JPH05180730A - 故障診断方法 - Google Patents
故障診断方法Info
- Publication number
- JPH05180730A JPH05180730A JP3306606A JP30660691A JPH05180730A JP H05180730 A JPH05180730 A JP H05180730A JP 3306606 A JP3306606 A JP 3306606A JP 30660691 A JP30660691 A JP 30660691A JP H05180730 A JPH05180730 A JP H05180730A
- Authority
- JP
- Japan
- Prior art keywords
- sensor
- degree
- functional components
- functional
- failure
- 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
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Combined Controls Of Internal Combustion Engines (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
- Testing Of Engines (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
(57)【要約】
【目的】 複数の機能部品が相互に関連付けられた車両
の故障診断に際して、機種に応じた故障診断を広範囲に
わたって精度良く行い得るようにすることを目的とす
る。 【構成】 互いに関連する二つの機能部品に対して関連
度に応じた重み付けをそれぞれ設定する。そして、セン
サごとの検出値を異常度合を示すメンバーシップ値に変
換して、これらのメンバーシップ値を各センサを起点と
して関連する機能部品の系統ごとに機能部品間の関連度
に応じて重み付け演算を行い、各系統についての演算結
果に基づいて機能部品の故障状態を推論する。また、上
記メンバーシップ値を経験則に則したルールに車種別に
照らし合わせて機能部品の故障状態を推論し、この推論
結果を示す数値と上記の推論処理による推論結果を示す
数値とを機能部品ごとに加算した結果に基づいて故障状
態の機能部品を特定するようにする。
の故障診断に際して、機種に応じた故障診断を広範囲に
わたって精度良く行い得るようにすることを目的とす
る。 【構成】 互いに関連する二つの機能部品に対して関連
度に応じた重み付けをそれぞれ設定する。そして、セン
サごとの検出値を異常度合を示すメンバーシップ値に変
換して、これらのメンバーシップ値を各センサを起点と
して関連する機能部品の系統ごとに機能部品間の関連度
に応じて重み付け演算を行い、各系統についての演算結
果に基づいて機能部品の故障状態を推論する。また、上
記メンバーシップ値を経験則に則したルールに車種別に
照らし合わせて機能部品の故障状態を推論し、この推論
結果を示す数値と上記の推論処理による推論結果を示す
数値とを機能部品ごとに加算した結果に基づいて故障状
態の機能部品を特定するようにする。
Description
【０００１】
【産業上の利用分野】この発明は故障診断方法、特にセ
ンサを含む複数の機能部品が相互に関連付けられた車両
の故障診断方法に関する。
ンサを含む複数の機能部品が相互に関連付けられた車両
の故障診断方法に関する。
【０００２】
【従来の技術】車両などにおいては、エレクトロニクス
の急速な発達に伴って各種の機器類の電子制御化が進ん
でいる。電子制御を採用することによってシステムの信
頼性が向上するという利点がある反面、システムの異常
時には逆に電子化した部分がブラックボックスとなり、
故障した箇所を外部から特定しにくくなるという別の側
面がある。
の急速な発達に伴って各種の機器類の電子制御化が進ん
でいる。電子制御を採用することによってシステムの信
頼性が向上するという利点がある反面、システムの異常
時には逆に電子化した部分がブラックボックスとなり、
故障した箇所を外部から特定しにくくなるという別の側
面がある。
【０００３】このような問題に対しては、例えば特開昭
６１−１０７４３６号公報に示されているように、シス
テムに故障診断機能を組み込むことが考えられている。
これはシステムを制御するコントロールユニットから所
定の故障診断信号を出力し、それに対する所定の応答信
号が得られないときに故障と判定するものである。
６１−１０７４３６号公報に示されているように、シス
テムに故障診断機能を組み込むことが考えられている。
これはシステムを制御するコントロールユニットから所
定の故障診断信号を出力し、それに対する所定の応答信
号が得られないときに故障と判定するものである。
【０００４】
【発明が解決しようとする課題】ところで、エンジンな
どのようにセンサやアクチュエータなどの複数の機能部
品が相互に関連している複雑なシステムにおいては、従
来のような故障診断方法では診断精度が不足するという
問題がある。例えばエンジンを例にとると、エンジンは
機能面から見ると、エンジン本体を中心として、吸気
系、燃料系、点火系、排気系などが相互に関連したシス
テム構成となっており、例えば吸気系が故障している場
合であっても、吸気系の異常がエンジン本体に影響して
ノックを発生させたり、その影響が排気系に及んで排気
ガスの温度を上昇させたりする。したがって、仮に排気
温に異常が現れたとしても排気系の故障と断定できない
ことになる。
どのようにセンサやアクチュエータなどの複数の機能部
品が相互に関連している複雑なシステムにおいては、従
来のような故障診断方法では診断精度が不足するという
問題がある。例えばエンジンを例にとると、エンジンは
機能面から見ると、エンジン本体を中心として、吸気
系、燃料系、点火系、排気系などが相互に関連したシス
テム構成となっており、例えば吸気系が故障している場
合であっても、吸気系の異常がエンジン本体に影響して
ノックを発生させたり、その影響が排気系に及んで排気
ガスの温度を上昇させたりする。したがって、仮に排気
温に異常が現れたとしても排気系の故障と断定できない
ことになる。
【０００５】このような問題に対しては、サービスマン
などの経験的な知識、市場での情報、システム個別の問
題などに基づいて故障時のセンサ情報などをパターン化
した故障診断用データをコントロールユニットなどに予
め記憶させておいて、パターンマッチングの手法を用い
て故障診断を行うことが考えられている。これによれ
ば、既知の故障原因に対しては機種に応じた適切な診断
結果が得られるという利点があるが、経験のない故障原
因に対しては対応できず診断範囲が限定されるという別
の問題がある。
などの経験的な知識、市場での情報、システム個別の問
題などに基づいて故障時のセンサ情報などをパターン化
した故障診断用データをコントロールユニットなどに予
め記憶させておいて、パターンマッチングの手法を用い
て故障診断を行うことが考えられている。これによれ
ば、既知の故障原因に対しては機種に応じた適切な診断
結果が得られるという利点があるが、経験のない故障原
因に対しては対応できず診断範囲が限定されるという別
の問題がある。
【０００６】そこで、この発明は複数の機能部品が相互
に関連付けられた車両の故障診断に際して、機種に応じ
た故障診断を広範囲にわたって精度良く行い得るように
することを目的とする。
に関連付けられた車両の故障診断に際して、機種に応じ
た故障診断を広範囲にわたって精度良く行い得るように
することを目的とする。
【０００７】
【課題を解決するための手段】すなわち、本願の請求項
１の発明（以下、第１発明という）に係る故障診断方法
は、センサを含む複数の機能部品が相互に関連付けられ
た車両において、互いに関連する二つの機能部品に対し
て関連度に応じた重み付けをそれぞれ設定すると共に、
センサごとの検出値を異常度合を示す状態量に変換し
て、これらの状態量を各センサを起点として関連する機
能部品の系統ごとに機能部品間の関連度に応じて重み付
け演算を行い、各系統についての演算結果に基づいて機
能部品の故障状態を推論する第１過程と、経験則に基づ
いて機能部品の故障状態を推論する第２過程とを有し、
上記両過程による推論結果に基づいて故障状態の機能部
品を特定することを特徴とする。ここで、機能部品とは
電気系、機械系を問わず一定の機能を実現する部品ない
し複数部品の集合体を意味する。
１の発明（以下、第１発明という）に係る故障診断方法
は、センサを含む複数の機能部品が相互に関連付けられ
た車両において、互いに関連する二つの機能部品に対し
て関連度に応じた重み付けをそれぞれ設定すると共に、
センサごとの検出値を異常度合を示す状態量に変換し
て、これらの状態量を各センサを起点として関連する機
能部品の系統ごとに機能部品間の関連度に応じて重み付
け演算を行い、各系統についての演算結果に基づいて機
能部品の故障状態を推論する第１過程と、経験則に基づ
いて機能部品の故障状態を推論する第２過程とを有し、
上記両過程による推論結果に基づいて故障状態の機能部
品を特定することを特徴とする。ここで、機能部品とは
電気系、機械系を問わず一定の機能を実現する部品ない
し複数部品の集合体を意味する。
【０００８】そして、本願の請求項２の発明（以下、第
２発明という）に係る故障診断方法は、センサを含む複
数の機能部品が相互に関連付けられた車両において、互
いに関連する二つの機能部品に対して関連度に応じた重
み付けをそれぞれ設定すると共に、センサごとの検出値
を異常度合を示す状態量に変換して、これらの状態量を
各センサを起点として関連する機能部品の系統ごとに機
能部品間の関連度に応じて重み付け演算を行い、各系統
についての演算結果に基づいて機能部品の故障状態を推
論する第１過程と、経験則に基づいて機能部品の故障状
態を推論する第２過程とを有し、上記両過程による推論
結果を示す数値を機能部品ごとに加算した結果に基づい
て故障状態の機能部品を特定することを特徴とする。
２発明という）に係る故障診断方法は、センサを含む複
数の機能部品が相互に関連付けられた車両において、互
いに関連する二つの機能部品に対して関連度に応じた重
み付けをそれぞれ設定すると共に、センサごとの検出値
を異常度合を示す状態量に変換して、これらの状態量を
各センサを起点として関連する機能部品の系統ごとに機
能部品間の関連度に応じて重み付け演算を行い、各系統
についての演算結果に基づいて機能部品の故障状態を推
論する第１過程と、経験則に基づいて機能部品の故障状
態を推論する第２過程とを有し、上記両過程による推論
結果を示す数値を機能部品ごとに加算した結果に基づい
て故障状態の機能部品を特定することを特徴とする。
【０００９】また、本願の請求項３の発明（以下、第３
発明という）に係る故障診断方法は、センサを含む複数
の機能部品が相互に関連付けられた車両において、互い
に関連する二つの機能部品に対して関連度に応じた重み
付けをそれぞれ設定すると共に、センサごとの検出値を
異常度合を示す状態量に変換して、これらの状態量を各
センサを起点として関連する機能部品の系統ごとに機能
部品間の関連度に応じて重み付け演算を行い、各系統に
ついての演算結果に基づいて機能部品の故障状態を推論
する第１過程と、経験則に基づいて機能部品の故障状態
を推論する第２過程とを有し、上記両過程で推論された
機能部品の中から重複する機能部品を抽出し、その抽出
結果に基づいて故障状態の機能部品を特定することを特
徴とする。
発明という）に係る故障診断方法は、センサを含む複数
の機能部品が相互に関連付けられた車両において、互い
に関連する二つの機能部品に対して関連度に応じた重み
付けをそれぞれ設定すると共に、センサごとの検出値を
異常度合を示す状態量に変換して、これらの状態量を各
センサを起点として関連する機能部品の系統ごとに機能
部品間の関連度に応じて重み付け演算を行い、各系統に
ついての演算結果に基づいて機能部品の故障状態を推論
する第１過程と、経験則に基づいて機能部品の故障状態
を推論する第２過程とを有し、上記両過程で推論された
機能部品の中から重複する機能部品を抽出し、その抽出
結果に基づいて故障状態の機能部品を特定することを特
徴とする。
【００１０】さらに、本願の請求項４の発明（以下、第
４発明という）に係る故障診断方法は、センサを含む複
数の機能部品が相互に関連付けられた車両において、互
いに関連する二つの機能部品に対して関連度に応じた重
み付けをそれぞれ設定すると共に、センサごとの検出値
を異常度合を示す状態量に変換して、これらの状態量を
各センサを起点として関連する機能部品の系統ごとに機
能部品間の関連度に応じて重み付け演算を行い、各系統
についての演算結果に基づいて機能部品の故障状態を推
論する第１過程と、経験則に基づいて機能部品の故障状
態を推論する第２過程とを有し、第１過程による推論結
果に基づいて故障可能性のある機能部品を絞り込み、そ
の結果と上記第２過程による推論結果とに基づいて故障
状態の機能部品を特定することを特徴とする。
４発明という）に係る故障診断方法は、センサを含む複
数の機能部品が相互に関連付けられた車両において、互
いに関連する二つの機能部品に対して関連度に応じた重
み付けをそれぞれ設定すると共に、センサごとの検出値
を異常度合を示す状態量に変換して、これらの状態量を
各センサを起点として関連する機能部品の系統ごとに機
能部品間の関連度に応じて重み付け演算を行い、各系統
についての演算結果に基づいて機能部品の故障状態を推
論する第１過程と、経験則に基づいて機能部品の故障状
態を推論する第２過程とを有し、第１過程による推論結
果に基づいて故障可能性のある機能部品を絞り込み、そ
の結果と上記第２過程による推論結果とに基づいて故障
状態の機能部品を特定することを特徴とする。
【００１１】
【作用】まず、第１発明に係る故障診断方法によれば、
第２過程による推論処理によって機種に応じた機能部品
の故障状態が推論されることになるので、第１過程にお
ける推論処理に用いる重み付けの値を変更することなく
機種に応じた適切な故障診断を広範囲にわたって精度良
く行うことができる。
第２過程による推論処理によって機種に応じた機能部品
の故障状態が推論されることになるので、第１過程にお
ける推論処理に用いる重み付けの値を変更することなく
機種に応じた適切な故障診断を広範囲にわたって精度良
く行うことができる。
【００１２】また、第２発明に係る故障診断方法によれ
ば、第１、第２過程による推論結果を示す数値を機能部
品ごとに加算した結果に基づいて故障部品を特定するよ
うになっているので、異常度合の大きい機能部品に対す
る推論結果が強調されることになり、診断精度が向上す
ることになる。
ば、第１、第２過程による推論結果を示す数値を機能部
品ごとに加算した結果に基づいて故障部品を特定するよ
うになっているので、異常度合の大きい機能部品に対す
る推論結果が強調されることになり、診断精度が向上す
ることになる。
【００１３】そして、第３発明に係る故障診断方法によ
れば、第１、第２過程で推論された機能部品の中から重
複する機能部品を抽出した結果に基づいて故障部品を特
定するようになっているので、機種に応じた適切な故障
診断が可能となる。
れば、第１、第２過程で推論された機能部品の中から重
複する機能部品を抽出した結果に基づいて故障部品を特
定するようになっているので、機種に応じた適切な故障
診断が可能となる。
【００１４】さらに、第４発明に係る故障診断方法によ
れば、第１過程による推論結果に基づいて故障可能性の
ある機能性部品を絞り込むと共に、その結果と経験則に
基づく第１過程の推論結果とに基づいて故障部品を特定
するようになっているので、経験則による推論結果の不
確実性が補われて診断精度が向上することになる。
れば、第１過程による推論結果に基づいて故障可能性の
ある機能性部品を絞り込むと共に、その結果と経験則に
基づく第１過程の推論結果とに基づいて故障部品を特定
するようになっているので、経験則による推論結果の不
確実性が補われて診断精度が向上することになる。
【００１５】
【実施例】以下、本発明の実施例について説明する。
【００１６】図１に示すように、車両に搭載されたエン
ジンコントロールユニット１には、スロットルセンサ２
によって検出されたスロットル開度信号と、エアフロー
センサ３によって検出された吸入空気量信号と、吸気温
センサ４によって検出された吸気温信号と、クランク角
センサ５によって検出されたクランク角信号と、水温セ
ンサ６によって検出されたエンジン水温信号と、排気温
センサ７によって検出された排気温信号と、Ｏ2センサ
８によって検出された空燃比信号と、ノックセンサ９に
よって検出されたノック信号とが入力されていると共
に、エンジンコントロールユニット１はこれらの各信号
を故障診断ユニット１０に転送するようになっている。
ジンコントロールユニット１には、スロットルセンサ２
によって検出されたスロットル開度信号と、エアフロー
センサ３によって検出された吸入空気量信号と、吸気温
センサ４によって検出された吸気温信号と、クランク角
センサ５によって検出されたクランク角信号と、水温セ
ンサ６によって検出されたエンジン水温信号と、排気温
センサ７によって検出された排気温信号と、Ｏ2センサ
８によって検出された空燃比信号と、ノックセンサ９に
よって検出されたノック信号とが入力されていると共
に、エンジンコントロールユニット１はこれらの各信号
を故障診断ユニット１０に転送するようになっている。
【００１７】一方、故障診断ユニット１０は、通信用の
インターフェース１１と、図２〜図９に示すように上記
各センサ２〜９の検出値に対応させて設定した異常度合
を示すメンバーシップ関数をそれぞれ記憶させた関数記
憶部１２と、深い知識を記憶させた第１知識データ記憶
部１３と、浅い知識を記憶させた第２知識データ記憶部
１４と、上記インターフェース１１を介して取り込んだ
センサ情報に基づいて故障推論を行う演算処理部１５
と、その推論結果を格納する推論結果格納部１６とを有
する。また、この故障診断ユニット１０には故障表示用
の表示装置１７が接続されている。
インターフェース１１と、図２〜図９に示すように上記
各センサ２〜９の検出値に対応させて設定した異常度合
を示すメンバーシップ関数をそれぞれ記憶させた関数記
憶部１２と、深い知識を記憶させた第１知識データ記憶
部１３と、浅い知識を記憶させた第２知識データ記憶部
１４と、上記インターフェース１１を介して取り込んだ
センサ情報に基づいて故障推論を行う演算処理部１５
と、その推論結果を格納する推論結果格納部１６とを有
する。また、この故障診断ユニット１０には故障表示用
の表示装置１７が接続されている。
【００１８】ここで、上記関数記憶部１２に記憶された
メンバーシップ関数について説明すると、例えばスロッ
トルセンサ２については、図２に示すように、センサ出
力電圧と異常度合を示すメンバーシップ値との関係が設
定されている。つまり、センサ出力電圧が所定値Ｖ1の
ところを中心としてメンバーシップ値が急激に増大する
傾向を示すことになる。
メンバーシップ関数について説明すると、例えばスロッ
トルセンサ２については、図２に示すように、センサ出
力電圧と異常度合を示すメンバーシップ値との関係が設
定されている。つまり、センサ出力電圧が所定値Ｖ1の
ところを中心としてメンバーシップ値が急激に増大する
傾向を示すことになる。
【００１９】同様にして、エアフローセンサ３、吸気温
センサ４、クランク角センサ５、水温センサ６、排気温
センサ７、Ｏ2センサ８及びノックセンサ９について
も、図３〜図９に示すようにメンバーシップ関数がそれ
ぞれ設定されている。
センサ４、クランク角センサ５、水温センサ６、排気温
センサ７、Ｏ2センサ８及びノックセンサ９について
も、図３〜図９に示すようにメンバーシップ関数がそれ
ぞれ設定されている。
【００２０】また、上記知識データ記憶部１５には、例
えば図１０に示すように、エンジンを機能面からブロッ
ク化したスロットル系Ａ、キャニスタＢ、バイパスエア
系Ｃ、オルタネータＤ、吸気系Ｅ、燃料系Ｆ、点火系
Ｇ、エンジン本体Ｈ、排気系Ｉ、冷却系Ｊ、ＥＧＲ系Ｋ
及び上記各センサ２〜９の相関関係を示す相関経路をそ
れぞれ代表させたルールと、ルールごとに関連度に応じ
て設定した相関係数とが記憶されている。例えばスロッ
トル系Ａの影響を受けるスロットルセンサ２と影響元で
あるスロットル系Ａとが、スロットル系Ａを起点とする
ルールＲ１の相関経路で連結されていると共に、両者の
関連度を示す相関係数の値（０．８８）がルールＲ１を
呼出コードとして上記第１知識データ記憶部１３に格納
されている。
えば図１０に示すように、エンジンを機能面からブロッ
ク化したスロットル系Ａ、キャニスタＢ、バイパスエア
系Ｃ、オルタネータＤ、吸気系Ｅ、燃料系Ｆ、点火系
Ｇ、エンジン本体Ｈ、排気系Ｉ、冷却系Ｊ、ＥＧＲ系Ｋ
及び上記各センサ２〜９の相関関係を示す相関経路をそ
れぞれ代表させたルールと、ルールごとに関連度に応じ
て設定した相関係数とが記憶されている。例えばスロッ
トル系Ａの影響を受けるスロットルセンサ２と影響元で
あるスロットル系Ａとが、スロットル系Ａを起点とする
ルールＲ１の相関経路で連結されていると共に、両者の
関連度を示す相関係数の値（０．８８）がルールＲ１を
呼出コードとして上記第１知識データ記憶部１３に格納
されている。
【００２１】これらの各ルールと相関係数との関係をま
とめると、次の表１に示すようなものとなる。
とめると、次の表１に示すようなものとなる。
【００２２】
【表１】 つまり、例えばスロットル系Ａとエアフローセンサ３と
の相関関係を示すルールＲ２に対応する相関係数の値は
０．７６となる。
の相関関係を示すルールＲ２に対応する相関係数の値は
０．７６となる。
【００２３】また、上記第２知識データ記憶部１４に
は、サービスマンの経験的な知識、市場での情報、シス
テム個別の問題などをルール化した知識データが格納さ
れている。なお、この第２知識データ記憶部１４には、
当該車両に対応する車種判別コードも格納されている。
は、サービスマンの経験的な知識、市場での情報、シス
テム個別の問題などをルール化した知識データが格納さ
れている。なお、この第２知識データ記憶部１４には、
当該車両に対応する車種判別コードも格納されている。
【００２４】次に、上記故障診断ユニット１０が行う故
障診断処理を説明すると、この故障診断処理は図１１の
フローチャートに従って次のように行われる。
障診断処理を説明すると、この故障診断処理は図１１の
フローチャートに従って次のように行われる。
【００２５】すなわち、故障診断ユニット１０における
演算処理部１５は、ステップＳ１で車種判別コードを読
み込むと共に、ステップＳ２でインターフェース１１を
介してセンサ値を読み込んだ後、ステップＳ３でこれら
のセンサ値をメンバーシップ値にそれぞれ変換する。つ
まり、インターフェース１１を介して取り込んだ現実の
センサ値を、関数記憶部１２に記憶させたメンバーシッ
プ関数に照らし合わせて、該当するセンサ値に対応する
メンバーシップ関数の値をメンバーシップ値として選択
するのである。例えば、スロットルセンサ２からの信号
が示す出力電圧が２Ｖで合ったとすると、図２の関係か
ら異常度合を示すメンバーシップ値として１が選択され
ることになる。
演算処理部１５は、ステップＳ１で車種判別コードを読
み込むと共に、ステップＳ２でインターフェース１１を
介してセンサ値を読み込んだ後、ステップＳ３でこれら
のセンサ値をメンバーシップ値にそれぞれ変換する。つ
まり、インターフェース１１を介して取り込んだ現実の
センサ値を、関数記憶部１２に記憶させたメンバーシッ
プ関数に照らし合わせて、該当するセンサ値に対応する
メンバーシップ関数の値をメンバーシップ値として選択
するのである。例えば、スロットルセンサ２からの信号
が示す出力電圧が２Ｖで合ったとすると、図２の関係か
ら異常度合を示すメンバーシップ値として１が選択され
ることになる。
【００２６】次いで、演算処理部１５はステップＳ４に
進んで所定の第１推論処理を実行する。つまり、例えば
スロットルセンサ２を例に取ると、図１１の相関関係モ
デルに従えばスロットルセンサ２に関連するのはスロッ
トル系Ａであるから、この場合のスロットル系Ａの推論
値はルールＲ１に従ってスロットルセンサ２のメンバー
シップ値に相関係数を乗算した値となる。そして、相関
経路を逆にたどって随時重み付け演算を行って行き、得
られた推論値を上記推論結果格納部１６にブロックごと
に設けた結果テーブルへ順次格納して行く。そして、こ
のプロセスを、図１１の相関関係モデルにおいて、例え
ばスロットルセンサ２を終点とする一連の独立した相関
経路を一通り巡り終るまで実行する。その場合に、特定
のセンサから始まった推論過程が同じルールを再び使う
ようになったときには、その時点で当該センサに対する
一群の推論演算が終了されることになる。例えば、スロ
ットル系Ａと吸気系Ｅとに着目すると、吸気系Ａの推論
値を求める過程でルールＲ９が用いられた場合には、こ
のルールＲ９が再び使用されることがないのである。こ
れにより、無限ループが回避されて演算時間が短縮され
ると共に、重複演算による誤差の蓄積も回避されること
になる。演算処理部１５は上記各センサ２〜９に対する
推論演算が全て終了したと判定すると、各センサ２〜９
についての結果テーブルに納められた推論値をブロック
別に加算すると共に、それらの値をブロックごとに最終
結果テーブルに加算するようになっている。
進んで所定の第１推論処理を実行する。つまり、例えば
スロットルセンサ２を例に取ると、図１１の相関関係モ
デルに従えばスロットルセンサ２に関連するのはスロッ
トル系Ａであるから、この場合のスロットル系Ａの推論
値はルールＲ１に従ってスロットルセンサ２のメンバー
シップ値に相関係数を乗算した値となる。そして、相関
経路を逆にたどって随時重み付け演算を行って行き、得
られた推論値を上記推論結果格納部１６にブロックごと
に設けた結果テーブルへ順次格納して行く。そして、こ
のプロセスを、図１１の相関関係モデルにおいて、例え
ばスロットルセンサ２を終点とする一連の独立した相関
経路を一通り巡り終るまで実行する。その場合に、特定
のセンサから始まった推論過程が同じルールを再び使う
ようになったときには、その時点で当該センサに対する
一群の推論演算が終了されることになる。例えば、スロ
ットル系Ａと吸気系Ｅとに着目すると、吸気系Ａの推論
値を求める過程でルールＲ９が用いられた場合には、こ
のルールＲ９が再び使用されることがないのである。こ
れにより、無限ループが回避されて演算時間が短縮され
ると共に、重複演算による誤差の蓄積も回避されること
になる。演算処理部１５は上記各センサ２〜９に対する
推論演算が全て終了したと判定すると、各センサ２〜９
についての結果テーブルに納められた推論値をブロック
別に加算すると共に、それらの値をブロックごとに最終
結果テーブルに加算するようになっている。
【００２７】次に、演算処理部１５はステップＳ５に進
んで所定の第２推論処理を実行する。つまり、上記ステ
ップＳ３において求めたメンバーシップ値を第２知識デ
ータ記憶部１４に照らし合わせて、該当する推論ルール
が存在するときにはそれに基づく重み付け計算を行って
推論値を算出するのである。
んで所定の第２推論処理を実行する。つまり、上記ステ
ップＳ３において求めたメンバーシップ値を第２知識デ
ータ記憶部１４に照らし合わせて、該当する推論ルール
が存在するときにはそれに基づく重み付け計算を行って
推論値を算出するのである。
【００２８】そして、演算処理部１５はステップＳ６で
第１推論処理に基づく推論結果と第２推論処理に基づく
推論結果とをブロックごとに加算することにより合成す
ると共に、ステップＳ７で故障判定処理を行って最大の
加算値を示すブロックを故障と判定して、ステップＳ８
で表示装置１７に故障表示を行わせる。
第１推論処理に基づく推論結果と第２推論処理に基づく
推論結果とをブロックごとに加算することにより合成す
ると共に、ステップＳ７で故障判定処理を行って最大の
加算値を示すブロックを故障と判定して、ステップＳ８
で表示装置１７に故障表示を行わせる。
【００２９】また、故障と判定したときには、フェール
セーフモードへ移行するようにしても良い。
セーフモードへ移行するようにしても良い。
【００３０】次に、本発明に係る故障判定処理の第２実
施例について説明すると、この第２実施例においては図
１２のフローチャートに従って故障判定処理が行われ
る。
施例について説明すると、この第２実施例においては図
１２のフローチャートに従って故障判定処理が行われ
る。
【００３１】すなわち、故障診断ユニット１０における
演算処理部１５は、ステップＴ１で車種判別コードを読
み込むと共に、ステップＴ２でインターフェース１１を
介してセンサ値を読み込んだ後、ステップＴ３でこれら
のセンサ値をメンバーシップ値にそれぞれ変換する。
演算処理部１５は、ステップＴ１で車種判別コードを読
み込むと共に、ステップＴ２でインターフェース１１を
介してセンサ値を読み込んだ後、ステップＴ３でこれら
のセンサ値をメンバーシップ値にそれぞれ変換する。
【００３２】次いで、演算処理部１５はステップＴ４に
進んで上記第１知識データ記憶部１３を用いた第１推論
処理を実行した後、ステップＴ５で上記第２知識データ
記憶部１４を用いた第２推論処理を実行し、ステップＴ
６で上記第１、第２推論処理によって得られた推論結果
を比較する。そして、ステップＴ７で重複しているもの
を抽出した後、ステップＴ８で故障判定処理を行って双
方にリストアップされているもののうちで最大のものを
故障と判定して、ステップＴ９で表示装置１７に故障表
示を行わせる。なお、故障判定の際には第１推論処理に
よる推論結果が優先される。
進んで上記第１知識データ記憶部１３を用いた第１推論
処理を実行した後、ステップＴ５で上記第２知識データ
記憶部１４を用いた第２推論処理を実行し、ステップＴ
６で上記第１、第２推論処理によって得られた推論結果
を比較する。そして、ステップＴ７で重複しているもの
を抽出した後、ステップＴ８で故障判定処理を行って双
方にリストアップされているもののうちで最大のものを
故障と判定して、ステップＴ９で表示装置１７に故障表
示を行わせる。なお、故障判定の際には第１推論処理に
よる推論結果が優先される。
【００３３】この場合においても、故障と判定したとき
にはフェールセーフモードへ移行するようにしても良
い。
にはフェールセーフモードへ移行するようにしても良
い。
【００３４】さらに、第３実施例においては、図１３の
フローチャートに従って次のように故障判定処理が行わ
れる。
フローチャートに従って次のように故障判定処理が行わ
れる。
【００３５】すなわち、故障診断ユニット１０における
演算処理部１５は、ステップＵ１で車種判別コードを読
み込むと共に、ステップＵ２でインターフェース１１を
介してセンサ値を読み込んだ後、ステップＵ３でこれら
のセンサ値をメンバーシップ値にそれぞれ変換する。
演算処理部１５は、ステップＵ１で車種判別コードを読
み込むと共に、ステップＵ２でインターフェース１１を
介してセンサ値を読み込んだ後、ステップＵ３でこれら
のセンサ値をメンバーシップ値にそれぞれ変換する。
【００３６】次いで、演算処理部１５はステップＵ４に
進んで上記第１知識データ記憶部１３を用いた第１推論
処理を実行した後、ステップＵ５で得られた推論結果の
中から大きいものから順番に数個の有力候補をリストア
ップする。そして、ステップＵ６で候補間の差が特定値
よりも大きいか否かを判定し、ＮＯと判定したときにス
テップＵ７に進んで上記第２知識データ記憶部１４を用
いた第２推論処理を実行して、ステップＵ８で故障判定
処理を行って推論結果の中から最大のものを故障と判定
して、ステップＵ９で表示装置１７に故障表示を行わせ
る。
進んで上記第１知識データ記憶部１３を用いた第１推論
処理を実行した後、ステップＵ５で得られた推論結果の
中から大きいものから順番に数個の有力候補をリストア
ップする。そして、ステップＵ６で候補間の差が特定値
よりも大きいか否かを判定し、ＮＯと判定したときにス
テップＵ７に進んで上記第２知識データ記憶部１４を用
いた第２推論処理を実行して、ステップＵ８で故障判定
処理を行って推論結果の中から最大のものを故障と判定
して、ステップＵ９で表示装置１７に故障表示を行わせ
る。
【００３７】一方、演算処理部１５は上記ステップＵ６
においてＹＥＳと判定したときにはステップＵ１０へ移
り、上記ステップＵ５においてリストアップされた候補
の中から故障個所を特定する故障判定処理を実行する。
においてＹＥＳと判定したときにはステップＵ１０へ移
り、上記ステップＵ５においてリストアップされた候補
の中から故障個所を特定する故障判定処理を実行する。
【００３８】
【発明の効果】第１発明に係る故障診断方法によれば、
第２過程による推論処理によって機種に応じた機能部品
の故障状態が推論されることになるので、第１過程にお
ける推論処理に用いる重み付けの値を変更することなく
機種に応じた適切な故障診断を広範囲にわたって精度良
く行うことができる。
第２過程による推論処理によって機種に応じた機能部品
の故障状態が推論されることになるので、第１過程にお
ける推論処理に用いる重み付けの値を変更することなく
機種に応じた適切な故障診断を広範囲にわたって精度良
く行うことができる。
【００３９】また、第２発明に係る故障診断方法によれ
ば、第１、第２過程による推論結果を示す数値を機能部
品ごとに加算した結果に基づいて故障部品を特定するよ
うになっているので、異常度合の大きい機能部品に対す
る推論結果が強調されることになり、診断精度が向上す
ることになる。
ば、第１、第２過程による推論結果を示す数値を機能部
品ごとに加算した結果に基づいて故障部品を特定するよ
うになっているので、異常度合の大きい機能部品に対す
る推論結果が強調されることになり、診断精度が向上す
ることになる。
【００４０】そして、第３発明に係る故障診断方法によ
れば、第１、第２過程で推論された機能部品の中から重
複する機能部品を抽出した結果に基づいて故障部品を特
定するようになっているので、機種に応じた適切な故障
診断が可能となる。
れば、第１、第２過程で推論された機能部品の中から重
複する機能部品を抽出した結果に基づいて故障部品を特
定するようになっているので、機種に応じた適切な故障
診断が可能となる。
【００４１】さらに、第４発明に係る故障診断方法によ
れば、第１過程による推論結果に基づいて故障可能性の
ある機能性部品を絞り込むと共に、その結果と経験則に
基づく第１過程の推論結果とに基づいて故障部品を特定
するようになっているので、経験則による推論結果の不
確実性が補われて診断精度が向上することになる。
れば、第１過程による推論結果に基づいて故障可能性の
ある機能性部品を絞り込むと共に、その結果と経験則に
基づく第１過程の推論結果とに基づいて故障部品を特定
するようになっているので、経験則による推論結果の不
確実性が補われて診断精度が向上することになる。
【図１】 第１実施例における故障判定システムを示す
ブロック図である。
ブロック図である。
【図２】 スロットルセンサの出力状態に対する故障度
合を示すメンバーシップ関数の一例を示す特性図であ
る。
合を示すメンバーシップ関数の一例を示す特性図であ
る。
【図３】 エアフローセンサの出力状態に対する故障度
合を示すメンバーシップ関数の一例を示す特性図であ
る。
合を示すメンバーシップ関数の一例を示す特性図であ
る。
【図４】 吸気温センサの出力状態に対する故障度合を
示すメンバーシップ関数の一例を示す特性図である。
示すメンバーシップ関数の一例を示す特性図である。
【図５】 クランク角センサの出力状態に対する故障度
合を示すメンバーシップ関数の一例を示す特性図であ
る。
合を示すメンバーシップ関数の一例を示す特性図であ
る。
【図６】 水温センサの出力状態に対する故障度合を示
すメンバーシップ関数の一例を示す特性図である。
すメンバーシップ関数の一例を示す特性図である。
【図７】 排気温センサの出力状態に対する故障度合を
示すメンバーシップ関数の一例を示す特性図である。
示すメンバーシップ関数の一例を示す特性図である。
【図８】 Ｏ2センサの出力状態に対する故障度合を示
すメンバーシップ関数の一例を示す特性図である。
すメンバーシップ関数の一例を示す特性図である。
【図９】 ノックセンサの出力状態に対する故障度合を
示すメンバーシップ関数の一例を示す特性図である。
示すメンバーシップ関数の一例を示す特性図である。
【図１０】 エンジンの構造モデルを示す相関関係図で
ある。
ある。
【図１１】 故障判定処理を示すフローチャート図であ
る。
る。
【図１２】 故障判定処理の第２実施例を示すフローチ
ャート図である。
ャート図である。
【図１３】 故障判定処理の第３実施例を示すフローチ
ャート図である。
ャート図である。
２ スロットルセンサ ３ エアフローセンサ ４ 吸気温センサ ５ クランク角センサ ６ 水温センサ ７ 排気温センサ ８ Ｏ2センサ ９ ノックセンサ １０ 故障診断ユニット １５ 演算処理部 Ａ スロットル系 Ｂ キャニスタ Ｃ バイパスエア系 Ｄ オルタネータ Ｅ 吸気系 Ｆ 燃料系 Ｇ 点火系 Ｈ エンジン本体 Ｉ 排気系 Ｊ 冷却系 Ｋ ＥＧＲ系
Claims (4)
- 【請求項１】 センサを含む複数の機能部品が相互に関
連付けられた車両の故障診断方法であって、互いに関連
する二つの機能部品に対して関連度に応じた重み付けを
それぞれ設定すると共に、センサごとの検出値を異常度
合を示す状態量に変換して、これらの状態量を各センサ
を起点として関連する機能部品の系統ごとに機能部品間
の関連度に応じて重み付け演算を行い、各系統について
の演算結果に基づいて機能部品の故障状態を推論する第
１過程と、経験則に基づいて機能部品の故障状態を推論
する第２過程とを有し、上記両過程による推論結果に基
づいて故障状態の機能部品を特定することを特徴とする
故障診断方法。 - 【請求項２】 センサを含む複数の機能部品が相互に関
連付けられた車両の故障診断方法であって、互いに関連
する二つの機能部品に対して関連度に応じた重み付けを
それぞれ設定すると共に、センサごとの検出値を異常度
合を示す状態量に変換して、これらの状態量を各センサ
を起点として関連する機能部品の系統ごとに機能部品間
の関連度に応じて重み付け演算を行い、各系統について
の演算結果に基づいて機能部品の故障状態を推論する第
１過程と、経験則に基づいて機能部品の故障状態を推論
する第２過程とを有し、上記両過程による推論結果を示
す数値を機能部品ごとに加算した結果に基づいて故障状
態の機能部品を特定することを特徴とする故障診断方
法。 - 【請求項３】 センサを含む複数の機能部品が相互に関
連付けられた車両の故障診断方法であって、互いに関連
する二つの機能部品に対して関連度に応じた重み付けを
それぞれ設定すると共に、センサごとの検出値を異常度
合を示す状態量に変換して、これらの状態量を各センサ
を起点として関連する機能部品の系統ごとに機能部品間
の関連度に応じて重み付け演算を行い、各系統について
の演算結果に基づいて機能部品の故障状態を推論する第
１過程と、経験則に基づいて機能部品の故障状態を推論
する第２過程とを有し、上記両過程で推論された機能部
品の中から重複する機能部品を抽出し、その抽出結果に
基づいて故障状態の機能部品を特定することを特徴とす
る故障診断方法。 - 【請求項４】 センサを含む複数の機能部品が相互に関
連付けられた車両の故障診断方法であって、互いに関連
する二つの機能部品に対して関連度に応じた重み付けを
それぞれ設定すると共に、センサごとの検出値を異常度
合を示す状態量に変換して、これらの状態量を各センサ
を起点として関連する機能部品の系統ごとに機能部品間
の関連度に応じて重み付け演算を行い、各系統について
の演算結果に基づいて機能部品の故障状態を推論する第
１過程と、経験則に基づいて機能部品の故障状態を推論
する第２過程とを有し、第１過程による推論結果に基づ
いて故障可能性のある機能部品を絞り込み、その結果と
上記第２過程による推論結果とに基づいて故障状態の機
能部品を特定することを特徴とする故障診断方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3306606A JP3046870B2 (ja) | 1991-10-25 | 1991-10-25 | 故障診断方法 |
| US07/965,772 US5414645A (en) | 1991-10-25 | 1992-10-23 | Method of fault diagnosis in an apparatus having sensors |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3306606A JP3046870B2 (ja) | 1991-10-25 | 1991-10-25 | 故障診断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH05180730A true JPH05180730A (ja) | 1993-07-23 |
| JP3046870B2 JP3046870B2 (ja) | 2000-05-29 |
Family
ID=17959102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3306606A Expired - Fee Related JP3046870B2 (ja) | 1991-10-25 | 1991-10-25 | 故障診断方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3046870B2 (ja) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005257416A (ja) * | 2004-03-10 | 2005-09-22 | Internatl Business Mach Corp <Ibm> | 診断装置、検出装置、制御方法、検出方法、プログラム、及び記録媒体 |
| JP2010210245A (ja) * | 2009-03-06 | 2010-09-24 | Nec Corp | データ類似度計算方法、システム、およびプログラム |
| JP2012220379A (ja) * | 2011-04-11 | 2012-11-12 | Mitsubishi Motors Corp | 車両搭載機器の故障診断装置 |
| CN109425495A (zh) * | 2017-08-29 | 2019-03-05 | 五十铃自动车株式会社 | 诊断装置及诊断方法 |
| US10955469B2 (en) | 2018-10-16 | 2021-03-23 | Fujitsu Limited | Method for estimating failure rate and information processing device |
-
1991
- 1991-10-25 JP JP3306606A patent/JP3046870B2/ja not_active Expired - Fee Related
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005257416A (ja) * | 2004-03-10 | 2005-09-22 | Internatl Business Mach Corp <Ibm> | 診断装置、検出装置、制御方法、検出方法、プログラム、及び記録媒体 |
| US7720640B2 (en) | 2004-03-10 | 2010-05-18 | International Business Machines Corporation | Diagnostic data detection and control |
| JP2010210245A (ja) * | 2009-03-06 | 2010-09-24 | Nec Corp | データ類似度計算方法、システム、およびプログラム |
| JP2012220379A (ja) * | 2011-04-11 | 2012-11-12 | Mitsubishi Motors Corp | 車両搭載機器の故障診断装置 |
| CN109425495A (zh) * | 2017-08-29 | 2019-03-05 | 五十铃自动车株式会社 | 诊断装置及诊断方法 |
| JP2019044591A (ja) * | 2017-08-29 | 2019-03-22 | いすゞ自動車株式会社 | 診断装置および診断方法 |
| CN109425495B (zh) * | 2017-08-29 | 2021-12-24 | 五十铃自动车株式会社 | 诊断装置及诊断方法 |
| US10955469B2 (en) | 2018-10-16 | 2021-03-23 | Fujitsu Limited | Method for estimating failure rate and information processing device |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3046870B2 (ja) | 2000-05-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US5414645A (en) | Method of fault diagnosis in an apparatus having sensors | |
| Capriglione et al. | On-line sensor fault detection, isolation, and accommodation in automotive engines | |
| US6112150A (en) | Fault recognition system and method for an internal combustion engine | |
| EP1705357B1 (en) | Method and a relative device for diagnosing misfire or partial combustion conditions in an internal combustion engine | |
| US7181334B2 (en) | Method and apparatus to diagnose intake airflow | |
| Laukonen et al. | Fault detection and isolation for an experimental internal combustion engine via fuzzy identification | |
| US10060346B2 (en) | Method for monitoring at least one exhaust gas turbocharger | |
| JPH09244917A (ja) | モデルベース診断システムの自動分析方法 | |
| JPS6378041A (ja) | 車両用故障診断装置 | |
| JP2021110253A (ja) | エアフロメータの異常診断装置 | |
| Rizzoni et al. | Detection of sensor failures in automotive engines | |
| CN115268417B (zh) | 一种自适应ecu故障诊断控制方法 | |
| US6292738B1 (en) | Method for adaptive detection of engine misfire | |
| EP0796988B1 (en) | Method of diagnosing the efficiency of an exhaust gas stoichiometric composition sensor placed downstream of a catalytic converter | |
| CN114186601A (zh) | 用于借助于人工智能方法进行在机动车中的技术装置处的操纵识别的方法和设备 | |
| Soliman et al. | Diagnosis of an automotive emission control system using fuzzy inference | |
| JP3046870B2 (ja) | 故障診断方法 | |
| KR101002379B1 (ko) | 전자 시스템 유닛의 진단 방법 | |
| JP3631118B2 (ja) | プラント診断装置 | |
| JP2935382B2 (ja) | 故障診断方法 | |
| Frisk | Model-based fault diagnosis applied to an SI-Engine | |
| CN115061451A (zh) | 汽车故障诊断方法、装置、智能终端及存储介质 | |
| Muldoon et al. | Vehicle fault diagnostics using a sensor fusion approach | |
| Antory | Fault diagnosis application in an automotive diesel engine using auto-associative neural networks | |
| Buehler et al. | Mass air flow sensor diagnostics for adaptive fueling control of internal combustion engines |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |