专利名称：使用时序数据挖掘的故障预测架构的制作方法
技术领域：
本发明总体上涉及故障诊断和预测系统，且更具体地涉及使用时序数据挖掘的故 障诊断和预测系统及方法。
背景技术：
用于监测车辆健康状态的诊断和预测技术可以帮助预测问题的出现，以便在发生 重大事故之前采取预防措施。这些技术在部件或系统故障会具有重大牵连(例如，丧失车辆 功能)时变得更加重要。此外，制造商可使得由于故障或车辆性能降低引起的顾客不满意度 最小化。通常，故障诊断通过将计算机或其他诊断工具连接到车辆电气总线的技术人员在 车外执行，所述车辆电气总线连接到一个车辆电子控制单元(ECU)。一旦被连接，诊断故障 码(DTC)从E⑶提取且用于帮助确定什么引起故障。更近以来，车辆已经配备有车载诊断 设备，其配置成在不用手动地连接到车辆电气总线的情况下给车辆操作者或技术人员提供 诊断信息。然而，该诊断信息，不管是车外或车上接收，限于DTC提供的快照数据和选择操 作参数。虽然DTC诊断数据可以帮助确定存在故障的原因，但是DTC未设计成提供部件或 系统故障的提前报警。因而，需要配置成给技术人员或车辆操作者提供部件或系统可能在一定具体时帧 发生故障的提前报警的增强诊断和预测系统及方法。
发明内容
根据本发明的教导，一种车辆故障诊断和预测系统包括计算平台，所述计算平台 配置成从远程服务器接收故障分类器，所述计算平台有形地包括计算机可执行指令，用于 评估从车辆控制网络接收的数据序列以及将分类器应用于所述数据序列，其中，分类器配 置成确定数据序列是否限定与具体故障相关的型式。方案1. 一种车辆故障诊断和预测系统，包括
计算平台，所述计算平台配置成从远程服务器接收故障分类器，所述计算平台有形地 包括计算机可执行指令，用于
评估从车辆控制网络接收的数据序列；以及
将分类器应用于所述数据序列，其中，分类器配置成确定数据序列是否限定与具体故 障相关的型式。方案2.根据方案1所述的系统，其中，所述数据序列包括以下一种或多种顺序 诊断故障码、时间标记诊断故障码和车辆参数。方案3.根据方案1所述的系统，其中，所述分类器被训练以将多个数据序列聚类 与具体故障码相关联。方案4.根据方案1所述的系统，其中，分类器中的数据序列使用时序数据挖掘从 车辆组获得。
方案5.根据方案1所述的系统，其中，所述计算平台在车辆内部。方案6.根据方案1所述的系统，其中，所述计算平台在车辆外部。方案7. —种用于故障诊断和预测的方法，包括 从第一组车辆提取数据序列；
对从第一组车辆提取的数据序列应用时序数据挖掘应用以检测数据序列中的型式； 获得与第二组车辆有关的维修数据；
将数据序列与维修数据进行比较以识别与具体故障模式相关的数据序列。方案8.根据方案7所述的方法，其中，应用时序数据挖掘应用包括识别频繁数据 序列。方案9.根据方案7所述的方法，其中，第一组车辆类似于第二组车辆。方案10.根据方案7所述的方法，还包括应用聚类算法以将置信度度量分配给所 识别的与具体故障模式相关的数据序列中的每一个。方案11.根据方案10所述的方法，其中，应用聚类算法包括根据具体故障模式聚 类数据序列。方案12.根据方案10所述的方法，其中，应用聚类算法包括将概率分配给每个数 据序列和故障模式组合。方案13.根据方案11所述的方法，还包括训练分类器以学习与每个故障模式相 关的聚类。方案14. 一种有形地包括计算机可执行指令的计算机可读介质，用于 从第一组车辆提取数据序列；
对从第一组车辆提取的数据序列应用时序数据挖掘应用以检测数据序列中的型式； 获得与第二组车辆有关的维修数据；
将数据序列与维修数据进行比较以识别与故障模式相关的数据序列。方案15.根据方案14所述的计算机可读介质，其中，应用时序数据挖掘应用包括 识别频繁数据序列。方案16.根据方案14所述的计算机可读介质，还包括应用聚类算法以将置信度 度量分配给所识别的与故障模式相关的数据序列中的每一个。方案17.根据方案16所述的计算机可读介质，其中，应用聚类算法包括根据具体 故障模式聚类数据序列。方案18.根据方案16所述的计算机可读介质，其中，应用聚类算法包括将概率分 配给每个数据序列和故障模式组合。方案19.根据方案17所述的计算机可读介质，还包括训练分类器以学习与每个 故障模式相关的聚类。方案20.根据方案19所述的计算机可读介质，还包括将分类器下载到车载灵活 计算平台。方案21.根据方案19所述的计算机可读介质，还包括将分类器下载到车外计算。本发明的附加特征从下述说明和所附权利要求结合附图将显而易见。
图1示出了根据一个实施例的示例性故障诊断和预测系统；和 图2是示出了根据图1的系统的用于故障预测的方法的流程图。
图3示出了配置成使用训练分类器以演化由车载灵活计算平台捕获的诊断故障码型 式的示例性分析算法。
具体实施例方式涉及使用诊断故障码(DTC)和选择操作参数的时序数据挖掘来故障诊断和预测的 系统和方法的实施例的下述说明本质上仅仅是示例性的，且决不旨在限制本发明或者其应 用或使用。所述系统和方法采用配置成提供车辆部件的提前报警故障预测的增强车辆诊断 架构。系统包括配置成对来自于具体车辆的实时数据和来自于类似车辆群组的历史数据两 者进行车外和车载分析的多层架构。车外分析包括时间标记或顺序诊断故障码(DTC)的时 序数据挖掘以从类似车辆的大规模组识别DTC序列。通常，有效的DTC是配置成寻找车辆 中的某些问题且在发生具体问题时发出诊断码形式的标记的软件编程的结果。因而，由此 得出，DTC序列是在具体时帧内出现的连续标记序列。在一个实施例中，DTC被时间标记以 记录事件的设定时间或触发时间，然而，本文讨论的方法可使用仅仅被排序的DTC来实时。如上所述，DTC是由“0” (即，OFF)或“1” (即，ON)表示的分立标记事件。相比 而言，车辆操作参数(如，压力、温度和电压等)是由车辆车载系统记录的值。在替代实施例 中，增强车辆诊断架构可以仅仅使用车辆参数实施，或者可以使用车辆参数和DTC的组合 实施。在下文，车辆参数和DTC可总的称为车辆数据或数据序列。车外分析还包括使用历史数据，例如销售商维修数据，以获得数据序列和随后故 障之间的关系。这些关系用于产生分类器，所述分类器被定期地下载到所有这种车辆的车 载系统。车载系统配置成与分类器一起工作以跟踪实时数据序列且基于车载分析产生警告 或报警。图1示出了示例性故障诊断和预测系统10，各个车辆12配备有车载灵活计算平台 (FCP) 14 (如，OnstarfO (替代方案也可以经由卫星)在FCP 14和服务器18之间建立通信 链路16。通过蜂窝塔20在服务器18和车辆组M之间建立类似通信链路22。此外，设置 销售商通信链路26以在服务器18和国家内的各个销售商观之间建立通信。通过销售商 通信链路26，服务器18接收在每个车辆寿命内访问销售商维护部的每个车辆的维修数据。 如下文详细讨论的那样，该历史维修数据提供用于在DTC序列和车辆故障之间建立联系的 大量信息，以预测即将到来的部件故障。本领域技术人员将理解，通过蜂窝塔20在服务器 18、各个车辆12和车辆组M之间通信仅仅是示例性的，且可以(但不限于)使用允许在各个 车辆12、车辆组M和服务器18之间传输信息的任何合适形式通信。服务器18是配置成通过FCP 14从各个车辆12接收实时数据的计算装置。虽然 在图1中未具体示出，但是车辆组M中的每个车辆还配备有配置成与服务器18通信的车 载灵活计算平台(FCP)。通信链路16、22利于服务器18和车辆12J4之间数据和应用沈 的定期上传/下载。应用26可包括但不限于增强诊断和提前报警预测，其包括训练后的分 类器。
图2示出了用于训练分类器以预测部件故障的示例性车外分析算法30。在一个实 施例中，算法30存储在服务器18上，其在步骤32从车辆组M提取DTC、DTC序列和车辆参 数。应当注意，在操作中从每个车辆获取DTC发生和参数合计非常大量的数据。因而，在步 骤34，算法30应用时序数据挖掘应用，以从车辆组M滤波通过信息集合以检测型式且确定 最频繁序列出现率(sequence occurrence).在步骤36，算法30从服务器18中的数据库 (未示出)获取由销售商收集的维修数据。维修数据包括车辆维修信息，例如车辆品牌和型 号、维修日期和频率、具有相关操作参数的触发DTC、和与具体DTC型式相关的人工码(即， 故障模式)。在步骤38，将关联算法应用于数据集合，包括来自于步骤34的时序数据挖掘应用 的最频繁DTC和参数序列出现率以及从销售商收集的维修数据。关联算法将序列出现率与 维修数据进行比较以识别与随后车辆故障模式因果相关的数据集合中的型式。在步骤40， 聚类算法应用于所识别型式和故障模式，且将支持度和/或置信度度量分配给每个型式。 这通过根据具体故障模式聚类数据序列完成。聚类过程可包括将概率分配给每个序列和故 障模式组合。例如，包括DTCp DTC2和DTC3的序列可与故障模式(FM) 1因果相关且因而分 配给故障模式(FM) 1。然后，聚类算法可确定由DTCp DTC2和DTC3限定的具体数据序列与 FM 1相关存在百分之九十的概率。在一个非限制性示例中，聚类算法是距离测度算法；然 而，本领域技术人员将理解，可以使用任何合适的聚类技术。在步骤42，故障预测分类器被训练以学习与每个聚类相关的故障模式。换句话说， 分类器被训练以识别导致具体故障模式(即，故障)的数据序列。例如，分类器可以是支持向 量机(SVM)、决策树(DT)或神经网络(NN)。这些分类器可以单独或结合使用。用于训练分 类器的上述车外分析算法可以在生产之后定期更新以使用在制造时不能预见的新聚类和 故障模式。图3示出了配置成使用训练分类器以演化由车载FCP 14捕获的DTC型式的示例 性分析算法50。使用一种途径，算法50在车辆内部在车载灵活计算平台上实施，如下文示 例中所述。然而，本领域技术人员将理解，算法50也可以在车辆外部使用维护位置或其他 远程位置处的车外分析器来实施。因而，使用车载实施方式，训练后的分类器在步骤52从服务器18下载到车辆车载 FCP 14。这些下载可基于请求或者可基于循环自动地发生。在一些情况下，这些下载可简 单地是现有分类器的参数更新，而不是完全新的分类器。在步骤M，车载FCP 14连续地监 测来自于车辆控制网络(在一个非限制性示例中是控制器局域网络(CAN)总线)的实时数据 序列。在步骤56，故障分类器被启动且基于演化数据序列运行以确定演化数据序列是否与 已知故障相关联。换句话说，分类器将DTC串与学习参数进行比较且识别可导致具体故障 的类似型式。在步骤58，如果数据串表示分类器中的识别故障，提前报警警告可发送给车 载FCP 14且最终发送给车辆操作者。在替代方案中，警告可传送给技术人员或其他诊断工 具。系统10 (包括车载FCP 14和服务器18)可以在一个或多个合适的计算装置上实 施，计算装置通常包括有形地实施为计算装置内的计算机可读介质上的一组计算机可执行 指令的软件应用。计算装置可以是多种计算装置中的任一种，例如，个人计算机、处理器、手
持计算装置等。
计算装置通常各包括能由上述一个或多个装置执行的指令。计算机可执行指令可 以从使用各种编程语言和/或技术生成的计算机程序编译或译码，包括但不限于(单独或 以组合的形式)Java, C, C++, Visual Basic, Java Script, Perl 等。通常，处理器(例 如，微处理器)例如从存储器、计算机可读介质等接收指令并执行这些指令，从而执行一个 或多个过程，包括本文所述的过程中的一个或多个。这种指令和其它数据可以使用各种已 知的计算机可读介质存储和传输。计算机可读介质包括参与提供数据(例如，指令)的任何介质，所述数据可以由计 算装置(如，计算机)读取。这种介质可以采用许多形式，包括但不限于非易失性介质、易失 性介质和传输介质。例如，非易失性介质包括光盘或磁盘和其它持久性存储器。易失性介 质包括动态随机存取存储器(DRAM)，通常构成主存储器。计算机可读介质的常见形式包括 计算机可读取的任何介质。应当理解的是，上面的描述旨在是示例性的而非限制性的。本领域技术人员在阅 读上面的描述后将会明白不同于所提供示例的很多替代性方法或应用。本发明的范围不应 当参考上面的描述而被确定，而是应当参考所附权利要求以及这些权利要求等价物的全部 范围而被确定。可以预见和预期的是，在本文讨论的领域将会出现进一步的发展，并且所公 开的系统和方法将被并入这些进一步示例中。总之，应当理解的是，本发明能够进行修改和 变化并且仅受所附权利要求的限制。已经特别示出和描述了当前的实施例，这些实施例仅仅是最佳模式的示例。本领 域技术人员应当理解的是，在不偏离本发明精神和范围的情况下，实施权利要求时可采用 本文描述实施例的各种替代物，从而涵盖这些权利要求及其等价物范围内的方法和系统。 该描述应当被理解为包括本文描述的元件的所有新颖且非显而易见的组合，并且可在本申 请或后续申请中给出对这些元件的任何新颖且非显而易见的组合的权利要求。而且，前面 的实施例是示例性的，并且没有单一的特征或元件对于本申请或后续申请中可请求保护的 所有可能的组合而言是必要的。如本领域技术人员所理解的，权利要求中使用的所有术语意图被赋予其最广义的 合理解释以及它们的普通意义，除非本文中作出明确的相反指示。特别地，诸如“一”、“该”、 “所述”等单数冠词的使用应当被解读为记载所指元件的一个或多个，除非权利要求记载了 相反的明确限制。
权利要求
1.一种车辆故障诊断和预测系统，包括计算平台，所述计算平台配置成从远程服务器接收故障分类器，所述计算平台有形地 包括计算机可执行指令，用于评估从车辆控制网络接收的数据序列；以及将分类器应用于所述数据序列，其中，分类器配置成确定数据序列是否限定与具体故 障相关的型式。
2.根据权利要求1所述的系统，其中，所述数据序列包括以下一种或多种顺序诊断故 障码、时间标记诊断故障码和车辆参数。
3.根据权利要求1所述的系统，其中，所述分类器被训练以将多个数据序列聚类与具 体故障码相关联。
4.根据权利要求1所述的系统，其中，分类器中的数据序列使用时序数据挖掘从车辆组获得。
5.根据权利要求1所述的系统，其中，所述计算平台在车辆内部。
6.根据权利要求1所述的系统，其中，所述计算平台在车辆外部。
7.一种用于故障诊断和预测的方法，包括 从第一组车辆提取数据序列；对从第一组车辆提取的数据序列应用时序数据挖掘应用以检测数据序列中的型式； 获得与第二组车辆有关的维修数据；将数据序列与维修数据进行比较以识别与具体故障模式相关的数据序列。
8.根据权利要求7所述的方法，其中，应用时序数据挖掘应用包括识别频繁数据序列。
9.根据权利要求7所述的方法，其中，第一组车辆类似于第二组车辆。
10.一种有形地包括计算机可执行指令的计算机可读介质，用于 从第一组车辆提取数据序列；对从第一组车辆提取的数据序列应用时序数据挖掘应用以检测数据序列中的型式； 获得与第二组车辆有关的维修数据；将数据序列与维修数据进行比较以识别与故障模式相关的数据序列。
全文摘要
本发明涉及使用时序数据挖掘的故障预测架构。一种车辆故障诊断和预测系统包括计算平台，所述计算平台配置成从远程服务器接收分类器，所述计算平台有形地包括计算机可执行指令，用于评估从车辆控制网络接收的数据序列以及将分类器应用于所述数据序列，其中，分类器配置成确定数据序列是否限定与具体故障相关的型式。
文档编号G06F17/30GK102129447SQ201110006529
公开日2011年7月20日 申请日期2011年1月13日 优先权日2010年1月13日
发明者D·帕特奈克, G·P·小蒙特戈梅里, K·P·昂尼克里什南, P·班迪奥帕迪亚伊, S·W·霍兰 申请人:通用汽车环球科技运作有限责任公司