DE102010051133A1

DE102010051133A1 - Fehlerdiagnose und -prognose unter Verwendung von Diagnosestörungscode-Markov-Ketten

Info

Publication number: DE102010051133A1
Application number: DE102010051133A
Authority: DE
Inventors: Satnam Bangalore Singh; Vineet R. Bangalore Khare; Rahul Bangalore Chougule
Original assignee: GM Global Technology Operations LLC
Current assignee: GM Global Technology Operations LLC
Priority date: 2009-11-17
Filing date: 2010-11-11
Publication date: 2011-06-01
Also published as: CN102073318A; US20110118932A1; CN102073318B; US8498776B2

Abstract

Ein System und ein Verfahren für die Fehlerdiagnose enthalten das Empfangen von Informationen, die eine Beziehung zwischen Fehlermodi und Diagnosestörungscodes definieren und Diagnosestörungscodedaten einschließlich Setzzeiten, Häufigkeitsdaten und Diagnosestörungscode-Sequenzinformationen für eine Mehrzahl von Diagnosestörungscodes, die sich auf eine Mehrzahl von Fehlermodi beziehen, auskoppeln. Das System und das Verfahren enthalten ferner das Konstruieren einer Markov-Kette unter Verwendung der Diagnosestörungscodedaten für jeden der Mehrzahl von Fehlermodi, das Trainieren der Markov-Kette zum Lernen eines Satzes von Zustandsparametern unter Verwendung der Diagnosestörungscodedaten und das Berechnen der Wahrscheinlichkeit einer Diagnosestörungscodesequenz für jeden der Mehrzahl von Fehlermodi unter Verwendung der trainierten Markov-Ketten.

Description

HINTERGRUND
1. Gebiet der Erfindung
Diese Erfindung bezieht sich allgemein auf Fehlerdiagnose- und -prognosesysteme und insbesondere auf ein verbessertes Verfahren für die Fehlerdiagnose und -prognose unter Verwendung von zeitgestempelten Diagnosestörungscodes (oder -fehlercodes) und Markov-Ketten.
2. Diskussion des Standes der Technik
In der Kraftfahrzeugindustrie gibt es ein ständiges Bemühen, durch die Aufnahme von Fehlerdiagnose- und -prognosemerkmalen in Fahrzeuge die Qualität und die Zuverlässigkeit von Fahrzeugen zu verbessern. Herkömmlich wird die Fehlerdiagnose durch einen Techniker ausgeführt, der mit der Elektroniksteuereinheit (ECU) des Fahrzeugs ein Abtasthilfsmittel oder ein anderes Diagnosehilfsmittel (z. B. TECH II^TM, MDI^TM) verbindet. Wenn sie verbunden worden sind, werden aus der ECU Diagnosestörungscodes (DTCs) entnommen und dazu verwendet zu bestimmen, was den Fehler verursacht hat. In einigen Fällen sind die DTCs allein nicht ausreichend, um die Grundursache eines Problems genau zu bestimmen, da ein DTC oder eine Kombination von DTCs Symptome für mehrere Fehlermodi umfassen kann. Außerdem ist es ohne irgendwelche Informationen darüber, wann jeder DTC aufgetreten ist, schwierig, die wahre Ursache eines Fehlers zu ermitteln.
In den vergangenen Jahren hat sich die Fahrzeugfehlerdiagnose mit der Implementierung einer fahrzeugeigenen Diagnose, die so konfiguriert ist, dass sie automatisch auf Fahrzeug-DTCs zugreift, um für einen Fahrzeugbetreiber oder Techniker Diagnoseinformationen bereitzustellen, ohne sich von außen mit der ECU verbinden zu müssen, verbessert. Allerdings können vorhandene Techniken nicht zwischen zwei Fehlermodi, die dieselbe DTC-Signatur haben, unterscheiden, da sie nicht auf systematische Weise die DTC-Auslösezeitinformationen nutzen.
Somit werden ein System und ein Verfahren benötigt, die konfiguriert sind zum: 1) Nutzen der Setzzeit und der Häufigkeit von DTCs in einem statistischen Verfahren, das Fehlermodi, insbesondere mehrdeutige Fehlermodi (d. h. Fehlermodi, die ein gemeinsames DTC-Signaturmuster aufweisen), diagnostizieren und isolieren kann; 2) Diagnostizieren intermittierender Fehler dadurch, dass ebenfalls modelliert wird, wann das System keine DTCs besitzt; und 3) Vorhersagen der verbleibenden Zeit bis zum nächsten Fehlerzustand (RTFS) mit akzeptablen Vertrauensgrenzen eines Fehlermodus.
ZUSAMMENFASSUNG
In Übereinstimmung mit den Lehren der vorliegenden Erfindung enthalten ein System und ein Verfahren für die Fehlerdiagnose das Empfangen von Informationen, die eine Beziehung zwischen Fehlermodi und Diagnosestörungscodes definieren und Diagnosestörungscodedaten einschließlich Setzzeiten, Häufigkeitsdaten und Diagnosestörungscode-Sequenzinformationen für eine Mehrzahl von Diagnosestörungscodes, die sich auf eine Mehrzahl von Fehlermodi beziehen, auskoppeln. Das System und das Verfahren enthalten ferner das Konstruieren einer Markov-Kette unter Verwendung der Diagnosestörungscodedaten für jeden der Mehrzahl von Fehlermodi, das Trainieren der Markov-Kette zum Lernen eines Satzes von Zustandsparametern unter Verwendung der Diagnosestörungscodedaten und das Berechnen der Wahrscheinlichkeit einer Diagnosestörungscodesequenz für jeden der Mehrzahl von Fehlermodi unter Verwendung der trainierten Markov-Ketten.
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 veranschaulicht ein beispielhaftes Fehlerdiagnose- und -prognosesystem in Übereinstimmung mit einer Ausführungsform;
2 veranschaulicht eine beispielhafte Diagnosematrix;
3 ist ein Ablaufplan, der eine beispielhafte Datensammel- und Trainingsphase des Fehlerdiagnose- und -prognosealgorithmus veranschaulicht;
4 veranschaulicht eine beispielhafte DTC-Sequenz;
5a und 5b veranschaulichen beispielhafte DTC-Markov-Ketten für einen spezifischen Fehlermodus, und
6 ist ein Ablaufplan, der eine beispielhafte Testphase des Fehlerdiagnose- und -prognosealgorithmus veranschaulicht.
AUSFÜHRLICHE BESCHREIBUNG DER AUSFÜHRUNGSFORMEN
Die folgende Diskussion der Ausführungsformen der Erfindung, die auf die Fehlerdiagnose- und -prognose unter Verwendung zeitgestempelter Diagnosestörungscodes (DTCs) und Markov-Ketten gerichtet ist, ist dem Wesen nach lediglich beispielhaft und soll die Erfindung oder ihre Anwendungen oder Verwendungen in keiner Weise einschränken.
1 veranschaulicht ein beispielhaftes Fehlerdiagnose- und -prognosesystem 10 mit einer Mehrzahl elektronischer Steuereinheiten (ECUs) 12 in Kommunikation mit einer zentralen Diagnose-ECU 14. Jede ECU 12 ist zum Empfangen von Diagnosestörungscodes (DTCs) von verschiedenen Sensoren und Komponenten innerhalb eines Fahrzeugs (nicht gezeigt) konfiguriert. Ein DTC ist im Wesentlichen ein Fehlercode, der angibt, dass ein Fahrzeugbetriebsparameter oder ein Satz von Parametern einen vorgegebenen Schwellenwert überschritten hat oder einen einem DTC zugeordneten Diagnosetest nicht bestanden hat. In einigen Ausführungsformen kann ein DTC auch als ein Symptom bezeichnet werden. DTCs, die von der ECU 12 empfangen werden, werden allgemein in einem ECU-Speichermodul 16 gespeichert, das sich innerhalb jeder ECU 12 befindet. In dieser Ausführungsform ist jede ECU 12 zum Senden von DTCs an die zentrale Diagnose-ECU 14 konfiguriert, die einen Algorithmus 20 zum Bestimmen und Vorhersagen von Fehlermodi enthält.
In einer Ausführungsform ist die Diagnose-ECU 14 zum direkten Kommunizieren mit einer fahrzeugeigenen flexiblen Rechenplattform 22 wie etwa OnStar^TM konfiguriert. Außerdem oder alternativ kann das System zum Kommunizieren mit einer Offline-Kommunikationsplattform konfiguriert sein, wobei die Diagnose-ECU 14 mit einer externen Schnittstelle wie etwa Tech II^TM oder mit einer Mehrfachdiagnoseschnittstelle (MDI^TM) verbunden ist. Der Durchschnittsfachmann versteht, dass das in 1 gezeigte System lediglich beispielhaft ist und dass andere Systemkonfigurationen auf das hier enthaltene Diagnose- und Prognosesystem und -verfahren gleichfalls anwendbar sind. Zum Beispiel kann ein alternatives System so konfiguriert sein, dass es keine zentrale Diagnose-ECU 14 gibt. Stattdessen kann jede ECU 12 den Algorithmus 20 enthalten und einzeln miteinander und/oder mit den Online/Offline-Kommunikationsplattformen 22 kommunizieren.
Der Algorithmus 20 kann in zwei Phasen, einer Datensammel- und Trainingsphase und einer Testphase, ausgedrückt werden. In der Datensammel- und Trainingsphase erhebt der Algorithmus 20 Daten und konstruiert unter Verwendung der Sammlung von Daten eine Markov-Kette. Die Sammlung von Daten enthält, ist aber nicht beschränkt auf, Feldfehlerdaten und Historiendaten, die eine Setzzeit (d. h. den Zeitpunkt, zu dem der DTC ausgelöst wurde), eine Häufigkeit für jeden DTC und DTC-Sequenzinformationen enthalten. Durch Kenntnis des Zeitpunkts, zu dem jeder DTC aufgetreten ist, und der Häufigkeit des Auftretens kann der Algorithmus 20 für jeden Zustand der Markov-Kette Parameter wie etwa Anfangs- und Übergangswahrscheinlichkeiten bestimmen. Die Anfangswahrscheinlichkeit jedes Zustands gibt die Vorkenntnis über das Sein in diesem Zustand zu Beginn (d. h. t = 0) an. Diese Wahrscheinlichkeiten können unter Verwendung von Historienfeldfehlerdaten oder aus Domänenkenntnis erhalten werden. Unter Verwendung der hier offenbarten Herangehensweise ist die Anfangswahrscheinlichkeit des ”Kein-DTC”-Zustands unter allen anderen Zuständen am höchsten. Die Übergangswahrscheinlichkeiten geben die Wahrscheinlichkeit der Bewegung von einem Zustand in einen anderen Zustand an. Eine vollständige Beschreibung der DTC-Markov-Kette wird im Folgenden diskutiert.
Die Sammlung der Daten kann außerdem Informationen hinsichtlich einer Beziehung zwischen den Fehlermodi und jedem DTC enthalten. Diese Beziehung wird häufig unter Verwendung einer Tabelle oder Matrix ausgedrückt, die durch die zentrale Diagnose-ECU 14, durch irgendwelche der einzelnen ECUs 12 oder durch irgendeine andere Rechenvorrichtung erzeugt und gespeichert werden kann. Eine beispielhafte Diagnosematrix 24, die die Beziehung zwischen Fehlermodi (FMs) 1–12 und DTCs 1–13 veranschaulicht, ist in 2 gezeigt. Fehlermodi können einen oder mehrere sich überschneidende DTCs aufweisen oder können ein gemeinsames DTC-Signaturmuster aufweisen, in dem die DTCs für mehr als einen Fehlermodus dieselben sind. Zum Beispiel zeigt die Diagnosematrix 24 aus 2, dass die Fehlermodi 1 und 2 (FM₁ bzw. FM₂) dasselbe DTC-Signaturmuster, d. h. DTC₁ und DTC₂, aufweisen. Wenn DTCs dasselbe Signaturmuster aufweisen, werden sie als Teil einer Mehrdeutigkeitsgruppe angesehen, da der Fehlermodus auf der Grundlage ihres DTC-Musters allein nicht unterscheidbar ist.
3 ist ein Ablaufplan, der eine beispielhafte Datensammel- und Trainingsphase 30 des Algorithmus 20 veranschaulicht. In Schritt 32 wird in eine Rechenvorrichtung, die den Algorithmus 20 implementiert, die in diesem Beispiel die zentrale Diagnose-ECU 14 ist, eine Diagnosematrix 24 eingegeben. Der Algorithmus 20 betrachtet lediglich diejenigen Fehlermodi, die Teil einer Mehrdeutigkeitsgruppe sind. In Schritt 34 werden die Setzzeit, die Häufigkeit und die DTC-Sequenzinformationen in Bezug auf einen spezifischen Fehlermodus aus den Feldfehler- und Historiendaten ausgekoppelt. In 4 ist eine beispielhafte DTC-Sequenz veranschaulicht. In Schritt 36 wird für den spezifischen Fehlermodus dadurch, dass ”Kein DTC” und ”DTCs” zu Zuständen der Markov-Kette gemacht werden, eine DTC-Markov-Kette konstruiert. Ein ”Kein-DTC”-Zustand repräsentiert eine Kein-Fehler-Bedingung oder einen Zeitverlauf zwischen aufgetretenen DTC und ermöglicht die Bestimmung intermittierender Fehler. In Schritt 38 trainiert der Algorithmus 20 unter Verwendung der DTC-Setzzeiten und der Häufigkeitsdaten die Markov-Kette, um die Zustandsparameter, d. h. Anfangs- und Übergangswahrscheinlichkeiten, zu lernen. Für jeden Fehlermodus werden DTC-Markov-Ketten konstruiert und in Schritt 40 im Speicher 18 der zentralen Diagnose-ECU 14 gespeichert.
5a veranschaulicht eine beispielhafte DTC-Markov-Kette 42 für einen spezifischen Fehlermodus, der vier Zustande, DTC₁, DTC₂, DTC₃ und Kein DTC, aufweist. Für jeden DTC-Zustand repräsentiert t_N die DCT-Setzzeit und repräsentiert n_N die DTC-Häufigkeit. Die für jeden Zustand erzeugten Übergangswahrscheinlichkeiten sind eine Funktion der DTC-Setzzeit t_N und -häufigkeit n_N. 5b veranschaulicht ein anderes Beispiel einer beispielhaften DTC-Markov-Kette 43, bei der 0,98 und 0,7 Selbstübergangswahrscheinlichkeiten repräsentieren und 0,02 und 0,3 Übergangswahrscheinlichkeiten in andere Zustände repräsentieren.
6 ist ein Ablaufplan, der eine beispielhafte Testphase 44 des Algorithmus 20 veranschaulicht. In Schritt 46 wird die DTC-Sequenz für die Testdaten in die zentrale Diagnose-ECU 14 eingegeben. In Schritt 48 wird unter Verwendung der gespeicherten Markov-Ketten die Wahrscheinlichkeit der DTC-Sequenz für alle Fehlermodi berechnet. In Schritt 50 wird durch Einreihen der Wahrscheinlichkeiten für jeden Fehlermodus in der Reihenfolge des wahrscheinlichsten Auftretens eines Fehlers eine Fehlerdiagnose ausgeführt. In Schritt 52 wird über einen gegebenen Vorhersagehorizont für jede Markov-Kette ein Trend vorhergesagt. Unter Verwendung einer Herangehensweise wird unter Verwendung des Viterbi-Algorithmus, der ein bekannter Algorithmus zum Berechnen der Wahrscheinlichkeit einer Sequenz beobachteter Ereignisse ist, für jeden Fehlermodus die Vorhersage berechnet. Anhand von 7 wird in Schritt 54 unter Verwendung dynamischer Programmierung die verbleibende Zeit bis zum nächsten Fehlerzustand (RTFS) mit akzeptablen Vertrauensgrenzen vorhergesagt.
Das System 10, das die ECUs 12, die Diagnose-ECU 14 und das Online/Offline-Kommunikationssystem 22 enthält, kann in einer oder in mehreren geeigneten Rechenvorrichtungen implementiert werden, die allgemein Anwendungen enthalten, die Softwareanwendungen sein können, die innerhalb der Rechenvorrichtung konkret als ein Satz computerausführbarer Anweisungen auf einem computerlesbaren Medium verkörpert sind. Die Rechenvorrichtung kann irgendeine einer Anzahl von Rechenvorrichtungen wie etwa ein Personal Computer, ein Prozessor, eine Handrechenvorrichtung usw. sein.
Rechenvorrichtungen enthalten allgemein Anweisungen, die durch eine oder mehrere Vorrichtungen wie etwa die oben aufgeführten ausführbar sind. Computerausführbare Anweisungen können aus Computerprogrammen, die unter Verwendung einer Vielzahl von Programmiersprachen und/oder Technologien einschließlich ohne Beschränkung und entweder allein oder zusammen Java^TM, C, C++, Visual Basic, Java Script, Perl usw. erzeugt werden, kompiliert oder interpretiert werden. Im Allgemeinen empfängt ein Prozessor (z. B. ein Mikroprozessor) z. B. aus einem Speicher, von einem computerlesbaren Medium usw. Anweisungen und führt diese Anweisungen aus, wodurch einer oder mehrere Prozesse ausgeführt werden, die einen oder mehrere der hier beschriebenen Prozesse enthalten.
Diese Anweisungen und andere Daten können unter Verwendung einer Vielzahl bekannter computerlesbarer Medien gespeichert und übertragen werden.
Ein computerlesbares Medium enthält irgendein Medium, das an der Bereitstellung von Daten (z. B. Anweisungen), die durch eine Rechenvorrichtung wie etwa einen Computer gelesen werden können, beteiligt ist. Ein solches Medium kann irgendwelche Formen einschließlich, aber nicht beschränkt auf, nichtflüchtige Medien, flüchtige Medien und Übertragungsmedien, annehmen. Nichtflüchtige Medien enthalten z. B. optische oder magnetische Platten und andere Dauerspeicher. Flüchtige Medien enthalten dynamischen Schreib-Lese-Speicher (DRAM), der üblicherweise einen Hauptspeicher bildet. Übliche Formen computerlesbarer Medien enthalten irgendein Medium, von dem ein Computer lesen kann.
Selbstverständlich soll die obige Beschreibung veranschaulichend und nicht einschränkend sein. Für den Fachmann auf dem Gebiet sind beim Lesen der obigen Beschreibung viele andere alternative Herangehensweisen oder Anwendungen als die gegebenen Beispiele offensichtlich. Der Schutzumfang der Erfindung soll nicht mit Bezug auf die obige Beschreibung bestimmt werden, sondern soll stattdessen mit Bezug auf die angefügten Ansprüche zusammen mit dem vollen Umfang von Äquivalenten, auf die diese Ansprüche berechtigen, bestimmt werden. Es wird erwartet und ist beabsichtigt, dass in den hier diskutierten Gebieten Weiterentwicklungen stattfinden und dass die offenbarten Systeme und Verfahren in solche weiteren Beispiele integriert werden. Zusammengefasst lässt die Erfindung selbstverständlich die Abwandlung und Veränderung zu und ist nur durch die folgenden Ansprüche beschränkt.
Insbesondere sind die vorliegenden Ausführungsformen gezeigt und beschrieben worden, die lediglich veranschaulichend für die besten Ausführungsarten sind. Für den Fachmann auf dem Gebiet ist selbstverständlich, dass bei der Verwirklichung der Ansprüche verschiedene Alternativen zu den hier beschriebenen Ausführungsformen genutzt werden können, ohne von dem Erfindungsgedanken und von dem Schutzumfang der Erfindung abzuweichen, und dass das Verfahren und System innerhalb des Schutzumfangs dieser Ansprüche und ihre Äquivalente dadurch erfasst wird. Selbstverständlich soll diese Beschreibung alle neuen und nicht offensichtlichen Kombinationen hier beschriebener Elemente enthalten und können in dieser oder in einer späteren Anmeldung Ansprüche auf irgendeine neue und nicht offensichtliche Kombination dieser Elemente dargestellt sein. Darüber hinaus sind die vorstehenden Ausführungsformen veranschaulichend, wobei für alle möglichen Kombinationen, die in dieser oder in einer späteren Anmeldung beansprucht werden können, kein einzelnes Merkmal oder Element wesentlich ist.
Sofern hier nicht explizit etwas Gegenteiliges angegeben ist, sollen alle in den Ansprüchen verwendeten Begriffe ihre weitmöglichste Konstruktion und ihre normale Bedeutung, wie sie der Fachmann auf dem Gebiet versteht, erhalten. Insbesondere ist die Verwendung der Singularartikel wie etwa ”ein”, ”das”, ”dieses” usw. so zu lesen, dass sie eines oder mehrere der angegebenen Elemente angeben, es sein denn, ein Anspruch gibt im Gegensatz dazu eine explizite Beschränkung an.

Claims

Fehlerdiagnose- und -prognosesystem, das umfasst: eine Mehrzahl elektronischer Steuereinheiten, wobei wenigstens eine der Mehrzahl elektronischer Steuereinheiten konfiguriert ist zum: Empfangen von Informationen, die eine Beziehung zwischen Fehlermodi und Diagnosestörungscodes definieren; Auskoppeln von Diagnosestörungscodedaten für eine Mehrzahl von Diagnosestörungscodes, die sich auf einen bestimmten Fehlermodus beziehen; Konstruieren einer Markov-Kette unter Verwendung der Diagnosestörungscodedaten für den bestimmten Fehlermodus; Trainieren der Markov-Kette zum Lernen eines Satzes von Zustandsparametern unter Verwendung der Diagnosestörungscodedaten; Berechnen einer Wahrscheinlichkeit einer Diagnosestörungscodesequenz für den bestimmten Fehlermodus unter Verwendung der trainierten Markov-Kette; und Vorhersagen eines Trends unter Verwendung der trainierten Markov-Kette.
System nach Anspruch 1, wobei die Diagnosestörungscodedaten Setzzeiten, Häufigkeitsdaten und Diagnosestörungscodesequenz-Informationen enthalten.
System nach Anspruch 1, wobei die Diagnosestörungscodedaten aus Feldfehlerdaten und Historiendaten ausgekoppelt werden.
System nach Anspruch 1, wobei der bestimmte Fehlermodus aus einer Mehrdeutigkeitsgruppe ausgewählt wird, die eine Mehrzahl von Fehlermodi enthält.
System nach Anspruch 4, wobei für jeden der Mehrzahl von Fehlermodi in der Mehrdeutigkeitsgruppe eine Markov-Kette konstruiert wird.
System nach Anspruch 5, wobei für jeden der Mehrzahl von Fehlermodi in der Mehrdeutigkeitsgruppe eine Wahrscheinlichkeit einer Diagnosestörungscodesequenz berechnet wird.
System nach Anspruch 6, wobei die Wahrscheinlichkeit für jeden der Mehrzahl von Fehlermodi in der Reihenfolge des wahrscheinlichsten Auftretens eines Fehlers eingereiht wird.
System nach Anspruch 1, das ferner das Vorhersagen einer verbleibenden Zeit bis zum nächsten Fehlerzustand unter Verwendung der trainierten Markov-Kette enthält.
System nach Anspruch 1, wobei der Satz von Zustandsparametern Anfangs- und Übergangswahrscheinlichkeiten für jeden Zustand der Markov-Kette enthält.
System nach Anspruch 1, wobei die Informationen, die eine Beziehung zwischen Fehlermodi und Diagnosestörungscodes definieren, die Form einer Diagnosematrix aufweisen.