CN105667462A - 连接的车辆系统的磨损估计与保养计划的方法和设备 - Google Patents
连接的车辆系统的磨损估计与保养计划的方法和设备 Download PDFInfo
- Publication number
- CN105667462A CN105667462A CN201510895217.8A CN201510895217A CN105667462A CN 105667462 A CN105667462 A CN 105667462A CN 201510895217 A CN201510895217 A CN 201510895217A CN 105667462 A CN105667462 A CN 105667462A
- Authority
- CN
- China
- Prior art keywords
- data
- wear
- vehicle
- treater
- brake
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims description 49
- 238000000034 method Methods 0.000 title description 86
- 238000005299 abrasion Methods 0.000 claims description 33
- 230000008439 repair process Effects 0.000 claims description 15
- 230000007935 neutral effect Effects 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000006116 polymerization reaction Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 5
- 230000015556 catabolic process Effects 0.000 claims 1
- 238000006731 degradation reaction Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 50
- 230000008859 change Effects 0.000 description 14
- 238000004891 communication Methods 0.000 description 12
- 238000012544 monitoring process Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 230000007850 degeneration Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000010267 cellular communication Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000002783 friction material Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000979 retarding effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- GOLXNESZZPUPJE-UHFFFAOYSA-N spiromesifen Chemical compound CC1=CC(C)=CC(C)=C1C(C(O1)=O)=C(OC(=O)CC(C)(C)C)C11CCCC1 GOLXNESZZPUPJE-UHFFFAOYSA-N 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60S—SERVICING, CLEANING, REPAIRING, SUPPORTING, LIFTING, OR MANOEUVRING OF VEHICLES, NOT OTHERWISE PROVIDED FOR
- B60S5/00—Servicing, maintaining, repairing, or refitting of vehicles
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Braking Arrangements (AREA)
- Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)
Abstract
本公开涉及连接的车辆系统的磨损估计与保养计划的方法和设备。一种系统包括:处理器,被配置为接收车辆标识数据。处理器还被配置为:接收来自车辆系统使用事件的系统磨损相关数据。处理器还被配置为:聚合系统磨损相关数据。此外,处理器被配置为:将系统磨损相关数据与从进行了实际磨损测量的车辆收集的数据进行比较,以确定预测的系统磨损状态。此外,处理器被配置为:确定预测的磨损状态是否超过更换阈值;基于预测的磨损状态超过更换阈值来推荐系统维修。
Description
技术领域
说明性实施例总体上涉及一种用于连接的车辆系统的磨损估计与保养计划的方法和设备。
背景技术
包括例如连接的车辆的物联网创造了用于车辆维修和保养的改变游戏规则的机会。用于将来自车辆的通信传输到原始设备制造商、经销商并将响应通信传输回到驾驶员的能力提供了在先前的历史中未匹配的客户维修水平。车辆连接允许更好地预知客户需求和按需的客户与车辆的通信,产生了用于提高客户满意度和品牌忠诚度的机会。
已开发了各种策略用于提供制动块厚度的估计。一种方法是利用传感器融合(如果使用的话)和驾驶员制动建模来预测车辆制动块寿命。利用使用各种输入(诸如,制动块摩擦材料性能、制动块冷却率、制动温度、车辆质量、道路坡度、重量分布、制动压力、制动能量、制动功率等)的算法来提供估计。所述方法利用总功减去损耗(诸如,空气动力阻力、发动机制动)和/或制动功率(根据制动扭矩乘以速度除以滚动阻力),来确定制动盘和制动衬片的温度。然后所述方法使用制动温度来确定制动块磨损,其中,磨损因每个制动事件而累积。制动块传感器可被包括以提供制动块厚度的一个或更多个指示,可根据所述指示来修正估计。
在另一策略中,用于增强车辆诊断和预诊算法并改善车辆保养实践的系统和方法包括:从车辆组件、子系统和系统收集数据,并将收集的数据存储在数据库中。收集并存储的数据可来源于针对相似车辆或相似组件的多个源,并可包括各种类型的故障代码和工作代码以及其它信息,诸如,操作数据和故障物理学数据,它们可以一起被融合。所述方法产生针对不同车辆组件、子系统和系统的分类,并使用存储在数据库中的数据的数据挖掘技术来建立针对每一类的特征提取器。所述方法还产生对每一类的特征进行分类的分类器。特征提取器和特征分类器用于确定对于车辆组件、子系统或系统,故障状况何时发生。
发明内容
在第一说明性实施例中,一种系统包括:处理器,被配置为接收车辆标识数据。处理器还被配置为:接收来自车辆系统使用事件的系统磨损相关数据。处理器还被配置为:聚合系统磨损相关数据。此外,处理器被配置为:将系统磨损相关数据与从进行了实际磨损测量的车辆收集的数据进行比较,以确定预测的系统磨损状态。此外,处理器被配置为:确定预测的所述磨损状态是否超过更换阈值;基于预测的所述磨损状态超过更换阈值来推荐系统维修。
在第二说明性实施例中,一种系统包括:处理器,被配置为接收车辆标识数据。处理器还被配置为:接收来自车辆系统使用事件的制动器磨损相关数据。此外,处理器被配置为聚合制动器磨损相关数据。处理器还被配置为:将制动器磨损相关数据与从进行了实际磨损测量的车辆收集的数据进行比较,以确定预测的制动器磨损状态。此外,处理器被配置为:确定预测的所述磨损状态是否超过更换阈值;基于预测的所述磨损状态超过更换阈值来推荐制动器维修。
在第三说明性实施例中,一种非暂时性计算机可读存储介质,存储了当被执行时使处理器执行包括接收车辆标识数据的方法的指令。所述方法还包括:接收来自车辆系统使用事件的系统磨损相关数据。此外,所述方法包括:聚合系统磨损相关数据;将系统磨损相关数据与从进行了实际磨损测量的车辆收集的数据进行比较,以确定预测的系统磨损状态。。此外,所述方法包括:确定预测的所述磨损状态是否超过更换阈值;基于预测的所述磨损状态超过更换阈值来推荐系统维修。
根据本发明的说明性实施例,所述方法还包括:基于与测量了实际磨损数据的车辆的已知磨损相比较、表现预测使用的观测到的使用,来确定直至更换为止的估计时间,其中,所述测量了实际磨损数据的车辆呈现与所述预测使用类似的使用。
根据本发明的说明性实施例,所述方法还包括:处理器还被配置为:向驾驶员报告直至更换为止的估计时间。
根据本发明的说明性实施例,所述方法还包括:针对车辆记录存储聚合的估计磨损,其中,车辆记录基于接收到的车辆标识数据被识别。
根据本发明的说明性实施例,所述方法还包括:响应于推荐系统维修来请求一个或更多个可用维修时间空档的传输。
根据本发明的说明性实施例,所述方法还包括:接收维修时间空档的客户选择。
附图说明
图1示出了说明性车辆计算系统;
图2A示出了说明性车辆系统的磨损相关数据报告和维修计划系统;
图2B示出了实际数据将针对特定系统被收集的一些说明性示例;
图3示出了用于报告制动器磨损数据和计划维修的说明性处理;
图4示出了用于制动器磨损评估的说明性处理;
图5示出了用于制动器磨损估计建模的更新处理。
具体实施方式
根据需要,在此公开本发明的具体实施例;然而,应当理解的是,所公开的实施例仅为本发明的示例,其可以以多种替代形式实施。附图无需按比例绘制;可夸大或最小化一些特征以示出特定组件的细节。因此,此处所公开的具体结构和功能细节不应被解释为限制,而仅仅作为教导本领域技术人员以多种形式利用本发明的代表性基础。
图1示出了用于车辆31的基于车辆的计算系统(VCS)1的示例框式拓扑图。这种基于车辆的计算系统1的示例为由福特汽车公司制造的SYNC系统。设置有基于车辆的计算系统的车辆可包含位于车辆中的可视前端界面4。如果所述界面设置有例如触敏屏幕,则用户还能够与所述界面进行交互。在另一说明性实施例中,通过按钮按压、具有自动语音识别和语音合成的口语对话系统来进行交互。
在图1所示的说明性实施例1中,处理器3控制基于车辆的计算系统的至少一部分操作。设置在车辆内的处理器允许对命令和程序进行车载处理。另外,处理器连接到非持久性存储器5和持久性存储器7两者。在此说明性实施例中,非持久性存储器是随机存取存储器(RAM),持久性存储器是硬盘驱动器(HDD)或闪存。一般说来,持久性(非暂时性)存储器可包括当计算机或其它装置掉电时保持数据的所有形式的存储器。这些存储器包括但不限于:HDD、CD、DVD、磁带、固态驱动器、便携式USB驱动器和任何其它适当形式的持久性存储器。
处理器还设置有允许用户与处理器进行交互的若干不同的输入。在此说明性实施例中,麦克风29、辅助输入25(用于输入33)、USB输入23、GPS输入24、屏幕4(可为触摸屏显示器)和蓝牙输入15全部被设置。还设置有输入选择器51,以允许用户在各种输入之间进行切换。麦克风和辅助连接器两者的输入在被传送到处理器之前,由转换器27对所述输入进行模数转换。尽管未示出,但是与VCS进行通信的众多车辆组件和辅助组件可使用车辆网络(诸如但不限于CAN总线)向VCS(或其组件)传送数据并传送来自VCS(或其组件)的数据。
系统的输出可包括但不限于视觉显示器4以及扬声器13或立体声系统输出。扬声器连接到放大器11,并通过数模转换器9从处理器3接收其信号。还可分别沿19和21所示的双向数据流产生到远程蓝牙装置(诸如PND54)或USB装置(诸如车辆导航装置60)的输出。
在一说明性实施例中,系统1使用蓝牙收发器15与用户的移动装置53(例如,蜂窝电话、智能电话、PDA或具有无线远程网络连接能力的任何其它装置)进行通信(17)。移动装置随后可用于通过例如与蜂窝塔57的通信(55)来与车辆31外部的网络61进行通信(59)。在一些实施例中,蜂窝塔57可以是WiFi接入点。
移动装置与蓝牙收发器之间的示例性通信由信号14表示。
可通过按钮52或类似的输入来指示将移动装置53与蓝牙收发器15进行配对。相应地,CPU被指示车载蓝牙收发器将与移动装置中的蓝牙收发器进行配对。
可利用例如与移动装置53关联的数据计划、话上数据或DTMF音在CPU3与网络61之间传送数据。可选地,可期望包括具有天线18的车载调制解调器63,以便在CPU3与网络61之间通过语音频带传送(16)数据。移动装置53随后可用于通过例如与蜂窝塔57的通信(55)来与车辆31外部的网络61进行通信(59)。在一些实施例中,调制解调器63可与蜂窝塔57建立通信(20),以与网络61进行通信。作为非限制性示例,调制解调器63可以是USB蜂窝调制解调器,并且通信20可以是蜂窝通信。
在一说明性实施例中,处理器设置有包括用于与调制解调器应用软件进行通信的API的操作系统。调制解调器应用软件可访问蓝牙收发器上的嵌入式模块或固件,以完成与(诸如在移动装置中发现的)远程蓝牙收发器的无线通信。蓝牙是IEEE802PAN(个域网)协议的子集。IEEE802LAN(局域网)协议包括Wi-Fi并与IEEE802PAN具有相当多的交叉功能。两者都适合于车辆内的无线通信。可在该领域使用的其它通信方式是自由空间光通信(诸如IrDA)和非标准化消费者IR协议。
在另一实施例中,移动装置53包括用于语音频带或宽带数据通信的调制解调器。在话上数据的实施例中,当移动装置的拥有者可在数据被传送的同时通过装置说话时,可实施已知为频分复用的技术。在其它时间,当拥有者没有在使用装置时,数据传送可使用整个带宽(在一示例中是300Hz至3.4kHz)。尽管频分复用对于车辆与互联网之间的模拟蜂窝通信而言会是常见的并仍在被使用,但其已经很大程度上被用于数字蜂窝通信的码域多址(CDMA)、时域多址(TDMA)、空域多址(SDMA)的混合体所替代。这些都是ITUIMT-2000(3G)兼容的标准,为静止或行走的用户提供高达2mbps的数据速率,并为在移动的车辆中的用户提供高达385kbps的数据速率。3G标准现在正被IMT-Advanced(4G)所替代,其中,所述IMT-Advanced(4G)为在车辆中的用户提供100mbps的数据速率,并为静止的用户提供1gbps的数据速率。如果用户具有与移动装置关联的数据计划,则所述数据计划可允许宽带传输且所述系统可使用宽得多的带宽(加速数据传送)。在另一实施例中,移动装置53被安装至车辆31的蜂窝通信装置(未示出)所替代。在另一实施例中,移动装置(ND)53可以是能够通过例如(而非限制)802.11g网络(即Wi-Fi)或WiMax网络进行通信的无线局域网(LAN)装置。
在一实施例中,传入数据可经由话上数据或数据计划穿过移动装置、穿过车载蓝牙收发器,并进入车辆的内部处理器3。例如,在某些临时数据的情况下,数据可被存储在HDD或其它存储介质7上,直至不再需要所述数据时为止。
其它的可与车辆进行接口连接的源包括:具有例如USB连接56和/或天线58的个人导航装置54、具有USB62或其它连接的车辆导航装置60、车载GPS装置24、或与网络61连接的远程导航系统(未示出)。USB是一类串行联网协议中的一种。IEEE1394(火线TM(苹果)、i.LINKTM(索尼)和LynxTM(德州仪器))、EIA(电子工业协会)串行协议、IEEE1284(Centronics端口)、S/PDIF(索尼/飞利浦数字互连格式)和USB-IF(USB开发者论坛)形成了装置-装置串行标准的骨干。多数协议可针对电通信或光通信来实施。
此外,CPU可与各种其它的辅助装置65进行通信。这些装置可通过无线连接67或有线连接69来连接。辅助装置65可包括但不限于个人媒体播放器、无线保健装置、便携式计算机等。
此外或可选地,可使用例如Wi-Fi(IEEE803.11)收发器71将CPU连接到基于车辆的无线路由器73。这可允许CPU在本地路由器73的范围内连接到远程网络。
除了由位于车辆中的车辆计算系统执行示例性处理之外,在某些实施例中,还可由与车辆计算系统进行通信的计算系统来执行示例性处理。这样的系统可包括但不限于:无线装置(例如但不限于移动电话)或通过无线装置连接的远程计算系统(例如但不限于服务器)。这样的系统可被统称为与车辆关联的计算系统(VACS)。在某些实施例中,VACS的特定组件可根据系统的特定实施而执行处理的特定部分。通过示例而并非限制的方式,如果处理具有与配对的无线装置进行发送或者接收信息的步骤,则很可能无线装置不执行该处理,这是因为无线装置不会与自身进行信息的“发送和接收”。本领域的普通技术人员将理解何时不适合对给定解决方案应用特定的计算系统。
在此讨论的每个说明性实施例中,示出了可由计算系统执行的处理的示例性非限制性示例。针对每个处理,为了执行处理的有限的目的,执行处理的计算系统被配置为用于执行处理的专用处理器是可行的。所有处理不需要被全部执行,并且被理解为是可被执行以实现本发明的要素的处理类型的示例。可以如期望地添加附加步骤或将附加步骤从示例性处理中去除。
图2A示出了说明性车辆系统的磨损相关数据报告和维修计划系统。在图2A所示的说明性示例中,配备有调制解调器的车辆201可利用远程信息处理控制单元或连接了OBD(车载诊断)的调制解调器,例如,用于持续监测可能影响车辆系统磨损的车辆因素。在说明性示例中,特定示例针对制动器磨损而给出,但是应理解的是,在此示出的技术和处理可被应用于多种机械和电气系统。本质上,示出车辆可测量数据和实际部件磨损或退化之间的标志性关联的任何系统是包括在说明性实施例中的备选系统。
针对制动器,车辆可测量数据包括但不限于:车辆减速度、车辆速度、环境温度、环境湿度、车辆位置、粗暴停车、横摆、侧向加速度、制动器接合(engagementofbrake)等。这些信息可从车辆传感器中被检索到并被提供给车辆网络,诸如,CAN网络。远程信息处理控制单元或其它调制解调器/通信提供装置可从CAN或其它车辆网络获得包括这种数据的消息,并将该数据传输到远程服务器。在其它机械系统中,具有与机械系统的退化的标志性关联的可测量机械数据(整个使用过程和在使用(utilization)期间施加的各种力,一般以组合方式称为工作循环(dutycycle))可被测量并如同针对制动系统描述的来使用,以估计机械系统的磨损。以类似方式,对于使用和电测量值与电系统的退化相关联的电系统,根据说明性实施例,上述因素可被用作针对系统的“磨损”的代理。
远程服务器203可通过车辆标识码(VIN)和时间来聚合(aggregate)接收到的数据,使得用于日常车辆系统使用的模型可针对单独的车辆而被获得。用于各种车辆的所述聚合的数据可用于建立持续学习系统磨损模型(在该示例中为制动块磨损模型)。通过制动耗散的能量(例如,车辆减速度乘以质量随时间的积分、或者在制动事件之前和之后的车辆动能之间的差)与制动块更换频率之间的关联可被获得。这些还可随着位置和环境状况的变化而变化。通过在车辆使其制动器被维修时检查实际的制动块磨损,结果的准确性可随着时间推移而被改善。
通过提供这种用于大量车辆的计算,可获得作为车辆工作循环和位置/环境的函数的保养事件的统计模型。利用该模型,监测系统205可通过推断每个车辆的工作循环并将工作循环与统计保养阈值(例如,制动器磨损到满足更换条件的点)进行比较,来预测何时需要制动块更换。当观测/预测到超过所述阈值时,会针对车辆产生维修推荐。
对于给定监测集(“车队”)中的全部车辆,工作循环数据可以以相对低的成本来被持续监测。这些通常涉及可基于能使用当前安装的车辆系统观测的数据进行的计算和现有的传感器。例如,利用制动模型,耗散的能量被测量为车辆减速度乘以质量随时间的积分,从而得到制动事件之前和之后的车辆动能之间的变化量。由于车辆质量通常是已知的并且减速度可容易地被测量,因此,无需车辆中的附加传感器来获得上述数据。
数据本身与其它先前被测量和观测的数据一起被聚合,以发展成至当前(或者例如自上一系统修理至当前)的针对车辆的聚合“工作循环”(即,使用和在使用期间观测到的可施加的力)。该工作循环可与相似车辆的已知阈值相比较,所述已知阈值通过从选定的车辆子集中获得实际磨损值并记录与上述磨损值关联的实际工作循环来得到。所述实际磨损值无需针对全部车辆被测量,针对一些相似配备的车辆子集测量磨损值并推断具有相似工作循环值的相似车辆的可能的磨损值已经足够了。如果针对给定车辆的测量数据指示出系统磨损需要修理的可能性(基于车辆的测量的工作循环与用于表现在测量值处的系统磨损的明确已知的车辆工作循环相比较),则维修推荐可被产生。
一旦维修推荐已被产生,则维修推荐可被发送到修车厂系统管理代理器(broker)209(207),修车厂系统管理代理器209用于对针对请求被识别的特定车辆安排维修。该系统可管理一个或更多个修车厂/经销商,并可负责对管理的位置安排保养。在找到用于维修制动器的可用时间空档(timeslot)之后,处理可将维修提议发送到车辆(211),以传递给车辆驾驶员。这可包括某些数量的推荐时间和/或位置,并可以以可选的格式(例如,通过触摸响应、语音响应等)被呈现给驾驶员。
一旦客户接受了可用的时间空档,则处理可向特定修车厂发送响应(213),使得修车厂在商定的时间等候客户。然后客户可到达修车厂215,并且维修被执行。
在说明性示例中,根据对基于估计的磨损的制动器修理的估计需求来执行维修。因此,检查制动块的实际磨损以确定磨损估计实际的准确程度可能是有用的。一旦制动块已被更换,则数据(通过管理系统代理器或直接)可被发送到监测系统(219),以更新制动块的模型,以使未来的建模更准确地反映维修时的制动块的实际状态。
图2B示出了可针对示例性制动系统测量的大量(但不是穷尽的)磨损影响变量的说明性示例。这并不意图以任何方式进行限制,而只是说明可针对系统被收集的数据,所述数据用于与系统的近似磨损和可被该数据影响的变量的比较。
例如,在该说明性实施例中,环境瞬时温度202可以是针对制动器操作温度264的因素。目标车辆204可具有关联的数据,所述关联的数据指示:制动系统设计226、有效载荷质量228(可被估计或测量)、设计几何结构246、车辆质量248、初始制动块厚度256、可容许的制动块厚度258和散热容量262(如可从该模型看出的,一些数据没有被测量而仅是与车辆品牌/型号/车系(vehiclemake/model/line)等相关的数据)。
瞬时升高206和瞬时速度208可分别用于确定瞬时势能254和瞬时动能244。时间标识230、232指示了制动系统的瞬时开启/关闭状态210,进而可用于确定制动事件能量260和制动粗暴(harshness)250。类似地,点火开关(ignition)时间标识234、236表示点火开关接通/断开状态214,点火开关时间标识234、236可以是制动操作温度中的因素。其它瞬时可测量值(诸如,加速度212、湿度216、车辆俯仰(pitch)218、车辆位置220和日期222)影响多个制动器计算。GPS位置可用于确定地形类型238和工作循环252。许多数据可用于“猜测”累积的瞬时磨损266和瞬时制动块厚度268,进而可用于推断剩余制动块寿命270。在预期制动块将超过可接受的厚度阈值之前的特定天数272,处理可产生保养通知274。
同时,针对选定的车辆群,检查事件224基于以上因素中的一些或全部而产生实际的制动块厚度数据。该实际数据可针对所述以上因素中的一些或全部被存储,并且所述数据可与尚未发生检查事件的路上的车辆的数据相比较。对于包括具有相似机械性能的制动器(对于该示例而言)并表现相似可测量值的车辆,假定这些车辆中的制动器磨损近似于发生了检查事件的车辆中的观测到的制动器磨损。实际的制动块厚度240和日期标识242也被记录,因此,后续测量将基于自上一日期标识起测量的因素来呈现退化(允许针对未进行实际测量的车辆进行进一步推断)。
图3示出了用于报告制动器磨损数据和计划维修的说明性处理。针对在该附图中描述的说明性实施例,应该注意的是,通用处理器可出于执行在此示出的示例性方法的部分或全部的目的而被临时用作专用处理器。当执行提供用于执行所述方法的一些或全部步骤的指令的代码时,处理器可被临时改变意图用作专用处理器,直至所述方法完成时为止。在另一示例中,在适当程度上,按照预配置处理器运行的固件可使得处理器用作被提供用于执行所述方法或其一些合理变型的目的的专用处理器。
图3中示出的说明性示例示出了在车辆系统中运行的处理,但是,处理中的部分或全部(带有适当的修改)可在监测系统上或在其它非车辆的系统上运行。在该说明性示例中,在301,处理收集适当的系统磨损相关数据(在该示例中为制动器磨损相关数据)。由于影响结果的数据可能随着位置以及建模的细化而变化,因此,指定哪些数据应被收集会是有用的。由于车辆能够与远程监测系统进行通信,在这种情况下,建模可被执行和细化,因此用于收集新数据的指令可针对车辆在给定时间被提供。
例如而非限制地,在制动器示例中,处理可周期性指示车辆测量相对于制动力的停止距离。基于针对相似车辆的记录的观测数据,上述测量的数据可用于确定制动块的减小(diminishment)。这可通过例如将上述测量数据与在磨损实际上也被测量到的车辆中的测量数据比较来实现。这种比较或类似的比较可至少给出磨损模型的准确性的粗略估计。其它变量及其各自的有效性可随着时间而变化,通过对收集的数据的动态修改,系统可保持数据收集是相关和有用的。
如果需要,则在303,收集的任何数据与相关的车辆标识和时间标识一起可被输出到监测系统用于评估。在评估之后,在305,监测系统可通知驾驶员是否可能需要任何保养。如果可能不需要保养,则处理可继续收集适当的车辆数据并将更新数据提供给监测系统。
在需要保养的情况下和当需要保养时,在307,处理可与经销商/修车厂管理系统通信以接收维修提议。所述提议可包括使用特定经销商店或时间空档的鼓励措施(incentive),或在制动块发展到严重磨损之前执行维修的鼓励措施。在309,处理可以以可选方式(或经由诸如电话的次级装置)向客户呈现接收到的维修选项,并接收客户的维修选项选择。
如果此时没有维修选项被选择,则处理可继续以周期性间隔提议维修直至提议被忽略/禁用或在311维修在别处被执行(尽管可在通过自动计划选项被标识和通过不同方式被计划的经销商处执行维修,但是也可在自动计划选项之外的别处执行维修)为止。另一方面,如果客户选择参与维修提议,则在313,处理可接收针对客户的计划选项。这些选项可从大到足以完成制动器更换/修理工作的可用维修时间空档得到,并可通过例如监测系统由一个或更多个本地维修提供商来标识。驾驶员可具有偏好的维修提供商,时间可针对该提供商来设置,但是时间还可基于靠近车辆位置、提供特价产品等的维修提供商来设置。
用于计划的选项可以以可选的方式被呈现给客户。例如而非限制地,客户可被呈现以语音可选的选项集、触摸可选的选项集、滚动和选择列表等。选项还可以视觉或听觉的方式被呈现。在该示例中,在315,客户选择呈现的选项中的一个,在317,最终预约被安排。处理将使用当前模型来监测磨损直至在319预约被完成了为止。一旦预约完成,则块的实际磨损以及任何其它需要的制动器修理数据可被发送到建模处理,以与估计的磨损和修理需求比较,并用于改善建模处理。
例如而非限制地,模型可基于在通过由相同或相似车辆和/或在相似环境下开发的建模而被处理时在制动器的寿命期间观测到的数据,预测制动块的集被磨损70%和制动钳需要修理。在实际修理时,制动钳可能被观测为处于工作和可用状况,制动块可能仅被磨损55%。所述数据可用于细化模型,通用地和/或针对特定车辆、车辆品牌/型号等。与通用模型相比,特定车辆模型可能受观测数据的影响更为强烈,在剧烈调整做出之前通用车辆模型可能需要来自多个车辆的数据以防止异常值对数据的污染。通过使用各种类型(环境磨损、品牌/型号磨损、车辆类别磨损)的通用模型和/或基于观测到的车辆特定因素的影响的特定车辆模型,处理可随着时间被细化,并且制动的各种影响可针对特定的制动块集来建模。
图4示出了用于系统磨损评估(在该示例中为制动器磨损评估)的说明性处理。针对在该附图中描述的说明性实施例,应该注意的是,通用处理器可出于执行在此示出的示例性方法的部分或全部的目的而被临时用作专用处理器。当执行提供用于执行所述方法的一些或全部步骤的指令的代码时,处理器可被临时改变意图用作专用处理器,直至所述方法完成时为止。在另一示例中,在适当程度上,按照预配置处理器运行的固件可使得处理器用作被提供用于执行所述方法或其一些合理变型的目的的专用处理器。
在该说明性示例中,车辆数据针对制动车辆被收集。数据在建模将被执行的处理点处被接收。在该说明性示例中,这个是监测系统,车辆数据已经经由与监测系统的无线连接被传输。在其它示例中,如果处理能力是充足的,建模处理可直接在移动装置上或在车辆计算机中运行。对远程存储的模型的更新可被适时地传输到本地运行的建模处理。
在401,处理接收车辆数据,车辆数据可包括但不限于车辆标识、任何需要的车辆特性、环境数据、道路数据等。针对提供给给定车辆的装备,所述数据可在初始点被存储,并且所述数据在车辆配置被修改(例如而非限制地,售后部件、不同的轮胎等)的情况下可被适当地更新。环境数据和道路数据在属性上可能是更动态的,并可直接从车辆收集,或者例如可针对给定位置或地区众包聚集。
除了车辆数据之外,处理还可在403接收制动数据,其中,制动数据指示制动力、速度随距离的减小、制动持续时间等。对制动器磨损建模有用的任何制动数据可在此被接收。然后建模处理可结合一个或更多个模型或算法来使用接收到的数据,以计算制动块和其它制动部件的预测磨损,诸如,在405计算耗散的能量。在该示例中,车辆数据包括车辆标识码(VIN)或用于识别特定车辆的其它车辆标识特性。这样能允许保存针对特定车辆的制动数据,并且例如,如果针对特定车辆已开发的模型以这样细化的水平实现,则允许可针对特定车辆已开发的任何模型的使用。
在407,制动数据磨损计算可针对车辆来聚合,以对车辆制动系统的当前状况进行建模。然后在409,该数据可与例如用于车辆的工作循环阈值进行比较,以确定制动器是否已经达到推荐修理/更换的状态。如果在411制动器状况已超过更换/修理的阈值,则在413,处理可推荐制动器维修/保养。否则,处理可退出直至进一步的数据可用。
由于实际磨损可针对车辆保有量(population)的子集(相对于全部)来测量,因此,可通过应用卡普兰-迈耶乘积极限估计器(Kaplan-MeierProductLimitEstimator)的变型来实现磨损建模。在卡普兰-迈耶中,S(t)是来自给定保有量的项将具有超过t的使用耐久性(lifetimewear)的概率。根据大小为N的样本保有量,N个样本成员(member)的观测时间可被表示为:
t1≤t2≤t3≤…≤tN
与每个ti对应的是在时间ti之前的“处于危险(atrisk)”的数量ni和在时间ti处的死亡(death)的数量di(死亡=需要更换的磨损)。卡普兰-迈耶估计器是S(t)的非参数最大似然估计。其是乘积的形式:
该等式可用于估计来自车辆群的系统将具有超过t的磨损的概率。
还使用的有修改后的生存回归模型。在临床设置中通常用于示出病人在治疗x之后从癌症生还的概率,基本公式是:
其中,S(T|x)是以解释变量或协变量x的矢量为条件的病人生存概率(即,“可靠性”)。h(t|x)是危险函数。
固定的协变量被表示为:
h(t|x)=h0(t)exp{βTx}
其中,t是至失败(死亡)为止的时间,h(t|x)是危险函数,h0(t)是基准危险函数,βT是系数的转置矢量。
依赖时间的协变量被表示为:
h(t|x)=h0(t)exp{βTx(t)}
其中,
该公式可被修改为磨损情境公式:
其中,w是制动块磨损,是正态与对数正态分布的标准正态CDF(累积分布函数)和威布尔(Weibull)分布的最小极值CDF;μ、σ是磨损分布的位置和比例参数,x是解释值(例如而非限制地,消耗的能量、温度、湿度等)的矢量。
在这个修改后的公式中,固定协变量被表示为:
μw(x)=β0+βix
其中,模型参数βi从数据来估计。
利用这些公式,对车辆的磨损超过预定阈值(针对每个车辆标识码(VIN)记录)的概率进行建模是可行的。这些公式还可用于针对每个车辆确定预测的至临界磨损点的增加的里程(基于记录的里程累积的轨迹)。所述预测可被传送给驾驶员和制造商或经销商,使得可在系统超过临界磨损点之前的较长时间内采取适当的行动。此外,知道每个车辆的制动能量累积速率,则预测至临界磨损点的剩余天数是可行的,从而使得能够以日历时间计划个性化(利用VIN)的维修预约。
图5示出了制动器磨损估计建模的更新处理。针对在该附图中描述的说明性实施例,应该注意的是,通用处理器可出于执行在此示出的示例性方法的部分或全部的目的而被临时用作专用处理器。当执行提供用于执行所述方法的一些或全部步骤的指令的代码时,处理器可被临时改变意图用作专用处理器,直至所述方法完成时为止。在另一示例中,在适当程度上,按照预配置处理器运行的固件可使得处理器用作被提供用于执行所述方法或其一些合理变型的目的的专用处理器。
在该说明性示例中,在501,处理再次针对系统使用的适当实例(在该示例中为制动)收集车辆和系统的磨损相关数据。所述处理可在车辆上进行本地聚合,并根据需要以特定间隔传送,从而避免在每次制动器被应用时进行数据和带宽使用的传输。在503,处理还利用建模算法来确定车辆系统中的估计磨损,并在505将这些系统状态数据针对单独的车辆进行保存。
当在507车辆进入维修时,模型可基于制动器的实际观测状况来被更新。参与的经销商和维修店将被鼓励报告数据以改善建模处理,以使制动器更换可被更准确地建模,并且客户可在制动器需要更换时被适当地通知。
当制动器实际被维修时,维修场所可检查制动器部件并报告实际的磨损与损坏数据,在509,实际的磨损与损坏数据由模拟发动机接收。这样可用于在511修正磨损估计,以使传入数据更准确地对在制动器系统部件上观测到的实际磨损进行建模。一旦对估计值进行了适当的修改,则可在513适当地对模型本身进行任何改变或更新。
例如而非限制地,当针对给定气候的充足数据被接收时,可观测到在冬天10华氏度以下的状况下制动会导致比预期更为严重的制动器磨损。相应地,基于在这种状况下制动的估计值可适当被修改。附加或可选地,模型本身可被修正以包含针对接收到的数据的观测到的改变,所述改变包括在10华氏度以下的温度状况。
通过使用建模处理,制动器更换需求可被准确地预测并传递给客户。同时,参与的经销商店和维修场所可报告实际数据以改善建模处理。这些场所还可提供可用的维修时间空档以供制动器预计需要被修理的客户使用。
尽管上面描述了示例性实施例,但并不意在这些实施例描述了本发明的所有可能形式。更确切地,说明书中使用的词语为描述性词语而非限制,并且应理解,可在不脱离本发明的精神和范围的情况下作出各种改变。此外,可组合各种实现的实施例的特征以形成本发明进一步的实施例。
Claims (14)
1.一种系统,包括:
处理器,被配置为:
接收车辆标识数据;
接收来自车辆系统使用事件的系统磨损相关数据;
聚合系统磨损相关数据;
将系统磨损相关数据与从进行了实际磨损测量的车辆收集的数据进行比较,以确定预测的系统磨损状态;
确定预测的系统磨损状态是否超过更换阈值;
基于预测的系统磨损状态超过更换阈值来推荐系统维修。
2.如权利要求1所述的系统,其中,处理器还被配置为:基于与测量了实际磨损数据的车辆的已知磨损相比较、表现预测使用的观测到的使用,来确定直至更换为止的估计时间,其中,所述测量了实际磨损数据的车辆呈现与所述预测使用类似的使用。
3.如权利要求2所述的系统,其中,处理器还被配置为:向驾驶员报告直至更换为止的估计时间。
4.如权利要求1所述的系统,其中,处理器还被配置为:针对车辆记录存储聚合的估计磨损,其中,车辆记录基于接收到的车辆标识数据被识别。
5.如权利要求1所述的系统,其中,处理器还被配置为:响应于推荐系统维修来请求一个或更多个可用维修时间空档的传输。
6.如权利要求5所述的系统,其中,处理器还被配置为:在系统修理之后,从与选择的维修时间空档关联的维修场所接收实际的系统磨损数据,其中,处理器被配置为:基于接收到的所述系统磨损数据和聚合的系统磨损相关数据来更新系统磨损模型。
7.如权利要求1所述的系统,其中,处理器还被配置为:基于工作循环产生通用系统磨损模型,通用系统磨损模型将系统退化表示为车辆使用的函数,并且作为从进行了实际磨损测量的车辆收集的数据的指示用于所述比较。
8.一种系统,包括:
处理器,被配置为:
接收车辆标识数据;
接收来自车辆系统使用事件的制动器磨损相关数据;
聚合制动器磨损相关数据;
将制动器磨损相关数据与从进行了实际磨损测量的车辆收集的数据进行比较,以确定预测的制动器磨损状态;
确定预测的制动器磨损状态是否超过更换阈值;
基于预测的制动器磨损状态超过更换阈值来推荐制动器维修。
9.如权利要求8所述的系统,其中,处理器还被配置为:基于与测量了实际磨损数据的车辆的已知磨损相比较、表现预测使用的观测到的使用,来确定直至更换为止的估计时间,其中,所述测量了实际磨损数据的车辆呈现与所述预测使用类似的使用。
10.如权利要求9所述的系统,其中,处理器还被配置为:向驾驶员报告直至更换为止的估计时间。
11.如权利要求8所述的系统,其中,处理器还被配置为:针对车辆记录存储聚合的估计磨损,其中,车辆记录基于接收到的车辆标识数据被识别。
12.如权利要求8所述的系统,其中,处理器还被配置为:响应于推荐制动器维修来请求一个或更多个可用维修时间空档的传输。
13.如权利要求12所述的系统,其中,处理器还被配置为:接收维修时间空档的客户选择。
14.如权利要求13所述的系统,其中,处理器还被配置为:在制动器修理之后,从与选择的维修时间空档关联的维修场所接收实际的制动器磨损数据,其中,处理器还被配置为:基于接收到的所述制动器磨损数据和聚合的制动器磨损相关数据来更新制动器磨损模型。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/563,101 | 2014-12-08 | ||
US14/563,101 US20160163130A1 (en) | 2014-12-08 | 2014-12-08 | Method and Apparatus for Connected Vehicle System Wear Estimation and Maintenance Scheduling |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105667462A true CN105667462A (zh) | 2016-06-15 |
Family
ID=55974392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510895217.8A Pending CN105667462A (zh) | 2014-12-08 | 2015-12-08 | 连接的车辆系统的磨损估计与保养计划的方法和设备 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20160163130A1 (zh) |
CN (1) | CN105667462A (zh) |
DE (1) | DE102015120991A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665580A (zh) * | 2017-03-27 | 2018-10-16 | 福特全球技术公司 | 用于车辆系统磨损预测的方法和设备 |
CN110411729A (zh) * | 2019-08-07 | 2019-11-05 | 科大讯飞股份有限公司 | 刹车片使用寿命预测方法及装置 |
CN110962860A (zh) * | 2018-09-28 | 2020-04-07 | 通用汽车环球科技运作有限责任公司 | 制动部件预测 |
CN111027022A (zh) * | 2019-11-29 | 2020-04-17 | 山东金麒麟股份有限公司 | 一种刹车片的寿命的评估方法 |
CN112113504A (zh) * | 2020-09-18 | 2020-12-22 | 深圳市道通科技股份有限公司 | 一种刹车盘磨损诊断方法及磨损诊断系统 |
CN115860575A (zh) * | 2023-02-13 | 2023-03-28 | 湖南尚医康医疗科技有限公司 | 基于物联网的病房管理方法、系统、设备及存储介质 |
CN116761728A (zh) * | 2021-01-06 | 2023-09-15 | 普利司通美国轮胎运营有限责任公司 | 用于轮胎垂直负载预测的系统和方法 |
CN117807376A (zh) * | 2024-02-29 | 2024-04-02 | 广东车海洋环保科技有限公司 | 一种自助洗车机的数据收集方法及系统 |
Families Citing this family (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3359433B1 (en) * | 2015-10-07 | 2021-08-18 | Meggitt Aircraft Braking Systems Corporation | Aircraft brake condition diagnosis and prognosis |
US10419940B2 (en) * | 2015-12-21 | 2019-09-17 | Cable Television Laboratories, Inc. | Systems and methods of adaptive mitigation for shared access |
US9843877B2 (en) | 2015-12-31 | 2017-12-12 | Ebay Inc. | Sound recognition |
CN113459805B (zh) | 2016-03-25 | 2023-12-15 | 康明斯有限公司 | 基于车辆工作循环调整车辆操作参数的系统和方法 |
US10039113B2 (en) | 2016-03-28 | 2018-07-31 | Bank Of America Corporation | Intelligent resource procurement system based on physical proximity to related resources |
US10796253B2 (en) | 2016-06-17 | 2020-10-06 | Bank Of America Corporation | System for resource use allocation and distribution |
US10439913B2 (en) * | 2016-07-01 | 2019-10-08 | Bank Of America Corporation | Dynamic replacement and upgrade of existing resources based on resource utilization |
US10556598B2 (en) * | 2016-11-23 | 2020-02-11 | Ge Global Sourcing Llc | Vehicle control systems and methods |
US11062536B2 (en) | 2017-02-21 | 2021-07-13 | Ford Global Technologies, Llc | Method and apparatus for statistical vehicle element failure analysis |
DK3601010T3 (da) * | 2017-05-24 | 2021-07-26 | Siemens Mobility GmbH | Tilstandsstyring af et slitageelement |
US10495169B2 (en) * | 2017-07-17 | 2019-12-03 | GM Global Technology Operations LLC | Brake rotor prognosis |
CN107272657B (zh) | 2017-07-21 | 2020-03-10 | 北京图森未来科技有限公司 | 实现车辆自动检修的方法及系统、相关设备 |
DE102017217404A1 (de) | 2017-09-29 | 2019-04-04 | Audi Ag | Verfahren zur Verschleißprädiktion und Kraftfahrzeug |
US10501064B2 (en) * | 2017-12-08 | 2019-12-10 | GM Global Technology Operations LLC | Method and apparatus for monitoring a vehicle brake |
US10731720B2 (en) * | 2018-01-26 | 2020-08-04 | Rivian Ip Holdings, Llc | Methods, systems, and media for non-contact brake pad wear determination |
WO2019171337A1 (en) * | 2018-03-09 | 2019-09-12 | Rikatec (Pty) Ltd. | Vehicle monitoring system and method |
WO2019180474A1 (ja) * | 2018-03-21 | 2019-09-26 | 日産自動車株式会社 | サービス情報通知システム及びサービス情報通知システムにおいて用いられるデータ構造 |
CN110362849A (zh) * | 2018-04-09 | 2019-10-22 | 卡明斯公司 | 基于使用的动力系统/机器部件的故障率估计 |
DE102018206228A1 (de) | 2018-04-23 | 2019-10-24 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Ermitteln des Verschleißes eines Reifens eines Fahrzeug-Rades |
FR3089312B1 (fr) * | 2018-11-29 | 2020-11-20 | Uptime | Procédé de corrélation de données, procédé de surveillance et serveur pour la mise en œuvre des procédés |
EP3914879A4 (en) * | 2019-01-23 | 2022-10-26 | Assurant, Inc. | METHODS, DEVICES AND SYSTEMS FOR MONITORING AND MAINTAINING VEHICLE CONDITION |
DE102019212076A1 (de) | 2019-08-13 | 2021-02-18 | Audi Ag | Verfahren zum Ermitteln einer benutzerspezifischen Konfiguration einer Bremsvorrichtung sowie ein Kraftfahrzeug und ein computerlesbares Speichermedium hierzu |
US11900330B1 (en) | 2019-10-18 | 2024-02-13 | State Farm Mutual Automobile Insurance Company | Vehicle telematics systems and methods |
WO2021087283A1 (en) * | 2019-11-01 | 2021-05-06 | Tony Hines | A system to monitor and predict vehicle brake wear and related methods |
US11608035B2 (en) | 2020-03-10 | 2023-03-21 | Zach Olson | Tire service tracking and notification |
US11842580B2 (en) * | 2020-04-23 | 2023-12-12 | Zoox, Inc. | Predicting vehicle health |
US11521438B2 (en) | 2020-04-23 | 2022-12-06 | Zoox, Inc. | Using sound to determine vehicle health |
US11482059B2 (en) | 2020-04-23 | 2022-10-25 | Zoox, Inc. | Vehicle health monitor |
US11961052B2 (en) * | 2020-12-15 | 2024-04-16 | Caterpillar Inc. | Systems and methods for wear assessment and part replacement timing optimization |
CN112762877B (zh) * | 2020-12-28 | 2023-03-21 | 成都国铁电气设备有限公司 | 一种地铁接触网刚性接触线磨耗预警方法及装置 |
DE102021201034A1 (de) | 2021-02-04 | 2022-08-04 | Continental Teves Ag & Co. Ohg | Verfahren zur Ermittlung des Bremsbelagverschleißes eines Kraftfahrzeugs |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030114965A1 (en) * | 2001-09-10 | 2003-06-19 | Claude-Nicolas Fiechter | Method and system for condition monitoring of vehicles |
US20140100738A1 (en) * | 2012-10-08 | 2014-04-10 | Toyota Motor Engineering & Manufacturing North America, Inc. | Enhanced vehicle onboard diagnostic system and method |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003044704A (ja) * | 2001-07-31 | 2003-02-14 | Honda Motor Co Ltd | サービス提供方法 |
DE10144076A1 (de) * | 2001-09-07 | 2003-03-27 | Daimler Chrysler Ag | Vorrichtung und Verfahren zur Früherkennung und Vorhersage von Aggregateschädigungen |
DE10148214C2 (de) * | 2001-09-28 | 2003-07-31 | Daimler Chrysler Ag | Verfahren zur Bereitstellung eines Wartungsalgorithmus |
US20080040152A1 (en) * | 2006-08-10 | 2008-02-14 | The Boeing Company | Systems and Methods for Health Management of Single or Multi-Platform Systems |
US20100211249A1 (en) * | 2009-02-13 | 2010-08-19 | Mcclellan Scott | System and method for detecting vehicle maintenance requirements |
US8433472B2 (en) * | 2010-08-04 | 2013-04-30 | GM Global Technology Operations LLC | Event-driven data mining method for improving fault code settings and isolating faults |
US8560165B2 (en) * | 2012-01-17 | 2013-10-15 | GM Global Technology Operations LLC | Co-operative on-board and off-board component and system diagnosis and prognosis |
FR2996192B1 (fr) * | 2012-10-02 | 2015-05-01 | Eurodrive Services And Distrib N V | Procede de determination de l'etat d'usure d'une piece et d'information d'un client |
US9165413B2 (en) * | 2013-06-03 | 2015-10-20 | Honda Motor Co., Ltd. | Diagnostic assistance |
-
2014
- 2014-12-08 US US14/563,101 patent/US20160163130A1/en not_active Abandoned
-
2015
- 2015-12-02 DE DE102015120991.8A patent/DE102015120991A1/de not_active Withdrawn
- 2015-12-08 CN CN201510895217.8A patent/CN105667462A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030114965A1 (en) * | 2001-09-10 | 2003-06-19 | Claude-Nicolas Fiechter | Method and system for condition monitoring of vehicles |
US20140100738A1 (en) * | 2012-10-08 | 2014-04-10 | Toyota Motor Engineering & Manufacturing North America, Inc. | Enhanced vehicle onboard diagnostic system and method |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665580A (zh) * | 2017-03-27 | 2018-10-16 | 福特全球技术公司 | 用于车辆系统磨损预测的方法和设备 |
CN108665580B (zh) * | 2017-03-27 | 2022-10-11 | 福特全球技术公司 | 用于车辆系统磨损预测的方法和设备 |
CN110962860A (zh) * | 2018-09-28 | 2020-04-07 | 通用汽车环球科技运作有限责任公司 | 制动部件预测 |
CN110411729A (zh) * | 2019-08-07 | 2019-11-05 | 科大讯飞股份有限公司 | 刹车片使用寿命预测方法及装置 |
CN111027022A (zh) * | 2019-11-29 | 2020-04-17 | 山东金麒麟股份有限公司 | 一种刹车片的寿命的评估方法 |
CN111027022B (zh) * | 2019-11-29 | 2024-03-01 | 山东金麒麟股份有限公司 | 一种刹车片的寿命的评估方法 |
CN112113504A (zh) * | 2020-09-18 | 2020-12-22 | 深圳市道通科技股份有限公司 | 一种刹车盘磨损诊断方法及磨损诊断系统 |
WO2022057689A1 (zh) * | 2020-09-18 | 2022-03-24 | 深圳市道通科技股份有限公司 | 一种刹车盘磨损诊断方法及磨损诊断系统 |
CN116761728A (zh) * | 2021-01-06 | 2023-09-15 | 普利司通美国轮胎运营有限责任公司 | 用于轮胎垂直负载预测的系统和方法 |
CN115860575A (zh) * | 2023-02-13 | 2023-03-28 | 湖南尚医康医疗科技有限公司 | 基于物联网的病房管理方法、系统、设备及存储介质 |
CN115860575B (zh) * | 2023-02-13 | 2023-05-12 | 湖南尚医康医疗科技有限公司 | 基于物联网的病房管理方法、系统、设备及存储介质 |
CN117807376A (zh) * | 2024-02-29 | 2024-04-02 | 广东车海洋环保科技有限公司 | 一种自助洗车机的数据收集方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US20160163130A1 (en) | 2016-06-09 |
DE102015120991A1 (de) | 2016-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105667462A (zh) | 连接的车辆系统的磨损估计与保养计划的方法和设备 | |
US10102531B2 (en) | Real time failure analysis and accurate warranty claim assesment | |
US10169931B2 (en) | Service improvement by better incoming diagnosis data, problem specific training and technician feedback | |
US6609051B2 (en) | Method and system for condition monitoring of vehicles | |
US10417841B2 (en) | Faster new feature launch | |
US9157383B2 (en) | System, method and computer program for simulating vehicle energy use | |
CN108885764B (zh) | 远程信息处理系统及其相应的方法 | |
US20180130369A1 (en) | Virtual trainer for in vehicle driver coaching and to collect metrics to improve driver performance | |
US7783507B2 (en) | System and method for managing a fleet of remote assets | |
JP2021503678A (ja) | 衝突の評価 | |
EP2996084A1 (en) | Vehicle preventive maintenance system | |
JP4250601B2 (ja) | 車載部品評価システム | |
US10553041B2 (en) | Method and apparatus for vehicle system wear prediction | |
CN105389976A (zh) | 用于道路风险指数产生的方法和设备 | |
CN103295178A (zh) | 交通工具健康预测 | |
US10121292B2 (en) | Automotive predictive failure system | |
US11125556B2 (en) | Method and system for monitoring and assessing road conditions | |
JP2020183767A (ja) | 摩耗予測装置、摩耗予測方法及びコンピュータプログラム | |
KR20230040253A (ko) | 전기차 주행 정보 기반의 충전소 추천 시스템 및 그 방법 | |
KR102413903B1 (ko) | 정비 정보 및 충전 설비 정보를 제공하는 전기차 충전 관리 시스템 및 이의 운용 방법 | |
US20240110800A1 (en) | Wear mitigation routing platform | |
CN117828540A (zh) | 驾驶员评分平台 | |
US20240086860A1 (en) | Predicting maintenance servicings for a fleet of vehicles | |
RU2798250C2 (ru) | Способ и система для определения причины чрезмерного расхода топлива | |
WO2021124914A1 (ja) | 状態出力システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160615 |
|
WD01 | Invention patent application deemed withdrawn after publication |