KR20190069421A - 차량내 예측적 고장 검출을 위한 시스템 및 방법 - Google Patents

차량내 예측적 고장 검출을 위한 시스템 및 방법 Download PDF

Info

Publication number
KR20190069421A
KR20190069421A KR1020197010295A KR20197010295A KR20190069421A KR 20190069421 A KR20190069421 A KR 20190069421A KR 1020197010295 A KR1020197010295 A KR 1020197010295A KR 20197010295 A KR20197010295 A KR 20197010295A KR 20190069421 A KR20190069421 A KR 20190069421A
Authority
KR
South Korea
Prior art keywords
dtc
vehicle
probability
failure
trained model
Prior art date
Application number
KR1020197010295A
Other languages
English (en)
Other versions
KR102322838B1 (ko
Inventor
그레그 보흘
니킬 파텔
Original Assignee
하만인터내셔날인더스트리스인코포레이티드
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 하만인터내셔날인더스트리스인코포레이티드 filed Critical 하만인터내셔날인더스트리스인코포레이티드
Publication of KR20190069421A publication Critical patent/KR20190069421A/ko
Application granted granted Critical
Publication of KR102322838B1 publication Critical patent/KR102322838B1/ko

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • B60W50/0205—Diagnosing or detecting failures; Failure detection models
    • 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
    • G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/04—Monitoring the functioning of the control system
    • B60W50/045—Monitoring control system parameters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • 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
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G07C5/006—Indicating maintenance
    • 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
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B60W2050/143—Alarm means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B60W2050/146—Display means

Abstract

고장 진단 코드를 기초로 차량 고장을 예측적으로 검출하기 위한 시스템 및 방법이 제공된다. 하나의 예시에서, 하나 이상의 고장 진단 코드(DTC)를 기초로 차량의 고장 확률을 결정하는 단계, 및 상기 확률이 임계값을 초과하는 것에 응답하여 차량의 조작자에게 고장 가능성이 있음을 지시하는 단계를 포함하는 방법이 제공된다.

Description

차량내 예측적 고장 검출을 위한 시스템 및 방법
관련 출원의 상호 참조
본 출원은 2016년 10월 12일에 출원된 미국 가출원 번호 62/407,359, 발명의 명칭 "SYSTEMS AND METHODS FOR IN-VEHICLE PREDICTIVE FAILURE DETECTION"의 우선권을 주장하고, 이의 전체 내용은 본 명세서에서 모든 목적으로 참조로서 포함된다.
기술 분야
본 개시 내용은 결과를 예측하는 데 사용되는 분석 모델의 분야와 관련되고, 더 구체적으로는 제조 워런티(factory warranty) 기간 동안 자동차의 주문자 상표 제작업체(OEM: Original Equipment Manufacturer)의 제품(차량)에 대한 장래의 자동차 고장 및 수리를 예측하는 것과 관련된다.
자동차 OEM은 더 나은 제품을 만들고 차량의 수명 동안 필요한 수리의 횟수를 낮추기 위해 끊임 없이 분투한다. 소비자 신뢰를 강화하기 위해, 워런티가 모든 새로운 차량에 제공된다. 그러나 워런티가 있음에도 불구하고, 품질에 대한 인식이, 실제든 아니든, 차량이 워런티 수리를 위해 반환되는 횟수에 따라 폄하된다.
차량 제조와 모델에 예측적 분석 모델을 이용함으로써, OEM은 차량이 수리를 받는 총 횟수를 감소시킬 수 있고, 대대적인 수리가 필요하기 전에 제품을 개선할 수 있으며, 아마도 대규모 리콜을 피할 수 있다. 이와 관련하여, 차량 고장이 발생하기 전에 이를 예측할 수 있는 시스템이 사용되는데, 즉, 차량 고장을 예측적으로 검출함으로써, 바람직하지 않은 결과, 가령, 고장 및 출동 수리가 피해질 수 있고, 따라서 소비자의 차량 품질에 대한 인식 및 소비자 신뢰도가 향상될 수 있다. 덧붙여, 예측적 분석에 의해 OEM은 고장이 발생하는 추세를 관측할 수 있고, 이로써 막대한 비용의 불편한 대규모 리콜을 방지할 수 있다. 그 밖의 다른 이점이 이하의 기재에서 명백해질 것이다.
상기의 목적은 본 발명의 하나 이상의 양태에 따르는 차량내 예측적 고장 검출 시스템에 의해 달성될 수 있다. 본 발명은 통계적 모델과 기존 워런티 신청과 차량이 생성하는 고장 진단 코드(DTC) 간 속성과 DTC 자체 간 일반적인 관계를 확립하는 방법을 모두 제공한다. 예측적 프레임워크에서 구현될 때, 이는 워런티 비용 및 예측하지 못한 문제를 감소시킬 수 있다. 본 발명에 따르는 예측적 모델은 DTC의 패턴의 검출을 기초로 고장의 사전 경고를 제공할 수 있다.
앞서 언급된 목적은 하나 이상의 고장 진단 코드(DTC)를 기초로 차량의 고장 확률을 결정하는 단계, 및 상기 확률이 임계값을 초과함에 응답하여 고장 가능성이 있다고 차량의 조작자에게 지시하는 단계를 포함하는 방법에 의해 달성될 수 있다. 결정하는 단계는 하나 이상의 DTC를 하나 이상의 훈련된 모델 객체에 비교하는 것을 기초로 할 수 있다. 훈련된 모델 객체는 과거 DTC 데이터에 대해 수행되는 머신 러닝 알고리즘을 이용해 생성될 수 있다. 결정하는 단계는 주행거리계 판독 및 배터리 전압을 포함하는 복수의 동작 상태를 더 기초로 할 수 있다.
일부 예시에서, 지시하는 단계는 텍스트 메시지를 스크린을 통해 디스플레이하는 단계를 포함하며, 상기 텍스트 메시지는 지시사항을 포함한다. 상기 지시사항은 정비 또는 서비스 스테이션을 방문할 권장 기한을 포함할 수 있다. 상기 권장 기한은 확률을 기초로 할 수 있는데, 낮은 확률의 경우일수록 긴 기한이고 높은 확률의 경우일수록 짧은 기한이며, 기한 일수는 DTC를 생성한 차량 서브시스템을 더 기초로 한다. 임계값은 DTC를 생성한 차량 서브시스템을 기초로 선택될 수 있다.
또 다른 예시에서, 앞서 언급된 목적은 시스템에 의해 달성될 수 있는데, 상기 시스템은 차량, 복수의 차량 서브시스템, 비-일시적 메모리에 저장된 기계 판독형 명령을 갖는 제어기를 포함하며, 상기 명령은 차량 서브시스템으로부터 하나 이상의 고장 진단 코드(DTC)를 수신하고, 하나 이상의 DTC를 하나 이상의 훈련된 모델 객체에 비교함으로써 차량의 고장 확률을 생성하며, 확률이 임계값을 초과하는 경우 고장 가능성이 있다고 차량의 조작자에게 지시하는 명령이다.
추가로 또는 대안으로, 이들 목적은 고장 진단 코드(DTC) 및 엔진 동작 파라미터를 수신하는 단계, DTC 및 엔진 동작 파라미터를 훈련된 모델 객체에 비교하여 차량의 고장 확률 및 지시사항을 생성하는 단계, 및 고장 확률이 임계값보다 높은 것에 응답하여 지시사항을 차량의 조작자에게 스크린 상으로 디스플레이하는 단계를 포함하는 방법에 의해 달성될 수 있다.
본 발명은 첨부된 도면을 참조하여, 비-제한적 실시예의 다음 설명을 읽음으로써 더 잘 이해될 수 있다.
도 1은 본 발명의 하나 이상의 실시예에 따라 예측적 고장 검출 시스템의 하나 이상의 양태를 구현하는 예시적 전자 장치를 도시한다.
도 2는 차량내 예측적 고장 검출을 위한 예시적 방법을 보여준다.
도 3은 차량내 예측적 고장 검출 시스템 및/또는 방법에서 사용되기 위한 훈련된 모델 객체를 생성하기 위한 예시적 방법을 보여준다.
도 4는 고장 및 비-고장 세션으로 세션 유형을 분류하기 위한 방법을 도시한다.
도 5는 예시적 패턴 마이닝 작업흐름 도를 도시한다.
도 6a 및 6b는 각각 2015년 7월 - 2015년 12월 및 2016년 1월 - 2016년 6월의 구간에서의 베이즈 정리를 이용한 패턴 순위화에 따르는 상위 5개의 식별된 증상 패턴의 고장에 대한 성향을 도시한다.
도 7은 민감도 및 특이도 다이어그램을 도시한다.
도 8은 하나의 예시에 따르는 예시적 민감도 및 특이도 곡선을 도시한다.
도 9는 특정 확률 컷-오프에 따르는 모델 성능 메트릭을 도시한다.
도 10은 상이한 확률 컷-오프 값에서의 진양성율에서의 상충관계를 도시한다.
도 11은 모델 검증을 위한 예시적 데이터 준비 작업흐름의 다이어그램을 도시한다.
도 12는 예시적 데이터 비닝 결정 트리를 도시한다.
도 13은 상이한 데이터세트에서 고장 및 비-고장 모드의 분포를 도시한다.
도 14는 고장 세션의 가장 잦은 DTC를 나타낸다.
도 15는 DTC 수에 의한 고장 대 비-고장 세션의 빈도를 나타낸다.
도 16은 세션에서의 DTC 수에 의한 고장 비율을 나타낸다.
도 17은 고장 및 비-고장 세션에 대한 배터리 전압 분포를 나타낸다.
도 18a-d는 상이한 입력 파라미터를 이용한 모델 정확도 결과를 나타낸다.
도 19는 DTC 나이의 분포를 나타낸다.
도 20a 및 20b는 2016년 5월 및 6월 데이터세트에 대한 모델 성능 메트릭을 나타낸다.
도 21a 및 21b는 배터리 전압 및 주행거리계 판독을 포함한 것과 포함하지 않은 것의 모델 성능 메트릭을 나타낸다.
앞서 언급된 바와 같이, 차량내 예측 고장 검출 시스템 및 방법을 위한 시스템 및 방법이 제공된다. 다음은 본 명세서에서 사용되는 용어의 정의를 포함하는 표이다:
Figure pct00001
도 1은 본 명세서에 개시되는 예측적 고장 검출 시스템 또는 방법의 하나 이상의 양태를 포함할 수 있는 예시적 전자 장치(100)의 블록도이다. 전자 장치(100)는 전자 장치(100)가 개시된 방법 또는 컴퓨터 기반 기능 중 하나 이상, 가령, 차량 서브시스템에 의해 발행된 하나 이상의 DTC를 수신하는 것, 복수의 차량 센서로부터 하나 이상의 동작 상태를 수신하는 것, DTC(들) 및/또는 동작 상태(들)를 하나 이상의 규칙 또는 훈련된 모델 객체에 비교하는 것, DTC, 동작 상태, 및 훈련된 모델 객체를 기초로 고장 확률을 생성하는 것, 및 고장 확률을 기초로 메시지를 조작자에게 발행하는 것을 수행하게 하도록 실행될 수 있는 명령의 세트를 포함할 수 있다. 전자 장치(100)는 독립적 장치로서 동작하거나, 네트워크를 이용해, 타 컴퓨터 시스템 또는 주변 장치로 연결될 수 있다. 특히, 전자 장치는 차량에 연결된 독립적 장치이거나, 기존 차량 시스템 내 컴퓨터 판독형 명령으로서 인스턴스화될 수 있으며, 가령, ECU일 수 있다.
네트워킹된 배치의 예시에서, 전자 장치(100)는 서버-클라이언트 사용자 네트워크 환경에서 서버 역할을 하거나 클라이언트 사용자 컴퓨터로서 동작하거나, 피어-투-피어(또는 분산) 네트워크 환경에서 피어 컴퓨터 시스템으로서 동작하거나, 그 밖의 다른 다양한 방식으로 동작할 수 있다. 전자 장치(100)는 또한 다양한 전자 장치, 가령, 데스크톱 및 랩톱 컴퓨터, 핸드-헬드 장치, 가령, 스마트폰 및 태블릿 컴퓨터, 휴대용 미디어 장치, 가령, 기록, 재생, 및 게임 장치, 자동차 전자기기, 가령, 헤드 유닛 및 내비게이션 시스템, 또는 기계에 의해 취해질 동작을 야기하는 명령을 (순차적으로 또는 그 밖의 다른 방식으로) 실행할 수 있는 그 밖의 다른 기계로서 구현되거나, 이들에 통합될 수 있다. 전자 장치(100)는 음성, 오디오, 비디오 및/또는 데이터 통신을 제공하는 전자 장치를 이용해 구현될 수 있다. 단일 전자 장치(100)가 도시되지만, 용어 "장치"는, 이하에서 더 상세히 설명될 예측적 고장 검출 시스템의 하나 이상의 전자 기능을 수행하기 위한 명령의 하나 또는 복수의 세트를 개별적으로 또는 공동으로 실행하는 장치들의 모음, 또는 부분-장치를 포함할 수 있다.
전자 장치(100)는 프로세서(102), 가령, 중앙 처리 장치(CPU), 또는 그래픽 처리 장치(GPU), 또는 둘 모두를 포함할 수 있다. 프로세서(102)는 다양한 시스템의 구성요소일 수 있다. 예를 들어, 프로세서(102)는 차량 내 헤드 유닛 또는 ECU의 일부분일 수 있다. 또한 프로세서(102)는 하나 이상의 범용 프로세서, 디지털 신호 프로세서, 주문형 집적 회로, 현장 프로그램 가능 게이트 어레이, 서버, 네트워크, 디지털 회로, 아날로그 회로, 이들의 조합, 또는 데이터를 분석 및 처리하기 위한 그 밖의 다른 현재 알려져 있거나 장차 개발될 장치를 포함할 수 있다. 프로세서(102)는 소프트웨어 프로그램, 가령, 수동으로 생성되거나 프로그램된 코드를 구현할 수 있다.
전자 장치(100)는 메모리, 가령, 버스(110)를 통해 통신할 수 있는 메모리(104)를 포함할 수 있다. 상기 메모리(104)는 메인 메모리, 정적 메모리, 또는 동적 메모리이거나 이들을 포함할 수 있다. 메모리(104)는 비-일시적(non-transitory) 메모리 장치를 포함할 수 있다. 메모리(104)는 또한 컴퓨터 판독형 저장 매체, 가령, 다양한 유형의 휘발성 및 비휘발성 저장 매체, 가령, 랜덤 액세스 메모리, 리드-온리 메모리, 프로그램 가능 리드-온리 메모리, 전기 프로그램 가능 리드-온리 메모리, 전기 소거 가능 리드-온리 메모리, 플래시 메모리 자기 테이프 또는 디스크, 광학 매체 등을 포함할 수 있다. 또한 메모리는 소프트웨어가 저장된 비-일시적 유형(tangible) 매체를 포함할 수 있다. 소프트웨어는 이미지 또는 또 다른 포맷(가령, 광학 스캔을 통한 포맷)으로 전자적으로 저장되고, 그 후 컴파일되거나 해석되거나 그 밖의 다른 방식으로 처리될 수 있다.
하나의 예를 들면, 메모리(104)는 프로세서(102)를 위한 캐시 또는 랜덤 액세스 메모리를 포함한다. 대안 예시에서, 메모리(104)는 프로세서(102)와 별개일 수 있으며, 가령, 프로세서의 캐시 메모리, 시스템 메모리, 또는 또 다른 메모리일 수 있다. 메모리(104)는 데이터를 저장하기 위한 외부 저장 장치 또는 데이터베이스이거나 이들을 포함할 수 있다. 예시는, 하드 드라이브, 컴팩트 디스크("CD"), 디지털 비디오 디스크("DVD"), 메모리 카드, 메모리 스틱, 플로피 디스크, USB(universal serial bus) 메모리 장치, 또는 데이터를 저장하도록 동작하는 또 다른 장치를 포함한다. 예를 들어, 전자 장치(100)는 또한 디스크 또는 광학 드라이브 유닛을 포함할 수 있다. 드라이브 유닛은 소프트웨어 또는 명령, 가령, 명령(124)의 하나 이상의 세트가 구현될 수 있는 컴퓨터 판독형 매체를 포함할 수 있다. 프로세서(102) 및 메모리(104)는 명령 또는 소프트웨어를 갖는 컴퓨터 판독형 매체를 더 포함할 수 있다.
메모리(104)는 프로세서(102)에 의해 실행 가능한 명령을 저장하도록 동작 가능하다. 도면에 도시되거나 기재된 기능, 동작 또는 작업이 메모리(104)에 저장되는 명령을 실행하는 프로그램된 프로세서(102)에 의해 수행될 수 있다. 기능, 동작 또는 작업은 특정 유형의 명령 세트, 저장 매체, 프로세서 또는 처리 전략에 독립적일 수 있고 홀로 또는 조합되어 동작하는 소프트웨어, 하드웨어, 집적 회로, 펌웨어, 마이크로코드 등에 의해 수행될 수 있다. 마찬가지로, 처리 전략은 다중 처리, 멀티태스킹, 병렬 처리 등을 포함할 수 있다.
명령(124)은 전자 장치(100) 및/또는 예시적 예측적 고장 검출 시스템의 양태를 포함하는, 본 명세서에 기재된 방법 또는 로직 중 하나 이상을 구현할 수 있다. 명령(124)은 전자 장치(100)에 의해 실행되는 동안 메모리(104) 또는 프로세서(102) 내에 완전히 또는 부분적으로 위치할 수 있다. 예를 들어, 본 명세서에 개시된 예측적 고장 검출 시스템의 소프트웨어 양태는, 이하에서 더 상세히 설명될, 전자 장치(100)에 의해 실행되는 동안 메모리(104) 또는 프로세서(102) 내에 완전히 또는 부분적으로 위치할 수 있는 훈련된 모델 객체의 예시를 포함할 수 있다.
또한, 전자 장치(100)는 네트워크(126)에 연결된 장치가 음성, 비디오, 오디오, 이미지 또는 그 밖의 다른 데이터를 네트워크(126)를 통해 통신할 수 있도록 명령(124)을 포함하거나 전파 신호에 응답하여 명령(124)을 수신하고 실행하는 컴퓨터 판독형 매체를 포함할 수 있다. 명령(124)은 통신 포트 또는 인터페이스(120)를 통해 네트워크(126)를 통해, 또는 버스(110)를 이용해, 전송 또는 수신될 수 있다. 통신 포트 또는 인터페이스(120)는 프로세서(102)의 일부이거나 개별 구성요소일 수 있다. 통신 포트 또는 인터페이스(120)는 소프트웨어로 생성되거나 하드웨어 내 물리적 연결일 수 있다. 통신 포트 또는 인터페이스(120)는 네트워크(126), 외부 매체, 하나 이상의 입력 장치(132), 하나 이상의 출력 장치(134), 하나 이상의 차량 서브시스템(136), 또는 전자 장치(100) 내 그 밖의 다른 구성요소, 또는 이들의 조합과 연결하도록 구성될 수 있다. 네트워크(126)와의 연결은 물리적 연결, 가령, 유선 이더넷 연결이거나 무선으로 확립될 수 있다. 전자 장치(100)의 그 밖의 다른 구성요소와의 추가 연결이 물리적 연결이거나 무선으로 확립될 수 있다. 대안으로 네트워크(126)는 버스(110)에 직접 연결될 수 있다.
네트워크(126)는 유선 네트워크, 무선 네트워크, 이더넷 AVB 네트워크, CAN 버스, MOST 버스, 또는 이들의 조합을 포함할 수 있다. 무선 네트워크가 셀룰러 전화 네트워크, 802.11, 802.16, 802.20, 802.1Q 또는 WiMax 네트워크이거나 이들을 포함할 수 있다. 무선 네트워크는 또한 WI-FI 또는 BLUETOOTH 기술을 통해 구현되는 무선 LAN을 포함할 수 있다. 또한, 네트워크(126)는 공중 네트워크, 가령, 인터넷, 사설 네트워크, 가령, 인트라넷 또는 이들의 조합이거나 이들을 포함할 수 있고, 현재 이용 가능하거나 차후 개발될 다양한 네트워킹 프로토콜, 가령, TCP/IP 기반 네트워킹 프로토콜을 이용할 수 있다. 전자 장치(100)의 하나 이상의 구성요소가 네트워크(126)에 의해 또는 이를 통해 서로 통신할 수 있다.
전자 장치(100)는 사용자가 전자 장치의 구성요소와 대화할 수 있게 하도록 구성된 하나 이상의 입력 장치(132)를 더 포함할 수 있다. 하나 이상의 입력 장치(132)는 키패드, 키보드, 및/또는 커서 제어 장치, 가령, 마우스 또는 조이스틱을 포함할 수 있다. 또한, 하나 이상의 입력 장치(132)는 원격 제어, 터치스크린 디스플레이, 또는 전자 장치(100)와 대화하도록 동작하는 그 밖의 다른 장치, 가령, 전자 장치와 하나 이상의 사용자 및/또는 그 밖의 다른 전자 장치 간 인터페이스로서 역할 하도록 동작하는 장치를 포함할 수 있다.
입력 장치(132)는 하나 이상의 센서를 더 포함할 수 있다. 하나 이상의 센서는 하나 이상의 근접도 센서, 모션 센서, 또는 카메라(가령, 모바일 장치에서 발견되는 것)를 포함할 수 있다. 기능적으로, 하나 이상의 센서는 모션, 온도, 자기장, 중력, 습도, 수분, 진동, 압력, 전기장, 소리 또는 잠재적 사용자 또는 상기 사용자를 둘러 싸는 주위와 연관된 그 밖의 다른 물리적 양태를 검출 또는 측정하는 하나 이상의 센서를 포함할 수 있다. 또한 입력 장치(132)는 이미지를 캡처하고 생성하도록 구성된 하나 이상의 카메라를 포함할 수 있다. 상기 하나 이상의 카메라는 전자 장치(100)의 주위의 디지털 이미지를 생성하도록 구성된 디지털 카메라 또는 전하-캡처 장치(CCD)일 수 있다. 하나 이상의 카메라는 가시광에 반응하는 광학 카메라, 적외선 카메라, 자외선 카메라, 또는 적용예에 적합한 그 밖의 다른 카메라를 포함할 수 있다.
전자 장치는 하나 이상의 출력 장치(134)를 포함할 수 있다. 출력 장치(134)는 메시지를 디스플레이하거나, 소리를 재생하거나, 램프를 조명하거나, 차량 및/또는 전자 장치(100)의 내부 상태에 관한 정보를 사용자에게 통신하는 목적의 그 밖의 다른 동작을 취하도록 구성될 수 있다. 출력 장치는 스크린, 지시자 램프, 스피커, 햅틱 피드백 장치, 또는 그 밖의 다른 적절한 장치 중 하나 이상을 포함할 수 있다. 하나의 예시에서, 스크린은 차량내 인포테인먼트 시스템의 일부를 형성하는 터치스크린을 포함할 수 있다. 또 다른 예시에서, 스크린은 그 밖의 다른 차량내 시스템과 별개인 구성요소일 수 있다. 스크린은 텍스트 또는 시각적 메시지를 사용자에게 생성하도록 구성될 수 있다. 스피커가 하나 이상의 오디오 채널을 포함하는 스테레오 시스템 또는 서라운드 사운드 시스템의 일부일 수 있다. 특히, 스피커는 스피커의 어레이를 포함할 수 있다. 스피커는 혼 드라이버 확성기, 전기기계적 확성기, 가령, 자석-드라이버 우퍼 및/또는 압전기 스피커를 포함할 수 있다. 지시자 램프는 하나 이상의 차량 구성요소, 가령, 체크-엔진 램프 또는 대시보드, 계기 패널, 또는 그 밖의 다른 위치에 배치되는 그 밖의 다른 적절한 램프에 통합되는 LED 또는 백열 램프를 포함할 수 있다. 햅틱 피드백 장치는 뚜렷한 신호를 차량 구성요소, 가령, 운전대로 전송하여 조작자와 메시지를 통신하도록 구성된 장치를 포함할 수 있다. 출력 장치(134) 중 하나 이상이 차량에 통합 또는 연결될 수 있고, 또 다른 예시에서, 출력 장치(134) 중 하나 이상이 전자 장치(100)에 통신 가능하게 연결된 별도의 기계적 시스템, 가령, 스마트폰 또는 진단 장치의 일부를 형성할 수 있다. 예를 들어, 출력 장치는 CAN 버스를 포함할 수 있는 버스(110)에, 무선 연결, 가령, 네트워크 연결(126)을 통해, 무선 연결된 스마트폰의 터치스크린을 포함할 수 있다. 또 다른 변형예가 가능하다.
전자 장치(100)는 하나 이상의 차량 서브시스템(136)을 포함할 수 있다. 차량 서브시스템(136)은 차량의 일부를 포함할 수 있으며, 일례에서, CAN 버스를 포함할 수 있는 버스(110)에 통신 가능하게 연결될 수 있다. 차량 서브시스템은 차량의 하나 이상의 요소를 포함할 수 있고, 예를 들어, OBD-II 고장 진단 코드 규격에 의해 제공된 차량 서브시스템 카테고리에 따라 파워트레인 서브시스템, 섀시 서브시스템, 바디 서브시스템, 및 네트워크 서브시스템을 포함할 수 있다. 또 다른 예시에서, 상이한 서브시스템 카테고리화 스킴이 사용될 수 있다. 차량 요소는 기능, 구조, 및/또는 절차적 고려사항에 따라 그룹지어질 수 있다. 하나의 예시에서, 차량 서브시스템은 엔진 시스템, 연료 계통 시스템, 증발 시스템, 점화 시스템, 전기 시스템, HVAC 시스템, 서스펜션 시스템 등을 포함할 수 있다.
차량 서브시스템(136)은 하나 이상의 ECU(137) 및 센서(138)를 포함할 수 있다. 센서(138)의 비제한적 예시는 MAP/MAF 센서, UEGO, HEGO, 온도 센서, 압력 센서, 습도 센서, 엔진 속력 센서, 홀 효과 센서(Hall effect sensor), 노크 센서(knock sensor) 등을 포함한다. 일부 예시에서, 센서(138)는 앞서 언급된 입력 장치(132) 중 하나 이상을 포함할 수 있다. 센서는 엔진 시스템, 흡기 다기관, 배기 다기관, 연료 탱크, 차량 타이어, 냉각재 통로, EGR 통로, 차량 실내, 차량 바디, 및 그 밖의 다른 적절한 위치에 배치될 수 있다. ECU(137)는 센서(138) 중 하나 이상으로부터의 신호를 수신하도록 구성될 수 있다. ECU(137)는 상기 신호를 모니터링하고 평가할 수 있으며 조건들이 허가하는 대로 하나 이상의 DTC를 출력하도록 구성될 수 있다. DTC는 예를 들어 OBD-II 표준에 따라 생성될 수 있다. 추가 또는 대안적 표준 또는 사설 DTC 생성 스킴이 채용될 수 있다.
따라서 전자 장치(100)는 차량내 예측정 고장 검출 시스템 및/또는 방법의 하나 이상의 양태를 구현하도록 구성될 수 있다. 도 2를 참조하면, 예측적 고장 검출 방법의 하나의 예시가 도시한다.
방법(200)은 (210)에서 시작하며, 여기서 프로세서가 고장을 예측하기 위한 방법에서 사용되는 테스팅 규칙을 업데이트하기 위한 요청이 있는지 여부를 결정한다. 이들 규칙은 머신 러닝 기법, 가령, 이하에서 언급될 방법(300)으로 제공되는 것에 의해 생성되는 하나 이상의 훈련된 모델 객체를 포함할 수 있다. 규칙은 하나 이상의 동작 상태, 가령, DTC, 주행거리계 판독, 또는 배터리 전압을 기초로 고장 확률을 결정하기 위한 수학적 및/또는 통계적 관계, 결정 트리, 데이터 구조, 및/또는 휴리스틱의 세트를 포함할 수 있다. 규칙은 동작 상태를 기초로 지시사항 또는 취해질 제안된 조치를 특정할 수 있다. 하나의 예시에서, 방법(200)은 최초로 동작되는 예측적 고장 결정 시스템에 대해 테스팅 규칙이 업데이트될 것을 요청할 수 있다. 또 다른 예시에서, 방법(200)은 원격으로, 가령, 네트워크 연결을 통해 테스팅 규칙을 업데이트하기 위한 요청을 수신할 수 있다. 대안으로, 방법(200)은 이전 업데이트 이래로 지정 시간이 흐른 후 테스팅 규칙의 업데이트를 요청할 수 있는데, 예를 들어, 방법은 월에 한 번, 그 밖의 다른 지정 간격으로, 또는 차량이 시동될 때마다, 규칙 업데이트를 요청할 수 있다. 업데이트가 요청되는 경우, (215)로 처리가 진행된다. 어떠한 업데이트도 요청되지 않는 경우, (220)으로 처리가 진행된다.
(215)에서, 방법(200)은 테스팅 규칙을 업데이트하도록 진행한다. 이는 새로운 규칙에 대한 요청을 전송하고 새로운 규칙을 수신하는 것을 포함할 수 있다. 상기 요청은 로컬 또는 원격 서버, 네트워크, 또는 그 밖의 다른 데이터 소스로 전송될 수 있다. 새로운 규칙은 동일하거나 상이한 소스로부터 수신될 수 있다. 하나의 예를 들면, 데이터 소스가 테스팅 규칙의 완전한 세트를 전송하여, 현재의 테스팅 규칙의 세트를 대체할 수 있다. 또 다른 예를 들면, 데이터 소스는 마지막 업데이트 요청 이래로 새로운 것이거나 변경된 규칙만 전송할 수 있다. 업데이트된 규칙이 수신되면, (220)으로 처리가 진행된다.
(220)에서, 방법은 동작 상태를 모니터링하도록 진행한다. 이는 전자 장치(100)가 배치된 차량의 동작 상태를 모니터링하는 것, 가령, 하나 이상의 센서, 가령, 센서(138) 및/또는 입력 장치(132)에 의해 생성된 신호를 모니터링하는 것을 포함할 수 있다. 이는 주행거리계 판독 및/또는 배터리 전압 신호를 모니터링하는 것을 포함할 수 있다. 다음의 처리에서 모니터링 및 채용될 수 있는 동작 상태의 그 밖의 다른 비제한적 예시로는, 엔진 속력, 부하, 토크 요청(torque request), 배기 온도, 공연비, 냉각재 온도, MAF/MAP, 속력, 습도, 제동 요청, 점화 타이밍, 밸브 타이밍, 또는 그 밖의 다른 적절한 상태를 포함한다. 그 후 (230)으로 처리가 진행된다.
(230)에서, 방법은 고장 진단 코드에 대해 모니터링한다. DTC는 하나 이상의 ECU(136)에 의해 생성될 수 있다. 프로세서는 또한 생성된 DTC의 나이(age)에 대해서도 모니터링할 수 있다. 이는 모든 DTC를 모니터링하거나 DTC의 서브세트, 가령, 특정 차량 서브시스템에 의해 생성된 DTC, 또는 특정 나이의 DTC만 모니터링하는 것을 포함할 수 있다. 예를 들어, DTC에 대한 모니터링은 임계 나이보다 낮은 DTC에 대해서만 모니터링하는 것을 포함할 수 있다. 하나의 예시에서, 임계 나이는 일수, 가령, 1일, 3일, 5일, 또는 그 밖의 다른 적절한 일수일 수 있다. 이 예시에서, 방법은 임계 나이보다 많은 모든 DTC를 무시할 수 있다. 그러나 방법은 일부 예시에서 어떠한 DTC도 무시하지 않을 수 있으며, 차량 서브시스템에 의해 생성된 모든 DTC를 다음 처리 단계에서 이용할 수 있다. 그 후 (240)으로 처리가 진행한다.
(240)에서, 방법은 DTC 및 동작 상태를 하나 이상의 규칙 또는 훈련된 모델 객체에 비교하는 것을 포함한다. 이는 DTC 및 상태를 하나 이상의 통계적 또는 수학적 관계, 결정 트리, 데이터 구조, 또는 그 밖의 다른 객체에 비교하는 것을 포함할 수 있다. 훈련된 모델 객체의 예시는 관측된 DTC의 세트가 {B11FF, U2100}를 포함하는 경우, 고장 확률이 다음 5일 내에 80%로 지시됨을 특정하는 규칙을 포함할 수 있다. 훈련된 모델 객체는 추가 관계를 포함할 수 있다: 이전 예시를 계속 들면, 훈련된 모델 객체는 고장 확률이 예측 가능한 방식으로 주행거리에 따라 증가한다고 특정하고 80%의 기본 확률이, 관측된 주행거리계 판독이 클수록 증가하고 주행거리계 판독이 낮을수록 감소되도록, 주행거리계 판독을 기초로 수정됨을 특정할 수 있는 추가 규칙을 포함할 수 있다.
또 다른 예시에서, 훈련된 모델 객체는 차량의 동작 상태에 따라 변할 수 있는 동적 규칙을 포함할 수 있다. 예를 들어, 규칙은 DTC {P2459, U0128}가 74%의 고장 확률을 지시한다고 특정하지만, 고장 확률은 엔진 부하에 따라 동적으로 더 변한다고 특정할 수 있다. 고장 확률은 엔진 부하가 높을수록 증가하고 엔진 부하가 낮을수록 감소할 수 있다. 훈련된 모델 객체는 또한 블록(270)을 참조하여 이하에서 설명될, 관측된 DTC 및/또는 하나 이상의 동작 상태를 기초로 지시사항 또는 권고를 특정하는 규칙을 더 포함할 수 있다. DTC 및 동작 상태가 훈련된 모델 객체 및/또는 규칙에 비교되면, (250)으로 처리가 진행된다.
(250)에서, 방법이 고장 확률을 결정한다. 하나의 예시에서, 이는 하나의 규칙 또는 훈련된 모델 객체의 단순 적용에 의해 이뤄질 수 있다. 이전 단계에서 수행된 비교를 기초로, 규칙 도는 훈련된 모델 객체가 고장 확률을 제공할 수 있다. 또 다른 예시에서, 둘 이상의 규칙 도는 훈련된 모델 객체가 채용될 수 있다. 예를 들어, DTC 및/또는 그 밖의 다른 관측된 파라미터가 복수의 규칙에 의해 포함되는 경우, 방법은 확률들을 적절한 방식으로 조합하는 것을 포함할 수 있다. 예를 들어, 방법은 최저 확률, 최고 확률, 또는 일부 산술적 조합을 선택할 수 있다. 구체적으로, 복수의 고장 확률 P1 ... Pn을 제공하는 복수의 규칙 R1 ... Rn이 주어지면, 상기 방법은
P=1-(1-P1)(1-P2) ... (1-Pn)
에 따라 전체 고장 확률 P를 계산할 수 있다.
고장 확률이 결정된 후, (260)으로 처리가 진행된다.
(260)에서, 방법은 선택사항으로서 이전에 생성된 확률을 임계값에 비교하는 것을 포함한다. 대안으로, 임계값 비교는, 이하에서 방법(300)을 참조하여 기재된 모델 생성 프로세스의 일부로서 수행될 수 있다. 구체적으로, 블록(380)에서, 최적 컷-오프 확률이 정의될 수 있다. 이하에서 블록(380)을 참조하여 설명될 절차가 대안으로 블록(260)에서 방법(200)의 일부로서 수행될 수 있다. 따라서 (260)에서 확률은 임계값에 비교될 수 있다. 임계값은 지정된 상수이거나 동작 상태를 기초로 결정될 수 있다. 예를 들어, 방법은 높은 속력 및/또는 부하 상태 동안일수록 낮은 확률 임계값을 선택하고 낮은 속력 및/또는 부하 상태 동안일수록 높은 확률 임계값을 선택할 수 있다. 이로 인해, 예를 들어, 상이한 운전 상태에서 증가 또는 감소된 고장 확률에 따라 방법의 동적인 제어가 가능해질 수 있다. 또 다른 예를 들면, 프로세서에 의해 수신된 DTC에 어느 차량 서브시스템이 관련되는지에 따라 상이한 확률 임계값이 선택될 수 있다. 예를 들어, 방법은 엔진 서브시스템과 관련하여 DTC에 대해 낮은 확률 임계값을 선택하고 전기 또는 HVAC 시스템과 관련하여 DTC에 대한 높은 확률 임계값을 선택할 수 있다. 또 다른 변형이 가능하다. 고장 확률이 임계 확률보다 낮다고 결정된 경우, 방법은 (220)으로 복귀하고 동작 상태 및 DTC를 계속 모니터링한다. 고장 확률이 임계 확률보다 크다고 결정된 경우, 방법은 (270)으로 진행된다.
(270)에서, 방법은 DTC, 동작 상태 및/또는 훈련된 모델 객체를 기초로 지시사항을 생성한다. 생성된 지시사항은 인간 조작자에게 전달되고 그에게 이해되도록 의도될 수 있다. 예시적 지시사항은 비교적 단순한 지시사항, 가령, "엔진을 체크하십시오(check engine)" 또는 "빨리 차량 점검을 받으십시오(service vehicle soon)"을 포함할 수 있다. 도 다른 예시에서, 방법은 더 특정한 지시사항, 가령, "X일 내에 차량 점검을 받으십시오"를 생성할 수 있으며, 여기서 X는 DTC, 종작 상태, 및/또는 훈련된 모델 객체를 기초로 결정된다. 지시사항은 또한 "가능한 빨리 차량 점검을 받으십시오"을 포함할 수 있다. 방법이 고장이 긴급한 것이라고 판단한 경우, 생성된 지시사항은 "당장 차를 대십시오(pull over immediately)"를 포함할 수 있다. 방법은, 추가로 또는 대안으로, 고장의 가능성을 최소화하도록 의도된 특정 운전 행동에 대한 지시사항을 조작자에게 생성할 수 있다. 이들 유형의 지시사항의 비제한적 예시가 "감속" 또는 "에어 컨디셔너를 끄십시오"를 포함할 수 있다.
DTC, 동작 상태, 및/또는 훈련된 모델 객체를 기초로 특정 지시사항이 생성될 수 있다. 지시사항은 또한 앞서 결정된 확률을 기초로 할 수 있다. 예를 들어, 방법이 "X일 내에 차량 점검을 받으십시오"의 지시사항을 생성할 때, X는 확률을 기초로 결정될 수 있다. 일수는 확률과 반비례 관계를 가질 수 있으며, 여기서 큰 고장 확률일수록 적은 일수에 대응하고 그 반대의 경우도 마찬가지이다. 지시사항, 가령, "가능한 빨리 차량 점검을 받으십시오" 및 "즉시 차를 대십시오"는 매우 높은 고장 확률, 가령, 블록(260)에서 채용된 확률 임계값보다 높은 제2 임계값보다 큰 고장 확률을 기초로 생성될 수 있다. 일부 예시에서, 특정 지시사항이 훈련된 모델 객체에 포함될 수 있다. 예를 들어, HVAC ECU에 의해 생성된 DTC를 기초로 HVAC 시스템 내 결함을 진단하는 훈련된 모델 객체가, 결함 확률이 임계값보다 높을 때, 지시사항 "에어 컨디셔너를 끄십시오"을 포함할 수 있다. 방법은 상기의 고려사항을 기초로 지시사항의 하나 이상의 세트를 생성할 수 있다. 지시사항이 생성된 후, (280)으로 처리가 진행된다.
(280)에서, 지시사항을 조작자에게 디스플레이함으로써 방법이 진행한다. 이는 출력 장치(134) 중 하나 이상을 이용해 수행될 수 있다. 지시사항은 체크 엔진 램프를 조명하거나, 텍스트 메시지를 스크린으로 출력하거나, 스피커를 통해 가청 메시지를 재생하거나, 또 다른 적절한 방식에 의해 디스플레이될 수 있다. 지시사항이 조작자에게 디스플레이된 후, 방법(200)은 복귀한다.
도 3을 참조하면, 앞서 기재된 차량내 예측적 고장 검출 시스템에서 사용되도록 훈련된 모델 객체 또는 규칙을 생성하기 위한 방법(300)이 도시된다. 방법(300)은 하나 이상의 컴퓨터 러닝 기법을 채용하여 규칙 또는 훈련된 모델 객체를 생성할 수 있다. 이들 규칙 또는 훈련된 모델 객체는 고장 확률을 예측적으로 결정하거나 및/또는 조작자 지시사항을 생성하는 데 사용되기 위한 전자 장치(100) 및/또는 방법(200)에서 채용 또는 인스턴스화될 수 있다. 하이 레벨에서, 다음의 단계가 수행된다:
1. 데이터 이해, 클리닝 및 처리
2. 더 빠른 모델 건축 및 데이터 추출을 촉진시키기 위해 하둡 맵-리듀스 데이터베이스(Hadoop Map-Reduce Database)에 데이터를 가장 최적의 방식으로 저장하기 위한 데이터 저장 전략
3. 고장을 예측할 때 DTC 및 그 밖의 다른 유래된 변수의 예상 파워
4. 실제 고장 전 사전 통지를 위해 체크될 DTC 데이터의 지속시간 분석
5. 고장을 야기하는 DTC 패턴을 검출하기 위한 연관 규칙 마이닝
6. 고장을 야기하는 연관된 성향에 의해 DTC 패턴을 순위화하기 위한 규칙 순위화 방법
7. 훈련 데이터로부터 고장을 야기하는 DTC 패턴을 식별하는 예측 모델
8. 혼동 행렬을 이용함으로써 표본 집단 데이터에서 고장을 식별할 때의 모델 검증
이하에서 언급될 방법 및 실험을 기초로, 다음의 결과가 획득되었다:
● 실제 고장 전에 비-고장(Non-Failure)보다 고장(Failure)을 더 자주 야기하는 DTC가 합리적인 정확도 및 충분한 사전 통지와 함께 발견될 수 있다.
● DTC 패턴은 실제 고장의 적어도 하루 전에 데이터를 이용해 65%보다 높은 정확도로 고장 예측을 보조하는 데이터로부터 발견될 수 있다, 즉, 고장이 65%보다 높은 정확도로 실제 고장의 적어도 하루 전에 예측될 수 있다.
● DTC 패턴에 더 많은 데이터, 가령, 주행거리계 및/또는 배터리 전압을 추가하는 것이 고장의 예측 정확도를 최대 75%까지 증가시킬 수 있다.
● 65%보다 높은 정확도가 얻어진다.
방법은 (310)에서 시작되며, 이때 적절한 데이터베이스가 어셈블된다. 데이터베이스가 데이터, 가령, 일정 시간 주기 동안 하나 이상의 차량에 의해 생성된 DTC로부터, 그 밖의 다른 정보, 가령, 차량 모델, 주행거리(주행거리계 판독), 배터리 충전 상태, 또는 가령, DTC가 설정될 때 또는 세션이 개시되었을 때 측정된 그 밖의 다른 임의의 동작 상태와 함께 어셈블될 수 있다. 데이터 추출을 위해 차량 피드백 데이터베이스가 사용될 수 있다. 덧붙여, 세션-유형 플랫 파일이 사용되어 세션 파일 이름을 세션 유형에 매핑할 수 있다.
데이터베이스 사용자 가이드와 협의하여 데이터베이스를 완전히 이해하기 위해 복수의 질의가 실행될 수 있다. 덧붙여, DTC 데이터의 각각의 필드를 이해하기 위해 데이터 사전(data dictionary)이 사용될 수 있다. 질의가 다음의 기준 및 분석될 최종 데이터 추출을 위한 데이터베이스에 대한 사후 처리에 따라 실행되었다:
● (스냅샷을 갖는) DTC 기준에 대해: 2014년 6월 - 2016년 6월
● HTTP 콜을 이용해 웹사이트로부터 자동화된 추출
● 2014년 10월부터 시작된 이용 가능한 증상 데이터만
2014년 6월 - 2016년 6월의 모든 세션에 대한 세션 유형 데이터가 이용 가능했다. 데이터베이스를 어셈블하는 것은 세션 데이터를 고장 세션과 비-고장 세션으로 분류하는 것을 더 포함한다. 고장 세션은, 예를 들어, 고장 또는 출동 서비스 세션을 포함할 수 있으며, 반면에 비-고장 세션은, 예를 들어, 정기적인 유지보수 또는 서비스를 포함할 수 있다. 고장과 비-고장 세션을 구별하기 위해, 다음의 규칙이 사용될 수 있다:
● 고장 세션은 특정 대리점만으로부터의 세션이다.
● 모든 나머지 세션은 비-고장 세션이다.
● '서비스 기능' 유형의 비-고장 세션이 비-고장 세션으로 취급된다.
이 규칙의 예시가 도 4의 다이어그램(400)에 의해 나타난다. 적절한 데이터베이스가 어셈블되면, 단계(320)로 처리가 진행된다.
단계(320)에서, 방법은 데이터 클리닝 및 사전 처리를 포함한다. 일부 문제가 중복 및 무효 데이터와 관련된 데이터베이스로부터 추출된 원시 데이터에 존재할 수 있다. 최종 훈련된 모델 객체 및 차량내 예측적 고장 검출 시스템의 강건한 동작을 보장하기 위해 가져온 데이터가 클리닝 또는 사전 처리를 필요로 할 수 있다. 예를 들어, DTC 중복이 일부 세션에서 발견될 수 있다. 중복 DTC는 자동화된 스크립트를 이용해 제거될 수 있으며 세션 내 첫 번째 등장한 DTC만 유지되어 각각의 DTC가 하나의 세션에서 단 한 번만 등장할 수 있다. 또한, 일부 출동 서비스 세션이 '서비스 기능' 유형으로 마킹되는데, 이는 가능하지 않다. 이들 세션은 분석에서 제거된다. 그 후 (330)으로 처리가 진행된다.
(330)에서, 방법이 어셈블된 데이터베이스에서 패턴 마이닝을 수행하는 것을 포함한다. 시퀀스 및 비-시퀀스 패턴-기반 규칙 마이닝에 의해 각각의 고장 유형을 예측할 수 있는 가능성을 체크하기 위해, 한 달치 데이터에 대해 DTC 및 증상에 대한 분석이 우선 수행될 수 있다. 이 프로세스를 나타내는 예시적 작업흐름(500)이 도 5에 도시될 수 있다.
비-시퀀스 패턴 마이닝이 패턴 마이닝(330)의 일부로서 (332)에서 수행될 수 있다. 비-시퀀스 패턴 마이닝은 다음의 절차를 포함한다. 특정 필터 조건을 갖고 2016년 5월 - 2016년 6월 1달 동안의 증상 데이터 및 스냅샷 데이터가 하둡(Hadoop)으로부터 추출되었다. 이 주기 동안 관측된 증상의 총 개수가 1095였다. 이 데이터를 이용해, 상위 고장 모드가 분류된다. 시퀀스 마이닝을 이용해 상이한 레벨을 갖는 5개의 증상에 걸친 고장 모드의 빈도가 추정되고 상위 고장 모드가 더 식별된다. 컷오프로 취해지는 레벨 4를 갖는, 상위 5개의 증상 경로가, 이하의 표에서 나타난 바와 같이, 총 고장의 40%를 포함한다:
Figure pct00002
이 표가 나타내는 바와 같이, 4개의 카테고리 "전기 -> 계기판 -> 정보 및 메시지 센터 -> 메시지 디스플레이 영역"으로 시작하는 고장 모드가 테스트 주기 동안 관측된 1095개의 증상 패턴 중 57개에 해당한다. 이전 3개의 증상 경로를 함께 고려하면, 이들 조합된 4개의 그룹이 관측된 모든 고장 모드 중 34.5%를 포함한다. 그 후 이들 식별된 고장 모드가 비-시퀀스 패턴 마이닝 알고리즘에서 더 처리된다.
또한 패턴 마이닝(330)이 연관 규칙 마이닝(334)을 더 포함할 수 있다. 연관 규칙 마이닝을 위해, 상위 5개의 증상 경로가 메인 고장 모드로 식별되고 이 고장 모드에 대응하는 세션 파일 이름이 DCT 스냅샷으로부터 매핑되어 고장 모드를 야기하는 DTC를 식별할 수 있다. 관측된 DTC가 세션 파일 이름에 대해 매핑되고 높은 지지도 및 신뢰도를 갖는 패턴(DTC의 세트)이 연관 규칙 마이닝(ARM)을 이용해 추정된다. 고장 모드 2가 B11FF 및 U2100에 의해 야기되고, 여기서 시퀀스가 캡처되지 않는다. 이 분석의 결과가 다음의 표에서 제공된다:
Figure pct00003
시퀀스 패턴 마이닝(336)이 또한 패턴 마이닝(330)의 일부로서 수행될 수 있다. 시퀀스 패턴 마이닝이 작은 데이터세트에 대해 채용되어, DTC의 시퀀스가 결정된 규칙의 신뢰도, 지지도, 또는 향상도의 임의의 차이를 만들었는지 여부를 결정할 수 있다. 시퀀스 규칙 마이닝에서, 관측된 DTC가 세션 키에 대해 시계열로서 매핑되고 높은 지지도 및 신뢰도를 갖는 패턴(DTC의 세트)이 시퀀스 마이닝 알고리즘을 이용해 추정된다. 시퀀스 규칙 마이닝의 결과가 다음의 표에 나타난다:
Figure pct00004
고장 모드 1에 대해, 시퀀스 및 비-시퀀스 규칙 모두가 P0130를 고장을 야기하는 DTC로 식별했다. 고장의 임의의 지시자가 있는지 여부, 즉, DID 값 중 임의의 것이 범위를 벗어났는지 여부를 찾기 위해, DID를 기초로 하는 추가 분석이, 이 DTC가 발생한 세션에 대해 이뤄졌다. 그러나 모든 DID 값이 고-저 범위(High-Low range) 내에 있었고, 따라서 DID 값만 살피는 어떠한 결론도 이끌어지지 않을 수 있다.
시퀀스 패턴 마이닝은 DTC의 순서(order) 또는 시퀀스에 따라 달라지는 하나 이상의 규칙 또는 훈련된 모델 객체(이하 참조)를 생성할 수 있다. 규칙은 DTC의 순서에 따라 달라질 수 있으며, 일부 예시에서, DTC의 세트가 제1 순서로 제1 고장 확률을 생성할 수 있고, 제2 순서로 제2 확률을 생성할 수 있으며, 이때 제2 확률은 제1 확률과 상이하다. 예를 들어, 2개의 구별되는 DTC를 포함하는 DTC의 세트가 제1 순서로 제2 확률을 생성할 수 있고, DTC가 상기 제1 순서와 상이한 제2 순서로, 가령, 반대 순서로 검출되는 경우, 가령, 제1 확률보다 큰 제2 확률을 생성하는 상이한 시퀀스 규칙이 적용될 수 있다.
또 다른 예시에서, 시퀀스 규칙은 DTC의 순서에 따라 조작자에게 상이한 지시사항을 제공할 수 있다. 예를 들어, 제1 순서의 DTC의 세트가 "5일 이내에 차량 점검을 받으십시오"라는 지시사항을 제공할 수 있는데 반해, 상이한 제2 순서의 동일한 DTC 세트는 "즉시 차를 대십시오"라는 지시사항을 제공할 수 있다. 또 다른 예시에서, DTC의 제1 순서가 지시사항, 가령, "에어 컨디셔너를 끄십시오"를 제공할수 있는데 반해, DTC의 상이한 제2의 순서는 어떠한 지시사항도 전혀 제공하지 않을 수 있다. 또 다른 변형이 가능하다.
이 분석을 계속하기 위해, 샘플 크기가 6달치 데이터를 포함하도록 확장되었고, 이 연구에서 DTC의 시퀀스가 고려되지 않을 수 있기 때문에, 비-시퀀스 패턴 마이닝만 수행되었다. 가장 큰 데이터세트 및 앞서 언급된 것돠 유사한 패턴 마이닝 접근법을 이용하는 것이 수행되어 고장 유형을 야기하는 비-시퀀스 패턴을 도출할 수 있었다. 증상 데이터 및 스냅샷 데이터가 시장(Market)과 대리점(Dealership)에 필터 조건을 두고 2016년 1월 1일부터 2016년 6월 25일까지의 하둡(Hadoop) DB로부터 추출되었으며, 관측된 증상의 총 개수는 8376이었다.
비-시퀀스 패턴 마이닝의 데이터 준비가 상위 고장 모드의 분류로 진행한다: 상이한 레벨을 갖는 5개의 증상에 걸친 고장 모드의 빈도가 시퀀스 마이닝을 이용해 추정되고 상위 고장 모드가 더 식별된다. 레벨 4의 상위 6개의 증상 경로가 컷오프로서 취해진다. 각각의 세션 파일이 복수 번 기록된 동일한 증상 패턴을 갖고 있다. 이들 6개의 증상 패턴을 포함하는 세션 파일의 총 개수는 3057이다. 이들 패턴이 이하의 표에서 나타난다.
Figure pct00005
그 후 방법이 준비된 데이터에서 비-시퀀스 DTC 패턴 마이닝을 수행한다. 상위 6개의 증상 경로가 메인 고장 모드로서 식별되고 이 고장 모드에 대응하는 세션 파일 이름이 DTC 스냅샷 데이터로부터 매핑되어 고장 모드를 야기하는 DTC를 식별할 수 있다. 상위 6개의 증상 패턴으로부터의 3057개의 세션 파일 중, 단 2850개만 관측되는데, 왜냐하면, 나머지 세션 파일은 DTC 스냅샷 데이터에 기록되지 않기 때문이다. 비 고장 모드가 발생한 세션의 총 개수는 38899이다. 발생한 DTC는 세션 파일 이름에 대해 매핑되고 높은 지지도 및 신뢰도를 갖는 패턴(DTC의 세트)이 연관 규칙 마이닝(ARM)을 이용해 추정된다. 고장 모드 2, 3 및 4가 관측되지 않는데, 왜냐하면, 이들 고장 모드를 야기하는 DTC의 지지도가 0.05% 미만이기 때문이다. 비-시퀀스 패턴 마이닝의 결과가 다음의 표로 요약된다:
Figure pct00006
상기의 표는 규칙 마이닝의 결과를 도시하는데, 특히, 마지막 열은 고장 세션과 비-고장 세션을 야기하는 동일한 규칙에 대해 지지도를 비교한다. 이는 규칙을 순위화하는 방법의 도출을 촉진시키는데, 동일한 규칙이 고장 세션과 비-고장 세션 모두에서 발생할 수 있어서, 비-고장보다 고장을 야기하는 성향을 갖는 규칙을 식별할 수 있다.
이 분석을 기초로, 제안되는 다음 단계는 이하와 같다: 모든 고장 유형을 단일 모드로 그룹짓는 단계, 규칙들을 비교하기 위해 고장 모드와 비-고장 모드를 조합하는 단일 신뢰도 척도를 도출하고 고장을 야기하는 규칙의 연관된 성향에 따라 이들을 순위화하는 단계, 전체 DTC에서 모듈 이름을 이용하는 단계 - 즉, 전체 DTC = 모듈-DTC-유형 기술. 이를 고려하여, 베이즈 법칙(Bayes' Rule)이 적용될 수 있다. 비-시퀀스 패턴 마이닝이 완료된 후, (340)으로 처리가 진행된다.
(340)에서, 방법은 베이즈 정리를 이용하는 패턴 순위화를 포함한다. 고장을 야기할 때 연관된 중요도(가령, 상대적 가능도)에 의해 비-시퀀스 패턴 마이닝으로부터 얻어진 패턴을 순위화하기 위해, 베이즈 정리가 사용된다. 패턴이 발생했다고 가정할 때 조건부 고장 확률에 의해 패턴이 순위화된다:
Figure pct00007
이 수학식은 세션에서 패턴 P1이 발생했다고 가정할 때의 고장 확률 F를 추정하며, 이는 P1의 총 지지도에서 고장을 야기하는 P1의 지지도의 비율이다.
이 방법의 각각의 항이 다음과 같이 해석되고 도출된다:
Pr(F) - 모집단의 고장 확률. 이는 (3년간) 출동 서비스 시설을 갖는 차량의 수를 얻기 위한 2013년 1월 - 2016년 6월 분 판매 데이터 및 2016년 1월 - 2016년 6월 동안 관측된 고장의 실제 수를 이용해 추정되었다. 주기 2016년 1월 - 2016년 6월 동안의 예시: Pr(F) = (고장 세션의 개수)/(2013년 1월 - 2016년 6월의 총 판매량).
Pr(NF) - 모집단의 비-고장 확률이며, F와 NF는 상호 배타적이기 때문에, 1 - Pr(F)이다.
Pr(P1|F) - 고장을 야기하는 패턴 P1의 조건부 확률이며: Pr(P1|F) = (패턴 P1을 포함하는 고장 세션의 개수)/(고장 세션의 총 개수).
Pr(P1|NF) - 비-고장을 야기하는 패턴 P1의 조건부 확률이며: Pr(P1|NF) = (패턴 P1을 포함하는 비-고장 세션의 개수)/(비-고장 세션의 총 개수).
도 6a 및 6b는 베이즈 정리에 의한 패턴 순위화의 결과를 보여준다. 도 6a는 구간 2015년 7월 - 2015년 12월 동안 상위 5개의 패턴의 고장 성향의 차트(600a)를 보여준다. 도 6b는 구간 2016년 1월 - 2016년 6월 동안의 상위 5개의 패턴의 고장 성향의 차트(600b)를 보여준다.
표본 집단 데이터로부터 모델을 훈련함으로써 얻어진 규칙을 이용해 모델을 검증하기 위한 새로운 방법이 베이즈 법칙을 기초로 패턴 순위화 메커니즘을 확장함으로써 개발될 수 있다:
Figure pct00008
Pr(F|DTC)v = DTC 패턴이 검출됐다는 가정 하의 검증 섹션의 차량 고장 확률
Pr(F) = 차량 고장의 확률
Pr(NF) = 1-Pr(F) = 차량의 비 고장인(Not Failing), 즉, 고장이 아닌 확률
Pr(DTC|F)t = 고장 훈련 데이터에서 차량이 고장이라는 가정 하의 패턴 DTC를 볼 확률
Pr(DTC|NF)t = 비 고장 훈련 데이터에서 차량이 고장이 아니라는 가정 하의 패턴 DTC를 볼 확률
상기 계산은 훈련 세트로부터 추정된 선험 확률로부터 검증 세트(표본 집단)에서의 조건부 고장 확률을 추정하기 위해 사용될 수 있다. 베이즈 정리에 의한 패턴 순위화가 완료되면, 방법은 (350)으로 진행된다.
(350)에서, 방법은 컷-오프 확률을 선택하도록 진행된다. 컷-오프 확률은 임계 확률 값일 수 있으며, 여기서 결정된 고장 확률이 임계값을 초과하는 경우, 가능한 고장이 조작자에게 지시되며, 반면에 결정된 고장 확률이 임계값 미만인 경우, 가능한 고장이 조작자에게 지시되지 않을 수 있다. 추가로 또는 대안으로, 이는 방법(200)의 일부로서, 가령, 블록(260-280)에서 발생할 수 있다. 이는 차량내 예측적 고장 검출 시스템에서 로컬하게 또는 비-로컬하게 확률을 선택하는 것을 포함하거나, 복수의 상이한 임계값을 포함하거나, 및/또는 고장 확률을 기초로 조작자에게 지시사항을 발행하는 것을 포함할 수 있다. 이들 기능은, 예를 들어 앞서 언급된 바와 같이 방법(200)의 블록(260)에 포함될 수 있다. 그러나 또 다른 예시에서, 적절한 확률 컷-오프 임계값의 선택이 방법(300)의 일부로서, (350)에서 수행될 수 있다.
세션을 고장 또는 비-고장으로 식별하기 위해, 고장 세션과 비-고장 세션 모두의 DTC 패턴 확률을 이용함으로써 컷오프 확률이 얻어진다. 이 프로세스는, {DTCi}, i = 1..n를 포함하는 훈련 세트 내 각각의 세션에 대해, DTC의 모든 가능한 패턴(즉, {DTCi}의 멱집합)을 생성하는 것을 포함한다. 그 후, 앞서 언급된 바와 같이 P 내 각각의 y에 대해, 베이즈 정리를 이용해 Pr(F|y)가 추정된다. 그 후 가장 높은 Py = Pr(F|y)를 갖는 패턴 y가 고장을 실제로 야기하는 패턴으로 식별된다. 그 후 상이한 세션으로부터의 각각의 Py에 대한 민감도(Sensitivity) 및 특이도(Specificity) 곡선이 추정된다. 민감도 및 특이도의 예시(700)에 대해 도 7을 참조할 수 있다. 고장 컷오프 확률이 이들 2개의 곡선(민감도 및 특이도 곡선)의 교차점일 것이며 이 교차점은 고장 세션뿐 아니라 비-고장 세션에 대해서도 최상위 종합 분류를 제공할 것이다.
(이하에서 설명될 바와 같이, 검증 동안) 분류를 위한 컷-오프 확률을 이용하기 위해, 다음의 규칙이 관측된다: 검증 세트 내 각각의 세션에 대해, 앞서 언급된 바와 같이 Py가 추정된다. Py가 컷-오프 확률 이상인 경우, 세션이 고장으로 분류되고 그렇지 않은 경우 비-고장으로 분류된다.
이 절차의 예시로서, 하나의 세션 파일이 고려된다: 세션 파일에 대해 관측된 DTC가 ABS-U3006-16, PCM-P0504-62, PCM-P2263-22, PCM-P253F-00이다. 세션에서 관측된 DTC 내 패턴의 상이한 조합의 고장 확률이 계산되고 P(F) = 0.002854989, P(NF)=1-P(F)=0.997145011를 플러그인함으로써 내림 차순으로 정렬된다. 세션이 고장인지 또는 비-고장인지를 예측하도록 100% 확률을 배제하여 관측되는 최대 확률은 고려되는데, 따라서 {ABS-U3006-16, PCM-P2263-22}에 대한 가장 높은 확률 = 2.71%이 고장 세션에 대한 훈련을 위해 사용될 것이다. 훈련 데이터세트에서 각각의 세션에 대해 유사한 절차가 반복된다. 도 8은 이 예시로부터 플로팅된 민감도 및 특이도 곡선의 그래프(800)를 도시한다.
도 8에서, 2개의 곡선이 사용될 최적 컷오프인 0.0121635의 x-값에서 교차한다. P(F|DTC)이 컷오프 확률보다 큰 경우 세션이 고장으로 분류되고 그렇지 않은 경우 비-고장으로 분류된다. 0.0121635의 컷오프를 기초로, 도 9의 차트(900)에서 도시된 바와 같이, 검증 결과가 64.47%의 종합 정확도를 제공한다. 상이한 컷-오프 값에서의 진양성율(true positive rate)의 상충관계가 도 10의 차트(1000)에서 나타난다. 컷오프 확률이 선택된 후 방법이 (360)으로 진행한다.
(360)에서, 모델 검증이 수행된다. 모델 검증은, 블록(362)에서, 추가 조건, 가령, 배터리 전압 및 주행거리계 판독의 고장 가능도에의 기여분을 평가하는 것을 포함할 수 있다. 하나의 차량 모델에 대한 모든 세션을 이용해, 다음으로부터 도출된 조합에 대해 12개의 상이한 모델이 구축되었다:
● 3개의 DTC 패턴 - {전체 DTC, 전체 DTC + 주행거리계 + #DTC, 전체 DTC + 주행거리계 + #DTC + 배터리 전압}
● 고장까지 4회 - {마지막 DTC, 마지막 DTC로부터 1일, 마지막 DTC로부터 3일, 마지막 DTC로부터 5일}
데이터 준비 및 모델 검증을 위한 작업흐름이 도 11의 다이어그램(1100)에 도시되어 있다.
데이터세트의 결측값이 적절한 절차에 따라 취급될 수 있다. DTC의 대략 25%가 배터리 전압을 채우지 않는다. 이들은 별도의 "NA" 카테고리로 간주된다. 각각의 세션에 대해 기록된 총 거리가 해당 세션에 대한 주행거리계 판독으로 간주된다. 총 거리가 '0'인 경우 결측값 처리로서 해당 세션에 대한 해당 파라미터의 최대 값이 주행거리계 판독으로 간주된다.
연속 변수, 가령, 배터리 전압, 주행거리계 및 #DTC가 다음의 처리에서 사용되도록 비닝된다. 결정 트리, 가령, 도 12에 도시된 예시적 트리(1200)가 데이터 비닝을 위해 사용될 수 있다. 마지막으로, 세션 내 각각의 DTC가 모델링 스테이지를 위한 입력으로서, 모듈 이름-DTC-TypeDesc-주행거리계 빈-배터리 전압 빈-DTC 수 빈으로 변환된다.
모델 검증의 결과가 다음의 도면에서 나타난다. 데이터(1300)의 훈련(2014년 10월 - 2016년 4월), 테스팅(2016년 5월), 및 검증(2016년 6월)에서의 고장 대 비-고장 세션의 분리가 도 13에 도시되어 있다. 고장 세션에서의 상위 DTC의 빈도 카운트가 도 14의 차트(1400)에 도시되어 있다. 세션 내 #DTC에 의한 세션의 빈도 카운트가 도 15의 그래프(1500)에서 도시된다. 세션의 #DTC가 증가할 때, 도 16의 그래프(1600)에서 나타나는 바와 같이, 세션이 고장 세션일 확률이 증가한다.
고장 세션과 비-고장 세션의 비율의 비가 배터리 전압과 역으로 상관된다, 즉, 낮은 배터리 전압에서일수록 비가 높은데, 이는 낮은 배터리 전압에서 비-고장 세션보다 고장 세션을 찾을 확률이 더 높음을 나타낸다. 이는 도 17의 차트(1700)에서 나타난다.
모델 검증 동안, 고장들 간 연관 규칙 및 입력 변수의 조합이 다음에 대해 유추되었다:
● 전체 DTC - 모듈 + DTC + 유형 기술
● 주행거리계 판독
● DTC의 수
● 배터리 전압
블록(364)에서 상이한 날 컷오프(day cutoff)의 효과, 즉, 마지막 DTC, 마지막 DTC 발생 1일 전, 3일 전, 5일 전까지의 데이터를 이용하는 효과가 역시 조사되었다. 이는 다음의 표에서 나타난다:
Figure pct00009
마지막 DTC, 1일, 3일 및 5일의 컷오프를 이용하는 모델 검증 결과가 컷오프 시간 주기가 증가할수록 데이터의 가용성이 낮아지기 때문에 컷오프가 증가할수록 종합 정확도가 감소함을 보여준다. 이는 도 18a의 차트(1800a)에서 나타난다.
유사하지만 더 일관된 정확도 감소가 전체 DTC, 주행거리계 판독, 및 DTC의 수 조합을 모델의 입력으로서 이용할 때 발견된다. 이들 결과는 도 18b의 차트(1800b)에서 요약된다.
전체 DTC, 주행거리계 판독, DTC의 수, 및 배터리 전압의 특징 조합을 이용할 때, 배터리 전압의 포함이 비-가용 배터리 전압 세션으로부터 기울어진 정확도 때문에 종합 정확도를 실제로 감소시킴이 발견됐다. 이는 도 18c의 차트(1800c)에 나타나 있다.
배터리 전압만 이용하는 것이 진음성(True Negative) 쪽으로 크게 기울어져 진양성(True Positive) 경우를 형편 없이 수행하는 결과를 제공한다, 즉, 비-고장 경우를 정확히 예측하지만, 실제 고장을 예측하는 정확도는 매우 낮다. 이는 도 18d의 차트(1800d)에 나타나 있다(주: 이 결과에 대해 세션의 최소 배터리 전압이 고장을 예측하기 위한 종속 변수로서 사용되었다).
모든 결과의 조합으로부터 전체 DTC + 주행거리계 + #DTC 및 1일 컷오프를 이용한 모델 결과가 지난 DTC 모델에 비교할 때 정확도를 그리 많이 포기하지 않고 고장에 대한 충분한 사전 통지를 위해 최적인 것으로 나타난다.
기술적 분석 및 예비 모델 결과를 기초로, 다음의 결론이 내려질 수 있다:
● 합리적인 정확도 및 실제 고장 전 충분한 사전 통지와 함께, 비-고장보다 고장을 더 자주 야기하는 DTC가 발견될 수 있다. 도 19의 차트(1900)는 일(day) 단위로 DTC 나이의 분포를 보여준다.
● 베이즈 법칙을 이용한 패턴 순위화가 비-고장 둘 모두보다 고장을 두드러지게 야기하는 DTC 패턴을 식별하는 효과적인 방법이고 65%를 초과하는 상이한 시간 주기 동안의 일관된 결과를 제공한다. 도 20a 및 20b가 2016년 5월 및 2016년 6월 동안의 모델 성능 메트릭을 차트(2000a) 및 (2000b)에서 보여주는데, 이들은 상기 일관성을 나타낸다.
● 마지막 DTC 발생 전 데이터로부터 얻어진 패턴 및 패턴 순위화 기반 예측을 이용해 고장이 실제 고장 적어도 하루 전에 60%를 초과하는 정확도를 갖고 예측될 수 있다. 마지막 DTC 발생을 기초로 하는 모델 성능 메트릭이 도 21a의 차트(2100a)에 나타나 있다.
● 주행거리계, 배터리 전압 같이 DTC 패턴으로 더 많은 데이터를 추가하는 것이 실제 고장 예측의 적어도 1일 전의 고장 예측 정확도를 8%만큼 증가시킬 수 있다. 주행거리계 판독 및 배터리 전압을 포함하는 추가 파라미터를 갖는 모델 성능 메트릭이 도 21b의 차트(2100b)에 나타난다.
모델 검증 후, (370)으로 처리가 진행된다.
(370)에서, 방법은 예측 처리 단계를 기초로 하나 이상의 훈련된 모델 객체를 생성하는 단계를 포함한다. 훈련된 모델 객체는 DTC 패턴, 동작 상태, 및 고장 확률 간, 처리 블록(310-360)에서 학습된 하나 이상의 통계적 또는 수학적 관계를 포함할 수 있다. 훈련된 모델 객체는 구조, 결정 트리, 또는 그 밖의 다른 적절한 형태로 저장될 수 있다. 훈련된 모델 객체는 전자 장치(100)에 의해 수신, 판독, 및 사용되기에 적합하고, 가령, 방법(200)에서 단계(240-270)로 구현되는 컴퓨터 판독형 명령으로서 인스턴스화될 수 있다. 훈련된 모델 객체는 하나 이상의 명령 세트를 더 포함할 수 있다. 이들은 특정 조건이 충족될 경우 차량의 조작자에게 디스플레이될 명령일 수 있다. 훈련된 모델 객체의 속성이 블록(240-270)을 참조하여 앞서 더 깊이 설명되었다. 훈련된 모델 객체가 생성되면, 방법(300)이 반환된다.
본 발명은 고장 진단 코드(DTC)를 검사하여 사전에 고장을 발견하는 것을 보조하는 시스템 및 방법을 제공한다. 예를 들어, DTC만 이용해 및/또는 다른 요소 없이 DTC를 이용해 차량 또는 부품의 고장이 검출되어 고장 상태의 사전 검출이 제공될 수 있다. 리드 타임(lead time)(가령, DTC의 수신/검출과 연관된 고장의 발현 사이의 시간)이 각각의 DTC/고장 연관에 대해 결정되어 어느 DTC가 각자의 연관된 고장 예측에 대해 가장 큰 리드 타임을 제공하는지를 결정할 수 있다. 정확도(가령, 고장의 위양성(false positive) 예측에 대한 고장의 올바른 예측의 비)가 또한 각각의 DTC/고장 연관에 대해 결정되어, 어느 DTC가 가장 정확한 고장 예측을 제공하는지를 결정할 수 있다. 상기에서 기재된 데이터를 이용해, 시스템은 특정 고장에 대해 모니터링하기 위해 DTC의 서브세트를 선택하거나 및/또는 상기에서 기재된 데이터를 기초로 가능한 고장 지시자에 대해 DTC 상태를 가중화할 수 있다. DTC의 선택 및/또는 가중화의 기술적 효과는 (가장 정확한/사전 경고하는 DTC의 감소된 모니터링 덕분에) 컴퓨팅 자원이 절약될 수 있고 (고장이 발생하거나 다른 시스템에 영향을 주기 전에 고장을 사전에 검출할 수 있기 때문에) 부품 고장이 감소될 수 있다는 것이다.
앞서 기재된 DTC 분석을 이용하기 위해, 차량내 컴퓨팅 프레임워크가 DTC를 포함하는 신호를 받아서, 임의의 차량 내에 통합된 시스템이 차량의 표준 DTC 리포팅 메커니즘을 이용할 수 있게 한다. DTC를 기초로, 본 발명의 시스템 및 방법은 차량에 대한 현재 데이터, 차량에 대한 사전-기록된 데이터, 타 차량에 대한 사전-기록된 데이터(가령, 모집 단위이거나 상기 차량과 하나 이상의 속성을 공유하는 타 차량을 타깃으로 하는 추세), 주문자 상표 제작업체(OEM)로부터의 정보, 리콜 정보 및/또는 그 밖의 다른 데이터를 이용해 커스텀 리포트를 생성할 수 있다. 일부 예시에서, 리포트는 DTC의 미래의 분석을 위해 외부 서비스(가령, 상이한 OEM)로 전송되거나, 및/또는 그 밖의 다른 방식으로 사용될 수 있다. DTC는 집성 및 분석되기 위해 차량으로부터 중앙집중형 클라우드 서비스로 전송되어, 고장 또는 차량 부품의 열화를 예측하기 위한 하나 이상의 모델이 구축될 수 있다. 일부 예시에서, 차량이 데이터(가령, 로컬하게 생성된 DTC)를 처리되도록 클라우드 서비스로 전송하고 가능한 고장의 지시자를 수신할 수 있다. 또 다른 예를 들면, 모델이 차량에 로컬하게 저장되고 사용되어 DTC가 차량에서 발행될 때 가능한 고장의 지시자를 생성할 수 있다. 차량이 일부 모델을 로컬하게 저장하고 차량 외부에서 그 밖의 다른(가령, 상이한) 모델을 구축/업데이트하는 데 사용되도록 데이터를 클라우드 서비스로 전송할 수 있다. 클라우드 서비스 및/또는 그 밖의 다른 원격 장치와 통신할 때, 통신 장치(가령, 차량 및 클라우드 서비스 및/또는 그 밖의 다른 원격 장치)가 (가령, 데이터 통신을 위해 사용되는 통신 프로토콜에 내장된 보안 프로토콜을 이용해 및/또는 DTC-기반 모델과 연관된 보안 프로토콜을 이용해) 데이터 및/또는 모델의 양방향 검증에 참여할 수 있다.
본 발명은 또한 하나 이상의 고장 진단 코드(DTC)를 기초로 차량의 고장 확률을 결정하는 단계, 및 상기 확률이 임계값을 초과한 것에 응답하여 고장 가능성이 있음을 차량의 조작자에게 지시하는 단계를 포함하는 방법을 제공한다. 방법의 제1 예시에서, 결정하는 단계는, 추가로 또는 대안으로, 하나 이상의 DTC를 하나 이상의 훈련된 모델 객체에 비교하는 것을 기초로 할 수 있다. 방법의 제2 예시는 선택적으로 제1 예시를 포함하며, 훈련된 모델 개체가 과거 DTC 데이터에 대해 수행되는 머신 러닝 알고리즘을 이용해 생성되는 방법을 더 포함한다. 방법의 제3 예시는 제1 예시와 제2 예시 중 하나 이상을 선택적으로 포함하며, 결정하는 단계가 주행거리계 판독 및 배터리 전압을 포함하는 복수의 동작 상태를 더 기초로 하여 이뤄지는 방법을 더 포함한다. 방법의 제4 예시는 제1 내지 제3 예시 중 하나 이상을 선택적으로 포함하며, 지시하는 단계는, 스크린을 통해 텍스트 메시지를 디스플레이하는 단계를 포함하는 방법을 더 포함하며, 텍스트 메시지는 지시사항을 포함한다. 방법의 제5 예시는 제1 내지 제4 예시 중 하나 이상을 선택적으로 포함하며, 지시사항이 서비스 스테이션을 방문할 권장 기한을 포함하는 방법을 더 포함한다. 제6 예시는 제1 내지 제5 예시 중 하나 이상을 선택적으로 포함하며, 권장 기한은 확률을 기초로 하고, 낮은 확률의 경우일수록 긴 기한이고 높은 확률의 경우일수록 짧은 기한이며, 기한 일수는 DTC를 생성한 차량 서브시스템을 더 기초로 하는 방법을 더 포함한다. 제7 예시는 제1 내지 제6 예시 중 하나 이상을 선택적으로 포함하며, 하나 이상의 DTC는 복수의 DTC를 포함하며, 제1 순서의 DTC에 응답하여, 확률이 제1 값이도록 결정하며, 제1 순서와 상이한 제2 순서의 DTC에 응답하여, 확률이 제1 값보다 낮은 제2 값이도록 결정하는 방법을 더 포함한다.
본 발명은 차량, 복수의 차량 서브시스템, 비-일시적 메모리에 저장된 기계-판독형 명령을 갖는 제어기를 포함하는 시스템을 더 제공하며, 상기 명령은 차량 서브시스템으로부터 하나 이상의 고장 진단 코드(DTC)를 수신하며, 하나 이상의 DTC를 하나 이상의 훈련된 모델 객체에 비교함으로써 차량의 고장 확률을 생성하고, 확률이 임계값을 초과하는 경우 고장 가능성이 있다고 차량의 조작자에게 지시하는 명령이다. 시스템의 제1 예시에서, 임계값은 추가로 또는 대안으로 DTC를 생성한 차량 서브시스템을 기초로 할 수 있다. 시스템의 제2 예시는 선택적으로 제1 예시를 포함하고, DTC가 파워트레인 서브시스템으로부터 수신된 때 낮고 DTC가 섀시 서브시스템으로부터 수신된 때 높은 시스템을 더 포함한다. 시스템의 제3 예시는 제1 예시 및 제2 예시 중 하나 이상을 선택적으로 포함하고 지시하는 것은 메시지를 조작자에게 디스플레이하는 것을 포함하며, 메시지는 하나 이상의 지시사항을 포함하고, 지시사항은 DTC를 훈련된 모델 객체의 비교를 기초로 하는 시스템을 더 포함한다. 시스템의 제4 예시는 제1 내지 제3 예시 중 하나 이상을 선택적으로 포함하고 지시사항이 DTC를 생성하는 차량 서브시스템을 기초로 하며, DTC가 HVAC 시스템에 의해 생성된 것에 응답하여 에어 컨디셔너를 끄라는 지시사항이 생성되고, DTC가 엔진 시스템에 의해 생성된 것에 응답하여 엔지 부하를 감소시키라는 지시사항이 생성되는 시스템을 더 포함한다. 시스템의 제5 예시는 제1 내지 제4 예시 중 하나 이상을 선택적으로 포함하고, 지시사항은 확률을 더 기초로 하며 지시사항은 서비스 스테이션을 방문할 권장 시간을 포함하며, 권장 시간은 확률과 반비례 관계인 시스템을 더 포함한다. 시스템의 제6 예시는 제1 내지 제5 예시 중 하나 이상을 선택적으로 포함하며, 제어기가 임계 나이보다 큰 나이를 갖는 DTC를 무시하도록 구성되며, 훈련된 모델 객체는 과거 DTC 데이터에 대한 머신 러닝 알고리즘을 통해 원격 서버에서 생성되고, 훈련된 모델 객체는 업데이트 요청에 응답하여 원격 서버로부터 차량에서 수신되는 시스템을 더 포함한다.
본 발명은 또한 고장 진단 코드(DTC) 및 엔진 동작 파라미터를 수신하는 단계, DTC 및 엔진 동작 파라미터를 훈련된 모델 객체에 비교하여 차량의 고장 확률 및 지시사항을 생성하는 단계, 및 고장 확률이 임계값보다 높음에 응답하여, 차량의 조작자에게 스크린 상에 지시사항을 디스플레이하는 단계를 포함하는 방법을 제공한다. 방법의 제1 예시에서, 훈련된 모델 객체는 추가로 또는 대안으로 DTC, 엔진 동작 파라미터, 및 고장 확률 간 하나 이상의 관계를 특정할 수 있다. 방법의 제2 예시는 제1 예시를 선택적으로 포함하며, 업데이트 요청에 응답하여 원격 서버로부터 훈련된 모델 객체를 수신하는 단계를 더 포함하는 방법을 더 포함한다. 방법의 제3 예시는 제1 예시 및 제2 예시 중 하나 이상을 선택적으로 포함하며 훈련된 모델 객체는 하나 이상의 컴퓨터 학습 기법을 이용해 생성되고, 컴퓨터 학습 기법은 비-시퀀스 패턴 마이닝, 연관 규칙 마이닝, 및 베이즈 정리를 이용한 패턴 순위화를 포함한다. 방법의 제4 예시는 제1 내지 제3 예시 중 하나 이상을 선택적으로 포함하며, 컴퓨터 학습 기법이 차량 모델, 주행거리계 판독, 배터리 전압 판독, DTC 패턴 및 고장 상태를 포함하는 과거 데이터에 적용되는 방법을 더 포함한다.
실시예의 기재는 설명과 기재 목적으로 제공되었다. 실시예의 적절한 수정 및 변형이 상기 기재를 고려하여 수행되거나 방법의 실시로부터 획득될 수 있다. 예를 들어, 달리 언급되지 않는 한, 기재된 방법 중 하나 이상이 적절한 장치 및/또는 장치의 조합, 가령, 도 1을 참조하여 기재된 전자 장치(100)에 의해 수행될 수 있다. 상기 방법은 하나 이상의 추가 하드웨어 요소, 가령, 저장 장치, 메모리, 하드웨어 네트워크 인터페이스/안테나, 스위치, 액추에이터, 클록 회로 등과 함께, 하나 이상의 로직 장치(가령, 프로세서)에 의해 저장된 명령을 실행시킴으로써 수행될 수 있다. 기재된 방법 및 연관된 동작은 또한 이 출원에서 기재된 순서에 추가로 다양한 순서로, 병렬로, 및/또는 동시에 수행될 수 있다. 기재된 시스템은 예시이며, 추가 요소를 포함하거나, 및/또는 요소를 생략할 수 있다. 본 발명의 주제 사항은 모든 신규하고 비-자명한 조합과 다양한 시스템 및 구성과 그 밖의 다른 특징, 기능 및/또는 개시된 속성의 부분-조합을 포함한다.
본 출원에서 사용될 때, 달리 언급되지 않는 한, 단수로 언급되고 단어 "a" 또는 "an"이 선행하는 요소 또는 단계들이 이러한 요소 또는 단계의 복수형을 배제하지 않는 것으로 이해되어야 한다. 또한, 본 발명의 "하나의 실시예" 또는 "하나의 예시"가 언급된 특징부를 또한 포함하는 추가 실시예의 존재를 배제하는 것으로 해석되도록 의도되지 않는다. 용어 "제1", "제2" 및 "제3" 등은 라벨로서만 사용되며 연관된 대상의 수치적 요건 또는 특정 위치 순서를 부과하려는 의도가 아니다. 이하의 청구항은 상기의 개시 내용으로부터 신규하고 비-자명한 것으로 간주되는 주제 사항에 특히 집중한다.

Claims (20)

  1. 방법으로서,
    하나 이상의 고장 진단 코드(DTC: diagnostic trouble code)를 기초로 차량의 고장 확률을 결정하는 단계, 및
    상기 확률이 임계값을 초과하는 것에 응답하여 차량의 조작자에게 고장 가능성이 있음을 지시하는 단계
    를 포함하는, 방법.
  2. 제1항에 있어서, 상기 결정하는 단계는 하나 이상의 DTC를 하나 이상의 훈련된 모델 객체에 비교하는 것을 기초로 이뤄지는, 방법.
  3. 제2항에 있어서, 상기 훈련된 모델 객체는 과거 DTC 데이터에 대해 수행되는 머신 러닝 알고리즘을 이용해 생성되는, 방법.
  4. 제2항에 있어서, 상기 결정하는 단계는 주행거리계 판독 및 배터리 전압을 포함하는 복수의 동작 상태를 더 기초로 하여 이뤄지는, 방법.
  5. 제1항에 있어서, 상기 지시하는 단계는 스크린을 통해 텍스트 메시지를 디스플레이하는 단계를 포함하고, 텍스트 메시지는 지시사항을 포함하는, 방법.
  6. 제5항에 있어서, 지시사항은 서비스 스테이션을 방문할 권장 기한을 포함하는, 방법.
  7. 제6항에 있어서, 권장 기한은 확률을 기초로 하며, 낮은 확률의 경우일수록 긴 기한이 권장되고, 높은 확률의 경우일수록 짧은 기한이 권장되며, 기한의 일수는 DTC를 생성한 차량 서브시스템을 더 기초로 하는, 방법.
  8. 제1항에 있어서, 하나 이상의 DTC는 복수의 DTC를 포함하며,
    제1 순서인 DTC에 응답하여,
    확률을 제1 값으로 결정하며,
    제1 순서와 상이한 제2 순서인 DTC에 응답하여,
    상기 확률을 상기 제1 값보다 낮은 제2 값으로 결정하는, 방법.
  9. 시스템으로서,
    차량,
    복수의 차량 서브시스템,
    비일시적 메모리에 저장된 기계 판독형 명령을 갖는 제어기를 포함하며, 상기 명령은
    차량 서브시스템으로부터 하나 이상의 고장 진단 코드(DTC: diagnostic trouble code)를 수신하고,
    하나 이상의 DTC를 하나 이상의 훈련된 모델 객체에 비교함으로써 차량의 고장 확률을 생성하며,
    확률이 임계값을 초과하는 경우 고장 가능성이 있다고 차량의 조작자에게 지시하기 위한 명령인, 시스템.
  10. 제9항에 있어서, 임계값은 DTC를 생성한 차량 서브시스템을 기초로 하는, 시스템.
  11. 제10항에 있어서, 임계값은 DTC가 파워트레인 서브시스템으로부터 수신된 때 낮고, DTC가 섀시 서브시스템으로부터 수신된 때 높은, 시스템.
  12. 제9항에 있어서, 지시하는 것은 메시지를 조작자에게 디스플레이하는 것을 포함하며, 상기 메시지는 하나 이상의 지시사항을 포함하며, 상기 지시사항은 DTC를 훈련된 모델 객체에 비교하는 것을 기초로 하는, 시스템.
  13. 제12항에 있어서, 상기 지시사항은 DTC를 생성한 차량 서브시스템을 기초로 하며, 에어 컨디셔너를 끄라는 지시사항은 HVAC 시스템에 의해 생성된 DTC에 응답하여 생성되고, 엔진 부하를 감소시키라는 지시사항은 엔진 시스템에 의해 생성된 DTC에 응답하여 생성되는, 시스템.
  14. 제12항에 있어서, 지시사항은 확률을 더 기초로 하고, 상기 지시사항은 서비스 스테이션을 방문할 권장 시간을 포함하고, 상기 권장 시간은 확률과 반비례 관계인, 시스템.
  15. 제9항에 있어서, 제어기는 임계 나이보다 많은 나이를 갖는 DTC를 무시하도록 구성되며, 훈련된 모델 객체는 과거 DTC 데이터에 대한 머신 러닝 알고리즘을 통해 원격 서버에서 생성되며, 훈련된 모델 객체는 업데이트 요청에 응답하여 원격 서버로부터 차량에서 수신되는, 시스템.
  16. 방법으로서,
    고장 진단 코드(DTC) 및 엔진 동작 파라미터를 수신하는 단계,
    DTC와 엔진 동작 파라미터를 훈련된 모델 객체에 비교하여, 차량의 고장 확률과 지시사항을 생성하는 단계, 및
    고장 확률이 임계값보다 큰 것에 응답하여, 차량의 조작자에게 지시사항을 스크린 상에 디스플레이하는 단계
    를 포함하는, 방법.
  17. 제16항에 있어서, 훈련된 모델 객체는 DTC, 엔진 동작 파라미터, 및 고장 확률 간 하나 이상의 관계를 특정하는, 방법.
  18. 제16항에 있어서, 업데이트 요청에 응답하여 원격 서버로부터의 훈련된 모델 객체를 수신하는 단계를 더 포함하는, 방법.
  19. 제16항에 있어서, 훈련된 모델 객체는 하나 이상의 컴퓨터 러닝 기법(computer learning technique)을 이용해 생성되며, 컴퓨터 러닝 기법은 비-시퀀스 패턴 마이닝, 연관 규칙 마이닝, 및 베이즈 정리(Bayes' Theorem)를 이용한 패턴 순위화를 포함하는, 방법.
  20. 제19항에 있어서, 컴퓨터 러닝 기법은 차량 모델, 주행거리계 판독, 배터리 전압 판독, DTC 패턴, 및 고장 상태를 포함하는 과거 데이터에 적용되는, 방법.
KR1020197010295A 2016-10-12 2017-10-12 차량내 예측적 고장 검출을 위한 시스템 및 방법 KR102322838B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201662407359P 2016-10-12 2016-10-12
US62/407,359 2016-10-12
PCT/IB2017/056297 WO2018069853A1 (en) 2016-10-12 2017-10-12 Systems and methods for in-vehicle predictive failure detection

Publications (2)

Publication Number Publication Date
KR20190069421A true KR20190069421A (ko) 2019-06-19
KR102322838B1 KR102322838B1 (ko) 2021-11-05

Family

ID=60245148

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020197010295A KR102322838B1 (ko) 2016-10-12 2017-10-12 차량내 예측적 고장 검출을 위한 시스템 및 방법

Country Status (7)

Country Link
US (2) US11605252B2 (ko)
JP (1) JP7203021B2 (ko)
KR (1) KR102322838B1 (ko)
CN (1) CN109844666B (ko)
DE (1) DE112017005163T5 (ko)
GB (1) GB2569262B (ko)
WO (1) WO2018069853A1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102176638B1 (ko) * 2019-07-29 2020-11-09 에이치웨이 주식회사 선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템 및 이를 이용한 선로전환기 고장진단 및 장애예측방법
KR20210122215A (ko) * 2020-12-18 2021-10-08 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 자동 주차 이상 데이터 수집 방법, 장치, 저장매체 및 컴퓨터 프로그램
WO2022114750A1 (ko) * 2020-11-26 2022-06-02 (주)볼트마이크로 차량의 불량 예측 시스템 및 그 방법
WO2023008660A1 (ko) * 2021-07-28 2023-02-02 주식회사 에이셉 인공지능 기반 인지-제어기능이 적용된 디젤형 발전기 자동운용 제어반

Families Citing this family (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107918382B (zh) * 2017-12-08 2020-01-03 深圳市道通科技股份有限公司 一种汽车故障诊断方法、汽车故障诊断装置及电子设备
GB201808881D0 (en) * 2018-03-27 2018-07-18 We Predict Ltd Vehicle diagnostics
US11099743B2 (en) 2018-06-29 2021-08-24 International Business Machines Corporation Determining when to replace a storage device using a machine learning module
US11119662B2 (en) 2018-06-29 2021-09-14 International Business Machines Corporation Determining when to perform a data integrity check of copies of a data set using a machine learning module
US11119850B2 (en) * 2018-06-29 2021-09-14 International Business Machines Corporation Determining when to perform error checking of a storage unit by using a machine learning module
CN110967991B (zh) * 2018-09-30 2023-05-26 百度（美国）有限责任公司 车辆控制参数的确定方法、装置、车载控制器和无人车
JP7064414B2 (ja) * 2018-10-04 2022-05-10 本田技研工業株式会社 故障診断装置
US20210327165A1 (en) * 2018-11-27 2021-10-21 Sumitomo Electric Industries, Ltd. Vehicle malfunction prediction system, monitoring device, vehicle malfunction prediction method, and vehicle malfunction prediction program
FR3092057B1 (fr) * 2019-01-30 2021-06-11 Continental Automotive Gmbh Procédés et dispositifs de maintenance prédictive de composants d’un véhicule routier
US11335137B2 (en) * 2019-04-05 2022-05-17 Conduent Business Services, Llc Trained pattern analyzer for roll out decisions
CN111915026A (zh) * 2019-06-10 2020-11-10 中车大同电力机车有限公司 故障处理方法、装置、电子设备及存储介质
CN110471380A (zh) * 2019-08-15 2019-11-19 四川长虹电器股份有限公司 一种用于智能家居系统的空调故障监控及预警方法
CN111310825A (zh) * 2020-02-14 2020-06-19 逸驾智能科技有限公司 用于分析汽车故障的方法和装置
CN113888775A (zh) * 2020-06-19 2022-01-04 比亚迪股份有限公司 车辆预警方法、服务器、存储介质、车辆预警系统和车辆
CN111861164A (zh) * 2020-07-06 2020-10-30 广东德尔智慧工厂科技有限公司 远程调控分析方法、装置及系统
US20220067667A1 (en) * 2020-08-25 2022-03-03 ANI Technologies Private Limited Predictive maintenance of vehicle components
KR20220045497A (ko) 2020-10-05 2022-04-12 주식회사 엘지에너지솔루션 배터리 관리 장치 및 방법
US11554793B2 (en) * 2020-10-26 2023-01-17 Tusimple, Inc. Vehicle safety system for autonomous vehicles
CN112866327B (zh) * 2020-11-03 2023-08-11 联合汽车电子有限公司 车辆数据的传输方法、装置、设备、系统和存储介质
US20220178324A1 (en) * 2020-12-09 2022-06-09 Transportation Ip Holdings, Llc Systems and methods for diagnosing equipment
US11715338B2 (en) * 2021-01-12 2023-08-01 Ford Global Technologies, Llc Ranking fault conditions
FR3120724A1 (fr) * 2021-03-10 2022-09-16 Psa Automobiles Sa Procédé et dispositif de prédiction de panne d’au moins composant d’un véhicule
JP7447855B2 (ja) * 2021-03-23 2024-03-12 トヨタ自動車株式会社 異常診断装置
CN113189970B (zh) * 2021-05-10 2023-04-07 东风康明斯发动机有限公司 Can总线控制器的硬件在环自动测试方法、系统及存储介质
CN113534774B (zh) * 2021-06-28 2022-07-01 长沙理工大学 一种地铁制动系统的故障预测方法、系统及介质
US11941926B2 (en) * 2021-08-04 2024-03-26 Ford Global Technologies, Llc Vehicle variation remediation
CN113721584B (zh) * 2021-08-16 2023-09-05 深圳市元征科技股份有限公司 可视化车辆诊断方法及装置、设备和存储介质
CN114091625B (zh) * 2022-01-18 2022-04-29 岚图汽车科技有限公司 一种基于故障代码序列的车辆零件失效预测方法及系统
KR20230138179A (ko) 2022-03-23 2023-10-05 주식회사 에스에프에이 이동설비들의 이상 관리 시스템 및 이상 관리 방법
DE102022208653A1 (de) 2022-08-22 2024-02-22 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Ermitteln, ob in einer Fahrzeugflotte eine Anomalie vorliegt, mittels Wissensgraphen
EP4332699A1 (de) * 2022-08-31 2024-03-06 Siemens Aktiengesellschaft Operator-unterstützendes leitsystem für eine technische anlage und betriebsverfahren
CN116149304B (zh) * 2023-04-21 2023-07-18 中国第一汽车股份有限公司 一种车辆诊断系统、方法、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006219092A (ja) * 2005-02-14 2006-08-24 Nissan Motor Co Ltd 車両故障診断システム、車両故障診断方法、及び車両用故障診断装置
JP2009211472A (ja) * 2008-03-05 2009-09-17 Fuji Xerox Co Ltd 故障診断装置およびプログラム
US20120116631A1 (en) * 2010-11-09 2012-05-10 Kia Motors Corporation Scheduled vehicle management system and method
WO2013047408A1 (ja) * 2011-09-30 2013-04-04 住友重機械工業株式会社 ショベル、ショベル管理装置、及びショベル管理方法
US20130124032A1 (en) * 2011-11-14 2013-05-16 General Motors Llc Repair assist system for vehicle servicing
JP2014024368A (ja) * 2012-07-24 2014-02-06 Toyota Motor Corp 緊急退避支援装置
US20160035150A1 (en) * 2014-07-30 2016-02-04 Verizon Patent And Licensing Inc. Analysis of vehicle data to predict component failure

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004272375A (ja) * 2003-03-05 2004-09-30 Mazda Motor Corp 遠隔故障予測システム
JP2005146905A (ja) * 2003-11-12 2005-06-09 Fujitsu Ten Ltd 車両状況監視装置を備えた車両状況監視システム
JP2005284847A (ja) * 2004-03-30 2005-10-13 Denso Corp 車両ダイアグ情報送受信システム、車載装置およびセンター装置
JP4369825B2 (ja) * 2004-08-11 2009-11-25 株式会社日立製作所 車両故障診断装置および車載端末
JP4244962B2 (ja) * 2004-08-31 2009-03-25 株式会社デンソー 車両用通信システム
AU2007284355A1 (en) 2006-08-16 2008-02-21 Oregon Health & Science University Thiol-based agents for reducing toxicities associated with medical procedures employing radiographic contrast agents
US20110046842A1 (en) * 2009-08-21 2011-02-24 Honeywell International Inc. Satellite enabled vehicle prognostic and diagnostic system
US8498776B2 (en) * 2009-11-17 2013-07-30 GM Global Technology Operations LLC Fault diagnosis and prognosis using diagnostic trouble code markov chains
US8676432B2 (en) * 2010-01-13 2014-03-18 GM Global Technology Operations LLC Fault prediction framework using temporal data mining
US8732112B2 (en) * 2011-12-19 2014-05-20 GM Global Technology Operations LLC Method and system for root cause analysis and quality monitoring of system-level faults
JP5943792B2 (ja) * 2012-09-24 2016-07-05 ヤフー株式会社 運転支援システム、運転支援装置、運転支援方法及びプログラム
US9780967B2 (en) * 2013-03-14 2017-10-03 Telogis, Inc. System for performing vehicle diagnostic and prognostic analysis
JP6230510B2 (ja) 2014-09-02 2017-11-15 アニマ株式会社 転倒危険度判定装置
US20160217674A1 (en) * 2015-01-26 2016-07-28 Trane International Inc. Remote monitoring of an hvac system for fault detection and diagnostics
JP6380169B2 (ja) 2015-03-04 2018-08-29 株式会社デンソー 故障診断装置および端末装置
EP3156870B1 (en) * 2015-10-15 2022-06-01 Tata Consultancy Services Limited Systems and methods for predictive reliability mining
CN105511450A (zh) * 2015-12-30 2016-04-20 福建工程学院 叉装车远程故障监控及预测的方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006219092A (ja) * 2005-02-14 2006-08-24 Nissan Motor Co Ltd 車両故障診断システム、車両故障診断方法、及び車両用故障診断装置
JP2009211472A (ja) * 2008-03-05 2009-09-17 Fuji Xerox Co Ltd 故障診断装置およびプログラム
US20120116631A1 (en) * 2010-11-09 2012-05-10 Kia Motors Corporation Scheduled vehicle management system and method
WO2013047408A1 (ja) * 2011-09-30 2013-04-04 住友重機械工業株式会社 ショベル、ショベル管理装置、及びショベル管理方法
US20130124032A1 (en) * 2011-11-14 2013-05-16 General Motors Llc Repair assist system for vehicle servicing
JP2014024368A (ja) * 2012-07-24 2014-02-06 Toyota Motor Corp 緊急退避支援装置
US20160035150A1 (en) * 2014-07-30 2016-02-04 Verizon Patent And Licensing Inc. Analysis of vehicle data to predict component failure

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102176638B1 (ko) * 2019-07-29 2020-11-09 에이치웨이 주식회사 선로전환기의 고장진단 및 장애예측이 가능한 철도신호시스템 및 이를 이용한 선로전환기 고장진단 및 장애예측방법
WO2022114750A1 (ko) * 2020-11-26 2022-06-02 (주)볼트마이크로 차량의 불량 예측 시스템 및 그 방법
KR20220073171A (ko) * 2020-11-26 2022-06-03 (주)볼트마이크로 차량의 불량 예측 시스템 및 그 방법
KR20210122215A (ko) * 2020-12-18 2021-10-08 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 자동 주차 이상 데이터 수집 방법, 장치, 저장매체 및 컴퓨터 프로그램
WO2023008660A1 (ko) * 2021-07-28 2023-02-02 주식회사 에이셉 인공지능 기반 인지-제어기능이 적용된 디젤형 발전기 자동운용 제어반
KR20230017438A (ko) * 2021-07-28 2023-02-06 주식회사 에이셉 인공지능 기반 인지-제어기능이 적용된 디젤형 발전기 자동운용 제어반

Also Published As

Publication number Publication date
GB2569262A (en) 2019-06-12
GB201905075D0 (en) 2019-05-22
US20230186697A1 (en) 2023-06-15
CN109844666B (zh) 2023-04-04
WO2018069853A1 (en) 2018-04-19
US11605252B2 (en) 2023-03-14
CN109844666A (zh) 2019-06-04
GB2569262B (en) 2023-02-15
KR102322838B1 (ko) 2021-11-05
DE112017005163T5 (de) 2019-07-25
JP7203021B2 (ja) 2023-01-12
JP2020500351A (ja) 2020-01-09
US11847873B2 (en) 2023-12-19
US20200051347A1 (en) 2020-02-13

Similar Documents

Publication Publication Date Title
KR102322838B1 (ko) 차량내 예측적 고장 검출을 위한 시스템 및 방법
CN111241154B (zh) 一种基于大数据的蓄电池故障预警方法及系统
CN108563214B (zh) 车辆诊断方法、装置及设备
CN113269952B (zh) 车辆的预测性维护的方法、数据存储装置及车辆
JP7167009B2 (ja) 自動車保証の不正の予測のためのシステム及び方法
US20200302710A1 (en) Automobile trouble diagnosis method, automobile trouble diagnosis apparatus, and electronic device
CN108073519B (zh) 测试用例生成方法和装置
US10101244B2 (en) Self-learning simulation environments
KR20190020097A (ko) 머신 모니터링
JP2013246011A (ja) 外部診断装置、車両診断システム及び車両診断方法
GB2528083A (en) System and method for automated device control for vehicles using driver emotion
US20150356794A1 (en) Connected vehicle predictive quality
CN110837852A (zh) 一种轧机齿轮箱的故障诊断方法、装置及终端设备
US20160259869A1 (en) Self-learning simulation environments
CN108463806A (zh) 用于基于预测模型修改数据采集参数的计算机体系结构和方法
CN115546218B (zh) 置信度阈值确定方法和装置、电子设备和存储介质
CN115009296A (zh) 传感器检测方法、装置、计算机设备和计算机程序产品
CN115188093A (zh) 用于车辆的内置视频记录装置的自动评估装置、具有该装置的系统及其方法
WO2024013879A1 (ja) 診断制御装置及び診断制御方法
CN117092933B (zh) 转动机械设备控制方法、装置、设备和计算机可读介质
WO2024009141A1 (ja) 車両データ出力方法及び車両データ出力装置
US11386725B2 (en) Vehicle diagnostic apparatus
CN117270495A (zh) 故障预测方法、装置、存储介质以及车辆
WO2023034114A1 (en) Systems and methods for inspecting multi-mode asset status in communication-denied environments
CN116756417A (zh) 行为信息的推荐方法、装置、设备及介质

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant