JP4826609B2

JP4826609B2 - 車両用異常解析システム及び車両用異常解析方法

Info

Publication number: JP4826609B2
Application number: JP2008222459A
Authority: JP
Inventors: 智康石川; 俊之阿部
Original assignee: Toyota Motor Corp
Current assignee: Toyota Motor Corp
Priority date: 2008-08-29
Filing date: 2008-08-29
Publication date: 2011-11-30
Anticipated expiration: 2028-08-29
Also published as: CN101660974B; JP2010055545A; US8260488B2; CN101660974A; US20100057292A1

Description

本発明は、車両用異常解析システム及び車両用異常解析方法に関し、特に、車両の状態を示す車両状態値から車両の異常を検出したときに、異常原因を推定する車両用異常解析システム及び車両用異常解析方法に関する。

従来から、乗用車の各機器の状態を示す状態情報を常時把握する複数の車載センサと、複数の車載センサが把握した各機器の状態情報を蓄積する車載の情報蓄積装置と、車外に設置され、乗用車に生じた不具合の現象を入力する入力装置によって入力された情報と、情報蓄積装置に蓄積された状態情報のうち不具合に関する情報とを関連付けて蓄積する共有情報データベースと、乗用車に関して収集された不具合の情報を用いて不具合を解析する不具合解析装置とを備え、乗用車で検出された不具合の原因を推測するとともに、不具合情報とそのときの車両状態をデータベースに蓄積するようにした不具合解析システムが知られている（例えば、特許文献１参照）。
特開２００６−２５１９１８号公報

しかしながら、上述の特許文献１に記載の構成では、不具合解析装置は、共有情報データベースの不具合に関する情報総てを用いて不具合の解析を行うため、不具合解析の処理負荷が増大するという問題があった。

そこで、本発明は、車両の異常解析の処理負荷を低減することができる車両用異常解析システム及び車両用異常解析方法を提供することを目的とする。

上記目的を達成するため、第１の発明に係る車両用異常解析システムは、車両の状態を示す車両状態値から前記車両の異常を検出したときに、検出された異常時における前記車両状態値から、異常の要因を特定するために使用する要因識別情報を抽出して車外に送信する要因識別情報抽出手段から、抽出された前記要因識別情報及ぶ前記車両状態値がデータベース及び異常原因推定手段に送信されて異常原因を推定する車両用異常解析システムであって、
異常の要因の種類を示す要因識別情報毎に、異常発生時の異常原因及び車両状態値が蓄積されたデータ群を記憶したデータベースと、
前記車両の異常が検出されたときの前記車両状態値がどの要因識別情報に分類されるかを前記要因識別情報毎に判定し、該当する前記要因識別情報を抽出するとともに、異常が検出されたときの前記車両状態値を記録する要因識別情報抽出手段と、
前記データベースにアクセスし、前記要因識別情報抽出手段により抽出された前記要因識別情報に対応する前記データ群を選択し、選択された前記データ群の範囲内で、記録された前記車両状態値を用いて、前記車両の異常原因を推定する異常原因推定手段と、を有することを特徴とする。

これにより、車両の異常を検出したときに、直ちに詳細なデータベースを用いた異常解析を行うのではなく、異常の要因識別情報を抽出して要因の性質に応じた要因識別をまず行い、それから範囲を絞って本格的な異常解析を行うことにより、異常解析の処理負荷を低減できるともに、処理時間を短縮することができる。また、要因識別情報抽出の段階で、故障とそれ以外の誤操作等の識別を行うことができ、適切な対処を行うことが可能となる。

第２の発明は、第１の発明に係る車両用異常解析システムにおいて、
前記要因識別情報抽出手段は、前記車両に搭載され、
前記データベース及び前記異常原因推定手段は、前記車両の外部に車外診断装置として備えられていることを特徴とする。

これにより、車両側では要因識別のみを行い、本格的な異常解析は車外診断装置で行うことができ、役割分担による異常解析の効率化を図ることができる。また、車載装置には最小限の能力の演算手段を搭載し、車外診断装置には高精度の装置を準備することが可能となり、車両側の軽量化を図りつつ異常解析の高精度化を実現することができる。

第３の発明は、第２の発明に係る車両用異常解析システムにおいて、
前記要因識別情報抽出手段により抽出された前記要因識別情報を、前記車外診断装置に送信する通信手段を更に備えることを特徴とする。

これにより、要因識別情報を、車外診断装置にリアルタイムで送信することができ、車外診断装置による異常解析結果を迅速に取得することができる。

第４の発明は、第１〜３のいずれかの発明に係る車両用異常解析システムにおいて、
前記データベースが記憶する前記データ群は、教師データであることを特徴とする。

これにより、データベースが記憶するデータ群を、学習により精度を向上させたり、必要なデータを追加したりすることが容易にでき、学習の進行に伴い、より高精度な異常解析を行うことができる。

第５の発明は、第１〜４のいずれかの発明に係る車両用異常解析システムにおいて、
前記要因識別情報は、部品故障又はシステム故障ではない一時異常の情報を含むことを特徴とする。

これにより、運転者の誤操作や、走行状態の一時的な急変動、一時的な処理負荷の増大等による一時異常を、故障と区別して把握することができ、高精度の異常解析を行うことが可能となる。

第６の発明は、第１〜５のいずれかの発明に係る車両用異常解析システムにおいて、
前記要因識別情報抽出手段は、前記一時異常の要因識別情報の抽出を、前記部品故障又は前記システム故障の要因識別情報の抽出よりも先に実行し、前記一時異常の要因識別情報に該当しない前記車両状態値を、前記部品故障又は前記システム故障の要因識別情報として抽出することを特徴とする。

これにより、故障以外の一時異常を優先的に抽出し、故障の異常検出から早めに除外することができ、故障原因解析の処理負担を軽減することができるともに、故障でないのに故障と推定してしまう誤判定を減少させ、故障原因推定の精度を高めることができる。

第７の発明に係る車両用異常解析方法は、車両の状態を示す車両状態値から前記車両の異常を検出したときに、検出された異常時における前記車両状態値から、異常の要因を特定するために使用する要因識別情報を抽出する要因識別情報抽出手段から、抽出された前記要因識別情報及び前記車両状態値がデータベース及び異常原因推定手段に送信されて異常原因を推定する車両用異常解析方法であって、
前記車両の異常が検出されたときの前記車両状態値がどの要因識別情報に分類されるかを前記要因識別情報毎に判定し、該当する要因識別情報を抽出するとともに、異常が検出されたときの前記車両状態値を記録する要因識別情報抽出ステップと、
異常の要因の種類を示す前記要因識別情報毎に、異常発生時の異常原因及び車両状態値が蓄積されたデータ群を記憶したデータベースから、前記要因識別情報抽出ステップで抽出された前記要因識別情報に対応する前記データ群を選択するステップと、
前記データベースにアクセスし、選択された前記データ群の範囲内で、記録された前記車両状態値を用いて、前記車両の異常原因を推定する異常原因推定ステップと、を有することを特徴とする。

本発明によれば、車両の異常解析の処理負担を低減させるとともに、異常原因判定の判定精度を向上させることができる。

以下、図面を参照して、本発明を実施するための最良の形態の説明を行う。

図１は、本発明を適用した実施例に係る異常解析システム１００の全体構成図の一例を示した図である。図１において、本実施例に係る異常解析システム１００は、要因識別情報抽出手段１０と、データベース２０と、異常原因推定手段３０とを備える。また、必要に応じて、データベース２０と、異常原因推定手段３０は、車外診断装置４０として一体的に構成され、車外に備えられてよい。また、データベース２０及び異常原因推定手段３０が、車外診断装置４０として構成された場合には、本実施例に係る異常解析システム１００は、更に通信手段５０を備えてもよい。

要因識別情報抽出手段１０は、車両の異常が検出されたときに、検出された異常時における車両状態値から、異常の要因を特定するために使用する要因識別情報を抽出する手段である。

車両状態値は、例えば、車両を制御するＥＣＵ（Electronic Control Unit、電子制御ユニット）が記録する種々の検出値が、車両状態を示すデータとして用いられてよい。例えば、ドアスイッチ、ミラースイッチ等の操作系のセンサによる検出値や、加速度や車両速度等の走行情報系のセンサによる検出値等が、ＥＣＵ６０に車両状態値として入力されるので、ＥＣＵ６０は、それらの検出値を、車両状態値として検出、記憶する。なお、ＥＣＵ６０は、上述のように、操作系、走行情報系、というように、機能別又はセンサ系統別に車両内に複数設けられているので、各ＥＣＵ６０の機能又は用途に応じて、ＥＣＵＡ６１、ＥＣＵＢ６２というように、複数備えられていてよい。各ＥＣＵ６０により検出された車両状態値は、異常解析の診断用データとして要因識別情報抽出手段１０に入力される。

なお、車両７０の異常の検出は、例えば、上述のような車両に設けられた各種のセンサの検出値等から検出してもよい。例えば、エンジン制御に関連したセンサとしては、アクセルペダル開度を検出するアクセルポジションセンサ、スロットルバルブ開度を検出するスロットルポジションセンサ、カムシャフト角度を検出するカムポジションセンサ、クランク角度とエンジン回転速度を検出するクランクポジションセンサ、及びエンジン冷却水温を検出する水温センサ等がある。例えば、これらのセンサの検出値が、所定の正常値の範囲内にあるか否かを検出することにより、エンジン駆動に異常が発生していないか否かを検出することができる。つまり、各センサの検出値が、車両の状態を示す車両状態値となる。また、これらのセンサは、エンジンコントロールコンピュータに接続され、検出値がエンジンコントロールコンピュータに入力されるので、異常が発生したか否かをエンジンコントロールコンピュータで判定及び検出することができる。この場合、複数のセンサの検出値に基づいて、燃料の噴射時期や点火時期が制御されているので、複合的なセンサ値と時期との関係から、制御異常や各部品の異常を検出してもよい。これにより、種々の検出値が関係している複合的な異常の検出も行うことができる。そして、異常の発生を検出したときには、その時の車両状態値をフリーズフレームデータにより車両情報として記憶することができる。

また、例えば、電動パワーステアリングにおいては、トルクセンサーで検出したトルクセンサー信号からアシスト方向を演算し、ドライブ回路を駆動してモータへ駆動用電流を出力する。ここでは、トルクセンサー信号の値からトルクセンサー自体の異常、モータの電流値からモータの駆動異常、モータの温度から過熱や過電流等の異常等の発生を検出することができる。つまり、この場合、トルクセンサー信号の値、モータ電流値、モータの温度等が車両状態値となる。また、演算したアシスト方向と、モータの回転角度が一致していない場合には、ドライブ回路を含む複合的な異常を検出することができる。電動パワーステアリングにおいても、電動パワーステアリングコンピュータにより制御が行われているので、異常の発生を電動パワーステアリングコンピュータで検出できるとともに、異常発生の際の車両状態値を車両情報として記憶しておくことができる。

その他、ブレーキ系、トランスミッション系等の駆動系や、ヒータやエアコンのコンデショニング系、ウィンドウやミラー等のボデー系、ナビゲーションやオーディオ等の電装系等の種々の系列についても、同様にして異常の発生を検出することができる。

要因識別情報抽出手段１０は、診断用データとして入力された車両状態値が、要因毎に識別されて分類された要因識別情報データ１１のどの要因識別情報に分類されるかを判定し、該当する要因識別情報を抽出する。よって、要因識別情報抽出手段１０は、要因識別情報のデータを蓄積した要因識別情報データ１１を有する。

要因識別情報データ１１は、車両の異常の原因を特定するため、異常原因推定手段３０で行う本格的な異常原因推定の要因データ群の分類に合わせて分類されている。図１においては、要因識別情報データ１１は、操作Ｆ１、走行Ｆ２、劣化Ｆ３、処理負荷Ｆ４及び故障Ｆ５の５つの要因識別情報の分類を有している。要因識別情報抽出手段１０は、車両の異常が車両状態値から検出されたときに、検出した車両状態値から、要因識別情報データ１１のどの要因識別情報が異常の要因特定のために抽出されるべきかを判定する。これにより、要因識別情報抽出手段１０は、車両の異常が、分類された要因識別情報のどの分類に起因する異常なのかを判定することができる。なお、判定の具体的方法の詳細については、後述する。

要因識別情報抽出手段１０で行う要因識別情報の抽出は、異常の要因を分類できる程度の演算処理でよいので、要因識別情報データ１１は、異常解析に必要とされる膨大なデータを保持する必要が無く、異常の要因を識別できる程度のデータを保持すればよい。また、要因識別情報抽出手段１０で行う演算処理も、要因識別の分類のための演算処理でよいので、演算処理量を少なくすることができ、要因識別演算に耐え得る程度の演算処理能力のＣＰＵ（Central Processing Unit、中央処理装置）を用いることができる。

データベース２０は、要因識別情報毎に、車両に異常が発生したときの異常原因及び車両状態値をデータ群として蓄積する記憶手段である。データベース２０には、要因識別情報抽出手段１０の要因情報識別データ１１内に、要因の種類に応じて設けられた要因識別情報Ｆ１〜Ｆ４、Ｆｘに対応した各々のデータ群２１、２２、２３、２４、２６が備えられる。図１においては、データベース２０内には、操作要因データ群２１、走行要因データ群２２、劣化要因データ群２３、処理負荷要因データ群２４及び故障要因データ群２６が示されている。

データベース２０内の要因識別情報毎の各データ群２１〜２６は、車両に異常が発生したときの異常原因とそのときの車両状態値のデータを豊富に有し、各要因識別情報において、異常の要因を推定するのに十分なデータ量を備える。よって、データベース２０を用いることにより、要因識別情報抽出手段１０で抽出した要因識別情報を、より詳細に解析することが可能となる。

データベース２０は、教師データを保持していてよい。データベース２０は、より詳細に正確な異常原因解析を行うために用いられるので、学習機能を有し、データ自体を更新し、解析機能を高めていくような教師データを保持することにより、異常解析を高精度化することができる。

異常原因推定手段３０は、要因識別情報抽出手段１０により抽出された要因識別情報に対応するデータ群２１〜２６を用いて、異常原因の推定を行う手段である。従って、異常原因推定手段３０は、要因識別情報抽出手段１０に抽出された要因識別情報に対応するデータベース２０にアクセスし、データベース２０に蓄積された異常発生時の異常原因及び車両状態値のデータを用い、必要に応じてこれらのデータから更に演算処理を行い、異常原因の推定演算を行う。従来であれば、データベース２０内のデータは分類されておらず、データベース２０内の総てのデータについて照合、解析を行う必要があったが、本実施例に係る車両用異常解析システム１００においては、異常原因推定手段３０は、要因識別情報毎の特定の範囲のデータ群２１〜２６のいずれかを選択して解析すればよいので、異常原因推定手段３０の処理負担は従来よりも大幅に低減される。

図１においては、異常原因推定手段３０は、故障判定、劣化による異常判定及び操作による異常判定をした例が示されている。例えば、要因識別情報抽出手段１０において、故障による異常であると要因識別情報が抽出された場合には、異常原因推定手段３０は、データベース２０の故障要因データ群２６にアクセスし、故障要因データ群２６が蓄積するデータ群から故障原因の推定を行い、例えば、Ａ故障であると特定して判定を行う。同様に、別な故障では、同様の処理を行い、例えば、Ｂ故障であるとの判定を行う。

劣化の場合も同様であり、車両の異常が検出されたときに、要因識別情報抽出手段１０において、劣化による要因であると要因識別情報が抽出されたときには、異常原因推定手段３０は、データベース２０の劣化要因データ群２３にアクセスして異常解析を行い、ａ部品の劣化であるとの判定を行う。また、同様の処理を行い、ｂ部品が劣化していた場合には、ｂ部品劣化との判定を行う。更に、ａ部品とｂ部品の双方が劣化しているとの解析結果が得られた場合には、ａ部品及びｂ部品が劣化しているという判定を行う。

更に、操作による状態変化である場合も同様であり、車両の異常検出時に、要因識別情報抽出手段１０により、誤操作による一時的な状態変化であるとの要因識別情報の抽出がなされたときには、異常原因推定手段３０は、操作要因データ群２１にアクセスを行う。そして、詳細に異常解析のための演算処理を行い、例えば、Ｘスイッチ操作による状態変化、Ｙボタンによる状態変化、又はＸスイッチ操作とＹボタン操作による状態変化というような異常原因の特定を行う。

ここで、故障の場合は、車両の部品故障又はシステム故障等の故障判定を行った後に、故障原因について修理等を行う必要があるが、耐用範囲内の劣化や、誤操作により車両の異常が検出された場合には、故障ではなく一時異常に過ぎないので、修理等を行う必要は無い。よって、故障以外の一時異常の場合と、故障の場合では、異常であってもその後の対応処置が異なる。本実施例に係る車両用異常解析装置１００によれば、このような対応処置に応じた異常解析を行うことが可能となる。例えば、故障の異常原因解析の場合には、より詳細な故障要因データ群２６を用い、異常原因解析の演算処理の優先度を高め、故障以外の場合には、空き時間を用いて、異常原因解析を行うようにする、等である。このように、本実施例に係る車両用異常解析装置によれば、故障かそれ以外の一時異常かを早く認識することにより、柔軟で適切な対応処理が可能となる。

なお、異常原因推定手段３０は、データベース２０を利用して、車両の異常原因を推定する演算処理を行うので、ＣＰＵやＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等の記憶手段を備えたコンピュータとして構成されてよい。

データベース２０及び異常原因推定手段３０は、車両側に備えることも可能ではあるが、通常は、車両外部の車両販売店や遠隔のセンタに備えられる。上述のように、データベース２０及び異常原因推定手段３０は、豊富なデータ群を用いて、高精度に異常解析の演算処理を行うので、データベース２０の蓄積データ量及び異常原因推定手段３０の演算処理量は大きくなるので、車両の外部に設けることが好ましい。データベース２０及び異常原因推定手段３０が車両の外部に備えられる場合には、これらを一体的に構成し、車外診断装置４０として構成してもよい。例えば、車外診断装置４０が、車両販売店に設けられている場合には、車両が車両販売店に持ち込まれたときに、車載の要因識別情報抽出手段１０を車外診断装置４０に接続線を用いて接続し、異常原因の解析を行うようにしてもよい。

一方、車両側と車外診断装置とを通信可能にした通信手段５０を設け、車載の要因識別情報抽出手段１０から、抽出した要因識別情報を車外診断装置４０に送信するようにしてもよい。例えば、車両側には車両側通信手段５１を設け、車外診断装置４０には車外通信手段５２を設けるようにして、要因識別抽出手段１０から要因識別情報を車外診断装置４０に送信可能に構成することができる。

なお、通信手段５０は、通信形態は問わず、無線又は有線によるいずれの通信であってもよく、ＬＡＮ（Local Area Network）等のネットワークによる通信を利用してもよい。通信手段５０を利用する場合、車外診断装置５０は、車両販売店以外の任意の場所に設けることができ、例えば、Ｇ−Ｂｏｏｋ等のセンタを利用することもできる。また、通信手段５０を利用することにより、リアルタイムの異常解析を行うことも可能となる。

次に、図２を用いて、要因識別情報抽出手段１０による要因情報識別の具体的な方法について説明する。図２は、本実施例に係る車両用異常解析システム１００の要因識別情報抽出手段１０の処理内容の一例について説明するための説明図である。

図２（ａ）は、故障以外の要因について識別可能な種々の制御値を、要因識別情報毎に分類して示した例を示す図である。図２（ａ）において、検出される情報の性質、種類に応じて、要因識別情報Ａ、Ｂ、Ｃ、Ｄの５つに要因識別情報が分類されている。

要因識別情報Ａには、操作系・入力センサ系情報を示す車両状態値の項目が示されている。例えば、ドアスイッチ状態は、ドアの開閉状態を示す情報であり、ミラースイッチは、ドアミラーの開閉状態を示す情報である。同様に、ロックスイッチ状態は、ドアの施解錠を示す情報であり、電動シートスイッチ状態は、電動シートのスイッチ状態を示す情報である。これらの車両状態値の情報は、総てユーザのスイッチ等の操作に基づく情報である。よって、これらの車両状態値を要因として、車両の異常が検出されたときには、ユーザの誤操作に基づく異常である可能性が高く、操作系・入力センサ系情報の要因識別情報に分類することができる。

他の車両状態値の項目としては、ランプスイッチ状態及びクルーズスイッチ状態は、ユーザのスイッチのオン・オフ状態を要因とする車両状態値の項目であり、ステアリング状態、ブレーキペダル状態及びアクセルペダル状態は、運転者の運転操作を要因とする項目である。また、トランスミッションレバー状態及びパーキングブレーキ状態は、運転者のレバー固定位置や、ブレーキレバーの引き具合を要因とする車両状態値の項目である。

要因識別情報Ｂには、走行情報に関する車両状態値を示す項目が示されている。これらは、車両の走行状態により変化しうる車両状態値であり、例えば、粗い砂利道を走行していて上下動が大きい場合には、上下方向の加速度が大きく変化するし、長く急な下り坂を走行すれば、アクセル開度が小さい割に、車両速度及び加速度が大きな値を示す。このように、走行情報に関する車両状態値の項目としては、例えば、図２（ａ）に示すように、加速度、車両速度、エンジン回転数、トランスミッション変速状態、噴射状態、走行道路情報及び天候情報等が例として挙げられている。

要因識別情報Ｃには、システム情報に関する車両状態値を示す項目が挙げられている。例えば、電気負荷の大きさの状態により、電源電圧は変化し得るし、処理負荷の大きさにより、マイコン状態も変化し得る。図１においては、このような、システム情報を要因とする車両状態値の項目として、電源電圧、電気負荷状態及びマイコン状態を例に挙げている。

要因識別情報Ｄには、補正・学習状態を要因とする車両の異常として識別できる車両状態値の項目が示されている。車両に搭載されているＥＣＵには、種々の学習機能が搭載されている場合があり、かかる学習の不適正や、制御値の補正が不適切であることにより、車両の異常が発生し得るので、そのような車両状態値を、補正・学習状態を要因とする要因識別情報として分類する。図１においては、補正・学習状態の要因識別情報の車両状態値として、制御学習値、０点補正値、レンズ学習値、ステアリング補正値、加速度補正値及びアクセルセンサ学習値を例として挙げている。

図２（ｂ）は、図２（ａ）において説明した車両状態値の項目を要因とする車両の異常状態の例を説明するための図である。

例えば、要因識別情報Ａの項目に基づく車両の異常としては、複数のスイッチを同時にオンとした場合や、トランスミッションレバーを中間の位置に固定してしまった場合や、ブレーキを最大に踏みながらアクセルを踏み込んだ場合や、据え切りで最大ステアリングを長時間継続してしまった場合等が挙げられる。これらの中で、例えば、トランスミッションレバーを中間に固定した場合の異常は、トランスミッションレバー状態のみから検出できるが、ブレーキを最大に踏みながら、アクセルを踏み込んだ場合の異常は、ブレーキペダル状態と、アクセルペダル状態の双方の状態を検出して初めて検出される。同様に、複数のスイッチを同時にオンとした場合は、どのスイッチと特定される訳ではなく、スイッチ状態を示す任意の車両状態値の項目を用いて検出する。よって、図２（ａ）に挙げた要因識別情報Ａのうち、適宜必要な項目を組み合わせて、異常状態は判定される。例えば、要因識別情報抽出手段１０は、そのような異常発生時の車両状態値の種々の組み合わせパターンを要因識別情報データ１１に記憶しておき、検出した要因識別情報Ａの車両状態値をこれと照合することにより、ユーザ操作による一時異常に該当するか否かの判定を行ってもよい。要因識別情報Ａを用いたマイニングにより、車両の異常状態が認定された場合には、ユーザ操作による一時異常と判定され、識別子Ｆ１が付される。

要因識別情報Ａを用いた診断に、車両状態値が該当しなかった場合には、要因識別情報Ｂを用いたマイニングが行われる。要因識別情報Ｂは、走行情報を示す制御値が分類されている。要因識別情報Ｂの車両状態値から識別される異常としては、例えば、雨天スリップにより検出速度が急激に低下した場合や、走行路面のアップダウンが激しく、負荷が急増した場合等が例として挙げられる。例えば、雨天スリップにより検出速度が急激に低下した異常の場合は、天候情報と車両速度の組み合わせで異常要因を抽出することができる。また、走行路面のアップダウンが激しく、負荷が急増した異常の場合には、走行道路情報、上下加速度等の車両状態値の項目により、異常要因が要因識別情報Ｂに含まれていることが分かる。要因識別情報Ｂを用いたマイニングにより、車両の異常要因を発見したときには、走行状態による一時異常と判定され、識別子Ｆ２が付される。

要因識別情報Ａ、Ｂによる単独のマイニングにより異常の要因が抽出されなかったときには、要因識別情報Ａ及びＢを用いたマイニングが行われる。例えば、アクセルを踏んでいるのに回転が上がらない現象の異常の場合には、図２（ａ）の要因識別情報Ａに分類されているアクセルペダル状態と、要因識別情報Ｂに分類されているエンジン回転数の項目から、異常要因を特定することができる。また、ステアリングを最大にしているのに、アイドルアップしない現象の異常の場合には、図２（ａ）の要因識別情報Ａに分類されているステアリング状態と、要因識別情報Ｂに分類されているエンジン回転数の項目の組み合わせから、異常要因を定めることができる。また、スイッチをオンとしたのに、動作しない現象の異常の場合には、要因識別情報Ａに分類される各種のスイッチ状態の項目と、スイッチ動作により変化を生じるはずの要因識別情報Ｂの項目との組み合わせで異常要因を特定し得る。更に、トランスミッションレバーを倒したのに、変速しない現象の異常の場合には、要因識別情報Ａに分類されているトランスミッションレバー状態と、要因識別情報Ｂに分類されているトランスミッション変速状態の項目の組み合わせにより、異常要因を定めることができる。このような、要因識別情報Ａ及びＢを用いたマイニングにより、車両の異常が要因識別情報Ａ及びＢに含まれる車両状態値を要因とすると判定された場合には、部品劣化による一時異常Ｆ３を要因とする異常であると判定される。例えば、スイッチをオンとしたのに動作しない場合や、トランスミッションレバーを倒したのに変速しない場合は、一時的な接触不良とも考えられ、操作状態と走行状態が良好であれば、通常は正常に動作する場合も多いので、そのような場合は、部品劣化による一時異常と判定し、識別子Ｆ３を付する。

要因識別情報Ａ及びＢを用いたマイニングによっても、該当する要因識別情報の抽出がなされなかった場合には、要因識別Ｃを用いたマイニングが行われる。要因識別情報Ｃにおいては、例えば、電気負荷大量使用による電圧低下の現象により異常が検出された場合や、マイコン処理能力が低下して異常が検出された場合が例として挙げられる。電気負荷大量使用による電圧低下の場合は、電気負荷大量使用により、一時的に電気負荷値が増加するともに、電源電圧が低下するので、要因識別情報Ｃの項目に起因する異常と判定できる。またマイコン処理能力低下の場合は、例えば、一時的に負荷が増大し、マイコン状態が異常となる場合には、処理負荷値とマイコン状態の項目から、異常要因を識別できる。要因識別情報Ｃのマイニングにより、異常要因が特定された場合には、車両異常は、処理負荷急増による一時異常と判定され、識別子Ｆ４が付される。

要因識別情報Ｃを用いたマイニングによっても、該当する要因識別情報の抽出が行われなかった場合には、要因識別情報Ｄを用いたマイニングが行われる。要因識別情報Ｄに含まれる車両状態値の項目を要因とする異常の現象は、例えば、学習不良による一時状態不安定や、補正値書き込み不良による一時状態不安定が挙げられる。例えば、学習不良による一時状態不安定は、要因識別情報Ｄの制御学習値、レンズ学習値又はアクセルセンサ学習値等の項目で異常が生じているときに発生する。また、補正値書き込み不良による一時状態不安定は、要因識別情報Ｄの０点補正値、ステアリング補正値又は加速度補正値等の項目で異常があったときに発生する現象である。よって、要因識別情報Ｃを用いたマイニングにより、これらの車両状態値の異常を要因として車両の異常が発生している状態であることが分かる。そして、この場合には、学習不良による一時異常と判定され、識別子Ｆ５が付される。

要因識別情報Ｄを用いたマイニングによっても、該当する要因識別情報の抽出が行われなかった場合には、車両の異常は、一時異常ではなく、部品故障又はシステム故障を要因とすると判定される。つまり、一時異常の要因のいずれにも識別されず、該当する要因識別情報を抽出できなかった場合には、車両の異常の要因は、部品故障又はシステム故障にあると判定され、識別子Ｆｘが付される。この場合には、故障に対する異常解析が必要とされる。

このように、本実施例に係る車両用異常解析システム１００によれば、車両側の要因識別情報抽出手段１０において、車両の異常が検出されたときに、車載の各センサ等から検出された車両状態値の中から、まず故障以外の異常を要因とする一時異常の要因識別情報の抽出を行い、一時異常の要因識別情報が抽出されなかったときに、故障が異常の要因であると判定する。これにより、修理の不必要な一時異常を、車両側で早期に認識して、多大な処理負担を要する故障の異常解析の対象から排除することができる。また、要因識別情報の抽出では、限られた制御値を対象として要因識別情報のグループの判別のみを行うので、車両側での演算処理負担を軽くすることができ、車両に搭載するＣＰＵの能力を低減することができる。

なお、車両側で、要因識別情報の抽出が終了し、識別子Ｆ１〜Ｆｘのいずれに該当するかが判定されたら、該当する識別子Ｆ１〜Ｆｘの情報及び車両内の総ての車両状態値が記憶される。車両が車両販売店で異常解析を行う際には、記憶された識別子Ｆ１〜Ｆｘ及び車両異常時に検出された車両状態値が、要因識別情報抽出手段１０から、データベース２０及び異常原因推定手段３０に送られる。その際、要因識別情報抽出手段１０と、データベース２０及び異常原因推定手段３０とは、接続線等により有線でデータ伝送が行われてもよいし、通信手段５０が利用されてもよい。また、通信手段５０により、要因識別情報抽出手段１０から、データベース２０及び異常原因推定手段３０を備える車外診断装置４０に送信される場合には、同様に、要因識別情報抽出手段１０で抽出された識別子Ｆ１〜Ｆｘ及び異常検出時の車両状態値が、車両側通信手段５１により車外診断装置４０の車外通信手段５２に送信される。

図３は、データベース２０及び異常原因推定手段３０を有する車外診断装置４０の処理内容を詳細に説明するための図である。

図３において、データベース２０は、操作要因データ群２１、走行要因データ群２２、劣化要因データ群２３、処理負荷要因データ群２４、未学習要因データ群２５及び故障要因データ群２６の要因識別情報毎の複数のデータ群２１〜２６を有する。各データ群２１〜２６には、異常が発生したときの発生原因及び車両状態値が、各要因識別情報に対応して蓄積されている。よって、例えば、操作要因データ群２１には、ユーザの誤操作を要因とする一時異常の具体的な発生原因と、その異常が発生したときの車両状態値のデータが蓄積記憶されている。また、走行要因データ群２２には、車両の走行状態を要因とする一時異常の具体的な発生原因と、その異常が発生したときの車両状態値が記憶されており、劣化要因データ群２３には、部品の劣化を要因とする異常が発生したときの異常原因と車両状態値が蓄積されている。同様に、処理負荷要因データ群２４には処理負荷増大を要因とする異常の原因と車両状態値、未学習要因データ群２５には未学習部位の存在や補正値の不適正を要因とする異常の原因と車両状態値、故障要因データ群２６には部品故障又はシステム故障を要因とする異常の原因と車両状態値が蓄積されている。

各データ群２１〜２６は、詳細なデータマイニングによる異常診断を行うことが可能な豊富なデータを有しており、これらの専門化したデータ群２１〜２６を用いることにより、車外診断装置４０は、高精度な異常解析を行うことができ、異常の具体的な原因を確定することができる。

異常原因推定手段３０は、要因識別情報抽出手段１０からの識別子Ｆ１〜Ｆｘ及び車両状態値の情報を受けて、特定された識別子Ｆ１〜Ｆｘに対応するデータを備えたデータ群２１〜２６を用いて、異常解析を行う。異常原因推定手段３０による異常解析は、特定されたデータ群２１〜２６のいずれかについてのみ行われるので、データベース２０内の総てのデータについて解析を行う場合よりも、処理負担は著しく低減され、短時間で異常解析を行うことができる。異常原因推定手段３０による異常解析は、本格的なデータマイニングの手法により、項目間の相関関係や特徴的なパターンなどを探し出し、知識を獲得してゆくような解析手法が採られてよい。これにより、高精度な異常解析を行えるとともに、データが蓄積されてゆくにつれて更にその解析精度を高めることができる。

異常原因推定手段３０により、異常の要因が、識別子Ｆ１〜Ｆ５の一時異常を要因とするものと確定された場合には、故障ではないので、例えば、メインテナンス、設計見直し等の処置を行うようにしてよい。また、異常原因推定手段３０により、識別子Ｆｘの部品故障又はシステム故障を要因とする異常と確定された場合には、故障部位が特定されているので、その故障箇所の修理を実施するようにする。これにより、異常原因が故障以外の一時異常と判定された場合には、無駄な修理を行う必要が無くなり、故障と判定された場合には、必要な修理を速やかに実施することができる。また、故障の判定の場合にも、一時異常による要因は除かれた状態で異常解析を行うことができるので、絞り込まれたデータを対象として原因解析を行うことができ、解析精度を高めることができる。

図４は、データベース２０に蓄積される教師データの例を示した図である。上述のように、異常原因推定手段３０では、データマイニングによる学習が実行されるので、獲得された知識は、データベース２０に教師データとして反映され、蓄積されてゆく。図４においては、データベース２０内の各データ群２１〜２６に蓄積される教師データが、データ群２１〜２６毎に示されている。

例えば、推定分類が故障である故障要因データ群２６には、故障の学習値として、センサ故障、スイッチ断線、アクチュエータ故障、システム故障等が挙げられている。これらの項目は、異常発生時の車両状態値として記憶される。なお、異常発生時の車両状態値は、異常が発生したときの各車載センサによる検出値の集合体であるので、ＦＦＤ（Freeze Flame Data、フリーズフレームデータ）と呼んでもよい。故障要因データ群２６には、例えば、センサ故障という故障発生原因とともに、フリーズフレームデータ、つまり車両状態値が記憶されることになる。同様に、スイッチ断線については、スイッチ断線という故障発生原因とともに、スイッチ断線時の車両状態値が記憶される。また、アクチュエータ、システム故障についても、これら故障発生原因とともに、車両状態値が記憶され、更に図示されていない他の故障についても、発生原因とともに、車両状態値が記憶される。

同様に、ユーザ操作一時異常の推定分類である操作要因データ群２１については、ハンドル末切りと急ブレーキ操作の異常原因が挙げられているが、これらの異常原因に対応する車両状態値が、操作要因データ群２１に記憶されている。また、走行状態の一時異常の推定分類の走行要因データ群２２では、段差走行、スリップ走行の場合の異常原因が記憶されるとともに、これらに対応した車両状態値が記憶される。例えば、スリップ走行であれば、エンジン回転数、車両速度等の項目を含む車両状態値が記憶されることになる。同様に、処理負荷の一時異常が推定分類である処理負荷要因データ群２４では、各ＣＰＵ負荷が異常原因として挙げられ、これに対応する車両状態値が、異常原因とともに蓄積されている。また、部品劣化一時異常の推定分類の劣化要因データ群２３では、Ｚ部品劣化、Ｙスイッチ劣化といった具体的な部品の劣化が異常原因として挙げられ、これに対応する車両状態値がともに記憶されて教師データとして蓄積される。

なお、これらの教師データは、学習が進むにつれて増減が起こり、必要なものは追加され、不要なものは削除され、より精度の高いデータを蓄積してゆくことができる。

次に、図５を用いて、このようなデータベース２０で蓄積されている教師データが、車両側の要因識別情報抽出手段１０の要因識別情報データ１１にダウンロードされる例について説明する。図５は、ダウンロード機能を有する要因識別情報データ１１を有する実施例に係る車両用異常解析システム１００ａを示した図である。

図５において、本実施例に係る車両用異常解析システム１００ａは、車両７０に備えられた要因識別抽出手段１０と、車両側通信手段である通信モジュール５１ａと、車外診断装置４０ａとを有する。車両７０には、要因識別情報抽出手段１０が備えられるとともに、要因識別情報データ１１ａと、ＥＣＵ６０と、通信モジュール５１ａが備えられている。また、車外診断装置４０ａには、教師データを蓄積しているデータベース２０ａと、異常原因推定手段３０の機能を含むサーバ３０ａが備えられている。

図５の実施例に係る車両用異常解析システム１００ａにおいては、車両側の通信モジュール５１ａが、ネットワーク５０ａを介して、定期的に更新された教師データをサーバ３０ａからダウンロードする。サーバ３０ａは、異常原因推定手段３０を含むコンピュータであり、教師データを有するデータベース２０ａにアクセスし、異常解析を行うとともに、教師データの削除や追加等の書き込みを行う。

車両７０においては、通信モジュール５１ａを用いて、サーバ３０ａから教師データを定期的にダウンロードして更新する。なお、データベース２０ａに蓄積されているデータは膨大であるので、通信モジュール５１ａは、要因識別情報抽出手段１０による要因識別情報の抽出を行うのに足りるレベルで、選択的に教師データをダウンロードするようにしてもよい。

他の構成要素については、図１〜図４における説明と同様であり、ＥＣＵ６０は、ＥＣＵＡ６１、ＥＣＵＢ６２というように、車両内の位置や制御値の種類に応じて複数のＥＣＵ６１、６２が備えられてよく、車両の異常が検出されたときには、各ＥＣＵ６１、６２から、車両状態値のデータが要因識別情報抽出手段１０に転送される。要因識別情報抽出手段１０は、更新された要因識別情報データ１１ａを用いて、検出した車両状態値から、どの要因に識別されるかを判定し、該当する要因識別情報を特定する。要因識別情報抽出手段１０で抽出された要因識別情報は、車両状態値とともに、通信モジュール５１ａを用いて、ネットワーク５０ａを介して車外診断装置４０ａのサーバ３０ａに送られる。

車外診断装置４０ａでは、要因識別情報により特定されたデータベース２０ａの教師データを用いて、異常原因推定手段を含むサーバ３０ａにより、データマイニングによる詳細な異常原因の解析が行われる。異常の原因が、一時異常か、故障かに応じて、その後の処置を実行してよいことは、今までの説明と同様である。

このように、図５に係る実施例によれば、ネットワーク５０ａを用いることにより、車両７０側においても、最新の教師データを用いて、要因識別情報の抽出を行うことができる。

次に、図６を用いて、本実施例に係る車両用異常解析システム１００、１００ａを用いた車両用異常解析方法の処理フローについて説明する。図６は、本発明を適用した実施例に係る車両用異常解析方法の処理フローを示した図である。

ステップ１００では、車両７０内で異常が発生したか否かを検出する。異常の検出は、例えば、図１で説明したように、各種のセンサの検出値に基づいて行ってよい。車両７０内で異常が検出されなければ、処理フローを終了し、最初から処理フローを繰り返す。一方、異常が検出された場合には、ステップ１１０に進む。

ステップ１１０では、要因識別情報抽出ステップが実行される。要因識別情報抽出ステップでは、異常が発生したときに各ＥＣＵ６０で記録された各種車両情報から、要因識別情報抽出手段１０により、異常の要因となる要因識別情報が抽出され、各種車両情報の車両状態値とともに記録される。

ステップ１２０では、車両７０が車両販売店に入庫する。これにより、要因識別情報抽出手段１０により抽出した要因識別情報及び車両状態値に基づいて、異常原因の解析を行うことが可能な環境となる。

ステップ１３０では、車両７０側から、要因識別情報抽出手段１０で抽出した要因識別情報が車外診断装置４０に送信され、車外診断装置４０は、要因識別情報の識別子Ｆ１〜Ｆｘを識別する。車外診断装置４０は、要因識別情報毎に、異常発生時の異常原因及び車両状態値が蓄積されたデータ群を記憶したデータベース２０を備える。なお、この識別は、車外診断装置４０内の異常原因推定手段３０により行われてよい。

ステップ１４０では、異常原因推定手段３０が、データベース２０から、識別子Ｆ１〜Ｆｘに該当する教師データを有するデータ群２１〜２６を選択する。このデータ群選択ステップにより、複数のデータ群２１〜２６を備えたデータベース２０から、抽出された前記要因識別情報に対応したデータ群が選択される。

ステップ１５０では、異常原因推定手段３０により、選択されたデータ群２１〜２６を用いて、異常原因を推定する異常原因推定ステップが実施される。異常原因を推定する異常解析は、例えばデータマイニングの手法により実行されてよく、選択されたデータ群２１〜２６の範囲内で、異常原因を確定する処理を行う。ステップ１５０の終了で、本実施例に係る異常原因解析システム１００、１００ａによる処理フローは終了するが、更なる処置として、異常原因の推定結果に応じて、ステップ１５０から、ステップ１６０〜ステップ１９０のいずれかのステップに進む。

ステップ１５０において、異常の要因は故障と推定された場合には、ステップ１６０に進む。ステップ１６０では、故障部品と判定された部品について、修理を行う。これにより、故障による異常を解消することができる。

また、ステップ１５０において、異常の要因は部品の劣化であると推定された場合には、ステップ１７０に進む。ステップ１７０では、劣化していると推定された部品の点検が行われる。部品の劣化の程度によっては、交換や調整を実施することが好ましい。

ステップ１５０において、異常の要因は、走行状態、ユーザによる誤操作又は処理負荷の過大による一時異常であると推定された場合には、その内容に応じて、ステップ１８０又はステップ１９０に進む。

ステップ１８０では、設計修正が実施される。異常の要因が、設計上の不具合に起因すると考えられる場合には、ユーザの使い勝手が良くなるように、設計修正を行い、異常の発生し難い設計とすることが好ましい。

ステップ１９０では、顧客への説明が行われる。ユーザの誤操作や、劣悪な走行状態による一時異常や、処理負荷が限界を超えたような場合には、ユーザの車両の使用方法に問題があり、ユーザに理解を深めて戴いた方が好ましい場合もある。そのような場合には、顧客への説明を実施し、異常が発生しないようにユーザの協力をお願いすることが好ましい。

本処理フローにおいては、本実施例に係る異常解析システム１００、１００ａによる処理は、ステップ１００〜１５０で完結しており、ステップ１６０〜１９０は、追加の処置の例示である。これらのステップのうち、本実施例に係る車両用異常解析方法においては、ステップ１１０及びステップ１３０〜１５０を含んでいればよい。また、本処理フローにおいては、車両販売店に車両７０を入庫して、車外診断装置４０による詳細な異常解析を実行する例を挙げて説明したが、これらは、通信手段５０を用いて、遠隔のセンタ等で行うようにしてもよい。

以上、本発明の好ましい実施例について詳説したが、本発明は、上述した実施例に制限されることはなく、本発明の範囲を逸脱することなく、上述した実施例に種々の変形及び置換を加えることができる。

本実施例に係る異常解析システム１００の全体構成図の一例を示した図である。本実施例に係る車両用異常解析システム１００の要因識別情報抽出手段１０の処理内容の一例の説明図である。図２（ａ）は、制御値を要因識別情報毎に分類した例を示す図である。図２（ｂ）は、図２（ａ）の車両状態値の項目を要因とする車両の異常状態の例の説明図である。車外診断装置４０の処理内容の詳細説明図である。データベース２０に蓄積される教師データの例を示した図である。ダウンロード機能を有する要因識別情報データ１１を有する実施例に係る車両用異常解析システム１００ａを示した図である。本実施例に係る車両用異常解析方法の処理フロー図である。

符号の説明

１０要因識別情報抽出手段
１１、１１ａ要因識別情報データ
２０、２０ａデータベース
２１操作要因データ群
２２走行要因データ群
２３劣化要因データ群
２４処理負荷要因データ群
２５未学習要因データ群
２６故障要因データ群
３０異常原因推定手段
３０ａサーバ
４０、４０ａ車外診断装置
５０、５０ａ、５１、５１ａ、５２通信手段
６０、６１、６２ＥＣＵ
７０車両
１００、１００ａ車両用異常解析システム

Claims

車両の状態を示す車両状態値から前記車両の異常を検出したときに、検出された異常時における前記車両状態値から、異常の要因を特定するために使用する要因識別情報を抽出する要因識別情報抽出手段から、抽出された前記要因識別情報及び前記車両状態値がデータベース及び異常原因推定手段に送信されて異常原因を推定する車両用異常解析システムであって、
異常の要因の種類を示す要因識別情報毎に、異常発生時の異常原因及び車両状態値が蓄積されたデータ群を記憶したデータベースと、
前記車両の異常が検出されたときの前記車両状態値がどの要因識別情報に分類されるかを前記要因識別情報毎に判定し、該当する前記要因識別情報を抽出するとともに、異常が検出されたときの前記車両状態値を記録する要因識別情報抽出手段と、
前記データベースにアクセスし、前記要因識別情報抽出手段により抽出された前記要因識別情報に対応する前記データ群を選択し、選択された前記データ群の範囲内で、記録された前記車両状態値を用いて、前記車両の異常原因を推定する異常原因推定手段と、を有することを特徴とする車両用異常解析システム。
前記要因識別情報抽出手段は、前記車両に搭載され、
前記データベース及び前記異常原因推定手段は、前記車両の外部に車外診断装置として備えられていることを特徴とする請求項１に記載の車両用異常解析システム。
前記要因識別情報抽出手段により抽出された前記要因識別情報を、前記車外診断装置に送信する通信手段を更に備えることを特徴とする請求項２に記載の車両用異常解析システム。
前記データベースが記憶する前記データ群は、教師データであることを特徴とする請求項１乃至３のいずれか一項に記載の車両用異常解析システム。
前記要因識別情報は、部品故障又はシステム故障ではない一時異常の情報を含むことを特徴とする請求項１乃至４のいずれか一項に記載の車両用異常解析システム。
前記要因識別情報抽出手段は、前記一時異常の要因識別情報の抽出を、前記部品故障又は前記システム故障の要因識別情報の抽出よりも先に実行し、前記一時異常の要因識別情報に該当しない前記車両状態値を、前記部品故障又は前記システム故障の要因識別情報として抽出することを特徴とする請求項１乃至５のいずれか一項に記載の車両用異常解析システム。
車両の状態を示す車両状態値から前記車両の異常を検出したときに、検出された異常時における前記車両状態値から、異常の要因を特定するために使用する要因識別情報を抽出する要因識別情報抽出手段から、抽出された前記要因識別情報がデータベース及び異常原因推定手段に送信されて異常原因を推定する車両用異常解析方法であって、
前記車両の異常が検出されたときの前記車両状態値がどの要因識別情報に分類されるかを前記要因識別情報毎に判定し、該当する要因識別情報を抽出するとともに、異常が検出されたときの前記車両状態値を記録する要因識別情報抽出ステップと、
異常の要因の種類を示す前記要因識別情報毎に、異常発生時の異常原因及び車両状態値が蓄積されたデータ群を記憶したデータベースから、前記要因識別情報抽出ステップで抽出された前記要因識別情報に対応する前記データ群を選択するステップと、
前記データベースにアクセスし、選択された前記データ群の範囲内で、記録された前記車両状態値を用いて、前記車両の異常原因を推定する異常原因推定ステップと、を有することを特徴とする車両用異常解析方法。