WO2010041382A1 - 車両の故障診断のための基準値の生成 - Google Patents

車両の故障診断のための基準値の生成 Download PDF

Info

Publication number
WO2010041382A1
WO2010041382A1 PCT/JP2009/004818 JP2009004818W WO2010041382A1 WO 2010041382 A1 WO2010041382 A1 WO 2010041382A1 JP 2009004818 W JP2009004818 W JP 2009004818W WO 2010041382 A1 WO2010041382 A1 WO 2010041382A1
Authority
WO
WIPO (PCT)
Prior art keywords
reference value
numerical
vector
data
clusters
Prior art date
Application number
PCT/JP2009/004818
Other languages
English (en)
French (fr)
Inventor
土切英之
佐藤靖
相原次郎
Original Assignee
本田技研工業株式会社
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 本田技研工業株式会社 filed Critical 本田技研工業株式会社
Priority to US13/123,354 priority Critical patent/US9043079B2/en
Priority to CN200980140012.1A priority patent/CN102177049B/zh
Publication of WO2010041382A1 publication Critical patent/WO2010041382A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R25/00—Fittings or systems for preventing or indicating unauthorised use or theft of vehicles
    • 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
    • G07C5/0841—Registering performance data
    • G07C5/085—Registering performance data using electronic data carriers

Definitions

  • the present invention collects data stored in a storage device of an electronic control unit (ECU, Electronic Control Unit) of each vehicle during driving of the vehicle, and generates normal value data of various driving parameters serving as a basis for fault diagnosis About doing.
  • ECU Electronice Control Unit
  • a diagnostic device is known as a tool for diagnosing a failure of a vehicle such as an automobile.
  • the expert system includes a rule-based inference method that searches and registers human experience knowledge in a database, and a model base that learns the behavior of the system during normal operation or failure, and searches for the cause of failure through simulation.
  • the former method is simple in structure and can be expected to have relatively high reliability, but it is difficult to make knowledge into rules, and it is necessary to add or modify rules every time a change is made to the target system.
  • the failure site can be estimated even if the operating staff does not have sufficient experience and knowledge, and a certain degree of versatility can be expected for changing the target system.
  • a method of comparing normal data with failure data under the same operating environment conditions is one of the most effective means of finding the cause of the malfunction.
  • Patent Document 1 Japanese Patent Application Laid-Open No. 62-261938 includes knowledge data storage means for storing accurate information about the relationship between failure symptoms and causes corresponding thereto, and rare case storage means for storing uncertain information. A diagnostic device is described.
  • Patent Document 2 analyzes design data and past defect data and inputs them into a relational database as a positive inference method EMEA, and creates a modified EMEA to create an event sequence diagram. Then, it is described that a fault search tree is created and used for rule-based reference, and expert know-how is digitized to create a rule base.
  • the accumulation of driving data performed in a normal vehicle is limited to the data at the time of occurrence of a failure that is recorded as diagnostic information in the ECU when the failure occurs.
  • the data recorded / accumulated as data at the time of failure occurrence in this way is a collection of various operation parameters, but some parameters related to failure become abnormal values, but many other Most of the parameters are normal values.
  • the present invention provides an apparatus for generating data during normal operation using traveling data stored in a normal vehicle that is traveling in a city or the like on a daily basis. Objective.
  • the present invention is based on time-series ECU data for a plurality of operation parameters at the time of occurrence of a failure stored in a storage device of an electronic control unit (ECU) of the vehicle at the time of occurrence of the failure of the vehicle.
  • a reference value generation device for failure diagnosis that performs failure diagnosis of the vehicle in comparison with a value.
  • the reference value generating device includes a storage device that sequentially stores and stores the time-series ECU data obtained from a large number of vehicles, and a means for generating a numerical vector of the time-series ECU data stored in the storage device. Prepare.
  • the numerical vectors are clustered to be classified into a plurality of clusters according to characteristics, and in each of the plurality of clusters, a range of values having a high appearance frequency is obtained for each parameter of the operation, and the frequency A range of values having a high appearance frequency obtained by the calculation means is stored as a normal value range of the operation parameter, and the normal value range is set as a reference value for fault diagnosis.
  • the means for generating the numerical vector divides the time-series ECU data into a plurality of time zones, and generates the numerical vector for each time zone.
  • the numerical vectors for each time zone are clustered.
  • FIG. 1 shows a data collection device 14 included in an electronic control system for an automobile which is a premise of the present invention.
  • the in-vehicle network 11 is a network for performing communication between a plurality of electronic control units (ECUs) mounted on the vehicle.
  • the network is divided into two systems of F system and B system, but a network of one system may be used.
  • the F-system network is a network for communicating among a plurality of ECUs of a so-called control system such as an ECU that performs engine fuel injection control, ignition timing control, an ECU that controls transmissions, an ECU that controls brakes, etc. It is.
  • the B system network is a network for communicating among a plurality of ECUs of a so-called body electrical system such as an ECU for controlling a power window and a door lock, an ECU for controlling a light, and an ECU for controlling electrical components such as an air conditioner.
  • the ECU is basically a computer and includes a microprocessor and a communication module.
  • the F system network sends to the data collection device 14 control system data such as vehicle speed data 11A, engine water temperature data 11B, engine speed data 11C, and a fault code 11E indicating a fault detected by the ECU.
  • the network of the B system sends data from the ECU of the body electrical system such as data 11F indicating the state of an accessory (ACC) such as an air conditioner, and a failure code 11G indicating a failure detected by the ECU to the data collection device 14.
  • ACC an accessory
  • 11G failure code
  • the data collection device 14 is itself an ECU.
  • the data collection device 14 is controlled by a controller 14H whose main element is a microprocessor.
  • the receiving unit 14A sequentially receives the latest data indicating the state of the vehicle from the in-vehicle network 11, and the controller 14H sequentially stores the data in the vehicle state data memory 14B sequentially.
  • the vehicle state data memory 14B is a random access memory (RAM), which stores the latest data of a predetermined time width such as 20 seconds, and is a first-in first-out (FIFO) shift register type. For example, it is rewritten with new data every 0.2 seconds.
  • RAM random access memory
  • Non-volatile memory 14D is configured by a rewritable ROM such as a backup memory or an EEPROM that retains memory by receiving a supply of a maintenance current from the battery even when the power is turned off.
  • a rewritable ROM such as a backup memory or an EEPROM that retains memory by receiving a supply of a maintenance current from the battery even when the power is turned off.
  • the controller 14H receives the trouble code (DTC, “Diagnosis“ Trouble Code ”)
  • the controller 14H reads the data for 15 seconds before the trouble code is generated from the vehicle state data memory 14B and stores it in the nonvolatile memory 14D.
  • This data is called onboard snapshot (OBS). This process is executed every time a fault code is generated, and the nonvolatile memory 14D stores a plurality of OBSs corresponding to the plurality of fault codes.
  • OBS onboard snapshot
  • the service staff connects the connection terminal of the failure diagnostic machine 16 to the output terminal of the ECU, reads the data stored in the nonvolatile memory 14D to the diagnostic machine, Perform fault diagnosis using a diagnostic machine.
  • the data stored in the read nonvolatile memory 14D is stored in the data storage device 20 as travel data to which the present invention is applied.
  • a reference data creation device 30 is provided in association with the data storage device 20.
  • the data stored in the nonvolatile memory 14D can be sent from the in-vehicle communication device to the data storage device 20 without waiting for the vehicle to be brought to the service store.
  • Table 1 shows an example of the OBS stored in the nonvolatile memory 14D in response to the occurrence of one fault code.
  • R engine speed
  • V vehicle speed
  • T engine cooling water temperature
  • the output value of the air-fuel ratio sensor the output value of the O2 sensor
  • data on a large number of parameters such as an air-fuel ratio is included in the OBS.
  • the time is shown by a minus sign when the occurrence time of the defect code is set to 0 seconds as a reference, and the time goes back by 0.2 seconds.
  • the number of sample cars is 13000, and OBS data is obtained as described above from a general user's car that is actually traveling in the market.
  • the normal value range to be extracted is considered to exist for each “certain state (under certain operating conditions)”. Therefore, if the OBS data in the approximated state is collected as a cluster (group) and an appropriate value range is extracted for each cluster, a normal value range for each “certain state” can be extracted.
  • the OBS data approximated using a clustering method is classified as a cluster (set).
  • a range of appropriate values of parameters is extracted for each cluster, and this is used as a reference value for reference during failure diagnosis.
  • Clustering is a data analysis method for grouping data without external criteria.
  • a method called K-means method is used. The idea is to plot the data in a dimensional space corresponding to the number of parameters and classify the data according to the distance.
  • the reference data creation device 30 collects OBS from, for example, 13,000 vehicles for one vehicle type (in the case of 1 / vehicle).
  • the collected OBS data is clustered to “20” with the feature quantities of the three parameters “engine speed: R”, “vehicle speed: V”, and “cooling water temperature: T”. (Primary clustering)
  • “20” clusters extracted by the primary clustering are further clustered to “30” with all parameters to extract “600” clusters, that is, operating conditions. (Secondary clustering)
  • the primary clustering is a rough clustering performed with three parameters of “engine speed: R”, “vehicle speed: V”, and “cooling water temperature: T”, which are considered to be particularly dependent among the operation parameters related to the occurrence of the malfunction.
  • R engine speed
  • V vehicle speed
  • T cooling water temperature
  • a numerical vector of operation parameter feature values is generated (31).
  • the average value, the maximum value, the minimum value, and the average value of the slope are used as feature amounts in this example.
  • select features suitable for vehicle driving parameter analysis can do.
  • the parameters of the OBS data obtained from n units are represented by Rn, Vn, Tn, the average values are represented by Rn av , Vn av , Tn av , and the maximum values are represented by Rn mx , Vn mx , Tn It is represented by mx , the minimum value is represented by Rn mn , Vn mn , Tn mn, and the average value of the inclination is represented by Rn in , Vn in , Tn in .
  • the slope here is an important feature that also serves as an indicator of whether the vehicle is accelerating, decelerating, or cruise driving (constant speed driving), and is a parameter value with respect to time (h).
  • This value is obtained by differentiating the amount of change in f (x) and is expressed by the following equation. In the digital calculation, it can be obtained by calculating the difference of the parameter value f (x).
  • the parameter Rk has an average value Rn av-1 , a maximum value Rn mx-1 , and a minimum value Rn mn-1 in this time zone. , And the average value Rn in-1 of the slope.
  • an average value Vn av ⁇ 1 , a maximum value Vn mx ⁇ 1 , a minimum value Vn mn ⁇ 1 , and an average value Vn in ⁇ 1 of the slope are generated for the parameter V, and Tn av ⁇ 1 , Tn for the parameter T mx-1 , Tn mn-1 , and Tn in-1 are generated.
  • Second time zone (-11.8 to -9.0 seconds), Third time zone (-8.8 to -6.0 seconds), Fourth time zone (-5.8 to -3.0 seconds) and Fifth time zone (-2.8 Similarly, the feature amounts shown in Table 2 are calculated for ( ⁇ 0 seconds).
  • numerical vectors in the above five time zones of the three parameters (Rn, Vn, Tn) of “engine speed: R”, “vehicle speed: V”, and “cooling water temperature: T” are obtained by primary clustering. For example, it is classified into 20 primary clusters Dj (33). As an initial condition, a core vector that becomes the center of 20 primary clusters is determined at random. The initial value of the core vector can be determined according to an empirical rule from a limited number of experimental data.
  • the core vector that is the center of the j-th cluster is defined as (R av-cj , R mx-cj , R mn-cj , R in-cj , V av-cj , V mx- , where j is an integer from 1 to 20.
  • the Manhattan distance D1nj with each core vector of the clusters Dj is calculated by the following equation.
  • D1nj
  • the numerical vector of the second time zone of the OBS data obtained from n cars is classified into 20 primary clusters Dj.
  • the numerical vectors in the third time zone are classified into 20 primary clusters Dj
  • the numerical vectors in the fourth time zone and the fifth time zones are classified into 20 primary clusters Dj.
  • the average value of the numerical vector to which it belongs is calculated, and this average value is used as the core vector of each cluster.
  • the above clustering is executed again.
  • a third clustering is further performed using the updated core vector. This repetition is executed until the core vector converges or until the preset number of trials is completed.
  • the convergence method may vary depending on the default core vector, for example, 10 different initial settings are prepared at random, and clustering is repeated using each initial setting. Can be adopted. Thus, a final core vector (center of gravity) is obtained for each of the 20 primary clusters Dj.
  • the clustering of 20 primary clusters is executed using this final core vector to complete the primary clustering of 65000 data (13000 units ⁇ 5 units / unit).
  • the primary clustering is performed using the operation parameter having the highest importance, and the numerical vectors having the highest degree of approximation are grouped. Therefore, all the data is first grouped according to the difference in the operation state having a high importance. Will be. Therefore, each group, that is, a cluster is formed corresponding to the case of an operation state where the difference is relatively large.
  • the process proceeds to secondary clustering (35).
  • clustering in each of the 20 primary clusters Dj, clustering is further performed on the OBS numerical vectors of all the parameters included in the cluster (the numerical vector of FIG. 3 expanded to all the parameters), and each 1 The next cluster is classified into 30 secondary clusters. That is, each of the 20 primary clusters corresponding to different operating states is subdivided into 30 secondary clusters.
  • each primary cluster is secondarily clustered to form 30 secondary clusters, 600 (20 ⁇ 30) secondary clusters are obtained as a whole.
  • Each OBS numerical vector (65000 pieces of data in the embodiment) belongs to one of these 600 secondary clusters.
  • the initial values of the core vectors of 30 secondary clusters used for secondary clustering can be determined randomly in the same way as in primary clustering. This initial value can also be determined according to empirical rules in light of past data.
  • This core vector is updated by the same method as the primary clustering to obtain a final core vector, and final clustering is performed using 30 final core vectors, so that 600 secondary clusters are obtained. It is formed.
  • a 20-division histogram is created from the 600 secondary cluster data obtained in this way, with the horizontal axis representing the parameter value and the vertical axis representing the number of data for each parameter (FIG. 4).
  • A) Exclude classes whose vertical axis values are less than or equal to a predetermined value (for example, a% of the total) (Fig. 4 (B)), group the remaining classes together, and the number of data belonging to the group is b Group them so that they are at least% (Fig. 4 (C)).
  • This process is executed for each cluster, that is, for 600 secondary clusters individually.
  • the values of a% and b% are adjusted according to the clustering parameter residual that is a measure of the dispersion of OBS data in the secondary cluster.
  • the parameter residual is a value obtained by evaluating how far each parameter value of the numerical vector is away from the core vector that is the center of gravity of the cluster to which the numerical vector belongs.
  • the difference from the center of gravity of the cluster to which it belongs is taken, and the residual is expressed by its root mean square (square root of sum of squares). Simple differences have a plus or minus sign, so we use the root mean square to see the magnitude of the difference.
  • a histogram for each column (parameter) in FIG. 3 is created for all numeric vectors in a certain cluster. For example, it is assumed that a histogram as shown in Table 2 is obtained for one feature amount of a certain operation parameter. If this cluster contains 100 numeric vectors, the total number of counts is 100.
  • the process proceeds to the reference value setting step 39, and the column in the remaining group, that is, the range of the feature value of the operation parameter is set as the normal value range.
  • the normal value ranges are combined into a reference value range used for fault diagnosis.
  • the range of the reference value is 0.0 to ⁇ 0.7.
  • the diagnosis target ECU data of the faulty vehicle is read by a diagnostic machine, and the normal value data (600 driving status data as different driving situations) is read. Search the most similar driving situation data from. Next, by comparing the normal value data of the search result with the ECU data to be diagnosed, it is determined which of the operating parameters is deviated from the reference value (normal value range) under the same operating conditions. Based on this determination, it is possible to search for a defective part.
  • the feature amount of each driving parameter of the ECU data is calculated, and normal value data similar to this ECU data is calculated.
  • the target normal value data can be selected by performing an approximate search from among the 600 normal value data.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

　日常的に市中等を走行している通常の車両に蓄積されている不具合発生時等の走行データを利用して、正常運転時のデータを生成する。車両の不具合発生時に該車両の電子制御装置（ECU）の記憶装置に保存された不具合発生時の複数の運転パラメータについての時系列ECUデータを、基準値と比較して該車両の故障診断を行う。多数の車両から得られる前記時系列ECUデータを逐次蓄積して保存し、蓄積された時系列ECUデータの数値ベクトルを生成する。数値ベクトルをクラスタリングして、特徴に応じた複数のクラスタに分類し、複数のクラスタのそれぞれにおいて、それぞれの運転パラメータごとに該パラメータの値について出現頻度の高い値の範囲を求め、得られた、出現頻度の高い値の範囲を運転パラメータの正常値の範囲として保存し、正常値の範囲を故障診用の基準値とする。

Description

車両の故障診断のための基準値の生成
　この発明は、車両の運転中に各車両の電子制御装置（ＥＣＵ、Electronic Control Unit）の記憶装置に保存されるデータを収集して、故障診断の基準となる各種運転パラメータの正常値データを生成することに関する。
　自動車等の車両の故障を診断するツールとしての診断装置が知られている。近年は、過去に発生した故障情報をデータベースに登録して新たに発生した故障の原因を推定する、いわゆるエキスパートシステムを診断機に使用することが検討されている。エキスパートシステムには、人間の経験知識をデータベースに登録しておいて検索するルールベース型推論方式と、正常時または故障時のシステムの挙動を学習しておき、シミュレーションにより故障原因を探求するモデルベース型推論方式とがある。
　前者の方式は、仕組みが単純で比較的高い信頼性が期待できるが、知識をルール化するのが難しく、対象となるシステムに変更が加えられるたびにルールを追加または修正する必要がある。
　一方、後者の方式では、操作するスタッフが十分な経験、知識を持っていなくても故障部位を推定することができ、対象となるシステムの変更に関してもある程度の汎用性が期待できる。特に同じ運転環境条件の下での正常時のデータと故障時のデータを比較する方法は、不具合の原因を発見する最も有効な手段の一つである。
　しかしながら、車両の運転には様々な環境条件や走行パターンがあり、そのそれぞれの状況によって多数の各運転パラメータが取り得る正常値の範囲も個別に変化し得ることから、同じような条件下どうしでデータ比較して正確な判断をするための正常値データを得るためには、様々な運転状況の下での正常時のデータを収集しておく必要がある。
　このためには、運転データ蓄積装置を設けた専用のテスト車両を利用して膨大な量の走行テストを行う必要があり、データの収集、蓄積に大きな労力を要する。
　特開昭62-261938（特許文献１）には、故障の症状とこれに対応する原因の関係について正確な情報を記憶する知識データ記憶手段と、不確かな情報を記憶するレアケース記憶手段とを備えた診断装置が記載されている。
　また、特開平6-95881（特許文献２）には、設計データや過去の不具合データを解析して前向きの推論方式のＥＭＥＡとしてリレーショナルデータベースに入力し、修正ＥＭＥＡを作成して事象系列図を作成し、故障探求ツリーを作成してルールベースの参照に供し、エキスパートのノウハウを数値化してルールベースを作成することが記載されている。
特開昭62-261938 特開平6-95881
　運転データの蓄積装置を設けたテスト車両の走行によるデータ収集の代わりに、日常に市中等を走行している通常の車両から多くの運転データを得ることができれば、テスト車両走行によるデータ収集は不要になる。
　しかしながら、通常の車両で行われている運転データの蓄積は、不具合発生時にECUに診断用の情報として記録される不具合発生時のデータに限られている。
　ところで、このようにECUに不具合発生時のデータとして記録・蓄積されるデータは様々な運転パラメータの集合体であるが、不具合に関係する一部のパラメータが異常値となるものの、その他の多くのパラメータは正常値である場合がほとんどである。
　したがって、この発明は、日常的に市中等を走行している通常の車両に蓄積されている不具合発生時等の走行データを利用して、正常運転時のデータを生成する装置を提供することを目的とする。
　上記の課題を解決するため、この発明は、車両の不具合発生時に該車両の電子制御装置（ECU）の記憶装置に保存された不具合発生時の複数の運転パラメータについての時系列ECUデータを、基準値と比較して該車両の故障診断を行う故障診断用の基準値生成装置を提供する。この基準値生成装置は、多数の車両から得られる前記時系列ECUデータを逐次蓄積して保存する蓄積装置と、前記蓄積装置に蓄積された時系列ECUデータの数値ベクトルを生成する手段と、を備える。
　前記数値ベクトルをクラスタリングして、特徴に応じた複数のクラスタに分類し、前記複数のクラスタのそれぞれにおいて、それぞれの運転パラメータごとに該パラメータの値について出現頻度の高い値の範囲を求め、前記頻度算出手段で得られた、出現頻度の高い値の範囲を前記運転パラメータの正常値の範囲として保存し、前記正常値の範囲を故障診用の基準値とする。
　一実施形態では、前記数値ベクトルを生成する手段は、前記時系列ECUデータを複数の時間帯に分割して、時間帯ごとの前記数値ベクトルを生成する。前記時間帯ごとの数値ベクトルがクラスタリングされる。
この発明の一実施例の装置の全体的な構成を示す図。 基準値生成のプロセスの流れを示す図。 運転パラメータの特徴量を表す数値ベクトルを示す図。 特徴量の数値の出現頻度を表すヒストグラム。
　次に図面を参照して、この発明の実施形態を説明する。図１は、この発明の前提となる自動車の電子制御システムに含まれるデータ収集装置14を示す。車載ネットワーク11は、車両に搭載された複数の電子制御ユニット（ＥＣＵ）間の通信を行うためのネットワークである。この実施例では、ネットワークはＦ系統とＢ系統の２つの系統に分かれているが、一つの系統のネットワークであってもよい。Ｆ系統のネットワークは、エンジンの燃料噴射制御、点火時期制御などを行うＥＣＵ、トランスミッションの制御を行うＥＣＵ，ブレーキの制御を行うＥＣＵなどいわゆる制御系の複数のＥＣＵの間で通信を行うためのネットワークである。Ｂ系統のネットワークは、パワーウィンドウやドアロックを制御するＥＣＵ、ライトを制御するＥＣＵ、エアコンなど電装品を制御するＥＣＵなどいわゆるボディ電装系の複数のＥＣＵの間で通信を行うためのネットワークである。ＥＣＵは、基本的にはコンピュータであり、マイクロプロセッサと通信モジュールで構成される。
　Ｆ系統のネットワークは、車速データ11A、エンジン水温データ11B、エンジン回転数データ11Cなどの制御系のデータ、およびECUが検出した不具合を示す不具合コード11Eをデータ収集装置14に送る。B系統のネットワークは、エアコンなどのアクセサリ（ACC）の状態を示すデータ11Fなどのボディ電装系のECUからのデータ、およびECUが検出した不具合を示す不具合コード11Gをデータ収集装置14に送る。
　データ収集装置14は、それ自体がECUである。データ収集装置14は、マイクロプロセッサを主要素とするコントローラ14Hによって制御される。受信部14Aは車載ネットワーク11から車両の状態を示す最新のデータを逐次受け取り、コントローラ14Hは、このデータを車両状態データメモリ14Bに逐次一時記憶させる。車両状態データメモリ14Bは、ランダムアクセスメモリ（RAM）であり、たとえば20秒間のような所定の時間幅の最新データを記憶しており、順次ファースト・イン・ファースト・アウト（ＦＩＦＯ）のシフトレジスター式に、たとえば0.2秒ごとに新しいデータで書き替えられる。
　不揮発性メモリ14Dは、電源オフ時にもバッテリから維持電流の供給を受けて記憶を維持するバックアップメモリ、またはEEPROMなどの書き替え可能のROMなどで構成される。コントローラ14Hは、不具合コード(DTC, Diagnosis Trouble Code)を受け取ると、不具合コード発生前15秒間のデータを車両状態データメモリ14Bから読み出して不揮発性メモリ14Dに保存する。このデータは、オンボード・スナップ・ショット（ＯＢＳ）と呼ばれる。この処理は、不具合コードが発生されるたびに実行され、不揮発性メモリ14Dは、複数の不具合コードに対応して複数のＯＢＳを保存する。
　この車が点検、修理のためサービス店に持ち込まれると、サービススタッフが故障診断機16の接続端子をＥＣＵの出力端子に接続し、不揮発性メモリ14Dに保存されたデータを診断機に読み取って、診断機を利用した故障診断を行う。
　一方で、読み取った不揮発性メモリ14Dに保存されたデータを、本発明の適用対象となる走行データとしてデータ蓄積装置20に蓄積する。データ蓄積装置20に関連して基準データ作成装置30が設けられている。
　なお、不揮発メモリ14Dに保存されたデータは、車がサービス店に持ち込まれるのを待つことなく、車載の通信装置からデータ蓄積装置20に送られるようにすることもできる。
　表１は、一つの不具合コード発生に応じて不揮発性メモリ14Dに保存されたＯＢＳの一例を示す。この例では、運転パラメータとしてR（エンジン回転数）、V（車速）およびT（エンジンの冷却水の温度）を示してあるが、空燃比センサの出力値、O2センサの出力値、燃料噴射時間、空燃比などの多数（車種によって異なるが、例えば50～60）のパラメータについてのデータがＯＢＳに含まれる。
　時間は、不具合コードの発生時を基準の０秒とし、0.2秒ずつさかのぼった時間をマイナス符号で示している。
Figure JPOXMLDOC01-appb-T000001
　ここで、OBSからデータの基準値（正常値）を抽出する考え方を説明する。不具合コードが発生したときに保存されるOBSデータであっても、不具合に関係していないパラメータの値は正常である。また、不具合に関係しているパラメータの値であっても、不具合発生前15秒間の中で部分的には正常であると考えられる。したがって、多数の不具合についてOBSデータを集めて統計処理をすると、異常値は多数の正常値によって薄められ、または除外され、結果的に正常運転時のパラメータの値を抽出することができる。
　この目的のためには、サンプル数が多ければ多いほどよい。この実施例では、サンプルとなる車の台数を13000としており、実際に市場を走行している一般ユーザの車から前述のようにしてOBSデータを得る。
　抽出対象の正常値範囲は「ある状態（ある運転条件下）」ごとに存在すると考えられる。したがって、近似した状態にあるＯＢＳデータをクラスタ（集団）としてまとめ、このクラスタごとに適切な値の範囲を抽出すれば「ある状態」ごとの正常値範囲を抽出することができる。
　具体的には、クラスタリング手法を用いて近似したOBSデータをクラスタ（集合）として分類する。クラスタごとにパラメータの適正な値の範囲を抽出して、これを故障診断の際に参照するための基準値とする。
　クラスタリングは、外的基準なしにデータをグループ化するデータ解析手法で、この実施例ではK-means法と呼ばれる手法を用いる。考え方としては、データをパラメータの数に対応する次元の空間にプロットし、その距離によってデータを分類する。
　基準データ作成装置30は、一つの車種について、たとえば13000台の車からのＯＢＳを収集（1個／台の場合）する。
　次に、その収集したＯＢＳデータを、「エンジン回転数：Ｒ」「車速：Ｖ」「冷却水温：Ｔ」の３つのパラメータの特徴量で「２０」にクラスタリングする。（一次クラスタリング）
　さらに、一次クラスタリングで抽出された「２０」のクラスタをさらにすべてのパラメータで「３０」にクラスタリングして「６００」のクラスタすなわち運転条件を抽出する。（二次クラスタリング）
　一次クラスタリングは、不具合発生に関係する運転パラメータのうちで特に依存度が大きいと考えられる「エンジン回転数：Ｒ」「車速：Ｖ」「冷却水温：Ｔ」の３つのパラメータで行う大まかなクラスタリングであり、まず、それぞれのＯＢＳから３つの運転パラメータの特徴量を抽出する。
　図２および図３を参照して、基準値生成の実施例を説明する。まず、運転パラメータの特徴量の数値ベクトルを生成する（31）。特徴量として、この例では３秒間ごとのパラメータの平均値、最大値、最小値、傾きの平均値を用いる。特徴量としては、このほかに統計数学で用いられる標準偏差、振幅値、振動数、最小傾き、最大傾き、歪度、尖度などから車両の運転パラメータ解析に適したものを選択して用いることができる。n台（nは1から13000）から得られたＯＢＳデータのパラメータをRn、Vn、Tnで表し、平均値をRnav、Vnav、Tnavで表し、最大値をRnmx、Vnmx、Tnmxで表し、最小値をRnmn、Vnmn、Tnmn、で表し、傾き(inclination)の平均値をRnin、Vnin、Tninで表す。
　なお、ここでいう傾きは、車両が加速中、減速中の程度もしくはクルーズ運転（定速運転）中であることの判断指標にもなる重要な特徴量であり、時間経過(h)に対するパラメータ値f(x) の変化量を微分することで得られる値で、以下の式で表される。ディジタル演算では、パラメータ値f(x)の差分の演算で求めることができる。
Figure JPOXMLDOC01-appb-M000001
　図３を参照すると、第１の時間帯(-14.8～-12.0秒)では、パラメータRkについて、この時間帯での平均値Rnav-1、最大値Rnmx-1、最小値Rnmn-1、および傾きの平均値Rnin-1が生成される。同様に、パラメータVについて、平均値Vnav-1、最大値Vnmx-1、最小値Vnmn-1、傾きの平均値Vnin-1が生成され、パラメータTについて、Tnav-1、Tnmx-1、Tnmn-1、Tnin-1が生成される。第２の時間帯(-11.8～-9.0秒)、第３の時間帯(-8.8～-6.0秒)、第４の時間帯(-5.8～-3.0秒)および第５の時間帯(-2.8～0秒)についても同様に表２に示す特徴量を算出する。
　この実施例では、「エンジン回転数：Ｒ」「車速：Ｖ」「冷却水温：Ｔ」の３つのパラメータ（Rn,Vn,Tn）の上記5つの時間帯のそれぞれにおける数値ベクトルを１次クラスタリングにより、たとえば２０個の１次クラスタDjに分類する（33）。初期条件として、２０個の１次クラスタの中心となるコアベクトルをランダムに定める。コアベクトルの初期値は限られた数の実験データから経験則に従って定めることもできる。jを1から２０の整数として、j番目のクラスタの中心となるコアベクトルを、(Rav-cj,Rmx-cj,Rmn-cj,Rin-cj,Vav-cj,Vmx-cj,Vmn-cj,Vin-cj,Tav-cj,Tmx-cj,Tmn-cj,Tin-cj)と表すと、上記の表の第１の時間帯の数値ベクトルと２０個のクラスタDjのそれぞれのコアベクトルとのマンハッタン距離D1njは、次式で計算される。
D1nj=|Rnav-1-Rav-cj|+|Rnmx-1-Rmx-cj|+|Rnmn-1-Rmn-cj|+| Rnin-1-Rin-cj|
+|Vnav-1-Vav-cj|+|Vnmx-1-Vmx-cj|+|Vnmn-1-Vmn-cj|+|Vnin-1-Vin-cj|
+|Tnav-1-Tav-cj|+|Tnmx-1-Tmx-cj|+|Tnmn-1-Tmn-cj|+|Tnin-1-Tin-cj|　　　(1)
　第１時間帯での一つの数値ベクトル（Rn,Vn,Tn）について、j=1,2,3…. 20について(1)式の演算を行ってマンハッタン距離を求め、一番小さい値となったコアベクトルのクラスタDjにその数値ベクトル（Rn,Vn,Tn）を所属させる。n=1,2,3,…..,13000について同様の演算を行い、それぞれの数値ベクトル（Rn,Vn,Tn）をコアベクトルへのマンハッタン距離が一番小さいクラスタDjに所属させる。こうして、n台の車から得られたＯＢＳデータの第１時間帯の数値ベクトルが２０個のクラスタDjに分類される。
　第２の時間帯についても同様に上記の表の第２の時間帯の数値ベクトルと第２の時間帯のクラスタD2jとのマンハッタン距離D2njは、次式で計算される。
D2nj=|Rnav-2-Rav-cj|+|Rnmx-2-Rmx-cj|+|Rnmn-2-Rmn-cj|+|Rnin-2-Rin-cj|
+|Vnav-2-Vav-cj|+|Vnmx-2-Vmx-cj|+|Vnmn-2-Vmn-cj|+|Vnin-2-Vin-cj|
+|Tnav-2-Tav-cj|+|Tnmx-2-Tmx-cj|+|Tnmn-2-Tmn-cj|+|Tnin-2-Tin-cj|　　　　(2)
　マンハッタン距離に基づいて、n台の車から得られたＯＢＳデータの第２時間帯の数値ベクトルが２０個の１次クラスタDjに分類される。同様に第３時間帯の数値ベクトルが２０個の１次クラスタDjに分類され、第４時間帯の数値ベクトルおよび第５時間帯の数値ベクトルがそれぞれ２０個の１次クラスタDjに分類される。
　次いで、２０個の１次クラスタDjのそれぞれについて、所属する数値ベクトルの平均値を計算し、この平均値を各クラスタのコアベクトルとする。こうして更新されたコアベクトルを用いて、上記のクラスタリングを再度実行する。２度目のクラスタリングで各クラスタのコアベクトルが更新されると、更新されたコアベクトルを用いてさらに３度目のクラスタリングを行う。この繰り返しは、コアベクトルが収束するまで、またはあらかじめ設定した試行回数が終了するまで実行する。
　初期設定のコアベクトルによって、収束の仕方が異なることがあるので、たとえば１０個の異なる初期設定をランダムに用意して、それぞれの初期設定を用いてクラスタリングを繰り返し、最もよく収束した試行のクラスタリング結果を採用することができる。こうして、２０個の１次クラスタDjのそれぞれについて最終的なコアベクトル（重心）が得られる。
　この最終的なコアベクトルを用いて２０個の１次クラスタのクラスタリングを実行して６５０００個のデータ（１３０００台×５個／台）の１次クラスタリングを完了する。１次クラスタリングは、最も重要度の高い運転パラメータを用いて実行し、近似度の高い数値ベクトルをグループ化するので、全データがまずは大まかに重要度の高い運転状態の相違ごとにグループ化がなされることになる。したがって、それぞれのグループすなわちクラスタはそれぞれ相違が比較的大きい運転状態の場合に対応して形成されている。
　次いで、２次クラスタリングに移る(35)。２次クラスタリングでは、２０個の１次クラスタDjのそれぞれにおいて、そのクラスタに含まれる全パラメータのOBS数値ベクトル（図３の数値ベクトルを全パラメータに拡張したもの）に関してさらにクラスタリングを行って、各１次クラスタを３０個の２次クラスタに分類する。すなわち、それぞれ異なる運転状態に対応する２０個の１次クラスタのそれぞれを、３０個の２次クラスタに細分する。
　それぞれの１次クラスタが２次クラスタリングされて３０個の２次クラスタを形成するので、全体では６００個（20 x 30）の２次クラスタが得られる。それぞれのOBS数値ベクトル（実施例では６５０００個のデータ）は、この６００個の２次クラスタの一つに属する。
　２次クラスタリングに用いられる３０個の２次クラスタのコアベクトルの初期値は、１次クラスタリングと同様にランダムに定めることができる。この初期値は、過去のデータに照らして経験則にしたがって定めることもできる。このコアベクトルは、１次クラスタリングと同じ手法で更新されて最終的なコアベクトルが求められ、３０個の最終的なコアベクトルを用いて最終的なクラスタリングが行われて６００個の２次クラスタが形成される。
　次いで、頻度算出ステップ37に移り、こうして得られた６００個の２次クラスタのデータから、パラメータごとに横軸をパラメータの値、縦軸をデータ数とする２０分割のヒストグラムを作成する（図４(A)）。縦軸の値が所定の値（たとえば全体のa%）以下の階級を除外し（図４(B)）、残った階級を隣り合うもの同士でグループとしてまとめて、グループに属するデータ数がb%以上になるようグループ化する（図4(C)）。この処理は、クラスタごとに、すなわち６００個の２次クラスタについて個別に実行する。
　このとき、２次クラスタ内でのOBSデータの散らばりの目安となるクラスタリングのパラメータ残差によって、a%、b%の値を調整する。パラメータ残差は、数値ベクトルのそれぞれのパラメータの値が、その数値ベクトルが属するクラスタの重心であるコアベクトルからどの程度離れているかを評価した値である。この実施例では、それぞれの数値ベクトルについて、その属するクラスタの重心との差をとり、その２乗平均（２乗和の平方根）で残差を表す。単純な差は、プラスまたはマイナスの符号をもつので、差の大きさを見るため２乗平均を用いる。
　パラメータ残差が大きく、散らばりが大きいパラメータほど、a%、b%を小さくし、幅広く正常値の範囲を抽出するようにする（図４(D)）。
　図４に関連して説明した手法を簡単な例を用いてより具体的に説明する。あるクラスタに入っているすべての数値ベクトルに対し、図３の列（パラメータ）ごとのヒストグラムを作成する。たとえば、ある運転パラメータの特徴量の一つについて表２に示すようなヒストグラムが得られたとする。このクラスタには100個の数値ベクトルが含まれているとすると、カウント数の合計は100になる。
Figure JPOXMLDOC01-appb-T000002
　カウント総数のa%以下のカウントの棒を削除する。いま、a%を1%とすると、１以下のカウント数の棒は削除されるので、表３の棒が残る。図４の例では、図４(A)のヒストグラムから図４（B）のヒストグラムに移行する。
Figure JPOXMLDOC01-appb-T000003
　残った棒のうち、隣り合う棒を結合してグループ化する。この例では、表４のようにグループ化される。
Figure JPOXMLDOC01-appb-T000004
　こうしてできたグループのうち、カウント数がカウント総数のb%以下のものを削除する。たとえば、20%以下のグループを削除すると、グループIDが３のグループが削除され、表５のグループが残る。図４の例では、図４（B）のヒストグラムから図４（C）のヒストグラムに移行する。
Figure JPOXMLDOC01-appb-T000005
　次に基準値設定ステップ39に移り、こうして残ったグループにおける列、すなわち運転パラメータの特徴量の範囲を正常値の範囲とする。この例では、0.0 － 0.1および0.3 － 0.7 が正常値の範囲である。データ処理を簡単にするため、正常値の範囲を一つにまとめて故障診断に用いる基準値の範囲とする。この例では、基準値の範囲は、0.0 － 0.7となる。図４の例では、図４（C）から図４（D）に移行する。
　以上の説明のように、本実施例では６００の運転状況が異なる条件下での各運転パラメータの正常値範囲を生成することができる。
　この正常値データを利用して故障車両の診断を行なうには、まず、診断機で故障車両の診断対象ＥＣＵデータを読み取って、正常値データ（異なる運転状況としての６００の運転状況データ）の中から最も類似する運転状況データを検索する。次に、この検索結果の正常値データと診断対象のＥＣＵデータを比較することにより、同じ運転条件下で各運転パラメータのうちでどのパラメータが基準値（正常値範囲）からはずれているかが判別され、この判別に基づいて不具合箇所の探索を行うことができる。
　なお、最も類似する運転状況データの検索手法はいろいろあるが、一例としては、本実施例で説明したようにＥＣＵデータの各運転パラメータの特徴量を算出し、このＥＣＵデータと類似する正常値データを６００個の正常値データの中から近似検索することによって対象となる正常値データを選択することができる。
　以上にこの発明を具体的な実施例について説明した。この発明は、このような実施例に限定されるものではない。
１４　　　データ収集装置
１６　　　診断機
２０　　　データ蓄積装置
３０　　　基準データ生成装置　　　　

Claims (16)

  1. 　車両の不具合発生時に該車両の電子制御装置（ECU）の記憶装置に保存された不具合発生時の複数の運転パラメータについての時系列ECUデータを、基準値と比較して該車両の故障診断を行う故障診断用の基準値生成装置であって、
    　多数の車両から得られる前記時系列ECUデータを逐次蓄積して保存する蓄積装置と、
    　前記蓄積装置に蓄積された時系列ECUデータの数値ベクトルを生成する手段と、
    　前記数値ベクトルをクラスタリングして、特徴に応じた複数のクラスタに分類するクラスタリング手段と、
    　前記複数のクラスタのそれぞれにおいて、それぞれの運転パラメータごとに該パラメータの値について出現頻度の高い値の範囲を求める、頻度算出手段と、
    　前記頻度算出手段で得られた、出現頻度の高い値の範囲を前記運転パラメータの正常値の範囲として保存する手段と、
    　を備え、前記正常値の範囲を故障診用の基準値とする、基準値生成装置。
  2. 　前記時系列ECUデータは、車両の不具合発生前の所定の時間における、エンジン回転数、車両の速度および冷却水温の少なくとも一つを含む複数の運転パラメータに関するデータである、請求項１に記載の基準値生成装置。
  3. 　前記数値ベクトルを生成する手段は、前記時系列ECUデータをレコードごとに複数の時間帯に分割して、時間帯ごとに前記運転パラメータの特徴量を算出して、該特徴量の数値ベクトルを生成する、請求項２に記載の基準値生成装置。
  4. 　前記クラスタリング手段は、異なる初期値をもつ第１の複数のコアベクトルを中心として、前記時間帯ごとの数値ベクトルと該複数のコアベクトルとの近似度を算出して、各数値ベクトルを最も近似度の高いコアベクトルを中心とするクラスタに所属させ、前記第１の複数のクラスタを生成する、請求項３に記載の基準値生成装置。
  5. 　a)前記クラスタごとに、所属する複数の数値ベクトルの前記特徴量ごとの平均をとり、該平均で該クラスタの中心である前記コアベクトルの数値を置換し、
    　b)こうして得られたコアベクトルを用いて、再度前記時間帯ごとの数値ベクトルと複数のコアベクトルとの近似度を算出し、各数値ベクトルを最も近似度の高いコアベクトルを中心とするクラスタに所属させる、
    請求項４に記載の基準値生成装置。
  6. 　c)前記コアベクトルの中心が収束するまで、または予め定めた試行回数を終了するまで、前記a)およびb)の処理を繰り返す、請求項５に記載の基準値生成装置。
  7. 　前記第１の複数のクラスタに数値ベクトルを所属させる処理は、所定の一つまたは複数の運転パラメータについて実行し、こうして得られた前記第１の複数のクラスタに所属する数値ベクトルに関し、より多数の運転パラメータについて前記第１の複数のクラスタごとに第２の複数の数のクラスタに２次クラスタリングする、請求項６に記載の基準値生成装置。
  8. 　前記２次クラスタリングで得られたクラスタごとに、所属する数値ベクトルについて前記運転パラメータごとの出現頻度を算出し、該出現頻度の高い数値範囲をそれぞれの運転パラメータの基準値とする、請求項７に記載の基準値生成装置。
  9. 　車両の不具合発生時に該車両の電子制御装置（ECU）の記憶装置に保存された不具合発生時の複数の運転パラメータについての時系列ECUデータを、基準値と比較して該車両の故障診断を行う故障診断用の基準値を生成する方法であって、
    　多数の車両から得られる前記時系列ECUデータを逐次蓄積して保存し、
    　前記保存された時系列ECUデータの数値ベクトルを生成し、
    　前記数値ベクトルをクラスタリングして、特徴に応じた複数のクラスタに分類し、
    　前記複数のクラスタのそれぞれにおいて、それぞれの運転パラメータごとに該パラメータの値について出現頻度の高い値の範囲を求め、
    　前記頻度算出手段で得られた、出現頻度の高い値の範囲を前記運転パラメータの正常値の範囲として保存し、
    　前記正常値の範囲を故障診用の基準値とする、基準値の生成方法。
  10. 　前記時系列ECUデータは、車両の不具合発生前の所定の時間における、エンジン回転数、車両の速度および冷却水温の少なくとも一つを含む複数の運転パラメータに関するデータである、請求項９に記載の基準値の生成方法。
  11. 　前記数値ベクトルの生成は、前記時系列ECUデータをレコードごとに複数の時間帯に分割して、時間帯ごとに前記運転パラメータの特徴量を算出して、該特徴量の数値ベクトルを生成することにより行われる、請求項１０に記載の基準値の生成方法。
  12. 　前記クラスタリングは、異なる初期値をもつ第１の複数のコアベクトルを中心として、前記時間帯ごとの数値ベクトルと該複数のコアベクトルとの近似度を算出して、各数値ベクトルを最も近似度の高いコアベクトルを中心とするクラスタに所属させ、前記第１の複数のクラスタを生成する、請求項１１に記載の基準値の生成方法。
  13. 　a)前記クラスタごとに、所属する複数の数値ベクトルの前記特徴量ごとの平均をとり、該平均で該クラスタの中心である前記コアベクトルの数値を置換し、
    　b)こうして得られたコアベクトルを用いて、再度前記時間帯ごとの数値ベクトルと複数のコアベクトルとの近似度を算出し、各数値ベクトルを最も近似度の高いコアベクトルを中心とするクラスタに所属させる、
    請求項１２に記載の基準値の生成方法。
  14. 　c)前記コアベクトルの中心が収束するまで、または予め定めた試行回数を終了するまで、前記a)およびb)の処理を繰り返す、請求項１３に記載の基準値の生成方法。
  15. 　前記第１の複数のクラスタに数値ベクトルを所属させる処理は、所定の一つまたは複数の運転パラメータについて実行し、こうして得られた前記第１の複数のクラスタに所属する数値ベクトルに関し、より多数の運転パラメータについて前記第１の複数のクラスタごとに第２の複数の数のクラスタに２次クラスタリングする、請求項１４に記載の基準値の生成方法。
  16. 　前記２次クラスタリングで得られたクラスタごとに、所属する数値ベクトルについて前記運転パラメータごとの出現頻度を算出し、該出現頻度の高い数値範囲をそれぞれの運転パラメータの基準値とする、請求項１５に記載の基準値の生成方法。
PCT/JP2009/004818 2008-10-10 2009-09-24 車両の故障診断のための基準値の生成 WO2010041382A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US13/123,354 US9043079B2 (en) 2008-10-10 2009-09-24 Generation of reference value for vehicle failure diagnosis
CN200980140012.1A CN102177049B (zh) 2008-10-10 2009-09-24 用于车辆故障诊断的基准值的生成

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2008264593A JP4414470B1 (ja) 2008-10-10 2008-10-10 車両の故障診断のための基準値の生成
JP2008-264593 2008-10-10

Publications (1)

Publication Number Publication Date
WO2010041382A1 true WO2010041382A1 (ja) 2010-04-15

Family

ID=41739287

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2009/004818 WO2010041382A1 (ja) 2008-10-10 2009-09-24 車両の故障診断のための基準値の生成

Country Status (4)

Country Link
US (1) US9043079B2 (ja)
JP (1) JP4414470B1 (ja)
CN (1) CN102177049B (ja)
WO (1) WO2010041382A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10089670B2 (en) 2011-01-20 2018-10-02 Paccar Inc System and method for analyzing a powertrain configuration
WO2019142484A1 (ja) * 2018-01-16 2019-07-25 株式会社日立製作所 故障診断支援装置

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4414470B1 (ja) * 2008-10-10 2010-02-10 本田技研工業株式会社 車両の故障診断のための基準値の生成
JP5161829B2 (ja) * 2009-04-06 2013-03-13 本田技研工業株式会社 故障再現を支援する診断装置および故障再現データの出力方法
JP5263315B2 (ja) * 2011-02-14 2013-08-14 株式会社デンソー 車両挙動データ記憶装置
JP5810877B2 (ja) * 2011-12-08 2015-11-11 株式会社豊田中央研究所 異常診断システム及び異常診断方法
US8880277B2 (en) * 2012-02-29 2014-11-04 GM Global Technology Operations LLC Methods and systems for diagnosing a vehicle
US9780967B2 (en) 2013-03-14 2017-10-03 Telogis, Inc. System for performing vehicle diagnostic and prognostic analysis
WO2014159127A1 (en) * 2013-03-14 2014-10-02 Telogis Inc. System and method for crowdsourcing vehicle-related analytics
JP6003810B2 (ja) * 2013-06-04 2016-10-05 株式会社デンソー 車両用基準値生成装置
JP6135545B2 (ja) * 2014-02-24 2017-05-31 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
JP6486640B2 (ja) * 2014-10-09 2019-03-20 株式会社日立製作所 運転特性診断装置、運転特性診断システム、運転特性診断方法、情報出力装置、情報出力方法
JP6816379B2 (ja) 2016-04-14 2021-01-20 富士ゼロックス株式会社 衝突回避システム、情報処理装置、衝突回避プログラム及び情報処理プログラム
JP2017191555A (ja) 2016-04-15 2017-10-19 富士ゼロックス株式会社 移動体制御装置及び移動体制御プログラム
US9846979B1 (en) * 2016-06-16 2017-12-19 Moj.Io Inc. Analyzing telematics data within heterogeneous vehicle populations
JP6908405B2 (ja) * 2017-03-29 2021-07-28 本田技研工業株式会社 小型船舶の故障予測システム
CN107273930A (zh) * 2017-06-14 2017-10-20 成都四方伟业软件股份有限公司 一种动态流式数据的聚类方法
US11972178B2 (en) * 2018-02-27 2024-04-30 Falkonry Inc. System and method for explanation of condition predictions in complex systems
JP6978975B2 (ja) * 2018-04-13 2021-12-08 本田技研工業株式会社 情報出力装置及び情報出力方法
WO2019205017A1 (zh) 2018-04-25 2019-10-31 深圳市元征软件开发有限公司 车辆诊断方法、系统、设备及计算机可读存储介质
US11461674B2 (en) 2018-05-01 2022-10-04 Kyndryl, Inc. Vehicle recommendations based on driving habits
JP7134903B2 (ja) * 2019-03-05 2022-09-12 株式会社日立製作所 不具合再現支援システム、不具合再現支援方法
JP7304198B2 (ja) 2019-04-26 2023-07-06 日立建機株式会社 インジェクタ診断装置及びインジェクタ診断方法
WO2021010143A1 (ja) * 2019-07-12 2021-01-21 パナソニックＩｐマネジメント株式会社 車載セキュアストレージシステム
JP6717419B1 (ja) * 2019-10-11 2020-07-01 トヨタ自動車株式会社 車両用故障原因特定装置
JP7134159B2 (ja) * 2019-12-17 2022-09-09 本田技研工業株式会社 車両データ分類方法及び車両データ分類装置
JP7411473B2 (ja) * 2020-03-27 2024-01-11 三菱重工業株式会社 妥当性確認方法、妥当性確認システム及びプログラム
JP7217767B2 (ja) * 2021-03-19 2023-02-03 本田技研工業株式会社 更新管理サーバ、更新管理方法、及びプログラム
JP7214780B2 (ja) 2021-04-06 2023-01-30 日立建機株式会社 性能診断装置、性能診断方法
US11407667B1 (en) 2021-06-06 2022-08-09 Christopher R. Moylan Systems and methods for removal of carbon dioxide from seawater
US11685673B2 (en) 2021-06-06 2023-06-27 Christopher R. Moylan Systems and methods for removal of carbon dioxide from seawater

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005117756A (ja) * 2003-10-06 2005-04-28 Nissan Motor Co Ltd 直流電圧検出回路の故障診断装置およびモータ制御システム
JP2007281959A (ja) * 2006-04-07 2007-10-25 Fuji Xerox Co Ltd 故障診断システム及び故障診断方法

Family Cites Families (44)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6735506B2 (en) * 1992-05-05 2004-05-11 Automotive Technologies International, Inc. Telematics system
JPS62261938A (ja) 1986-05-08 1987-11-14 Nissan Motor Co Ltd 故障診断装置
JP2754721B2 (ja) * 1989-05-11 1998-05-20 日産自動車株式会社 車両のフェイルセーフ装置
US7006881B1 (en) * 1991-12-23 2006-02-28 Steven Hoffberg Media recording device with remote graphic user interface
JPH0695881A (ja) 1992-09-16 1994-04-08 Kawasaki Heavy Ind Ltd 機械装置類故障診断エキスパートデータ用ルールベース作成システム
US7765039B1 (en) * 1994-02-15 2010-07-27 Hagenbuch Leroy G Apparatus for tracking and recording vital signs and task-related information of a vehicle to identify operating patterns
US5629869A (en) * 1994-04-11 1997-05-13 Abb Power T&D Company Intelligent circuit breaker providing synchronous switching and condition monitoring
JP3456058B2 (ja) * 1995-02-10 2003-10-14 株式会社デンソー 触媒の劣化検出装置及び排気浄化装置の異常検出装置
US8140358B1 (en) * 1996-01-29 2012-03-20 Progressive Casualty Insurance Company Vehicle monitoring system
JP3333378B2 (ja) * 1996-02-05 2002-10-15 本田技研工業株式会社 車両診断方法および装置
JP3897135B2 (ja) * 1997-03-10 2007-03-22 本田技研工業株式会社 車両診断方法および装置
JPH10253505A (ja) * 1997-03-10 1998-09-25 Honda Motor Co Ltd 車両診断方法および装置
US6076504A (en) * 1998-03-02 2000-06-20 Cummins Engine Company, Inc. Apparatus for diagnosing failures and fault conditions in a fuel system of an internal combustion engine
US6053147A (en) * 1998-03-02 2000-04-25 Cummins Engine Company, Inc. Apparatus and method for diagnosing erratic pressure sensor operation in a fuel system of an internal combustion engine
US6484109B1 (en) * 1998-05-20 2002-11-19 Dli Engineering Coporation Diagnostic vibration data collector and analyzer
US8364136B2 (en) * 1999-02-01 2013-01-29 Steven M Hoffberg Mobile system, a method of operating mobile system and a non-transitory computer readable medium for a programmable control of a mobile system
US20110208567A9 (en) * 1999-08-23 2011-08-25 Roddy Nicholas E System and method for managing a fleet of remote assets
US20020059075A1 (en) * 2000-05-01 2002-05-16 Schick Louis A. Method and system for managing a land-based vehicle
US6691023B2 (en) * 2000-05-26 2004-02-10 Yamaha Marine Kabushiki Kaisha Diagnostic system for engine
AU2002213706A1 (en) * 2000-10-26 2002-05-06 Triant Technologies Inc. Method for estimating and reducing uncertainties in process measurements
JP2003084998A (ja) * 2001-09-12 2003-03-20 Denso Corp 故障診断システム及び電子制御装置
US6581371B1 (en) * 2002-02-20 2003-06-24 Ford Global Technologies, Inc. Engine catalyst monitor
US20040003401A1 (en) * 2002-06-27 2004-01-01 Koninklijke Philips Electronics N.V. Method and apparatus for using cluster compactness as a measure for generation of additional clusters for stereotyping programs
US7042663B2 (en) * 2002-10-03 2006-05-09 Hitachi Global Storage Technologies Netherlands B.V. Magnetic disk protection mechanism, computer system comprising protection mechanism, protection method for magnetic disk, and program for protection method
DE10397025B3 (de) * 2002-10-25 2021-10-21 Denso Corporation Variable Ventilzeitabstimmungssteuerungsvorrichtung einer Brennkraftmaschine
JP4333331B2 (ja) * 2002-12-20 2009-09-16 セイコーエプソン株式会社 故障予測システム及び故障予測プログラム並びに故障予測方法
JP2004227439A (ja) * 2003-01-27 2004-08-12 Nissan Motor Co Ltd 車両用故障診断システムおよび装置
US7072797B2 (en) * 2003-08-29 2006-07-04 Honeywell International, Inc. Trending system and method using monotonic regression
US7383238B1 (en) * 2004-02-24 2008-06-03 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Inductive monitoring system constructed from nominal system data and its use in real-time system monitoring
US7124019B2 (en) * 2004-08-06 2006-10-17 Ford Global Technologies, Llc Powertrain control module spark duration diagnostic system
FR2880167B1 (fr) * 2004-12-23 2009-05-08 Celec Conception Electronique Procede de detection de presence et de mouvement pour des automatismes de porte et automatismes de porte mettant en oeuvre un tel procede
JP4606965B2 (ja) * 2005-03-07 2011-01-05 本田技研工業株式会社 内燃機関の排気浄化装置
US7826945B2 (en) * 2005-07-01 2010-11-02 You Zhang Automobile speech-recognition interface
JP4262260B2 (ja) * 2006-05-12 2009-05-13 株式会社日立製作所 内燃機関の診断装置
JPWO2008038741A1 (ja) * 2006-09-28 2010-01-28 富士通テン株式会社 車載機、頻度収集装置、及び、頻度収集方法
JP4899791B2 (ja) * 2006-10-30 2012-03-21 株式会社デンソー 燃料噴射制御装置及び燃料供給系の診断方法
JP5058575B2 (ja) * 2006-12-12 2012-10-24 キヤノン株式会社 画像処理装置及びその制御方法、プログラム
US7788017B2 (en) * 2006-12-27 2010-08-31 Denso Corporation Engine control, fuel property detection and determination apparatus, and method for the same
JP4770742B2 (ja) * 2007-01-17 2011-09-14 株式会社デンソー エンジンの燃料噴射制御装置及び燃焼装置
JP2008285075A (ja) * 2007-05-18 2008-11-27 Toyota Motor Corp 車両および車両の故障診断方法
US20090138153A1 (en) * 2007-11-26 2009-05-28 Honeywell International, Inc. Advanced algorithm framework
US20090216584A1 (en) * 2008-02-27 2009-08-27 Fountain Gregory J Repair diagnostics based on replacement parts inventory
JP4414470B1 (ja) * 2008-10-10 2010-02-10 本田技研工業株式会社 車両の故障診断のための基準値の生成
EP2350443B1 (en) * 2008-10-31 2018-10-17 Filter Sensing Technologies, Inc. After-treatment method and system having a filter load monitoring system

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005117756A (ja) * 2003-10-06 2005-04-28 Nissan Motor Co Ltd 直流電圧検出回路の故障診断装置およびモータ制御システム
JP2007281959A (ja) * 2006-04-07 2007-10-25 Fuji Xerox Co Ltd 故障診断システム及び故障診断方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10089670B2 (en) 2011-01-20 2018-10-02 Paccar Inc System and method for analyzing a powertrain configuration
US10096052B2 (en) 2011-01-20 2018-10-09 Paccar Inc System and method for analyzing a powertrain configuration
WO2019142484A1 (ja) * 2018-01-16 2019-07-25 株式会社日立製作所 故障診断支援装置
JP2019123351A (ja) * 2018-01-16 2019-07-25 株式会社日立製作所 故障診断支援装置
US11769355B2 (en) 2018-01-16 2023-09-26 Hitachi, Ltd. Fault diagnosis support device

Also Published As

Publication number Publication date
CN102177049B (zh) 2014-11-05
JP2010089760A (ja) 2010-04-22
CN102177049A (zh) 2011-09-07
US9043079B2 (en) 2015-05-26
US20110196572A1 (en) 2011-08-11
JP4414470B1 (ja) 2010-02-10

Similar Documents

Publication Publication Date Title
JP4414470B1 (ja) 車両の故障診断のための基準値の生成
JP4928532B2 (ja) 車両の故障診断装置
JP5161829B2 (ja) 故障再現を支援する診断装置および故障再現データの出力方法
US20230169804A1 (en) Telematically monitoring a condition of an operational vehicle component
DE102020103768B4 (de) Überwachung und Diagnose von Fahrzeugsystemproblemen mit Maschinenlern-Klassifikatoren
CN102375452B (zh) 改善故障代码设定和隔离故障的事件驱动的数据挖掘方法
EP2678832B1 (en) Diagnostic baselining
EP3776494A1 (en) Predictive vehicle diagnostics method
Murphey et al. Automotive fault diagnosis-part II: a distributed agent diagnostic system
KR102215107B1 (ko) 주행 데이터 기반 차량 상태 예측 시스템 및 방법
KR102141988B1 (ko) 자율주행 대중버스에 대한 실시간 버스 신뢰성 통합지표 모니터링 시스템 및 방법
US20230063601A1 (en) Methods and systems for anomaly detection of a vehicle
EP4167040A1 (en) Fault model editor and diagnostic tool
CN114239734B (zh) 一种分布式车载健康管理系统
CN105335599B (zh) 一种汽车故障诊断率的检测方法及系统
CN113173104A (zh) 一种新能源车辆动力电池预警方法及系统
DE102022120962A1 (de) Batteriefehlererkennung
CN115113601A (zh) 车辆管理装置、车辆管理方法和计算机可读存储介质
US20210192872A1 (en) Model diagnosis device and model diagnosis system
CN112329341B (zh) 一种基于ar和随机森林模型的故障诊断系统及方法
Suda et al. Automated diagnosis of engine misfire faults using combination classifiers
EP4316918A1 (en) Vehicle abnormality detection device and vehicle abnormality detection method
EP2787205B1 (en) System for estimating a vehicle fuel consumption
US20240338980A1 (en) Dtc rulebook generation system and method
CN117520953A (zh) 怠速异常识别及模型训练方法、装置、车辆及介质

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 200980140012.1

Country of ref document: CN

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 09818922

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 13123354

Country of ref document: US

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 09818922

Country of ref document: EP

Kind code of ref document: A1