DE102010010043A1

DE102010010043A1 - Fusion angesammelter Informationen für verbesserte Diagnose-, Prognose- und Wartungspraktiken von Fahrzeugen

Info

Publication number: DE102010010043A1
Application number: DE102010010043A
Authority: DE
Inventors: Mark N. Rochester Hills Howell; Mutasim A. Rochester Hills Salman; Xidong Sterling Heights Tang; Yilu Northville Zhang; Xiaodong Mason Zhang; Yuen-Kwok Troy Chin; Soumen De; Debprakash Patnaik; Sabyasachi Bhattacharya; Pulak Bandyopadhyay; Balarama V. West Bloomfield Murty; Ansaf I. Livonia Alrabady; Rami I. Dearborn Debouk; Steven W. St. Clair Holland; George Paul Beverly Hills Montgomery Jr.
Original assignee: GM Global Technology Operations LLC
Current assignee: GM Global Technology Operations LLC
Priority date: 2009-03-05
Filing date: 2010-03-03
Publication date: 2010-11-25
Also published as: US20100228423A1; US8095261B2; CN101826135A

Abstract

Ein System und ein Verfahren zum Verbessern von Fahrzeugdiagnose- und Fahrzeugprognosealgorithmen und zum Verbessern von Fahrzeugwartungspraktiken. Das Verfahren enthält das Erheben von Daten von Fahrzeugkomponenten, -teilsystemen und -systemen und das Speichern der erhobenen Daten in einer Datenbank. Die erhobenen gespeicherten Daten können aus mehreren Quellen für ähnliche Fahrzeuge oder ähnliche Komponenten sein und können verschiedene Typen von Problemcodes und Arbeitscodes sowie andere Informationen wie etwa Betriebsdaten und Daten über die Physik von Störungen, die fusioniert sind, enthalten. Das Verfahren erzeugt für verschiedene Fahrzeugkomponenten, -teilsysteme und -systeme Klassen und baut unter Verwendung von Data-Mining-Techniken aus den in der Datenbank gespeicherten Daten Merkmalsextraktoren für jede Klasse auf. Außerdem erzeugt das Verfahren Klassierer, die die Merkmale für jede Klasse klassifizieren. Die Merkmalsextraktoren und die Merkmalsklassierer werden verwendet, um für eine Fahrzeugkomponente, für ein Fahrzeugteilsystem oder für ein Fahrzeugsystem zu bestimmen, warm eine Störungsbedingung aufgetreten ist.

Description

HINTERGRUND DER ERFINDUNG
1. Gebiet der Erfindung
Diese Erfindung bezieht sich allgemein auf ein System und auf ein Verfahren zum Verbessern von Fahrzeugdiagnose- und -prognosealgorithmen und insbesondere auf ein System und auf ein Verfahren zum Verbessern von Fahrzeugdiagnose- und -prognosealgorithmen und Fahrzeugwartungspraktiken durch Fusion von Fahrzeuginformationen aus mehreren Quellen.
2. Diskussion des verwandten Gebiets
Die Diagnoseüberwachung verschiedener Fahrzeugsysteme ist eine wichtige Fahrzeugentwurfsbetrachtung, um Systemstörungen schnell detektieren und die Störungen für Wartungs- und Kundendienstzwecke eingrenzen zu können. Üblicherweise nutzen diese Fahrzeugsysteme verschiedene Teilsysteme, Aktuatoren und Sensoren wie etwa Giergeschwindigkeitssensoren, Querbeschleunigungssensoren, Lenkradeinschlagwinkel-Sensoren usw., die dazu verwendet werden, eine Steuerung des Fahrzeugs bereitstellen zu helfen. Falls irgendeiner bzw. irgendeines der diesen Systemen zugeordneten Sensoren, Aktuatoren und Teilsysteme ausfällt, ist es erwünscht, die Störung schnell zu detektieren und Fail-safe-(Fail-silent- oder Fail-operational-)Strategien zu aktivieren, um zu verhindern, dass das System auf eine wahrgenommene, aber falsche Bedingung falsch an spricht. Außerdem ist es erwünscht, den defekten Sensor, den defekten Aktuator oder das defekte Teilsystem für Wartungs-, Kundendienst- und Ersatzzwecke einzugrenzen. Somit ist es notwendig, die verschiedenen in diesen Systemen genutzten Sensoren, Aktuatoren und Teilsysteme zu überwachen, um eine Störung zu identifizieren.
Es ist eine Entwurfsherausforderung, die eigentliche Ursache einer Störung zu identifizieren und die Störung durchgängig bis zu der Komponentenebene oder sogar bis zu der Teilsystemebene in einem Fahrzeugsystem einzugrenzen. Die verschiedenen Teilsysteme und Komponenten in einem Fahrzeugsystem wie etwa das Fahrzeugbremssystem oder ein Fahrzeuglenkungssystem werden üblicherweise nicht von dem Fahrzeughersteller entworfen, sondern durch eine außen stehende Quelle bereitgestellt. Infolgedessen haben diese Komponenten und Teilsysteme möglicherweise keine Kenntnis darüber, was andere Teilsysteme oder Komponenten in dem Gesamtfahrzeugsystem tun, sondern wissen lediglich, wie ihr bestimmtes Teilsystem oder ihre bestimmte Komponente arbeitet. Somit können diese außen stehenden Teilsysteme oder Komponente wissen, dass sie nicht richtig arbeiten, aber nicht wissen, ob ihre Komponente oder ihr Teilsystem gestört ist oder ein anderes Teilsystem oder eine andere Komponente gestört ist. Zum Beispiel kann ein Fahrzeug in eine Richtung ziehen, was das Ergebnis eines Bremsproblems oder eines Lenkungsproblems sein kann. Da das Bremssystem und das Lenkungssystem nicht wissen, ob das andere richtig arbeitet, kann das Gesamtfahrzeugsystem aber möglicherweise nicht in der Lage sein, die eigentliche Ursache dieses Problems zu identifizieren.
Jedes einzelne Teilsystem oder jede einzelne Komponente kann einen Diagnoseproblemcode ausgeben, der ein Problem angibt, wenn es/sie nicht richtig arbeitet, wobei dieser Problemcode aber möglicherweise kein Er gebnis eines Problems mit dem Teilsystem oder mit der Komponente ist, das/die den Code ausgibt. Mit anderen Worten, der Diagnosecode kann gesetzt werden, da das Teilsystem oder die Komponente nicht richtig arbeitet, wobei dieser Betrieb aber das Ergebnis dessen sein kann, dass ein anderes Teilsystem oder eine andere Komponente nicht richtig arbeitet. Um zu bestimmen, ob dieses Teilsystem oder diese Komponente die Störung eines Problems ist, ist es erwünscht zu wissen, wie zuverlässig die Diagnosecodes von einem bestimmten Teilsystem oder von einer bestimmten Komponente sind.
Diagnose- und Prognosetechniken für die Fahrzeugfunktionszustandsüberwachung können das Auftreten eines Problems vorhersagen helfen, um vorbeugende Maßnahmen zu ergreifen, bevor eine wesentliche Beschädigung erfolgt. Diese Techniken werden wichtiger für Systeme, bei denen die Störung des Systems kritische Auswirkungen haben kann. Ferner können Systemhersteller unter Verwendung von Diagnose- und Prognosetechniken verhindern helfen, dass ihre Kunden wegen der Störung verschiedener Systeme unzufrieden werden.
In der Vergangenheit sind Anstrengungen unternommen worden, um Diagnose- und Prognosetechniken zum Detektieren und Lokalisieren von Leistungsverschlechterungen in verschiedenen Betriebssystemen zu entwickeln. Ein vorhandenes Verfahren, das auf den Prinzipien der Diagnose und Prognose beruht, verwendet das zeitliche Data Mining.
ZUSAMMENFASSUNG DER ERFINDUNG
In Übereinstimmung mit den Lehren der vorliegenden Erfindung werden ein System und ein Verfahren zum Verbessern von Fahrzeugdiagnose- und Fahrzeugprognosealgorithmen und zum Verbessern von Fahrzeug wartungspraktiken offenbart. Das Verfahren enthält das Erheben von Daten von Fahrzeugkomponenten, -teilsystemen und -systemen und das Speichern der erhobenen Daten in einer Datenbank. Die erhobenen gespeicherten Daten können aus mehreren Quellen für ähnliche Fahrzeuge oder ähnliche Komponenten sein und können verschiedene Typen von Problemcodes und Arbeitscodes sowie andere Informationen wie etwa Betriebsdaten und Daten über die Physik von Störungen, die fusioniert sind, enthalten. Das Verfahren erzeugt für verschiedene Fahrzeugkomponenten, -teilsysteme und -systeme Klassen und baut unter Verwendung von Data-Mining-Techniken aus den in der Datenbank gespeicherten Daten Merkmalsextraktoren für jede Klasse auf. Außerdem erzeugt das Verfahren Klassierer, die die Merkmale für jede Klasse klassifizieren. Die Merkmalsextraktoren und die Merkmalsklassierer werden verwendet, um für eine Fahrzeugkomponente, für ein Fahrzeugteilsystem oder für ein Fahrzeugsystem zu bestimmen, wann eine Störungsbedingung aufgetreten ist.
Zusätzliche Merkmale der vorliegenden Erfindung gehen aus der folgenden Beschreibung und aus den angefügten Ansprüchen in Verbindung mit den beigefügten Zeichnungen hervor.
KURZBESCHREIBUNG DER ZEICHNUNGEN
1 ist eine Veranschaulichung eines Fahrzeugs in Kommunikation mit einem fernen Datenzentrum;
2 ist ein Ablaufplandiagramm, das einen Prozess zum Erheben und Verwenden von Daten von einem Fahrzeug für einen verbesserten Fahrzeugdiagnose- und Fahrzeugprognosealgorithmus der Erfindung zeigt;
3 ist ein Ablaufplandiagramm, das einen Prozess zur Bereitstellung der Informationsfusion und von Wartungsempfehlungen zeigt;
4 ist eine graphische Darstellung, die eine Unterstützungsdiagnose zeigt, die auf der Klassifizierung für den in 3 gezeigten Wartungsempfehlungskasten beruht;
5 ist ein Ablaufplandiagramm, das die Zerlegung der kinetischen Energie eines Fahrzeugs, wenn das Fahrzeug für eine Verzögerung von 0,3 g bis zu einem Halt gebremst wird, für den in 3 gezeigten Betriebsdatenkasten zeigt; und
6 ist eine graphische Darstellung mit der Geschwindigkeit auf der horizontalen Achse und mit der Energie auf der vertikalen Achse, die eine Darstellung der Bremsenergie als eine Funktion der Fahrzeuggeschwindigkeit und des Fahrzeuggewichts zeigt und der Typ von Informationen ist, die durch den Kasten der Physik der Störung in 3 bereitgestellt werden können.
AUSFÜHRLICHE BESCHREIBUNG DER AUSFÜHRUNGSFORMEN
Die folgende Diskussion der Ausführungsformen der Erfindung, die auf ein System und auf ein Verfahren zum Verbessern von Fahrzeugdiagnose- und Fahrzeugprognosealgorithmen durch Fusion von Informationen aus mehreren Quellen gerichtet ist, ist dem Wesen nach lediglich beispielhaft und soll die Erfindung oder ihre Anwendungen oder Verwendungen in keiner Weise einschränken.
Wie im Folgenden diskutiert wird, schlägt die vorliegende Erfindung ein System und ein Verfahren zum Verbessern von Fahrzeugdiagnose- und Fahrzeugprognosealgorithmen ohne zusätzliche Sensoren oder Detektierungsschaltungen vor, die ebenfalls zu Verbesserungen für Fahrzeugwartungsprozeduren führen können. Mehrere Diagnose- und Prognosesysteme und Komponentenmerkmale werden fusioniert, um die Leistung des Diagnose- und Prognosesystems entweder an Bord des Fahrzeugs oder durch heraufgeladene und fern verarbeitete Daten zu verbessern. Der Prozess kombiniert sowohl normale als auch fehlerhafte Informationen von mehreren Fahrzeugen, Fahrzeugsystemen und -komponenten. Durch Data-Mining-Techniken werden entweder Offline oder in Echtzeit mehrere Merkmale und Klassierer definiert. Die Klassierer werden daraufhin für die robuste Diagnose und Prognose kombiniert. Differenzen für Morphing-Modelle können für die Prognose und für die Störungsvorhersage verwendet werden.
Der Prozess der Entwicklung einer Störung einer Komponente oder eines Systems für ein Fahrzeug besteht üblicherweise aus einer Reihe verschlechterter Zustände. Für mehrere normale und gestörte Fahrzeugsysteme und -zustände werden Daten erhalten und entweder in dem Fahrzeug oder fern gespeichert. Die Form der Daten können entweder gemessene Signale, Symbole oder Signale, an denen eine gewisse Verarbeitung ausgeführt worden ist, um sie empfindlicher für die Verschlechterungen spezifischer Komponenten oder Teilsysteme zu machen, sein. Die Signale können ebenfalls in Symbole umgewandelt werden. Die Symbole können niedrig aufgelöste Extrakte der Fahrzeugsignale sein. Besonders ergiebig sind die Daten für jene Ereignisse und Ausfälle, die veranlassen, dass ein Diagnoseproblemcode (DTC) gesetzt wird. Zusätzliche Informationen können dadurch erhalten werden, dass für Ereignisse, die keine Diagnoseco des bereitstellen, die Physik der Störung und die Betriebseigenschaften der Daten untersucht werden.
Die Grundidee der Erfindung ist das Anwenden von Data-Mining-Techniken auf vereinigte Informationen und daraufhin das Integrieren der aus dem Data Mining erhaltenen Kenntnis in Bord- oder Ferndiagnosealgorithmen zur besseren Störungsidentifizierung und -eingrenzung. Der Vorteil dieses Verfahrens ist, dass es keine zusätzlichen Sensoren oder Detektierungsschaltungen erfordert. Durch Korrelieren der gewonnenen Informationen mit anderen Informationen wie etwa Fahrzeugstörungscodes und Fahrzeugreparaturhistorieninformationen wie etwa DTCs und Arbeitscodes kann der Algorithmus bessere Fahrzeugdiagnosealgorithmen und -strategien für Wartungspraktiken bereitstellen.
Der Diagnose- und Prognoseprozess kann die Merkmalsextraktion und die Merkmalsklassifizierung umfassen. Nachdem die Merkmale aus einigen Systeminformationen wie etwa Fahrzeugsignalen und diskreten Ereignissen extrahiert worden sind, durchlaufen sie Klassierer, um endgültige Diagnose- und Prognoseergebnisse bereitzustellen. Die Merkmalsextraktion und -klassifizierung kann auf einer Just-in-Time-Grundlage durch Wechselwirkung mit vorhandenen gewonnenen Daten oder durch Klassierer und Merkmalsextraktoren, die unter Verwendung der Daten vorgefertigt und definiert worden sind, erfolgen. Die Klassierer können außerdem wie etwa durch Telematik unter Verwendung zusätzlicher Daten, die durch Fahrzeugnutzungsmuster verfügbar werden, dynamisch aktualisiert werden, um eine verbesserte Diagnose bereitzustellen. Es werden Klassierer definiert, die verschlechterte Fahrzeugzustände bestimmen können. Es können Klassierer mit mehreren Klassen/Zuständen wie etwa Unterstützungsvektormaschinen, Hidden-Markov usw. erzeugt und impliziert werden. Bei einem vorgegebenen Datensatz wird eine jeder Klasse/jedem Zu stand zugeordnete Wahrscheinlichkeit erzeugt, die dazu verwendet werden kann, den Funktionszustand der Komponenten und Systeme abzuleiten.
Durch proaktive Überwachung des Fahrzeugfunktionszustands (Teilsystemebene bis Fahrzeugebene) kann durch Vergleich eines Referenzmodells oder von Referenzdaten und des tatsächlichen Fahrzeugverhaltens unter Verwendung von Bordsensoren ein Fahrzeugfunktionsmonitor erhalten werden. Falls der Funktionsmonitor ein hinderliches Problem feststellt oder ein Problem diagnostiziert, werden zusätzliche Daten erhoben und wird eine Meldung eines Problems ausgegeben. Die richtigen Ersatzteile und die richtige Störungsreparaturlösung, die erforderlich ist, werden über ein Telematiksystem oder über eine Fahrzeug-zu-Infrastruktur-Architektur an eine Installation außerhalb des Standorts übertragen.
Um die Gesamtfahrzeugdiagnose- und Gesamtfahrzeugprognoseleistung zu verbessern, können mehrere Merkmale und mehrere Klassierer kombiniert werden. Außerdem kann sie für die Fahrzeugdiagnose und -prognose auf einer Fahrzeugmodell- oder Fahrzeugteilmodellebene z. B. verwendet werden, um ungewöhnlich frühe Komponentenstörungsraten von Komponenten oder Systemen zu bestimmen.
Unterschiedliche Merkmale stellen Diagnose- und Prognoseinformationen auf unterschiedlichen Ebenen bereit. Zum Beispiel liefern sowohl die Minimalspannung als auch der Hochfrequenzwiderstand Batteriefunktionszustandsinformationen, repräsentieren aber unterschiedliche Batterieeigenschaften. Die Kombination mehrerer Merkmale stellt ein zuverlässigeres Diagnose- und Prognoseergebnis bereit.
Unter Verwendung verschiedener Klassierer kann ein Merkmal unterschiedliche Typen von Diagnose- und Prognoseergebnissen wie etwa ein Ergebnis vom Binärtyp, ein Ergebnis vom Prozentsatztyp oder wahrscheinlichkeitsgestützte Diagnose- und Prognoseergebnisse, die unterschiedliche Wahrscheinlichkeiten einer potentiellen Störung angeben, bereitstellen. Die Fusion mehrerer Klassierer bietet außerdem zuverlässigere und fortgeschrittenere Diagnose- und Prognoseergebnisse wie etwa, wie viel Zeit eine Komponente halten kann. In vielen Anwendungen ist es besser, mehrere verhältnismäßig einfache Klassierer zu fusionieren, als zu versuchen einen einzigen hoch entwickelten Klassierer aufzubauen, um bessere Diagnose- und Prognoseergebnisse zu erzielen.
Die Fusion mehrerer Merkmale und mehrerer Klassierer für die Fahrzeugdiagnose und -prognose erhöht die Zuverlässigkeit, Robustheit und Durchführbarkeit. Die Fusionsverfahren können auf allen Arten von Fusionstheorien wie etwa Wahrscheinlichkeitstheorie und Entscheidungstheorie beruhen. Um auf der Grundlage jedes Merkmals mit einem an ihm angebrachten Vertrauensgrad den Systemfunktionszustand zu beurteilen, werden einzelne und/oder mehrere Klassierer verwendet. Die Klassifizierung der mehreren Merkmale wird unter Verwendung eines Entscheidungsblocks wie etwa einer regelgestützten Methodik oder irgendeines anderen Entscheidungssystems fusioniert, um die Robustheit des Systems zu verbessern.
1 ist eine Veranschaulichung eines Systems 10, das ein Fahrzeug 12 mit einem Bordmodul 14 enthält, das Diagnose- und Prognosealgorithmen für die Überwachung des Funktionszustands verschiedener Fahrzeugkomponenten, -teilsysteme und -systeme der oben diskutierten Informationen betreibt, wobei durch das Bordmodul 14 erhobene Daten in einer Datenbank 16 in dem Fahrzeug 12 gespeichert werden können. Das Fahrzeug 12 enthält eine Telematikeinheit 18, die Nachrichten einschließlich Diagnoseproblemcodes und dergleichen, die ein bestimmtes Fahrzeug problem identifizieren können, wie sie durch das Bordmodul 14 verarbeitet und in der Datenbank 16 gespeichert werden, drahtlos rundsendet. Diese Nachrichten können von einem fernen Datenzentrum 20 empfangen werden, das die Informationen analysiert und in einer Datenbank 22 gespeicherte Daten, die Informationen enthalten können, die dasselbe oder ein verwandtes Problem in einem ähnlichen Fahrzeug betreffen, fusioniert. Wie im Folgenden ausführlicher diskutiert wird, stellt das ferne Datenzentrum 20 Datenfusions-, Merkmalsextraktions-, Klassifizierungs- und andere Datenanalysetechniken bereit, um das in der Nachricht bereitgestellte Problem identifizieren und eingrenzen zu helfen.
2 ist ein Ablaufplandiagramm 30, das einen Prozess zum Verbessern von Fahrzeugdiagnose- und Fahrzeugprognosealgorithmen durch Fusion von Daten aus mehreren Quellen auf der Grundlage der obigen Diskussion zeigt. Im Kasten 32 erhebt der Prozess Daten in dem Fahrzeug 12 für die verschiedenen und mehreren Fahrzeugkomponenten, -teilsysteme und -systeme, die für Diagnose- und Prognosezwecke überwacht werden. Die erhobenen Daten können Komponenten, Teilsysteme und Systeme betreffen, die in einer gestörten oder nicht gestörten Bedingung sein können, so dass der Betrieb der Komponente, des Teilsystems oder des Systems für beide Auftreten analysiert werden kann. Im Kasten 34 werden die erhobenen Daten in einer Datenbank gespeichert, die sich in dem Fahrzeug 12 oder bei dem fernen Datenzentrum 20 befinden kann. Die in dem Kasten 34 gespeicherten Daten werden daraufhin zu dem fernen Datenzentrum 20 gesendet und im Kasten 36 zum Erzeugen von Klassen von Daten oder Informationen verwendet. Diese Klassen von Daten können irgendeine geeignete Klassifizierung sein, die zu analysieren der besondere Algorithmus programmiert ist. Zum Beispiel können die Klassifizierungen funktionierende Komponenten, Komponenten mit drohenden Störungen, Komponenten, die gegenwärtig gestört sind, usw. sein.
Die in dem Kasten 36 identifizierten Klassen und die gespeicherten Daten von dem Kasten 34 werden daraufhin zum Kasten 38 gesendet, der für jede Klasse Merkmale aus den Daten extrahiert. Die Merkmalsextraktion aus Daten, insbesondere in der Fahrzeugumgebung, ist ein gut bekannter Prozess, und für die Merkmalsextraktion können mehrere gut bekannte Algorithmen und Mechanismen wie etwa Stützvektormaschinen verwendet werden. Da die Daten für eine Klasse für Daten für eine andere Klasse nicht geeignet oder erwünscht sein können, wird die Merkmalsextraktion für jede getrennte Klasse bereitgestellt. Wenn die Merkmale für jede Klasse im Kasten 38 extrahiert worden sind, werden die extrahierten Merkmale verwendet, um für die verschiedenen Komponenten, Teilsysteme und Systeme Klassierer zu erzeugen, wobei die im Kasten 34 gespeicherten Daten im Kasten 40 in der Weise verwendet werden, dass eine Analyse der Daten dazu verwendet werden kann zu bestimmen, wann für die bestimmte Komponente, für das bestimmte Teilsystem und für das bestimmte System eine Störungsbedingung vorliegt. Die klassifizierten Informationen werden daraufhin im Kasten 42 auf die spezifische Komponente, auf das spezifische Teilsystem und auf das spezifische System angewendet, um zu bestimmen, ob diese Komponenten, Teilsysteme und Systeme eine Störung aufweisen können. Für Ereignisse, die keine Diagnosecodes aufweisen, können im Kasten 44 zu den klassifizierten Komponenten, Teilsystemen und Systemen zusätzliche Daten wie etwa Daten über die Physik der Störung und Betriebseigenschaften von Daten hinzugefügt werden. Daraufhin werden die Informationen für die Komponenten, Teilsysteme und Systeme im Kasten 46 telematisch zu dem Fahrzeug 12 heraufgeladen, um die Störung zu identifizieren, die in dem Kasten 34 in der Datenbank 22 gespeichert werden kann.
3 ist ein Diagramm 50 vom Ablaufplantyp, das einen wie oben diskutierten Prozess zur Fusion von Daten und zum Bereitstellen von Verbesserungen für Fahrzeugwartungsprodukte zeigt. Im Kasten 52 durchläuft der Algorithmus einen Prozess, um auf der Grundlage der erhobenen Daten und anderer verfügbarer Informationen zu bestimmen, ob eine Komponente, ein Teilsystem oder ein Fahrzeugsystem gestört ist. Insbesondere stellt der Algorithmus im Kasten 54 eine Merkmalsfusion zwischen verschiedenen Merkmalen verschiedener Komponenten usw. bereit und ist ähnlich dem Extrahieren von Merkmalen für jede Klasse, die in dem Kasten 38 erzeugt wurde. Der Algorithmus verwendet die Merkmalsfusion, um im Kasten 56 Trenddetektierungen zu bestimmen, insbesondere, ob eine bestimmte Komponente, ein bestimmtes Teilsystem oder ein bestimmtes System zu einem bestimmten Zeitpunkt in Zukunft gestört sein kann, wobei sie im Ergebnis des Trends auf der Grundlage früher bekannter Informationen über die Komponente nachgeführt wird. Die Trenddetektierungsinformationen werden daraufhin im Entscheidungsfusionskasten 58 verwendet, um auf der Grundlage der potentiellen Störung zu bestimmen, ob eine geeignete Maßnahme ergriffen werden sollte. Aus der Entscheidungsfusionsanalyse bildet der Algorithmus im Kasten 60 eine bestimmte Wartungsempfehlung, die einen Arbeitscode (LC) wie etwa für ein drohendes Bremsproblem im Kasten 62 enthalten kann. Zum Beispiel kann der Entscheidungsfusions- und Entscheidungsempfehlungsprozess einen Vertrauensgrad von 95%, dass das Fahrzeug innerhalb einer bestimmten Anzahl von Tagen oder einer bestimmten Anzahl von Meilen eine Motorüberholung benötigt, oder einen Vertrauensgrad von 60%, dass das Fahrzeug innerhalb einer bestimmten Anzahl von Tagen oder einer bestimmten Anzahl von Meilen ein Problem entwickeln wird, bereitstellen. 4 ist ein Diagramm, das eine Unterstützungsdiagnose zeigt, die auf einer Klassifizierung für die Empfehlung beruht.
Die Informationen, die in dem Kasten 52 verwendet werden, können für irgendeine verfügbare Quelle bereitgestellt werden. Zum Beispiel können im Kasten 64 historische oder gegenwärtige Betriebsdaten wie etwa die Anzahl der Start- und Stoppepisoden bereitgestellt werden. 5 ist ein Ablaufplandiagramm 66, das ein Beispiel der Art von Daten, die in dem Kasten 64 bereitgestellt und in dem Kasten 52 von dem Fusionsprozess verwendet werden können, insbesondere die Zerlegung der kinetischen Energie des Fahrzeugs, wenn das Fahrzeug für eine Verzögerung von 0,3 g bis zu einem Halt gebremst wird, zeigt. Das Diagramm 66 zeigt im Kasten 68 die Verluste an kinetischer Energie des Fahrzeugs vom Beginn des Bremsens bei einer kinetischen Energie des Fahrzeugs von 100%. Von dort gehen 75% der kinetischen Energie an die Bremsen verloren und werden 25% der kinetischen Energie im Kasten 72 in anderen Verlusten abgeführt. Für die Energie, die in dem Kasten 70 an die Bremsen verlorengeht, gehen 60% im Kasten 74 an die Vorderradbremsen verloren und gehen 15% im Kasten 76 an die Hinterradbremsen verloren. Von der kinetischen Energie, die in dem Kasten 74 an die Vorderradbremsen verloren geht, gehen 55% der kinetischen Energie im Kasten 78 an die Bremsscheibe verloren und gehen 5% der kinetischen Energie im Kasten 80 an die Bremsbeläge und Bremsbacken verloren. Von der kinetischen Energie, die im Kasten 76 an die Hinterradbremsen verloren geht, gehen 13% der kinetischen Energie im Kasten 82 an die Bremstrommel verloren und gehen 2% der kinetischen Energie im Kasten 84 an die Bremsbeläge und an die Bremsbacken verloren.
Ferner können im Kasten 90 Informationen von der Physik der Störung wie etwa Straßenzyklen und Korrosion bereitgestellt werden. Als ein Beispiel ist 6 ein Diagramm mit der Geschwindigkeit auf der horizontalen Achse und mit der Energie auf der vertikalen Achse, das den Typ der Informationen zeigt, die bereitgestellt werden können, wobei dies eine Dar stellung der Bremsenergie als eine Funktion der Fahrzeuggeschwindigkeit und des Fahrzeuggewichts ist. Die Informationen, die zur Bestimmung der Prognose und Diagnose in dem Kasten 52 aus den Betriebsdaten in dem Kasten 64 und aus der Physik der Störung in dem Kasten 90 fusioniert werden, sind der Typ zusätzlicher Informationen, die bereitgestellt werden können, die nicht verschiedene Problemcodes und dergleichen enthalten.
Die für den Kasten 52 bereitgestellten Informationen, die nicht verschiedene Problemcodes enthalten, sind im Kasten 92, der eine gegenwärtige zeitliche Reihenfolge von Diagnoseproblemcodes (DTCs) identifiziert, und im Kasten 94, der historischen DTCs zugeordnete Arbeitscodes repräsentiert, dargestellt.
Die vorstehende Diskussion offenbart und beschreibt lediglich beispielhafte Ausführungsformen der vorliegenden Erfindung. Der Fachmann auf dem Gebiet erkennt aus dieser Diskussion und aus den beigefügten Zeichnungen und Ansprüchen leicht, dass daran verschiedene Änderungen, Abwandlungen und Veränderungen vorgenommen werden, ohne von dem wie in den folgenden Ansprüchen definierten Erfindungsgedanken und Umfang der Erfindung abzuweichen.

Claims

Verfahren zum Bereitstellen von Fahrzeugdiagnose- und -prognosebewertungen, wobei das Verfahren umfasst: Erheben von Daten von mehreren Fahrzeugkomponenten, -teilsystemen und -systemen und mehreren Fahrzeugquellen einschließlich Komponenten, Teilsystemen und einem System für verschiedene Fahrzeuge; Speichern der erhobenen Daten in einer oder mehreren Datenbanken; Erzeugen von Klassen für verschiedene Typen erhobener Daten; Fusionieren der erhobenen Daten von den Fahrzeugkomponenten, -teilsystemen und -systemen und mehreren Fahrzeugquellen; und Analysieren der fusionierten Daten, um Störungsbedingungen in Fahrzeugkomponenten, -teilsystemen und -systemen zu identifizieren.
Verfahren nach Anspruch 1, bei dem das Fusionieren der erhobenen Daten von mehreren Datenquellen das Aufbauen von Merkmalsextraktoren für jede Klasse unter Verwendung von Data-Mining-Techniken der in den Datenbanken gespeicherten Daten, das Erzeugen von Merkmalsklassierern, die die Merkmale für jede Klasse klassifizieren, und das Verwenden der Merkmalsextraktoren und Merkmalsklassierer zum Bestimmen, wann für eine Fahrzeugkomponente, ein Fahrzeugteilsystem oder ein Fahrzeugsystem eine Störungsbedingung aufgetreten ist, enthält, insbesondere ferner umfassend, dass die Ausgaben von mehreren Merkmalsklassierern zum Erhöhen der Robustheit zur Bestimmung, wann eine Störungsbedingung auftritt, kombiniert werden.
Verfahren nach Anspruch 1, das ferner das Verwenden der fusionierten Daten zum Verbessern von Fahrzeugwartungsprozeduren umfasst.
Verfahren nach Anspruch 1, das ferner das telematische Senden der erhobenen Daten von dem Fahrzeug zu einem fernen Datenzentrum umfasst. wobei insbesondere: das Speichern der erhobenen Daten in einer Datenbank das Speichern der erhobenen Daten in einer Datenbank in dem Fahrzeug und/oder in einer Datenbank bei dem fernen Datenzentrum enthält.
Verfahren nach Anspruch 1, bei dem das Erheben von Daten das Erheben von Daten enthält, die keine Problemcodes enthalten, wobei insbesondere: das Erheben von Daten, die keine Problemcodes enthalten, das Erheben von Daten, die sich auf die Physik der Störung beziehen, und von Betriebsdaten enthält.
Verfahren zum Bereitstellen von Fahrzeugdiagnose- und -prognosebewertungen, wobei das Verfahren umfasst: Erheben von Daten von Fahrzeugkomponenten, -teilsystemen und -systemen an Fahrzeugen; Speichern der erhobenen Daten in einer Datenbank entweder an Bord der Fahrzeuge oder nicht an Bord der Fahrzeuge; telematisches Senden der erhobenen Daten von den Fahrzeugen zu einem fernen Datenzentrum; Erzeugen von Klassen für verschiedene Typen der erhobenen Daten bei dem fernen Datenzentrum; Aufbauen von Merkmalsextraktoren für jede Klasse unter Verwendung von Data-Mining-Techniken der in der Datenbank bei dem fernen Datenzentrum gespeicherten Daten; Erzeugen von Merkmalsklassierern, die die Merkmale für jede Klasse bei dem fernen Datenzentrum klassifizieren; Verwenden der Merkmalsextraktoren und Merkmalsklassierer zum Bestimmen, wann für eine Fahrzeugkomponente, für ein Fahrzeugteilsystem oder für ein Fahrzeugsystem eine Störungsbedingung aufgetreten ist; Kombinieren der Ausgaben für mehrere Merkmalsklassierer zum Erhöhen der Robustheit zur Bestimmung, wann eine Störungsbedingung auftritt; und Zurücksenden der Ergebnisse der Störungsbedingungsanalyse zu den Fahrzeugen.
Verfahren nach Anspruch 6, bei dem das Erheben von Daten das Erheben von Daten von mehreren Fahrzeugkomponenten, -teilsystemen und -systemen einschließlich Komponenten, Teilsystemen und Systemen für verschiedene Fahrzeuge und mehrere Fahrzeugquellen enthält.
Verfahren nach Anspruch 6, das ferner das Verwenden der Merkmalsextraktoren und Merkmalsklassierer zum Bestimmen, wann eine Störungsbedingung aufgetreten ist, zum Verbessern von Fahrzeugwartungsprozeduren umfasst.
Verfahren nach Anspruch 1 oder 6, bei dem das Erheben von Daten das Erheben von Daten von den Fahrzeugkomponenten, -teilsystemen und -systemen sowohl für Störungsbedingungen als auch für Nicht-Störungsbedingungen enthält.
Verfahren nach Anspruch 1 oder 6, das ferner das Verwenden der Merkmalsextraktoren und Merkmalsklassierer zum Aktualisieren früherer Merkmalsklassierer umfasst.
Verfahren nach Anspruch 6, bei dem das Erheben von Daten das Erheben von Daten, die sich auf die Physik der Störung beziehen, und von Betriebsdaten enthält.
System zum Bereitstellen von Fahrzeugdiagnose- und -prognosebewertungen, wobei das System umfasst: ein Mittel zum Erheben von Daten von Fahrzeugkomponenten, -teilsystemen und -systemen in einem Fahrzeug; ein Mittel zum Speichern der erhobenen Daten in einer Datenbank in dem Fahrzeug; ein Mittel zum telematischen Senden der erhobenen Daten zu einem fernen Datenzentrum; ein Mittel zum Erzeugen von Klassen für verschiedene Typen erhobener Daten bei dem fernen Datenzentrum; ein Mittel zum Aufbauen von Merkmalsextraktoren für jede Klasse unter Verwendung von Data-Mining-Techniken der in einer Datenbank gespeicherten Daten in dem fernen Datenzentrum; ein Mittel zum Erzeugen von Merkmalsklassierern, die die Merkmale für jede Klasse klassifizieren; und ein Mittel zum Verwenden der Merkmalsextraktoren und Merkmalsklassierer zum Bestimmen, wann für eine Fahrzeugkomponente, für ein Fahrzeugteilsystem oder für ein Fahrzeugsystem eine Störungsbedingung aufgetreten ist.