WO2021111726A1 - 故障診断装置、故障診断システム、故障診断方法および故障診断プログラム - Google Patents

故障診断装置、故障診断システム、故障診断方法および故障診断プログラム Download PDF

Info

Publication number
WO2021111726A1
WO2021111726A1 PCT/JP2020/037951 JP2020037951W WO2021111726A1 WO 2021111726 A1 WO2021111726 A1 WO 2021111726A1 JP 2020037951 W JP2020037951 W JP 2020037951W WO 2021111726 A1 WO2021111726 A1 WO 2021111726A1
Authority
WO
WIPO (PCT)
Prior art keywords
failure
vehicle
observation data
data
feature master
Prior art date
Application number
PCT/JP2020/037951
Other languages
English (en)
French (fr)
Inventor
坂田　正行
Original Assignee
日本電気株式会社
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 日本電気株式会社 filed Critical 日本電気株式会社
Priority to US17/781,121 priority Critical patent/US20220406103A1/en
Priority to JP2021562477A priority patent/JPWO2021111726A1/ja
Publication of WO2021111726A1 publication Critical patent/WO2021111726A1/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
    • G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
    • B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • 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
    • 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
    • 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
    • G07C2205/00—Indexing scheme relating to group G07C5/00
    • G07C2205/02—Indexing scheme relating to group G07C5/00 using a vehicle scan tool
    • 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

Definitions

  • the present invention relates to a failure diagnosis device for diagnosing a vehicle failure, a failure diagnosis system, a failure diagnosis method, and a failure diagnosis program.
  • Patent Document 1 describes a vehicle failure diagnosis device that predicts when a vehicle will break down.
  • the device described in Patent Document 1 holds a failure pattern showing the process until the vehicle control system fails in chronological order, and has a history of learned values and failures actually used in the vehicle control system of the vehicle in the past. Predict the failure time of the vehicle control system by comparing with the pattern.
  • Non-Patent Document 1 describes a method of extracting features from time series data.
  • the abnormal noise and odor of the vehicle that humans can perceive can be said to be a sign of failure. Therefore, it is possible to detect a sign of some kind of failure by introducing a sensor capable of detecting such abnormal noise or odor into the vehicle.
  • sensors for detecting such an event are not always provided in a general vehicle, and it is not realistic to equip a vehicle with all the sensors assumed for detecting a failure. Therefore, it is preferable that information for diagnosing a vehicle failure can be generated from information that can be collected in a general vehicle without introducing a special sensor or the like.
  • a failure pattern is generated from the relationship with the elapsed years, and a failure is predicted based on the failure pattern.
  • the device described in Patent Document 1 can predict a failure due to aged deterioration or the like, it cannot detect a sign of a failure that may occur in daily life.
  • an object of the present invention is to provide a failure diagnosis device, a failure diagnosis system, a failure diagnosis method, and a failure diagnosis program capable of generating information for diagnosing a sign of failure from the collected failure data of a vehicle. ..
  • the failure diagnosis device inputs failure data acquired from a vehicle when a failure occurs and observation data observed in time series by each device of the vehicle until immediately before the failure occurs. It is characterized by including an input means for receiving the above and a generation means for generating a feature master in which the content of the failure indicated by the failure data and the feature extracted from the corresponding observation data are associated with each other.
  • the failure diagnosis system includes the above-mentioned failure diagnosis device and a target vehicle for receiving information from the failure diagnosis device, and the failure diagnosis device includes a transmission means for transmitting the generated feature master to the target vehicle.
  • the computer receives the input of and generates a feature master in which the content of the failure indicated by the failure data and the feature extracted from the corresponding observation data are associated with each other.
  • the failure diagnosis program includes failure data acquired from a vehicle when a vehicle failure occurs on a computer, and observation data observed in time series on each device of the vehicle until immediately before the failure occurs. It is characterized by executing an input process for accepting the input of and a generation process for generating a feature master in which the content of the failure indicated by the failure data and the feature extracted from the corresponding observation data are associated with each other.
  • the present invention it is possible to generate information for diagnosing a sign of failure from the collected failure data of the vehicle.
  • FIG. 1 is a block diagram showing a configuration example of an embodiment of the failure diagnosis device according to the present invention.
  • the failure diagnosis device 100 of the present embodiment includes a storage unit 10, an input unit 20, a generation unit 30, and an output unit 40.
  • the storage unit 10 stores various information necessary for the failure diagnosis device 100 to perform processing. Further, the storage unit 10 may store failure data and observation data received by the input unit 20 described later.
  • the storage unit 10 is realized by, for example, a magnetic disk or the like.
  • the input unit 20 receives input of failure data acquired from the vehicle when a vehicle failure occurs and observation data observed in time series by each device in the vehicle until just before the failure occurs. .. Examples of devices include engines, water temperature sensors, batteries and the like. A general vehicle is equipped with a mechanism for outputting a DTC, which is a code indicating the details of a failure. Therefore, the input unit 20 may accept the input of the DTC as the failure data.
  • CAN Controller Area Network
  • ECU Electronic Control Unit
  • the input unit 20 may accept the input of the communication data defined by the CAN protocol as the observation data.
  • the input unit 20 may accept input of data acquired by OBD (On-board diagnostics) as observation data.
  • Data acquired by OBD includes engine speed and speed, battery status, water temperature, and the like.
  • the mode of the failure data and the observation data is arbitrary, and the mode of each data may be determined in advance according to the information required for the generation unit 30 described later to perform the processing.
  • the generation unit 30 generates a feature master that associates the details of the failure indicated by the failure data with the features extracted from the corresponding observation data. That is, the generation unit 30 analyzes the characteristics of the failure that has occurred, which is indicated by the observation data up to the latest of the failure. This is because the data up to just before the failure is considered to include features that indicate a sign of the failure. Since the feature master represents a pattern indicating a sign of failure, the feature master can be called a pattern file.
  • the method in which the generation unit 30 generates the feature master is arbitrary.
  • the generation unit 30 may generate a feature master by extracting a portion having common features from a plurality of observation data regarding the same failure content collected.
  • the generation unit 30 divides the time-series observation data into a plurality of segments to generate partial time-series observation data, extracts features for each segment, and generates a feature master including those features. You may.
  • the generation unit 30 may perform a model-free analysis described in Non-Patent Document 1 on the observation data acquired in time series.
  • Model-free analysis is a technique for collating the similarity between the present and the past with respect to observation data such as sensor values acquired in time series, and is a technique for determining when the current state is similar to when in the past.
  • model-free analysis determines whether the collected past failure states are similar to the currently acquired observational data.
  • any other analysis method may be used as long as it is an analysis method capable of determining which state in the past the current observation data is similar to.
  • the generation unit 30 may learn the observation data acquired in time series by deep learning to generate a feature extraction engine according to the system. Then, even if the generation unit 30 extracts features from the observation data using the generated feature extraction engine and generates a feature master in which the extracted features are associated with the details of the failure indicated by the corresponding failure data. Good.
  • the generation unit 30 may generate a feature master for each type of vehicle (vehicle type).
  • vehicle type vehicle type
  • the generation unit 30 may group the failure data and the observation data for each vehicle of the same type, and generate a feature master for the grouped failure data and the observation data.
  • the generation unit 30 may determine whether or not the feature master includes a pattern capable of predicting a failure. Then, when it is determined that the pattern that can predict the failure is not included, the generation unit 30 may decide to generate the feature master from the further failure data and the observation data. For example, when the probability of failure that can be detected based on the characteristics of the observation data corresponding to the failure data by cross-validation or the like does not exceed a predetermined threshold value (for example, 80%), the generation unit 30 causes the failure. It may be determined that the pattern does not include a predictable pattern.
  • a predetermined threshold value for example, 80%
  • the generation unit 30 of the present embodiment extracts the failure characteristics (relationships) from a plurality of data (observation data), and the characteristics (feature master) showing the same transition from the plurality of data. ) Is derived. For example, suppose that a pattern is collected in which an engine fails due to overheating (abnormal cooling water temperature). Here, it is assumed that whether or not the observation data has changed in a pattern similar to a certain input data is compared with the feature master. As a result of this comparison, for example, 60% is an abnormality of the fan, 20% is an abnormality of the engine speed, 10% is a cause caused by the temperature, and 10% is other.
  • the data is worrisome about the engine speed abnormality, which has the second highest probability. This is because it is possible that the engine overheated due to the frictional heat of the engine cylinder. Then, if an abnormality occurs in the engine speed in such a feature, the possibility of overheating increases. It can be said that such a state has found a sign. When it can be said that the generation unit 30 has found such a sign, it may be determined that the feature master includes a pattern capable of predicting a failure.
  • the generation unit 30 determines that the sign has not been caught, and performs processing using further data.
  • the generation unit 30 may further perform a feature master generation process.
  • the output unit 40 outputs the generated feature master.
  • the output unit 40 may transmit the feature master to the vehicle.
  • the input unit 20, the generation unit 30, and the output unit 40 are realized by a computer processor (for example, a CPU (Central Processing Unit), a GPU (Graphics Processing Unit)) that operates according to a program (fault diagnosis program).
  • a computer processor for example, a CPU (Central Processing Unit), a GPU (Graphics Processing Unit)
  • the program may be stored in the storage unit 10
  • the processor may read the program and operate as an input unit 20, a generation unit 30, and an output unit 40 according to the program.
  • the function of the failure diagnosis device 100 may be provided in the SaaS (Software as a Service) format.
  • the input unit 20, the generation unit 30, and the output unit 40 may be realized by dedicated hardware, respectively.
  • a part or all of each component of each device may be realized by a general-purpose or dedicated circuit (circuitry), a processor, or a combination thereof. These may be composed of a single chip or may be composed of a plurality of chips connected via a bus.
  • a part or all of each component of each device may be realized by a combination of the above-mentioned circuit or the like and a program.
  • each component of the failure diagnosis device 100 when a part or all of each component of the failure diagnosis device 100 is realized by a plurality of information processing devices and circuits, the plurality of information processing devices and circuits may be centrally arranged. It may be distributed.
  • the information processing device, the circuit, and the like may be realized as a form in which each of the client-server system, the cloud computing system, and the like is connected via a communication network.
  • FIG. 2 is a flowchart showing an operation example of the failure diagnosis device 100 of the present embodiment.
  • the input unit 20 receives the input of the failure data and the observation data (step S11).
  • the generation unit 30 generates a feature master in which the content of the failure indicated by the failure data and the feature extracted from the corresponding observation data are associated with each other (step S12).
  • the output unit 40 outputs the generated feature master (step S13).
  • the input unit 20 receives the input of the failure data and the observation data
  • the generation unit 30 has the characteristics of the failure content indicated by the failure data and the feature extracted from the corresponding observation data. Generate a feature master associated with. Therefore, it is possible to generate information for diagnosing a sign of failure from the collected failure data of the vehicle.
  • the feature master generated in the present embodiment includes the features of the observation data observed up to immediately before the failure in the vehicle. Therefore, by using this feature master, it is possible to diagnose a sign of failure such as a peculiar change.
  • Embodiment 2 Next, a second embodiment of the present invention will be described.
  • a method of detecting a sign of failure in the vehicle will be described using the feature master generated in the first embodiment.
  • failure data and observation data are collected from the vehicle and the feature master generated from these data is distributed to the vehicle.
  • FIG. 3 is a block diagram showing a configuration example of an embodiment of the failure diagnosis system according to the present invention.
  • the failure diagnosis system 1 of the present embodiment includes a failure diagnosis device 110 and a vehicle 200.
  • the failure diagnosis device 110 and the vehicle 200 are connected to each other via a communication line. Further, in the example shown in FIG. 3, two vehicles 200 are described, but the number of vehicles 200 is not limited to two, and may be one or three or more.
  • the vehicle 200 includes a storage unit 210, a control unit 220, and a transmission unit 230.
  • the device including the storage unit 210, the control unit 220, and the transmission unit 230 can be referred to as a vehicle control device that controls the vehicle 200.
  • the storage unit 210 stores various information necessary for the vehicle 200 to perform processing. Specifically, the storage unit 210 stores the observation data observed in the own vehicle and the failure data output when the failure is detected. Further, the storage unit 210 stores the feature master generated by the failure diagnosis device 110.
  • the storage unit 210 is realized by, for example, a magnetic disk, an SD memory card, or the like.
  • the control unit 220 acquires the observation data observed in the vehicle 200 and stores it in the storage unit 210. When a failure occurs in the vehicle 200, the control unit 220 detects the failure in the vehicle and stores the failure data in the storage unit 210.
  • control unit 220 of the present embodiment determines the similarity between the characteristics of the observation data included in the feature master and the features of the observation data acquired at any time by the own vehicle, and detects a sign of failure. Specifically, the control unit 220 may detect a sign of failure by constantly comparing the observation data observed at any time while the vehicle is in operation with the feature master. The method in which the control unit 220 extracts the features of the observation data is the same as the method in which the generation unit 30 extracts the features of the observation data.
  • FIG. 4 is an explanatory diagram showing an example of processing for detecting a sign of failure.
  • the control unit 220 compares the patterns of the feature master 51 created in advance with the CAN data 52 which is the observation data, and if they match (or have a certain degree of similarity), there is a sign of failure. You may judge. At that time, the control unit 220 may output some alert to a display device (not shown).
  • the control unit 220 may determine the similarity of the time series data set by using, for example, the method described in Non-Patent Document 1.
  • FIG. 4 illustrates the case where there is one feature master
  • the feature master to be compared by the control unit 220 is not limited to one. Since the feature master is created for each type of failure, the control unit 220 may compare the observation data with each feature master created for each type of failure.
  • the transmission unit 230 transmits the acquired failure data and observation data to the failure diagnosis device 110.
  • the failure data and observation data stored in the storage unit 210 may be manually input to the failure diagnosis device 110.
  • the failure diagnosis device 110 includes a storage unit 10, an input unit 20, a generation unit 30, and an output unit 41. That is, the failure diagnosis device 110 of the present embodiment has the same configuration as the failure diagnosis device 100 of the first embodiment. However, the output unit 41 of the present embodiment has an additional function of transmitting the feature master to the vehicle 200 as compared with the output unit 40 of the first embodiment.
  • the output unit 41 transmits the generated feature master to the vehicle 200. At this time, the output unit 41 may transmit the generated feature master to a vehicle other than the failed vehicle. By transmitting the feature master to the vehicle 200 other than the vehicle for which the failure data has been collected in this way, it is possible to detect a sign of failure in the other vehicle 200 in which the failure has not occurred.
  • the output unit 41 may transmit the corresponding feature master for the same type of vehicle. Since the sign of failure is likely to be similar to that of a vehicle of the same type, this makes it possible to improve the accuracy of detecting the sign of failure.
  • control unit 220 and the transmission unit 230 are realized by a computer processor that operates according to a program (control program). Further, the input unit 20, the generation unit 30, and the output unit 41 are realized by a computer processor that operates according to a program (fault diagnosis program).
  • FIG. 5 is a flowchart showing an operation example of the failure diagnosis system 1 of the present embodiment.
  • the process until the failure diagnosis device 110 generates the feature master is the same as the process from step S11 to step S12 illustrated in FIG.
  • the output unit 41 transmits the generated feature master to the vehicle 200 (step S21).
  • the control unit 220 of the vehicle 200 stores the feature master received from the failure diagnosis device 110 in the storage unit 210 in the vehicle 200 (step S22). Further, the control unit 220 acquires the observation data of the own vehicle at any time (step S23), and determines the similarity between the characteristics of the observation data included in the feature master and the characteristics of the acquired observation data (step S24). When it is determined that the two are similar (Yes in step S24), the control unit 220 outputs an alert to the effect that a sign of failure has been detected (step S25). On the other hand, when it is determined that the two are not similar (No in step S24), the processes after step S23 for acquiring the observation data are repeated.
  • the output unit 41 transmits the generated feature master to the vehicle 200, and the control unit 220 of the vehicle 200 sends the generated feature master to the received feature master.
  • the sign of failure is detected. Therefore, in addition to the effect of the first embodiment, it becomes possible to determine the sign of vehicle failure in real time.
  • FIG. 6 is a block diagram showing an outline of the failure diagnosis device according to the present invention.
  • the failure diagnosis device 80 (for example, the visual inspection device 100) according to the present invention includes failure data (for example, DTC) acquired from a vehicle when a failure occurs, and the vehicle immediately before the failure occurs.
  • failure data for example, DTC
  • Input unit 81 (for example, input) that accepts input with observation data (for example, engine rotation speed and speed, battery status, water temperature, etc.) observed in time series by each device (for example, engine, water temperature sensor, battery)
  • observation data for example, engine rotation speed and speed, battery status, water temperature, etc.
  • a unit 20 and a generation unit 82 (for example, a generation unit 30) that generates a feature master in which the content of the failure indicated by the failure data and the features extracted from the corresponding observation data are associated with each other are provided.
  • the generation unit 82 may divide the time-series observation data into a plurality of segments to generate partial time-series observation data, extract the features of the observation data for each segment, and generate a feature master. Good.
  • the input unit 81 may accept input of DTC indicating failure data and communication data indicating observation data or data acquired by OBD.
  • FIG. 7 is a block diagram showing an outline of the failure diagnosis system according to the present invention.
  • the failure diagnosis system 70 (for example, the failure diagnosis system 1) according to the present invention includes the above-mentioned failure diagnosis device 80 and a target vehicle 90 (for example, a vehicle 200) for receiving information from the failure diagnosis device 80.
  • the failure diagnosis device 80 further includes a transmission unit 83 (for example, an output unit 41) that transmits the generated feature master to the target vehicle 90.
  • the target vehicle 90 determines the similarity between the characteristics of the observation data included in the received feature master and the observation data acquired at any time by the own target vehicle 90, and detects a sign of failure indicated by the corresponding failure data.
  • a control unit 91 (for example, a control unit 220) is included.
  • the generation unit 82 may generate a feature master for each type of vehicle, and the transmission unit 83 may transmit the corresponding feature master for the target vehicle of the same type. This makes it possible to improve the accuracy of detecting a sign of failure.
  • Failure diagnosis system 10 Storage unit 20 Input unit 30 Generation unit 40, 41 Output unit 100, 110 Failure diagnosis device 200 Vehicle 210 Storage unit 220 Control unit 230 Transmission unit

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Mechanical Engineering (AREA)
  • Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

故障診断装置８０は、入力部８１と、生成部８２とを備えている。入力部８１は、車両の故障が発生した際にその車両から取得される故障データと、その故障が発生する直前までに車両の各デバイスで時系列に観測される観測データとの入力を受け付ける。生成部８２は、故障データが示す故障の内容と、対応する観測データから抽出される特徴とを対応付けた特徴マスタを生成する。

Description

故障診断装置、故障診断システム、故障診断方法および故障診断プログラム
　本発明は、車両の故障を診断する故障診断装置、故障診断システム、故障診断方法および故障診断プログラムに関する。
　現在、一般的な車両には、発生した故障の内容を把握する仕組みが備わっている。具体的には、車両に故障が発生するとＤＴＣ（Diagnostic Trouble Code ）が出力され、出力されたＤＴＣを読み解くことで、車両に発生した要因（故障個所や不具合内容）を調べることが可能になる。
　一方、車両が故障した後で対応するのではなく、事前に故障の予兆を検出し、車両が故障する前に修理を行えることが好ましい。この点に関し、例えば、特許文献１には、車両が故障する時期を予測する車両故障診断装置が記載されている。特許文献１に記載された装置は、車両制御系が故障するまでの過程を時系列にあらわした故障パターンを保持し、車両の車両制御系で過去において実際に用いられた学習値の履歴と故障パターンとを比較して車両制御系の故障時期を予測する。
　なお、非特許文献１には、時系列データから特徴を抽出する方法が記載されている。
特開２００６－５３０１６号公報
Dongjin Song, Ning Xia, Wei Cheng, Haifeng Chen, Dacheng Tao, "Deep r-th Root Rank Supervised Joint Binary Embedding for Multivariate Time Series Retrieval", KDD '18 Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, pp.2229-2238, August, 2018.
　人間が感じ取ることのできる車両の異音や異臭は、故障の予兆とも言える。そのため、このような異音や異臭を検知できるようなセンサを車両に導入することで、何らかの故障の予兆を検知することは可能である。しかし、必ずしもこのような事象を検知するためのセンサが一般的な車両に備わっているわけではなく、故障を検知するために想定される全てのセンサを車両に搭載することは現実的ではない。そのため、特別なセンサ等を導入することなく、一般的な車両において収集可能な情報から、車両の故障を診断するための情報を生成できることが好ましい。
　また、特許文献１に記載された車両故障診断装置では、経過年月との関係から故障パターンを生成し、その故障パターンに基づいて故障を予測する。しかし、特許文献１に記載された装置は、経年劣化等による故障の予測ができたとしても、日常において発生し得る故障の予兆まで検知することはできない。
　そこで、本発明では、収集された車両の故障データから、故障の予兆を診断するための情報を生成できる故障診断装置、故障診断システム、故障診断方法および故障診断プログラムを提供することを目的とする。
　本発明による故障診断装置は、車両の故障が発生した際にその車両から取得される故障データと、その故障が発生する直前までに車両の各デバイスで時系列に観測される観測データとの入力を受け付ける入力手段と、故障データが示す故障の内容と、対応する観測データから抽出される特徴とを対応付けた特徴マスタを生成する生成手段とを備えたことを特徴とする。
　本発明による故障診断システムは、上記故障診断装置と、故障診断装置からの情報を受信する対象車両とを備え、故障診断装置が、生成された特徴マスタを対象車両に送信する送信手段を含み、対象車両が、受信した特徴マスタに含まれる観測データの特徴と、自対象車両で随時取得される観測データとの類似性を判断して、対応する故障データが示す故障の予兆を検知する制御手段を含むことを特徴とする
　本発明による故障診断方法は、コンピュータが、車両の故障が発生した際にその車両から取得される故障データと、その故障が発生する直前までに車両の各デバイスで時系列に観測される観測データとの入力を受け付け、コンピュータが、故障データが示す故障の内容と、対応する観測データから抽出される特徴とを対応付けた特徴マスタを生成することを特徴とする。
　本発明による故障診断プログラムは、コンピュータに、車両の故障が発生した際にその車両から取得される故障データと、その故障が発生する直前までに車両の各デバイスで時系列に観測される観測データとの入力を受け付ける入力処理、および、故障データが示す故障の内容と、対応する観測データから抽出される特徴とを対応付けた特徴マスタを生成する生成処理を実行させることを特徴とする。
　本発明によれば、収集された車両の故障データから、故障の予兆を診断するための情報を生成できる。
本発明による故障診断装置の一実施形態の構成例を示すブロック図である。 故障診断装置の動作例を示すフローチャートである。 本発明による故障診断システムの一実施形態の構成例を示すブロック図である。 故障の予兆を検知する処理の例を示す説明図である。 故障診断システムの動作例を示すフローチャートである。 本発明による故障診断装置の概要を示すブロック図である。 本発明による故障診断システムの概要を示すブロック図である。
　以下、本発明の実施形態を図面を参照して説明する。
実施形態１．
　図１は、本発明による故障診断装置の一実施形態の構成例を示すブロック図である。本実施形態の故障診断装置１００は、記憶部１０と、入力部２０と、生成部３０と、出力部４０とを備えている。
　記憶部１０は、故障診断装置１００が処理を行うために必要な各種情報を記憶する。また、記憶部１０は、後述する入力部２０が受け付けた故障データや観測データを記憶してもよい。記憶部１０は、例えば、磁気ディスク等により実現される。
　入力部２０は、車両の故障が発生した際にその車両から取得される故障データ、および、その故障が発生する直前までに車両内の各デバイスで時系列に観測される観測データの入力を受け付ける。デバイスの例として、エンジンや水温センサ、バッテリーなどが挙げられる。一般的な車両には、故障内容を示すコードであるＤＴＣを出力する仕組みが備わっている。そこで、入力部２０は、故障データとしてＤＴＣの入力を受け付けてもよい。
　また、車載ネットワークにおける電子制御ユニット（ＥＣＵ：Electronic Control Unit ）の通信プロトコルとして、ＣＡＮ（Controller Area Network ）が利用されることも多い。そこで、入力部２０は、観測データとしてＣＡＮプロトコルで規定された通信データの入力を受け付けてもよい。他にも、入力部２０は、観測データとしてＯＢＤ（On-board diagnostics）で取得されるデータの入力を受け付けてもよい。ＯＢＤで取得されるデータとして、エンジンの回転数や速度、バッテリーの状態、水温などが挙げられる。
　なお、故障データおよび観測データの態様は任意であり、後述する生成部３０が処理を行うために必要な情報に応じて、各データの態様を予め定めておけばよい。
　生成部３０は、故障データが示す故障の内容と、対応する観測データから抽出される特徴とを対応付けた特徴マスタを生成する。すなわち、生成部３０は、発生した故障について、その故障の直近までの観測データが示す特徴を分析する。故障が発生する直前までのデータには、その故障の予兆を示す特徴が含まれていると考えられるからである。なお、特徴マスタは、故障の予兆を示すパターンを表わすことから、特徴マスタのことをパターンファイルと言うことができる。
　生成部３０が特徴マスタを生成する方法は任意である。生成部３０は、例えば、収集された同一の故障内容に関する複数の観測データから、特徴が共通する部分を抽出して特徴マスタを生成してもよい。
　なお、車両で取得される観測データとの比較に特徴マスタを用いることを考慮すると、観測データの特徴をコンパクトな形態で抽出できることが好ましい。そこで、生成部３０は、時系列の観測データを複数のセグメントに分割して部分的な時系列の観測データを生成し、セグメントごとに特徴を抽出して、それらの特徴を含む特徴マスタを生成してもよい。
　例えば、生成部３０は、時系列に取得された観測データに対して、非特許文献１に記載されているモデルフリー分析を行ってもよい。モデルフリー分析は、時系列に取得されるセンサ値などの観測データについて現在と過去の類似性を照合する技術であり、現在の状態が過去のいつの状態と類似しているか判定する技術である。本実施形態では、モデルフリー分析により、収集された過去の故障状態が現在取得される観測データと類似しているか否かが判定される。また、ここでは、モデルフリー分析を用いて説明したが、現在の観測データが過去のどの状態と類似しているか判定可能な分析手法であれば他の分析手法であってもよい。
　具体的には、生成部３０は、時系列に取得された観測データを、ディープラーニングにより学習して、システムに応じた特徴抽出エンジンを生成してもよい。そして、生成部３０は、生成した特徴抽出エンジンを用いて観測データから特徴を抽出し、抽出された特徴と、対応する故障データが示す故障の内容とを対応付けた特徴マスタを生成してもよい。
　また、生成部３０は、車両の種類（車種）ごとに特徴マスタを生成してもよい。この場合、生成部３０は、同種の車両ごとに故障データおよび観測データをグループ化し、グループ化された故障データおよび観測データに対して特徴マスタを生成すればよい。
　なお、故障データの量や質によって、十分な特徴マスタが生成できない場合もある。そこで、生成部３０は、特徴マスタに故障の予測ができるパターンを含むか否か判断してもよい。そして、故障の予測ができるパターンを含んでいないと判断した場合、生成部３０は、さらなる故障データおよび観測データから、特徴マスタを生成すると決定してもよい。例えば、交差検証等により、故障データに対応する観測データの特徴をもとに検出できる故障の確率が、予め定めた閾値（例えば、８０％）を越えていない場合、生成部３０は、故障の予測ができるパターンを含んでいないと判断してもよい。
　以下、具体例を用いて、本実施形態の生成部３０の動作を説明する。本実施形態の生成部３０は、上述するように、複数のデータ（観測データ）から故障の特徴（関係性）を抽出するものであり、複数のデータから同じような推移を示す特徴（特徴マスタ）を導出するものである。例えば、オーバーヒート（冷却水異常温度）でエンジンが故障したというパターンを収集していたとする。ここで、ある入力データと同じようなパターンで観測データが推移することがあったか否かを特徴マスタと比較するとする。この比較の結果、例えば、６０％がファンの異常、２０％がエンジン回転数の異常、１０％が気温に起因する原因、１０％がその他、という内容が出力される。
　なお、これは、あくまでも、入力データに対する関係性（一致度合い）の可能性を出力するものであり、必ずしも、その結果が正しいとは限らない。また、確率が最も高かったとしても、それだけが原因とも限らない。通常、冷却水温度が上昇する理由として、ファンが故障したことを真っ先に疑うためである。
　ここで、二番目に確率の高いエンジン回転数異常が気になるデータであったとする。エンジン気筒の摩擦熱でエンジンがオーバーヒートした可能性も考えられるからである。そして、このような特徴においてエンジン回転数の異常が発生すると、オーバーヒートになると言える可能性が高まる。このような状態が、予兆を見つけた状態と言える。生成部３０は、このような予兆を見つけたと言える場合に、故障の予測ができるパターンを特徴マスタが含んでいると判断してもよい。
　一方で、入力データとの比較の結果、９９％がファンの異常、１％がその他、という内容であったとする。この場合、すでに分かっているパターンであることから、生成部３０は、予兆をとらえられなかったと判断して、さらなるデータを用いた処理を行う。
　なお、このようなパターンを含む特徴マスタを用いれば、実際に故障が発生する前に予兆を検知できるため、同じパターンの異常は生じない可能性が高い。ただし、例えば、同じようにエンジン回転数に異常が現れる場合、違ったパターンによりエンジン回転数の異常が発生したと考えられる。この場合、生成部３０は、さらに特徴マスタの生成処理を行ってもよい。
　出力部４０は、生成された特徴マスタを出力する。出力部４０は、特徴マスタを車両に対して送信してもよい。
　入力部２０と、生成部３０と、出力部４０とは、プログラム（故障診断プログラム）に従って動作するコンピュータのプロセッサ（例えば、ＣＰＵ（Central Processing Unit ）、ＧＰＵ（Graphics Processing Unit））によって実現される。例えば、プログラムは、記憶部１０に記憶され、プロセッサは、そのプログラムを読み込み、プログラムに従って、入力部２０、生成部３０、および、出力部４０として動作してもよい。また、故障診断装置１００の機能がＳａａＳ（Software as a Service ）形式で提供されてもよい。
　また、入力部２０と、生成部３０と、出力部４０とは、それぞれが専用のハードウェアで実現されていてもよい。また、各装置の各構成要素の一部又は全部は、汎用または専用の回路（circuitry ）、プロセッサ等やこれらの組合せによって実現されてもよい。これらは、単一のチップによって構成されてもよいし、バスを介して接続される複数のチップによって構成されてもよい。各装置の各構成要素の一部又は全部は、上述した回路等とプログラムとの組合せによって実現されてもよい。
　また、故障診断装置１００の各構成要素の一部又は全部が複数の情報処理装置や回路等により実現される場合には、複数の情報処理装置や回路等は、集中配置されてもよいし、分散配置されてもよい。例えば、情報処理装置や回路等は、クライアントサーバシステム、クラウドコンピューティングシステム等、各々が通信ネットワークを介して接続される形態として実現されてもよい。
　次に、本実施形態の動作例を説明する。図２は、本実施形態の故障診断装置１００の動作例を示すフローチャートである。
　入力部２０は、故障データと観測データとの入力を受け付ける（ステップＳ１１）。生成部３０は、故障データが示す故障の内容と、対応する観測データから抽出される特徴とを対応付けた特徴マスタを生成する（ステップＳ１２）。出力部４０は、生成した特徴マスタを出力する（ステップＳ１３）。
　以上のように、本実施形態では、入力部２０が、故障データと観測データとの入力を受け付け、生成部３０が、故障データが示す故障の内容と、対応する観測データから抽出される特徴とを対応付けた特徴マスタを生成する。よって、収集された車両の故障データから、故障の予兆を診断するための情報を生成できる。
　すなわち、本実施形態で生成される特徴マスタは、故障が生じた車両において、その直前までに観測された観測データの特徴を含むものである。そのため、この特徴マスタを用いることで、例えば、特異な変化など、故障の予兆を診断することが可能になる。
実施形態２．
　次に、本発明の第二の実施形態を説明する。第二の実施形態では、第一の実施形態で生成される特徴マスタを用いて、車両における故障の予兆を検知する方法を説明する。本実施形態では、車両から故障データおよび観測データを収集し、これらのデータから生成された特徴マスタを車両に配布する形態を想定する。
　図３は、本発明による故障診断システムの一実施形態の構成例を示すブロック図である。本実施形態の故障診断システム１は、故障診断装置１１０と、車両２００とを備えている。
　故障診断装置１１０と車両２００とは通信回線を介して相互に接続される。また、図３に示す例では、車両２００が２台記載されているが、車両２００の数は２台に限定されず、１台であってもよく、３台以上であってもよい。
　車両２００は、記憶部２１０と、制御部２２０と、送信部２３０とを含む。なお、記憶部２１０と、制御部２２０と、送信部２３０とを含む装置を、車両２００の制御を行う車両制御装置ということができる。
　記憶部２１０は、車両２００が処理を行うために必要な各種情報を記憶する。具体的には、記憶部２１０は、自車両内で観測される観測データ、および、故障が検知された際に出力される故障データを記憶する。さらに、記憶部２１０は、故障診断装置１１０が生成した特徴マスタを記憶する。記憶部２１０は、例えば、磁気ディスクやＳＤメモリカード等により実現される。
　制御部２２０は、車両２００において観測される観測データを取得して記憶部２１０に記憶する。また、車両２００に故障が発生した場合、制御部２２０は、車両に発生した故障を検知して、故障データを記憶部２１０に記憶する。
　また、本実施形態の制御部２２０は、特徴マスタに含まれる観測データの特徴と、自車両で随時取得される観測データの特徴との類似性を判断して、故障の予兆を検知する。具体的には、制御部２２０は、車両が稼働している間に随時観測される観測データを、常に特徴マスタと比較して、故障の予兆を検知してもよい。なお、制御部２２０が観測データの特徴を抽出する方法は、生成部３０が観測データの特徴を抽出する方法と同様である。
　図４は、故障の予兆を検知する処理の例を示す説明図である。制御部２２０は、事前に作成された特徴マスタ５１と、観測データであるＣＡＮデータ５２とのパターンを比較し、一致した場合（または、一定の類似度を有する場合）、故障の予兆があると判定してもよい。また、その際、制御部２２０は、何らかのアラートを表示装置（図示せず）に出力してもよい。
　制御部２２０は、例えば、非特許文献１に記載された方法を用いて時系列データセットの類似性を判断してもよい。
　なお、図４では、特徴マスタが１つの場合を例示しているが、制御部２２０が比較対象とする特徴マスタは、１つに限定されない。特徴マスタは、故障の種類ごとに作成されているため、制御部２２０は、故障の種類ごとに作成された特徴マスタごとに観測データとの比較を行えばよい。
　送信部２３０は、取得された故障データおよび観測データを故障診断装置１１０に送信する。なお、記憶部２１０に記憶された故障データおよび観測データが、人手で故障診断装置１１０に入力されてもよい。
　故障診断装置１１０は、記憶部１０と、入力部２０と、生成部３０と、出力部４１とを備えている。すなわち、本実施形態の故障診断装置１１０は、第一の実施形態の故障診断装置１００と同様の構成を有する。ただし、本実施形態の出力部４１は、第一の実施形態の出力部４０と比較して、車両２００に特徴マスタを送信する機能が追加されている。
　出力部４１は、生成された特徴マスタを車両２００に送信する。このとき、出力部４１は、故障した車両以外の他の車両に対して、生成された特徴マスタを送信してもよい。このように、故障データが収集された車両以外の車両２００に特徴マスタを送信することで、故障の発生していない他の車両２００において故障の予兆を検知することが可能になる。
　また、生成部３０が、車両の種類ごとに特徴マスタを生成している場合、出力部４１は、同一の種類の車両に対して対応する特徴マスタを送信してもよい。故障の予兆は、同種の車両と類似する可能性が高いため、これにより、故障の予兆を検知する精度を向上させることが可能になる。
　制御部２２０と、送信部２３０とは、プログラム（制御プログラム）に従って動作するコンピュータのプロセッサによって実現される。また、入力部２０と、生成部３０と、出力部４１とは、プログラム（故障診断プログラム）に従って動作するコンピュータのプロセッサによって実現される。
　次に、本実施形態の動作例を説明する。図５は、本実施形態の故障診断システム１の動作例を示すフローチャートである。故障診断装置１１０が特徴マスタを生成するまでの処理は、図２に例示するステップＳ１１からステップＳ１２までの処理と同様である。出力部４１は、生成された特徴マスタを車両２００に送信する（ステップＳ２１）。
　車両２００の制御部２２０は、故障診断装置１１０から受信した特徴マスタを車両２００内の記憶部２１０に記憶する（ステップＳ２２）。また、制御部２２０は、自車両における観測データを随時取得し（ステップＳ２３）、特徴マスタに含まれる観測データの特徴と、取得した観測データの特徴との類似性を判断する（ステップＳ２４）。両者が類似すると判断された場合（ステップＳ２４におけるＹｅｓ）、制御部２２０は、故障の予兆を検知した旨のアラートを出力する（ステップＳ２５）。一方、両者が類似しないと判断された場合（ステップＳ２４におけるＮｏ）、観測データを取得するステップＳ２３以降の処理を繰り返す。
　以上のように、本実施形態では、第一の実施形態の構成に加え、出力部４１が、生成された特徴マスタを車両２００に送信し、車両２００の制御部２２０が、受信した特徴マスタに含まれる観測データの特徴と、自車両で取得される観測データとの類似性を判断して、故障の予兆を検知する。よって、第一の実施形態の効果に加え、車両の故障の予兆をリアルタイムで判断することが可能になる。
　次に、本発明の概要を説明する。図６は、本発明による故障診断装置の概要を示すブロック図である。本発明による故障診断装置８０（例えば、外観検査装置１００）は、車両の故障が発生した際にその車両から取得される故障データ（例えば、ＤＴＣ）と、その故障が発生する直前までに車両の各デバイス（例えば、エンジンや水温センサ、バッテリー）で時系列に観測される観測データ（例えば、エンジンの回転数や速度、バッテリーの状態、水温など）との入力を受け付ける入力部８１（例えば、入力部２０）と、故障データが示す故障の内容と、対応する観測データから抽出される特徴とを対応付けた特徴マスタを生成する生成部８２（例えば、生成部３０）とを備えている。
　そのような構成により、収集された車両の故障データから、故障の予兆を診断するための情報を生成できる。
　また、生成部８２は、時系列の観測データを複数のセグメントに分割して部分的な時系列の観測データを生成し、セグメントごとに観測データの特徴を抽出して特徴マスタを生成してもよい。
　具体的には、入力部８１は、故障データを示すＤＴＣと、観測データを示すＣＡＮプロトコルで規定された通信データまたはＯＢＤで取得されるデータとの入力を受け付けてもよい。
　図７は、本発明による故障診断システムの概要を示すブロック図である。本発明による故障診断システム７０（例えば、故障診断システム１）は、上述する故障診断装置８０と、故障診断装置８０からの情報を受信する対象車両９０（例えば、車両２００）とを備えている。
　故障診断装置８０は、さらに、生成された特徴マスタを対象車両９０に送信する送信部８３（例えば、出力部４１）を含む。対象車両９０は、受信した特徴マスタに含まれる観測データの特徴と、自対象車両９０で随時取得される観測データとの類似性を判断して、対応する故障データが示す故障の予兆を検知する制御部９１（例えば、制御部２２０）を含む。
　そのような構成によっても、収集された車両の故障データから、故障の予兆を診断するための情報を生成でき、さらに、車両の故障の予兆をリアルタイムで判断することが可能になる。
　また、生成部８２は、車両の種類ごとに特徴マスタを生成し、送信部８３は、同一の種類の対象車両に対して対応する特徴マスタを送信してもよい。これにより、故障の予兆を検知する精度を向上させることが可能になる。
　以上、実施形態及び実施例を参照して本願発明を説明したが、本願発明は上記実施形態および実施例に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
　この出願は、２０１９年１２月５日に出願された日本特許出願２０１９－２２０３３２を基礎とする優先権を主張し、その開示の全てをここに取り込む。
　１　故障診断システム
　１０　記憶部
　２０　入力部
　３０　生成部
　４０，４１　出力部
　１００，１１０　故障診断装置
　２００　車両
　２１０　記憶部
　２２０　制御部
　２３０　送信部

Claims (10)

  1. 　車両の故障が発生した際に当該車両から取得される故障データと、当該故障が発生する直前までに前記車両の各デバイスで時系列に観測される観測データとの入力を受け付ける入力手段と、
    　前記故障データが示す故障の内容と、対応する前記観測データから抽出される特徴とを対応付けた特徴マスタを生成する生成手段とを備えた
    　ことを特徴とする故障診断装置。
  2. 　生成手段は、時系列の観測データを複数のセグメントに分割して部分的な時系列の観測データを生成し、前記セグメントごとに観測データの特徴を抽出して特徴マスタを生成する
    　請求項１記載の故障診断装置。
  3. 　入力手段は、故障データを示すＤＴＣと、観測データを示すＣＡＮプロトコルで規定された通信データまたはＯＢＤで取得されるデータとの入力を受け付ける
    　請求項１または請求項２記載の故障診断装置。
  4. 　請求項１から請求項３のうちのいずれか１項に記載の故障診断装置と、
    　前記故障診断装置からの情報を受信する対象車両とを備え、
    　前記故障診断装置は、
    　生成された特徴マスタを前記対象車両に送信する送信手段を含み、
    　前記対象車両は、
    　受信した特徴マスタに含まれる観測データの特徴と、自対象車両で随時取得される観測データとの類似性を判断して、対応する故障データが示す故障の予兆を検知する制御手段を含む
    　ことを特徴とする故障診断システム。
  5. 　生成手段は、車両の種類ごとに特徴マスタを生成し、
    　送信手段は、同一の種類の対象車両に対して対応する特徴マスタを送信する
    　請求項４記載の故障診断システム。
  6. 　コンピュータが、車両の故障が発生した際に当該車両から取得される故障データと、当該故障が発生する直前までに前記車両の各デバイスで時系列に観測される観測データとの入力を受け付け、
    　前記コンピュータが、前記故障データが示す故障の内容と、対応する前記観測データから抽出される特徴とを対応付けた特徴マスタを生成する
    　ことを特徴とする故障診断方法。
  7. 　コンピュータが、生成された特徴マスタを対象車両に送信し、
    　前記対象車両が、受信した特徴マスタに含まれる観測データの特徴と、自対象車両で随時取得される観測データとの類似性を判断して、対応する故障データが示す故障の予兆を検知する
    　請求項６記載の故障診断方法。
  8. 　コンピュータが、車両の種類ごとに特徴マスタを生成し、
    　コンピュータが、同一の種類の対象車両に対して対応する特徴マスタを送信する
    　請求項７記載の故障診断方法。
  9. 　コンピュータに、
    　車両の故障が発生した際に当該車両から取得される故障データと、当該故障が発生する直前までに前記車両の各デバイスで時系列に観測される観測データとの入力を受け付ける入力処理、および、
    　前記故障データが示す故障の内容と、対応する前記観測データから抽出される特徴とを対応付けた特徴マスタを生成する生成処理
    　を実行させるための故障診断プログラムを記憶するプログラム記憶媒体。
  10. 　コンピュータに、
    　生成処理で、時系列の観測データを複数のセグメントに分割して部分的な時系列の観測データを生成させ、前記セグメントごとに抽出された特徴を含む特徴マスタを生成させる故障診断プログラムを記憶する
    　請求項９記載のプログラム記憶媒体。
PCT/JP2020/037951 2019-12-05 2020-10-07 故障診断装置、故障診断システム、故障診断方法および故障診断プログラム WO2021111726A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US17/781,121 US20220406103A1 (en) 2019-12-05 2020-10-07 Fault diagnosis device, fault diagnosis system, fault diagnosis method, and fault diagnosis program
JP2021562477A JPWO2021111726A1 (ja) 2019-12-05 2020-10-07

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-220332 2019-12-05
JP2019220332 2019-12-05

Publications (1)

Publication Number Publication Date
WO2021111726A1 true WO2021111726A1 (ja) 2021-06-10

Family

ID=76221821

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/037951 WO2021111726A1 (ja) 2019-12-05 2020-10-07 故障診断装置、故障診断システム、故障診断方法および故障診断プログラム

Country Status (3)

Country Link
US (1) US20220406103A1 (ja)
JP (1) JPWO2021111726A1 (ja)
WO (1) WO2021111726A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114115172A (zh) * 2021-10-26 2022-03-01 江西五十铃汽车有限公司 车辆故障诊断方法、装置、可读存储介质及车辆

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07172251A (ja) * 1993-12-20 1995-07-11 Mazda Motor Corp 車両の故障診断装置
JP2004268633A (ja) * 2003-03-05 2004-09-30 Mazda Motor Corp 遠隔故障予測システム
JP2007161044A (ja) * 2005-12-13 2007-06-28 Toyota Motor Corp 車両故障診断装置及び方法
JP2009063455A (ja) * 2007-09-06 2009-03-26 Toyota Motor Corp 車両故障検知装置
JP2015176285A (ja) * 2014-03-14 2015-10-05 株式会社デンソー 故障情報提示システム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07172251A (ja) * 1993-12-20 1995-07-11 Mazda Motor Corp 車両の故障診断装置
JP2004268633A (ja) * 2003-03-05 2004-09-30 Mazda Motor Corp 遠隔故障予測システム
JP2007161044A (ja) * 2005-12-13 2007-06-28 Toyota Motor Corp 車両故障診断装置及び方法
JP2009063455A (ja) * 2007-09-06 2009-03-26 Toyota Motor Corp 車両故障検知装置
JP2015176285A (ja) * 2014-03-14 2015-10-05 株式会社デンソー 故障情報提示システム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114115172A (zh) * 2021-10-26 2022-03-01 江西五十铃汽车有限公司 车辆故障诊断方法、装置、可读存储介质及车辆

Also Published As

Publication number Publication date
JPWO2021111726A1 (ja) 2021-06-10
US20220406103A1 (en) 2022-12-22

Similar Documents

Publication Publication Date Title
US11541899B2 (en) Vehicle diagnosis apparatus, vehicle diagnosis system, and vehicle diagnosis program
US8433472B2 (en) Event-driven data mining method for improving fault code settings and isolating faults
US8543280B2 (en) Collaborative multi-agent vehicle fault diagnostic system and associated methodology
CN106462702B (zh) 用于在分布式计算机基础设施中获取并且分析电子取证数据的方法和系统
US20200026268A1 (en) Control device and diagnosis system
CN101826135A (zh) 用于增强车辆诊断、预测和维护实践的综合信息融合
EP2541358B1 (en) Method, monitoring system and computer program product for monitoring the health of a monitored system utilizing an associative memory
WO2021111726A1 (ja) 故障診断装置、故障診断システム、故障診断方法および故障診断プログラム
JP4417318B2 (ja) 設備診断装置
TW201826203A (zh) 收集裝置、收集方法、程式及收集系統
JP4356634B2 (ja) 故障診断回路とこの故障診断回路を備えた情報処理装置、故障診断システム及び故障診断プログラム
US20220163942A1 (en) Distributed System and Data Transmission Method
WO2017141589A1 (ja) 車両制御装置
WO2021111728A1 (ja) 故障予兆検知装置、故障予兆検知システム、故障予兆検知方法および故障予兆検知プログラム
CN114548280A (zh) 故障诊断模型的训练、故障诊断方法及电子设备
CN111555899B (zh) 告警规则配置方法、设备状态监测方法、装置和存储介质
JP7367773B2 (ja) 故障診断装置、故障診断システム、故障診断方法および故障診断プログラム
US7539564B2 (en) Device and method for central on-board diagnosis for motor vehicles
WO2020245968A1 (ja) 異常兆候検知装置、異常兆候検知方法、及び、異常兆候検知プログラム
JP2010101860A (ja) 車両に搭載された機構の故障診断装置
Shivakarthik et al. Maintenance of automobiles by predicting system fault severity using machine learning
US20240185576A1 (en) Image determination device, image determination method, and recording medium
JP2024046528A (ja) 異常診断装置及び方法
CN110362849A (zh) 基于使用的动力系统/机器部件的故障率估计
JP2022142160A (ja) 異常部位特定装置及び異常部位特定方法

Legal Events

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

Ref document number: 20894985

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021562477

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20894985

Country of ref document: EP

Kind code of ref document: A1