專利名稱：用于故障模型驗證和生效的以軟件為中心的方法
技術領域：
本發明涉及一種用于對車輛故障模型進行驗證、使其生效并對其加以改進的方 法，該方法包括利用專家進行假定推測分析以便使用現場故障數據來確認重要的故障模 式和癥狀，學習來自現場故障數據的仿真參數，使用學習到的參數來仿真故障，使用假定推 測分析和故障模型與診斷推理機一起來生成仿真以提供估計的故障，以及將估計的故障和 仿真的故障進行比較以便用于效益分析。
背景技術：
現代車輛是復雜的機電系統，其采用了許多部件、裝置、模塊、子系統等等，它們利 用復雜的算法和數據總線在彼此之間以及在它們中間傳送電信息。如同任何事物一樣，這 些類型的裝置和算法容易受到影響車輛操作的錯誤、失效和故障的影響。當發生這樣的錯 誤和故障時，受影響的裝置或部件將發出故障代碼(例如診斷問題代碼)，該故障代碼被一 個或多個系統控制器接收，以便確認關于集成部件的故障或某種附屬故障。這些DTCs可以 由維修技術人員和工程師分析，以便確認問題和/或實現系統修復和升級。然而，由于車輛 系統的特有的復雜性，所以許多DTCs和其它信號可能由于許多不同的原因被發出，這可能 使得問題查找特別困難。在工業中，定義了車輛中可能發生的故障以及對于這些故障的可用的補救措施的 車輛故障模型變得日益盛行。故障模型的最簡化表示之一就是矩陣，其中該矩陣的行捕集 了可能發生在車輛上的失效模式，而該矩陣的列則確認了關于這些失效模式車輛可能經受 的癥狀。故障模型捕集了失效模式和癥狀之間的因果依賴關系。各種癥狀可以是在車輛操 作期間記錄的信息，或者在車輛被維修時發生的信息。因而，通過在故障模型中在特定失效 模式和車輛關于這些失效模式將遭受的癥狀之間的交叉段處放置指示器，維修人員能夠基 于正在發生的癥狀確認需要執行的維修操作，以便修復特定的失效。取決于故障模型的范圍，矩陣可以非常大，并且可以更新并重新定義，使得其最終 能夠為每種可能的癥狀來確認具體的修理操作。此外，可以為不同級別的車輛提供各種故 障模型，其中能夠關于具體的車輛子系統提供這樣的故障模型，能夠關于具體的車輛品牌、 制造、模型等等來提供故障模型。期望準確地增加故障模型，使得它們不會使用冗余信息，能準確地確認失效，以及 準確地確認與這些失效相關的癥狀。換言之，期望具有一種方法，以便通過與收集自許多車 輛的現場失效數據相聯系的系統方法來對集成的車輛健康管理(IVHM)故障模型進行驗證 并使其生效。
發明內容
根據本發明的教導，公開了一種對車輛故障模型進行驗證、使其生效并對其加以 改進的方法。該方法包括提供初始故障模型，其確認了車輛中發生的癥狀和車輛中關于 這些癥狀的失效模式之間的因果依賴關系；以及，提供現場失效數據，其包括關于許多車輛
4的車輛癥狀和失效。該方法使用現場失效數據來執行假定推測分析，其中包括使用主題專 家(SME)知識來確定大多數重要的失效模式和大多數重要的癥狀。該方法還包括從現場失 效數據學習仿真參數，以及使用學習到的仿真參數對故障進行仿真。該方法進一步包括基 于來自假定推測分析和由仿真確認的故障的大多數重要的失效模式和大多數重要的癥狀 來使故障模型生效。此外，該方法還使用在診斷推理機以使用故障模型和在假定推測場景 及仿真中存在的癥狀來生成估計的故障。然后，該方法將估計的故障與仿真的故障進行比 較，以便確定檢測和故障警報率，并且接著通過使真檢測和假警報率與修理成本(例如，勞 動成本、其它工時成本、總成本等等)相關從而執行效益分析。聯系附圖，由下述說明和所附權利要求，本發明的其它特征將變得明顯。本發明還提供了以下方案1. 一種用于對故障模型進行驗證、使其生效并對其加以改善的方法，所述方法包 括提供初始故障模型，其識別車輛的癥狀和所述車輛中的失效模式之間的關系；提供現場失效數據，其包括在現場進行操作的許多車輛的車輛癥狀和車輛失效模 式；使用所述現場失效數據來執行假定推測分析，所述現場失效數據包括使用主題專 家SME知識以便確定最明顯的失效模式和最明顯的癥狀；從所述現場失效數據中學習仿真參數；使用學習的仿真參數仿真故障；使用所述假定推測分析和所述仿真的結果來修正所述初始故障模型；使用診斷推理器來分析所述修正的故障模型以便生成估計的故障；將所述估計的故障和所述仿真的故障進行比較以便確定真實檢測和假警報率；以 及通過使所述真實檢測和假警報率和成本相關來進行利益分析。
2.如方案1所述的方法，其中，所述現場失效數據包括質保請求數據、診斷問題碼 和參數識別符。3.如方案1所述的方法，其中，執行所述假定推測分析包括根據發生頻率、成本和 顧客步行回家的發生情況來確定預定數量的最明顯失效模式。4.如方案1所述的方法，其中，執行所述假定推測分析包括根據發生頻率和嚴重 性來確定預定數量的最明顯癥狀。5.如方案1所述的方法，其中，從所述現場失效數據中學習仿真參數包括識別主 要故障的雙變量失效分布；確定部件修理的平均勞動成本、其它工時成本、零部件成本和總 成本；確定重復訪問和多次請求率；確定失效模式和癥狀中的條件概率；確定用于仿真間 斷性故障的故障出現和消失概率；以及學習癥狀的發生次數和嚴重性。6.如方案1所述的方法，其中，對故障進行仿真包括執行Monte Carlo仿真。7.如方案1所述的方法，其中，使用學到的參數對故障進行仿真包括對永久性故 障進行仿真和對間斷性故障進行仿真。8.如方案7所述的方法，其中，對永久性故障進行仿真包括使用雙變量失效分布 來對具有現實場景的故障進行仿真，而對間斷性故障進行仿真包括使用故障出現和消失概率分布來在實際發生期間和維修車間中以真實方式仿真間斷性故障。9.如方案1所述的方法，其中，執行所述利益分析包括使用診斷推理結果來計算 誤診斷率、重復訪問和多次請求率中的減少。10.如方案1所述的方法，進一步包括使用多個診斷推理器并且通過生成仿真來 對所述診斷推理器進行基準測試，以及通過所述診斷推理器對它們進行分析。11. 一種用于對故障模型進行驗證、使其生效并對其加以改善的方法，所述方法包 括提供初始故障模型，其識別車輛的癥狀和所述車輛中的失效模式之間的關系；提供現場失效數據，其包括在現場進行操作的許多車輛的車輛癥狀和車輛失效模 式，其中所述現場失效數據包括質保請求數據、診斷問題碼和操作參數識別符；使用所述現場失效數據來執行假定推測分析，所述現場失效數據包括使用主題專 家SME知識以便確定最明顯的失效模式和最明顯的癥狀，其中根據發生頻率、成本和顧客 步行回家的發生情況來確定最明顯失效模式，并且根據發生頻率和嚴重性來確定最明顯的 系統；從所述現場失效數據中學習仿真參數；使用所述學習的仿真參數來對故障進行仿真，包括對永久性故障進行仿真和對間 斷性故障進行仿真；使用所述假定推測分析和所述仿真的故障的結果來修正所述初始故障模型；使用診斷推理器來根據幾率值提供所述估計的失效模式的排行次序表；將所述估計的故障和所述仿真的故障進行比較以便確定真實檢測和假警報率；以 及通過使用所述真實檢測和假警報率來進行利益分析包括，計算因為所故障模型和 診斷推理所致的節約。12.如方案11所述的方法，其中，從所述現場失效數據學習仿真參數包括識別主 要故障的雙變量失效分布；確定平均勞動成本，其它工時成本，零部件成本以及部件修理的 總成本；確定重復訪問和多次請求率；確定失效模式和癥狀之間的條件概率；確定用于對 間斷性故障進行仿真的故障出現和消失概率；以及學習癥狀的發生次數和嚴重性。13.如方案11所述的方法，其中，對故障進行仿真包括執行Monte Carlo仿真。14.如方案11所述的方法，其中，對永久性故障進行仿真包括使用雙變量失效分 布來對具有現實場景的故障進行仿真，而對間斷性故障進行仿真包括使用故障出現和消失 概率分布來在實際發生期間和在維修車間中以真實方式仿真間斷性故障。15.如方案11所述的方法，其中，執行所述利益分析包括使用診斷推理結果來計 算誤診斷率、重復訪問和多次請求率中的減少。16. 一種用于對故障模型進行驗證并使其生效的方法，所述方法包括提供現場失效數據，所述現場失效數據包括與系統中的癥狀和失效相關的信息；使用所述現場失效數據來執行假定推測分析，所述現場失效數據包括使用主題專 家SME知識以便確定最明顯的失效模式和最明顯的癥狀，從所述現場失效數據中學習仿真參數；使用所述學習的仿真參數來對故障進行仿真；以及
使用來自所述假定推測分析和所述仿真的故障的所述最明顯的失效模式和所述 最明顯的癥狀來校驗所述故障模型并使其生效。17.如方案16所述的方法，進一步包括使用診斷推理器來分析所述假定推測場景 和仿真中的癥狀，以便根據幾率值提供所述估計的失效模式的排行次序表，以及將所述估 計的故障和所述仿真的故障進行比較以便確定真實檢測和假警報率。18.如方案16所述的方法，其中，執行所述假定推測分析包括根據發生頻率、成本 和顧客步行回家發生情況來確定預定數目的所述最明顯失效模式。19.如方案16所述的方法，其中，執行所述假定推測分析包括根據發生頻率和嚴 重性來確定所述預定數目的最明顯癥狀。20.如方案16所述的方法，其中，使用所述學習的參數對故障進行仿真包括對永 久性故障進行仿真和對間斷性故障進行仿真。
圖1是用于對車輛故障模型進行驗證、使其生效并對其加以改進的系統的框圖；圖2是示出了用于對車輛故障模型進行驗證、使其生效并對其加以改進的過程的 流程圖；圖3是用于圖1所示過程的從許多車輛收集的現場失效數據的圖示；以及圖4是示出了用于在圖1所示的過程中利用故障模型和診斷推理機來分析場景的 過程的流程圖。
具體實施例方式以下關于涉及對車輛故障模型進行驗證、使其生效并對其加以改進的本發明實施 例的討論在本質上僅僅是示例性的，決不意圖限制本發明、其應用或使用。例如，本發明具 有用于車輛故障模型的特定應用。然而，本發明的方法將具有用于其它產業的應用，例如在 航天產業中的故障模型生效。圖1是系統40的框圖，系統40提供了用于對特定車輛和/或車輛系統的車輛故 障模型進行驗證、使其生效并對其加以改善的提議方法所必需的硬件，其中所提議的對故 障模型進行驗證、使其生效并對其加以改善的過程在車外(off-board)執行。系統40包括 計算機42，計算機42意在表示對接收自提供了現場失效數據的各種源44的信息加以處理 的任意合適處理器。源44可以是任何適于本文所描述目的的源，例如質保報告、維修店數 據、遠程信息數據，等等。由計算機42接收的信息和數據存儲在計算機42上的存儲器46 中，其可以由SME存取。計算機42能夠運行仿真，并且從與這里的討論一致的現場失效數 據中學習仿真參數。存儲器46儲存故障模型、假定推測場景、Monte-Carlo仿真、以及與這 里的討論一致的現場失效數據。計算機42還包括處理器50，處理器50包含比較器52、參 數學習器34和診斷推理器56，其用于基于以下詳述將變得十分明顯的目的。計算機42提 供了允許SME分析采用合適形式的數據和信息的工具，所述數據和信息例如報告和故障模 型，并且能夠顯示在顯示裝置48上。圖2是示出了所提議的用于驗證故障模型、使其生效并對其加以改善的過程的流 程圖10。在過程開始時，故障模型已經關于特定車輛或系統而生成，并且故障模型將被分析以便有效并加以改善。為了實現該目的，將歷史數據用于來自現場或另外方式收集的信息 中的有關各種癥狀以及它們的修理。因此，隨著時間過去，關于許多車輛收集的各種現場失 效數據被用于評估當前故障模型，并且為其提供更加合適的改動。例如，通過查看各種識別 的問題或系統，并且研究已經在該系統上進行的解決方案，能夠確定為了防止該癥狀再次 出現何種解決方案是最有效且更可靠的。在框12處，該過程的第一步被稱作為“假定推測分析”，其使用了來自各種數據 庫、程序、報告等等的SME知識和數據，以便響應于SME、費用、發生頻率、操作員步行回家 (walk-home)等等來識別最顯著的失效模式，并且確定最明顯的癥狀，即，在考慮了這些癥 狀的發生和嚴重性的這些失效模式期間發生的癥狀。該分析能夠確定任意數目的頂級失效 模式(例如，50)，以及任意數目的頂級癥狀，其中假定推測分析使用了確定和軟件途徑來 生成場景。在該實施例中，信息和數據能夠來自現場失效數據14，如圖3中所示，其包括質 保請求數據、DTCs、來自許多不同源(例如，維修店、遠程信息服務等等)的操作參數標識符 (PIDs)數據。PIDs識別任意合適的車輛參數，例如，電壓、壓力、溫度、電流等等。數據可以 包括為某些癥狀、質保請求的DTCs以及其它維修事件采取的何種行動，以及這些系統是否 有效。一旦現場失效數據14以及其它信息已經在框12處如上所述那樣評估，那么在框 16處可以進行故障仿真。在框16處執行的操作包括兩步，即從現場失效數據14學習參 數和對故障進行仿真。特別地，現場失效數據14可以被用在概率和軟件途徑中以學習仿真 參數，即，例如，現場失效數據14可以用于學習主要故障的雙變量失效分布、關于里程和維 修時間的主要修理的分布、平均勞動成本、其它工時費用、零部件費用、總的部件修理費用 等等；對相同系統的重復訪問和多次要求率；在失效模式中的條件概率(例如，勞動代碼)、 以及癥狀(例如，DTCs)；用于仿真間斷性故障的故障出現和消失概率；以及學習每一癥狀 的發生次數和嚴重性。學習的參數然后被用于在第二步中仿真故障。在一個非限制性實施例中，使用 Monte-Carlo仿真來仿真故障，這對于本領域技術人員而言是已知的。該仿真根據從現場失 效數據14學習的概率分布隨機插入大量的失效和癥狀。該仿真然后能夠對使用了雙變量 失效分布的永久故障進行仿真，以便對具有現實場景的故障進行仿真，并且對使用了故障 出現和消失概率分布的間斷性故障進行仿真，從而在維修保養車間的實際事件和稍后期間 以真實方式來仿真故障。使用故障模型、失效模式中的條件概率和癥狀來生成癥狀結果，以 便得到成組的通過癥狀結果和失效癥狀結果。一旦在框16處已經執行仿真，那么在框18處合適的人員就能夠使用故障模型和 診斷推理來分析假定推測分析器和仿真場景。診斷推理器是這樣的算法，其查看各種失效 模式和癥狀，并且能夠確定哪個失效模式對于當前存在于車輛中的癥狀負責。圖4是包括分析算法M的流程圖20，分析算法20具有故障模型沈和診斷推理器 觀。故障模型26這樣的故障模型，其由該過程開發以便當更多現場失效數據和其它信息隨 著時間變得可用時被驗證、生效和改善，使得最終故障模型26將提供用于基于它們的癥狀 來識別失效模式的綜合工具。故障模型26沿著頂部軸線示出表示為S1^6的癥狀，以及沿 著豎直軸線表示為F1-Fltl的失效模式。故障模型中的黑點(布爾值或位于0至1之間的分 數值)對應于通過失效癥狀識別出的失效模式。診斷推理器觀分析當前癥狀，以便根據其幾率值提供所估計失效模式的排行次序表。這里所討論方法可以執行診斷推理器的數量比 較。框22示出了使用了在框12處的假定推測分析和使用了在框16處的仿真的各種場景， 其被用于以上述方式生成故障模型26。框30表示被仿真的故障，其通過框16處的仿真來 提供。所仿真的故障30經由故障模型沈和診斷推理器觀被分析，以便生成估計的故障， 其被比較器32與來自算法30的仿真故障進行比較，以便像在框18處的分析那樣識別真檢 測和假警報率。因而，通過執行假定推測分析并對故障進行仿真，故障模型沈可以生效并 修改，使得癥狀被更好地連接到失效模式。該過程提供了系統和數量的方式以便通過生成仿真并經由診斷推理器來分析它 們從而基準檢測若干診斷推理器。因為相同的場景被送至每個推理器，所以診斷推理器和 比較器的輸出可以被比較并基準檢測，即，真實檢測和假警報率。一旦通過比較器32在估計的故障和仿真的故障之間進行了比較，那么合適的人 員在框34處能夠執行IVHM利益分析，以便減小成本。IVHM利益分析將診斷推理器28的檢測率和假警報率與修理成本(例如，勞動成 本、工時成本、總成本等等)相關。此外，IVHM利益分析使用了診斷推理結果來計算錯誤診 斷率、重復訪問以及多次請求率中的減少。由于IVHM故障模型和診斷推理的緣故，該分析 還計算了節約。上述詳述僅公開并且描述了本發明的示例性實施例。本領域技術人員將容易從這 樣的詳述和附圖及權利要求中認識到能夠實現各種變化、修改和變型，而不背離本發明由 所附權利要求所限定的精神和范圍。
權利要求
1.一種用于對故障模型進行驗證、使其生效并對其加以改善的方法，所述方法包括 提供初始故障模型，其識別車輛的癥狀和所述車輛中的失效模式之間的關系； 提供現場失效數據，其包括在現場進行操作的許多車輛的車輛癥狀和車輛失效模式； 使用所述現場失效數據來執行假定推測分析，所述現場失效數據包括使用主題專家SME知識以便確定最明顯的失效模式和最明顯的癥狀； 從所述現場失效數據中學習仿真參數； 使用學習的仿真參數仿真故障；使用所述假定推測分析和所述仿真的結果來修正所述初始故障模型； 使用診斷推理器來分析所述修正的故障模型以便生成估計的故障； 將所述估計的故障和所述仿真的故障進行比較以便確定真實檢測和假警報率；以及 通過使所述真實檢測和假警報率和成本相關來進行利益分析。
2.如權利要求1所述的方法，其中，所述現場失效數據包括質保請求數據、診斷問題碼 和參數識別符。
3.如權利要求1所述的方法，其中，執行所述假定推測分析包括根據發生頻率、成本和 顧客步行回家的發生情況來確定預定數量的最明顯失效模式。
4.如權利要求1所述的方法，其中，執行所述假定推測分析包括根據發生頻率和嚴重 性來確定預定數量的最明顯癥狀。
5.如權利要求1所述的方法，其中，從所述現場失效數據中學習仿真參數包括識別主 要故障的雙變量失效分布；確定部件修理的平均勞動成本、其它工時成本、零部件成本和總 成本；確定重復訪問和多次請求率；確定失效模式和癥狀中的條件概率；確定用于仿真間 斷性故障的故障出現和消失概率；以及學習癥狀的發生次數和嚴重性。
6.如權利要求1所述的方法，其中，對故障進行仿真包括執行MonteCarlo仿真。
7.如權利要求1所述的方法，其中，使用學到的參數對故障進行仿真包括對永久性故 障進行仿真和對間斷性故障進行仿真。
8.如權利要求7所述的方法，其中，對永久性故障進行仿真包括使用雙變量失效分布 來對具有現實場景的故障進行仿真，而對間斷性故障進行仿真包括使用故障出現和消失概 率分布來在實際發生期間和維修車間中以真實方式仿真間斷性故障。
9.一種用于對故障模型進行驗證、使其生效并對其加以改善的方法，所述方法包括 提供初始故障模型，其識別車輛的癥狀和所述車輛中的失效模式之間的關系；提供現場失效數據，其包括在現場進行操作的許多車輛的車輛癥狀和車輛失效模式， 其中所述現場失效數據包括質保請求數據、診斷問題碼和操作參數識別符；使用所述現場失效數據來執行假定推測分析，所述現場失效數據包括使用主題專家 SME知識以便確定最明顯的失效模式和最明顯的癥狀，其中根據發生頻率、成本和顧客步 行回家的發生情況來確定最明顯失效模式，并且根據發生頻率和嚴重性來確定最明顯的系 統；從所述現場失效數據中學習仿真參數；使用所述學習的仿真參數來對故障進行仿真，包括對永久性故障進行仿真和對間斷性 故障進行仿真；使用所述假定推測分析和所述仿真的故障的結果來修正所述初始故障模型；使用診斷推理器來根據幾率值提供所述估計的失效模式的排行次序表； 將所述估計的故障和所述仿真的故障進行比較以便確定真實檢測和假警報率；以及 通過使用所述真實檢測和假警報率來進行利益分析包括，計算因為所故障模型和診斷 推理所致的節約。
10. 一種用于對故障模型進行驗證并使其生效的方法，所述方法包括 提供現場失效數據，所述現場失效數據包括與系統中的癥狀和失效相關的信息； 使用所述現場失效數據來執行假定推測分析，所述現場失效數據包括使用主題專家 SME知識以便確定最明顯的失效模式和最明顯的癥狀， 從所述現場失效數據中學習仿真參數； 使用所述學習的仿真參數來對故障進行仿真；以及使用來自所述假定推測分析和所述仿真的故障的所述最明顯的失效模式和所述最明 顯的癥狀來校驗所述故障模型并使其生效。
全文摘要
本發明涉及用于故障模型驗證和生效的以軟件為中心的方法。具體地，公開了一種對車輛故障模型進行驗證并對其加以改進的方法。該方法包括分析可用的現場失效數據，現場失效數據包括關于許多車輛的車輛癥狀和失效。該方法使用現場失效數據執行分析，現場失效數據包括使用主題專家知識來確定大多數重要的失效模式和大多數重要的癥狀。該方法還包括從現場失效數據中學習仿真參數，并使用學習的仿真參數來仿真故障。該方法還包括基于來自假定推測分析和由仿真識別的故障的最明顯失效模式和最明顯癥狀來對車輛故障模型進行驗證并使其生效，并且使用診斷推理器分析修正的故障模型以生成仿真的故障。該方法然后比較估計的故障和仿真的故障以確定用于利益分析的真實檢測和假警報率。
文檔編號G06F17/50GK102096730SQ201010588480
公開日2011年6月15日 申請日期2010年12月10日 優先權日2009年12月10日
發明者S·W·霍蘭德, S·辛赫 申請人:通用汽車環球科技運作有限責任公司