CN102200487B

CN102200487B - 用于机动车系统的事件驱动故障诊断架构

Info

Publication number: CN102200487B
Application number: CN201110071906.9A
Authority: CN
Inventors: S.辛赫; R.乔古列; P.班迪尤帕迪亚伊
Original assignee: GM Global Technology Operations LLC
Current assignee: GM Global Technology Operations LLC
Priority date: 2010-03-24
Filing date: 2011-03-24
Publication date: 2014-07-16
Anticipated expiration: 2031-03-24
Also published as: US8301333B2; DE102011014557A1; CN102200487A; DE102011014557B4; US20110238258A1

Abstract

本发明涉及用于机动车系统的事件驱动故障诊断架构。用于每当触发诊断故障码（DTC）时就获取和分析来自于车辆系统的重要参数数据的系统和方法。构造多维数据矩阵，其中，车辆、DTC和参数数据构成矩阵的三维。数据矩阵用来自于许多不同车辆的DTC和操作参数填充，在车辆带到销售商以便维修时或者经由无线数据下载来进行。时间可以添加作为矩阵的第四维，从而提供具体系统或部件是否在时间上降级的指示。在积聚足够的数据时，使用各种数学技术，预处理数据矩阵，从数据提取特征，且将特征分类。然后，训练后的分类器用于诊断任何特定故障信号的根本原因，且还提供系统健康状况和剩余有用寿命的预测。

Description

用于机动车系统的事件驱动故障诊断架构

技术领域

本发明总体上涉及用于诊断车辆中的故障状况的系统和方法，且更具体地涉及每当车辆中触发诊断故障码（DTC）时就获取操作参数数据且将数学模型应用于参数数据和DTC数据两者以诊断故障状况的原因的系统和方法。

背景技术

现代车辆是采用许多部件、装置、模块、子系统等的复杂电气和机械系统，其使用复杂算法和数据总线使得操作信息在彼此之间通过。如同任何事情一样，这些类型的装置和算法易受错误、失效和故障的影响，从而影响车辆的操作。当发生这种错误和故障时，受影响的装置或部件通常将发出故障码，例如诊断故障码（DTC），故障码由一个或多个系统控制器接收，其识别故障或者与一体式部件一起的一些辅助故障。这些DTC可以由维修技术人员和工程师分析以识别问题和/或做出系统校正和升级。然而，鉴于车辆系统的复杂性，可能由于许多不同的原因触发许多DTC和其它信号，这将使得故障检修特别困难。

如上所述，现代车辆具有通过各个控制器电连通的多个机械和电气部件。如果某一致动器、传感器或子系统未正常操作，那么该部件或子系统或其控制器通常提供由系统控制器接收的DTC，从而在车辆维修期间，DTC可以使用远程信息处理服务（例如，OnStar™）或诊断装置下载。然而，DTC可以由于各种原因且基于测量参数的许多不同组合触发。这通常使之难以仅仅基于DTC值来诊断问题的真实根本原因。这可能导致在车辆维修时不能发现或重复问题，这导致顾客不满意、增加的未来保修成本和错失基于真实世界故障码改进系统设计的机会。

鉴于使用当前技术诊断车辆故障的不可接受的高错失率，需要通过在触发DTC时获取更多操作参数数据且将先进数学技术应用于该数据以寻找任何故障状况的真实根本原因来改进车辆系统的故障诊断。

发明内容

根据本发明的教导，公开了用于每当触发诊断故障码（DTC）时就获取和分析来自于车辆系统的重要参数数据的系统和方法。构造多维数据矩阵，其中，车辆和DTC构成前两维，一组操作参数值、扫描工具值、顾客抱怨和基于文本的症状构成矩阵的第三维。数据矩阵用来自于许多不同车辆的DTC、操作参数和其它数据填充，其已经经历故障事件，在车辆带到销售商以便维修时或者经由远程信息处理数据下载来进行。时间可以添加作为矩阵的第四维，从而提供具体系统或部件是否在时间上降级的指示。在积聚足够的数据时，使用各种数学和统计技术，预处理数据矩阵，从数据提取特征，且将所提取的特征分类。然后，训练后的分类器用于诊断其它故障事件的根本原因，且还提供系统健康状况和剩余有用寿命的预测。

方案1. 一种用于诊断车辆系统中的故障原因的方法，所述方法包括：

定义能应用于车辆系统中的各种故障状况的多个诊断故障码、用于触发每个诊断故障码的标准、以及对于每个诊断故障码而言应当获取的参数辨识数据列表；

在车辆上提供控制器，所述控制器使用诊断故障码以及用于触发每个诊断故障码的标准来编程，且还使用对于每个诊断故障码而言应当获取的参数辨识数据列表来编程；

根据需要在车辆上提供传感器，以获取参数辨识数据；

在车辆系统中发生故障状况时，通过控制器获取诊断故障码和参数辨识数据，其中，每个故障状况的发生称为故障事件；

将诊断故障码和参数辨识数据从车辆上的控制器下载到中央计算机；

将来自于多个车辆的故障事件的诊断故障码和参数辨识数据存储在中央计算机上，其中，每个故障事件都具有归因于其的实际故障模式；

使用数学模型来分析在中央计算机上存储的来自于故障事件的诊断故障码和参数辨识数据，所述数学模型能够学习以将数据中的特征与每个故障事件的实际故障模式相关联；以及

使用数学模型来诊断附加故障事件的故障模式。

方案2. 根据方案1所述的方法，其中，分析诊断故障码和参数辨识数据包括训练阶段和检验阶段。

方案3. 根据方案2所述的方法，其中，训练阶段包括：

提供输入数据，包括用于多个故障模式中的每个的数据矩阵，其中，每个数据矩阵识别与其有关的故障模式，且包括来自于多个车辆的故障事件的诊断故障码和参数辨识数据；

使用预处理模块来标准化输入数据和减少输入数据中的方差；

使用特征提取模块来提取输入数据的特征；

使用分类器模块来识别输入数据的特征中的型式且将所述型式与实际故障模式相关联；以及

存储特征提取模块和分类器模块中使用的技术和设置，其最有效地将输入数据与实际故障模式相关联。

方案4. 根据方案3所述的方法，其中，特征提取模块包括具有关键统计、主成分分析和偏最小二乘的技术中的至少一种。

方案5. 根据方案3所述的方法，其中，分类器模块包括具有支持向量机、概率神经网络、k-近邻法、决策树、线性判别分析和二次判别分析的技术中的至少一种。

方案6. 根据方案3所述的方法，其中，检验阶段包括：

提供检验数据矩阵，包括来自于多个车辆的故障事件的诊断故障码和参数辨识数据，其中，每个故障事件具有归因于其的实际故障模式；

使用预处理模块、特征提取模块、分类器模块、以及来自于训练阶段的存储技术和设置以产生每个故障事件的诊断故障模式；以及

通过将诊断故障模式与每个故障事件的实际故障模式进行比较，验证来自于训练阶段的存储技术和设置关于检验数据矩阵有效。

方案7. 根据方案6所述的方法，还包括：在训练和检验阶段之后，将数学模型下载到车辆修理服务中心处的计算机，以及使用所述数学模型来诊断被带到车辆修理服务中心以便诊断的车辆上的故障事件的故障模式。

方案8. 根据方案6所述的方法，还包括：在训练和检验阶段之后，将数学模型下载到车辆上的计算机，以及使用所述数学模型来诊断所述车辆上的故障事件的故障模式。

方案9. 根据方案1所述的方法，其中，诊断故障码和参数辨识数据还包括每个故障事件的时间标记。

方案10. 根据方案9所述的方法，还包括使用诊断故障码和参数辨识数据以及每个故障事件的时间标记来预测故障事件涉及的任何系统的系统健康状况和剩余有用寿命。

方案11. 根据方案1所述的方法，其中，每个故障事件的实际故障模式由已经解决故障状况的车辆修理服务中心提供。

方案12. 一种用于诊断车辆系统中的故障原因和预测系统健康状况的方法，所述方法包括：

根据需要在车辆上提供传感器，以获取参数辨识数据；

在车辆系统中发生故障状况时，通过控制器获取诊断故障码和参数辨识数据，其中，每个故障状况的发生称为故障事件，且针对每个故障事件获取的数据还包括时间标记；

将诊断故障码和参数辨识数据以及时间标记从车辆上的控制器下载到中央计算机；

将来自于多个车辆的故障事件的诊断故障码和参数辨识数据以及时间标记存储在中央计算机上，其中，每个故障事件都具有归因于其的实际故障模式；

使用数学模型来分析在中央计算机上存储的来自于故障事件的诊断故障码和参数辨识数据，所述数学模型能够学习以将数据中的特征与每个故障事件的实际故障模式相关联；

使用数学模型来诊断附加故障事件的故障模式；以及

使用诊断故障码和参数辨识数据以及每个故障事件的时间标记来预测故障事件涉及的任何系统的系统健康状况和剩余有用寿命。

方案13. 根据方案12所述的方法，其中，分析诊断故障码和参数辨识数据包括训练阶段，其中，训练阶段包括：

使用特征提取模块来提取输入数据的特征，其中，特征提取模块包括具有关键统计、主成分分析和偏最小二乘的技术中的至少一种；

使用分类器模块来识别输入数据的特征中的型式且将所述型式与实际故障模式相关联，其中，分类器模块包括具有支持向量机、概率神经网络、k-近邻法、决策树、线性判别分析和二次判别分析的技术中的至少一种；以及

方案14. 根据方案13所述的方法，其中，分析诊断故障码和参数辨识数据包括检验阶段，其中，检验阶段包括：

提供检验数据矩阵，包括来自于多个车辆的故障事件的诊断故障码和参数辨识数据，其中，每个故障事件都具有归因于其的实际故障模式；

方案15. 一种用于诊断车辆系统中的故障原因的系统，所述系统包括：

车辆，带有要监测的多个系统；

车辆上的多个传感器，用于测量系统中的各种状况；

车辆上的控制器，其中，控制器配置成从传感器接收参数数据、监测参数数据以确定是否存在任何故障状况、以及在发生故障事件时获取和存储多个参数数据；

中央计算机，用于收集来自于多个车辆的故障事件的参数数据，其中，所述计算机使用数学模型来分析参数数据，以针对故障事件组且针对独立故障事件诊断故障模式；和

车辆上的通信系统，用于将故障事件的参数数据传输到中央计算机。

方案16. 根据方案15所述的系统，其中，控制器包括诊断故障码的预定列表、用于触发每个诊断故障码的标准以及针对每个诊断故障码获取和存储的参数数据。

方案17. 根据方案15所述的系统，其中，通信系统是无线系统，其能够在车辆不必带到车辆修理服务中心的情况下将参数数据传输到中央计算机。

方案18. 根据方案15所述的系统，其中，由中央计算机使用的数学模型包括数据预处理、特征提取和已训练分类器模块。

方案19. 根据方案18所述的系统，其中：

数据预处理模块包括标准化和方差缩减技术；

特征提取模块包括关键统计、主成分分析和偏最小二乘技术；以及

已训练分类器模块包括支持向量机、概率神经网络、k-近邻法、决策树、线性判别分析和二次判别分析技术。

方案20. 根据方案15所述的系统，还包括车辆上的计算机，所述计算机配置成使用来自于中央计算机的数学模型来诊断在车辆系统上发生的任何新故障事件的故障模式。

本发明的附加特征将从以下说明和所附权利要求书结合附图显而易见。

附图说明

图1是车辆的简图，带有传感器和控制器，以获取用于故障诊断架构的故障相关数据；

图2是用于组织故障相关数据以用于故障诊断的事件驱动数据矩阵的简图；

图3是用于获取车辆故障事件数据且将其下载到中央计算机的过程的流程图；

图4是用于故障诊断架构的训练阶段的系统的框图；和

图5是用于故障诊断架构的检验阶段的系统的框图。

具体实施方式

涉及用于机动车系统的事件驱动故障诊断架构的本发明实施例的以下阐述本质上仅仅是示例性的且不旨在限制本发明或其应用或使用。例如，本发明具体应用于车辆故障诊断。然而，本发明的方法将具有用于其它行业的其它应用，例如航空航天、重型设备和其它运输行业中的故障诊断。

图1是具有用于获取故障相关数据所需的车载设备的车辆12的简图。车辆12包括发动机14以及各种其它系统和子系统，例如悬架、转向、变速器和传动系、热力管理、娱乐和安全系统。这些系统中的每一个都通常包括许多子系统和部件，其必须处于良好的工作状况以便母系统正常工作。任何现代车辆12将包括用于监测和控制各种车辆系统和子系统的一个或多个控制器16。车辆12还将包括许多车载传感器18，用于测量宽范围的系统和部件参数，包括温度、压力、电压、力、流体流率、流体液位等。传感器18经由电子网络（可以是有线或无线）将其参数数据传送到控制器16。控制器16包括用于存储参数数据的存储器、以及配置有用于控制各种车辆系统和子系统的算法的处理器。

在车辆12中，来自于传感器18的参数数据被连续地监测。控制器16被编程以检查许多不同参数及参数组合的值，以察看所述值是否处于正常范围内。如果检测到参数或参数组合处于其正常范围之外，那么一个或多个故障码或诊断故障码（DTC）被触发且存储在控制器16中。例如，燃料箱压力传感器回路（其读数在其范围之外）可触发回路级别DTC。该问题可能比较容易地诊断为坏的燃料箱压力传感器或者从燃料箱压力传感器到控制器16的有故障线路连接。另一方面，发动机不点火可触发一个或多个子系统级别DTC。不点火状况可能非常难以诊断和校正，因为其可能由燃料或燃料喷射系统的问题、点火系统问题、线路问题、发动机14中一些地方的机械问题或一些其它问题引起。本发明的目的在于每当触发DTC时就获取尽可能多的相关数据，且分析该数据，以便用于解决每个独立车辆问题的目的且也用于识别和校正系统设计问题的目的。

为了实现期望目的，提出了三维数据矩阵。图2是用于收集和组织事件驱动故障数据的数据矩阵30的简图。数据矩阵30包括车辆作为第一维32、DTC作为第二维34、以及参数辨识数据（PID）作为第三维36。车辆可以由其车辆识别号码（VIN）或任何其它合适的标识符识别。DTC必须具有独特标识符或编号方案。可以存在与任何具体车辆平台相关联的数百个不同DTC。PID也必须具有独特标识符或编号方案。通常存在可以在任何发动机或车辆系列上获取的数千个参数或PID。例如，通常使用的PID包括发动机rpm、车辆速度、发动机冷却剂温度、进气歧管压力、燃料压力和蓄电池电压。在随后的讨论中，术语“PID”总的用来指代单个参数值（例如，发动机rpm）以及相关参数的阵列或“数据包”（有时称为数据包标识符（DPID））两者。

为了构造数据矩阵30，需要定义对于每个DTC而言应当获取哪些PID。许多DTC要求获取数十个或甚至数百个特定PID。该关系通常由负责与DTC有关的系统的工程师定义。因而，矩阵30通过定义对于给定车辆平台而言可应用哪些DTC且对于每个DTC而言应该获取哪些PID而构造。数据矩阵30然后可以使用在触发DTC时来自于维修中的独立车辆的事件数据填充。

图3是用于获取DTC和PID数据以及填充数据矩阵的过程的流程图40。过程在框42开始，其中，任何具体车辆控制器16用触发DTC的标准且用在触发任何给定DTC时应当获取的PID列表编程。例如，具体DTC可以定义为在存在某些状况组合时（例如，发动机油压力低于某值，同时发动机rpm一致地处于某范围内）触发。如前文所述，数百个DTC及其标准可应用于大多数车辆。而且，对于每个DTC，定义一组PID，使得在触发任何具体DTC时，所有指定PID数据都以“停帧”方式获取。在车辆12经历触发一个或多个DTC的故障事件或问题时，过程继续框44。在框46，在控制器16中获取用于该事件的DTC和相关PID数据。在框48，独立事件数据下载到包含数据矩阵的原版的中央计算机。数据下载可以在车辆12被带到销售商以便维修时发生，或者数据下载可以经由无线通信或远程信息处理系统在任何时间处理。当更多独立车辆经历故障事件、获取DTC和PID数据、且将该数据下载到寄存数据矩阵的原版的计算机时，框44、46和48的动作持续地继续。在框50，主数据矩阵用来自于不同车辆事件的DTC和PID数据填充。PID数据还可以用关于故障的其它相关信息补充，例如，由维修中心处的诊断工具获得的数据以及关于该事件的顾客反馈。

在该阶段，矩阵包含来自于表示许多不同车辆系统故障模式的事件的数据。然后，需要使用实际现场诊断数据来由故障模式分开依事件而定的DTC和PID数据。在框52，现场维修报告、顾客观察以及其它数据用于针对每个独立事件数据记录识别实际故障模式（在可能时）。然后，可以在框54针对具体故障模式构造事件驱动数据矩阵，其中，对于已知具有一个具体故障模式的事件，每个依故障模式而定的数据矩阵包含车辆、DTC和PID数据。在数据可用来支持时，依故障模式而定的数据矩阵可以针对一样多的不同故障模式构造。例如，一个依故障模式而定的数据矩阵可以使用诊断为由燃料箱压力（FTP）传感器低电压故障引起的事件的DTC和PID数据填充，另一个矩阵可以针对故障模式诊断为FTP传感器高电压故障的事件生成，等等。在事件驱动数据矩阵针对多个具体故障模式用充分的数据填充之后，可进行分析过程。

本发明的分析过程以两个阶段（训练阶段和检验阶段）进行。在训练阶段，使用各种数学和统计工具来分析依故障模式而定的数据矩阵中的数据、识别数据的特征、且通过故障模式分类数据特征。训练阶段包括机器学习技术（称为已训练分类器）以识别数据中的依故障模式而定的型式。在检验阶段，独立车辆故障事件数据被分析且使用来自于训练阶段的已训练分类器来提供诊断。检验阶段用附加数据验证已训练分类器按照预期操作。

图4是用于训练阶段的系统60的框图。训练系统60包括可以用于预处理数据、提取数据的特征且训练分类器以由故障模式识别数据特征的数学和统计工具和技术。由于数据模型实际上学习使用哪些参数设置以便提取数据的最相关特征且由实际故障模式正确地分类数据特征，因而其描述为训练阶段。训练系统60用依故障模式而定的数据矩阵62开始。如上所述，每个矩阵62包含仅用于已知归因于一个具体故障模式的事件的数据，其中，数据包括车辆、DTC和PID数据。数据矩阵62提供给数据预处理模块64，数据预处理模块64使用标准化、方差缩减、和可能的其它技术来使数据矩阵62准备好用于特征提取。预处理模块64的目的在于最小化或消除数据中的异常，例如在从车辆到中央计算机的数据下载期间可能发生的误差，这可能歪曲或妨碍将要进行的数据分析。

特征提取模块66使用多个数据缩减、转换和分析技术来从数据矩阵62识别数据的特征。特征是可用于随后分类数据的数据特性。特征提取模块66中使用的技术的示例包括：主要统计（key statistics）、以及降维技术（例如，主成分分析（PCA））、和偏最小二乘（PLS）。这些技术均是数据分析和数字信号处理领域的技术人员已知的。通过将多个分析技术自动地应用于数据，特征提取模块66可以识别否则在仅使用手动或更少数据分析技术时可能错失的特征。

数据分类器模块68从特征提取模块66接收特征且执行分类。分类是用于预测数据实例的组员关系的机器学习技术。广义而言，对于计算机来说，机器学习的目标是自动地学习以基于数据识别复杂型式且进行智能决策。如本文应用的，分类将用于将数据特征中的型式与具体车辆系统故障模式相关联。数据分类器模块68使用许多类型的分类器，包括支持向量机（SVM）、概率神经网络（PNN）、k-近邻法（KNN）、决策树（DT）、线性判别分析（LDA）和二次判别分析（QDA）。这些技术或其组合（称为熔合）也是本领域技术人员已知的，且已经显示能够识别数据特征中的表示故障模式的型式。分类器模块68的输出是整个训练系统60的累积学习。这包括：用于数据预处理模块64的参数和设置；用于特征提取模块66的技术和参数以及从特征提取模块66得到的特征；以及所使用的分类器、所学习的参数、及在分类器模块68中检测到的分类型式。

检验阶段用于验证在训练阶段中在机器学习意义上被训练的分类器。即，检验阶段将验证已训练分类器有效地识别数据中的依故障模式而定的型式且针对附加基于事件的数据达到正确的诊断。作为总体拇指规则，在依故障模式而定的数据矩阵62中可用的事件数据的总量中，其中大约三分之二应当用于训练阶段，且其余三分之一应当用于检验阶段。

图5是用于检验阶段的系统80的框图。检验系统80以检验数据矩阵82开始。检验数据矩阵82可以包括用于多个不同已知故障模式事件的事件数据，或者其可以仅包括用于已知由单个具体故障模式引起的事件的数据。在任一情况下，检验阶段将用于验证对于检验数据矩阵82中的每个事件来说已训练分类器达到正确的诊断。数据预处理和特征提取模块84以与来自于训练系统60的模块64和66相同的方式操作，使用用于训练系统60中的特征提取的相同技术和设置。这确保从检验数据矩阵82提取的特征将可与从依故障模式而定的数据矩阵62（在训练阶段使用）提取的特征比较。从模块84提取的特征传送到已训练分类器模块86，其使用在训练阶段期间学习的参数配置。即，在机器学习的意义上，训练阶段的结果是具体分类器已经被训练以识别与具体故障模式相关联的特征数据中的型式。在检验阶段，已训练分类器在模块86中使用以针对检验数据矩阵82中的每个具体事件诊断故障模式。

一旦模块86中的已训练分类器被检验且显示针对具体DTC事件可靠地诊断故障模式，特征提取和分类器模块就可以在车辆上或者以其它方式配置用于故障隔离。通过使用分类器来在发生独立车辆故障事件时诊断其根本原因，可以获得最直接的益处。分类器能够以两种方式应用于故障诊断。第一，诊断型式可以下载到车辆维修中心处的计算机88，从而在已经经历故障事件的车辆12被带到维修中心以便修理时，DTC和PID数据将从车辆12下载到维修中心计算机88，且诊断型式将由维修中心计算机88识别，且诊断可以提供给维修技术人员。数据分类可以用于故障诊断的另一种方式是通过将诊断型式直接下载到独立车辆12上的计算机90。计算机90可以是与控制器16相同的装置，或者其可以是不同的装置。如果车载计算机90用识别诊断数据型式所需的已训练分类器编程，那么在发生故障事件且获取DTC和PID数据时，车载计算机90可能立即诊断故障的真实根本原因。这继而将允许采取进一步的动作，例如重新配置或停用受故障影响的系统，或者通知驾驶员车辆12应当尽快带到销售商以便维修。还可以使用无线通信或远程信息处理系统来将车载车辆诊断连同相关DTC和PID数据一起传达到车辆维修中心。维修中心然后可以联系车主、将情况向车主阐述，且可能排定维修预约。

故障数据分析和分类的结果还可应用于未来产品设计。例如，借助于上述方法的数据分析可以暴露由于硬件部件的可靠性或耐用性或者硬件部件的操作引起的重复出现问题，从而得出结论：对于未来车辆程序，损坏部件应当重新设计。将来自于现有车队的现场维修数据应用于未来车辆设计不是新的方法，但是本发明的方法允许改进诊断故障的根本原因，同时减少误诊断的发生率，从而使得在什么情况下哪些车辆上发生哪些故障更清楚。借助于现有故障数据分析方法，一些类型的故障可能不会用足以允许未来设计改进的准确性和频率诊断。例如，上述损坏部件可能之前从未识别为有问题的，因为在许多情况下系统故障可能不能正确地诊断。本发明的方法导致清楚得多的信息，其可用于故障模式和影响分析（FMEA）且应用于未来车辆设计。

数据矩阵30还可以扩展到第四维，其中，第四维是时间。时间数据能以任何合适的时标（优选为绝对时标，包括年、年内的天数、小时、分钟和秒）测量。时间标记将针对数据矩阵30中的每个DTC事件项（entry）来记录。然后，如果在独立车辆上对于第二时间发生DTC事件，可以评估参数数据以察看是否有任何事情随时间显著地变化。例如，考虑发生三次的燃料箱压力（FTP）传感器间歇性DTC事件，其中，在三个事件之间经过一个月的时间。在该示例中，在发动机控制模块检测到突然FTP PID变化时触发DTC事件。如果FTP电压PID在这三个事件期间具有增加或减少趋势，这可以表示FTP传感器参考端口被阻塞或者在该车辆上近来将发生FTP传感器回路低电压或高电压问题。该示例以非常简单的形式示出了时间数据可以如何用于增强矩阵数据30可能的分析和诊断类型。更复杂的分析是可能的，包括使用时序数据以提供系统健康状况和剩余有用寿命的预测。剩余有用寿命数据然后可以由车辆维修中心使用，以推荐车主修理或更换降级的系统或部件。

上述方法和系统提供了用于车辆系统故障的改进诊断架构，同时不需要在车辆上包括任何附加硬件。改进故障诊断信息可以通过任何问题的快速诊断和校正而给车主提供直接的益处，且可以允许车辆制造商改进顾客满意度、减少保修成本以及改进未来产品设计。

前述讨论仅仅公开和描述了本发明的示例性实施例。本领域技术人员从这种讨论和附图以及权利要求将容易认识到：可以对本文进行各种变化、修改和变型，而不偏离由所附权利要求限定的本发明的精神和范围。

Claims

1.一种用于诊断车辆系统中的故障原因的方法，所述方法包括：

根据需要在车辆上提供传感器，以获取参数辨识数据；

使用数学模型来分析在中央计算机上存储的来自于故障事件的诊断故障码和参数辨识数据，所述数学模型能够学习以将数据中的特征与每个故障事件的实际故障模式相关联，分析诊断故障码和参数辨识数据包括训练阶段和检验阶段；以及

使用数学模型来诊断附加故障事件的故障模式，包括：在训练阶段和检验阶段之后，将数学模型下载到车辆修理服务中心处的计算机，以及使用所述数学模型来诊断被带到车辆修理服务中心以便诊断的车辆上的故障事件的故障模式。

2.根据权利要求1所述的方法，其中，训练阶段包括：

使用特征提取模块来提取输入数据的特征；

3.根据权利要求2所述的方法，其中，特征提取模块包括具有关键统计、主成分分析和偏最小二乘的技术中的至少一种。

4.根据权利要求2所述的方法，其中，分类器模块包括具有支持向量机、概率神经网络、k-近邻法、决策树、线性判别分析和二次判别分析的技术中的至少一种。

5.根据权利要求2所述的方法，其中，检验阶段包括：

6.根据权利要求5所述的方法，还包括：在训练和检验阶段之后，将数学模型下载到车辆上的计算机，以及使用所述数学模型来诊断所述车辆上的故障事件的故障模式。

7.根据权利要求1所述的方法，其中，诊断故障码和参数辨识数据还包括每个故障事件的时间标记。

8.根据权利要求7所述的方法，还包括使用诊断故障码和参数辨识数据以及每个故障事件的时间标记来预测故障事件涉及的任何系统的系统健康状况和剩余有用寿命。

9.根据权利要求1所述的方法，其中，每个故障事件的实际故障模式由已经解决故障状况的车辆修理服务中心提供。

10.一种用于诊断车辆系统中的故障原因和预测系统健康状况的方法，所述方法包括：

根据需要在车辆上提供传感器，以获取参数辨识数据；

使用数学模型来分析在中央计算机上存储的来自于故障事件的诊断故障码和参数辨识数据，所述数学模型能够学习以将数据中的特征与每个故障事件的实际故障模式相关联，分析诊断故障码和参数辨识数据包括训练阶段和检验阶段；

使用数学模型来诊断附加故障事件的故障模式，包括：在训练阶段和检验阶段之后，将数学模型下载到车辆修理服务中心处的计算机，以及使用所述数学模型来诊断被带到车辆修理服务中心以便诊断的车辆上的故障事件的故障模式；以及

11.根据权利要求10所述的方法，其中，分析诊断故障码和参数辨识数据包括训练阶段，其中，训练阶段包括：

12.根据权利要求11所述的方法，其中，分析诊断故障码和参数辨识数据包括检验阶段，其中，检验阶段包括：

13.一种用于诊断车辆系统中的故障原因的系统，所述系统包括：

车辆，带有要监测的多个系统；

车辆上的多个传感器，用于测量系统中的各种状况；

中央计算机，用于收集来自于多个车辆的故障事件的参数数据，其中，所述计算机使用数学模型来分析参数数据，以针对故障事件组且针对独立故障事件诊断故障模式，包括训练阶段和检验阶段，使用数学模型来分析参数数据包括：在训练阶段和检验阶段之后，将数学模型下载到车辆修理服务中心处的计算机，以及使用所述数学模型来诊断被带到车辆修理服务中心以便诊断的车辆上的故障事件的故障模式；和

14.根据权利要求13所述的系统，其中，控制器包括诊断故障码的预定列表、用于触发每个诊断故障码的标准以及针对每个诊断故障码获取和存储的参数数据。

15.根据权利要求13所述的系统，其中，通信系统是无线系统，其能够在车辆不必带到车辆修理服务中心的情况下将参数数据传输到中央计算机。

16.根据权利要求13所述的系统，其中，由中央计算机使用的数学模型包括数据预处理、特征提取和已训练分类器模块。

17.根据权利要求16所述的系统，其中：

数据预处理模块包括标准化和方差缩减技术；

18.根据权利要求13所述的系统，还包括车辆上的计算机，所述计算机配置成使用来自于中央计算机的数学模型来诊断在车辆系统上发生的任何新故障事件的故障模式。