专利名称：用于故障模型验证和生效的以软件为中心的方法
技术领域：
本发明涉及一种用于对车辆故障模型进行验证、使其生效并对其加以改进的方 法，该方法包括利用专家进行假定推测分析以便使用现场故障数据来确认重要的故障模 式和症状，学习来自现场故障数据的仿真参数，使用学习到的参数来仿真故障，使用假定推 测分析和故障模型与诊断推理机一起来生成仿真以提供估计的故障，以及将估计的故障和 仿真的故障进行比较以便用于效益分析。
背景技术：
现代车辆是复杂的机电系统，其采用了许多部件、装置、模块、子系统等等，它们利 用复杂的算法和数据总线在彼此之间以及在它们中间传送电信息。如同任何事物一样，这 些类型的装置和算法容易受到影响车辆操作的错误、失效和故障的影响。当发生这样的错 误和故障时，受影响的装置或部件将发出故障代码(例如诊断问题代码)，该故障代码被一 个或多个系统控制器接收，以便确认关于集成部件的故障或某种附属故障。这些DTCs可以 由维修技术人员和工程师分析，以便确认问题和/或实现系统修复和升级。然而，由于车辆 系统的特有的复杂性，所以许多DTCs和其它信号可能由于许多不同的原因被发出，这可能 使得问题查找特别困难。在工业中，定义了车辆中可能发生的故障以及对于这些故障的可用的补救措施的 车辆故障模型变得日益盛行。故障模型的最简化表示之一就是矩阵，其中该矩阵的行捕集 了可能发生在车辆上的失效模式，而该矩阵的列则确认了关于这些失效模式车辆可能经受 的症状。故障模型捕集了失效模式和症状之间的因果依赖关系。各种症状可以是在车辆操 作期间记录的信息，或者在车辆被维修时发生的信息。因而，通过在故障模型中在特定失效 模式和车辆关于这些失效模式将遭受的症状之间的交叉段处放置指示器，维修人员能够基 于正在发生的症状确认需要执行的维修操作，以便修复特定的失效。取决于故障模型的范围，矩阵可以非常大，并且可以更新并重新定义，使得其最终 能够为每种可能的症状来确认具体的修理操作。此外，可以为不同级别的车辆提供各种故 障模型，其中能够关于具体的车辆子系统提供这样的故障模型，能够关于具体的车辆品牌、 制造、模型等等来提供故障模型。期望准确地增加故障模型，使得它们不会使用冗余信息，能准确地确认失效，以及 准确地确认与这些失效相关的症状。换言之，期望具有一种方法，以便通过与收集自许多车 辆的现场失效数据相联系的系统方法来对集成的车辆健康管理(IVHM)故障模型进行验证 并使其生效。
发明内容
根据本发明的教导，公开了一种对车辆故障模型进行验证、使其生效并对其加以 改进的方法。该方法包括提供初始故障模型，其确认了车辆中发生的症状和车辆中关于 这些症状的失效模式之间的因果依赖关系；以及，提供现场失效数据，其包括关于许多车辆
4的车辆症状和失效。该方法使用现场失效数据来执行假定推测分析，其中包括使用主题专 家(SME)知识来确定大多数重要的失效模式和大多数重要的症状。该方法还包括从现场失 效数据学习仿真参数，以及使用学习到的仿真参数对故障进行仿真。该方法进一步包括基 于来自假定推测分析和由仿真确认的故障的大多数重要的失效模式和大多数重要的症状 来使故障模型生效。此外，该方法还使用在诊断推理机以使用故障模型和在假定推测场景 及仿真中存在的症状来生成估计的故障。然后，该方法将估计的故障与仿真的故障进行比 较，以便确定检测和故障警报率，并且接着通过使真检测和假警报率与修理成本(例如，劳 动成本、其它工时成本、总成本等等)相关从而执行效益分析。联系附图，由下述说明和所附权利要求，本发明的其它特征将变得明显。本发明还提供了以下方案1. 一种用于对故障模型进行验证、使其生效并对其加以改善的方法，所述方法包 括提供初始故障模型，其识别车辆的症状和所述车辆中的失效模式之间的关系；提供现场失效数据，其包括在现场进行操作的许多车辆的车辆症状和车辆失效模 式；使用所述现场失效数据来执行假定推测分析，所述现场失效数据包括使用主题专 家SME知识以便确定最明显的失效模式和最明显的症状；从所述现场失效数据中学习仿真参数；使用学习的仿真参数仿真故障；使用所述假定推测分析和所述仿真的结果来修正所述初始故障模型；使用诊断推理器来分析所述修正的故障模型以便生成估计的故障；将所述估计的故障和所述仿真的故障进行比较以便确定真实检测和假警报率；以 及通过使所述真实检测和假警报率和成本相关来进行利益分析。
2.如方案1所述的方法，其中，所述现场失效数据包括质保请求数据、诊断问题码 和参数识别符。3.如方案1所述的方法，其中，执行所述假定推测分析包括根据发生频率、成本和 顾客步行回家的发生情况来确定预定数量的最明显失效模式。4.如方案1所述的方法，其中，执行所述假定推测分析包括根据发生频率和严重 性来确定预定数量的最明显症状。5.如方案1所述的方法，其中，从所述现场失效数据中学习仿真参数包括识别主 要故障的双变量失效分布；确定部件修理的平均劳动成本、其它工时成本、零部件成本和总 成本；确定重复访问和多次请求率；确定失效模式和症状中的条件概率；确定用于仿真间 断性故障的故障出现和消失概率；以及学习症状的发生次数和严重性。6.如方案1所述的方法，其中，对故障进行仿真包括执行Monte Carlo仿真。7.如方案1所述的方法，其中，使用学到的参数对故障进行仿真包括对永久性故 障进行仿真和对间断性故障进行仿真。8.如方案7所述的方法，其中，对永久性故障进行仿真包括使用双变量失效分布 来对具有现实场景的故障进行仿真，而对间断性故障进行仿真包括使用故障出现和消失概率分布来在实际发生期间和维修车间中以真实方式仿真间断性故障。9.如方案1所述的方法，其中，执行所述利益分析包括使用诊断推理结果来计算 误诊断率、重复访问和多次请求率中的减少。10.如方案1所述的方法，进一步包括使用多个诊断推理器并且通过生成仿真来 对所述诊断推理器进行基准测试，以及通过所述诊断推理器对它们进行分析。11. 一种用于对故障模型进行验证、使其生效并对其加以改善的方法，所述方法包 括提供初始故障模型，其识别车辆的症状和所述车辆中的失效模式之间的关系；提供现场失效数据，其包括在现场进行操作的许多车辆的车辆症状和车辆失效模 式，其中所述现场失效数据包括质保请求数据、诊断问题码和操作参数识别符；使用所述现场失效数据来执行假定推测分析，所述现场失效数据包括使用主题专 家SME知识以便确定最明显的失效模式和最明显的症状，其中根据发生频率、成本和顾客 步行回家的发生情况来确定最明显失效模式，并且根据发生频率和严重性来确定最明显的 系统；从所述现场失效数据中学习仿真参数；使用所述学习的仿真参数来对故障进行仿真，包括对永久性故障进行仿真和对间 断性故障进行仿真；使用所述假定推测分析和所述仿真的故障的结果来修正所述初始故障模型；使用诊断推理器来根据几率值提供所述估计的失效模式的排行次序表；将所述估计的故障和所述仿真的故障进行比较以便确定真实检测和假警报率；以 及通过使用所述真实检测和假警报率来进行利益分析包括，计算因为所故障模型和 诊断推理所致的节约。12.如方案11所述的方法，其中，从所述现场失效数据学习仿真参数包括识别主 要故障的双变量失效分布；确定平均劳动成本，其它工时成本，零部件成本以及部件修理的 总成本；确定重复访问和多次请求率；确定失效模式和症状之间的条件概率；确定用于对 间断性故障进行仿真的故障出现和消失概率；以及学习症状的发生次数和严重性。13.如方案11所述的方法，其中，对故障进行仿真包括执行Monte Carlo仿真。14.如方案11所述的方法，其中，对永久性故障进行仿真包括使用双变量失效分 布来对具有现实场景的故障进行仿真，而对间断性故障进行仿真包括使用故障出现和消失 概率分布来在实际发生期间和在维修车间中以真实方式仿真间断性故障。15.如方案11所述的方法，其中，执行所述利益分析包括使用诊断推理结果来计 算误诊断率、重复访问和多次请求率中的减少。16. 一种用于对故障模型进行验证并使其生效的方法，所述方法包括提供现场失效数据，所述现场失效数据包括与系统中的症状和失效相关的信息；使用所述现场失效数据来执行假定推测分析，所述现场失效数据包括使用主题专 家SME知识以便确定最明显的失效模式和最明显的症状，从所述现场失效数据中学习仿真参数；使用所述学习的仿真参数来对故障进行仿真；以及
使用来自所述假定推测分析和所述仿真的故障的所述最明显的失效模式和所述 最明显的症状来校验所述故障模型并使其生效。17.如方案16所述的方法，进一步包括使用诊断推理器来分析所述假定推测场景 和仿真中的症状，以便根据几率值提供所述估计的失效模式的排行次序表，以及将所述估 计的故障和所述仿真的故障进行比较以便确定真实检测和假警报率。18.如方案16所述的方法，其中，执行所述假定推测分析包括根据发生频率、成本 和顾客步行回家发生情况来确定预定数目的所述最明显失效模式。19.如方案16所述的方法，其中，执行所述假定推测分析包括根据发生频率和严 重性来确定所述预定数目的最明显症状。20.如方案16所述的方法，其中，使用所述学习的参数对故障进行仿真包括对永 久性故障进行仿真和对间断性故障进行仿真。
图1是用于对车辆故障模型进行验证、使其生效并对其加以改进的系统的框图；图2是示出了用于对车辆故障模型进行验证、使其生效并对其加以改进的过程的 流程图；图3是用于图1所示过程的从许多车辆收集的现场失效数据的图示；以及图4是示出了用于在图1所示的过程中利用故障模型和诊断推理机来分析场景的 过程的流程图。
具体实施例方式以下关于涉及对车辆故障模型进行验证、使其生效并对其加以改进的本发明实施 例的讨论在本质上仅仅是示例性的，决不意图限制本发明、其应用或使用。例如，本发明具 有用于车辆故障模型的特定应用。然而，本发明的方法将具有用于其它产业的应用，例如在 航天产业中的故障模型生效。图1是系统40的框图，系统40提供了用于对特定车辆和/或车辆系统的车辆故 障模型进行验证、使其生效并对其加以改善的提议方法所必需的硬件，其中所提议的对故 障模型进行验证、使其生效并对其加以改善的过程在车外(off-board)执行。系统40包括 计算机42，计算机42意在表示对接收自提供了现场失效数据的各种源44的信息加以处理 的任意合适处理器。源44可以是任何适于本文所描述目的的源，例如质保报告、维修店数 据、远程信息数据，等等。由计算机42接收的信息和数据存储在计算机42上的存储器46 中，其可以由SME存取。计算机42能够运行仿真，并且从与这里的讨论一致的现场失效数 据中学习仿真参数。存储器46储存故障模型、假定推测场景、Monte-Carlo仿真、以及与这 里的讨论一致的现场失效数据。计算机42还包括处理器50，处理器50包含比较器52、参 数学习器34和诊断推理器56，其用于基于以下详述将变得十分明显的目的。计算机42提 供了允许SME分析采用合适形式的数据和信息的工具，所述数据和信息例如报告和故障模 型，并且能够显示在显示装置48上。图2是示出了所提议的用于验证故障模型、使其生效并对其加以改善的过程的流 程图10。在过程开始时，故障模型已经关于特定车辆或系统而生成，并且故障模型将被分析以便有效并加以改善。为了实现该目的，将历史数据用于来自现场或另外方式收集的信息 中的有关各种症状以及它们的修理。因此，随着时间过去，关于许多车辆收集的各种现场失 效数据被用于评估当前故障模型，并且为其提供更加合适的改动。例如，通过查看各种识别 的问题或系统，并且研究已经在该系统上进行的解决方案，能够确定为了防止该症状再次 出现何种解决方案是最有效且更可靠的。在框12处，该过程的第一步被称作为“假定推测分析”，其使用了来自各种数据 库、程序、报告等等的SME知识和数据，以便响应于SME、费用、发生频率、操作员步行回家 (walk-home)等等来识别最显著的失效模式，并且确定最明显的症状，即，在考虑了这些症 状的发生和严重性的这些失效模式期间发生的症状。该分析能够确定任意数目的顶级失效 模式(例如，50)，以及任意数目的顶级症状，其中假定推测分析使用了确定和软件途径来 生成场景。在该实施例中，信息和数据能够来自现场失效数据14，如图3中所示，其包括质 保请求数据、DTCs、来自许多不同源(例如，维修店、远程信息服务等等)的操作参数标识符 (PIDs)数据。PIDs识别任意合适的车辆参数，例如，电压、压力、温度、电流等等。数据可以 包括为某些症状、质保请求的DTCs以及其它维修事件采取的何种行动，以及这些系统是否 有效。一旦现场失效数据14以及其它信息已经在框12处如上所述那样评估，那么在框 16处可以进行故障仿真。在框16处执行的操作包括两步，即从现场失效数据14学习参 数和对故障进行仿真。特别地，现场失效数据14可以被用在概率和软件途径中以学习仿真 参数，即，例如，现场失效数据14可以用于学习主要故障的双变量失效分布、关于里程和维 修时间的主要修理的分布、平均劳动成本、其它工时费用、零部件费用、总的部件修理费用 等等；对相同系统的重复访问和多次要求率；在失效模式中的条件概率(例如，劳动代码)、 以及症状(例如，DTCs)；用于仿真间断性故障的故障出现和消失概率；以及学习每一症状 的发生次数和严重性。学习的参数然后被用于在第二步中仿真故障。在一个非限制性实施例中，使用 Monte-Carlo仿真来仿真故障，这对于本领域技术人员而言是已知的。该仿真根据从现场失 效数据14学习的概率分布随机插入大量的失效和症状。该仿真然后能够对使用了双变量 失效分布的永久故障进行仿真，以便对具有现实场景的故障进行仿真，并且对使用了故障 出现和消失概率分布的间断性故障进行仿真，从而在维修保养车间的实际事件和稍后期间 以真实方式来仿真故障。使用故障模型、失效模式中的条件概率和症状来生成症状结果，以 便得到成组的通过症状结果和失效症状结果。一旦在框16处已经执行仿真，那么在框18处合适的人员就能够使用故障模型和 诊断推理来分析假定推测分析器和仿真场景。诊断推理器是这样的算法，其查看各种失效 模式和症状，并且能够确定哪个失效模式对于当前存在于车辆中的症状负责。图4是包括分析算法M的流程图20，分析算法20具有故障模型沈和诊断推理器 观。故障模型26这样的故障模型，其由该过程开发以便当更多现场失效数据和其它信息随 着时间变得可用时被验证、生效和改善，使得最终故障模型26将提供用于基于它们的症状 来识别失效模式的综合工具。故障模型26沿着顶部轴线示出表示为S1^6的症状，以及沿 着竖直轴线表示为F1-Fltl的失效模式。故障模型中的黑点(布尔值或位于0至1之间的分 数值)对应于通过失效症状识别出的失效模式。诊断推理器观分析当前症状，以便根据其几率值提供所估计失效模式的排行次序表。这里所讨论方法可以执行诊断推理器的数量比 较。框22示出了使用了在框12处的假定推测分析和使用了在框16处的仿真的各种场景， 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，其通过框16处的仿真来 提供。所仿真的故障30经由故障模型沈和诊断推理器观被分析，以便生成估计的故障， 其被比较器32与来自算法30的仿真故障进行比较，以便像在框18处的分析那样识别真检 测和假警报率。因而，通过执行假定推测分析并对故障进行仿真，故障模型沈可以生效并 修改，使得症状被更好地连接到失效模式。该过程提供了系统和数量的方式以便通过生成仿真并经由诊断推理器来分析它 们从而基准检测若干诊断推理器。因为相同的场景被送至每个推理器，所以诊断推理器和 比较器的输出可以被比较并基准检测，即，真实检测和假警报率。一旦通过比较器32在估计的故障和仿真的故障之间进行了比较，那么合适的人 员在框34处能够执行IVHM利益分析，以便减小成本。IVHM利益分析将诊断推理器28的检测率和假警报率与修理成本(例如，劳动成 本、工时成本、总成本等等)相关。此外，IVHM利益分析使用了诊断推理结果来计算错误诊 断率、重复访问以及多次请求率中的减少。由于IVHM故障模型和诊断推理的缘故，该分析 还计算了节约。上述详述仅公开并且描述了本发明的示例性实施例。本领域技术人员将容易从这 样的详述和附图及权利要求中认识到能够实现各种变化、修改和变型，而不背离本发明由 所附权利要求所限定的精神和范围。
权利要求
1.一种用于对故障模型进行验证、使其生效并对其加以改善的方法，所述方法包括 提供初始故障模型，其识别车辆的症状和所述车辆中的失效模式之间的关系； 提供现场失效数据，其包括在现场进行操作的许多车辆的车辆症状和车辆失效模式； 使用所述现场失效数据来执行假定推测分析，所述现场失效数据包括使用主题专家SME知识以便确定最明显的失效模式和最明显的症状； 从所述现场失效数据中学习仿真参数； 使用学习的仿真参数仿真故障；使用所述假定推测分析和所述仿真的结果来修正所述初始故障模型； 使用诊断推理器来分析所述修正的故障模型以便生成估计的故障； 将所述估计的故障和所述仿真的故障进行比较以便确定真实检测和假警报率；以及 通过使所述真实检测和假警报率和成本相关来进行利益分析。
2.如权利要求1所述的方法，其中，所述现场失效数据包括质保请求数据、诊断问题码 和参数识别符。
3.如权利要求1所述的方法，其中，执行所述假定推测分析包括根据发生频率、成本和 顾客步行回家的发生情况来确定预定数量的最明显失效模式。
4.如权利要求1所述的方法，其中，执行所述假定推测分析包括根据发生频率和严重 性来确定预定数量的最明显症状。
5.如权利要求1所述的方法，其中，从所述现场失效数据中学习仿真参数包括识别主 要故障的双变量失效分布；确定部件修理的平均劳动成本、其它工时成本、零部件成本和总 成本；确定重复访问和多次请求率；确定失效模式和症状中的条件概率；确定用于仿真间 断性故障的故障出现和消失概率；以及学习症状的发生次数和严重性。
6.如权利要求1所述的方法，其中，对故障进行仿真包括执行MonteCarlo仿真。
7.如权利要求1所述的方法，其中，使用学到的参数对故障进行仿真包括对永久性故 障进行仿真和对间断性故障进行仿真。
8.如权利要求7所述的方法，其中，对永久性故障进行仿真包括使用双变量失效分布 来对具有现实场景的故障进行仿真，而对间断性故障进行仿真包括使用故障出现和消失概 率分布来在实际发生期间和维修车间中以真实方式仿真间断性故障。
9.一种用于对故障模型进行验证、使其生效并对其加以改善的方法，所述方法包括 提供初始故障模型，其识别车辆的症状和所述车辆中的失效模式之间的关系；提供现场失效数据，其包括在现场进行操作的许多车辆的车辆症状和车辆失效模式， 其中所述现场失效数据包括质保请求数据、诊断问题码和操作参数识别符；使用所述现场失效数据来执行假定推测分析，所述现场失效数据包括使用主题专家 SME知识以便确定最明显的失效模式和最明显的症状，其中根据发生频率、成本和顾客步 行回家的发生情况来确定最明显失效模式，并且根据发生频率和严重性来确定最明显的系 统；从所述现场失效数据中学习仿真参数；使用所述学习的仿真参数来对故障进行仿真，包括对永久性故障进行仿真和对间断性 故障进行仿真；使用所述假定推测分析和所述仿真的故障的结果来修正所述初始故障模型；使用诊断推理器来根据几率值提供所述估计的失效模式的排行次序表； 将所述估计的故障和所述仿真的故障进行比较以便确定真实检测和假警报率；以及 通过使用所述真实检测和假警报率来进行利益分析包括，计算因为所故障模型和诊断 推理所致的节约。
10. 一种用于对故障模型进行验证并使其生效的方法，所述方法包括 提供现场失效数据，所述现场失效数据包括与系统中的症状和失效相关的信息； 使用所述现场失效数据来执行假定推测分析，所述现场失效数据包括使用主题专家 SME知识以便确定最明显的失效模式和最明显的症状， 从所述现场失效数据中学习仿真参数； 使用所述学习的仿真参数来对故障进行仿真；以及使用来自所述假定推测分析和所述仿真的故障的所述最明显的失效模式和所述最明 显的症状来校验所述故障模型并使其生效。
全文摘要
本发明涉及用于故障模型验证和生效的以软件为中心的方法。具体地，公开了一种对车辆故障模型进行验证并对其加以改进的方法。该方法包括分析可用的现场失效数据，现场失效数据包括关于许多车辆的车辆症状和失效。该方法使用现场失效数据执行分析，现场失效数据包括使用主题专家知识来确定大多数重要的失效模式和大多数重要的症状。该方法还包括从现场失效数据中学习仿真参数，并使用学习的仿真参数来仿真故障。该方法还包括基于来自假定推测分析和由仿真识别的故障的最明显失效模式和最明显症状来对车辆故障模型进行验证并使其生效，并且使用诊断推理器分析修正的故障模型以生成仿真的故障。该方法然后比较估计的故障和仿真的故障以确定用于利益分析的真实检测和假警报率。
文档编号G06F17/50GK102096730SQ201010588480
公开日2011年6月15日 申请日期2010年12月10日 优先权日2009年12月10日
发明者S·W·霍兰德, S·辛赫 申请人:通用汽车环球科技运作有限责任公司