CN103229148B - 运输车辆的适应性远程维护 - Google Patents

Abstract

通过规则的机器学习（28）提供了运输车辆的一种适应性远程维护。自动更新现存规则或模型。应用机器学习（28）建立更有效的规则集。基于调度部与现行规则结果的交互作用（26），可以取代、归纳、或者适配规则。将事件被调度部接受或丢弃用作基础事实，用于新规则的监督机器学习（28）。机器学习（28）使用用户反馈更新规则集。

Description

运输车辆的适应性远程维护

相关申请

根据35U.S.C.§119(e)，本申请要求以在2010年9月28日提交的、序号为61/387,043的美国临时专利申请的优先权，该申请的内容通过引用包括在本申请中。

技术领域

本发明涉及运输车辆（rolling stocks）的远程维护。监控来自运输车辆诸如火车或卡车的信息，以识别可能需要维护的问题或事项。

背景技术

在典型的基于条件的维护设置中，被监控单元装备有一系列传感器和消息发送装置。在运输车辆中，置于火车或卡车上的控制系统不断地监控原始传感器读数，并且在传感器读数低于或高于预定阈值的情况下创建消息（例如，警报）。各产生的消息具有编码，其限定严重程度以及可应用该消息的单位子系统。另外，各消息具有与该问题或警告发生的时间相对应的时间戳。将消息和传感器读数定期从火车传送至监控站。

车队调度部使用这些消息和传感器读数作为车队性能如何的纵览并且采取行动（例如，发布维护或修理命令）。数据被收集并且不断地进行分析。诊断消息高速并且大量地穿过车队单元流向监控站。使调度部面对人工滤出并分组到一起的不同消息和传感器数据的繁重任务，以便识别实际事件或需要进一步行动的事件。对于大型车队，事件的识别甚至更加繁重。一些消息或传感器读数可能只是与预期发生相关联或者是不令人感兴趣的异常。

为了辅助分析，对该数据应用已经利用可得到的历史数据学习过的一组业务规则或统计模型。然而，这些规则或模型可能无法准确地分组信息，导致调度部的附加工作。

发明内容

在不同实施例中，提供了用于运输车辆适应性远程维护的系统、方法、以及计算机可读介质。自动更新或适应现存规则或模型。应用机器学习以建立更有效的规则集。基于由调度部与现行规则结果的交互作用，可以取代、归纳或者适配规则。将事件被调度部接受或丢弃作为基础事实（groundtruth），用于新规则的监督机器学习。机器学习使用用户反馈来更新规则集。

在第一方面，提供了一种用于运输车辆适应性远程维护的方法。接收关于运输车辆操作的诊断信息。基于对该诊断信息应用多个现行规则，处理器识别多个事件。现行规则和对应事件用于运输车辆的维护事项。接收分配信息并且示出事件相对于各个现行规则的分配。分配与事件确认和事件丢弃相对应。处理器对带有作为基础事实信息的事件确认和事件丢弃的诊断信息应用监督学习。根据监督学习的应用输出新规则。新规则不同于任何现行规则。

在第二方面，提供了一种用于运输车辆适应性远程维护的系统。至少一个存储器可操作以存储来自火车车队子系统的消息、传感器数据、或者消息和传感器数据。处理器构造成接收关于应用现存规则的性能信息，该现存规则用于根据消息、传感器数据、或者消息和传感器数据，识别火车车队的第一类事件。处理器还构造成学习新规则，该新规则根据消息、传感器数据、或者消息和传感器数据识别火车车队的第一类事件。基于性能信息学习新规则。关于消息、传感器数据、或者消息和传感器数据，新规则具有与现存规则不同的时间选择限制、频率限制、或者时间选择和频率限制。

在第三方面，一种非临时性计算机可读存储介质具有存储于其中的数据，这些数据表示用于运输车辆适应性远程维护的、可由程控处理器执行的指令。存储介质包括的指令用于：接收对由运输车辆感测的发生进行表示的数据；观察与对该数据应用现存规则所触发的事件有关的用户行动；以及，由处理器根据该观察以及该数据学习其它规则。

附图说明

上述任何一方面或多方面都可以单独或组合使用。根据下列结合附图阅读的优选实施例的详细描述，这些以及其它方面、特征及优点将明了。本发明由所附权利要求限定，本部分中没有什么作为对那些权利要求的限制。下文结合优选实施例讨论本发明的其它方面及优点，并且可以随后独立地或组合地为这些方面和优点提出权利要求。

图1是用于运输车辆适应性远程维护的方法的一个实施例的流程图；以及

图2是用于运输车辆适应性远程维护的系统的一个实施例的方块图。

具体实施方式

提供了一种适应性规则引擎系统，用于运输车辆的远程维护。运输车辆包括在铁轨上操作的任何供能或不供能的运载工具或车厢。例如，火车头、铁路车辆、客车车厢、以及货车车厢都是运输车辆。在其他实施例中，运输车辆包括在道路上操作的卡车。

对来自运输车辆的数据应用规则，以识别任何维护或保养问题。从被监控单元诸如任何运输车辆中的车辆、或子单元诸如运输车辆中的车辆的一部分（例如，制冷子系统）收集消息以及传感器数据。规则取得实况或者存储的消息和传感器数据馈给作为输入，并且输出事件。事件是所接收数据的分组，让调度部更有效地控制维护而不用单独处理关于同一事项的不同接收数据。例如，独立地检测并发送关于来自制冷单元的信号丢失的消息、以及关于超温读数的消息，但其都与同一事件——制冷单元故障相关联。一些规则可以不正确地产生事件、缺失事件、识别虚假事件、或者不包括关于给定事件的数据的完整分组。

为避免由于不正确事件识别所致的低效率，用于运输车辆的基于条件的维护系统自动地适配现存的、专家限定的业务规则，并且基于诊断消息和传感器数据学习新的、更精确的规则。对用户反馈进行处理，以适配用户限定的规则，改进它们的精确性，推荐改变，甚至提出并非初始规则集一部分的新颖规则。

图1示出一种用于运输车辆适应性远程维护的方法。本方法由或者在计算机、服务器或其它装置上实现，诸如图2中所示。按照所示的次序提供本方法，但也可以提供其它次序。还可以提供另外的、不同的或者更少的动作。例如，不提供通过应用规则识别事件的动作24，以及通过从存储器中获取事件辨别信息执行动作26。对历史数据执行本方法，而不是用动作22中接收的数据实时执行动作24和动作26，也不是实时聚集信息。作为另一示例，使用新规则而不是在动作30中的输出。

在动作22中，接收关于运输车辆操作的诊断信息。数据库、计算机、处理器或其它装置接收诊断信息。接收用无线方式或有线方式。例如，运输车辆是远程的，但位于车站。来自各火车的数据转储在不同时间或不同地点发生，诸如，每逢火车位于有装备的车站。数据转储通过WiFi或装置上的数据传送来发生。将转储的数据在因特网上传送、通过电话系统传输、通过邮寄存储装置或者用别的方式与用于接收诊断信息的地点通信。作为另一示例，运输车辆包括卫星电话或其它移动时的数据传输能力。将数据如生成时那样周期性地、连续地、或者被触发时提供给用于接收诊断信息的地点。

诊断信息是表示由运输车辆感测的发生的数据。运输车辆具有一个或更多子系统，诸如发动机、速度控制、地点确定、制冷、制动、车门操作、泵、货物、设备库存（equipment stocks）、或者用于操作运输车辆中的一个或更多车辆的其他子系统。各子系统包括传感器，诸如电压、电流、温度、压力、光、声或其它传感器。这些传感器检测环境和/或给定子系统、多个子系统、组成部件、整个火车或其它分组的操作。替选地或附加地，子系统包括处理器或电路，用于感测适当的数据处理或计算机操作。这些子系统是按车辆分开的、对于整列火车则是共用的、或者具有其它划分，诸如不同制动子系统用于感测按车辆或按轮式卡车的制动性能。

各子系统的诊断信息由子系统产生。可替选地，将传感器数据路由至处理器，用于产生消息或其它诊断信息，这里处理器与不同子系统交互作用。

诊断信息可以包括传感器数据，诸如原始环境数据。传感器数据可以进行或者不进行处理。例如，将传感器数据时间滤波，使得给出的读数表示一段时间的平均值。传感器数据可以只针对与问题相关联的时间，诸如阈值之上的传感器数据或读数。替选地或附加地，传感器数据是持续的或者表示与事件的时间选择无关的测量。传感器数据可以进行编码，以识别传感器、子系统、车辆、时间、和/或火车。

诊断信息可以包括消息。消息是一种警报，诸如当一个传感器值或多个值超过参数时所产生的消息。替选地，该消息是与正常操作或在容差内操作相关联的周期性消息或监控消息。这些消息可以指示子系统、传感器数据、时间或其它信息。例如，这些消息包括出错严重度码、子系统标识、以及时间。出错严重度码是一种评级，关于与该消息相关联的子系统或问题如何错（例如，超过什么阈值）和/或关于如何重要（例如，发动机对车门电动机）。标识可以包括运输车辆标识符，诸如火车或车辆编号。

在其它实施例中，诊断信息包括传感器数据和消息二者。该组合可以作为消息的一部分（即，消息中的传感器读数）提供，或者可以单独处理。其它诊断信息也是可能的，诸如滤波过的传感器数据或原始传感器数据。

接收的诊断信息可以使用而不用进一步处理。替选地，对诊断信息进行滤波，诸如低通滤波传感器值。一些诊断信息可能并不用于在动作24中应用规则，或者在动作28中学习。这种信息可以丢弃或者不收集。一些诊断信息可以进行组合或进一步处理，以适合在动作24中应用规则中使用，或者用于动作28中的学习，诸如对于同一子系统或不同子系统跨多个传感器进行滤波，以建立一个值或组合值。

接收诊断信息以形成特征矢量，用于动作28中的机器学习。特征矢量是用于计算统计和/或训练机器学习分类器的一列或一组变量。诊断信息提供关于特征矢量的值。任何缺失值可以用平均值或预定值取代。可能请求用户输入缺失值、或者在关于变量的可能值之间做出选择。替选地，在有一个或更多值缺失而机器学习可以进行的情况下，不取代缺失值。

替选地或者附加地，接收诊断信息，以在动作24中应用现存规则。例如，对该消息和/或传感器数据应用现存规则。通过应用现行规则，识别一个或更多事件。处理器对诊断信息应用这些规则。

这些规则识别事件。任何事件都可以识别。事件可以是子系统、系统、或组成部件的故障。事件可以是预测的故障、或者可能的未来故障的指示。事件可以是有关环境的，诸如操作乃至是在潮湿、寒冷、炎热或很可能导致有关检查或取代组成部件的要求的其它情形中。事件可以是一种发生，诸如车门受干扰地打开或者一路上都未关。运输车辆的任何维护事项都可以是一种事件，并且具有对应的规则，以根据诊断信息来检测该事件。

每个事件表示一种数据的集合。将关于特定类型事项的消息和/或传感器读数进行分组。一个事件可以与单一消息和/或单一传感器读数相关联，但也可以改为与多个消息和/或传感器读数相关联。通过分组与各事件相关联的诊断信息，将信息以更有效的方式呈现给调度部。分组或者事件标识帮助压缩巨量的消息和传感器数据，并且，对于车队监控目的，只处理有限数量的通知（事件）。使用规则来分组诊断信息。

这些规则使用消息信息、时间、或者诊断信息中所表示的变量的其它值来识别事件。例如，将同一天内所接收的车门无法关闭的两个或更多消息分组为车门维护事件。关于车门故障的单一消息可能是由于手提箱或箱子处在车门处所致。基于消息或传感器读数和/或时间信息的大量发生，通过规则的应用识别一个或多个事件、或者忽略/丢弃该信息。

所应用的规则由先前适应性规则生成提供。替选地，所应用的规则是由人工输入的、或者历史上使用的规则。例如，人工限定的种集（seed set）。用户（例如专家）限定业务规则，以将这些消息分组成事件。规则可以应用于几个消息（消息编码），并且可以考虑消息发生的数量、以及时间限制。规则可以是只可应用于消息、只可应用于传感器数据、或者可应用于消息和传感器数据的组合。一旦创建了规则的初始集，则系统应用这些规则。

对于消息和传感器按次序的输入流顺序应用这些规则，以建立事件。可以使用关于该顺序的任何标准，诸如按照对应事件的重要性或者严重性的次序。在一种实施例中，至少部分基于关于规则之一和另一的事件的相对数量，在规则另一之前，执行关于规则之一的识别。首先应用与更高频产生的事件相关的规则。因为当将对于消息和传感器数据的复杂限制与大的数据集结合时每个规则的评估会非常昂贵，所以规则引擎可以追踪最“通用”规则，并且在流水线中首先应用它们。也可以使用其它顺序。

在动作26中，接收分配信息。分配信息示出事件相对于各个现行规则的分配。调度部或其他用户回顾事件。如果一个事件值得注意，诸如调度技工或安排作业，则该事件可能已被适当识别或者得到确认。如果该用户忽视、丢弃或拒绝一个事件，则该事件可能未被适当识别。操作人员可以评估所创建的事件，并且由于不相关而丢弃它们中的一些。例如，用户回顾与由规则识别的事件关联的消息和传感器数据，并且确定环境条件（例如，高温）而不是设备故障导致该消息。则拒绝该事件。替选地，用户可以修改一个事件，诸如，由于不相关而去除一个或多个消息，尽管这些消息对于该事件被分组，或者添加没有预先包括在该分组中的一个或多个消息。如果该诊断信息被认为与特定问题不相关，则消息和/或传感器数据子集可以由操作者从该事件中去除。

在动作26中，观察用户行动。处理器记录关于各事件采取的用户导致的行动，并且为了后续分析在关系数据库或基于文件的数据库中存储该行动。行动可以限制于二元集（例如：接受或拒绝）、多重变量集（例如：接收、不确定、拒绝）、或连续分布（例如：0-1）。有限的行动可以映射到接受或拒绝。替选地，处理器记录参照由规则检测的事件所采取的任何行动。响应于对数据应用规则所触发的事件，用户可以使用计算机执行一种或多种行动。观察这些行动。

作为监控事件分配的一部分，根据用户行动计算关于不同规则的统计。对于各规则，根据针对相应规则的事件的分配来计算统计。统计遍及任何期望的时期，诸如关于一个月的分配的统计。系统观察人员行动并且保存与各规则关联的统计。示例统计包括规则激发或者创建一个事件多少次，规则创建的这些事件被取消（丢弃）多少次，对触发事件做了多少次修改，以及对于事件触发最常使用哪些规则。可以使用附加的、不同的、或更少的统计。

在动作28中，对诊断信息应用机器学习。处理器接收输入特征矢量和基础事实信息，以学习在真实事件与不希望的信息之间如何进行区分。可以使用任何机器学习，诸如使用统计模型的监督学习方法（例如，贝叶斯网络）。机器学习确定区分积极和消极事件的分类器。机器训练的分类器是任何一种或多种分类器。可以使用单类或两类分类器、不同分类器的集合、级联分类器、层级分类器、多类分类器、基于模型的分类器、基于机器学习的分类器、或者其组合。多类分类器包括分类回归树（CART）、K-最近邻、神经网络（例如，多层感知器）、混合模型、或其它。可以使用概率增强树（PBT）。可以使用错误校正输出码（ECOC）。在一种实施例中，机器训练分类器是概率增强树分类器。概率增强树（PBT）使分类、识别、以及聚类统一到一种处理中。替选地，使用程序化的、基于知识的特征空间查找或优化方法。

对于基于学习的方法，教导分类器基于特征来辨别。例如，概率模型算法选择性地、基于可用变量的值地组合特征到弱学习器的强委员会中。作为机器学习的一部分，选择一些变量而不选择其它变量。选择那些与适当事件检测具有最强或足够关联或因果关系的变量，而不选择只有少许或没有关联或因果关系的变量。提取与事件识别相关的特征，并且基于训练数据的基础事实在机器算法中进行学习，得到一种概率模型。可以提取任何尺寸的特征池，诸如数十个、数百个、或者数千个变量。该池包括在训练过程期间由机器确定的特征、以及可能是由程序员预先确定的特征。所有诊断信息、一些诊断信息、仅与现行规则下的事件相关联的诊断信息、或者一段时间内的诊断信息的其它分组都可以用作输入特征。训练确定对于给定分类的最确定性的特征，并且丢弃较少或非确定性的特征。对各规则所观察到的接受/拒绝的统计在训练中可以用作输入特征，或者仅仅用于比较，以确定规则的相对性能。

使用计算机根据训练数据集训练分类器。为了准备训练样本集，使用所观察到的关于事件的用户分配作为基础事实。对于事件和/或诊断信息，事件的接受或拒绝表示该基础事实。例如，将对于被接受的事件分组的诊断信息视为被接受的。对于添加至事件的诊断信息或从事件中去除的诊断信息，使用接受（信息的添加）或拒绝（信息的去除）来表示基础事实。

使用关于过去诊断信息的任意数量的记录。例如，使用一个月内的诊断信息、事件、以及分配。可以使用更长或更短的时期，诸如一年内的，以便说明季节性的变化。通过对具有已知分配状态的数十、数百、数千样本使用样本或训练数据，处理器可以确定不同变量与识别合适事件的结果的相互关系。训练数据人工采集、在接收时自动采集、或者挖掘以确定训练数据中的变量值。

一些诊断信息可能不用于训练。例如，与在相关周期内只触发一个或有限个事件的规则相关联的诊断信息可以丢弃。由于用于该规则的样本规模如此小，不使用该事件以及相关的诊断信息进行训练。

训练数据用于待被应用这些规则的运输车辆。通过使用关于同一运输车辆过去的诊断信息和/或事件的数据，确定与该运输车辆的规则最相关的变量或者特征矢量。对于一个车队或另一车队或者运输车辆的其它集合，由机器训练的分类器可以使用不同变量。一些训练数据可以来自其它实体的运输车辆，诸如使用来自具有类似运输车辆的其它实体的一半或者更多的样本。虽然也使用来自其它实体的数据，但来自特定实体（例如，一个公司）的训练数据可能被曲解，或仍然导致不同的机器学习分类器。更大的训练数据集可能是想要的。在替选实施例中，所有训练数据来自其它实体，诸如待由多个不同公司销售或使用的、或者用于不同车队的训练规则。对于多个不同实体，共同地训练适应性规则。

在训练阶段，处理器将监督学习或其它学习应用于将事件确认以及事件丢弃作为基础事实信息的诊断信息。处理器从观察和诊断数据中学习其它规则。通过长期观察用户的行动，系统提出用于从规则集中删除的规则（例如，来自一条规则的事件经常被丢弃），或者在观察到重复的人工干预的情况下，对现存规则提出修改。

训练是一次性地、周期性地或者响应于触发器地进行。例如，负责或者拥有运输车辆车队的公司可能希望对他们的规则进行分析以提高效率。该公司或第三方服务提供者执行机器学习以提供修改的、新的、替代的、或者不同的规则。作为另一示例，学习是持续的，诸如连续不断地或者定期地（例如，接收诊断数据时，或者每月）执行。当新设备、子系统和/或运输车辆添加、取代、改变或者老化时，一条或者更多规则的性能可能会效率较差。通过使用持续学习，有规律地将诊断信息中的差异结合到规则集中。

通过应用将确认事件视作积极情况、而将丢弃事件视作消极情况的监督学习算法，规则学习模块使用丢弃的事件来再校准现存规则。生成的训练集也可以用来学习具有新属性和参数的新规则。每逢训练集得到更新，可以对于新规则测试规则训练模块，以及在准确性胜过或者归纳现存规则的情况下给用户提出新规则。

在动作30中，根据监督学习的应用，输出新规则。所学规则是一种矩阵。该矩阵为特征矢量的不同变量提供权重。基于该矩阵，对特征矢量的值进行加权以及组合。通过输入特征矢量（诊断信息）至该矩阵来应用这些规则。可以使用除了矩阵以外的其它表达法。例如，机器学习可以提供对给定类型事件的最相关诊断信息的所做识别的统计。然后，根据统计信息创建一种规则。可以使用特定数量的消息和/或传感器读数，诸如关于给定事件的差别最悬殊的十个输入。然后，基于变量对输出量的相对贡献，以加权或不加权的方式根据选定变量或诊断信息形成规则。

对于应用，对车队的诊断信息应用事件预测器或机器学习规则。将诊断信息输入至预测器矩阵或规则。基于学习过的统计组合，该矩阵或规则输出任何触发的事件。调度部或其他用户可以对这些事件起作用。用户确认一个或更多事件，诸如通过对运输车辆或子系统分派维护标签或安排工作进行确认。在相信一个或更多事件不重要或者不准确的情况下，用户可以丢弃其。

可以将概率与任何触发事件相关联，以示出该事件真实或正确的可能性。概率信息可以帮助用户处置事件和/或用作关于较早回顾哪些事件的优先权。

输出是给调度部、程序员、或者其他人员的。替选地，输出是给计算机或数据存储装置的，诸如保存该矩阵或者由机器学习的规则的其它形式。

如果准确性胜过或者归纳现存规则，则可以输出新规则。替选地，输出新规则用于与现行规则比较。

规则输出在不论形式的情况下与现存规则（即：建立基础事实所使用的规则）相同或者不同。例如，规则可以与被发现最优的现存规则相同。作为另一示例，提出全新的规则。新规则不同于任何现行规则，诸如依赖于不同消息、传感器数据、或者消息和传感器数据。通过使用不同时期或时期的组合，诸如来自相同或不同瞬间触发时间的第一时期内的两个或更多的一类消息与第二时期内的不同类的一个或更多消息，新规则可以是不同的。新规则可以包括一些相同标准。

新规则可以取代一个或更多现行规则。例如，新规则是两个或更多现行规则的归纳。归纳可能较不准确但效率更高。归纳也可能更加准确但效率低些。准确性表示正确识别事件与错误识别事件的更高比率。效率针对在规则应用方面的计算机处理时间和/或用户回顾事件的时间。规则归纳可以引起更小、更精确的规则集，其与由几个重叠的规则所构成的较大集合相比能更快地应用。

在由动作32表示的一种实施例中，将新规则的性能与现行或旧规则的性能进行比较。基于分配来测试性能。在已知相关用户反馈情况下如果新规则比先前规则表现更好，则新规则将取代或修改现存规则。实施新规则以测试性能。如果由新规则触发的事件的接受率更高（或者拒绝率或变化率更低），新规则取代旧的或现行规则。替选地，通过包括或者不包括在所生成事件中的消息、传感器数据、或者消息和传感器数据的数量来对性能进行测试。假设输入诊断信息相同，则所生成事件的数量可以表示性能。通过包括更多消息和/或生成更少事件，可以认为性能更好。基于先前采集的数据、以及在实时应用或者对于正在接收的实际消息应用之前，按这种方式可以测试性能。也可以使用其它的性能测试。

如果更少事件被丢弃、更多消息包括在事件中、或者用新规则生成更少事件，则新规则可以取代现行规则。性能可以初始判断为在事件分组中是否捕获更多消息。这可以指示该规则将导致更少的事件丢弃。也可以使用关于以新规则取代一条或更多现行规则的其它标准，诸如效率的测量。

对于后继从运输车辆接收的诊断信息可以应用规则输出。生成事件、并且由事件将诊断信息分组，以减少伴随运输车辆识别问题的负担。基于条件的维护可以更容易、更高效和/或更准确地执行。

在对于不同实体、诸如运输车辆的不同车队学习不同的规则或规则集的情况下，在学习中可以包括不同输入特征（诊断信息的类型）、对监督学习的不同限制、或者其他差异。输出规则是特定的和/或可配置的，用于特定运输车辆。替选地，为了更一般的应用而学习这些规则。

通过继续接收分配信息以及被接收的诊断信息，可以再次适配规则集。这些规则可以是再学习的，然而更优化。

图2是用于实现本文所描述实施例如运输车辆的适应性远程维护的示例计算机处理系统100的方块图。本系统、方法和/或计算机可读介质可以用硬件、软件、固件、专用处理器或其组合的不同形式实现。一些实施例以软件实现为有形地实施于非临时性程序存储装置上的程序。通过以系统或程序实现，提供了适应于用户反馈的完全或半自动的规则生成。

系统100用于运输车辆的适应性远程维护。替选地或者附加地，系统100用于应用规则。系统100是用于维护或者操作运输车辆的系统的一部分。替选地，系统100用于学习规则，这些规则然后提供给独立的系统以便应用。

系统100是计算机、个人计算机、服务器、工作站、调度系统、网络处理器、或者其它现在已知的或未来开发的处理系统。系统100包括至少一个处理器（下文称为处理器）102，其经由系统总线104可操作地耦合至其它组成部件。处理器102实现作为系统100的一部分或多个系统的操作。只读存储器（ROM）106、随机存取存储器（RAM）108、I/O（输入/输出）接口110、网络接口112、以及外部存储器114连同处理器102一起可操作地耦合至系统总线104。不同的外围设备，诸如显示装置、碟片存储装置（例如，磁盘或光盘存储装置）、键盘、打印装置、以及鼠标，可以经由I/O接口110或网络接口112可操作地耦合至系统总线104。取代系统总线104，也可以使用直接连接。

程序可以上传至包括任何适当结构的处理器102或由其执行。类似地，处理策略可以包括多处理、多任务、并行处理等。处理器102实现在具有硬件诸如一个或更多中央处理单元（CPU）、随机存取存储器（RAM）、以及输入/输出（I/O）接口的计算机平台上。该计算机平台还包括操作系统和微指令代码。本文所描述的不同处理及功能可以是经由操作系统执行的部分微指令代码或者部分程序（或其组合）。替选地，处理器102是网络中的和/或调度系统上的一个或更多处理器。

计算机系统100可以是一种独立的系统，或者经由网络接口112与网络链接。网络接口112可以是硬件接口。然而，在不同示范实施例中，网络接口112可以包括适合于与其它装置来回传送信息的任何装置，诸如通用异步接收器/发送器（UART）、并行数字接口、软件接口、或者已知的或后来开发的软件及硬件的任何组合。网络接口可以链接至不同类型的网络，包括局域网（LAN）、广域网（WAN）、内部网络、虚拟私人网络（VPN）、以及因特网。

指令、用户反馈（分配信息）、规则、和/或诊断信息存储在非临时性计算机可读存储器中，诸如外部存储器114、RAM108、ROM106、和/或本地存储器（例如，固态驱动器或硬盘驱动器）。相同或者不同的计算机可读介质可以用于指令及其它数据。外部存储器114可以使用由处理器102管理并且驻留在存储器诸如硬盘、RAM、或移动介质上的数据库管理系统（DBMS）实现。替选地，存储器114内建于处理器102（例如，缓存）。外部存储器114可以实现在一个或更多附加计算机系统上。外部存储器114、内存储器、其它计算机可读介质、或者其组合存储关于至少一队或一组运输车辆的数据。数据可以分布在多个存储装置之间或者存储在一个位置。

存储用于训练机器学习分类器的数据或规则。存储来自火车车队子系统的消息、传感器数据、或者消息和传感器数据。训练数据还包括事件信息，包括触发事件的分配。替选地或附加地，存储用于应用机器学习分类器的数据。该数据包括用于将诊断信息编译成事件的规则。

在计算机可读存储介质或存储器诸如缓存、缓冲器、RAM、可移动介质、硬盘驱动器或其他计算机可读存储介质上，提供用于实现本文所讨论的处理、方法和/或技术的指令。计算机可读存储介质包括不同类型的易失和非易失存储介质。响应于存储在计算机可读存储介质上或存储于其中的一组或更多组指令，执行附图中所示的或本文所描述的功能、动作或任务。功能、动作或任务与特定类型的指令组、存储介质、处理器或处理策略无关，并且可以由软件、硬件、集成电路、固件、微代码等单独操作或组合操作执行。

在一种实施例中，将指令存储在可移动介质装置上，以由本地或远程系统读取。在其它实施例中，将指令存储在远程位置，以通过计算机网络或经由电话线传送。在又一些实施例中，将指令存储在给定的计算机、CPU、GPU（图形处理器）或系统中。因为附图中所描绘的一些构成系统部件以及方法步骤适宜以软件实现，取决于编程本实施例所用的方式，系统组成部件（或处理步骤）之间的实际连接可能有所不同。

处理器102由指令构造成接收性能信息、诊断信息和/或规则。接收是通过来自存储器的上载或通过转移来进行的。接收针对火车或其它运输车辆的车队或者为其而归纳的数据。

性能信息用于现存规则的应用。应用该规则时，产生事件。事件的接收、丢弃、或改变指示性能。使用性能信息作为反馈。

每个规则针对一类事件。例如，一条规则识别与特定系统甚至特定子系统的特定部件相关的问题。一条或更多规则可以是更通用的，诸如识别与一个或更多组件相关联的事件类。一个或更多的规则可以产生不同类型的事件，诸如识别关于同一子系统的不同问题。

处理器102接收诊断信息。接收消息、传感器数据、消息和传感器数据二者、或者指示车队操作的其它信息。

处理器102构造成学习一条或更多规则，诸如学习收编一条或更多规则的分类器。可以使用任何机器学习过程或程序，诸如统计模型（例如，贝叶斯网络）。

对于训练，处理器102确定不同变量对结果、被接受事件的相对或统计贡献。程序员可以选择要考虑的变量。程序员可以影响训练，诸如对变量个数指定限制和/或要求包括待用作最终分类器的输入特征矢量的一个或更多变量。通过训练，分类器识别对可接受事件有贡献的变量。

机器学习对新规则进行学习。新规则用于识别火车车队的一类或更多类事件。使用消息、传感器数据、消息和传感器数据二者、或者其它数据来学习数据与结果之间的统计关系。性能信息指示输出量，因而，基于性能信息学习新规则。使用基于现存规则的一类或多类事件的接受或拒绝来创建新规则。在监控火车车队用于维护问题的同时，可以基于性能信息的用户创建来学习新规则。因此简化基础事实的聚集，避免专家不得不分析训练数据。

新规则具有时间限制、频率限制、时间和频率限制二者、或者其它限制。时间限制可以指示一定水平的传感器读数之间的、或相同或不同类型消息之间的可接受时期。频率限制可以表示一定水平的传感器区域或者一类或多类消息出现的数量。这些限制限定用来识别事件的规则或标准。

对于新规则，可以使用不同的限制。新规则可以附加地或者替选地包括不同消息、传感器数据、或者消息和传感器数据二者，以触发事件。新规则不同于现存规则。新规则可以是现存规则的改进和/或该现存规则与另一现存规则的归纳。

对于应用，处理器102对接收的数据（例如，消息、传感器数据、或其它诊断信息）应用得到的（机器学习的）统计模型或规则。不同处理器可以应用这些规则。这些规则可以应用于测试，诸如测量性能差异。替选地，规则应用为用于由调度部使用，或者与运输车辆一起使用。随着输入到机器学习的矩阵中，将接收的数据应用于规则。基于输入，矩阵输出事件是否是适当的。由于创建了规则，使用在信息缺失情况下可操作或可用的机器学习过程。

在附加的实施例中，处理器102构造成区分规则应用的优先次序。使用对事件和对应规则的统计来控制首先将哪些规则应用于该数据。例如，为各类事件提供不同的分类器或规则。首先应用与更经常触发的事件相关联的规则。所接收的诊断信息对于给定规则一进行分析并且没有触发事件，就应用优先级表中的下一规则。一旦诊断信息触发了事件，则不可以应用其它规则，节省处理时间。

可以使用与事件产生的相对频率不同的其它标准，以区分这些规则的优先次序。例如，优先级是按照事件的类型，其中，在较不时间关键的事件（例如，车门故障）的规则之前，应用较为时间关键的事件（例如，引擎或制冷故障）的规则。

本文所描述的不同改进可以一起或单独使用。这里虽然参照附图描述了本发明的说明性实施例，但应当理解，本发明并不局限于这些确切实施例，本领域的技术人员可以做出各种其它改变以及改进，而不脱离本发明的范围或精神。

Claims (16)

1.一种用于运输车辆适应性远程维护的方法，所述方法包括：

接收关于运输车辆操作的诊断信息；

基于对所述诊断信息应用的多个现行规则，由处理器(102)识别多个事件，所述现行规则和对应事件是关于所述运输车辆的维护事项；

接收分配信息，所述分配信息示出所述事件相对于各个所述现行规则的分配，所述分配与事件确认和事件丢弃相对应；

由所述处理器(102)对带有作为基础事实信息的事件确认和事件丢弃的所述诊断信息应用监督学习；以及

根据所述监督学习的应用输出新规则，所述新规则不同于任何所述现行规则，

应用所述新规则，并且

发布用于运输车辆的修理和维护命令。

2.根据权利要求1所述的方法，其中输出所述新规则包括用所述新规则取代多个所述现行规则。

3.根据权利要求1所述的方法，其中输出所述新规则包括取代所述现行规则中的一个现行规则。

4.根据权利要求3所述的方法，进一步包括：

测试所述现行规则中的所述一个现行规则的性能；以及

测试所述新规则的性能；

其中，当与所述现行规则中的所述一个现行规则的性能相比所述新规则的性能引起更少事件丢弃时，执行所述取代。

5.根据权利要求1所述的方法，其中，接收所述诊断信息包括接收具有出错严重度码、子系统标识和时间的消息。

6.根据权利要求1所述的方法，其中，接收所述诊断信息包括接收传感器读数。

7.根据权利要求1所述的方法，其中，识别所述事件包括将所述诊断信息与各事件相关联地分组。

8.根据权利要求1所述的方法，其中，识别所述事件包括基于诊断信息的发生数量和时间限制应用所述现行规则。

9.根据权利要求1所述的方法，其中，应用所述监督学习包括计算关于各所述规则的统计，对于相应的所述规则根据事件的所述分配计算所述统计。

10.根据权利要求1所述的方法，进一步包括：

至少部分基于所述规则中的一个规则和另一规则的事件的相对数量，在所述规则的所述另一规则之前执行所述规则中的所述一个规则的识别。

11.一种用于运输车辆适应性远程维护的系统，所述系统包括：

至少一个存储器(114)，所述存储器能够操作以存储来自火车车队子系统的消息、传感器数据、或者消息和传感器数据；以及处理器(102)，所述处理器构造成：

接收关于应用现行规则的性能信息，所述现行规则用于根据所述消息、所述传感器数据、或者所述消息和所述传感器数据来识别所述火车车队事件的第一类型；以及

学习新规则，所述新规则根据所述消息、所述传感器数据、或者所述消息和所述传感器数据识别所述火车车队事件的所述第一类型，对于所述消息、传感器数据、或者消息和传感器数据，所述新规则具有与所述现行规则不同的时间选择限制、频率限制、或者时间选择和频率限制，所述新规则基于所述性能信息来学习，

应用所述新规则，并且

发布用于运输车辆的修理和维护命令。

12.根据权利要求11所述的系统，其中，所述新规则是所述现行规则的修改。

13.根据权利要求11所述的系统，其中，所述新规则是所述现行规则与其它现行规则的归纳。

14.根据权利要求11所述的系统，其中，所述处理器(102)构造成，区分所述新规则相对于其它规则的优先次序，使得在另外的规则之前应用与事件的包括所述第一类型的、更经常发生的类型相关联的规则。

15.根据权利要求11所述的系统，其中，所述性能信息包括基于所述现行规则接受和拒绝所述第一类型的事件。

16.根据权利要求15所述的系统，其中，所述处理器(102)构造成，在针对维护问题监控所述火车车队的同时，基于用户创建的所述性能信息进行学习。