专利名称：车辆的故障诊断装置的制作方法
技术领域：
本发明涉及根据在车辆运转中保存在各个车辆的电子控制装置(E⑶，Electronic Control Unit:电子控制单元)的存储装置中的数据来诊断故障的装置。
背景技术：
作为诊断汽车等车辆的故障的工具的诊断装置已被众所周知。近年来，正在研究在诊断装置中使用将过去产生的故障信息重新登记到数据库中来推定新产生的故障原因的所谓专家系统(expert system)。专家系统包括将人类的经验知识预先登记到数据库内进行检索的规则库型推论方式；和预先学习正常时或故障时的系统动作，通过仿真来查找故障原因的模型库型推论方式。前者的方式的构造简单，可期待较高的可靠性，但很难使知识规则化，从而每当在作为对象的系统中施加变更时都需要追加或修正规则。另一方面，在后者的方式中，即使操作人员不具有充分的经验和知识也能够推定故障部位，对于作为对象的系统的变更也能够期待某种程度的通用性。尤其是对在相同运转环境条件下的正常时数据与故障时数据进行比较的方法是发现故障原因的最有效手段之一。但是，在车辆的运转中存在各种的环境条件及行驶模式，可取得大多运转参数的正常值范围也分别可能根据其各个状况而变化，所以，为了在彼此相同的条件下进行数据比较、获得用于进行准确判断的正常值数据，需要预先收集在各个运转状况下的正常时数据。在日本特开昭62-261938(专利文献1)中记载了如下的诊断装置，该诊断装置具有知识数据存储单元，其针对故障症状和与该症状对应的原因之间的关系，存储正确的信息；以及特殊情况存储单元，其存储不确定的信息。另外，在日本特开平6-95881(专利文献幻中记载了如下的情况分析设计数据及过去的故障数据，将其作为前向推论方式的EMEA输入至关系数据库，并生成修正EMEA，生成事件序列图，生成故障搜索树，用于参考规则库，并对专家的专门知识进行数值化，生成规则库。在车辆所使用的复杂电子控制系统中，因为运转参数非常多、且该各个运转参数的正常值范围还与运转环境(也称为运转条件)对应地存在，所以从该庞大的正常值数据中提取作为基准的ECU数据(各个运转参数均处于正常值范围内的数据)是非常困难的， 该作为基准的ECU数据是与作为诊断对象的ECU数据(验证用数据)接近的运转环境下的数据。另外，进行多个设备取得协调后的控制，当产生一个故障时，常常会对多个运转参数造成影响而偏离正常值。因此，需要对偏离正常值的运转参数与故障原因的关联性进行研作为这样的研究例，在日本特开2003-15877(专利文献3)中记载了如下的情况 对从监视对象获得的过程数据进行定性化处理，算出所获得的定性化数据与全部事例的定性化数据的类似度，针对全部事例中具有一定类似度的事例，按照类似度从高到低的顺序， 提取其事例数据。与运转相关的参数越多，则在产生故障时偏离正常值数据范围的运转参数也越多，从中适当地判断直接与故障产生原因相关的运转参数来进行故障诊断是很重要的。艮口， 在从偏离正常值范围的运转参数中适当选择应该关注的参数是很重要的。现有技术文献专利文献专利文献1 日本特开昭62-261938专利文献2 日本特开平6-95881专利文献3 日本特开2003-15877
发明概要发明解决的课题因此，本发明的目的是提供一种诊断装置，其根据车辆的电子控制装置(ECU)所记录的数据来进行车辆故障诊断，该诊断装置可从偏离正常值范围的运转参数中识别出应该关注的参数。解决课题的手段为了解决上述课题，本发明的装置将车辆发生故障时存储在该车辆的电子控制装置中的关于多个参数的运转数据与基准值进行比较来进行故障诊断，该基准值是作为基准的正常时的运转数据。该装置具有通过验证用数据与按照各运转环境针对每个所述参数设定有正常值范围的各运转环境的基准值组之间的近似检索、作为整体选择与所述验证用数据近似的各运转环境的基准值组的单元，其中，所述验证用数据是存储在作为故障诊断对象的车辆的电子控制装置中的运转数据。另外，该装置还具有将所述验证用数据与所述选择的各运转环境的基准值组的每个所述参数的正常值范围进行比较、识别相对于该正常值范围偏离较大的参数的单元，该故障诊断装置根据所述识别的参数，探索故障原因。在本发明的一个方式中，各运转环境的基准值组是以如下方式形成的通过聚类方法对从多个车辆获得的关于所述多个参数的运转数据进行聚类化，分别在这样形成的多个聚类中针对所述多个参数设定运转数据的正常值范围。另外，在本发明的一个方式中，所述验证用数据是多个参数的规定时间间隔的数值矢量，对所述近似的各运转环境的基准值组进行选择的单元构成为，计算各个所述数值矢量与核心矢量的距离，针对每个数值矢量选择距离最小的基准值组，其中，所述核心矢量是所述基准值组的聚类的重心。在本发明的另一个方式中，所述聚类包含1次聚类和2次聚类，该1次聚类是针对多个参数内的一部分参数进行聚类而得到的，该2次聚类是针对比所述一部分参数多的个数的参数对属于该1次聚类的数值矢量进行聚类而得到的，对所述聚类进行选择的单元构成为，针对所述验证用数据的数值矢量选择1次聚类，然后从属于该1次聚类的2次聚类中选择距离最小的2次聚类。在本发明的一方式中，对与验证用数据的多个数值矢量分别对应地选择的所述聚类的正常值范围和所述数值矢量进行比较，至少使用偏离该正常值范围的数值矢量的个数与所述验证用数据的数值矢量的个数之比，判定相对于所述正常值范围的偏离。另外，在本发明的一方式中，对与验证用数据的多个数值矢量分别对应地选择的所述聚类的正常值范围和所述数值矢量进行比较，针对某参数至少使用偏离正常值范围的所述验证用数据的数值矢量的数值与正常值范围之差，判定相对于所述正常值范围的偏
1 O另外，在本发明的一方式中，对与验证用数据的多个数值矢量分别对应地选择的所述聚类的正常值范围和所述数值矢量进行比较，至少使用连续地偏离正常值范围的数值矢量的个数与数值矢量的总数之比，判定相对于所述正常值范围的偏离。
图1是示出本发明一个实施例的装置的整体结构的图。图2是基准值生成处理的流程图。图3是示出表示运转参数特征量的数值矢量的图。图4是表示特征量数值的出现频度的直方图。图5是示出故障分析处理的功能框图。图6是示出根据验证用数据生成的特征量矢量的一例的图。图7是在故障分析中获得的X值、Y值、Z值的分布图。
具体实施例方式接着，参照附图，对本发明的实施方式进行说明。图1示出作为本发明前提的汽车的电子控制系统所包含的数据收集装置14。车载网络11是用于进行安装在车辆内的多个电子控制单元(EOT)之间的通信的网络。在该实施例中，网络被分成F系统和B系统这两个系统，但也可以是1个系统的网络。F系统的网络是用于在进行发动机的燃料喷射控制和点火时机控制等的ECU、进行传动控制的ECU、进行制动控制的ECU等所谓控制系统的多个ECU之间进行通信的网络。B系统的网络是用于在控制电动车窗及门锁的ECU、控制车灯的ECU、控制空调等电器制品的ECU等所谓车体电器系统的多个ECU之间进行通信的网络。 ECU基本上是计算机，由微型处理器和通信模块构成。F系统的网络将车速数据11A、发动机水温数据11B、发动机转速数据IlC等控制系统的数据、以及表示ECU检测出的故障的故障代码IlE发送至数据收集装置14。B系统的网络将表示空调等附件(ACC)的状态的数据IlF等来自车体电器系统的ECU的数据、以及表示E⑶检测出的故障的故障代码IlG发送至数据收集装置14。数据收集装置14自身是E⑶。数据收集装置14由以微型处理器为主的控制器14H 进行控制。接收部14A从车载网络11逐次接收表示车辆状态的最新数据，控制器14H使车辆状态数据存储器14B逐次临时存储该数据。车辆状态数据存储器14B是随机访问存储器 (RAM)，例如存储有20秒的规定时间长度的最新数据，按照先进先出(FIFO)的移位寄存器方式，例如以0. 2秒的间隔使用新数据进行改写。非易失性存储器14D由即使在电源关闭时也从电池接受维持电流供给来维持存储的备用存储器、或EEPROM等可改写的ROM等构成。控制器14H在接收到故障代码(DTC，Diagnosis Trouble Code)时，从车辆状态数据存储器14B读出产生故障代码前的15秒内的数据并保存到非易失性存储器14D内。该数据被称为车载快照(OBS :on-board snap shot)。每当产生了故障代码时执行此处理，非易失性存储器14D与多个故障代码对应地保存多个0BS。当为了检查、修理此车而驶入服务店时，服务人员将故障诊断器16的连接端子与 ECU的输出端子连接，将非易失性存储器14D所保存的数据读取到诊断器中，提取与该验证用数据对应的作为基准的正常值数据，比较各运转参数的值，由此进行利用诊断器的故障诊断。表1示出与1个故障代码的产生对应地保存到非易失性存储器14D内的OBS的一例。在该例子中，作为运转参数，示出了 R(发动机转速)、V(车速)以及T(发动机的冷却水温度)。实际上在OBS中包含与空燃比传感器的输出值、氧传感器的输出值、燃料喷射时间、空燃比等多个(根据车种而不同，例如50 60)参数相关的数据，将这些数据表示为 Ρ4、Ρ5、Ρ6、…。关于时间，将产生故障代码时作为基准的0秒，使用负符号表示依次倒退0. 2秒的时间。[表 1]
这里，首先针对作为正常值数据的基准值，以其生成例为基础，说明基准值例。在生成基准值时，也可以利用设有运转数据蓄积装置的专用测试车辆收集在各种运转状况下的正常值数据，但需要大量的行驶测试，并且在数据的收集、积蓄中耗费大量的劳力，所以在本实施例中是从OBS中提取数据的基准值(正常值)。以下说明基准值生成(从OBS中的提取)的考虑方法。即使是在产生故障代码时所保存的OBS数据，与故障无关的参数值也是正常的。另外，可认为即使是与故障相关的参数值，在产生故障前的15秒内也有一部分是正常的。因此，当针对多个故障收集OBS数据进行统计处理时，异常值被多个正常值削弱或排除，结果能够提取正常运转时的参数值。为了达到该目的，采样数越多越好。在此实施例中，将采样的车的台数设为13000， 以上述方式从实际在市内行驶的一般用户的车中获得OBS数据。可认为提取对象的正常值范围是按照每个“某状态(某运转条件下)，，而存在的。 因此，如果将近似状态下的OBS数据归纳为聚类(组)并按照每个聚类来提取适当值的范围，则能够提取每个“某状态”的正常值范围。具体而言，采用聚类方法将近似的OBS数据作为聚类(集合)进行分类。按照每个聚类来提取参数的适当值范围，将其作为用于在故障诊断时参照的基准值。聚类是在没有外部基准的情况下对数据进行分组化的数据分析方法，在本实施例中采用被称为K-means法的方法。作为考虑方法，将数据描绘在与参数的个数对应的维数的空间内，根据其距离来对数据进行分类。基准数据生成装置30针对一个车种，例如收集来自13000台车的OBS (1个/台的情况)。接着，按照“发动机转速R” “车速V” “冷却水温T”这3个参数的特征量将其收集的OBS数据聚类为“20”。(一次聚类)并且，针对通过一次聚类而提取出的“20”个聚类，按照全部参数进一步聚类为 “ 30 ”，提取“ 600 ”个聚类即运转条件。(二次聚类)1. 1次聚类一次聚类是利用在与故障的出现相关的运转参数中的、被认为依赖度特别大的 “发动机转速R” “车速:r, “冷却水温Τ”这3个参数进行的粗略聚类，首先，从各个OBS 中提取3个运转参数的特征量。参照图2以及图3来说明基准值生成的实施例。首先，生成运转参数的特征量的数值矢量(31)。作为特征量，在此例中采用每3秒内的参数的平均值、最大值、最小值、斜率的平均值。作为特征量，除了上述之外，还可从在统计数学中采用的标准偏差、振幅值、频率、最小斜率、最大斜率、偏度、峰度等中选择适合车辆运转参数分析的特征量来使用。从η 台(η是1 13000)中获得的OBS数据的参数用to、Vn、Tn表示，平均值用foiav、Vnav, Tnav 表示，最大值用Rnmx> Vnmx> Tnmx表示，最小值用Rn·、Vnmn、Tnmn表示，斜率(inclination)的平均值用Rnin> Vnin> Tnin表示。此外，这里所述的斜率是车辆在加速中、减速中的程度、或者作为处于巡航 (cruise)运转(定速运转)中的判断指标的重要特征量，该斜率是通过对参数值f(x)相对于时间经过(h)的变化量进行微分而获得的值，用下式表示。在数字化运算中，可通过参数值f(x)的差分运算来求出。[数1]limf(x+h)-f(x)/h参照图3，在第1时间段(-14. 8 -12.0秒)中，针对参数敗，生成该时间段中的平均值^iart、最大值Rnmjri、最小值Rnmlri以及斜率的平均值^iilrft5同样，针对参数V，生成平均值Vnart、最大值Vnmjri、最小值Vnmlri、斜率的平均值Vnilri，针对参数T，生成Tnart、Tnmx^1, Urw针对第2时间段(-11. 8 -9. 0秒)、第3时间段(-8. 8 -6. 0秒)、第4时间段(-5. 8 -3. 0秒)以及第5时间段(-2. 8 0秒)，也同样地计算表2所示的特征量。在此实施例中，利用1次聚类，将“发动机转速R”“车速V”“冷却水温T”这3个参数(fouVruTn)在上述5个时间段各自中的数值矢量分类为例如20个1次聚类Dj (33)。 作为初始条件，随机规定核心矢量，该核心矢量是20个1次聚类的中心。也可以根据有限数量的实验数据，按照经验规则来规定核心矢量的初始值。当将j设为1 20的整数、将作为第j个聚类中心的核心矢量表示为(R av-c j Λ ^mx-cj Λ ^mn-cj Λ ^in-c j Λ ^avcj Λ ^mx-cj Λ ^mn-cj Λ ^in-c j Λ Tav_CJ> TfflX_CJ, Tmn-Cj\ Tin_cj)时，利用下式来计算上述表的第1时间段的数值矢量与20个聚类Dj各自的核心矢量之间的曼哈顿距离Dlnj。 Dlnj = I Rnav_「Rav_CJ | +1 RrwfR^j | +1 Rn.^-R.^j | +1 Rnin_rRin_eJ | +1 Vnav_rVav_CJ | + Vnmx-I Vmx-cj I + I Vnnm-I Vmn-cj I + I ^-^in-1 Vin-cj I + I ^^av-l ^av-cj I + I ^^mx-l Tmx-Cj I + I THmn-1 Tmn—cj | + | Τπ.[η_ l_Tin_cj I(1)关于第1时间段中的1个数值矢量(!^^!!、！^，针对」=1、2、3····20进行(1) 式的运算，求出曼哈顿距离，使该数值矢量(to、Vn、Tn)归属于曼哈顿距离为最小值的核心
矢量的聚类Dj。针对η = 1、2、3.......13000进行同样的运算，使各自的数值矢量(to、
Vn.Tn)归属于到达核心矢量的曼哈顿距离最小的聚类Dj。这样，将从η台车获得的OBS数据的第1时间段的数值矢量分类为20个聚类Dj。对于第2时间段，也同样利用下式来计算上述表的第2时间段的数值矢量与第2 时间段的聚类D2j之间的曼哈顿距离D2nj。D2nj = | Rnav_2-Rav_cj | +1 Rnmx_2-Rmx_cj | +1 ^w2-Rnm-Cj | +1 foiin-2_Rin-CJ I +1 Vnav_2-Vav_cj | + Vnmx—2_Vmx—cj I + I Vnmn—2_Vmn—cj I + I Vnin—2_Vin—cj I + I Tnav—2_Tav—CJ· | + | Tnmx—2_Tmx—CJ· | + | Tnmn—2Tmn—CJ· | + | Tnin_2 -Tin-CJ I (2)根据曼哈顿距离，将从η台车获得的OBS数据的第2时间段的数值矢量分类为20 个1次聚类Dj。同样，将第3时间段的数值矢量分类为20个1次聚类Dj，将第4时间段的数值矢量以及第5时间段的数值矢量分别分类为20个1次聚类Dj。然后，分别针对20个1次聚类Dj计算归属的数值矢量的平均值，将该平均值设为各聚类的核心矢量。采用这样更新的核心矢量来再次执行上述聚类。当通过第2次的聚类更新了各聚类的核心矢量时，利用所更新的核心矢量进一步进行第3次的聚类。执行这种反复处理，直至核心矢量收敛、或者完成了预先设定的试行次数为止。有时收敛的方式根据初始设定的核心矢量而不同，所以例如可随机准备10个不同的初始设定，利用各个初始设定来反复进行聚类，并采用最好地收敛的试行的聚类结果。 这样，可针对20个1次聚类Dj分别获得最终的核心矢量(重心)。因为1次聚类是采用重要度最高的运转参数来执行，并对近似度高的数值矢量进行分组，所以全部数据首先被大致按照重要度高的运转状态的差异而分组化。因此，各个组即聚类分别与差异比较大的运转状态的情况对应地形成。2. 2次聚类然后，转移到2次聚类(3幻。在2次聚类中，在20个1次聚类Dj中分别针对该聚类所包含的全部参数的OBS数值矢量(表1)进一步进行聚类，将各1次聚类分类为30个 2次聚类。即，将与各个不同的运转状态对应的20个1次聚类分别细分为30个2次聚类。对各个1次聚类进行2次聚类来形成30个2次聚类，所以在整体中获得600个 (20X30)2次聚类。各个OBS数值矢量(在实施例中为65000个数据)归属于该600个2 次聚类中的一个。可与1次聚类同样地随机规定在2次聚类中采用的30个2次聚类的核心矢量的初始值。该初始值还可以参照过去数据根据经验来确定。该核心矢量可利用与1次聚类相同的方法来更新，求出30个最终的核心矢量。这样，形成600个2次聚类。3. lH常倌范围的设定然后，转移到频度计算步骤37，根据这样获得的600个2次聚类的数据，按照每个参数，生成将横轴作为参数值、将纵轴作为数据个数的分成20份的直方图(图4(A))。去掉纵轴值为规定值(例如整体的以下的等级(图4(B))，对于剩下的等级，将相邻等级归纳为组，以归属于组的数据个数为以上的方式进行分组(图4(C))。该处理是针对每个聚类即600个2次聚类各自包含的数值矢量来执行的。此时，根据聚类的参数残差来调整、b%的值，该参数残差是2次聚类内的OBS 数据的分布基准。参数残差是评价数值矢量的各个参数值与该数值矢量所属的聚类的重心即核心矢量偏离多少的值。在该实施例中，关于各个数值矢量，求取与其所属的聚类的重心之差，利用其方均值(平方和的平方根)来表示残差。因为单纯的差具有正或负的符号，所以为了观察差的大小而采用方均值。越是参数残差大、分布广的参数，则越减少a%、b%，提取较大的正常值范围(图 4(D)) 0采用简单的例子对与图4关联地说明的方法进行更具体的说明。针对包含在某一聚类内的全部数值矢量生成图3中每列(参数)的直方图。例如，假设针对某运转参数中的一个，获得了表2所示的直方图。如果该聚类中包含100个数值矢量，则累计数总共为100。
权利要求
1.一种故障诊断装置，其将车辆发生故障时存储在该车辆的电子控制装置中的关于多个参数的运转数据与基准值进行比较来进行故障诊断，该基准值是作为基准的正常时的运转数据，该故障诊断装置具有通过验证用数据与按照各运转环境针对每个所述参数设定有正常值范围的各运转环境的基准值组之间的近似检索、作为整体选择与所述验证用数据近似的各运转环境的基准值组的单元，其中，所述验证用数据是存储在作为故障诊断对象的车辆的电子控制装置中的运转数据；以及将所述验证用数据与所述选择的各运转环境的基准值组的每个所述参数的正常值范围进行比较、识别相对于该正常值范围偏离较大的参数的单元，该故障诊断装置根据所述识别的参数，探索故障原因。
2.根据权利要求1所述的故障诊断装置，其中，所述各运转环境的基准值组是以如下方式形成的通过聚类方法对从多个车辆获得的关于所述多个参数的运转数据进行聚类化，分别在这样形成的多个聚类中针对所述多个参数设定运转数据的正常值范围。
3.根据权利要求2所述的故障诊断装置，其中，所述验证用数据是所述多个参数的规定时间间隔的数值矢量，对所述近似的各运转环境的基准值组进行选择的单元构成为，计算各个所述数值矢量与核心矢量的距离，针对每个数值矢量选择距离最小的基准值组，其中，所述核心矢量是所述基准值组的聚类的重心。
4.根据权利要求3所述的故障诊断装置，其中，所述聚类包含1次聚类和2次聚类，该1次聚类是针对所述多个参数内的一部分参数进行聚类而得到的，该2次聚类是针对比所述一部分参数多的个数的参数对属于该1次聚类的数值矢量进行聚类而得到的，对所述近似的各运转环境的基准值组进行选择的单元构成为，针对所述验证用数据的数值矢量选择1次聚类，然后从属于该1次聚类的2次聚类中选择距离最小的2次聚类。
5.根据权利要求2所述的故障诊断装置，其对与验证用数据的多个数值矢量分别对应地选择的所述聚类的正常值范围和所述数值矢量进行比较，至少使用偏离该正常值范围的数值矢量的个数与所述验证用数据的数值矢量的个数之比，判定相对于所述正常值范围的偏离。
6.根据权利要求2所述的故障诊断装置，其对与验证用数据的多个数值矢量分别对应地选择的所述聚类的正常值范围和所述数值矢量进行比较，针对某参数至少使用偏离所述正常值范围的所述验证用数据的数值矢量的数值与正常值范围之差，判定相对于所述正常值范围的偏离。
7.根据权利要求2所述的故障诊断装置，其对与验证用数据的多个数值矢量分别对应地选择的所述聚类的正常值范围和所述数值矢量进行比较，至少使用连续地偏离正常值范围的数值矢量的个数与数值矢量的总数之比，判定相对于所述正常值范围的偏离。
全文摘要
根据记录在车辆的电子控制装置(ECU)内的数据进行车辆的故障诊断。将车辆发生故障时存储在车辆的电子控制装置中的关于多个参数的运转数据与基准值进行比较来进行故障诊断，该基准值是作为基准的正常时的运转数据。该装置通过验证用数据与按照各运转环境针对每个所述参数设定有正常值范围的各运转环境的基准值组之间的近似检索，选择与验证用数据近似的各运转环境的基准值组，该验证用数据是存储在作为故障诊断对象的车辆的电子控制装置中的运转数据。并且，该装置将验证用数据与所选择的各运转环境的基准值组的每个参数的正常值范围进行比较、识别相对于正常值范围偏离较大的参数，根据识别的参数，探索故障原因。
文档编号B60R16/02GK102245437SQ20098014968
公开日2011年11月16日 申请日期2009年12月2日 优先权日2008年12月10日
发明者佐藤靖, 土切英之, 相原次郎 申请人:本田技研工业株式会社