CN110362059B - 诊断装置和诊断方法 - Google Patents
诊断装置和诊断方法 Download PDFInfo
- Publication number
- CN110362059B CN110362059B CN201910203417.0A CN201910203417A CN110362059B CN 110362059 B CN110362059 B CN 110362059B CN 201910203417 A CN201910203417 A CN 201910203417A CN 110362059 B CN110362059 B CN 110362059B
- Authority
- CN
- China
- Prior art keywords
- learning
- value
- vehicle
- diagnostic
- unit
- Prior art date
- Legal status (The legal status 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 status listed.)
- Expired - Fee Related
Links
- 238000002405 diagnostic procedure Methods 0.000 title claims abstract description 14
- 238000003745 diagnosis Methods 0.000 claims abstract description 27
- 238000004891 communication Methods 0.000 description 45
- 238000001514 detection method Methods 0.000 description 20
- 230000005856 abnormality Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000000034 method Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 9
- 238000007689 inspection Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 239000000470 constituent Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 239000000446 fuel Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G07C5/0808—Diagnosing performance data
-
- 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
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0237—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on parallel systems, e.g. comparing signals produced at the same time by same type systems and detect faulty ones by noticing differences among their responses
-
- 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
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- 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
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2637—Vehicle, car, auto, wheelchair
-
- 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
- G07C5/0825—Indicating performance data, e.g. occurrence of a malfunction using optical means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及诊断装置和诊断方法。一种诊断装置包括:学习信息获取单元,其被配置为获取在与第二车辆相距预定范围内存在的至少一个第一车辆中安装的第一装置的学习值;学习单元,其被配置为使用所述第一装置的学习值来计算安装在所述第二车辆中的第二装置的学习值;以及诊断单元,其被配置为通过将所述第二装置的检测值与所述第二装置的学习值进行比较来诊断所述第二装置的操作状态。
Description
技术领域
本发明涉及用于诊断安装在车辆中的装置的异常迹象的诊断装置和诊断方法。
背景技术
已开发出用于诊断装置的异常迹象的技术。例如,日本未经审查的专利申请公开No.2016-157206(JP 2016-157206 A)公开了一种迹象诊断***,该迹象诊断***包括:群集生成装置,其用于通过从检查目标装置和与目标装置相同类型的多个装置的测量值的累积数据中提取特征数量来生成群集;异常程度计算装置,其用于基于所生成的群集和目标装置的测量值来计算异常程度;群选择装置,其用于基于计算出的异常程度,从群集中选择预测目标装置的检查定时所使用的群;以及检查定时预测装置,其用于基于所选择的群来计算目标装置的装置状态的预测值并且基于预测值和预定的阈值来预测目标装置的检查定时。
发明内容
JP 2016-157206 A中描述的技术是基于每个装置都处于同一环境中的前提。因此,当在装置安装在车辆中的情况下,由于诸如车辆正在其上行驶的道路的道路表面形状、道路坡度或天气的外部环境而导致装置的数据改变时,难以正确地执行异常迹象诊断。
本发明提供能够正确诊断安装在车辆中的装置的异常迹象的诊断装置和诊断方法。
本发明的第一方面涉及一种诊断装置。所述诊断装置包括:学习信息获取单元,其被配置为获取在与第二车辆相距预定范围内存在的至少一个第一车辆中安装的第一装置的学习值;学习单元,其被配置为使用所述第一装置的学习值来计算安装在所述第二车辆中的第二装置的学习值;以及诊断单元,其被配置为通过将所述第二装置的检测值与所述第二装置的学习值进行比较来诊断所述第二装置的操作状态。
在根据第一方面的诊断装置中,所述学习单元可被配置为当所述第一装置的检测值与所述第一装置的学习值之间的差值等于或小于阈值时,使用所述第一装置的学习值来计算所述第二装置的学习值。
在根据第一方面的诊断装置中,可基于与所述第一车辆相距预定范围内存在的至少一个第三车辆中安装的第三装置的学习值来计算所述第一装置的学习值;所述学习信息获取单元可被配置为彼此关联地获取所述第一装置的学习值和学习车辆的数量,所述学习车辆的数量指示与计算所述第一装置的学习值相关的所述第三车辆的数量;并且所述学习单元可被配置为使用所述第一装置的学习值和所述学习车辆的数量来计算所述第二装置的学习值。
在根据该方面的诊断装置中,所述学习单元可被配置为当与所述第一装置的学习值关联的所述学习车辆的数量超过阈值时,使用所述第一装置的学习值来计算所述第二装置的学习值。
在根据该方面的诊断装置中,所述学***均作为所述第二装置的学习值。
在根据第一方面的诊断装置中,所述学习单元可被配置为在修理或检查所述第二车辆时重置所述第二装置的学习值。
本发明的第二方面涉及一种诊断方法。所述诊断方法包括:获取安装在第一车辆中的第一装置的学习值;使用所述第一装置的学习值来计算与所述第一车辆相距预定范围内存在的第二车辆中安装的第二装置的学习值;以及通过将所述第二装置的检测值与所述第二装置的学习值进行比较来诊断所述第二装置的操作状态。
根据本发明的各方面,能够准确地诊断安装在车辆中的车辆的异常迹象。
附图说明
以下,将参照附图描述本发明的示例性实施例的特征、优点以及技术和工业重要性,附图中类似的标号表示类似的元件,并且其中:
图1是例示根据本发明的第一实施例的包括诊断装置的车辆的示意性配置的示图;
图2是示出根据本发明的第一实施例的使用诊断装置的诊断方法的过程示例的流程图;
图3是例示根据本发明的第一实施例的诊断装置的配置示例的示图;
图4A是例示根据本发明的第一实施例的诊断装置进行的诊断示例的示图;
图4B是例示根据本发明的第一实施例的诊断装置进行的诊断示例的示图;
图4C是例示根据本发明的第一实施例的诊断装置进行的诊断示例的示图;
图5是例示根据本发明的第二实施例的包括诊断装置的***的示意性配置的示图;
图6是例示根据本发明的第三实施例的诊断***的示意性配置的示图;以及
图7是示出根据本发明的第三实施例的使用诊断***的诊断方法的过程示例的流程图。
具体实施方式
下文中,将参照附图来详细地描述本发明的实施例。
第一实施例
图1是例示根据第一实施例的包括诊断装置的车辆的示意性配置的示图。每个车辆1包括诊断装置10、电子控制单元(ECU)20、装置30、车辆间通信单元40和显示单元50。为了便于描述,在图1中,仅例示了具有相同配置的三个车辆1-1、1-2、1-3。在第一实施例中,车辆1-1被称为本车辆(第二车辆的示例),并且车辆1-2和车辆1-3是与车辆1-1相距预定范围内存在的附近车辆(第一车辆的示例)。这里,预定范围是例如能够在其中进行车辆间通信的范围。
由于传感器随时间推移而劣化,因此传感器的检测值会逐渐偏离正常值,使得基于传感器的检测值的致动器的控制值也偏离正常值。因此,在本发明中,监视传感器的检测值或致动器的控制值,以便诊断传感器。
装置30是传感器或致动器,并且装置30的检测值意指传感器的检测值(传感器值)或致动器的控制值。下文中,在本说明书的实施例中,装置30将被描述为传感器30。诸如外部空气温度传感器、进气温度传感器、水温传感器、车速传感器、O2传感器、转向传感器、气压传感器、超声波传感器、陀螺仪传感器和障碍物传感器的各种传感器30被安装在车辆1中。传感器30的检测值被输出到使用检测值执行处理的ECU 20
多个ECU 20被安装在车辆1中并且用电子方式控制车辆1的各种操作。例如,用于发动机的ECU 20基于来自诸如进气温度传感器、水温传感器、车速传感器、O2传感器等的传感器30的信息来驱动致动器,并且控制发动机的燃料喷射量或喷射时间。
车辆间通信单元40使用预先分派的频带中的无线电波执行车辆1之间的直接通信(车辆间通信),并且接收和解调来自附近车辆1-2、1-3的安装在附近车辆1-2、1-3中的传感器30(第一装置)的学习信息。另外,车辆间通信单元40调制安装在本车辆1-1中的传感器30(第二装置)的学习信息,并且将学习信息发送到附近车辆1-2、1-3。车辆间通信单元40能够与存在于无线电波的覆盖范围内的附近车辆通信。可通过调节无线电波的强度来适宜地调节无线电波的覆盖范围。车辆间通信单元40将接收到的学习信息输出到诊断装置10。车辆间通信单元40在任何频率下发送和接收学习信息。一旦车辆间通信单元40与同一车辆执行通信,车辆间通信单元40就不能再执行通信,直到经过了预定时间段,以便限制与同一车辆多次进行通信。
诊断装置10基于车辆间通信单元40利用车辆间通信接收到的学习信息,确定是否存在诸如安装在本车辆1-1中的传感器30的故障的异常迹象。
显示单元50是例如面板显示器或平视显示器,并且显示诊断装置10的诊断结果等。
在参照图2描述概述之后,将参照图3和图4A至图4C更详细地描述诊断装置10的处理内容。图2是示出使用诊断装置10的诊断方法的过程的示例的流程图。
诊断装置10利用车辆间通信获取相对于安装在附近车辆1-2、1-3中的传感器30的学习信息(步骤S11)。然后,诊断装置10从所获取的学习信息中选择可靠性高的学习值(步骤S12)。使用可靠性高的学习值来计算安装在本车辆1-1中的传感器30的学习值(步骤S13)。传感器30的学习值指示通过估计传感器30的检测值的正常值而获得的值。下面,将描述步骤S12和S13的处理的具体示例。可省略步骤S12的处理。
诊断装置10将安装在本车辆1-1中的传感器30的检测值与计算出的学习值进行比较(步骤S14),并且当二者偏离(步骤S14中的“是”)时,诊断装置10确定安装在本车辆1-1中的传感器30有异常迹象(步骤S15),并且当二者不偏离(步骤S14中的“否”)时,诊断装置10确定安装在本车辆1-1中的传感器30没有异常迹象(步骤S16)。
图3是例示诊断装置10的配置示例的示图。图3中例示的诊断装置10包括学习信息获取单元110、学习单元120、诊断单元130和存储单元140。
学习信息获取单元110执行上述步骤S11的处理。也就是说,学习信息获取单元110指示车辆间通信单元40利用车辆间通信接收附近车辆1-2、1-3的学习信息。学习信息获取单元110从车辆间通信单元40获取安装在附近车辆1-2、1-3中的传感器30的学习信息,并且将所获取的学习信息输出到存储单元140。
学习单元120执行上述步骤S12和S13的处理。也就是说,学习单元120确定存储在存储单元140中的学习信息中包括的学习值的可靠性,并且丢弃包括可靠性低的学习值的学习信息。学习单元120基于可靠性高的学习值来计算安装在本车辆1-1中的传感器30的学习值,并且将计算出的学习值输出到诊断单元130。
诊断单元130执行上述步骤S14中S16的处理。也就是说,对于安装在本车辆1-1中的每个传感器30,诊断单元130将传感器30的检测值与学习单元120计算出的学习值进行比较。当二者之间的差值超过预设阈值(本车辆1-1的检测值偏离学习值)时,诊断单元130确定传感器30有异常迹象。当二者之间的差值等于或小于阈值(本车辆1-1的检测值不偏离学习值)时,诊断单元130确定传感器30没有异常迹象。诊断单元130将诊断结果输出到显示单元50、扬声器、外部服务器等。当诊断单元130确定本车辆1-1的传感器30有异常迹象时,诊断单元130可不将传感器30的学习信息发送到附近车辆1-2、1-3。
图4A至图4C是例示诊断装置10中的检测值的诊断的具体示例的示图。在图4A至图4C中例示的示例中,假定本车辆1-1从附近车辆1-2、1-3重新接收传感器30的学习信息。基于安装在与车辆相距预定范围内存在的附近车辆中的传感器30的学习信息来计算安装在特定车辆中的传感器30的学习值。也就是说,基于安装在附近车辆1-2、1-3中的传感器30的学习信息来计算安装在本车辆1-1中的传感器30的学习值。另外,基于安装在车辆1-2周围的车辆中的传感器30的学习信息来计算安装在车辆1-2中的传感器30的学习值,并且基于安装在车辆1-3周围的车辆中的传感器30的学习信息来计算安装在车辆1-3中的传感器30的学习值。
当传感器30的检测值为X而学习值为Y时,关于误差值的信息可被包括在学习值中,并且误差值可被表示为“检测值X,误差值(Y-X)”。也就是说,学习值是检测值和误差值之和。例如,在图4A中,车辆1-1中的学习值可被表示为“检测值21℃,误差值-1℃”而非被表示为“20℃”。通过包括关于误差值的信息,可估计当误差值大时学习值的可靠性有可能低。因此,学习单元120可丢弃存储在存储单元140中的学习信息当中的误差值超过阈值时的学习信息,并且使用其中误差值(或与检测值的差值)等于或小于阈值的学习值来计算安装在本车辆1-1中的传感器30的学习值。
本车辆1-1可不从本车辆1-1已从其接收了一次学习信息的附近车辆1-2、1-3接收学习信息,直到已经过了预定时间或更长时间。例如,用于识别车辆的识别ID可被包括在学习信息中,并且当重新获取的学习信息中包括的识别ID与过去获取的学习信息中包括的识别ID相同并且学习信息获取时间的差值等于预定时间或比预定时间短时,学习信息获取单元110可丢弃重新获取的学习信息。
在图4A和图4B中,学***均值(22+20+24)/3=22[℃]。
另外,与学习值的计算相关的车辆1的数量(学习车辆的数量)可被包括在学习信息中,并且学习值与学习车辆的数量关联,如图4B中例示的。车辆1-2的学习信息指示已使用“10”个车辆1的外部空气温度传感器30的学习信息计算出学习值“22℃”。当学习车辆的数量为“1”时,这指示学习值是初始值或重置后的值。学习值的初始值是例如检测值本身。
当学习车辆的数量少时,学习值的可靠性有可能低。因此,学习单元120可丢弃存储在存储单元140中的学习值当中的与等于或小于阈值的车辆数量关联的学习值,并且使用超过阈值的与学习车辆数量关联的学习值来计算安装在本车辆1-1中的传感器30的学习值。
在图4B中,当本车辆1-1的学***均设置成安装在本车辆1-1中的外部空气温度传感器30的学习值。例如,学习单元120使用式(1)来计算安装在本车辆1-1中的传感器30的学习值x^。xi是安装在车辆1-i中的传感器30的学习值,并且wi是相对于安装在车辆1-i中的传感器30的学习车辆的数量。在图4B的示例中,当使用式(1)时,对于安装在车辆1-1中的外部空气温度传感器30,学习后的学习值x^为(20×5+22×10+24×5)/(5+10+5)=22[℃]。
在图4B中,在本车辆1-1学习后的学习车辆的数量为5+10+5=20。每当通过从附近车辆1-2、1-3获取学习信息执行学习时,学习车辆的数量增加。因此,当本车辆1-1的学习车辆的数量超过阈值时,学习单元120可丢弃存储在存储单元140中的学习值当中的首次存储的学习值。另外,存储单元140可删除存储时间已经过预定时间或更长时间的旧学习值。
另外,当基于汽车检查登记***执行修理或检查(车辆检查)时,可删除存储在存储单元140中的学习信息,并且可重置学习值,因为能获得准确的值作为学习值。另外,可提供例如通过以下步骤使车辆1能够获取传感器30的正常值的手段:驱动发送包括传感器30的正常值(准确学习值)的学习信息的验证车辆或者设置发送包括传感器30的正常值的学习信息的基站。已接收到正常值的车辆1可删除存储在存储单元140中的学习信息并且重置学习值。当已获取传感器30的准确学习值时,可包括指示学习值的可靠性高的可靠性信息作为学习信息,并且学习单元120可在考虑到可靠性信息的情况下计算学习值。
当传感器30是外部空气温度传感器时,传感器30难以受到除了外部环境之外的环境的影响。假定本车辆1-1与附近车辆1-2、1-3的外部环境相似。因此,对于外部空气温度传感器,可使用附近车辆1-2、1-3的所有学习值来执行学习。然而,例如,由于水温传感器、油温传感器、大气压传感器等的正常值根据发动机启动后经过的时间而不同,因此期望使用附近车辆1-2、1-3中的行驶环境相近的车辆的学习值来执行学习。因此,如图4C中例示的,可在学习信息中包括指示诸如发动机启动后经过的时间的行驶环境的参数,以便能够确定行驶环境是否相似。
根据传感器30的类型,附近车辆与本车辆1-1之间的参数差值大的附近车辆的学习值的可靠性有可能低。因此,学习单元120可根据传感器30的类型,丢弃存储在存储单元140中的学习信息当中的附近车辆与本车辆1-1之间的参数差值超过阈值时的学习信息,并且使用附近车辆与本车辆1-1之间的参数差值等于或小于阈值的学习值来计算安装在本车辆1-1中的传感器30的学习值。
例如,在图4C中,由于本车辆1-1与附近车辆1-3之间的参数差值大,因此本车辆1-1的学习单元120丢弃从附近车辆1-3获取的相对于油温传感器30的学习信息,并且使用从附近车辆1-2获取的学习信息来计算安装在本车辆1-1中的油温传感器30的学习值。在使用式(1)的情况下,安装在车辆1-1中的油温传感器30的学习值x^为(92×8+90×5)/(8+5)=91.2[℃],并且学习车辆的数量为8+5=13。
因此,在根据第一实施例的诊断装置10和诊断方法中,获取安装在附近车辆1-2、1-3中的传感器30的学习值,并且使用所获取的学习值来计算与附近车辆1-2、1-3相距预定范围内存在的本车辆1-1中安装的传感器30的学习值。换句话讲,获取与本车辆1-1相距预定范围内存在的附近车辆1-2、1-3的学习值,并且使用所获取的学习值来计算安装在本车辆1-1中的传感器30的学习值。通过将安装在本车辆1-1中的传感器30的检测值与传感器30的学习值进行比较来诊断安装在本车辆1-1中的传感器30的操作状态。因此,根据本发明的第一实施例,能够正确地估计传感器30的正常值,并且准确地诊断安装在本车辆1-1中的传感器30的异常迹象。
另外,通过从自附近车辆1-2、1-3获取的学习信息当中选择可靠性高的学习值并且使用所选择的学习值计算安装在车辆1-1中的传感器30的学习值,能够以更高准确性诊断安装在本车辆1-1中的传感器30的异常迹象。
另外,由于从附近车辆1-2、1-3获取的学习值是基于多个车辆的学习信息的学习结果,因此例如在图4B中例示的示例中,通过车辆1-1从附近车辆1-2、1-3接收学习信息,使学习车辆的数量从5增至20。因此,根据本发明的第一实施例,即使当从少量附近车辆1-2、1-3接收到学习信息时,也能够基于非常大量车辆的学习信息执行学习,并且提高学习速度。
第二实施例
接下来,将描述根据第二实施例的诊断装置。在第一实施例中已示出了诊断装置10被安装在每个车辆1中的示例,但是根据第二实施例的诊断装置10被包括在车辆1的外部。
图5是例示根据第二实施例的包括诊断装置的***的示意性配置的示图。每个车辆1包括ECU 20、装置(第二实施例中的传感器)30、显示单元50和广域通信单元60。服务器2包括广域通信单元21和诊断装置10。服务器2可以是云服务器或数据中心。
广域通信单元60使用预先分派的频带中的无线电波调制相对于安装在车辆1中的传感器30的学习信息,并且经由广域通信网络将学习信息发送到服务器2。
广域通信单元21使用预先分派的频带中的无线电波,经由广域通信网络从每个车辆1接收相对于安装在每个车辆1中的传感器30的学习信息,对学习信息进行解调,并且将经解调的学习信息输出到诊断装置10。
根据第二实施例的诊断方法与参照图2描述的第一实施例的诊断方法相同。注意的是,在第二实施例中,主车辆1-1意指诊断目标车辆,并且附近车辆1-2、1-3意指与诊断目标车辆1-1相距预定范围内存在的车辆。
当诊断装置10对安装在车辆1-1中的传感器30执行诊断时,学习信息获取单元110从广域通信单元21获取诊断目标车辆1-1和附近车辆1-2、1-3的学习信息,学习单元120基于诊断目标车辆1-1和附近车辆1-2、1-3的学习信息来计算学习值,并且诊断单元130将诊断目标车辆1-1的检测值与诊断目标车辆1-1的学习值进行比较,以诊断传感器30的操作状态。诊断结果可被存储在服务器2中,或者可被输出到广域通信单元21并发送到诊断目标车辆1-1。
因此,根据第二实施例的诊断装置10被设置在车辆外部的服务器2中。因此,根据本发明的第二实施例,能够减少车辆1中的通信量和计算负荷。另外,能够在服务器2内集中管理车辆1的大量数据。
第三实施例
接下来,将描述根据第三实施例的诊断***。在根据第三实施例的诊断***中,诊断装置10设置在每个车辆1和服务器2中,使得每个车辆1和服务器2都可诊断传感器30。
图6是例示根据第三实施例的诊断***的示意性配置的示图。每个车辆1包括诊断装置10、ECU 20、装置(第三实施例中的传感器)30、车辆间通信单元40、显示单元50和广域通信单元60。服务器2包括广域通信单元21和诊断装置10。
将参照图7来描述安装在车辆1中的诊断装置10的处理内容。图7是示出根据第三实施例的使用诊断***的诊断方法的过程示例的流程图。
当广域通信单元60成功与服务器2通信(步骤S31中的“是”)时,车辆1侧的诊断装置10从服务器2获取设置在服务器2中的诊断装置10的诊断结果(步骤S32)。
另一方面,当广域通信单元60由于无线电波故障或服务器2的故障而无法与服务器2通信(步骤S31中的“否”)时,广域通信单元60执行与附近车辆1-2、1-3的车辆间通信,并且获取附近车辆1-2、1-3的传感器30的学习信息(步骤S11)。
从获取学习信息起的过程与第一实施例中的相同,并且诊断装置10从所获取的学习信息中选择可靠性高的学习值(步骤S12),并且使用可靠性高的学习值来计算本车辆1-1的传感器30的学习值(步骤S13)。诊断装置10将本车辆1-1的检测值与计算出的学习值进行比较(步骤S14)。当二者彼此偏离(步骤S14中的“是”)时,诊断装置10确定安装在本车辆1-1中的传感器30有异常迹象(步骤S15)。当二者不彼此偏离(步骤S14中的“否”)时,诊断装置10确定安装在本车辆1-1中的传感器30没有异常迹象(步骤S16)。
车辆1侧的诊断装置10的学习信息获取单元110执行上述步骤S31、S32和S11的处理。也就是说,学习信息获取单元110指示广域通信单元60利用与服务器2的通信接收附近车辆1-2、1-3的学习信息。当广域通信单元60无法通信时,学习信息获取单元110指示车辆间通信单元40利用车辆间通信接收附近车辆1-2、1-3的学习信息。学习信息获取单元110从车辆间通信单元40获取学习信息,并且将所获取的学习值输出到存储单元140。
车辆1侧的诊断装置10的学习单元120执行以上步骤S12的处理,如第一实施例中一样。也就是说,学习单元120基于从学习信息获取单元110输入的学习信息来计算本车辆1-1的学习值,并且将计算出的学习值输出到诊断单元130。
车辆1侧的诊断装置10的诊断单元130执行步骤S13至S15的处理,如第一实施例中一样。也就是说,诊断单元130针对每个传感器30将本车辆1-1的检测值与从学习单元120输入的学习值进行比较,当二者之间的差值超过预设阈值时确定传感器30有异常迹象,并且当二者之间的差值等于或小于阈值时确定传感器30没有异常迹象。诊断单元130可将诊断结果输出到车辆中的显示单元50、扬声器等,或者可以将诊断结果输出到服务器2。
因此,在根据第三实施例的诊断***中,车辆1侧的诊断装置10仅仅在车辆1无法与服务器2通信时才利用车辆间通信获取附近车辆1-2、1-3的学习信息。因此,根据本发明的第三实施例,能够减少车辆1中的通信量和计算负荷,并且集中管理服务器2内的车辆1的大量数据。另外,即使当车辆1无法与服务器2通信时,也能够利用车辆间通信获取附近车辆1-2、1-3的学习信息,并且执行安装在本车辆1-1中的传感器30的诊断。
计算机也可用于起到诊断装置10的作用。可通过将描述用于实现诊断装置10的每种功能的处理内容的程序存储在计算机的存储单元中并且使用计算机的中央处理单元(CPU)读取和执行程序来实现此计算机。
另外,程序可被记录在计算机可读介质中。当使用计算机可读介质时,程序可被安装在计算机中。这里,其上已记录有程序的计算机可读介质可以是非暂态记录介质。非暂态记录介质不受特别限制,并且可以是诸如光盘只读存储器(CD-ROM)或数字通用盘-只读存储器(DVD-ROM)的记录介质。
虽然经将实施例描述为代表性示例,但是对于本领域的技术人员来说将显而易见的是,可在本发明的精神和范围内进行许多改变和替换。因此,本发明不应被解释为受上述实施例的限制,并且在不脱离权利要求书的范围的情况下能够进行各种修改或改变。例如,能够将实施例的配置图中描述的多个构成块或步骤组合成一个或者划分一个构成块或步骤。
Claims (8)
1.一种诊断装置,其特征在于包括:
学习信息获取单元,所述学习信息获取单元被配置为获取在与第二车辆相距预定范围内存在的至少一个第一车辆中安装的第一装置的学习值;
学习单元,所述学习单元被配置为使用所述第一装置的学习值来计算安装在所述第二车辆中的第二装置的学习值;以及
诊断单元,所述诊断单元被配置为通过将所述第二装置的检测值与所述第二装置的学习值进行比较来诊断所述第二装置的操作状态。
2.根据权利要求1所述的诊断装置,其特征在于,所述学习单元被配置为当所述第一装置的检测值与所述第一装置的学习值之间的差值等于或小于阈值时,使用所述第一装置的学习值来计算所述第二装置的学习值。
3.根据权利要求1或2所述的诊断装置,其特征在于:
基于在与所述第一车辆相距预定范围内存在的至少一个第三车辆中安装的第三装置的学习值来计算所述第一装置的学习值;
所述学习信息获取单元被配置为彼此关联地获取所述第一装置的学习值和学习车辆的数量,所述学习车辆的数量指示与计算所述第一装置的学习值相关的所述第三车辆的数量;并且
所述学习单元被配置为使用所述第一装置的学习值和所述学习车辆的数量来计算所述第二装置的学习值。
4.根据权利要求3所述的诊断装置,其特征在于,所述学习单元被配置为当与所述第一装置的学习值关联的所述学习车辆的数量超过阈值时,使用所述第一装置的学习值来计算所述第二装置的学习值。
5.根据权利要求3所述的诊断装置,其特征在于,所述学***均作为所述第二装置的学习值。
6.根据权利要求1、2、4和5中的任一项所述的诊断装置,其特征在于,所述学习单元被配置为在修理或检查所述第二车辆时重置所述第二装置的学习值。
7.根据权利要求3所述的诊断装置,其特征在于,所述学习单元被配置为在修理或检查所述第二车辆时重置所述第二装置的学习值。
8.一种诊断方法,其特征在于包括:
获取安装在第一车辆中的第一装置的学习值;
使用所述第一装置的学习值来计算与所述第一车辆相距预定范围内存在的第二车辆中安装的第二装置的学习值;以及
通过将所述第二装置的检测值与所述第二装置的学习值进行比较来诊断所述第二装置的操作状态。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018058559A JP7013993B2 (ja) | 2018-03-26 | 2018-03-26 | 診断装置及び診断方法 |
JP2018-058559 | 2018-03-26 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110362059A CN110362059A (zh) | 2019-10-22 |
CN110362059B true CN110362059B (zh) | 2022-04-19 |
Family
ID=65861208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910203417.0A Expired - Fee Related CN110362059B (zh) | 2018-03-26 | 2019-03-18 | 诊断装置和诊断方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11132851B2 (zh) |
EP (1) | EP3547058B1 (zh) |
JP (1) | JP7013993B2 (zh) |
CN (1) | CN110362059B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7013993B2 (ja) * | 2018-03-26 | 2022-02-01 | トヨタ自動車株式会社 | 診断装置及び診断方法 |
CN114706372A (zh) * | 2022-04-18 | 2022-07-05 | 中国第一汽车股份有限公司 | 一种测试方法、装置、设备及存储介质 |
Family Cites Families (53)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4369825B2 (ja) * | 2004-08-11 | 2009-11-25 | 株式会社日立製作所 | 車両故障診断装置および車載端末 |
JP2006234431A (ja) * | 2005-02-22 | 2006-09-07 | Toyota Motor Corp | 試験装置およびそれを用いて生産された車両 |
CN100374332C (zh) * | 2005-09-09 | 2008-03-12 | 中国科学院自动化研究所 | 一种车载嵌入式*** |
US7650211B2 (en) | 2007-02-01 | 2010-01-19 | Gm Global Technology Operations, Inc. | Method and apparatus to monitor ambient sensing devices |
JP4836274B2 (ja) * | 2007-07-12 | 2011-12-14 | オムロンオートモーティブエレクトロニクス株式会社 | 送信装置および方法 |
JP5015756B2 (ja) * | 2007-12-26 | 2012-08-29 | トヨタ自動車株式会社 | 交通情報配信システム並びにそのシステムを構成するプローブ情報生成装置及び交通情報配信装置 |
JP4453764B2 (ja) * | 2008-02-22 | 2010-04-21 | トヨタ自動車株式会社 | 車両診断装置、車両診断システム、診断方法 |
US9615213B2 (en) * | 2009-07-21 | 2017-04-04 | Katasi Llc | Method and system for controlling and modifying driving behaviors |
US20170069146A1 (en) * | 2009-09-29 | 2017-03-09 | Auto E-Diagnostics Services, Inc. | Vehicle diagnostic systems and methods therefor |
CN102103377B (zh) * | 2009-12-16 | 2013-08-21 | 财团法人工业技术研究院 | 车辆信息学习与诊断方法与***及运算装置可读存储介质 |
CN101811473A (zh) * | 2009-12-25 | 2010-08-25 | 奇瑞汽车股份有限公司 | 一种led车灯故障检测*** |
JP5314656B2 (ja) * | 2010-10-28 | 2013-10-16 | 本田技研工業株式会社 | 故障診断方法及び故障診断装置 |
JP5608696B2 (ja) * | 2012-03-07 | 2014-10-15 | 株式会社日立製作所 | 水使用状況監視システム |
JP6076751B2 (ja) * | 2013-01-22 | 2017-02-08 | 株式会社日立製作所 | 異常診断方法およびその装置 |
JP6179191B2 (ja) * | 2013-05-27 | 2017-08-16 | 富士通株式会社 | 運転診断装置,運転診断方法及びプログラム |
JP6060261B2 (ja) * | 2013-06-24 | 2017-01-11 | 株式会社日立製作所 | 状態監視装置 |
DE102013212505A1 (de) * | 2013-06-27 | 2014-12-31 | Robert Bosch Gmbh | Werkstatt-Diagnosesystem |
US9677529B2 (en) * | 2013-12-25 | 2017-06-13 | Denso Corporation | Vehicle diagnosis system and method |
JP6361175B2 (ja) * | 2014-03-06 | 2018-07-25 | 株式会社豊田中央研究所 | 異常診断装置及びプログラム |
US10570837B2 (en) * | 2014-03-11 | 2020-02-25 | Kenneth Carl Steffen Winiecki | Method of calculating average revolutions per independent unit with a GPS navigation system |
EP2922033B1 (en) * | 2014-03-18 | 2018-11-21 | Volvo Car Corporation | A vehicle sensor diagnosis system and method and a vehicle comprising such a system |
JP6112063B2 (ja) * | 2014-05-13 | 2017-04-12 | トヨタ自動車株式会社 | 車両用油圧回路の異常判定装置 |
US20210133871A1 (en) * | 2014-05-20 | 2021-05-06 | State Farm Mutual Automobile Insurance Company | Autonomous vehicle operation feature usage recommendations |
WO2016051464A1 (ja) * | 2014-09-29 | 2016-04-07 | 株式会社東芝 | 製造ライン監視装置、製造ライン監視プログラム、製造ライン監視方法 |
JP6485049B2 (ja) | 2015-01-09 | 2019-03-20 | 株式会社デンソー | 車載機、車載機診断システム |
JP6492677B2 (ja) | 2015-01-15 | 2019-04-03 | 株式会社デンソー | 車載機 |
JP6398739B2 (ja) * | 2015-01-19 | 2018-10-03 | 株式会社デンソー | 車載機、車載機診断システム |
JP2016157206A (ja) | 2015-02-23 | 2016-09-01 | 株式会社日立製作所 | 予兆診断システム、予兆診断方法および予兆診断装置 |
DE102015216494A1 (de) * | 2015-08-28 | 2017-03-02 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Erkennung wenigstens einer Sensorfunktion wenigstens eines ersten Sensor wenigstens eines ersten Fahrzeugs |
US20170103101A1 (en) * | 2015-10-07 | 2017-04-13 | Telogis, Inc. | System for database data quality processing |
US10259466B2 (en) * | 2015-11-19 | 2019-04-16 | Depura Partners, Llc | System for monitoring and classifying vehicle operator behavior |
JP6588814B2 (ja) * | 2015-12-17 | 2019-10-09 | 株式会社東芝 | 異常診断装置及び方法 |
JP2017128239A (ja) * | 2016-01-21 | 2017-07-27 | 株式会社デンソー | 制御装置 |
JP6578224B2 (ja) * | 2016-02-22 | 2019-09-18 | ルネサスエレクトロニクス株式会社 | 車載システム、プログラムおよびコントローラ |
US10467824B2 (en) * | 2016-04-26 | 2019-11-05 | Walter Steven Rosenbaum | Method for determining driving characteristics of a vehicle and vehicle analyzing system |
JP6368958B2 (ja) * | 2016-05-12 | 2018-08-08 | 本田技研工業株式会社 | 車両制御システム、車両制御方法、および車両制御プログラム |
JP6671248B2 (ja) * | 2016-06-08 | 2020-03-25 | 株式会社日立製作所 | 異常候補情報分析装置 |
US10186089B2 (en) * | 2016-07-29 | 2019-01-22 | Faraday & Future Inc. | Informational visual display for vehicles |
CN206049557U (zh) * | 2016-09-30 | 2017-03-29 | 常州众智汽车科技有限公司 | 一种汽车智能控制*** |
US10543846B2 (en) * | 2016-10-28 | 2020-01-28 | Hall Labs Llc | Determining vehicle power |
CN206209401U (zh) * | 2016-11-10 | 2017-05-31 | 北京经纬恒润科技有限公司 | 一种汽车故障诊断*** |
US10672199B2 (en) * | 2017-01-18 | 2020-06-02 | Ford Global Technologies, Llc | Method for monitoring component life |
US20180229744A1 (en) * | 2017-02-10 | 2018-08-16 | Slick Technologies, LLC | Engine monitoring and maintenance dispatch system |
JP6798454B2 (ja) * | 2017-08-25 | 2020-12-09 | 株式会社デンソー | 車両用測定装置 |
JP7013993B2 (ja) * | 2018-03-26 | 2022-02-01 | トヨタ自動車株式会社 | 診断装置及び診断方法 |
US11262742B2 (en) * | 2018-04-09 | 2022-03-01 | Diveplane Corporation | Anomalous data detection in computer based reasoning and artificial intelligence systems |
US10816981B2 (en) * | 2018-04-09 | 2020-10-27 | Diveplane Corporation | Feature analysis in computer-based reasoning models |
US10816980B2 (en) * | 2018-04-09 | 2020-10-27 | Diveplane Corporation | Analyzing data for inclusion in computer-based reasoning models |
US20200143609A1 (en) * | 2018-11-07 | 2020-05-07 | GM Global Technology Operations LLC | Systems and methods for diagnosing faults associated with the use of a primary power supply and a backup power supply |
JP7143733B2 (ja) * | 2018-11-14 | 2022-09-29 | トヨタ自動車株式会社 | 環境状態推定装置、環境状態推定方法、環境状態推定プログラム |
US11153721B2 (en) * | 2018-12-27 | 2021-10-19 | Intel Corporation | Sensor network enhancement mechanisms |
US11087566B2 (en) * | 2019-04-16 | 2021-08-10 | Verizon Patent And Licensing Inc. | Determining vehicle service timeframes based on vehicle data |
US11775941B2 (en) * | 2019-07-12 | 2023-10-03 | Toyota Motor North America, Inc. | System and method for prompting vehicle service based on proximity and wait time |
-
2018
- 2018-03-26 JP JP2018058559A patent/JP7013993B2/ja active Active
-
2019
- 2019-03-12 US US16/299,316 patent/US11132851B2/en active Active
- 2019-03-13 EP EP19162647.2A patent/EP3547058B1/en active Active
- 2019-03-18 CN CN201910203417.0A patent/CN110362059B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
EP3547058A1 (en) | 2019-10-02 |
US20190295337A1 (en) | 2019-09-26 |
US11132851B2 (en) | 2021-09-28 |
CN110362059A (zh) | 2019-10-22 |
EP3547058B1 (en) | 2022-06-29 |
JP7013993B2 (ja) | 2022-02-01 |
JP2019168430A (ja) | 2019-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11100731B2 (en) | Vehicle sensor health monitoring | |
EP3358303B1 (en) | An apparatus and associated methods for use in updating map data | |
CN110455549B (zh) | 诊断装置、诊断***和诊断方法 | |
JP6312304B2 (ja) | 位置測定方法、自己位置測定装置及び車載器 | |
CN105976450A (zh) | 无人驾驶车辆的数据处理方法和装置、黑匣子*** | |
WO2015129512A1 (ja) | 移動体の診断装置 | |
CN106918341B (zh) | 用于构建地图的方法和设备 | |
JP2009294004A (ja) | 異常解析装置及び異常解析方法 | |
CN110362059B (zh) | 诊断装置和诊断方法 | |
CN111724583B (zh) | 用于验证道路车辆的限速信息的方法和布置 | |
JP2003516275A (ja) | 自動車のエラーを識別する方法 | |
CN110388929B (zh) | 导航地图更新方法、装置及*** | |
US20070136015A1 (en) | Diagnosis apparatus for diagnosing state of equipment | |
JP7028051B2 (ja) | 診断装置、診断システム、及び診断方法 | |
CN111947669A (zh) | 用于将基于特征的定位地图用于车辆的方法 | |
JP2019095836A (ja) | 診断システム | |
US20220261304A1 (en) | Information processing device and information processing method | |
CN110869865B (zh) | 用于运行较高程度自动化的车辆(haf)、尤其高度自动化车辆的方法 | |
CN112470024A (zh) | 检查车辆、特别是机动车的传感器装置的方法、***和电子计算装置 | |
CN105684062B (zh) | 用于提供关于临近车辆的事件的事件消息的方法和装置 | |
KR102179597B1 (ko) | 공정 자동 인식 기반 진단 장치 및 그 장치의 구동방법 | |
CN112712608A (zh) | 用于通过车辆收集性能数据的***和方法 | |
JP2019196920A (ja) | 診断装置 | |
EP3726495A1 (en) | Information acquisition method, information acquisition device, in-vehicle device, on-road sensor device, and information acquisition system | |
CN107300905B (zh) | 移动体控制设备和移动体控制方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220419 |