WO2010067547A1 - 車両の故障診断装置 - Google Patents

車両の故障診断装置 Download PDF

Info

Publication number
WO2010067547A1
WO2010067547A1 PCT/JP2009/006571 JP2009006571W WO2010067547A1 WO 2010067547 A1 WO2010067547 A1 WO 2010067547A1 JP 2009006571 W JP2009006571 W JP 2009006571W WO 2010067547 A1 WO2010067547 A1 WO 2010067547A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
value
normal value
parameters
value range
Prior art date
Application number
PCT/JP2009/006571
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 CN200980149683.4A priority Critical patent/CN102245437B/zh
Priority to US13/133,484 priority patent/US8554403B2/en
Publication of WO2010067547A1 publication Critical patent/WO2010067547A1/ja

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
    • 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
    • B60W2050/0001—Details of the control system
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • B60W2050/005—Sampling
    • 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
    • B60W2050/0001—Details of the control system
    • B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
    • B60W2050/0052—Filtering, filters
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/10—Historical data

Definitions

  • the present invention relates to an apparatus for diagnosing a failure based on data stored in a storage device of an electronic control unit (ECU, Electronic Control Unit) of each vehicle during operation of the vehicle.
  • ECU Electronic 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.
  • Patent Document 3 describes qualitative processing of process data obtained from a monitoring target, and the obtained qualitative data and qualitative data of all cases. It is described that similarity is calculated and case data is extracted in descending order of similarity for all cases having a certain similarity.
  • the operation parameters that are directly related to the cause of the failure should be determined and the failure diagnosed. is important. That is, it is important to appropriately select a parameter to be noted from among operation parameters that are out of the normal value range.
  • the present invention identifies a parameter to be noted from among driving parameters that are out of the normal value range in a diagnosis device that performs vehicle failure diagnosis based on data recorded in an electronic control unit (ECU) of the vehicle. It is an object of the present invention to provide a diagnostic apparatus that can perform the above-described process.
  • ECU electronice control unit
  • the device of the present invention compares the operation data related to a plurality of parameters stored in the vehicle electronic control device when a vehicle failure occurs with a reference value which is a normal operation data serving as a reference. And perform fault diagnosis.
  • This device includes verification data that is driving data stored in an electronic control device of a vehicle that is a target of failure diagnosis, and a reference value group for each driving environment in which a normal value range is set for each parameter for each driving environment. And a reference value group for each operating environment that approximates the verification data as a whole.
  • the apparatus further includes means for comparing the verification data with a normal value range for each parameter of the selected reference value group for each operating environment to identify a parameter having a large deviation from the normal value range, A cause of failure is searched based on the identified parameter.
  • the reference value group for each driving environment is obtained by clustering driving data for a plurality of parameters obtained from a large number of vehicles by a clustering method, and each of the plurality of clusters formed in this way is a plurality of the plurality of parameters.
  • the parameter is formed by setting a normal value range of operation data.
  • the verification data is a numerical vector of a plurality of parameters at predetermined time intervals
  • the means for selecting the reference value group for each operating environment to be approximated includes each of the numerical vectors.
  • a core vector which is the center of gravity of the cluster of the reference value group, is calculated, and a reference value group having the smallest distance is selected for each numerical vector.
  • the cluster includes a primary cluster obtained by clustering a part of a plurality of parameters, and a numerical vector belonging to the primary cluster for a larger number of parameters than the part.
  • a clustering secondary cluster, and the means for selecting the cluster selects the primary cluster for the numerical vector of the verification data, and then selects the one having the smallest distance from the secondary clusters belonging to the primary cluster. It is configured as follows.
  • the deviation from the normal value range is determined by comparing the normal value range of the cluster selected corresponding to each of the plurality of numerical vectors of the verification data with the numerical vector, The determination is made using at least the ratio between the number of numerical vectors outside the value range and the number of numerical vectors of the verification data.
  • the deviation from the normal value range is obtained by comparing the normal value range of the cluster selected corresponding to each of the plurality of numerical vectors of the verification data with the numerical vector.
  • the parameter is determined using at least the difference between the numerical value of the numerical vector of the verification data deviating from the normal value range and the normal value range.
  • the deviation from the normal value range is obtained by comparing the normal value range of the cluster selected corresponding to each of the plurality of numerical vectors of the verification data with the numerical vector, and Then, the determination is made using at least the ratio of the number of numerical vectors deviating from the normal value range and the total number of numerical vectors.
  • 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, Normal value data serving as a reference corresponding to the verification data is extracted, and a failure diagnosis using a diagnostic machine is performed by comparing the values of the respective operation parameters.
  • 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 OBS contains data on many parameters (for example, 50-60, depending on the vehicle type) such as the output value of the air-fuel ratio sensor, the output value of the O2 sensor, the fuel injection time, and the air-fuel ratio.
  • 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 data reference value (normal value) is extracted from the OBS because of the great effort in collecting and accumulating data.
  • 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)
  • Primary clustering Primary clustering is roughly 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 malfunction. First, feature values of three operation parameters are extracted from each OBS.
  • 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.
  • Rn Parameters of OBS data obtained from n units (n is 1 to 13000) are represented by Rn, Vn, Tn, average values are represented by Rnav, Vnav, Tnav, maximum values are represented by Rnmx, Vnmx, Tnmx, and minimum values Is represented by Rnmn, Vnmn, Tnmn, and the average value of the inclination is represented by Rnin, Vnin, Tnin.
  • 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).
  • 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.
  • j be an integer from 1 to 20, and the core vector at the center of the j-th cluster is (Rav-cj, Rmx-cj, Rmn-cj, Rin-cj, Vav-cj, Vmx-cj, Vmn-cj, Vin-cj, Tav-cj, Tmx-cj, Tmn-cj, Tin-cj) Manhattan of the first time zone numeric vector in the above table and the core vector of each of the 20 clusters Dj The distance D1nj is calculated by the following equation.
  • D1nj
  • the Manhattan distance D2nj between the numerical vector of the second time zone and the cluster D2j of the second time zone in the above table is calculated by the following equation.
  • D2nj
  • 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 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.
  • Secondary clustering Next, 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 (Table 1) of all the parameters included in the cluster, and each primary cluster is changed to 30 secondary clusters. Classify. 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 30 final core vectors. In this way, 600 secondary clusters are formed.
  • 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, assume that a histogram as shown in Table 2 is obtained for one of the certain operating parameters. 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 group thus remaining, that is, the range of the operation parameter is set as the normal value range.
  • 0.0-0.1 and 0.3-0.7 are the normal value ranges.
  • 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 process proceeds from FIG. 4C to FIG.
  • time-series ECU data is read from the vehicle to be diagnosed by the diagnosis device 16 (FIG. 1).
  • This data is called verification data.
  • An example of the verification data is shown in Table 6.
  • An array of numerical values in each row of the verification data is called a numerical vector.
  • the parameters of the verification data are represented by Rn ′, Vn ′, Tn ′, the average values are represented by Rn′av, Vn′av, Tn′av, and the maximum The value is represented by Rn'mx, Vn'mx, Tn'mx, the minimum value is represented by Rn'mn, Vn'mn, Tn'mn, and the average value of the inclination is Rn'in, Vn'in, Represented by Tn'in.
  • the Manhattan distance from each of the 20 primary cluster core vectors obtained in the primary clustering stage is expressed by the above-described equation (1) and the feature quantity numeric vector for verification. Calculate by applying to. Of the 20 core vectors, the one with the shortest Manhattan distance is selected as the approximate primary cluster. Since this calculation is performed for five feature value numerical vectors, five approximate primary clusters are selected.
  • the five approximate primary clusters may include those that overlap each other. Alternatively, a plurality of approximate primary clusters may be obtained per feature value numerical vector, and the process may proceed to the next secondary cluster detection.
  • Each of the five (or more) approximate primary clusters selected as described above is subdivided into 30 secondary clusters.
  • the approximate primary cluster of the feature value numerical vectors in the first row in FIG. 6 is Vk, and similarly, the approximate primary clusters of the feature value numerical vectors in the second row, the third row, the fourth row, and the fifth row are the same.
  • Vm, Vn, Vo, and Vp respectively.
  • the primary cluster Vk is subdivided into 30 secondary clusters Vk1, Vk2,... Vk30. The same applies to the primary clusters Vm, Vn, Vo, and Vp.
  • the feature value numerical vector in the first row in FIG. 6 corresponds to the verification data in Table 6 for 3 seconds, that is, 15 rows.
  • the distances from the respective core vectors of 30 secondary clusters Vk1, Vk2,... Vk30 are calculated in the same manner as in the secondary clustering stage. Based on this calculation, the secondary cluster / core vector having the smallest distance is selected for each numerical value vector for verification.
  • the probability of deviation from the normal value (X value), the magnitude of deviation from the normal value range (Y value), and the continuous deviation degree ( Z value) is calculated.
  • the following table shows a comparative example of the numerical value (data value) of 75 numerical vectors for a certain driving parameter that is a candidate key for defect search and the normal value range of this driving parameter in the corresponding secondary cluster. . Abnormal judgment is entered in the row of the numerical vector whose data value is out of the normal value range, and normal judgment is entered in the row within the normal value range.
  • the probability of deviating from the normal value refers to the ratio of the number of lines deviating from the normal value to the total number of lines, and can be expressed by the following equation.
  • X total number of lines out of normal value ⁇ total number of lines
  • the magnitude of the deviation from the normal value is the distance between the line data value deviated from the normal value and the end of the normal value range by the width between the maximum and minimum values that the operating parameter can take, that is, the difference.
  • the numerical value vector (row) most different from the normal value is the 25th row, the data value is 15, and the normal value range is 4 to 9.
  • the degree of continuous divergence is the ratio of the maximum number of numerical vectors (number of rows) deviating from normal values in time series to the total number of rows and is expressed by the following equation.
  • Z Maximum value of the number of lines continuously deviating from the normal value ⁇ Total number of lines
  • the Y value (the magnitude of divergence) and the Z value (the degree of continuous divergence) increase.
  • the X value (probability of divergence) and Z value (continuous divergence) increase.
  • the X value (probability of divergence) and Y value (size of divergence) increase.
  • the X value and the Z value indicate the frequency and continuity regarding whether or not there is a divergence, and the Y value indicates the magnitude of the divergence.
  • parameters that characterize the symptoms for each symptom of the malfunction there are combinations of the X, Y, and Z values.
  • One or more parameters that are the key to search for the cause of failure obtained by the above analysis and the X value, Y value, and Z value for the parameter are displayed on the display device of the diagnostic machine 16 to the technician who maintains the vehicle. Presented as material printed above or with a printer. The engineer can estimate the cause of the vehicle trouble from these pieces of information and can maintain the vehicle.
  • the diagnostic machine 16 prepares a scatter diagram based on the X and Y values and a scatter diagram based on the Y and Z values in advance and presents them to the engineer to locate the failure location.
  • FIG. 7A is an example of a scatter diagram based on the X value and the Y value, and shows that the Y value is larger than the X value in the disconnection failure of the intake air temperature sensor.
  • the operating parameter uses the voltage of an IAT (Intake Air Temperature, intake air temperature) sensor.
  • IAT Intake Air Temperature, intake air temperature
  • FIG. 7B is an example of a scatter diagram based on the Y value and the Z value, and it is shown that the Z value is larger than the Y value for the parameter called the feedback voltage of the O2 sensor in the case of a failure in which impurities are mixed in the fuel. ing.
  • Diagnostic machine 16 can support the search for the cause of failure by applying association analysis to the above analysis results.
  • two parameters A and B which are closely related to the cause of the failure, are obtained X value (probability of divergence), Y value (deviation magnitude), Z value (continuous divergence), two parameters A and B If the X value, Y value, and Z value are the same, the higher Y value is ranked higher, but the actual cause of failure may be different.
  • the accelerator opening and the fuel injection amount of the injector are in a proportional relationship and have a strong correlation. If there is a failure that the injector is only half the normal fuel injection even if the accelerator is stepped on, if the accelerator opening is correct, the injector will be defective, and if the injector injection amount is correct This is a failure that the accelerator opening sensor outputs only half of the opening voltage.
  • the accelerator opening may be used as a failure parameter even though the injector is the cause of failure.
  • Association analysis is a method of numerically measuring the strength of correlation between parameters among operating parameters, and it is possible to know a parameter most correlated with a certain parameter with a coefficient of “reliability”.
  • the association analysis uses the “load amount” that is a parameter derived from the principal component analysis.
  • the load amount is a value defined for each original parameter and is a value indicating how much each parameter is related to the principal component obtained by principal component analysis.
  • the load amount is a value determined with respect to the relationship of each parameter with respect to each principal component, and should be referred to as a correlation coefficient between the value of the principal component of the ECU data (Table 1) and the operation parameter. The larger the absolute value of the load, the stronger the relationship between the main component and its operating parameters.
  • the following information can be obtained by association analysis.
  • This statement reads: “If A is included in a set of parameters (premise), B is also included in it (conclusion), the confidence of the rule is 90%, and support is 5%.” .
  • the reliability indicates the rate at which a conclusion can be reached under the presupposed condition.
  • Support refers to the ratio of this assumption and conclusion in the overall parameter set.
  • the parameter set including A includes B at a rate of 90%, and the parameter set including A and B is 5% of the total.
  • the parameters included in the assumptions and conclusions of these results are considered to be closely related.
  • the accuracy of failure analysis can be improved by applying association analysis to the present invention.

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

　車両の電子制御装置（ECU）に記録されたデータに基づいて車両の故障診断を行う。車両の故障発生時に車両の電子制御装置に記憶された複数のパラメータに関する運転データを、基準となる正常時の運転データである基準値と比較して故障診断を行う。この装置は、故障診断の対象となる車両の電子制御装置に記憶された運転データである検証用データと、運転環境別に前記パラメータごとに正常値範囲が設定されている運転環境別の基準値グループとの近似検索により、検証用データに近似する運転環境別の基準値グループを選択する。さらにこの装置は、検証用データを、選択された運転環境別の基準値グループのパラメータごとの正常値範囲と比較して正常値範囲からの乖離が大きいパラメータを識別し、識別されたパラメータに基づいて故障原因を探索する。

Description

車両の故障診断装置
　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に基づいて故障を診断する装置に関する。
　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装置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。
　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。
　車両で用いられる複雑な電子制御システムにおいては、運転パラメータの数が非常に多くそのそれぞれの運転パラメータの正常値範囲も運転環境(運転条件ともいう)に対応して存在しているため、この膨大な正常値データの中から診断対象となるＥＣＵデータ（検証用データ）に近い運転環境にある基準となるＥＣＵデータ（それぞれの運転パラメータが正常値範囲にあるデータ）を抽出することが大変難しい。また、多くのデバイスが協調した制御を行っており、一つの故障が発生すると、複数の運転パラメータに影響し、正常値からはずれることが少なくない。このため、正常値からはずれた運転パラメータと故障原因との関連付けに工夫が必要となる。
　このような工夫の例として、特開2003-15877（特許文献３）には、監視対象から得られたプロセスデータを定性化処理し、得られた定性化データと全事例の定性化データとの類似度を算出し、全事例のうち一定の類似度をもつものについて、類似度の高い順にその事例データを抽出することが記載されている。
　運転に関係するパラメータの数が多いほど、故障発生時に正常値データの範囲からはずれる運転パラメータも多くなり、この中から適切に不具合発生原因に直接関係する運転パラメータを判断し、故障診断を行うことが重要である。すなわち、正常値の範囲からはずれた運転パラメータの中から着目すべきパラメータを適切に選択することが重要になる。
特開昭62-261938 特開平6-95881 特開2003-15877
　したがって、この発明は、車両の電子制御装置（ECU）に記録されたデータに基づいて車両の故障診断を行う診断装置において、正常値の範囲からはずれた運転パラメータの中から着目すべきパラメータを識別することができる診断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、この発明の装置は、車両の故障発生時に車両の電子制御装置に記憶された複数のパラメータに関する運転データを、基準となる正常時の運転データである基準値と比較して故障診断を行う。この装置は、故障診断の対象となる車両の電子制御装置に記憶された運転データである検証用データと、運転環境別に前記パラメータごとに正常値範囲が設定されている運転環境別の基準値グループとの近似検索により、全体として前記検証用データに近似する運転環境別の基準値グループを選択する手段を備える。
　さらにこの装置は、前記検証用データを、前記選択された運転環境別の基準値グループの前記パラメータごとの正常値範囲と比較して正常値範囲からの乖離が大きいパラメータを識別する手段を備え、前記識別されたパラメータに基づいて故障原因を探索する。
　この発明の一形態では、運転環境別の基準値グループは、多数の車両から得られた複数のパラメータについての運転データをクラスタリング手法によりクラスタ化し、こうして形成された複数のクラスタのそれぞれにおいて前記複数のパラメータについて運転データの正常値範囲を設定して形成されている。
　さらに、この発明の一形態では、前記検証用データは、複数のパラメータの所定の時間間隔の数値ベクトルであり、前記近似する運転環境別の基準値グループを選択する手段は、それぞれの前記数値ベクトルと前記基準値グループのクラスタの重心であるコアベクトルとの距離を算出し、数値ベクトルごとに距離が最も小さい基準値グループを選択するよう構成されている。
　この発明のもう一つの形態では、前記クラスタは、複数のパラメータの内の一部のパラメータについてクラスタリングした１次クラスタと、この１次クラスタに属する数値ベクトルを前記一部よりも多い数のパラメータについてクラスタリングした２次クラスタとを含み、前記クラスタを選択する手段は、検証用データの数値ベクトルについて１次クラスタを選択し、次いでこの１次クラスタに属する２次クラスタから距離が最も小さいものを選択するよう構成されている。
　この発明の一形態では、前記正常値範囲からの乖離は、検証用データの複数の数値ベクトルのそれぞれに対応して選択された前記クラスタの正常値範囲と前記数値ベクトルとを比較し、この正常値範囲からはずれた数値ベクトルの数と前記検証用データの数値ベクトルの数との比を少なくとも使用して判定する。
　さらにこの発明の一形態では、前記正常値範囲からの乖離は、検証用データの複数の数値ベクトルのそれぞれに対応して選択された前記クラスタの正常値範囲と前記数値ベクトルとを比較し、あるパラメータについて、正常値範囲からはずれた前記検証用データの数値ベクトルの数値と正常値範囲との差を少なくとも使用して判定する。
　また、この発明の一形態では、正常値範囲からの乖離は、検証用データの複数の数値ベクトルのそれぞれに対応して選択された前記クラスタの正常値範囲と前記数値ベクトルとを比較し、連続して正常値範囲からはずれた数値ベクトルの数と数値ベクトルの全数との比を少なくとも使用して判定する。
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。 故障解析プロセスを示す機能ブロック図。 検証用データから作成される特徴量ベクトルの一例を示す図。 故障解析で得られるX値、Y値、Z値の散布図。
　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、この検証用データに対応する基準となる正常値データを抽出し、各運転パラメータの値を比較することにより、診断機を利用した故障診断を行う。
　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。実際には、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、これらをP4、P5、P6、・・・で示してある。
　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、まず正常値データである基準値について、その作成例をベースに基準値例を説明する。
　基準値の作成にあたっては、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様々の運転状況下での正常値データを収集することも可能であるが、膨大な量の走行テストが必要になり、データの収集、蓄積に大きな労力を有するため、本実施例ではOBSからデータの基準値（正常値）を抽出するようにしている。
　以下に基準値作成（ＯＢＳからの抽出）の考え方を説明する。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）
１．１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。
　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。
２．２次クラスタリング
　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（表１）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３０個の最終的なコアベクトルが求められる。こうして、６００個の２次クラスタが形成される。
３．正常値範囲の設定
　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次クラスタのそれぞれに含まれる数値ベクトルについて実行する。
　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。すなわち、運転パラメータについて６００の運転環境別に基準値範囲を生成することができる。
　次に、作成した６００の運転環境別の基準値範囲を利用した故障解析について説明する。
４．故障解析
　こうして得られた正常値データを利用して車両の故障解析を行なうには、まず、診断機16（図１）で故障車両の診断対象の車両から時系列のＥＣＵデータを読み取る。このデータを検証用データと呼ぶ。検証用データの例を表６に示す。この検証用データの各行の数値の配列を数値ベクトルと呼んでいる。表６は表１のものと同様であり、検証用データのパラメータをR’、V’、T’、P4’、P5’、P6’、・・・で示している。数値ベクトルは0.2秒間隔で15秒間にわたって記録されているので、一つの車両からは、75個（15/0.2=75）の数値ベクトルが得られる。図５を参照すると、ブロック52でこの表が作成される。
Figure JPOXMLDOC01-appb-T000006
４．１　近似する１次クラスタの検出
　図５のブロック53に移り、まず、正常値範囲を設定するプロセスの１次クラスタリング段階と同じ手法により、３つのパラメータ、すなわちエンジン回転数R(rpm)、車両速度（km/h）およびエンジン冷却水温T（℃）について、数値ベクトルを３秒間ごとにまとめて平均値、最大値、最小値、平均値の傾きを算出する。こうして得られる５つの特徴量数値ベクトルを図６に示す。この図は、図３に示したものと同様であり、検証用データのパラメータをRn’、Vn’、Tn’で表し、平均値をRn’av、Vn’av、Tn’avで表し、最大値をRn’mx、Vn’mx、Tn’mxで表し、最小値をRn’mn、Vn’mn、Tn’mn、で表し、傾き(inclination)の平均値をRn’in、Vn’in、Tn’inで表す。
　図６の５つの特徴量数値ベクトルのそれぞれについて、１次クラスタリング段階で求めた２０個の１次クラスタのコアベクトルのそれぞれとのマンハッタン距離を上述の数式(1)を検証用の特徴量数値ベクトルに適用して算出する。20個のコアベクトルのうちマンハッタン距離が最も小さいものを近似１次クラスタとして選択する。５つの特徴量数値ベクトルについてこの演算を行うので、５つの近似１次クラスタが選択される。５つの近似１次クラスタは互いに重複するものが含まれていてもよい。また、近似１次クラスタを一つの特徴量数値ベクトルあたり複数求めて、次の２次クラスタ検出に進んでもよい。
４．２　近似する２次クラスタの検出
　次にブロック55に進む。上記のようにして選択された５つ（または、より多数）の近似１次クラスタのそれぞれは、30個の２次クラスタに細分されている。いま、図６の１行目の特徴量数値ベクトルの近似１次クラスタがVkで、同様に２行目、３行目、４行目および５行目の特徴量数値ベクトルの近似１次クラスタがそれぞれVm、Vn、Vo、Vpであるとする。１次クラスタVkは、30個の２次クラスタVk1, Vk2, … Vk30に細分される。１次クラスタVm、Vn、Vo、Vpについても同様である。
　図６の１行目の特徴量数値ベクトルは、表６の検証用データの３秒間すなわち15行に対応する。表６の最初の15行の検証用数値ベクトルのそれぞれについて、30個の２次クラスタVk1, Vk2, … Vk30のそれぞれのコアベクトルとの距離を２次クラスタリング段階と同じ手法で演算する。この演算に基づき、それぞれの検証用数値ベクトルについて最も距離の小さい２次クラスタ・コアベクトルを選択する。
　図６の２行目から５行目の特徴量数値ベクトルについても、同様の演算を行い、それぞれ最も距離の小さい２次クラスタ・コアベクトルを選択する。こうして75個の検証用数値ベクトルに対応して75個の２次クラスタが得られる。この２次クラスタに関して、運転パラメータのそれぞれについて正常値の範囲が設定されている（図２のブロック39）。
４．３　パラメータ正常判定
　次にブロック57に進む。75個の検証用数値ベクトル（表６）と上記のようにして求められた75個の２次クラスタの正常値範囲とをその対応関係に従って比較し、データの値がこの正常値範囲からはずれた運転パラメータを不具合探索の候補キーとする。
　ブロック59に進み、こうして得られた不具合探索の候補キーの運転パラメータについて、正常値からの乖離の確率（X値）、正常値範囲からの乖離の大きさ（Y値）、および連続乖離度（Z値）を算出する。次の表は、不具合探索の候補キーとなったある運転パラメータについての75個の数値ベクトルの数値（データ値）と、対応する２次クラスタにおけるこの運転パラメータの正常値範囲との比較例を示す。データ値が正常値範囲からはずれた数値ベクトルの行に異常の判定が記入されており、正常値範囲に収まっている行に正常の判定が記入されている。
Figure JPOXMLDOC01-appb-T000007
　正常値から乖離した確率（X値）は、正常値からはずれた行数の全行数に対する割合をいい、次の式で表すことができる。
　　X = 正常値からはずれた行数の総和 ÷ 全行数
　表７の例では、 X = 5 ÷ 75 = 0.67 となる。
　正常値からの乖離の大きさ（Y値）は、正常値からはずれた一行データ値と正常値範囲の端までの距離を、その運転パラメータがとりうる最大値と最小値の幅、すなわち差で割って規格化(normalize)した値をいい、次の式で表すことができる。
Y = （正常値から最もはずれたデータ値 － 正常値範囲の端の値）
÷ (パラメータがとりうる値の最大値 － 最小値)
　表７の例では、正常値と最も乖離のある数値ベクトル（行）は25行目であり、そのデータ値は15、正常値範囲は4から9である。このパラメータがとりうる最小値が0、最大値が20であるとき、乖離の大きさYは、次のようになる。
　Y = (15 － 9) ÷ (20 － 0) = 0.3
　ここで規格化について説明する。運転パラメータは、温度、電圧、角度など様々の種類があり、そのデータ値はパラメータの種類によって単位が異なり、とりうる値の範囲も大きく異なる。たとえば、エンジン回転数はrpmで、0から5000の値をとり、各種のセンサの電圧はvoltで、0から5の値をとる。パラメータのY値を比較に使うとき、これらのパラメータの幅を同じ尺度に統一する必要がある。このことから、各パラメータについて最大値と最小値との幅を１とする処理をする。これが規格化である。
　連続乖離度（Z値）は、時系列的に連続して正常値からはずれた数値ベクトル（行数）の最大数の、全行数に対する割合で、次の式で表される。
　Z = 正常値から連続して乖離している行数の最大値 ÷ 全行数
　表７の例では、73行目、74行目、75行目の３つの行が連続して異常判定であり、他にはこれより長く連続している異常判定はない。この場合、乖離している最大行数は３である。したがって、連続乖離度Zは、次のようになる。
　Z = 3 ÷ 75 = 0.04
　車両の不具合の症状は千差万別であるが、大きく分けると次に３つである。
1)センサの断線、短絡などのように、ある時点で突然症状が発生し、この症状が継続する不具合、
2)燃料への不純物の混入のように微小な症状が長期間続く不具合、
3)接触不良のようになにかの拍子に一瞬だけでる症状が不定期に発生する不具合、
　1)の症状では、Y値（乖離の大きさ）およびZ値（連続乖離度）が大きくなる。2)の症状では、X値（乖離の確率）やZ値（連続乖離度）が大きくなる。3)の症状では、X値（乖離の確率）およびY値（乖離の大きさ）が大きくなる。X値およびZ値は、乖離の有無についての頻度、連続性を示し、Y値は乖離の大きさを示す。
　したがって、不具合の症状ごとに症状を特徴づけるパラメータがあり、そのX値、Y値、Z値の組み合わせがある。上記の解析により得られた故障原因を探索するキーとなる一つまたは複数のパラメータおよびそのパラメータについてのX値、Y値、Z値は、車両の整備をする技術者に診断機16のディスプレイ装置上で、またはプリンタで印刷した資料として提示される。技術者は、これらの情報から車両の不具合原因を推定し、車両の整備をすることができる。
　診断機16は、代表的な故障事例に基づいて、X値とY値による散布図、Y値とZ値による散布図を予め用意しておき、技術者に提示して、故障箇所を突き止める作業を支援することができる。図７(A)は、X値とY値による散布図の一例で、吸気温度センサの断線故障ではX値に比べてY値が大きいことが示されている。ここでの運転パラメータは、ＩＡＴ(Intake Air Temperature、吸入空気温度)センサの電圧を用いている。図７(B)は、Y値とZ値による散布図の一例で、燃料に不純物が混入した故障では、Ｏ2センサのフィードバック電圧というパラメータについて、Y値に比べてZ値が大きいことが示されている。
　診断機16は、上記の解析結果にアソーシエーション解析を適用して、故障原因の探求を支援することができる。故障原因と関係の深い２つのパラメータAおよびBについてX値（乖離の確率）、Y値（乖離の大きさ）、Z値（連続乖離度）が得られたとき、２つのパラメータA、BについてX値、Y値、Z値がそれぞれ同じであったならば、Y値の大きい方がランキング上位となるが、実際の故障原因とは異なることがある。
　たとえば、アクセルの開度とインジェクタの燃料噴射量は比例関係にあり、強い相関をもっている。「アクセルを踏んでもインジェクタが正規の半分の燃料噴射しかしない」という故障があったとき、アクセル開度が正しいとすればインジェクタが故障していることになり、インジェクタの噴射量が正しいとすればアクセル開度センサが半分の開度電圧しか出さないという故障である。
　クラスタリングでは、どちらかを正しいとしたグループに配分されるので、場合によってはインジェクタが故障原因であるのに、アクセル開度を不具合パラメータとしてしまうことが考えられる。
　このようなケースに対応するために、X値、Y値、Z値から想定される重要なパラメータと強い相関をもつパラメータを同時に示すことで、一方のパラメータに固執して誤った判断をすることを防ぐことができる。
　アソーシエーション解析は、運転パラメータの中でパラメータ同士の相関関係の強さを数値的に測る手法で、「信頼度」という係数をもって、あるパラメータと最も相関のあるパラメータを知ることができる。
　アソーシエーション解析は、主成分分析から導き出されるパラメータである「負荷量」を用いる。負荷量とは、元の各パラメータに定義される値で、主成分分析で得られる主成分に対して各パラメータがどの程度関係しているかを示す値である。負荷量は、それぞれの主成分に対する各パラメータの関係に対して決まる値で、上述のECUデータ（表１）の主成分の値と、運転パラメータとの相関係数ともいうべきものである。負荷量の絶対値が大きいほど、主成分とその運転パラメータとの関係が強い。
　アソーシエーション解析により、次のような情報を得ることができる。
　
　　　　前提　　　　結論　　　　信頼度　　　　　サポート
　　　　 A　　　　　 B　　　　　　90　　　　　　　 5
　この記述は、「Aが、あるパラメータの組に含まれるならば（前提）、Bもまたそこに含まれる（結論）というルールの信頼度が90％で、サポートが5％である」と読む。信頼度は、前提がなりたっている条件下において、結論が成り立つ割合を示す。サポートは、全体のパラメータの組において、この前提と結論が含まれる割合をいう。
　上の例では、Aを含むパラメータの組には90%の割合でBも含まれており、AとBを含むパラメータの組は全体の5%である。これらの結果の前提と結論に含まれるパラメータは関係が深いと考えられる。このように、この発明にアソーシエーション解析を適用して故障解析の精度を向上させることができる。
　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
３０　　　基準データ（正常値データ）生成装置

Claims (7)

  1. 　車両の故障発生時に該車両の電子制御装置に記憶された複数のパラメータに関する運転データを、基準となる正常時の運転データである基準値と比較して故障診断を行う診断装置であって、
    　故障診断の対象となる車両の電子制御装置に記憶された運転データである検証用データと、運転環境別に前記パラメータごとに正常値範囲が設定されている運転環境別の基準値グループとの近似検索により、全体として前記検証用データに近似する運転環境別の基準値グループを選択する手段と、
    　前記検証用データを、前記選択された運転環境別の基準値グループの前記パラメータごとの正常値範囲と比較して該正常値範囲からの乖離が大きいパラメータを識別する手段と、
    　を備え、前記識別されたパラメータに基づいて故障原因を探索する故障診断装置。
  2. 　前記運転環境別の基準値グループは、多数の車両から得られた前記複数のパラメータについての運転データをクラスタリング手法によりクラスタ化し、こうして形成された複数のクラスタのそれぞれにおいて前記複数のパラメータについて運転データの正常値範囲を設定して形成されている、請求項１に記載の故障診断装置。
  3. 　前記検証用データは、前記複数のパラメータの所定の時間間隔の数値ベクトルであり、前記近似する運転環境別の基準値グループを選択する手段は、それぞれの前記数値ベクトルと前記基準値グループのクラスタの重心であるコアベクトルとの距離を算出し、数値ベクトルごとに距離が最も小さい基準値グループを選択するよう構成されている、請求項２に記載の故障診断装置。
  4. 　前記クラスタは、前記複数のパラメータの内の一部のパラメータについてクラスタリングした１次クラスタと、該１次クラスタに属する数値ベクトルを前記一部のパラメータより多い数のパラメータについてクラスタリングした２次クラスタとを含み、前記近似する運転環境別の基準値グループを選択する手段は、前記検証用データの数値ベクトルについて１次クラスタを選択し、次いで該１次クラスタに属する２次クラスタから距離が最も小さいものを選択するよう構成されている、請求項３に記載の故障診断装置。
  5. 　前記正常値範囲からの乖離は、検証用データの複数の数値ベクトルのそれぞれに対応して選択された前記クラスタの正常値範囲と前記数値ベクトルとを比較し、該正常値範囲からはずれた数値ベクトルの数と前記検証用データの数値ベクトルの数との比を少なくとも使用して判定する、請求項２に記載の故障診断装置。
  6. 　前記正常値範囲からの乖離は、検証用データの複数の数値ベクトルのそれぞれに対応して選択された前記クラスタの正常値範囲と前記数値ベクトルとを比較し、あるパラメータについて、前記正常値範囲からはずれた前記検証用データの数値ベクトルの数値と正常値範囲との差を少なくとも使用して判定する、請求項２に記載の故障診断装置。
  7. 　前記正常値範囲からの乖離は、検証用データの複数の数値ベクトルのそれぞれに対応して選択された前記クラスタの正常値範囲と前記数値ベクトルとを比較し、連続して正常値範囲からはずれた数値ベクトルの数と数値ベクトルの全数との比を少なくとも使用して判定する、請求項２に記載の故障診断装置。
PCT/JP2009/006571 2008-12-10 2009-12-02 車両の故障診断装置 WO2010067547A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN200980149683.4A CN102245437B (zh) 2008-12-10 2009-12-02 车辆的故障诊断装置
US13/133,484 US8554403B2 (en) 2008-12-10 2009-12-02 Vehicle failure diagnostic device

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2008314436A JP4928532B2 (ja) 2008-12-10 2008-12-10 車両の故障診断装置
JP2008-314436 2008-12-10

Publications (1)

Publication Number Publication Date
WO2010067547A1 true WO2010067547A1 (ja) 2010-06-17

Family

ID=42242544

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2009/006571 WO2010067547A1 (ja) 2008-12-10 2009-12-02 車両の故障診断装置

Country Status (4)

Country Link
US (1) US8554403B2 (ja)
JP (1) JP4928532B2 (ja)
CN (1) CN102245437B (ja)
WO (1) WO2010067547A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012103680A1 (zh) * 2011-01-31 2012-08-09 Sheng Jin 带车载诊断系统的汽车行驶记录仪
CN103810374A (zh) * 2013-12-09 2014-05-21 中国矿业大学 一种基于mfcc特征提取的机器故障预测方法
CN111694341A (zh) * 2020-06-05 2020-09-22 中国第一汽车股份有限公司 一种故障数据存储方法、装置、车载设备及存储介质

Families Citing this family (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
JP5651442B2 (ja) * 2010-11-29 2015-01-14 矢崎総業株式会社 動作支援装置、電子機器、電子制御装置、及び、制御システム
CN102521827A (zh) * 2011-11-22 2012-06-27 上海电机学院 基于迭代不变区域直方图匹配的遥感图像变化检测方法
JP5899882B2 (ja) * 2011-12-08 2016-04-06 株式会社豊田中央研究所 障害診断システム及び障害診断方法
KR101711028B1 (ko) * 2012-05-04 2017-03-13 한국전자통신연구원 클러스터링 기법을 이용한 차량 이상상태 모니터링 장치 및 그 방법
JP5538475B2 (ja) * 2012-05-25 2014-07-02 本田技研工業株式会社 外部診断装置、車両診断システム及び車両診断方法
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
JP6146275B2 (ja) * 2013-11-27 2017-06-14 株式会社豊田中央研究所 障害診断支援システム、障害診断支援装置および障害診断支援方法
CN103777626A (zh) * 2014-01-22 2014-05-07 广东亿纬赛恩斯新能源系统有限公司 一种电动车的整车故障的诊断方法和诊断系统
CN103838229B (zh) * 2014-02-28 2017-01-18 武汉理工大学 电动汽车诊断方法和诊断装置
JP5978280B2 (ja) * 2014-11-20 2016-08-24 日立オートモティブシステムズ株式会社 車両用電子制御装置
FR3042888A1 (fr) * 2015-10-26 2017-04-28 Continental Automotive France Procede d'adaptation automatique des conditions d'etablissement de diagnostic par un systeme de diagnostic embarque
JP6443372B2 (ja) * 2016-03-24 2018-12-26 トヨタ自動車株式会社 車両用ソフトウェア割当てシステム
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
CN113759866A (zh) * 2016-05-24 2021-12-07 华为技术有限公司 一种存储信息的系统和装置
JP6620688B2 (ja) * 2016-06-29 2019-12-18 株式会社デンソー 電子制御装置
JP6786921B2 (ja) * 2016-07-12 2020-11-18 株式会社デンソー 運転支援システム及び運転支援方法
CN108254689B (zh) * 2016-12-29 2020-04-28 中国电信股份有限公司 电池组反极单体电池检测方法和系统
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
DE102017010716A1 (de) * 2017-11-10 2019-05-16 Knorr-Bremse Systeme für Nutzfahrzeuge GmbH System zum wenigstens teilautonomen Betrieb eines Kraftfahrzeugs mit doppelter Redundanz
JP6950481B2 (ja) * 2017-11-17 2021-10-13 株式会社デンソー 診断システム
JP7149098B2 (ja) 2018-04-24 2022-10-06 株式会社日立製作所 予兆診断装置及び方法
CN109532489B (zh) * 2018-10-19 2020-08-18 辽宁工业大学 一种基于数字化监测重型车辆发动机的监测系统和监测方法
JP7389808B2 (ja) * 2019-01-08 2023-11-30 タレス・カナダ・インク アクチュエータの対応する構成要素の劣化を検出、分離、及び推定するための方法及びシステム
KR20210026484A (ko) * 2019-08-30 2021-03-10 현대자동차주식회사 주행 중 차량 장비 수치 데이터를 이용하는 빅데이터 기반의 고장 원인 분석 시스템 및 그 방법
CN110823474B (zh) * 2019-09-27 2021-07-16 一汽解放汽车有限公司 一种燃油系统泄漏程度评估方法及存储介质
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
JP7247859B2 (ja) * 2019-10-25 2023-03-29 トヨタ自動車株式会社 検査用データ収集システム、および、検査用データ収集方法
CN111126449A (zh) * 2019-11-29 2020-05-08 合肥国轩高科动力能源有限公司 一种基于聚类分析的电池故障分类诊断方法
CN112529061B (zh) * 2020-12-03 2024-04-16 新奥数能科技有限公司 一种光伏功率异常数据的识别方法、装置及终端设备
CN112579340B (zh) * 2020-12-10 2023-03-21 潍柴动力股份有限公司 电子控制单元的数据校验方法、装置、设备及存储介质
JP7447855B2 (ja) * 2021-03-23 2024-03-12 トヨタ自動車株式会社 異常診断装置
JP2023044960A (ja) * 2021-09-21 2023-04-03 株式会社日立インダストリアルプロダクツ 機器診断システム

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0972828A (ja) * 1995-09-07 1997-03-18 Yazaki Corp 車両用多重通信システム及び車両用多重通信システムにおける負荷正常作動検査の漏れ検出方法
JPH09311094A (ja) * 1996-05-22 1997-12-02 Nissan Motor Co Ltd 車両用データ収集装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62261938A (ja) 1986-05-08 1987-11-14 Nissan Motor Co Ltd 故障診断装置
US5491631A (en) * 1991-12-25 1996-02-13 Honda Giken Kogyo Kabushiki Kaisha Fault diagnostic system for vehicles using identification and program codes
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
JP2003015877A (ja) 2001-06-28 2003-01-17 Kawasaki Heavy Ind Ltd 事例ベース推論方法および事例ベース推論装置
CN100436209C (zh) * 2003-12-03 2008-11-26 丰田自动车株式会社 车辆故障诊断系统
CN101286067A (zh) * 2008-05-22 2008-10-15 杨思念 车载式汽车故障诊断仪

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0972828A (ja) * 1995-09-07 1997-03-18 Yazaki Corp 車両用多重通信システム及び車両用多重通信システムにおける負荷正常作動検査の漏れ検出方法
JPH09311094A (ja) * 1996-05-22 1997-12-02 Nissan Motor Co Ltd 車両用データ収集装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012103680A1 (zh) * 2011-01-31 2012-08-09 Sheng Jin 带车载诊断系统的汽车行驶记录仪
CN103810374A (zh) * 2013-12-09 2014-05-21 中国矿业大学 一种基于mfcc特征提取的机器故障预测方法
CN111694341A (zh) * 2020-06-05 2020-09-22 中国第一汽车股份有限公司 一种故障数据存储方法、装置、车载设备及存储介质

Also Published As

Publication number Publication date
CN102245437B (zh) 2014-02-26
JP4928532B2 (ja) 2012-05-09
US8554403B2 (en) 2013-10-08
US20110313616A1 (en) 2011-12-22
CN102245437A (zh) 2011-11-16
JP2010137644A (ja) 2010-06-24

Similar Documents

Publication Publication Date Title
JP4928532B2 (ja) 車両の故障診断装置
JP4414470B1 (ja) 車両の故障診断のための基準値の生成
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
CN107463161B (zh) 预测飞行器中的故障的方法和系统以及监控系统
CN108563214B (zh) 车辆诊断方法、装置及设备
EP2678832B1 (en) Diagnostic baselining
DE102020103768B4 (de) Überwachung und Diagnose von Fahrzeugsystemproblemen mit Maschinenlern-Klassifikatoren
US6732063B2 (en) Method of identifying abnormal behavior in a fleet of vehicles
EP3776494A1 (en) Predictive vehicle diagnostics method
CN102096760B (zh) 在现场故障数据中检测异常
US9087421B2 (en) Diagnosis apparatus which supports fault reproduction, and method of outputting fault reproduction data
US20120303205A1 (en) Detecting anomalies in fault code settings and enhancing service documents using analytical symptoms
US10032322B2 (en) Validation tool for an aircraft engine monitoring system
CN103163877A (zh) 用于系统级故障的根本原因分析和质量监控的方法和系统
WO2008034583A1 (en) Diagnostic system and method for monitoring a rail system
CN114239734B (zh) 一种分布式车载健康管理系统
Singh et al. Data-driven framework for detecting anomalies in field failure data
EP4167040A1 (en) Fault model editor and diagnostic tool
EP4316918A1 (en) Vehicle abnormality detection device and vehicle abnormality detection method
WO2022259333A1 (ja) 学習方法
US20240046715A1 (en) Data driven identification of a root cause of a malfunction
EP2787205B1 (en) System for estimating a vehicle fuel consumption
CN117309410A (zh) 一种基于汽车排放和obd数据综合认知计算诊断故障的方法、系统及设备

Legal Events

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

Ref document number: 200980149683.4

Country of ref document: CN

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

Ref document number: 09831655

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 13133484

Country of ref document: US

122 Ep: pct application non-entry in european phase

Ref document number: 09831655

Country of ref document: EP

Kind code of ref document: A1