検出することができる。
(変形例)
図2Aを参照して説明した車両異常検出装置3の動作の一例では、学習モデルを作成し、この学習モデルを用いて第2検出データと第1検出データとの類似度を算出したが、類似度の算出方法として、学習モデルを利用しない方法もある。学習モデルを利用しない方法として、例えば、主成分分析を用いて類似度を算出する方法がある。
図2Aを参照して説明した車両異常検出装置3の動作の一例では、学習モデルを作成し、この学習モデルを用いて第2検出データと第1検出データとの類似度を算出したが、類似度の算出方法として、学習モデルを利用しない方法もある。学習モデルを利用しない方法として、例えば、主成分分析を用いて類似度を算出する方法がある。
具体的には、図2Bに示すように、ステップS104の後に、図2AのステップS20、すなわち、学習モデルを作成するステップS201を実施せずに、ステップS60に進む。ステップS60では、ステップS104で作成した停止中の正常/故障の教師データを主成分分析して、正常と各故障のクラスタに分類する。その後、ステップS30へ進む。ステップS302において、対象車両の停止時の検出データを前記主成分分析に投影したとき、各クラスタ重心からの情報距離としてマハラノビス距離を算出することで各クラスタとの類似度を算出する。ここで、クラスタ分類手法は主成分分析に限らず、また情報距離はマハラノビス距離に限らない。また、クラスタ分類においては、例えば2次元にマッピングする、といった主成分分析で次元削減を行った後、k-means法などのクラスタリング手法で分類してもよい。
(第2実施形態)
図3を参照して、第2実施形態に係る車両異常検出装置3を含む車両異常検出システムの全体構成を説明する。図1と同じ部分については、同じ符号を付して説明を省略する。図3の車両異常検出システムは、図1の走行/停止紐付け部33の代わりに、走行/停止相関抽出部36を備える点が相違し、その他の構成は同じである。
図3を参照して、第2実施形態に係る車両異常検出装置3を含む車両異常検出システムの全体構成を説明する。図1と同じ部分については、同じ符号を付して説明を省略する。図3の車両異常検出システムは、図1の走行/停止紐付け部33の代わりに、走行/停止相関抽出部36を備える点が相違し、その他の構成は同じである。
走行/停止相関抽出部36は、故障が発生している状態の走行中の故障車両1から検出された第4検出データと、故障が発生している状態の停止中の故障車両1から検出された第1検出データとの間で、共通して変化のある信号を抽出する。又は、共通して信号間の相関関係が正常時の検出データと異なっている部分を抽出してもよい。走行/停止相関抽出部36は、静止中の故障車両1から検出され且つ受信部31により受信された第1検出データ全体のうち第3検出データから所定値以上乖離した部分を、第1検出データとして抽出する。これにより、第2故障部位特定部35が処理するデータ量が削減されるので、計算コストを低減して、故障診断の効率化を図ることができる。
図4を参照して、図3の車両異常検出装置3の動作の一例を説明する。図2Aと同じ部分については、同じ符号を付して説明を省略する。図4の車両異常検出方法は、図2AのステップS102の後、且つステップS103の前に、ステップS110を実施する点、つまり、ステップS110を追加した点が相違し、その他の構成は同じである。
第4検出データ及び第1検出データを受信した後、ステップS110に進み、走行/停止相関抽出部36は、第4検出データ及び第1検出データのうち、正常時の検出データから乖離している信号もしくは相関関係を抽出する。走行時データ(第4検出データ)と停止時データ(第1検出データ)の共通部分のうち、正常時の検出データから乖離している部分を抽出しても構わない。ステップS103において、走行/停止紐付け部33は、第4検出データ(data1、data2、data3)の抽出部分と第1検出データ(data1’、data2’、data3’)の抽出部分とを紐付ける。
(第3実施形態)
図5を参照して、第3実施形態に係る車両異常検出装置3を含む車両異常検出システムの全体構成を説明する。図3と同じ部分については、同じ符号を付して説明を省略する。図5の車両異常検出システムは、図3に比べて、第1異常度算出部37と、第2異常度算出部38(異常度算出部)とを更に備える点が相違し、その他の構成は同じである。
図5を参照して、第3実施形態に係る車両異常検出装置3を含む車両異常検出システムの全体構成を説明する。図3と同じ部分については、同じ符号を付して説明を省略する。図5の車両異常検出システムは、図3に比べて、第1異常度算出部37と、第2異常度算出部38(異常度算出部)とを更に備える点が相違し、その他の構成は同じである。
第1異常度算出部37は、正常時からの逸脱量を定量化した異常度を算出する。第1異常度算出部37は、故障が発生している状態の停止中の故障車両1から検出された第1検出データと、故障が発生していない正常な状態の停止中の故障車両1から検出された第3検出データとを比較することにより、故障車両1の異常度を算出する。
例えば、第1異常度算出部37は、(1)式を用いて異常度a(x’)を算出する。
a(x’)={(x’-m)2}/2s2 ・・・(1)
但し、(1)式において「x’」は故障車両1の第1検出データ、「m」は正常な状態の停止中の故障車両1から検出された第6検出データ、「s」は第6検出データの標準偏差である。
但し、(1)式において「x’」は故障車両1の第1検出データ、「m」は正常な状態の停止中の故障車両1から検出された第6検出データ、「s」は第6検出データの標準偏差である。
第1故障部位特定部32は、算出した異常度と予め設定した異常度閾値を比較し、異常度が異常度閾値を超える場合には、故障車両1に故障が発生していると判断してもよい。なお、異常度の算出方法は、上記手法に限らない。走行/停止相関抽出部36は、算出した異常度を抽出部分に関連付けて教師データD01を作成してもよい。
第2異常度算出部38(異常度算出部)は、停止中の対象車両2から検出された第2検出データと、故障が発生していない正常な状態の停止中の対象車両2から検出された検出データとを比較することにより、異常度を算出する。第2異常度算出部38は、第1異常度算出部37が用いた異常度の算出方法と同じ方法を用いて、停止中の対象車両2の検出データから、走行時の対象車両2の異常度を算出することができる。送信部61は、算出した対象車両2の異常度を故障診断結果の一部として表示装置4に送信する。これにより、対象車両2の修理のタイミングや修理の優先度を判断する指標を得ることができる。
第2異常度算出部38は、対象車両2の異常度から、更に、故障車両1の異常度を基準とした対象車両2の異常度の相対値を算出してもよい。送信部61は、算出した対象車両2の異常度の代わりに、又は対象車両2の異常度と共に前記した相対値を故障診断結果の一部として表示装置4に送信する。これにより、対象車両2の修理のタイミングや修理の優先度を判断する指標を得ることができる。
図6を参照して、図5の車両異常検出装置3の動作の一例を説明する。図4と同じ部分については、同じ符号を付して説明を省略する。図6の車両異常検出方法は、図4のステップS201の後、且つステップS301の前に、ステップS501を追加する点、及び、故障の有無の判断(S304、S305)の後、診断結果の送信(S401)の前に、ステップS306及びステップ307を追加する点が異なり、その他の構成は同じである。
学習モデルを作成した後に、ステップS501に進み、第1異常度算出部37は、(1)式を用いて故障車両1の停止時の異常度a(x’)を算出する。
類似度を用いて故障の有無を判断した後に、ステップS306に進み、第2異常度算出部38は、第1異常度算出部37と同じ算出手法である(1)式を用いて、対象車両2の異常度を算出する。ステップS307に進み、第2異常度算出部38は、故障車両1の異常度を基準とした対象車両2の異常度の相対値を算出する。換言すれば、対象車両2の異常度の相対値を故障車両1の異常度で除算して前記した相対値を算出する。ステップS401では、送信部は、対象車両2の異常度及びその相対値を、故障診断結果の一部として、表示装置4へ送信する。
(第4実施形態)
図7を参照して、第4実施形態に係る車両異常検出装置3を含む車両異常検出システムの全体構成を説明する。図3と同じ部分については、同じ符号を付して説明を省略する。図7の車両異常検出システムは、図3に比べて、クラスタリング部39を更に備える点が相違し、その他の構成は同じである。
図7を参照して、第4実施形態に係る車両異常検出装置3を含む車両異常検出システムの全体構成を説明する。図3と同じ部分については、同じ符号を付して説明を省略する。図7の車両異常検出システムは、図3に比べて、クラスタリング部39を更に備える点が相違し、その他の構成は同じである。
受信部31は、故障が発生している状態の走行中の故障車両1から検出された第4検出データ、及び故障が発生していない正常な状態の走行中の故障車両1から検出された第5検出データを更に受信する。クラスタリング部39は、正常及び複数の故障モードを含めた故障車両1の様々な走行時の検出データ(第4検出データ、第5検出データ)をクラスタリングすることにより、走行/停止相関抽出部36により抽出された信号又は相関関係と故障との関連性を確認する。これにより、第2故障部位特定部35により特定された故障部位と他の可能性がある故障部位とを分類することができる。すなわち、第4検出データ及び第5検出データのクラスタリングが故障診断のダブルチェック機能の役割を果たすことで、多数存在する故障部位の選択肢の中から、精度良く故障部位を特定することができる。
図8を参照して、図7の車両異常検出装置3の動作の一例を説明する。図4と同じ部分については、同じ符号を付して説明を省略する。図8の車両異常検出方法は、図4のステップS110の後且つS103の前にステップS105を追加する点、図4のステップS302、S303、S304、S305の代わりに、ステップS308を実施する点が異なり、その他の構成は同じである。
信号又は相関関係を抽出した後(S110)、ステップS105に進み、クラスタリング部39は、正常及び複数の故障モードを含めた故障車両1の様々な走行時の検出データ(第4検出データ、第5検出データ)をクラスタリングすることにより、走行/停止相関抽出部36により抽出された信号又は相関関係と故障との関連性を確認する。その後、ステップS103へ進む。
受信部31が停止中の対象車両2から検出された第2検出データを受信した後(S301)、ステップS308に進み、第2故障部位特定部35は、勾配ブースティングを用いて対象車両1の第2検出データを分類して故障診断を行う。これにより、推定した故障部位と他の可能性がある故障部位とを精度よく分類することができる。
(第5実施形態)
図9を参照して、第5実施形態に係る車両異常検出装置3を含む車両異常検出システムの全体構成を説明する。図1と同じ部分については、同じ符号を付して説明を省略する。図9の車両異常検出システムは、図1に比べて、車両異常検出装置3が、走行/停止紐付け部33及び走行/停止信号相関DB34の代わりに、予測モデル作成部41及び予測モデルDB42を有し、走行時データ予測部43を更に有する点が相違し、その他の構成は同じである。
図9を参照して、第5実施形態に係る車両異常検出装置3を含む車両異常検出システムの全体構成を説明する。図1と同じ部分については、同じ符号を付して説明を省略する。図9の車両異常検出システムは、図1に比べて、車両異常検出装置3が、走行/停止紐付け部33及び走行/停止信号相関DB34の代わりに、予測モデル作成部41及び予測モデルDB42を有し、走行時データ予測部43を更に有する点が相違し、その他の構成は同じである。
受信部31は、第1~第3検出データ、故障が発生している状態の走行中の故障車両1から検出された第4検出データ、及び故障が発生していない正常な状態の走行中の故障車両1から検出された第5検出データを受信する。予測モデル作成部41は、第1検出データと第4検出データとの第1相関関係を学習し、第3検出データと第5検出データとの第2相関関係を学習する。具体的には、入力を停止時の検出データ(第1検出データ、第3検出データ)とし、出力を走行時の検出データ(第4検出データ、第5検出データ)とする予測モデルをリカレントニューラルネットワークの一例であるLSTM(Long short-term memory)を用いて学習する。予測された走行時の検出データが実際の走行時の検出データに収束するように学習する。これにより、予測モデル作成部41は、停止時の検出データから走行時の検出データを予測する予測モデルを作成することができる。作成された予測モデルは、予測モデルDB42に格納される。
走行時データ予測部43は、予測モデルDB42に格納された予測モデルを用いて、対象車両1の停止時の第2検出データから対象車両1の走行時の検出データを推定する。第2故障部位特定部35は、推定した対象車両2の走行時の検出データに基づいて、対象車両2に故障があるか否かを判断する。
これにより、対象車両2の停止時の検出データから走行時の故障の有無を特定することが可能となる。また、故障箇所を修理した後の停止時の検出データから、走行中に検出された故障が治り、正常に戻ったことを確認することが可能となる。
第2故障部位特定部35(異常判断部)は、第1検出データと第4検出データとの第1相関関係及び第3検出データと第5検出データとの第2相関関係を用いて、故障車両2に故障があるか否かを判断する。これにより、故障時の停止中及び走行中の検出データとの相関関係、及び正常時の停止中及び走行中の検出データとの相関関係を用いて故障の有無を判断することにより、判断精度を高めることができる。
図10を参照して、図9の車両異常検出装置3の動作の一例を説明する。図2Aと同じ部分については、同じ符号を付して説明を省略する。図10の車両異常検出方法は、図2AのステップS104及びS201の代わりに、S202及びS203を実施し、図2AのステップS302~S305の代わりに、S309及びS310を実施する点が異なり、その他の構成は同じである。
ステップS202において、予測モデル作成部41は、入力を停止時の検出データとし、出力を走行時の検出データとする予測モデルを、出力される走行時の検出データが実際の走行時の検出データに収束するように学習する。ステップS203に進み、予測モデル作成部41は、停止時の検出データから走行時の検出データを予測する予測モデルを作成して、予測モデルDB42に格納する。
ステップS309において、走行時データ予測部43は、予測モデルDB42に格納された予測モデルを用いて、対象車両1の停止時の第2検出データから対象車両1の走行時の検出データを推定する。第2故障部位特定部35は、推定した対象車両2の走行時の検出データに基づいて、対象車両2に故障があるか否かを判断する。
図11を参照して、表示装置4の表示画面の例を説明する。対象車両2の停止時の検出データ53の中に、故障が発生していない状態の同車種の停止時の検出データ51と比べて相違する箇所55、56がマークされている。そして、走行時データ予測部43が予測した対象車両1の走行時の検出データ54が示され、走行時の検出データ54の中に、停止時の検出データ53と同じ個所55、56にマークされ、更に、故障の症状があらわれている箇所57、58にもマークされている。走行時の検出データ54と対比するために、正常状態の同車種の走行時の検出データ52も表示されている。停止時の検出データ51と正常状態(51、52)との比較、停止時の検出データ51と予測された走行時の検出データ54との比較により、対象車両2の故障を納得がいくように分かり易く表示することができる。さらに、正常状態から乖離した信号の種類(signa12、signal8)及び予測される故障部位(部品A、部品D)を表示することで、故障への対処(修理)方法を検討しやすくすることができる。
上記のように、本発明の実施形態を記載したが、この開示の一部をなす論述及び図面はこの発明を限定するものであると理解すべきではない。この開示から当業者には様々な代替実施の形態、実施例及び運用技術が明らかとなろう。
送信部61は、対象車両2の静止時に、故障が発生することが予測される走行状態(例えば、毎時80km以上の走行速度)を示す走行状態情報を通知装置4に送信してもよい。対象車両2のユーザは、対象車両2の静止中において、予め、故障の発生が予想される走行状況を知ることができるので、故障の発生を抑制して、車両の安全性を高めることができる。
送信部61は、対象車両2の静止時に、故障によって制限される走行条件(例えば、毎時80km以下の走行速度)を示す走行制限情報を通知装置4に送信してもよい。対象車両2のユーザは、対象車両2の静止中において、予め、故障によって制限される走行条件を知ることができるので、故障の発生を抑制し且つ車両を安全に走行させることができる。
故障を検出した部位ごとに、故障車両1の停止時の検出データをデータベース34に記憶し、第2故障部位特定部35は、対象車両2が故障していると判断した場合、故障車両1の停止時の検出データに関連つけられた部品を対象車両2の異常のある部品として推定する。これにより、様々な場面で発生した故障であっても、所定部位の故障であると特定することができる。
また、故障の種別ごとに、故障車両1の停止時の検出データをデータベース34に記憶し、第2故障部位特定部35は、対象車両2が故障していると判断した場合、故障車両1の停止時の検出データに関連つけられた故障の種別を対象車両2の故障の種別として推定する。これにより、様々な場面で発生した故障であっても、異常種別ごとへの修理対応をすることができる。
また、故障車両1及び対象車両2は同一の車両であってもよい。これにより、車両別に分類したうえで診断をすることができ、故障診断の精度を向上させることができる。
4 表示装置(通知装置) 31 受信部 34 走行/停止信号相関DB(記憶部) 35 第2故障部位特定部(異常判断部) 38 第2異常度算出部(異常度算出部) 41 予測モデル作成部(学習モデル作成部) 42 予測モデルDB(記憶部) 61 送信部
Claims (10)
- 走行中の第1車両から異常が検出されたことを示す異常情報データ及び前記異常が発生している状態の静止中の前記第1車両から検出された第1検出データを受信し、前記第1車両とは異なる第2車両であって静止中の前記第2車両から検出された第2検出データを受信する受信部と、
前記異常情報データと前記第1検出データとを関連付けて記憶する記憶部と、
前記第1検出データ及び前記第2検出データを用いて、走行中の前記第1車両から検出された前記異常が前記第2車両にあるか否かを判断する異常判断部と、
前記異常があると判断された場合、前記異常情報データを前記第2車両が備える又は前記第2車両に関連する通知装置に送信する送信部と、
を備える車両異常検出装置。 - 前記受信部は、前記異常が発生していない正常な状態の静止中の前記第1車両から検出された第3検出データを更に受信し、
前記車両異常検出装置は、前記第3検出データと前記第1検出データとを用いて学習モデルを作成する学習モデル作成部を更に備え、
前記異常判断部は、学習済みの前記学習モデルを用いて、前記第2検出データから前記第2車両に前記異常があるか否かを判断する
請求項1に記載の車両異常検出装置。 - 前記異常判断部は、前記第1検出データと前記第2検出データとの類似度が閾値以上である場合に、前記異常があると判断する、請求項2に記載の車両異常検出装置。
- 前記第1検出データは、静止中の前記第1車両から検出されたデータ全体のうち前記第3検出データから所定値以上乖離した部分を抽出したデータである、請求項2に記載の車両異常検出装置。
- 前記受信部は、前記異常が発生している状態の走行中の前記第1車両から検出された第4検出データ、及び前記異常が発生していない正常な状態の走行中の前記第1車両から検出された第5検出データを更に受信し、
前記異常判断部は、前記第1検出データと前記第4検出データとの第1相関関係及び第3検出データと前記第5検出データとの第2相関関係を用いて、前記第2車両に前記異常があるか否かを判断する
請求項2に記載の車両異常検出装置。 - 前記送信部は、前記第2車両の静止時に、前記異常が発生することが予測される走行状態を示す走行状態情報を前記通知装置に送信する、請求項1~5のいずれか一項に記載の車両異常検出装置。
- 前記送信部は、前記第2車両の静止時に、前記異常によって制限される走行条件を示す走行制限情報を前記通知装置に送信する、請求項1~6のいずれか一項に記載の車両異常検出装置。
- 正常時からの逸脱量を定量化した示す前記第2車両の異常度を算出する異常度算出部を更に備え、
前記送信部は、前記第2車両の異常度を前記通知装置に送信する
請求項1~7のいずれか一項に記載の車両異常検出装置。 - 正常時からの逸脱量を定量化した示す異常度を算出する異常度算出部を更に備え、
前記異常度算出部は、
前記第1車両の異常度を算出し、
前記第1車両の異常度と前記第1検出データとを関連付けて前記記憶部に記憶させ、
前記第2車両の異常度を算出し、
第1車両の異常度を基準とした前記第2車両の異常度の相対値を算出し、
前記送信部は、前記相対値を前記通知装置に送信する
請求項1~7のいずれか一項に記載の車両異常検出装置。 - 走行中の第1車両から異常が検出されたことを示す異常情報データ及び前記異常が発生している状態の静止中の前記第1車両から検出された第1検出データを受信し、
前記第1車両とは異なる第2車両であって静止中の前記第2車両から検出された第2検出データを受信し、
前記異常情報データと前記第1検出データとを関連付けて記憶し、
前記第1検出データ及び前記第2検出データを用いて、走行中の前記第1車両から検出された前記異常が前記第2車両にあるか否かを判断し、
前記異常があると判断された場合、前記異常情報データを前記第2車両が備える又は前記第2車両に関連する通知装置に送信する、
車両異常検出方法。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/IB2021/000192 WO2022200821A1 (ja) | 2021-03-25 | 2021-03-25 | 車両異常検出装置及び車両異常検出方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2022200821A1 JPWO2022200821A1 (ja) | 2022-09-29 |
JP7468778B2 true JP7468778B2 (ja) | 2024-04-16 |
Family
ID=83395245
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023508128A Active JP7468778B2 (ja) | 2021-03-25 | 2021-03-25 | 車両異常検出装置及び車両異常検出方法 |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP4316918A1 (ja) |
JP (1) | JP7468778B2 (ja) |
CN (1) | CN117120307A (ja) |
WO (1) | WO2022200821A1 (ja) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004268633A (ja) | 2003-03-05 | 2004-09-30 | Mazda Motor Corp | 遠隔故障予測システム |
JP2013008111A (ja) | 2011-06-22 | 2013-01-10 | Hitachi Engineering & Services Co Ltd | 異常予兆診断装置および異常予兆診断方法 |
JP2014084037A (ja) | 2012-10-25 | 2014-05-12 | Hino Motors Ltd | 車両診断装置 |
JP2015158421A (ja) | 2014-02-24 | 2015-09-03 | 株式会社デンソー | 補正値生成装置、故障診断装置、補正値生成プログラム、および故障診断プログラム |
JP2019196921A (ja) | 2018-05-07 | 2019-11-14 | トヨタ自動車株式会社 | 診断装置、診断システム、及び診断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4544325B2 (ja) | 2008-03-25 | 2010-09-15 | 株式会社デンソー | 車載装置 |
-
2021
- 2021-03-25 WO PCT/IB2021/000192 patent/WO2022200821A1/ja active Application Filing
- 2021-03-25 CN CN202180096119.1A patent/CN117120307A/zh active Pending
- 2021-03-25 JP JP2023508128A patent/JP7468778B2/ja active Active
- 2021-03-25 EP EP21932813.5A patent/EP4316918A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004268633A (ja) | 2003-03-05 | 2004-09-30 | Mazda Motor Corp | 遠隔故障予測システム |
JP2013008111A (ja) | 2011-06-22 | 2013-01-10 | Hitachi Engineering & Services Co Ltd | 異常予兆診断装置および異常予兆診断方法 |
JP2014084037A (ja) | 2012-10-25 | 2014-05-12 | Hino Motors Ltd | 車両診断装置 |
JP2015158421A (ja) | 2014-02-24 | 2015-09-03 | 株式会社デンソー | 補正値生成装置、故障診断装置、補正値生成プログラム、および故障診断プログラム |
JP2019196921A (ja) | 2018-05-07 | 2019-11-14 | トヨタ自動車株式会社 | 診断装置、診断システム、及び診断方法 |
Also Published As
Publication number | Publication date |
---|---|
JPWO2022200821A1 (ja) | 2022-09-29 |
WO2022200821A1 (ja) | 2022-09-29 |
EP4316918A1 (en) | 2024-02-07 |
CN117120307A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101974347B1 (ko) | 차량 고장 진단 시스템 및 그 진단방법 | |
CN106406273B (zh) | 车辆中故障原因的确定 | |
US6950782B2 (en) | Model-based intelligent diagnostic agent | |
CN101514942B (zh) | 车辆诊断装置、车辆诊断系统以及诊断方法 | |
JP4928532B2 (ja) | 車両の故障診断装置 | |
US8374745B2 (en) | Telematics-enabled aggregated vehicle diagnosis and prognosis | |
KR20190107080A (ko) | 클라우드 기반 차량 고장 진단 방법, 장치 및 시스템 | |
EP2064106A1 (en) | Diagnostic system and method for monitoring a rail system | |
CN103048992A (zh) | 汽车故障远程监控和云端诊断方法及系统 | |
KR101936895B1 (ko) | 소음을 이용한 딥러닝 기반 자동차 고장진단 시스템 및 방법 | |
JP2007326425A (ja) | 通信制御ユニット,故障解析センタ,及び故障解析方法 | |
EP3865963A1 (en) | Method and device for analyzing vehicle failure | |
KR20170076131A (ko) | 차량 고장 진단 분석을 위한 주행 데이터 모니터링 시스템 및 방법 | |
JP2005219717A (ja) | 車両・車載機器の異常診断装置 | |
US20230252829A1 (en) | Method and diagnostic device for performing vehicle diagnostics | |
KR20190119514A (ko) | 차량용 온보드 사이버보안진단 시스템, 전자 제어 장치 및 그것의 동작 방법 | |
CN115016428A (zh) | 一种应用于特种车辆的立体化多级诊断系统及方法 | |
US20220108569A1 (en) | Automated detection of vehicle data manipulation and mechanical failure | |
JP7468778B2 (ja) | 車両異常検出装置及び車両異常検出方法 | |
KR102255599B1 (ko) | 차량 고장 진단 서비스 제공 시스템 및 방법 | |
US20220284740A1 (en) | Method for determining the operating state of vehicle components | |
US20240087370A1 (en) | Method for detecting the state of a vehicle component | |
Goyal et al. | Smart vehicle: Online prognosis for vehicle health monitoring | |
KR102242227B1 (ko) | 차량 게이트웨이를 이용한 차량 진단 정보 제공 시스템 및 방법 | |
KR20210123657A (ko) | 차량 고장 정보를 이용한 위험 등급 판단방법, 위험 등급 판단장치 및 이를 위한 컴퓨터 프로그램 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230915 |
|
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: 20240305 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240318 |