JP6003689B2 - 診断装置 - Google Patents

Description

本発明は、システムに備えられているセンサの出力値から、システムの異常を診断する診断装置に関する。

従来、この種の技術として、例えば特許文献１に記載の技術が知られている。特許文献１に記載の診断装置は故障パターンデータベースを備えており、この故障パターンデータベースには、車両制御系が故障するまでの過程において車両制御系の各種センサが検出した値（センサ値）を時系列に表した故障パターンが格納されている。診断時には、各種センサが出力したセンサ値の履歴と、故障パターンデータベースが格納している故障パターンとを比較することで、車両制御系の故障原因を特定することや故障が発生する時期を予測することができる。

特許第４３６９８２５号公報

しかしながら特許文献１に開示の技術では、センサ値の履歴に対して、故障パターンデータベースに登録されている故障パターンの中に一致するものが無ければ、故障していないとみなされてしまう。すなわち、故障パターンデータベースに登録されていない異常（未知の異常）が生じている場合には、車両制御系のシステムは正常であると判定される。

本発明は、この事情に基づいて成されたものであり、その目的とするところは、故障のパターンを記憶しているデータベースに登録されていない、未知の異常が生じている場合でも、システムが正常ではないことを検出できる診断装置を提供することにある。

その目的を達成するための本発明は、システムが備える複数のセンサがそれぞれ出力するセンサ値のデータであるセンサデータから前記システムの動作を診断する診断装置（１００）であって、システム正常時における前記複数のセンサのセンサ値間の関係性を、前記複数のセンサの組み合わせについてそれぞれモデリングした複数の正常モデルが登録されている正常モデルデータベース（４０）と、前記複数の正常モデルのそれぞれに対応するセンサの組み合わせごとに前記センサデータから生成されるセンサ値間の関係性と、前記正常モデルデータベースが記憶する前記複数の正常モデルとを比較することで、前記センサデータのセンサ値間の関係性が正常車両モデルから逸脱している度合いである逸脱度を前記複数のセンサの組み合わせごとに算出する逸脱度算出部（２２）と、前記逸脱度算出部が算出した前記逸脱度が許容閾値以上となるセンサの組み合わせが少なくとも１つあった場合には、前記システムが正常ではないと判定し、前記許容閾値以上となるセンサの組み合わせが無かった場合には、前記システムは正常であると判定する正常動作判定部（２４）と、センサの組み合わせごとに逸脱度算出部が算出した逸脱度を行列の各要素とする診断用行列を生成する行列生成部（２１）と、原因が判明している故障時におけるセンサデータからセンサの組み合わせごとに生成される正常モデルからの逸脱度を、診断用行列と対応するように行列の各要素として備える故障パターン行列を、その故障の原因と対応付けて記憶している故障パターンデータベース（５０）と、行列生成部で生成した診断用行列と故障パターンデータベースに記憶されている故障パターン行列とを比較してデータ同士の類似性を示す類似度を算出する類似度算出部（２５）と、類似度算出部で算出した類似度が第１閾値以上となる故障パターン行列があった場合に、その故障パターン行列に対応する故障が起きていると判定する故障判定部（２６）と、を備えることを特徴とする。

以上の構成によれば、システムが正常な状態を表す正常モデルから逸脱している度合いによってシステムが正常であるか否かを判定する。このため、未知の異常が生じている場合でもシステムが正常ではないことを検出することができる。

本実施形態にかかる診断システム１００の構成を示すブロック図である。 本実施形態を説明するための概念図である。 データ記憶部１２で実施される処理の流れを示すフローチャートである。 正常モデルを説明するための概念図である。 正常モデルを算出する処理の流れを示すフローチャートである。 逸脱度を説明するための概念図である。 マトリクスを生成する処理の流れを示すフローチャートである。 マトリクスを説明するための概念図である。 故障パターンデータベースを説明するための概念図である。 故障パターンデータベースを構築および更新する処理の流れを示すフローチャートである。 診断装置２０で実施される診断処理の流れを示すフローチャートである。 その他の形態を説明するための概念図である。

以下、本発明の実施形態を図１〜１１に基づいて説明する。図１は本発明の診断装置２０を車両の状態を診断する車両用診断装置として適用した場合の、診断装置２０を備える診断システム１００全体の構成を表すブロック図である。図１に示すように診断システム１００は、データ取得部１０と、診断装置２０とを備えている。また、図２に示すように、データ取得部１０は、車両Ｖに搭載されており、診断装置２０は、例えば、車両Ｖの点検サービスを取り扱う販売店などに備えられている外部サーバＳの機能である。データ取得部１０、診断装置２０は、それぞれデータを入出力するためのインターフェースを備えており、各インターフェースを用いてデータを外部に出力したり、データを入力したりすることが出来る。

これらの動作の概要は次の通りである。診断を受ける車両Ｖは販売店などに持ち込まれ、整備スタッフは種々の点検を実施する。その際、データ取得部１０は、車両Ｖに備えられている各種センサが検出している値（センサ値）を一定間隔でサンプリングし、センサデータとしてメモリ（後述するデータ記憶部１２）に記憶する。センサデータには、同時刻における種々のセンサのセンサ値が記録されている。よって、センサデータを参照することで、あるセンサのセンサ値に対応する他のセンサのセンサ値を知ることができる。データ記憶部１２に記憶されている複数の時点におけるセンサデータは、点検用の携帯端末Ｔを用いることによって吸い出され、診断装置２０に入力される。診断装置２０では、入力された複数時点のセンサデータから、車両Ｖの機能を損なうような制御系システムの故障の有無を診断する。その診断結果は、診断結果提示部３０に表示され、ユーザーおよび販売店の店員は、車両Ｖの状態を把握することができる。以降では、データ取得部１０、診断装置２０、および診断結果提示部３０について、より詳細に説明する。

データ取得部１０は、マイクロコンピュータを主として構成され、いずれも周知のＣＰＵ、ＲＯＭ・ＲＡＭ・ＥＥＰＲＯＭ等のメモリ、Ｉ／Ｏ、及びこれらを接続するバスを備えている。また、データ取得部１０は、センサ入力部１１およびデータ記憶部１２を機能として備えている。このデータ取得部１０が請求項に記載のセンサデータ取得部に相当する。

センサ入力部１１は、車両Ｖに備えられている各種センサと、例えばＣＡＮ（Ｃｏｎｔｒｏｌｌｅｒ Ａｒｅａ Ｎｅｔｗｏｒｋ）などの通信プロトコルに準拠した車内ＬＡＮでそれぞれ接続されている。各種センサが検出したセンサ値は逐次センサ入力部に入力される。なお、センサ入力部１１と、各種センサとの通信は、有線に限らず、公知の無線通信技術によって実施される構成としてもよい。ここで、センサ入力部１１が取得するセンサ値の種類としては、エンジンの回転速度、走行速度、アクセル開度率、水温、ブレーキ油圧などがある。

センサ入力部１１は、ある時点においてセンサ入力部１１に入力された各種センサのセンサ値を、そのときの時点を示すタイムスタンプを付してセンサデータとしてまとめ、データ記憶部１２に逐次出力する。

データ記憶部１２は、不揮発性のメモリであって、センサ入力部１１より入力されるセンサデータを記憶する。なお、本実施形態では、販売店などでの試験時に取得されるセンサデータを用いて診断をする構成を想定しているため、データ記憶部１２は、センサデータを記憶するためのデータ記憶命令が入力されている場合のみ、センサデータの記憶を行うものとする。もちろん、他の実施形態として、走行中のセンサデータを常に蓄積する構成としてもよい。

ここで、データ取得部１０で実施される処理の流れを図３のフローチャートを用いて説明する。このフローチャートは、たとえば点検開始時に実施される。ステップＳ１０では、上述したデータ記憶命令が入力されているか否かを判定する。データ記憶命令が入力されている場合は、ステップＳ１０がＹＥＳとなってステップＳ１１に進み、センサデータを記憶する。また、データ記憶命令が入力されていない場合（ステップＳ１０ ＮＯ）は、センサ入力部１１より入力されたセンサデータは、一時的にバッファリングされた後に、記憶されずに破棄されることとなる。

ステップＳ１２では、データ記憶部１２が記憶しているデータを外部に出力させるデータ出力命令がデータ取得部１０に入力されているか否かを判定する。データ出力命令を受けた場合には、ステップＳ１２がＹＥＳとなってステップＳ１３に進み、外部端末（すなわち診断装置２０）へセンサデータを出力してステップＳ１４に進む。また、ステップＳ１２において一定時間（たとえば３０分）経過しても、データ出力命令が入力されなかった場合は、ステップＳ１３を実施せずにステップＳ１４に進む。

ステップＳ１４では、データ記憶部１２が記憶しているデータを消去するデータリセット命令がデータ取得部１０に入力されているか否かを判定する。データリセット命令を受けたときには、ステップＳ１４がＹＥＳとなってステップＳ１５に進み、記憶したセンサデータを消去（リセット処理）する。また、ステップＳ１４において一定時間（たとえば３０分）経過しても、データリセット命令が入力されなかった場合は、ステップＳ１５を実施しない。なお、このときデータ記憶部１２には、ステップＳ１１で記憶したデータが記憶されたままになるが、該データは点検スタッフまたはユーザーによって任意に削除やコピーなどの操作ができるものとする。

診断装置２０は、公知のコンピュータであって、いずれも周知のＣＰＵ、ＲＯＭ・ＲＡＭ・ＥＥＰＲＯＭ等のメモリ、Ｉ／Ｏ、及びこれらを接続するバスを備えている。診断装置２０は、データ取得部１０より取得したセンサデータに基づいて車両を診断するために、正常モデルデータベース４０、故障パターンデータベース５０、マトリクス生成部２１、および故障検出処理部２３を備えている。なお、以降ではデータベースをＤＢと略して表記する。

診断結果提示部３０は、画像やテキストを表示する表示装置であって、後述する故障検出処理部２３より診断結果のデータを取得し、その診断結果を提示する。診断結果提示部３０は、フルカラー表示が可能なものであり、例えば、液晶ディスプレイ、有機ＥＬディスプレイ、プラズマディスプレイ等を用いて構成することができる。

正常モデルＤＢ４０には、車両Ｖと同一モデルの車両において、予め車両メーカーなどで正常であることが確認されている各種センサの取りうるセンサ値の、各センサ間の関係性が定義された正常モデルが格納されている。

一例として、正常車両におけるセンサＡとセンサＢのセンサデータに基づいて定まる正常モデルを図４に示す。図４の（Ａ）および（Ｂ）は、ともにセンサＡのセンサ値とセンサＢのセンサ値の関係性（センサＡのセンサ値に対応するセンサＢのセンサ値を一組とする複数組のデータ群）を示した散布図である。各点Ｘは、ある時点におけるセンサＡのセンサ値に対するセンサＢのセンサ値を示すデータ点であって、ある時点におけるセンサデータから１つのデータ点Ｘが得られる。センサＡとセンサＢの正常モデルは、複数のデータ点を、例えば、サポートベクターマシン（ＳＶＭ：Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）などの公知の学習モデルに入力することで定義される。

このような正常モデルを正常モデルＤＢ４０に構築する際の手順を図５に示すフローチャートを用いて説明する。図５に示すフローチャートは、車両メーカーなどで正常モデルＤＢ４０に正常モデルを構築する際に開始される。まず、ステップＳ２０では正常な車両においてサンプリングされた複数のセンサデータが、前述した公知の学習モデルを備えるコンピュータに入力される。次に、ステップＳ２１で、その学習モデルは入力されたセンサデータから、各センサ間の関係性をモデル化したデータを生成する。そして、モデル化された各センサ間の関係性のデータ（すなわち、正常モデル）を正常モデルＤＢ４０に保存することで、正常モデルＤＢ４０を構築する。なお、学習モデルを備えるコンピュータは、正常モデルＤＢ４０を備えるコンピュータ（すなわち診断装置２０）であってもよいし、別途モデル化の計算を実施するコンピュータを用いてもよい。

各センサ間の正常モデルは、図４（Ａ）に示すＲ（Ａ，Ｂ）のように範囲を表すモデルであってもよいし、図４（Ｂ）に示すＦ（Ａ，Ｂ）な回帰直線または回帰曲線でもよい。たとえば、Ｆ（Ａ，Ｂ）は、複数のデータ点に対して最小二乗法などの公知の近似方法を用いて決定される近似式である。なお、図４（Ｂ）では線形モデルを描いているが、非線形モデルであってもよい。本実施形態では、各センサ間の正常モデルを回帰直線で定義するものとする。

また、正常モデルＤＢ４０が格納している正常モデルは、正常な車両におけるセンサデータであることが確認されているデータが追加される毎に、上述した手順によって更新される。また、車両のモデルチェンジがあった場合には、そのモデルチェンジ後の車両に対応するように新たなセンサデータを入力データとして、正常モデルを更新する。

マトリクス生成部２１は、データ記憶部１２よりセンサデータを取得するとともに、正常モデルＤＢ４０にアクセスして正常モデルを参照できる。そして、データ記憶部１２より取得するセンサデータと正常モデルとから、車両Ｖが正常か否かの診断に用いる診断用マトリクスを生成する。この診断用マトリクスを生成するための機能として、マトリクス生成部２１は逸脱度算出部２２を備えている。このマトリクス生成部が請求項に記載の行列生成部に相当する。

逸脱度算出部２２は、データ記憶部１２より取得した複数のセンサデータを用いて、各センサ間の関係性を表すデータ（関係性データ）を生成し、その関係性データと正常モデルとを比較する。そして、車両Ｖに備えられている各センサ間の関係性が、正常モデルとどれくらい逸脱しているかを示す逸脱度を算出する。この逸脱度について図６を用いて説明する。

図６中の点Ｘは図４と同様に、あるセンサＡのセンサ値に対するセンサＢのセンサ値を示しており、複数のセンサデータを用いることで、複数の点Ｘを得ることができる。図６の（Ａ）は、センサＡとセンサＢのセンサ値の関係性が正常な（または、許容出来る）状態を表しており、図６の（Ｂ）は、正常な状態から許容できない程度に逸脱している関係性を表している。

本実施形態において逸脱度は、正常モデルに対する誤差の大きさの平均値として算出する。すなわち、図６（Ａ）に示すように、診断されている車両Ｖの、例えばセンサＡとセンサＢの関係性が正常モデルに近ければ、センサＡ−センサＢ間の逸脱度は０に近くなる。一方、図６（Ｂ）に示すように、関係性が正常モデルから離れているほど逸脱度は大きな値となる。もちろん、逸脱度は、平均値の他に、正常モデルに対する誤差の分散や標準偏差など、分析に用いられる公知の方法によって評価してもよい。

また、本実施形態では回帰直線で正常モデルを定義するとしたが、前述したように、正常モデルは所定の範囲（たとえば図４のＲ（Ａ，Ｂ））によって定義しても良い。このように所定の範囲によって正常モデルを定義する場合には、たとえば、正常モデルの範囲の重心と、入力したデータの分布の重心とのユークリッド距離で求めれば良い。あるいは、入力したデータの数のうち、正常モデルの範囲から外れているデータの数の比率によって求めてもよい。さらには、入力した各データと、正常モデルの範囲との最短距離の平均値を用いても良い。ただし、この場合、正常モデルの範囲内に収まっているデータと、正常モデルの範囲との最短距離は０として扱う。

ここで、図７に示すフローチャートを用いて、マトリクス生成部２１が診断用マトリクスを生成する流れを説明する。このフローチャートは、データ記憶部１２に記憶されていたセンサデータがマトリクス生成部２１に入力されたときに開始する（ステップＳ３０）。ステップＳ３１では、センサの組み合わせごとにセンサ間関係性算出処理を実施し、ステップＳ３２に進む。このセンサ間関係性算出処理では、センサの組み合わせごとに、上述した関係性データを生成する。

ステップＳ３２では、逸脱度算出処理を実施してステップＳ３３に進む。このステップＳ３２の逸脱度算出処理では、前ステップＳ３１で算出された関係性データから、逸脱度算出部２２でセンサの組み合わせごとに逸脱度を算出する。そしてステップＳ３３では、逸脱度算出部２２２１で算出された逸脱度を、マトリクス生成部２１は、図８の（Ａ）および（Ｂ）に示すように、センサの組み合わせごとにマトリクス状に配置する。たとえば、センサごとに識別番号を割り振っており、センサＡの識別番号が１、センサＢの識別番号が２とすると、センサＡに対するセンサＢの逸脱度は、診断用マトリクスの２行１列に格納される。なお、図８の（Ａ）は図６の（Ａ）に対応し、また、図８の（Ｂ）は図６の（Ｂ）に対応している。最後にステップＳ３４で、マトリクス生成部２１で生成された診断用マトリクスは故障検出処理部２３へと出力される。

なお、マトリクス生成部２１は、後述する故障パターンＤＢ５０の学習プロセスにも用いられる。故障パターンＤＢ５０の学習プロセス時には、同様の手順によって、故障のパターンごとのセンサ間の逸脱度を表すマトリクス（故障マトリクス）を生成する。

故障パターンＤＢ５０には、図９の概念図に示すように、原因が判明している故障時の各センサ間の逸脱度を行列の要素として備える故障マトリクスが、その故障原因に対応づけられて格納されている（Ｐ１〜Ｐ３）。なお、この故障マトリクスが請求項に記載の故障パターン行列に相当する。

故障パターンＤＢ５０に故障マトリクスを学習させる際には、故障原因ごとに（すなわち故障のパターンごとに）、その故障が発生している車両のセンサデータを、上述したマトリクス生成部２１に入力する（図１０ ステップＳ４０）。マトリクス生成部２１では、入力データから各センサ間の関係性を算出する（ステップＳ４１）。そして、各センサ間の関係性を正常モデルＤＢ４０が記憶している正常モデルと比較することにより、センサの組み合わせごとに正常時からの逸脱度を算出し、マトリクス状に配置する（ステップＳ４２）。故障パターンＤＢ５０には、このように生成されたマトリクスを故障マトリクスとして故障原因（車両のどこが故障しているか）と紐付けて保存される（ステップＳ４３）。

故障パターンＤＢ５０には、新たな故障のパターンが確認される毎に、その故障時のセンサデータを入力データとして生成した故障マトリクスを随時追加していく。また、車両のモデルチェンジがあった場合には、そのモデルチェンジ後の車両に対応するように新たなセンサデータを入力データとして、各故障のパターンに対応する故障マトリクスを更新する。

故障検出処理部２３は、マトリクス生成部２１で生成された診断用マトリクスを取得すると共に、故障パターンＤＢ５０へアクセスして故障パターンＤＢ５０が記憶している故障マトリクスを参照することができる。そして、診断用マトリクスと故障パターンＤＢ５０が記憶している故障マトリクスとを比較することで、車両Ｖの故障や、故障が発生しそうな状態を検出する。そのための機能として、故障検出処理部２３は正常動作判定部２４、類似度算出部２５、故障判定部２６、故障予見部２７、および未知異常判定部２８を備えている。

正常動作判定部２４は、車両Ｖの診断時にマトリクス生成部２１より取得した診断用マトリクスに格納されている各要素を参照し、車両Ｖが正常な状態であるか否かを判定する。より具体的には、診断用マトリクスのいずれかの要素がひとつでも所定の閾値（以降、許容閾値Ｄ）以上であった場合に、車両Ｖに異常が発生していると判定する。また、診断用マトリクスのいずれの要素も許容閾値Ｄ未満であった場合には正常な状態であると判定する。この許容閾値Ｄは、車両Ｖの動作として正常モデルから許容出来る範囲となるように適宜設定されればよい。また、この許容閾値Ｄはセンサの組み合わせごとに（すなわち、診断用マトリクスの要素ごとに）異なる値に設定しても良い。

類似度算出部２５は、マトリクス生成部２１で生成された診断用マトリクスと、故障パターンＤＢ５０が記憶している故障マトリクスとの、パターンマッチングによる比較を実施し、マトリクス間の類似度を算出する。この時のパターンマッチングによる類似度算出には、ＳＡＤ（Ｓｕｍ ｏｆ Ａｂｓｏｌｕｔｅ Ｄｉｆｆｅｒｅｎｃｅｓ）などといった画像データ間の類似度を求める公知の手法を利用すれば良い。もちろん、その他の公知の手法であるＳＳＤ（Ｓｕｍ ｏｆ Ｓｑｕａｒｅｄ Ｄｉｆｆｅｒｅｎｃｅｓ）やＮＣＣ（Ｎｏｒｍａｌｉｚｅｄ Ｃｒｏｓｓ Ｃｏｒｒｅｌａｔｉｏｎ）などを利用してもよい。なお、類似度算出部２５は、故障パターンＤＢ５０が記憶している全ての故障マトリクスとパターンマッチングを行い、それぞれの故障マトリクスとの類似度を算出する。

故障判定部２６は、類似度算出部２５が算出した類似度が所定の閾値ａ（第１閾値）以上となる故障マトリクスがあった場合に、診断されている車両Ｖには、その故障マトリクスに対応付けられている要因による故障が生じていると判定する。なお、本実施形態において、完全に一致している時の類似度を１とすると、たとえば本実施形態では第１閾値ａは、０．９とする。もちろん、その他の形態として、完全に一致している時の類似度を０として、第１閾値ａを０．１などとしてもよい。

故障予見部２７は、類似度算出部２５が算出した類似度が所定の閾値ｂ（第２閾値：ｂ＜ａ）以上、かつ、ａ未満となる故障マトリクスがあった場合、その故障マトリクスに対応付けられている要因による故障が車両Ｖに発生しそうな状態であると判定する。このときの第２閾値は、第１閾値よりも類似度が小さい値であればよく、たとえば本実施形態では０．７とする。もちろん、第１閾値ａおよび第２閾値ｂは適宜設計されればよく、その他の値であってもよい。

未知異常判定部２８は、正常動作判定部２４において、正常な状態ではないと判定されたが、類似度がｂ以上となる故障マトリクスが故障パターンＤＢ５０中に無かった場合に、未知の異常が生じていると判定する。

正常動作判定部２４、故障判定部２６、故障予見部２７、および未知異常判定部２８で為された各種判定結果（これらをまとめて診断結果とする）のデータは、診断結果提示部３０に出力される。なお、診断結果に含まれる故障原因や発生しそうな故障は、複数種類あってもよい。

ここで、故障検出処理部２３において実施される、車両Ｖの状態を診断する処理（診断処理）の流れを、図１１を用いて説明する。図１１に示すフローチャートは、マトリクス生成部２１より診断用マトリクスが入力されたときに開始され、ステップＳ５０に進む。ステップＳ５０では、正常動作判定部２４が正常動作判定処理を実施する。このステップＳ５０の正常動作判定処理では、上述したようにマトリクス生成部２１が生成した診断用マトリクスの各要素に格納されている値と許容閾値Ｄとを順次比較する。すべての要素が許容閾値未満であった場合は、ステップＳ５２がＮＯとなってステップＳ９０に進む。一方、許容閾値以上となっている要素があった場合、ステップＳ５２がＹＥＳとなってステップＳ５４に進む。前述の通り、許容閾値以上となっている要素があった場合は、車両Ｖが正常な状態ではないことを意味している。

ステップＳ５４では、類似度算出部２５がパターンマッチング処理を実施してステップＳ５６に進む。このステップＳ５４のパターンマッチング処理では、診断用マトリクスと故障パターンＤＢ５０が記憶している故障マトリクスとのパターンマッチングを順次実施し、各故障マトリクスとの類似度を算出する。ステップＳ５６では、故障マトリクスごとの類似度と、第１閾値ａ、第２閾値ｂとを比較する。類似度が第１閾値ａ以上となる故障マトリクスがある場合には、ステップＳ５８がＹＥＳとなってステップＳ６０に進み、その故障マトリクスに対応付けられている原因による故障が生じていると判定する。また、所定の閾値ａ未満である故障マトリクスに対しては、ステップＳ５８がＮＯとなって、ステップＳ６４に進む。

ステップＳ６４において類似度が第２閾値ｂ以上（すなわち、第１閾値ａ未満かつ第２閾値ｂ以上）となる故障マトリクスがある場合には、ステップＳ６４がＹＥＳとなってステップＳ６６に進む。ステップＳ６６では故障予見部２７が、その故障マトリクスに対応付けられている要因による故障が発生しそうな状態（準故障）であると判定する。故障パターンＤＢ５０に格納されている故障マトリクスの中に、診断用マトリクスとの類似度が第２閾値ｂ以上となるものがない場合には、ステップＳ６４がＮＯとなってステップＳ６８に進む。ステップＳ６８では、未知異常判定部２８で未知の異常が生じていると判定する。ステップＳ９０では、車両Ｖに備えられているセンサが正常モデルに対して許容出来る範囲内で動作しており、車両Ｖは正常な状態であると判定する。ステップＳ１００では、以上の診断結果のデータを診断結果提示部３０に出力する。

診断結果提示部３０は、正常動作判定部２４で正常動作であると判定されている場合（Ｓ９０）は「異常なし」と提示する。また、類似度が第１閾値ａ以上となる故障マトリクスがあった場合（Ｓ６０）は、その故障マトリクスに対応付けられている要因をＸとすると、「Ｘによる故障が発生しています」と提示する。類似度がｂ以上かつａ未満となる故障マトリクスがあった場合（Ｓ６６）は、その故障マトリクスに対応付けられている要因をＹとすると、「Ｙによる故障が発生しそうな状態です」と提示する。さらに、正常動作判定部２４において異常が起きていると判定されたが、類似度がｂ以上となる故障マトリクスがなかった場合（Ｓ６８）には、「未知の異常が発生しています」と提示する。

以上の構成によれば、システムが正常な状態を表す正常モデルに対する逸脱度をもってシステムが正常であるか否かを判定する。このため、故障パターンＤＢ５０に格納されていない、未知の異常が生じている場合でも車両Ｖが正常ではないことを検出することができる。

なお、本実施形態では、販売店などで点検のための試験を実施し、その試験中に蓄積されるセンサデータを用いて診断をする構成としたが、これに限らない。通常走行中などにもセンサデータを蓄積しておき、販売店などで蓄積しておいたセンサデータに対して診断を実施する構成でもよい。また、データ取得部１０がインターネットなどの通信網に接続している場合には、走行中のセンサデータを、通信網を介して診断装置２０の機能を有するサーバに逐次送信し、診断を実施する構成としても良い。

また、前述した実施形態では、診断装置２０が車両Ｖに搭載されていない、いわゆるオフボード形式の構成を説明したが、これに限定しない。変形例として図１２に示すように診断装置２０は車両Ｖに搭載されていても良い（すなわち、オンボード形式）。オンボード形式の場合は、診断装置２０が車両Ｖ内にあるため、診断のために外部にセンサデータを転送する必要がない。また診断結果提示部３０には、たとえば車両Ｖに備えられているカーナビゲーション装置のディスプレイや、インストゥルメンタルパネル等に設けたディスプレイを用いればよい。なお、車両Ｖに搭載されている正常モデルＤＢ４０を更新する際には、携帯端末Ｔやインターネットなどの通信網を介して更新に必要なデータを取得する。

さらに、前述した実施形態では、２つのセンサ間（すなわち、２変量）の関係性によって正常モデルの決定および逸脱度を算出する構成としたが、たとえば３変量など、２以上の変量の関係性によって正常モデルの決定および逸脱度を算出する構成としてもよい。以上では、車両用診断装置として本発明を適用した例を述べたが、その他種々の装置の診断装置として用いてもよい。

１００…診断装置、１０…データ取得部、１１…センサ入力部、１２…データ記憶部、２０…診断部、２１…マトリクス生成部、２２…逸脱度算出部、２３…故障検出処理部、２４…正常動作判定部、２５…類似度算出部、２６…故障判定部、２７…故障予見部、２８…未知異常判定部、３０…診断結果提示部、４０…正常モデルデータベース、５０…故障パターンデータベース

Claims (5)

1. システムが備える複数のセンサがそれぞれ出力するセンサ値のデータであるセンサデータから前記システムの動作を診断する診断装置（１００）であって、
   システム正常時における前記複数のセンサのセンサ値間の関係性を、前記複数のセンサの組み合わせについてそれぞれモデリングした複数の正常モデルが登録されている正常モデルデータベース（４０）と、
   前記複数の正常モデルのそれぞれに対応するセンサの組み合わせごとに前記センサデータから生成されるセンサ値間の関係性と、前記正常モデルデータベースが記憶する前記複数の正常モデルとを比較することで、前記センサデータのセンサ値間の関係性が正常車両モデルから逸脱している度合いである逸脱度を前記複数のセンサの組み合わせごとに算出する逸脱度算出部（２２）と、
   前記逸脱度算出部が算出した前記逸脱度が許容閾値以上となるセンサの組み合わせが少なくとも１つあった場合には、前記システムが正常ではないと判定し、前記許容閾値以上となるセンサの組み合わせが無かった場合には、前記システムは正常であると判定する正常動作判定部（２４）と、
   前記センサの組み合わせごとに前記逸脱度算出部が算出した逸脱度を行列の各要素とする診断用行列を生成する行列生成部（２１）と、
   原因が判明している故障時におけるセンサデータから前記センサの組み合わせごとに生成される前記正常モデルからの逸脱度を、前記診断用行列と対応するように行列の各要素として備える故障パターン行列を、その故障の原因と対応付けて記憶している故障パターンデータベース（５０）と、
   前記行列生成部で生成した前記診断用行列と前記故障パターンデータベースに記憶されている前記故障パターン行列とを比較してデータ同士の類似性を示す類似度を算出する類似度算出部（２５）と、
   前記類似度算出部で算出した類似度が第１閾値以上となる故障パターン行列があった場合に、その故障パターン行列に対応する故障が起きていると判定する故障判定部（２６）と、を備えることを特徴とする診断装置。
2. 請求項１において、
   前記正常動作判定部は、前記行列生成部が生成した前記診断用行列において前記許容閾値以上となる要素があった場合に前記システムが正常ではないと判定し、前記許容閾値以上となる要素が無かった場合に、前記システムは正常であると判定することを特徴とする診断装置。
3. 請求項２において、
   前記類似度算出部で算出した類似度が、第１閾値未満で、かつ、第１閾値よりも小さい値である第２閾値以上となる故障パターン行列があった場合に、その故障パターン行列に対応する故障が発生しそうな状態であると判定する故障予見部（２７）を備えることを特徴とする診断装置。
4. 請求項３において、
   前記正常動作判定部で正常ではないと判定され、かつ、第２閾値以上となる故障パターン行列が前記故障パターンデータベースに存在しなかった場合に、前記システムに未知の異常が生じていると判定する未知異常判定部（２８）を備えることを特徴とする診断装置。
5. 請求項２〜４の何れか１項において、
   前記類似度算出部は、前記行列生成部で生成した前記診断用行列と前記故障パターンデータベースに記憶されている前記故障パターン行列とを、パターンマッチングすることによって類似度を算出することを特徴とする診断装置。

Images