專利名稱：用于機動車系統(tǒng)的事件驅(qū)動故障診斷架構(gòu)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明總體上涉及用于診斷車輛中的故障狀況的系統(tǒng)和方法，且更具體地涉及每當車輛中觸發(fā)診斷故障碼(DTC)時就獲取操作參數(shù)數(shù)據(jù)且將數(shù)學模型應用于參數(shù)數(shù)據(jù)和 DTC數(shù)據(jù)兩者以診斷故障狀況的原因的系統(tǒng)和方法。
背景技術(shù)：
現(xiàn)代車輛是采用許多部件、裝置、模塊、子系統(tǒng)等的復雜電氣和機械系統(tǒng)，其使用復雜算法和數(shù)據(jù)總線使得操作信息在彼此之間通過。如同任何事情一樣，這些類型的裝置和算法易受錯誤、失效和故障的影響，從而影響車輛的操作。當發(fā)生這種錯誤和故障時，受影響的裝置或部件通常將發(fā)出故障碼，例如診斷故障碼(DTC)，故障碼由一個或多個系統(tǒng)控制器接收，其識別故障或者與一體式部件一起的一些輔助故障。這些DTC可以由維修技術(shù)人員和工程師分析以識別問題和/或做出系統(tǒng)校正和升級。然而，鑒于車輛系統(tǒng)的復雜性， 可能由于許多不同的原因觸發(fā)許多DTC和其它信號，這將使得故障檢修特別困難。如上所述，現(xiàn)代車輛具有通過各個控制器電連通的多個機械和電氣部件。如果某一致動器、傳感器或子系統(tǒng)未正常操作，那么該部件或子系統(tǒng)或其控制器通常提供由系統(tǒng)控制器接收的DTC，從而在車輛維修期間，DTC可以使用遠程信息處理服務(wù)(例如，OnStar ) 或診斷裝置下載。然而，DTC可以由于各種原因且基于測量參數(shù)的許多不同組合觸發(fā)。這通常使之難以僅僅基于DTC值來診斷問題的真實根本原因。這可能導致在車輛維修時不能發(fā)現(xiàn)或重復問題，這導致顧客不滿意、增加的未來保修成本和錯失基于真實世界故障碼改進系統(tǒng)設(shè)計的機會。鑒于使用當前技術(shù)診斷車輛故障的不可接受的高錯失率，需要通過在觸發(fā)DTC時獲取更多操作參數(shù)數(shù)據(jù)且將先進數(shù)學技術(shù)應用于該數(shù)據(jù)以尋找任何故障狀況的真實根本原因來改進車輛系統(tǒng)的故障診斷。

發(fā)明內(nèi)容
根據(jù)本發(fā)明的教導，公開了用于每當觸發(fā)診斷故障碼(DTC)時就獲取和分析來自于車輛系統(tǒng)的重要參數(shù)數(shù)據(jù)的系統(tǒng)和方法。構(gòu)造多維數(shù)據(jù)矩陣，其中，車輛和DTC構(gòu)成前兩維，一組操作參數(shù)值、掃描工具值、顧客抱怨和基于文本的癥狀構(gòu)成矩陣的第三維。數(shù)據(jù)矩陣用來自于許多不同車輛的DTC、操作參數(shù)和其它數(shù)據(jù)填充，其已經(jīng)經(jīng)歷故障事件，在車輛帶到銷售商以便維修時或者經(jīng)由遠程信息處理數(shù)據(jù)下載來進行。時間可以添加作為矩陣的第四維，從而提供具體系統(tǒng)或部件是否在時間上降級的指示。在積聚足夠的數(shù)據(jù)時，使用各種數(shù)學和統(tǒng)計技術(shù)，預處理數(shù)據(jù)矩陣，從數(shù)據(jù)提取特征，且將所提取的特征分類。然后，訓練后的分類器用于診斷其它故障事件的根本原因，且還提供系統(tǒng)健康狀況和剩余有用壽命的預測。方案1. 一種用于診斷車輛系統(tǒng)中的故障原因的方法，所述方法包括
定義能應用于車輛系統(tǒng)中的各種故障狀況的多個診斷故障碼、用于觸發(fā)每個診斷故障碼的標準、以及對于每個診斷故障碼而言應當獲取的參數(shù)辨識數(shù)據(jù)列表；
在車輛上提供控制器，所述控制器使用診斷故障碼以及用于觸發(fā)每個診斷故障碼的標準來編程，且還使用對于每個診斷故障碼而言應當獲取的參數(shù)辨識數(shù)據(jù)列表來編程； 根據(jù)需要在車輛上提供傳感器，以獲取參數(shù)辨識數(shù)據(jù)；
在車輛系統(tǒng)中發(fā)生故障狀況時，通過控制器獲取診斷故障碼和參數(shù)辨識數(shù)據(jù)，其中，每個故障狀況的發(fā)生稱為故障事件；
將診斷故障碼和參數(shù)辨識數(shù)據(jù)從車輛上的控制器下載到中央計算機； 將來自于多個車輛的故障事件的診斷故障碼和參數(shù)辨識數(shù)據(jù)存儲在中央計算機上，其中，每個故障事件都具有歸因于其的實際故障模式；
使用數(shù)學模型來分析在中央計算機上存儲的來自于故障事件的診斷故障碼和參數(shù)辨識數(shù)據(jù)，所述數(shù)學模型能夠?qū)W習以將數(shù)據(jù)中的特征與每個故障事件的實際故障模式相關(guān)聯(lián)；以及
使用數(shù)學模型來診斷附加故障事件的故障模式。方案2.根據(jù)方案1所述的方法，其中，分析診斷故障碼和參數(shù)辨識數(shù)據(jù)包括訓練階段和檢驗階段。方案3.根據(jù)方案2所述的方法，其中，訓練階段包括
提供輸入數(shù)據(jù)，包括用于多個故障模式中的每個的數(shù)據(jù)矩陣，其中，每個數(shù)據(jù)矩陣識別與其有關(guān)的故障模式，且包括來自于多個車輛的故障事件的診斷故障碼和參數(shù)辨識數(shù)據(jù)； 使用預處理模塊來標準化輸入數(shù)據(jù)和減少輸入數(shù)據(jù)中的方差； 使用特征提取模塊來提取輸入數(shù)據(jù)的特征；
使用分類器模塊來識別輸入數(shù)據(jù)的特征中的型式且將所述型式與實際故障模式相關(guān)聯(lián)；以及
存儲特征提取模塊和分類器模塊中使用的技術(shù)和設(shè)置，其最有效地將輸入數(shù)據(jù)與實際故障模式相關(guān)聯(lián)。方案4.根據(jù)方案3所述的方法，其中，特征提取模塊包括具有關(guān)鍵統(tǒng)計、主成分分析和偏最小二乘的技術(shù)中的至少一種。方案5.根據(jù)方案3所述的方法，其中，分類器模塊包括具有支持向量機、概率神經(jīng)網(wǎng)絡(luò)、k-近鄰法、決策樹、線性判別分析和二次判別分析的技術(shù)中的至少一種。方案6.根據(jù)方案3所述的方法，其中，檢驗階段包括
提供檢驗數(shù)據(jù)矩陣，包括來自于多個車輛的故障事件的診斷故障碼和參數(shù)辨識數(shù)據(jù)， 其中，每個故障事件具有歸因于其的實際故障模式；
使用預處理模塊、特征提取模塊、分類器模塊、以及來自于訓練階段的存儲技術(shù)和設(shè)置以產(chǎn)生每個故障事件的診斷故障模式；以及
通過將診斷故障模式與每個故障事件的實際故障模式進行比較，驗證來自于訓練階段的存儲技術(shù)和設(shè)置關(guān)于檢驗數(shù)據(jù)矩陣有效。方案7.根據(jù)方案6所述的方法，還包括在訓練和檢驗階段之后，將數(shù)學模型下載到車輛修理服務(wù)中心處的計算機，以及使用所述數(shù)學模型來診斷被帶到車輛修理服務(wù)中心以便診斷的車輛上的故障事件的故障模式。方案8.根據(jù)方案6所述的方法，還包括在訓練和檢驗階段之后，將數(shù)學模型下載到車輛上的計算機，以及使用所述數(shù)學模型來診斷所述車輛上的故障事件的故障模式。方案9.根據(jù)方案1所述的方法，其中，診斷故障碼和參數(shù)辨識數(shù)據(jù)還包括每個故障事件的時間標記。方案10.根據(jù)方案9所述的方法，還包括使用診斷故障碼和參數(shù)辨識數(shù)據(jù)以及每個故障事件的時間標記來預測故障事件涉及的任何系統(tǒng)的系統(tǒng)健康狀況和剩余有用壽命。方案11.根據(jù)方案1所述的方法，其中，每個故障事件的實際故障模式由已經(jīng)解決故障狀況的車輛修理服務(wù)中心提供。方案12. —種用于診斷車輛系統(tǒng)中的故障原因和預測系統(tǒng)健康狀況的方法，所述方法包括
定義能應用于車輛系統(tǒng)中的各種故障狀況的多個診斷故障碼、用于觸發(fā)每個診斷故障碼的標準、以及對于每個診斷故障碼而言應當獲取的參數(shù)辨識數(shù)據(jù)列表；
在車輛上提供控制器，所述控制器使用診斷故障碼以及用于觸發(fā)每個診斷故障碼的標準來編程，且還使用對于每個診斷故障碼而言應當獲取的參數(shù)辨識數(shù)據(jù)列表來編程； 根據(jù)需要在車輛上提供傳感器，以獲取參數(shù)辨識數(shù)據(jù)；
在車輛系統(tǒng)中發(fā)生故障狀況時，通過控制器獲取診斷故障碼和參數(shù)辨識數(shù)據(jù)，其中，每個故障狀況的發(fā)生稱為故障事件，且針對每個故障事件獲取的數(shù)據(jù)還包括時間標記； 將診斷故障碼和參數(shù)辨識數(shù)據(jù)以及時間標記從車輛上的控制器下載到中央計算機； 將來自于多個車輛的故障事件的診斷故障碼和參數(shù)辨識數(shù)據(jù)以及時間標記存儲在中央計算機上，其中，每個故障事件都具有歸因于其的實際故障模式；
使用數(shù)學模型來分析在中央計算機上存儲的來自于故障事件的診斷故障碼和參數(shù)辨識數(shù)據(jù)，所述數(shù)學模型能夠?qū)W習以將數(shù)據(jù)中的特征與每個故障事件的實際故障模式相關(guān)聯(lián)；
使用數(shù)學模型來診斷附加故障事件的故障模式；以及
使用診斷故障碼和參數(shù)辨識數(shù)據(jù)以及每個故障事件的時間標記來預測故障事件涉及的任何系統(tǒng)的系統(tǒng)健康狀況和剩余有用壽命。方案13.根據(jù)方案12所述的方法，其中，分析診斷故障碼和參數(shù)辨識數(shù)據(jù)包括訓練階段，其中，訓練階段包括
提供輸入數(shù)據(jù)，包括用于多個故障模式中的每個的數(shù)據(jù)矩陣，其中，每個數(shù)據(jù)矩陣識別與其有關(guān)的故障模式，且包括來自于多個車輛的故障事件的診斷故障碼和參數(shù)辨識數(shù)據(jù)； 使用預處理模塊來標準化輸入數(shù)據(jù)和減少輸入數(shù)據(jù)中的方差； 使用特征提取模塊來提取輸入數(shù)據(jù)的特征，其中，特征提取模塊包括具有關(guān)鍵統(tǒng)計、主成分分析和偏最小二乘的技術(shù)中的至少一種；
使用分類器模塊來識別輸入數(shù)據(jù)的特征中的型式且將所述型式與實際故障模式相關(guān)聯(lián)，其中，分類器模塊包括具有支持向量機、概率神經(jīng)網(wǎng)絡(luò)、k-近鄰法、決策樹、線性判別分析和二次判別分析的技術(shù)中的至少一種；以及
存儲特征提取模塊和分類器模塊中使用的技術(shù)和設(shè)置，其最有效地將輸入數(shù)據(jù)與實際故障模式相關(guān)聯(lián)。方案14.根據(jù)方案13所述的方法，其中，分析診斷故障碼和參數(shù)辨識數(shù)據(jù)包括檢驗階段，其中，檢驗階段包括提供檢驗數(shù)據(jù)矩陣，包括來自于多個車輛的故障事件的診斷故障碼和參數(shù)辨識數(shù)據(jù)， 其中，每個故障事件都具有歸因于其的實際故障模式；
使用預處理模塊、特征提取模塊、分類器模塊、以及來自于訓練階段的存儲技術(shù)和設(shè)置以產(chǎn)生每個故障事件的診斷故障模式；以及
通過將診斷故障模式與每個故障事件的實際故障模式進行比較，驗證來自于訓練階段的存儲技術(shù)和設(shè)置關(guān)于檢驗數(shù)據(jù)矩陣有效。方案15. —種用于診斷車輛系統(tǒng)中的故障原因的系統(tǒng)，所述系統(tǒng)包括 車輛，帶有要監(jiān)測的多個系統(tǒng)；
車輛上的多個傳感器，用于測量系統(tǒng)中的各種狀況；
車輛上的控制器，其中，控制器配置成從傳感器接收參數(shù)數(shù)據(jù)、監(jiān)測參數(shù)數(shù)據(jù)以確定是否存在任何故障狀況、以及在發(fā)生故障事件時獲取和存儲多個參數(shù)數(shù)據(jù)；
中央計算機，用于收集來自于多個車輛的故障事件的參數(shù)數(shù)據(jù)，其中，所述計算機使用數(shù)學模型來分析參數(shù)數(shù)據(jù)，以針對故障事件組且針對獨立故障事件診斷故障模式；和車輛上的通信系統(tǒng)，用于將故障事件的參數(shù)數(shù)據(jù)傳輸?shù)街醒胗嬎銠C。方案16.根據(jù)方案15所述的系統(tǒng)，其中，控制器包括診斷故障碼的預定列表、用于觸發(fā)每個診斷故障碼的標準以及針對每個診斷故障碼獲取和存儲的參數(shù)數(shù)據(jù)。方案17.根據(jù)方案15所述的系統(tǒng)，其中，通信系統(tǒng)是無線系統(tǒng)，其能夠在車輛不必帶到車輛修理服務(wù)中心的情況下將參數(shù)數(shù)據(jù)傳輸?shù)街醒胗嬎銠C。方案18.根據(jù)方案15所述的系統(tǒng)，其中，由中央計算機使用的數(shù)學模型包括數(shù)據(jù)預處理、特征提取和已訓練分類器模塊。方案19.根據(jù)方案18所述的系統(tǒng)，其中 數(shù)據(jù)預處理模塊包括標準化和方差縮減技術(shù)；
特征提取模塊包括關(guān)鍵統(tǒng)計、主成分分析和偏最小二乘技術(shù)；以及已訓練分類器模塊包括支持向量機、概率神經(jīng)網(wǎng)絡(luò)、k-近鄰法、決策樹、線性判別分析和二次判別分析技術(shù)。方案20.根據(jù)方案15所述的系統(tǒng)，還包括車輛上的計算機，所述計算機配置成使用來自于中央計算機的數(shù)學模型來診斷在車輛系統(tǒng)上發(fā)生的任何新故障事件的故障模式。本發(fā)明的附加特征將從以下說明和所附權(quán)利要求書結(jié)合附圖顯而易見。


圖1是車輛的簡圖，帶有傳感器和控制器，以獲取用于故障診斷架構(gòu)的故障相關(guān)數(shù)據(jù)；
圖2是用于組織故障相關(guān)數(shù)據(jù)以用于故障診斷的事件驅(qū)動數(shù)據(jù)矩陣的簡圖； 圖3是用于獲取車輛故障事件數(shù)據(jù)且將其下載到中央計算機的過程的流程圖； 圖4是用于故障診斷架構(gòu)的訓練階段的系統(tǒng)的框圖；和圖5是用于故障診斷架構(gòu)的檢驗階段的系統(tǒng)的框圖。
具體實施例方式涉及用于機動車系統(tǒng)的事件驅(qū)動故障診斷架構(gòu)的本發(fā)明實施例的以下闡述本質(zhì)上僅僅是示例性的且不旨在限制本發(fā)明或其應用或使用。例如，本發(fā)明具體應用于車輛故障診斷。然而，本發(fā)明的方法將具有用于其它行業(yè)的其它應用，例如航空航天、重型設(shè)備和其它運輸行業(yè)中的故障診斷。圖1是具有用于獲取故障相關(guān)數(shù)據(jù)所需的車載設(shè)備的車輛12的簡圖。車輛12包括發(fā)動機14以及各種其它系統(tǒng)和子系統(tǒng)，例如懸架、轉(zhuǎn)向、變速器和傳動系、熱力管理、娛樂和安全系統(tǒng)。這些系統(tǒng)中的每一個都通常包括許多子系統(tǒng)和部件，其必須處于良好的工作狀況以便母系統(tǒng)正常工作。任何現(xiàn)代車輛12將包括用于監(jiān)測和控制各種車輛系統(tǒng)和子系統(tǒng)的一個或多個控制器16。車輛12還將包括許多車載傳感器18，用于測量寬范圍的系統(tǒng)和部件參數(shù)，包括溫度、壓力、電壓、力、流體流率、流體液位等。傳感器18經(jīng)由電子網(wǎng)絡(luò) (可以是有線或無線)將其參數(shù)數(shù)據(jù)傳送到控制器16?？刂破?6包括用于存儲參數(shù)數(shù)據(jù)的存儲器、以及配置有用于控制各種車輛系統(tǒng)和子系統(tǒng)的算法的處理器。在車輛12中，來自于傳感器18的參數(shù)數(shù)據(jù)被連續(xù)地監(jiān)測?？刂破?6被編程以檢查許多不同參數(shù)及參數(shù)組合的值，以察看所述值是否處于正常范圍內(nèi)。如果檢測到參數(shù)或參數(shù)組合處于其正常范圍之外，那么一個或多個故障碼或診斷故障碼(DTC)被觸發(fā)且存儲在控制器16中。例如，燃料箱壓力傳感器回路(其讀數(shù)在其范圍之夕卜)可觸發(fā)回路級別DTC。 該問題可能比較容易地診斷為壞的燃料箱壓力傳感器或者從燃料箱壓力傳感器到控制器 16的有故障線路連接。另一方面，發(fā)動機不點火可觸發(fā)一個或多個子系統(tǒng)級別DTC。不點火狀況可能非常難以診斷和校正，因為其可能由燃料或燃料噴射系統(tǒng)的問題、點火系統(tǒng)問題、 線路問題、發(fā)動機14中一些地方的機械問題或一些其它問題引起。本發(fā)明的目的在于每當觸發(fā)DTC時就獲取盡可能多的相關(guān)數(shù)據(jù)，且分析該數(shù)據(jù)，以便用于解決每個獨立車輛問題的目的且也用于識別和校正系統(tǒng)設(shè)計問題的目的。為了實現(xiàn)期望目的，提出了三維數(shù)據(jù)矩陣。圖2是用于收集和組織事件驅(qū)動故障數(shù)據(jù)的數(shù)據(jù)矩陣30的簡圖。數(shù)據(jù)矩陣30包括車輛作為第一維32、DTC作為第二維34、以及參數(shù)辨識數(shù)據(jù)(PID)作為第三維36。車輛可以由其車輛識別號碼(VIN)或任何其它合適的標識符識別。DTC必須具有獨特標識符或編號方案?？梢源嬖谂c任何具體車輛平臺相關(guān)聯(lián)的數(shù)百個不同DTC。PID也必須具有獨特標識符或編號方案。通常存在可以在任何發(fā)動機或車輛系列上獲取的數(shù)千個參數(shù)或PID。例如，通常使用的PID包括發(fā)動機rpm、車輛速度、 發(fā)動機冷卻劑溫度、進氣歧管壓力、燃料壓力和蓄電池電壓。在隨后的討論中，術(shù)語“PID” 總的用來指代單個參數(shù)值(例如，發(fā)動機rpm)以及相關(guān)參數(shù)的陣列或“數(shù)據(jù)包”(有時稱為數(shù)據(jù)包標識符(DPID))兩者。為了構(gòu)造數(shù)據(jù)矩陣30，需要定義對于每個DTC而言應當獲取哪些PID。許多DTC 要求獲取數(shù)十個或甚至數(shù)百個特定PID。該關(guān)系通常由負責與DTC有關(guān)的系統(tǒng)的工程師定義。因而，矩陣30通過定義對于給定車輛平臺而言可應用哪些DTC且對于每個DTC而言應該獲取哪些PID而構(gòu)造。數(shù)據(jù)矩陣30然后可以使用在觸發(fā)DTC時來自于維修中的獨立車輛的事件數(shù)據(jù)填充。圖3是用于獲取DTC和PID數(shù)據(jù)以及填充數(shù)據(jù)矩陣的過程的流程圖40。過程在框42開始，其中，任何具體車輛控制器16用觸發(fā)DTC的標準且用在觸發(fā)任何給定DTC時應當獲取的PID列表編程。例如，具體DTC可以定義為在存在某些狀況組合時(例如，發(fā)動機油壓力低于某值，同時發(fā)動機rpm —致地處于某范圍內(nèi))觸發(fā)。如前文所述，數(shù)百個DTC及
8其標準可應用于大多數(shù)車輛。而且，對于每個DTC，定義一組PID，使得在觸發(fā)任何具體DTC 時，所有指定PID數(shù)據(jù)都以“停幀”方式獲取。在車輛12經(jīng)歷觸發(fā)一個或多個DTC的故障事件或問題時，過程繼續(xù)框44。在框46，在控制器16中獲取用于該事件的DTC和相關(guān)PID 數(shù)據(jù)。在框48，獨立事件數(shù)據(jù)下載到包含數(shù)據(jù)矩陣的原版的中央計算機。數(shù)據(jù)下載可以在車輛12被帶到銷售商以便維修時發(fā)生，或者數(shù)據(jù)下載可以經(jīng)由無線通信或遠程信息處理系統(tǒng)在任何時間處理。當更多獨立車輛經(jīng)歷故障事件、獲取DTC和PID數(shù)據(jù)、且將該數(shù)據(jù)下載到寄存數(shù)據(jù)矩陣的原版的計算機時，框44、46和48的動作持續(xù)地繼續(xù)。在框50，主數(shù)據(jù)矩陣用來自于不同車輛事件的DTC和PID數(shù)據(jù)填充。PID數(shù)據(jù)還可以用關(guān)于故障的其它相關(guān)信息補充，例如，由維修中心處的診斷工具獲得的數(shù)據(jù)以及關(guān)于該事件的顧客反饋。在該階段，矩陣包含來自于表示許多不同車輛系統(tǒng)故障模式的事件的數(shù)據(jù)。然后， 需要使用實際現(xiàn)場診斷數(shù)據(jù)來由故障模式分開依事件而定的DTC和PID數(shù)據(jù)。在框52，現(xiàn)場維修報告、顧客觀察以及其它數(shù)據(jù)用于針對每個獨立事件數(shù)據(jù)記錄識別實際故障模式(在可能時)。然后，可以在框討針對具體故障模式構(gòu)造事件驅(qū)動數(shù)據(jù)矩陣，其中，對于已知具有一個具體故障模式的事件，每個依故障模式而定的數(shù)據(jù)矩陣包含車輛、DTC和PID數(shù)據(jù)。在數(shù)據(jù)可用來支持時，依故障模式而定的數(shù)據(jù)矩陣可以針對一樣多的不同故障模式構(gòu)造。例如，一個依故障模式而定的數(shù)據(jù)矩陣可以使用診斷為由燃料箱壓力(FTP)傳感器低電壓故障引起的事件的DTC和PID數(shù)據(jù)填充，另一個矩陣可以針對故障模式診斷為FTP傳感器高電壓故障的事件生成，等等。在事件驅(qū)動數(shù)據(jù)矩陣針對多個具體故障模式用充分的數(shù)據(jù)填充之后，可進行分析過程。本發(fā)明的分析過程以兩個階段(訓練階段和檢驗階段)進行。在訓練階段，使用各種數(shù)學和統(tǒng)計工具來分析依故障模式而定的數(shù)據(jù)矩陣中的數(shù)據(jù)、識別數(shù)據(jù)的特征、且通過故障模式分類數(shù)據(jù)特征。訓練階段包括機器學習技術(shù)(稱為已訓練分類器)以識別數(shù)據(jù)中的依故障模式而定的型式。在檢驗階段，獨立車輛故障事件數(shù)據(jù)被分析且使用來自于訓練階段的已訓練分類器來提供診斷。檢驗階段用附加數(shù)據(jù)驗證已訓練分類器按照預期操作。圖4是用于訓練階段的系統(tǒng)60的框圖。訓練系統(tǒng)60包括可以用于預處理數(shù)據(jù)、 提取數(shù)據(jù)的特征且訓練分類器以由故障模式識別數(shù)據(jù)特征的數(shù)學和統(tǒng)計工具和技術(shù)。由于數(shù)據(jù)模型實際上學習使用哪些參數(shù)設(shè)置以便提取數(shù)據(jù)的最相關(guān)特征且由實際故障模式正確地分類數(shù)據(jù)特征，因而其描述為訓練階段。訓練系統(tǒng)60用依故障模式而定的數(shù)據(jù)矩陣62 開始。如上所述，每個矩陣62包含僅用于已知歸因于一個具體故障模式的事件的數(shù)據(jù)，其中，數(shù)據(jù)包括車輛、DTC和PID數(shù)據(jù)。數(shù)據(jù)矩陣62提供給數(shù)據(jù)預處理模塊64，數(shù)據(jù)預處理模塊64使用標準化、方差縮減、和可能的其它技術(shù)來使數(shù)據(jù)矩陣62準備好用于特征提取。預處理模塊64的目的在于最小化或消除數(shù)據(jù)中的異常，例如在從車輛到中央計算機的數(shù)據(jù)下載期間可能發(fā)生的誤差，這可能歪曲或妨礙將要進行的數(shù)據(jù)分析。特征提取模塊66使用多個數(shù)據(jù)縮減、轉(zhuǎn)換和分析技術(shù)來從數(shù)據(jù)矩陣62識別數(shù)據(jù)的特征。特征是可用于隨后分類數(shù)據(jù)的數(shù)據(jù)特性。特征提取模塊66中使用的技術(shù)的示例包括主要統(tǒng)計(key statistics)、以及降維技術(shù)(例如，主成分分析(PCA))、和偏最小二乘(PLS)。這些技術(shù)均是數(shù)據(jù)分析和數(shù)字信號處理領(lǐng)域的技術(shù)人員已知的。通過將多個分析技術(shù)自動地應用于數(shù)據(jù)，特征提取模塊66可以識別否則在僅使用手動或更少數(shù)據(jù)分析技術(shù)時可能錯失的特征。
數(shù)據(jù)分類器模塊68從特征提取模塊66接收特征且執(zhí)行分類。分類是用于預測數(shù)據(jù)實例的組員關(guān)系的機器學習技術(shù)。廣義而言，對于計算機來說，機器學習的目標是自動地學習以基于數(shù)據(jù)識別復雜型式且進行智能決策。如本文應用的，分類將用于將數(shù)據(jù)特征中的型式與具體車輛系統(tǒng)故障模式相關(guān)聯(lián)。數(shù)據(jù)分類器模塊68使用許多類型的分類器， 包括支持向量機(SVM)、概率神經(jīng)網(wǎng)絡(luò)(PNN)、k-近鄰法(KNN)、決策樹(DT)、線性判別分析 (LDA)和二次判別分析(QDA)。這些技術(shù)或其組合(稱為熔合)也是本領(lǐng)域技術(shù)人員已知的， 且已經(jīng)顯示能夠識別數(shù)據(jù)特征中的表示故障模式的型式。分類器模塊68的輸出是整個訓練系統(tǒng)60的累積學習。這包括用于數(shù)據(jù)預處理模塊64的參數(shù)和設(shè)置；用于特征提取模塊66的技術(shù)和參數(shù)以及從特征提取模塊66得到的特征；以及所使用的分類器、所學習的參數(shù)、及在分類器模塊68中檢測到的分類型式。檢驗階段用于驗證在訓練階段中在機器學習意義上被訓練的分類器。即，檢驗階段將驗證已訓練分類器有效地識別數(shù)據(jù)中的依故障模式而定的型式且針對附加基于事件的數(shù)據(jù)達到正確的診斷。作為總體拇指規(guī)則，在依故障模式而定的數(shù)據(jù)矩陣62中可用的事件數(shù)據(jù)的總量中，其中大約三分之二應當用于訓練階段，且其余三分之一應當用于檢驗階段。圖5是用于檢驗階段的系統(tǒng)80的框圖。檢驗系統(tǒng)80以檢驗數(shù)據(jù)矩陣82開始。檢驗數(shù)據(jù)矩陣82可以包括用于多個不同已知故障模式事件的事件數(shù)據(jù)，或者其可以僅包括用于已知由單個具體故障模式引起的事件的數(shù)據(jù)。在任一情況下，檢驗階段將用于驗證對于檢驗數(shù)據(jù)矩陣82中的每個事件來說已訓練分類器達到正確的診斷。數(shù)據(jù)預處理和特征提取模塊84以與來自于訓練系統(tǒng)60的模塊64和66相同的方式操作，使用用于訓練系統(tǒng) 60中的特征提取的相同技術(shù)和設(shè)置。這確保從檢驗數(shù)據(jù)矩陣82提取的特征將可與從依故障模式而定的數(shù)據(jù)矩陣62 (在訓練階段使用)提取的特征比較。從模塊84提取的特征傳送到已訓練分類器模塊86，其使用在訓練階段期間學習的參數(shù)配置。即，在機器學習的意義上，訓練階段的結(jié)果是具體分類器已經(jīng)被訓練以識別與具體故障模式相關(guān)聯(lián)的特征數(shù)據(jù)中的型式。在檢驗階段，已訓練分類器在模塊86中使用以針對檢驗數(shù)據(jù)矩陣82中的每個具體事件診斷故障模式。一旦模塊86中的已訓練分類器被檢驗且顯示針對具體DTC事件可靠地診斷故障模式，特征提取和分類器模塊就可以在車輛上或者以其它方式配置用于故障隔離。通過使用分類器來在發(fā)生獨立車輛故障事件時診斷其根本原因，可以獲得最直接的益處。分類器能夠以兩種方式應用于故障診斷。第一，診斷型式可以下載到車輛維修中心處的計算機88， 從而在已經(jīng)經(jīng)歷故障事件的車輛12被帶到維修中心以便修理時，DTC和PID數(shù)據(jù)將從車輛 12下載到維修中心計算機88，且診斷型式將由維修中心計算機88識別，且診斷可以提供給維修技術(shù)人員。數(shù)據(jù)分類可以用于故障診斷的另一種方式是通過將診斷型式直接下載到獨立車輛12上的計算機90。計算機90可以是與控制器16相同的裝置，或者其可以是不同的裝置。如果車載計算機90用識別診斷數(shù)據(jù)型式所需的已訓練分類器編程，那么在發(fā)生故障事件且獲取DTC和PID數(shù)據(jù)時，車載計算機90可能立即診斷故障的真實根本原因。這繼而將允許采取進一步的動作，例如重新配置或停用受故障影響的系統(tǒng)，或者通知駕駛員車輛 12應當盡快帶到銷售商以便維修。還可以使用無線通信或遠程信息處理系統(tǒng)來將車載車輛診斷連同相關(guān)DTC和PID數(shù)據(jù)一起傳達到車輛維修中心。維修中心然后可以聯(lián)系車主、將
10情況向車主闡述，且可能排定維修預約。故障數(shù)據(jù)分析和分類的結(jié)果還可應用于未來產(chǎn)品設(shè)計。例如，借助于上述方法的數(shù)據(jù)分析可以暴露由于硬件部件的可靠性或耐用性或者硬件部件的操作引起的重復出現(xiàn)問題，從而得出結(jié)論對于未來車輛程序，損壞部件應當重新設(shè)計。將來自于現(xiàn)有車隊的現(xiàn)場維修數(shù)據(jù)應用于未來車輛設(shè)計不是新的方法，但是本發(fā)明的方法允許改進診斷故障的根本原因，同時減少誤診斷的發(fā)生率，從而使得在什么情況下哪些車輛上發(fā)生哪些故障更清楚。借助于現(xiàn)有故障數(shù)據(jù)分析方法，一些類型的故障可能不會用足以允許未來設(shè)計改進的準確性和頻率診斷。例如，上述損壞部件可能之前從未識別為有問題的，因為在許多情況下系統(tǒng)故障可能不能正確地診斷。本發(fā)明的方法導致清楚得多的信息，其可用于故障模式和影響分析(FMEA)且應用于未來車輛設(shè)計。數(shù)據(jù)矩陣30還可以擴展到第四維，其中，第四維是時間。時間數(shù)據(jù)能以任何合適的時標(優(yōu)選為絕對時標，包括年、年內(nèi)的天數(shù)、小時、分鐘和秒)測量。時間標記將針對數(shù)據(jù)矩陣30中的每個DTC事件項(entry)來記錄。然后，如果在獨立車輛上對于第二時間發(fā)生 DTC事件，可以評估參數(shù)數(shù)據(jù)以察看是否有任何事情隨時間顯著地變化。例如，考慮發(fā)生三次的燃料箱壓力(FTP)傳感器間歇性DTC事件，其中，在三個事件之間經(jīng)過一個月的時間。 在該示例中，在發(fā)動機控制模塊檢測到突然FTP PID變化時觸發(fā)DTC事件。如果FTP電壓 PID在這三個事件期間具有增加或減少趨勢，這可以表示FTP傳感器參考端口被阻塞或者在該車輛上近來將發(fā)生FTP傳感器回路低電壓或高電壓問題。該示例以非常簡單的形式示出了時間數(shù)據(jù)可以如何用于增強矩陣數(shù)據(jù)30可能的分析和診斷類型。更復雜的分析是可能的，包括使用時序數(shù)據(jù)以提供系統(tǒng)健康狀況和剩余有用壽命的預測。剩余有用壽命數(shù)據(jù)然后可以由車輛維修中心使用，以推薦車主修理或更換降級的系統(tǒng)或部件。上述方法和系統(tǒng)提供了用于車輛系統(tǒng)故障的改進診斷架構(gòu)，同時不需要在車輛上包括任何附加硬件。改進故障診斷信息可以通過任何問題的快速診斷和校正而給車主提供直接的益處，且可以允許車輛制造商改進顧客滿意度、減少保修成本以及改進未來產(chǎn)品設(shè)計。前述討論僅僅公開和描述了本發(fā)明的示例性實施例。本領(lǐng)域技術(shù)人員從這種討論和附圖以及權(quán)利要求將容易認識到可以對本文進行各種變化、修改和變型，而不偏離由所附權(quán)利要求限定的本發(fā)明的精神和范圍。
1權(quán)利要求
1.一種用于診斷車輛系統(tǒng)中的故障原因的方法，所述方法包括定義能應用于車輛系統(tǒng)中的各種故障狀況的多個診斷故障碼、用于觸發(fā)每個診斷故障碼的標準、以及對于每個診斷故障碼而言應當獲取的參數(shù)辨識數(shù)據(jù)列表；在車輛上提供控制器，所述控制器使用診斷故障碼以及用于觸發(fā)每個診斷故障碼的標準來編程，且還使用對于每個診斷故障碼而言應當獲取的參數(shù)辨識數(shù)據(jù)列表來編程； 根據(jù)需要在車輛上提供傳感器，以獲取參數(shù)辨識數(shù)據(jù)；在車輛系統(tǒng)中發(fā)生故障狀況時，通過控制器獲取診斷故障碼和參數(shù)辨識數(shù)據(jù)，其中，每個故障狀況的發(fā)生稱為故障事件；將診斷故障碼和參數(shù)辨識數(shù)據(jù)從車輛上的控制器下載到中央計算機； 將來自于多個車輛的故障事件的診斷故障碼和參數(shù)辨識數(shù)據(jù)存儲在中央計算機上，其中，每個故障事件都具有歸因于其的實際故障模式；使用數(shù)學模型來分析在中央計算機上存儲的來自于故障事件的診斷故障碼和參數(shù)辨識數(shù)據(jù)，所述數(shù)學模型能夠?qū)W習以將數(shù)據(jù)中的特征與每個故障事件的實際故障模式相關(guān)聯(lián)；以及使用數(shù)學模型來診斷附加故障事件的故障模式。
2.根據(jù)權(quán)利要求1所述的方法，其中，分析診斷故障碼和參數(shù)辨識數(shù)據(jù)包括訓練階段和檢驗階段。
3.根據(jù)權(quán)利要求2所述的方法，其中，訓練階段包括提供輸入數(shù)據(jù)，包括用于多個故障模式中的每個的數(shù)據(jù)矩陣，其中，每個數(shù)據(jù)矩陣識別與其有關(guān)的故障模式，且包括來自于多個車輛的故障事件的診斷故障碼和參數(shù)辨識數(shù)據(jù)； 使用預處理模塊來標準化輸入數(shù)據(jù)和減少輸入數(shù)據(jù)中的方差； 使用特征提取模塊來提取輸入數(shù)據(jù)的特征；使用分類器模塊來識別輸入數(shù)據(jù)的特征中的型式且將所述型式與實際故障模式相關(guān)聯(lián)；以及存儲特征提取模塊和分類器模塊中使用的技術(shù)和設(shè)置，其最有效地將輸入數(shù)據(jù)與實際故障模式相關(guān)聯(lián)。
4.根據(jù)權(quán)利要求3所述的方法，其中，特征提取模塊包括具有關(guān)鍵統(tǒng)計、主成分分析和偏最小二乘的技術(shù)中的至少一種。
5.根據(jù)權(quán)利要求3所述的方法，其中，分類器模塊包括具有支持向量機、概率神經(jīng)網(wǎng)絡(luò)、k-近鄰法、決策樹、線性判別分析和二次判別分析的技術(shù)中的至少一種。
6.根據(jù)權(quán)利要求3所述的方法，其中，檢驗階段包括提供檢驗數(shù)據(jù)矩陣，包括來自于多個車輛的故障事件的診斷故障碼和參數(shù)辨識數(shù)據(jù)， 其中，每個故障事件具有歸因于其的實際故障模式；使用預處理模塊、特征提取模塊、分類器模塊、以及來自于訓練階段的存儲技術(shù)和設(shè)置以產(chǎn)生每個故障事件的診斷故障模式；以及通過將診斷故障模式與每個故障事件的實際故障模式進行比較，驗證來自于訓練階段的存儲技術(shù)和設(shè)置關(guān)于檢驗數(shù)據(jù)矩陣有效。
7.根據(jù)權(quán)利要求6所述的方法，還包括在訓練和檢驗階段之后，將數(shù)學模型下載到車輛修理服務(wù)中心處的計算機，以及使用所述數(shù)學模型來診斷被帶到車輛修理服務(wù)中心以便診斷的車輛上的故障事件的故障模式。
8.根據(jù)權(quán)利要求6所述的方法，還包括在訓練和檢驗階段之后，將數(shù)學模型下載到車輛上的計算機，以及使用所述數(shù)學模型來診斷所述車輛上的故障事件的故障模式。
9.一種用于診斷車輛系統(tǒng)中的故障原因和預測系統(tǒng)健康狀況的方法，所述方法包括 定義能應用于車輛系統(tǒng)中的各種故障狀況的多個診斷故障碼、用于觸發(fā)每個診斷故障碼的標準、以及對于每個診斷故障碼而言應當獲取的參數(shù)辨識數(shù)據(jù)列表；在車輛上提供控制器，所述控制器使用診斷故障碼以及用于觸發(fā)每個診斷故障碼的標準來編程，且還使用對于每個診斷故障碼而言應當獲取的參數(shù)辨識數(shù)據(jù)列表來編程； 根據(jù)需要在車輛上提供傳感器，以獲取參數(shù)辨識數(shù)據(jù)；在車輛系統(tǒng)中發(fā)生故障狀況時，通過控制器獲取診斷故障碼和參數(shù)辨識數(shù)據(jù)，其中，每個故障狀況的發(fā)生稱為故障事件，且針對每個故障事件獲取的數(shù)據(jù)還包括時間標記； 將診斷故障碼和參數(shù)辨識數(shù)據(jù)以及時間標記從車輛上的控制器下載到中央計算機； 將來自于多個車輛的故障事件的診斷故障碼和參數(shù)辨識數(shù)據(jù)以及時間標記存儲在中央計算機上，其中，每個故障事件都具有歸因于其的實際故障模式；使用數(shù)學模型來分析在中央計算機上存儲的來自于故障事件的診斷故障碼和參數(shù)辨識數(shù)據(jù)，所述數(shù)學模型能夠?qū)W習以將數(shù)據(jù)中的特征與每個故障事件的實際故障模式相關(guān)聯(lián)；使用數(shù)學模型來診斷附加故障事件的故障模式；以及使用診斷故障碼和參數(shù)辨識數(shù)據(jù)以及每個故障事件的時間標記來預測故障事件涉及的任何系統(tǒng)的系統(tǒng)健康狀況和剩余有用壽命。
10.一種用于診斷車輛系統(tǒng)中的故障原因的系統(tǒng)，所述系統(tǒng)包括 車輛，帶有要監(jiān)測的多個系統(tǒng)；車輛上的多個傳感器，用于測量系統(tǒng)中的各種狀況；車輛上的控制器，其中，控制器配置成從傳感器接收參數(shù)數(shù)據(jù)、監(jiān)測參數(shù)數(shù)據(jù)以確定是否存在任何故障狀況、以及在發(fā)生故障事件時獲取和存儲多個參數(shù)數(shù)據(jù)；中央計算機，用于收集來自于多個車輛的故障事件的參數(shù)數(shù)據(jù)，其中，所述計算機使用數(shù)學模型來分析參數(shù)數(shù)據(jù)，以針對故障事件組且針對獨立故障事件診斷故障模式；和車輛上的通信系統(tǒng)，用于將故障事件的參數(shù)數(shù)據(jù)傳輸?shù)街醒胗嬎銠C。
全文摘要
本發(fā)明涉及用于機動車系統(tǒng)的事件驅(qū)動故障診斷架構(gòu)。用于每當觸發(fā)診斷故障碼(DTC)時就獲取和分析來自于車輛系統(tǒng)的重要參數(shù)數(shù)據(jù)的系統(tǒng)和方法。構(gòu)造多維數(shù)據(jù)矩陣，其中，車輛、DTC和參數(shù)數(shù)據(jù)構(gòu)成矩陣的三維。數(shù)據(jù)矩陣用來自于許多不同車輛的DTC和操作參數(shù)填充，在車輛帶到銷售商以便維修時或者經(jīng)由無線數(shù)據(jù)下載來進行。時間可以添加作為矩陣的第四維，從而提供具體系統(tǒng)或部件是否在時間上降級的指示。在積聚足夠的數(shù)據(jù)時，使用各種數(shù)學技術(shù)，預處理數(shù)據(jù)矩陣，從數(shù)據(jù)提取特征，且將特征分類。然后，訓練后的分類器用于診斷任何特定故障信號的根本原因，且還提供系統(tǒng)健康狀況和剩余有用壽命的預測。
文檔編號G01M17/007GK102200487SQ20111007190
公開日2011年9月28日 申請日期2011年3月24日 優(yōu)先權(quán)日2010年3月24日
發(fā)明者班迪尤帕迪亞伊 P., 喬古列 R., 辛赫 S. 申請人:通用汽車環(huán)球科技運作有限責任公司