CN108327721B - 用于监测部件寿命的方法 - Google Patents

用于监测部件寿命的方法 Download PDF

Info

Publication number
CN108327721B
CN108327721B CN201711369932.3A CN201711369932A CN108327721B CN 108327721 B CN108327721 B CN 108327721B CN 201711369932 A CN201711369932 A CN 201711369932A CN 108327721 B CN108327721 B CN 108327721B
Authority
CN
China
Prior art keywords
vehicle
battery
sensed
component
travel
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.)
Active
Application number
CN201711369932.3A
Other languages
English (en)
Other versions
CN108327721A (zh
Inventor
F·兰多尔西
P·库马尔
I·H·马克伊
H·詹姆斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ford Global Technologies LLC
Original Assignee
Ford Global Technologies LLC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ford Global Technologies LLC filed Critical Ford Global Technologies LLC
Publication of CN108327721A publication Critical patent/CN108327721A/zh
Application granted granted Critical
Publication of CN108327721B publication Critical patent/CN108327721B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • 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
    • G07C5/006—Indicating maintenance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
    • B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
    • B60R16/023—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements for transmission of signals between vehicle parts or subsystems
    • B60R16/0231—Circuits relating to the driving or the functioning of the vehicle
    • B60R16/0232—Circuits relating to the driving or the functioning of the vehicle for measuring vehicle parameters and indicating critical, abnormal or dangerous conditions
    • B60R16/0234—Circuits relating to the driving or the functioning of the vehicle for measuring vehicle parameters and indicating critical, abnormal or dangerous conditions related to maintenance or repairing of vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02M—SUPPLYING COMBUSTION ENGINES IN GENERAL WITH COMBUSTIBLE MIXTURES OR CONSTITUENTS THEREOF
    • F02M35/00—Combustion-air cleaners, air intakes, intake silencers, or induction systems specially adapted for, or arranged on, internal-combustion engines
    • F02M35/02—Air cleaners
    • F02M35/0201—Housings; Casings; Frame constructions; Lids; Manufacturing or assembling thereof
    • F02M35/021—Arrangements of air flow meters in or on air cleaner housings
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02M—SUPPLYING COMBUSTION ENGINES IN GENERAL WITH COMBUSTIBLE MIXTURES OR CONSTITUENTS THEREOF
    • F02M35/00—Combustion-air cleaners, air intakes, intake silencers, or induction systems specially adapted for, or arranged on, internal-combustion engines
    • F02M35/02—Air cleaners
    • F02M35/024—Air cleaners using filters, e.g. moistened
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02M—SUPPLYING COMBUSTION ENGINES IN GENERAL WITH COMBUSTIBLE MIXTURES OR CONSTITUENTS THEREOF
    • F02M35/00—Combustion-air cleaners, air intakes, intake silencers, or induction systems specially adapted for, or arranged on, internal-combustion engines
    • F02M35/02—Air cleaners
    • F02M35/08—Air cleaners with means for removing dust, particles or liquids from cleaners; with means for indicating clogging; with by-pass means; Regeneration of cleaners
    • F02M35/09—Clogging indicators ; Diagnosis or testing of air cleaners
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02M—SUPPLYING COMBUSTION ENGINES IN GENERAL WITH COMBUSTIBLE MIXTURES OR CONSTITUENTS THEREOF
    • F02M35/00—Combustion-air cleaners, air intakes, intake silencers, or induction systems specially adapted for, or arranged on, internal-combustion engines
    • F02M35/10—Air intakes; Induction systems
    • F02M35/10373—Sensors for intake systems
    • F02M35/1038—Sensors for intake systems for temperature or pressure
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02M—SUPPLYING COMBUSTION ENGINES IN GENERAL WITH COMBUSTIBLE MIXTURES OR CONSTITUENTS THEREOF
    • F02M35/00—Combustion-air cleaners, air intakes, intake silencers, or induction systems specially adapted for, or arranged on, internal-combustion engines
    • F02M35/10—Air intakes; Induction systems
    • F02M35/10373—Sensors for intake systems
    • F02M35/10386—Sensors for intake systems for flow rate
    • 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
    • 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
    • G07C5/0841—Registering performance data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/44—Control modes by parameter estimation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/08—Interaction between the driver and the control system
    • B60W50/14—Means for informing the driver, warning the driver or prompting a driver intervention
    • B60W2050/146—Display means
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Fluid Mechanics (AREA)
  • Manufacturing & Machinery (AREA)
  • Human Computer Interaction (AREA)
  • Mathematical Physics (AREA)
  • Hybrid Electric Vehicles (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本发明涉及用于监测部件寿命的方法。提供用于可靠地预测诸如车辆电池或进气空气过滤器的车辆部件的方法和系统。基于从感测到的车辆操作参数推导的度量来预测部件的劣化状态，该参数基于被诊断的部件以及基于过去行驶历史和未来行驶预测来选择。然后预测的劣化状态被转换成部件需要维修之前剩余的时间或距离的估计，并显示给车辆操作者。

Description

用于监测部件寿命的方法
技术领域
本申请涉及在车辆(诸如混合动力车辆)中执行的用于使用统计预测来估计车辆部件的剩余寿命的方法。
背景技术
车辆包括各种部件，所述部件以不同的速率劣化并且不得不在不同时间进行维修。另外，每个部件的劣化速率可被多个参数影响，其中的一些与其他部件重叠，而另一些不重叠。例如，在混合动力电动车辆中，系统电池可基于电池使用的速率、电池的年龄(age)、温度条件、电池的性质等劣化。作为另一个示例，联接到发动机进气装置的空气过滤器可基于过滤器的年龄、空气质量、环境天气条件等劣化。
已经开发出预测车辆部件的健康状态的各种方法。一个示例方法由Uchida在US8,676,4825中示出。其中基于车辆的燃料经济性的降低来预测混合动力车辆的电池的健康。Kozlowski等人在US 20030184307中示出了另一个示例方法。其中基于电池充电和放电的频率及其对电池参数诸如阻抗、电解质状态等的影响来预测系统电池的健康状态。然后电池健康根据若干剩余可用循环来指示。
然而本文发明人已经识别此类方法的各种问题。作为一个示例，上述方法依赖于可为计算密集型的统计分析。因此，它们可需要大量的存储器和处理器资源来评估电池的健康。作为另一个示例，上述方法需要经由联接到相应部件的传感器的频繁的测量。对传感器的依赖能够导致健康状态估计不准确，所述传感器本身易受磨损。另外，该方法没有准确地说明随着电池老化，温度对电池内部电阻和电容的影响。作为又一个示例，操作者可不能够理解当根据若干剩余可用循环指示电池健康时发生了多少电池劣化。这在电池是混合动力车辆的一部分时可为特别困难的，在混合动力车辆中，当电池不能够满足驾驶员需求时，发动机会自动满足驾驶员需求。因此，车辆操作者可不能够在电池完全劣化之前更换或维修电池，从而危害车辆操作。此外，车辆操作者可不能及时修改其行驶/驾驶特性以避免电池劣化。
发明内容
在一个示例中，上述问题中的一些可通过用于车辆的方法来解决，该方法包括：基于从感测到的车辆操作参数推导的确定的度量(包括所确定的度量的过去历史)来预测车辆部件的劣化状态；基于过去的行驶历史(包括所确定的度量的过去历史)和预测的未来行驶，将预测的劣化状态转换成用于显示给车辆操作者的剩余时间或持续时间估计。以这种方式，可更准确地预测车辆部件的剩余可用寿命，并且可以更易于理解的方式将信息传送给车辆操作者。在一个示例中，车辆部件是系统电池。
作为示例，混合动力车辆系统可包括使用统计方法预测寿命的部件。控制器可基于部件的维修的过去历史(例如，频率)来预测部件的基本劣化速率。例如，控制器可使用线性劣化模型来预测部件的剩余寿命的基本值。然后控制器可基于车辆的操作性质(例如，车辆行驶模式和其它行驶统计)、部件的操作性质(例如，在当前行驶循环中使用部件的频率，以及响应于哪些事件)以及可变更给定部件的基本劣化速率的任何噪声因素或参数来更新估计。作为示例，当被评估的部件是电池时，基本劣化速率可基于电池上一次被维修的时间、电池荷电状态以及温度条件。该模型可使用测量的参数来估计电池的内部电阻和内部电容的当前状态。然后根据估计的内部电阻和内部电容来计算电池的健康状态，分配给电阻和电容值的权重基于电池的性质(例如，基于电池是铅酸电池还是锂离子电池等)变化。另外，电池的健康状态可基于操作车辆的激进程度以及能够快速耗尽电池的任何特定的行驶操纵(例如转弯操纵)来更新。在另一个示例中，当被评估的部件是进气空气过滤器时，基本劣化速率可基于上一次更换过滤器的时间，并且基本速率可基于在发动机瞬变期间在不同节气门开度处感测到的歧管空气流量的变化以及能够导致过滤器突然堵塞的环境天气条件(例如，存在能够堵塞过滤器的突然的沙尘暴或雪风暴)而更新。然后可将感测到的健康状态转换成部件的剩余寿命的估计，其包括在部件需要更换或维修之前剩余的车辆行进的时间和/或距离。转换可基于感测到的过滤器的健康状态并且还基于车辆行驶统计，其包括车辆已经完成的行进的时间和/或距离以及操作者行驶方式和习惯。在一个示例中，车辆操作者可使用电池的剩余寿命来推断在给定车辆起动时混合动力车辆是否能够经由电池起动。
以这种方式，可准确地预测车辆部件的剩余寿命，而不依赖于计算密集型算法。通过使用在车辆上感测的数据，结合车辆行驶统计，可更准确地计算部件的健康状态。例如，系统电池的内部电阻和电容可通过考虑温度影响以及激进的操作者行驶行为的影响来更好地确定。作为另一个示例，空气过滤器的堵塞程度可基于在大的节气门开度处的空气流量值的平均和标准偏差的递归估计来更准确地预测。通过评估空气过滤器同时依赖于车辆瞬变期间感测到的空气流量或歧管压力数据，能够利用在车辆行驶循环内收集的大部分数据用于过滤器预测。此外，减少了对在限定的转速负荷区域中主动地保持发动机以完成预测或诊断程序的需要。通过将感测到的健康状态转换成在需要维修部件之前车辆操作的剩余时间或持续时间的估计，可更好地向车辆操作者通知部件条件。因此，可确保及时的部件维修，从而改善车辆性能。通过经由统计特征的递归估计来预测车辆部件的剩余寿命，可用较少的计算强度来预测部件的剩余寿命，而不损害预测的准确性。这使得能够提供裕度，其更好地确保部件在估计的剩余寿命内的健康操作。预测特征可提供部件的剩余寿命的早期指示，以帮助客户提前计划维护并避免部件故障。另外，在线估计的便利性可通过易于实施的包装服务来提供。
应当理解，提供上述发明内容是为以简化的形式介绍在具体实施方式中进一步描述的一些概念。这并不意味着确定要求保护的主题的关键或基本特征，所要求保护的主题的范围通过所附权利要求唯一地限定。此外，所要求保护的主题不限于解决在上面或在本公开的任何部分提及的任何缺点的实施方式。
附图说明
图1示意性地描绘联接在混合动力车辆系统中的内燃发动机的气缸的示例实施例。
图2示出在不同条件下操作的车辆部件的示例百分比寿命曲线。
图3示出用于使用感测的数据和统计估计来执行车辆部件的预测和诊断的高级流程图。
图4示出用于将统计估计应用到感测到的车辆部件的健康状态以预测该部件的剩余寿命的示例方法的高级流程图。
图5A示出可用于预测车辆电池的剩余寿命的示例程序。
图5B示出n阶Randel模型。
图6示出可用于预测车辆电池的剩余寿命的示例算法的框图。
图7示出描绘车辆电池的电容和电阻的健康状态随时间变化的示例趋势的曲线图。
图8示出可用于预测车辆发动机进气空气过滤器的剩余寿命的示例程序。
图9示出描绘在不同的进气节气门角度处通过空气过滤器的歧管空气流量的示例变化的曲线图。
图10和图11示出示例实验数据，针对具有不同堵塞程度的过滤器，其描绘歧管空气流量的平均值和标准偏差值随着节气门角度变化的变化。
针对具有不同堵塞程度的过滤器，图12用图表描绘歧管空气流量的平均值和标准偏差值随着节气门角度变化的变化。
具体实施方式
以下描述涉及用于预测混合动力车辆系统(诸如图1的示例车辆系统)的部件的剩余寿命的系统和方法。发动机控制器可被配置为执行控制程序，诸如图3和图4的示例程序，以使用统计方法来预测车辆部件的剩余寿命。控制器可考虑部件的劣化历史以及车辆行驶特性以绘制百分比寿命曲线，诸如图2的示例曲线。然后控制器可使用百分比寿命曲线来向车辆操作者提供剩余时间或距离，直到部件需要被维修。然后可据此调节车辆操作。预测车辆电池的剩余寿命的程序(诸如图6至图7的程序)可依赖于电池的电阻和电容的感测的和预测的变化，如参考图7所示的。预测发动机进气空气过滤器的剩余寿命的程序(诸如图8的程序)可依赖于瞬时条件期间歧管空气流量随着节气门位置变化的感测变化，如参考图9所示的。控制器然后可基于对感测到的歧管空气流量的平均值和标准偏差的递归估计来预测空气过滤器的剩余寿命，诸如参考图10至图12所示。以这种方式，可更好地确保定期的部件维修。
图1示出内燃发动机10的燃烧室或气缸的示例。发动机10可联接在用于进行道路行进的推进系统(诸如车辆系统5)中。在一个示例中，车辆系统5可为混合动力电动车辆系统。
发动机10可至少部分地通过包括控制器12的控制系统和通过车辆操作者130经由输入设备132的输入进行控制。在该示例中，输入设备132包括加速器踏板和用于产生成比例的踏板位置信号PP的踏板位置传感器134。发动机10的气缸(本文也称为“燃烧室”)14可包括燃烧室壁136，其中活塞138定位在燃烧室壁136中。活塞138可联接到曲轴140，使得活塞的往复运动转化成曲轴的旋转运动。曲轴140可经由变速器系统联接到客运车辆的至少一个驱动轮。此外，起动马达(未示出)可经由飞轮联接到曲轴140，以实现发动机10的起动操作。
气缸14能够经由一系列进气通道142、144和146接收进气。经由进气通道142接收的空气可在空气移动到进气通道144、146中之前经由空气过滤器135来过滤。除了气缸14之外，进气通道146还能够与发动机10的其他气缸连通。在一些示例中，进气通道中的一个或多个可包括增压设备，诸如涡轮增压器或机械增压器。例如，图1示出配置有涡轮增压器的发动机10，该涡轮增压器包括布置在进气通道142和进气通道144之间的压缩机174以及沿排气通道148布置的排气涡轮176。压缩机174可经由轴180至少部分地由排气涡轮176提供动力，其中增压设备被配置为涡轮增压器。然而，在其他示例中，诸如在发动机10设置有机械增压器的情况下，可任选地省略排气涡轮176，其中压缩机174可由来自马达或发动机的机械输入来提供动力。包括节流板164的节气门162可沿发动机的进气通道设置，用于改变提供给发动机气缸的进气的流率和/或压力。例如，节气门162可如图1所示定位在压缩机174的下游，或另选地可设置在压缩机174的上游。
除了气缸14之外，排气通道148还能够接收来自发动机10的其他气缸的排气。排气传感器128被示出为在排放控制设备178上游联接到排气通道148。传感器128可选自用于提供排气空气/燃料比的指示的各种合适的传感器，例如诸如线性氧传感器或UEGO(通用或宽域排气氧)、双态氧传感器或EGO(如图所示)、HEGO(加热型EGO)、NOx、HC或CO传感器。排放控制设备178可为三元催化剂(TWC)、NOx捕集器、各种其他排放控制设备或其组合。
发动机10的每个气缸可包括一个或多个进气门和一个或多个排气门。例如，气缸14被示出为包括位于气缸14的上部区域处的至少一个进气提升气门150和至少一个排气提升气门156。在一些示例中，包括气缸14的发动机10的每个气缸可包括位于气缸的上部区域处的至少两个进气提升气门和至少两个排气提升气门。
进气门150可由控制器12经由致动器152控制。类似地，排气门156可由控制器12经由致动器154控制。在一些条件下，控制器12可改变提供给致动器152和致动器154的信号以控制相应的进气门和排气门的打开和关闭。进气门150和排气门156的位置可由相应的气门位置传感器(未示出)确定。气门致动器可为电动气门致动型或凸轮致动型或其组合。可同时控制进气门正时和排气门正时，或可使用可变进气凸轮正时、可变排气凸轮正时、双独立可变凸轮正时或固定凸轮正时中的可能性中的任一种。每个凸轮致动系统可包括一个或多个凸轮，并且可利用可由控制器12操作的凸轮廓线变换(CPS)、可变凸轮正时(VCT)、可变气门正时(VVT)和/或可变气门升程(VVL)系统中的一个或多个以改变气门操作。例如，气缸14可以可替代地包括经由电动气门致动控制的进气门和经由包括CPS和/或VCT的凸轮致动控制的排气门。在其他示例中，进气门和排气门可由公共的气门致动器或致动系统或者可变气门正时致动器或致动系统来控制。
气缸14能够具有压缩比，该压缩比是当活塞138处于下止点时的容积与活塞138处于上止点时的容积的比。在一个示例中，压缩比在9:1至10:1的范围内。然而，在使用不同燃料的一些示例中，压缩比可以增加。这可发生在例如使用较高辛烷值燃料或具有较高潜在汽化焓的燃料时。如果直接喷射由于其对发动机爆震的影响而被使用，则压缩比也可增加。
在一些示例中，发动机10的每个气缸可包括用于发起燃烧的火花塞192。在选择的操作模式下，响应于来自控制器12的火花提前信号SA，点火系统190能够经由火花塞192向燃烧室14提供点火火花。然而，在一些实施例中，火花塞192可被省略，诸如在发动机10可通过自动点火或通过喷射燃料来发起燃烧的情况下，对于一些柴油发动机可能是这种情况。
在一些示例中，发动机10的每个气缸可配置有用于向该气缸提供燃料的一个或多个燃料喷射器。作为非限制性示例，气缸14被示出为包括两个燃料喷射器166和170。燃料喷射器166和燃料喷射器170可被配置为递送从燃料系统8接收的燃料。燃料系统8可包括一个或多个燃料箱、燃料泵、和燃料轨。燃料喷射器166被示出为直接联接到气缸14，用于与经由电子驱动器168从控制器12接收的信号FPW-1的脉冲宽度成比例地直接喷射燃料在气缸14中。以这种方式，燃料喷射器166提供所谓的燃料到燃烧气缸14中的直接喷射(下文中称为“DI”)。尽管图1示出定位到气缸14的一侧的喷射器166，但是该喷射器166可替代地可位于活塞的顶部，诸如靠近火花塞192的位置。当用醇基燃料操作发动机时，由于一些醇基燃料的挥发性较低，此位置可改善混合和燃烧。可替代地，喷射器可位于顶部并靠近进气门以改善混合。燃料可经由高压燃料泵和燃料轨从燃料系统8的燃料箱递送到燃料喷射器166。此外，燃料箱可具有向控制器12提供信号的压力换能器。
在提供所谓的燃料到气缸14上游的进气道中的进气道燃料喷射(以下称为“PFI”)的配置中，燃料喷射器170被示出为布置在进气通道146中，而不是布置在气缸14中。燃料喷射器170可与经由电子驱动器171从控制器12接收的信号FPW-2的脉冲宽度成比例地喷射从燃料系统8接收的燃料。注意，单个驱动器168或171可用于两个燃料喷射系统，或可使用多个驱动器，例如用于燃料喷射器166的驱动器168和用于燃料喷射器170的驱动器171，如图所示。
在替代示例中，燃料喷射器166和燃料喷射器170中的每个可被配置为用于将燃料直接喷射到气缸14中的直接燃料喷射器。在又一个示例中，燃料喷射器166和燃料喷射器170中的每个可被配置为用于在进气门150的上游喷射燃料的进气道燃料喷射器。在其他示例中，气缸14可仅包括单个燃料喷射器，所述单个燃料喷射器被配置为以变化的相对量从燃料系统接收不同的燃料作为燃料混合物，并且还被配置为作为直接燃料喷射器将该燃料混合物直接喷射到气缸中，或作为进气道燃料喷射器在进气门的上游喷射该燃料混合物。因此，应当理解，本文中所描述的燃料系统不应受到本文中以示例的方式描述的特定燃料喷射器配置的限制。
在气缸的单个循环期间，燃料可由两个喷射器递送到气缸。例如，每个喷射器可递送在气缸14中燃烧的总燃料喷射的一部分。此外，如下所述，从每个喷射器递送的燃料的分配量和/或相对量可随着工况诸如发动机负荷、爆震和排气温度而改变。可在打开的进气门事件、关闭的进气门事件(例如，基本上在进气冲程之前)期间以及在打开的进气门操作和关闭的进气门操作二者期间递送进气道喷射的燃料。类似地，例如，可在进气冲程期间递送以及在先前的排气冲程期间部分地递送、在进气冲程期间递送以及在压缩冲程期间部分地递送直接喷射的燃料。因此，即使对于单个燃烧事件，喷射的燃料也可在不同的正时从进气道喷射器和直接喷射器喷射。此外，对于单个燃烧事件，可在每个循环中执行所递送的燃料的多次喷射。可在压缩冲程、进气冲程或其任何适当的组合期间执行多次喷射。
燃料喷射器166和燃料喷射器170可具有不同的特性。这些特性包括尺寸上的差异，例如，一个喷射器可具有比另一个喷射器更大的喷射孔。其他差异包括但不限于不同的喷洒角度、不同的操作温度、不同的目标、不同的喷射正时、不同的喷洒特性、不同的位置等。此外，根据喷射器170和喷射器166之间所喷射的燃料的分配比，可实现不同的效果。
燃料系统8中的燃料箱可容纳不同燃料类型的燃料，诸如具有不同燃料质量和不同燃料组分的燃料。这些差异可包括不同的醇含量、不同的水含量、不同的辛烷值、不同的汽化热、不同的燃料共混物和/或其组合等。具有不同汽化热的燃料的一个示例可以包括具有较低汽化热的作为第一燃料类型的汽油和具有较高汽化热的作为第二燃料类型的乙醇。在另一个示例中，发动机可使用汽油作为第一燃料类型，并且使用含醇的燃料共混物诸如E85(其为约85％乙醇和15％汽油)或M85(其为约85％甲醇和15％汽油)作为第二燃料类型。其他可行的物质包括水、甲醇、醇和水的混合物、水和甲醇的混合物、醇的混合物等。
在又一个示例中，两种燃料可为具有变化的醇组分的醇共混物，其中第一燃料类型可为具有较低醇浓度的汽油醇混合物，诸如E10(其为约10％乙醇)，而第二燃料类型可为具有较高醇浓度的汽油醇共混物，诸如E85(其为约85％乙醇)。另外，第一燃料和第二燃料的其他燃料质量也可不同，诸如温度、粘度、辛烷值等的差异。此外，例如由于箱再填充的日复一日的变化，一个或两个燃料箱的燃料特性可频繁地变化。
控制器12在图1中被示出为微型计算机，其包括微处理器单元(CPU)106、输入/输出端口(I/O)108、用于可执行程序和校准值的电子存储介质(其在该特定示例中被示出为用于存储可执行指令的非暂时性只读存储器芯片(ROM)110)、随机存取存储器(RAM)112、保活存储器(KAM)114和数据总线。除了先前讨论的那些信号之外，控制器12还可接收来自联接到发动机10的传感器的各种信号，包括来自质量空气流量传感器122的引入的质量空气流量(MAF)的测量值；来自BP传感器137的大气压力；来自联接到冷却套筒118的温度传感器116的发动机冷却剂温度(ECT)；来自联接到曲轴140的霍尔效应传感器120(或其他类型)的表面点火感测信号(PIP)；来自节气门位置传感器的节气门位置(TP)；以及来自传感器124的绝对歧管压力信号(MAP)。发动机转速信号RPM可由控制器12从信号PIP产生。来自歧管压力传感器的歧管压力信号MAP可用于提供进气歧管中的真空或压力的指示。控制器12接收来自图1的各种传感器的信号并且采用图1的各种致动器来基于接收的信号和存储在控制器的存储器上的指令来调节发动机操作。例如，基于由控制器命令到联接到直接喷射器的驱动器的脉冲宽度信号，可将燃料脉冲从直接喷射器递送到对应的气缸中。参考图3至图5A和图8示出可由控制器执行的示例程序。
如上所述，图1仅示出多气缸发动机的一个气缸。因此，每个气缸可类似地包括其自己的一组进气门/排气门、(一个或多个)燃料喷射器、火花塞等。应当理解，发动机10可包括任何合适数量的气缸，包括2个、3个、4个、5个、6个、8个、10个、12个或更多个气缸。此外，这些气缸中的每个能够包括图1中参考气缸14所描述和描绘的各种部件中的一些或全部。
在一些示例中，车辆5可为具有可用于一个或多个车轮55的多个扭矩源的混合动力车辆。在其他示例中，车辆5是仅具有发动机的传统车辆或仅具有(一个或多个)电机的电动车辆。在所示的示例中，车辆5包括发动机10和电机52。电机52可为马达或马达/发电机。当一个或多个离合器56接合时，发动机10的曲轴140和电机52经由变速器54连接到车轮55。在所描绘的示例中，第一离合器56设置在曲轴140和电机52之间，并且第二离合器56设置在电机52和变速器54之间。控制器12可向每个离合器56的致动器发送信号以接合或松开离合器，以便将曲轴140与电机52及与电机52连接的部件连接或断开，和/或将电机52与变速器54及与变速器54连接的部件连接或断开。变速器54可为齿轮箱、行星齿轮系统或其他类型的变速器。动力传动系统可以各种方式配置，包括作为并联、串联或串并联的混合动力车辆。
电机52从牵引电池58接收电力以向车轮55提供扭矩。电机52也可作为发电机操作，以例如在制动操作期间向充电电池58提供电力。
各种车辆部件可需要定期维修和诊断。另外，基于它们的维修或劣化历史，每个部件的剩余寿命可不同。例如，控制器可间歇地诊断并递归地估计车辆系统电池、进气空气过滤器等的剩余寿命。如参考图3至图5A和图8所详细描述的，车辆控制器可被配置为使用算法来基于部件的劣化行为的先前历史、与部件相关的参数的感测数据以及基于映射的车辆行驶统计(诸如实时车辆行驶统计，或在当前车辆行驶循环中编译的统计)来进行关于部件的剩余寿命的统计预测。控制器然后可向车辆操作者提供关于部件的有意义的信息，诸如以维修距离或维修时间估计的形式。
图1的部件使得这样的车辆系统成为可能，该车辆系统包括发动机；由电池驱动的马达；用于测量电池电压和电流的传感器；以及控制器。控制器可被配置有存储在非暂时性存储器上的计算机可读指令，用于：基于从感测的电池电流或电压推导的确定的电池电容和电阻(包括确定的电池电阻和电容的过去历史)来预测电池的劣化状态。控制器可包括进一步的指令，用于基于过去的行驶历史数据(包括所确定的度量的过去历史)和预测的未来行驶来将预测的劣化状态转换成显示给车辆操作者的剩余时间或持续时间估计。
图1的部件还使得这样的车辆系统成为可能，该车辆系统包括：发动机，该发动机包括进气通道；空气过滤器，该空气过滤器联接到进气通道；进气节气门；歧管气流传感器，其联接在进气节气门下游；以及控制器。控制器可被配置有存储在非暂时性存储器上的计算机可读指令，用于：当进气节气门被命令高于阈值节气门角度时，存储测量的气流读数；基于所存储的测量的气流读数来估计指示歧管气流的分布的度量；基于所估计的相对于阈值的度量来预测空气过滤器的劣化状态；以及基于过去的行驶历史数据(包括所估计的度量的过去历史)和预测的未来行驶来将预测的劣化状态转换成用于显示给车辆操作者的剩余时间或持续时间估计。作为示例，预测可包括当估计的度量下降到阈值以下时预测较高的劣化状态。度量可为第一度量，并且控制器可包括用于估计指示通过空气过滤器的平均歧管气流的第二度量的进一步的指令。在那种情况下，预测可包括当第二度量下降到阈值以下时预测较高的劣化状态。阈值可根据从估计的度量的过去历史中检索的度量的最近估计以及自估计的度量的最近估计以来车辆行进的距离来确定。可替代地，阈值可根据从估计的度量的过去历史中检索的安装空气过滤器时的度量的初始估计以及自安装空气过滤器以来车辆行进的距离来确定。
现在转到图2，曲线图200、曲线图220和曲线图230描绘了用于车辆部件的示例劣化模型。在每种情况下，x轴描绘时间，并且y轴描绘百分比寿命，其中T100表示当部件达到其可用寿命的终点L100时的时间。
通常假设部件的劣化行为在整个可用寿命时间间隔内是恒定的。例如，如参考曲线图200所示，假设恒定的劣化行为，可确定线性劣化模型，其中根据以下等式计算剩余寿命：L＝α*T，其中α是劣化速率。在部件失效之前的中间时间(Tinterm)处，部件可被预测具有为Linterm的百分比寿命。此处，Tinterm是在部件的寿命开始(L0，部件首次起作用时，诸如更换后、维修后、重置后等)和实时进行预测的时间之间经过的时间。因此，基于该模型，可将Linterm确定为：Linterm＝α*Tinterm。然后将直到部件寿命终点的剩余时间(TRL)确定为：
TRL＝(T100-Tinterm)＝(L100-Linterm)/α
基于部件的劣化(在T0和Tinterm之间的过去的观察)实时估计α。提供L100作为输入来限定部件的寿命的终点。然后从预测算法实时估计Linterm。
然而，由于部件的操作性质以及与噪声因素的相互作用，可存在导致部件的剩余寿命突然变化的情况。作为示例，在行驶和发动机吸气期间，由于过滤器上的灰尘积聚，进气空气过滤器可以线性劣化速率缓慢堵塞。然而，在车辆行驶通过雪地期间，或在存在多尘条件(诸如在沙尘暴中行驶)时，空气过滤器可在较短的时间量内堵塞较多，其中额外的堵塞可以或可以不基于积聚的类型而清除。在此情况下，如果常数基于过去的统计仍可假设恒定的劣化速率，并且可基于条件的实时评估实时调节速率，则对剩余寿命进行建模。
例如，参考曲线图220，模型可最初假设在T0和Tinterm之间的恒定劣化速率。在Tinterm，部件可经受剧烈的变化，其导致剩余的百分比寿命估计从Linterm改变为L'interm，其中L'interm＝Linterm+ΔL。假设如在T0和Tinterm之间的T0和T'interm之间的恒定的劣化行为，并且由于Linterm＝α*Tinterm，剩余寿命计算为：
TRL＝(T100-Tinterm)＝(L100-Linterm-ΔL)/α＝(L100-L'interm)/α
应当理解，剧烈的变化可为正的或负的，且该等式可适用于两种情况。
参考曲线图230，该模型可最初假设在T0和Tinterm1之间的恒定劣化速率。在Tinterm1，可发生第一正剧烈变化，其导致剩余百分比寿命估计从Linterm改变为L'interm。在Tinterm1和Tinterm之间，可假定恒定的劣化速率。在Tinterm2，可发生第二负剧烈变化，其导致剩余百分比寿命估计从L'interm返回到Linterm。此后，恒定劣化速率可被重新假设直到L100。作为此种条件的示例，如果空气过滤器由于积雪而部分堵塞，则过滤器的健康状态可存在剧烈变化，从而使过滤器的剩余寿命向上移动，更接近部件的寿命的终点。然而，当雪融化时，或如果过滤器被移除、清洁并放回适当位置，过滤器的健康状态存在另一个剧烈变化，从而使过滤器的剩余寿命向下移动。
现在转到图3，示出用于估计车辆部件的剩余寿命的示例方法300。可由控制器基于存储在控制器的存储器上的指令并结合从发动机系统的传感器(诸如上面参考图1描述的传感器)接收的信号来执行用于实行方法300和本文包括的剩余方法的指令。根据下面描述的方法，控制器可采用车辆系统和发动机系统的致动器来诊断部件的健康状态。该方法使得能够基于与车辆部件相关联的度量的值在车辆行进的持续时间内从在车辆系统中安装时的度量的初始值的变化来预测车辆部件的劣化状态。预测还基于车辆在持续时间内行进的距离，该度量从感测的车辆操作参数被推导出。该方法还使得能够将预测的劣化状态转换成显示给车辆操作者的在车辆部件需要维修(或更换)之前剩余的时间或持续时间的估计，该转换基于过去的行驶历史数据和预测的未来行驶中的每个。
在302处，该方法包括估计和/或测量车辆工况。这些工况可包括例如车辆速度、发动机转速、踏板位置、驾驶员扭矩需求、环境条件(诸如环境温度、压力和湿度)、增压压力、电池荷电状态、歧管空气流量、排气空气燃料比、变速器挡位选择、行驶模式(例如电动模式或发动机模式；运动模式、性能模式或经济模式)等。
在303处，该方法包括选择部件用于评估。部件可被定期评估。其中部件的选择可基于自部件的最后一次评估以来经过的车辆行进的时间或距离。在另一个示例中，选择可基于从操作者接收的有效请求。这可为对定期评估的补充或独立于定期评估。例如，操作者可在开始计划的行进路线之前请求预测系统电池。
在304处，该方法包括检索正被评估的部件的劣化或维修历史。这包括检索自部件首次在车辆中安装或操作以来所经过的时间或持续时间。可替代地，这可包括检索自最后一次维修、修理或重置部件以来所经过的时间或持续时间。另外，维修历史可包括关于以下项的细节：在最近维修事件之前的部件劣化速率、部件的基本劣化速率、部件在车辆寿命内的平均劣化速率以及与在车辆的寿命内启用的部件相关联的任何诊断代码。
在306处，该方法包括使用在车辆上感测的数据来确定部件的健康状态。如参考图5A和图8的示例所详细描述的，这包括感测与该部件相关联的一个或多个参数，以及将在该程序的当前迭代上感测的数据与在该程序的先前迭代上感测的数据进行比较，以实时更新部件的劣化速率(从基本速率)。例如，控制器可基于从感测的车辆操作参数推导的确定的度量(包括确定的度量的过去历史)来预测车辆部件的劣化状态。在一个示例中，车辆部件是系统电池，所确定的度量是电池电阻和电池电容中的一个或多个，并且感测的车辆操作参数包括电池电流和电池电压中的一个或多个。在另一个示例中，车辆部件是发动机进气空气过滤器，并且确定的度量是通过过滤器的空气流量的平均值和标准偏差值中的一个或多个，并且感测的车辆操作参数包括歧管空气流量。在每种情况下，基于预测的车辆部件来选择感测的车辆操作参数。
该方法从306前进到308，其中基于相对于阈值(如基于感测的数据确定)的健康状态来诊断部件。例如，如果估计的健康状态被确定为小于部件特定的阈值，则部件可被视为劣化，并且可向操作者提供部件需要被修理、维修或更换的指示。
同时，该方法从306前进到310，其中车辆行驶统计被检索。车辆行驶统计可包括例如在车辆寿命内覆盖的距离(例如，基于里程表读数)、在车辆寿命内已经发生的维修事件的数量和频率(例如，已经发生多少次机油保养、它们被执行的频率、它们在多少里程表读数下被执行)、车辆的平均燃料经济性、车辆的平均速度、车辆的平均变速器挡位使用、平均每天覆盖的英里数、车辆的平均轮胎压力等。车辆行驶统计还可包括例如操作者特定的行驶方式和习惯。例如，这可以包括操作者对于燃料经济性与性能、踏板施加和压下的频率和程度(例如，操作者是否是“爱开快车的人(lead footed)”)的偏好、操作者有多想行驶、操作者行驶的平均速度等。车辆行驶统计还可包括关于以下项的细节：车辆通常行驶的天气条件，诸如车辆通常是在雨中还是雪中，干燥还是潮湿的条件中操作等。车辆行驶特性可反映操作者的行驶倾向以及车辆部件经历的平均条件，这可影响部件的基本劣化速率。
在312处，部件的估计的健康状态(基于感测的数据)和检索的车辆行驶统计可组合使用以执行在部件劣化之前剩余的时间或距离的递归估计。例如，可更新部件的估计的健康状态以考虑车辆行驶统计，并且然后可将更新的健康状态转换成在发生部件劣化之前剩余的时间/距离的估计。在一个示例中，控制器可使用与图4的算法组合的算法(诸如图6的示例算法或图8的示例程序)，以将更新的健康状态转换成在发生部件劣化之前剩余的时间/距离的估计。例如，控制器可基于过去的行驶历史数据(包括确定的度量的过去历史)和预测的未来行驶来将预测的劣化状态转换成用于显示给车辆操作者的剩余时间或持续时间估计。另外，可基于过去的行驶历史数据和预测的未来行驶来将预测的劣化状态转换成用于显示给车辆操作者的燃料箱再填充事件的剩余数量。
在314处，控制器可诸如在车辆的中央控制台的显示屏幕上向车辆操作者显示在部件劣化之前剩余的估计的时间/距离。
现在转到图4，示出用于估计车辆部件的维修时间或距离信息的示例方法400。该算法依赖于根据绝对时间的行驶频率或持续时间的统计特性。剩下的距离(或时间)的预测是基于部件的过去劣化速率以及车辆的过去行驶统计而作出的。距离估计可被确定为在部件劣化之前剩下的剩余时间(以天计)与车辆每天行驶的距离的乘积。通过考虑行驶变化(例如，针对一周中的特定日期的行驶变化，或周之间的变化)，并且还考虑安全裕度，可进一步增强距离估计的准确度，该安全裕度更好地确保部件在估计的剩余寿命期间的健康的操作。
例如，在任何给定的时间，该算法都可依赖于劣化速率模型来将标准偏差增大为：
％劣化(t)＝μ劣化(t)+n*σ劣化(t)
其中n是能够被校准的安全系数，并且其中μ劣化(t)和σ劣化(t)是劣化模型的实时估计。
在402处，该方法包括确认发动机启动。例如，在车辆是混合动力车辆的情况下，可确认车辆正在以发动机模式操作，或以扭矩需求的至少一部分由发动机扭矩提供的辅助模式操作。如果发动机未启动，则程序可结束。在电动模式下，由于没有空气流量通过空气过滤器，因此预期不出现劣化。这同样适用于其他汽油发动机相关部件(如油过滤器、冷却剂泵等)。在电动模式操作期间，诸如电池和交流发电机的其他部件仍然是可操作的。因此，当发动机关闭时，它们仍然可被监测/预测。
在406处，该方法包括使时间计数器递增以便提供经过的时间(t)的实时估计。接下来，在408处，该方法包括检查是否对正在执行程序的当前日期(“今天”)执行算法的最后一遍。在410处，该方法包括将在时间t行进的距离递增为：
dist(t)＝dist(t-1)+Vspd*Δt，
其中dist(t)是在时间t处覆盖的距离，dist(t-1)是在程序的上一次迭代(t-1)处覆盖的距离，Vspd是车辆速度，并且Δt是自程序的上一次迭代以来经过的时间。
在412处，该方法任选地包括递归地更新为所评估的部件收集的数据的一个或多个统计参数，所述一个或多个统计参数包括所收集的数据的平均值(μ今天(t))和所收集的数据的标准偏差值(σ今天(t))。然后将更新的值存储为在程序的上一次迭代(例如，上周)时存储的先前值和所覆盖的距离(dist(t))的函数。根据预期算法以报告/更新被监测/预测的部件的剩余寿命的频率，程序每天更新，或者在目标部件可倾向于快速劣化的情况下在同一天内更新。
返回到408，如果对被选择用于执行程序的固定日期(“今天”)正在执行算法的当前遍次，则在420处，可指示程序的最后一遍的日期是当前日期(今天的日期)。在422处，该方法任选地包括递归地更新为所评估的部件收集的数据的一个或多个统计参数，所述一个或多个统计参数包括所收集的数据的平均值(μ今天-1(t))和所收集的数据的标准偏差值(σ今天-1(t))。然后将更新的值存储为在程序的上一次迭代(例如，上周)时存储的先前值和所覆盖的距离(dist(t))的函数，即上周的μ今天-1、σ今天-1和dist(t)的估计。这里基于旧的值(来自最后一遍)和最后一天行进的距离来更新μ和σ估计。
在424处，该方法包括将覆盖的距离设置为零以在新的一天重新初始化距离计数器。也就是说，控制器可设置dist(t)＝0。作为示例，假设行驶统计是针对一周中的给定日期，例如星期天。为了更新当前周的星期日的统计(即星期日的σ和μ值)，算法可以以下两种方式中的一种进行。在第一选项中，控制器可实时(即连续地)估计或更新值，并在每次收集新的数据时存储结果。这里输入可为σ(d,w-1)、μ(d,w-1)以及dist(d,t)。产生的输出是σ(d,w)和μ(d,w)。在第二选项中，控制器可在星期日继续收集行驶数据，并且等待到星期一，以一次性更新星期日的行驶统计(即，在离散事件中)并存储新的结果。这里输入可为σ(d-1,w-1)、μ(d-1,w-1)和dist(d,t)。产生的输出是σ(d-1,w)和μ(d-1,w)。
以这种方式，图4的算法依赖于根据时间的部件的健康的统计特性。通过基于过去的劣化速率执行寿命的预先预测，并且执行线性或非线性近似以估计部件的剩余时间，提供了更可靠的预测方法。还通过使用行驶统计将剩余的维修时间映射到距离信息中，该信息可以更清晰的格式传送到车辆操作者，从而使得车辆操作者能够及时地对部件进行维修，并且任选地调节他们的行驶方式/习惯。
现在转到图5A，示出用于准确估计车辆系统电池的剩余寿命的示例程序500。图6将图5A的算法描绘为框图。该方法诊断和预测汽车电池的健康状态。该方法包括基于获悉的高级方法，其能够应用于所有类型的汽车电池，包括铅酸电池和锂离子电池。等效电路参数以固定的时间间隔有规律地被识别，并且被假设明确地取决于电池温度(θ)和荷电状态(SOC)。
电池的健康状态(SOH)能够表示为剩余寿命的百分比，其从新电池的100％变化为废电池的0％。随着电池老化并且其SOH减小，该电池的内部电阻增加并且其内部容量减小。图5A至图6的预测算法使用SOH的加权表示，其根据现象考虑到R的这些增加以及C的减少：
SOH＝SOHR*SOHC
内部R和C与被监测的估计的R0、R1和C1相关，并且由此估计SOH。图7的曲线图700描绘随时间变化的电池的内部C的变化，而图7的曲线图750描绘随时间变化的电池的内部R的变化。
现在转到图5A的方法500，在502处，该方法包括估计和/或测量温度条件。这些温度条件包括例如环境温度、电池温度等。在504处，该方法包括检索电池的维修历史以确定电池上次被维修的时间。电池的上次维修可包括更换、修理或重置电池。例如，可检索自电池上次维修以来车辆行进的持续时间或距离。另外，还可以检索在上次维修时电池劣化的速率以及上次维修时劣化的性质/原因。例如，可确定电池是否由于温度问题(例如由于过热)、由于老化、由于高于预期的磨损率、由于车辆事件/事故等而劣化。
在506处，该方法包括实时测量电池参数。例如，可执行电池电流(I)和电池电压(V)的实时估计。实时估计值可与参数的参考值进行比较。如本文详细描述的，控制器可基于从感测的车辆操作参数推导的确定的度量(包括确定的度量的过去历史)来预测车辆部件的劣化状态，并且然后基于过去的行驶历史数据(包括确定的度量的过去历史)和预测的未来行驶来将预测的劣化状态转换成用于显示给车辆操作者的剩余时间或持续时间估计。在所描绘的示例中，部件是系统电池，所确定的度量是电池电阻和电池电容中的一个或多个，并且感测的车辆操作参数包括电池电流和电池电压中的一个或多个。实时测量电池参数包括在车辆操作期间测量，因为车辆和发动机工况改变。例如，车辆操作参数可在瞬时车辆工况和稳态车辆工况期间被感测。控制器随后可将在瞬时车辆工况期间感测的车辆操作参数不同于(例如，高于)在稳态车辆工况期间感测的车辆操作参数进行加权。
在508处，该方法包括基于测量的温度条件来更新电池的热模型。例如，等效电路参数可标准化到参考温度。结果，随着电池老化，温度变化的影响根据等效电路参数的变化而降低(在一个示例中，被消除)。因此，图7中的参考曲线变成一维的并且与温度无关。在510处，该方法包括使用更新的热模型来预测电池的电阻和电容的变化。例如，如图7所示，可预期标准化的内部电阻和电容以随电池的健康状态改变而改变。
在512处，该方法包括部分基于等效电路模型的递归估计来预测电池荷电状态(SOC)。例如，随着电池电阻增加或随着电池电容减小，可预测较高的电池劣化状态。在514处，该方法包括基于预测的电池荷电状态、电阻和电容来递归地估计电池的健康状态。例如，随着电池老化，预期其内部电阻增加，而其电容减小。作为一个示例，估计的电池健康状态可包括百分比寿命使用的估计。例如，如果健康状态为60％，则指示已经使用了电池寿命的60％，并且只剩40％的电池寿命供使用。
作为示例，控制器可根据从确定的度量(本文为电池电阻和电容)的过去历史检索的确定的度量的最近估计和自确定的度量的最近估计以来车辆行进的距离来估计确定的度量的值。此外，控制器可根据确定的度量的初始估计来估计确定的度量的值，该初始估计从在车辆中安装部件时的确定的度量的过去历史中检索。过去的行驶历史和预测的未来行驶可包括行驶激进程度、踏板施加率、频繁出行时间模式、习惯概率模式、基于路线的统计概况和环境属性概况中的一个或多个，环境属性概况包括沿车辆行进路线的过去的天气事件和预测的天气事件。
在516处，该方法包括基于包括操作者行驶方式和习惯的车辆行驶统计来更新电池的健康状态。操作者行驶方式和习惯可包括从过去的行驶历史数据以及预测的未来行驶数据中检索的行驶方式和习惯。用于电池健康状态估计的算法可依赖于基本的固定的劣化速率。然而，如参考图2所解释的，可存在导致劣化速率从固定速率增加或减少的事件。这些事件中的一些可在车辆发动机的外部，诸如包括降水(其可由于环境湿度的增加而影响部件)的天气事件。其他事件可包括操作者行驶方式，诸如操作者有多想行驶、操作者是否稳定行驶与频繁施加加速器踏板和制动踏板、车辆行驶的平均速度、车辆行驶的平均模式(例如混合动力车辆中的发动机模式或电动模式)等。此外，可考虑未来(例如，预测的)行驶方式，诸如地形、环境高度和温度、预测的踏板事件以及沿选择的导航路线预期的倾斜/斜坡。例如，如果操作者频繁地施加加速器踏板和制动踏板(或考虑到所选择的行进路线期望操作者频繁地施加加速器踏板和制动踏板)，则电池可较快地耗尽。作为另一个示例，如果操作者激进行驶，则电池可加热得较快，并且由于较高的平均电池温度而磨损。参考早先的示例，如果原来估计的健康状态是60％，则基于行驶统计，健康状态可更新到68％，其指示由于车辆行驶统计能够预期电池较快地劣化。
在518处，该方法包括将估计的健康状态转换成电池剩余寿命的估计，剩余寿命估计被提供为电池需要被维修之前剩余的时间或距离。具体地，控制器可将预测的劣化状态转换为用于显示给车辆操作者的剩余时间或持续时间估计，该转换基于过去的行驶历史数据和预测的未来行驶，该过去的行驶历史数据包括确定的度量的过去历史(在本文为电池的电阻和电容概况的过去历史)。控制器可使用估计的健康状态和当前车辆距离估计(例如，如车辆的里程表所指示)来计算剩余寿命。此外，转换可基于从过去的行驶历史数据中检索的车辆行进的绝对距离。
在520处，控制器可例如在车辆的中央控制台上的显示器上向车辆操作者显示直到部件劣化为止剩余的估计的时间/距离。例如，可显示“电池需要在120英里内更换”。这可向操作者提供对电池何时需要维修的更容易理解的估计。另外，所显示的估计可提示车辆操作者调节他们的行驶方式，例如，可提示操作者不太激进地行驶。此外，控制器可基于过去的行驶历史数据和预测的未来行驶来将预测的劣化状态转换成用于显示给车辆操作者的燃料箱再填充事件的剩余数量。
以这种方式，图5A的方法明确地考虑电池温度θ和SOC对健康状态的识别的影响，并且根据θ和SOC来建立RC参数的3D(离散域)映射。另外，所提出的离散域映射允许较容易的“物理性”约束，并且能够与系统的不同时间尺度相关。
该策略本质上是基于获悉的方法，其中在电池寿命期间“定期”识别RC参数以产生SOH和时间估计。考虑如图5B中所示的n阶Randel模型(一阶模型将仅有一个RC元素)。
等效电路参数是根据温度和SOC以“快速”方式估计的。更高阶Randel模型的扩展是可能的。随着电池老化监测所获得的R0(T,SOC)、R1(T,SOC)，和C1(T,SOC)以产生剩余可用寿命随时间变化的估计。
应用于等效电路模型的基尔霍夫定律(Kirchhoff Law)产生：
Figure GDA0001627535500000191
将上面的等式转变成拉普拉斯域(Laplace domain)给出：
Figure GDA00016275355000001910
对应的传递函数被确定为：
Figure GDA0001627535500000192
使用Tustin规则
Figure GDA0001627535500000193
则对应的离散时间传递函数能够表示为：
Figure GDA0001627535500000194
其中
Figure GDA0001627535500000195
Figure GDA0001627535500000196
V(k)＝Φx其中
Figure GDA0001627535500000197
然后能够使用递归方法来将预测电压和测量电压之间的误差最小化为：
Figure GDA0001627535500000198
其中∈k是误差测量，λ是遗忘因素并且γ是增益矩阵。
以这种方式，双向映射允许在离散域等效电路参数和物理域等效电路参数之间的转变。然后需要施加物理性约束来确保R>0并且C>0。更新的公式是“近似的”，因为它在每个时间样本对更新的幅度施加约束。
Figure GDA0001627535500000199
Figure GDA0001627535500000201
令τ(θ)＝R1(θ)C1(θ)：时间常数
Figure GDA0001627535500000202
使“RC分支”时间常数与采样率相关的无单位参数
Figure GDA0001627535500000203
Figure GDA0001627535500000204
公式的对称性值得注意。
然后在线识别针对θ和SOC的不同输入条件“重复”运行。然后为等效电路参数建立3D映射：
R0＝f1(θ,SOC)
R1＝f2(θ,SOC)
C1＝f3(θ,SOC)
初始参数R0(0)、R1(0)和C1(0)能够从离线估计中获得。也能够使用起动转动特质和观测的系统时间约束来初始化算法。
Figure GDA0001627535500000205
然后，闭公式产生a1、b0和b1，其中k1、k2和k3是在初始放电阶段期间应当被选择的离散时刻。
以这种方式，控制器可基于在车辆行进的持续时间内电池电阻和电容从在车辆系统中安装时估计的初始值的变化并且还基于在持续时间内车辆行进的距离来预测车辆电池的劣化状态，电池电阻和电容由感测到的电池电流或电压推导。控制器然后可将预测的劣化状态转换成用于显示给车辆操作者的在电池需要维修之前剩余的时间或持续时间的估计，该转换基于过去的行驶历史数据和预测的未来行驶中的每个。在此，在瞬时车辆工况期间感测到的电池电压或电流可与在稳态车辆工况期间感测到的电池电压或电流不同地被加权。例如，在瞬时车辆工况期间感测到的电池电压或电流可被加权高于在稳态车辆工况期间感测到的电池电压或电流。
图6将图5A的方法的算法描绘为框图。框图600示出电池的健康状态(SOH)估计的不同部件之间的互连。至第一方框(即电池识别(ID))的输入是电流和电压。该部件通过在线估计，在适当的输入条件下更新等效电路模型参数，即R0、R1和C1。然后使用热模型方框将获得的值标准化为对应于参考温度的参考值。通过使用“电荷和电容”方框以及“Em计算”方框实时估计荷电状态(SOC)和开路电压Em，确保对SOC(或等同地，放电深度)的明显的依赖。然后将这些不同部件的输出馈送到参数演变方框中，该方框允许记录随电池老化的等效电路模型参数的变化。这种趋势与来自“行驶统计”方框的输入一起允许预测运行并产生对电池剩余寿命的估计。该算法还包括电池电路等式模型，其允许使用Em、R0、R1和C1的估计值来预测对于任何输入电流的电池的电压输出。
以这种方式，控制器可基于持续时间内与车辆部件相关联的度量的变化以及持续时间内车辆行进的距离来预测车辆部件的劣化状态，该度量从感测到的车辆操作参数推导。控制器然后可基于过去的行驶历史数据和预测的未来行驶将预测的劣化状态转换成用于显示给车辆操作者的剩余时间或持续时间估计。控制器然后可将剩余时间或持续时间估计向车辆操作者显示为直到车辆部件需要维修为止剩余的燃料箱再填充事件的数量。过去的行驶历史和预测的未来行驶可包括行驶激进程度、踏板施加率、频繁出行时间模式、习惯概率模式、基于路线的统计概况和环境属性概况中的一个或多个，环境属性概况包括沿车辆行进路线的过去的天气事件和预测的天气事件。转换可基于行进的距离，该转换包括利用基于当前车辆里程表读数的因素进行转换。当车辆部件为系统电池时，如所描绘的情况，感测的车辆操作参数包括电池电流和电池电压。当车辆部件是发动机进气空气过滤器时，如图8所述，感测的车辆操作参数包括歧管空气流量和歧管空气压力中的一个。持续时间内度量的变化可包括从安装车辆部件时估计的度量的初始值的变化。预测可包括当度量的当前值相对于度量的初始值之间的差值增加到高于阈值时，将车辆部件的劣化状态朝向完全劣化状态提升，该阈值基于持续时间内车辆行进的距离。
现在转到图8，示出用于基于歧管空气流量和/或歧管空气压力测量来估计发动机进气空气过滤器的剩余寿命的示例方法800。该方法使得能够向车辆操作者通知在空气过滤器需要维修/更换之前剩余的车辆行进的时间或距离。
在802处，该方法包括估计和/或测量发动机条件。这些条件可包括例如发动机温度条件，诸如发动机温度、空气温度、环境温度等。在804处，该方法包括检索空气过滤器的维修历史以确定空气过滤器上次被维修的时间。空气过滤器的上次维修可包括更换、修理或重置空气过滤器。例如，可检索自空气过滤器上次维修以来车辆行进的持续时间或距离。另外，还可检索上次维修时空气过滤器的劣化速率以及上次维修时劣化的性质/原因。例如，可确定空气过滤器是否由于老化、由于高于预期的磨损率、由于糟糕的空气质量、由于车辆事件/事故等而劣化。
在806处，该方法包括在车辆操作期间(包括在瞬时车辆工况和稳态车辆工况期间)测量随着节气门位置的变化的歧管空气流量(MAF)的变化和/或歧管压力(MAP)的变化。具体而言，随着操作者扭矩需求的变化，控制器监测命令的节气门角度相对于测量的MAF或MAP的变化，以评估由于空气过滤器堵塞增加而引起的压降。本文中被评估的车辆部件是发动机进气空气过滤器，与所确定的过滤器相关联的度量是通过过滤器的空气流量的平均值和标准偏差值中的一个或多个，并且所感测的车辆操作参数(度量基于该参数被确定)包括歧管空气流量。控制器可将在较高进气节气门角度处感测的歧管空气流量加权高于在较低节气门角度处感测的歧管空气流量。可替代地，控制器可将在瞬时车辆工况期间感测的车辆操作参数加权高于在稳态车辆工况期间感测的车辆操作参数。在一些示例中，作为MAF的补充或替代，正被感测的车辆操作参数可包括相对于大气压力的歧管空气压力。在808处，该方法包括确认是否已经在高于阈值节气门角度处收集到足够的数据。也就是说，健康状态的预测可仅在已经收集到气流数据的阈值量之后执行，其中进气节气门在高于上阈值的节气门角度处。例如，可确认已经在55度或以上的节气门角度处收集到足够的数据。通过向在较大节气门角度处收集的数据给予更高的权重，节气门状态对MAF或MAP测量的影响可减小。对于大节气门角度，节流板作为对流量限制的影响被大大减小。空气过滤器堵塞增加的预期影响是在大节气门角度处测量的MAF或MAP的平均值的减小以及对应的标准偏差的减小。当空气过滤器堵塞更多时，MAF或MAP在空气过滤器水平处的快速瞬变可变得更加困难。因此，通过依赖于在较大节气门角度处收集的数据，在存在瞬变的情况下，能够更好地确定过滤器堵塞。另外，减少了对用于评估空气过滤器的稳态车辆操作的需要。
如果没有收集到足够的数据，则在810处，该方法继续收集数据。如果已经收集到足够的数据，诸如当已经在较高节气门角度处收集到多于可校准量的收集的数据时，则该方法移动到812，其中控制器递归地估计收集的MAF数据的平均值(mu或μ)和标准偏差值(sigma或σ)。平均值表示通过空气过滤器的气流的平均值，而标准偏差值表示收集的气流读数的分布。
在814处，可确定在较大节气门角度处的MAF/MAP的估计的平均值是否低于阈值，并且/或者估计的标准偏差值是否低于阈值。可替代地，可将估计的平均值和标准偏差值与预期值进行比较。气流读数的预期值可基于车辆行进距离、车辆的过去的行驶历史数据、车辆的预测的未来行驶以及在车辆中安装空气过滤器时的气流读数的初始值中的每个。在一个示例中，μ阈值是指示最大气流或歧管绝对压力的平均值的值。同样，σ阈值是指示瞬变流过空气过滤器的容易度的值。如果平均值和标准偏差值中的任何一个低于对应的阈值，则在816处，可指示空气过滤器劣化并且需要对其维修或更换。以这种方式，可基于所测量的μ和/或σ的变化来诊断空气过滤器。
如果估计的平均值和估计的标准偏差值中的一个或多个高于对应的阈值，则在818处，该方法包括基于平均值和/或标准偏差值的变化来递归地估计空气过滤器的健康状态。例如，当平均值和标准偏差值中的一个或多个减小时，控制器可以预测较高的劣化状态(过滤器更加劣化)。该变化可包括自程序的上一次迭代以来的变化、自空气过滤器上一次维修以来的变化，或自空气过滤器被安装在车辆中以来的变化。如参考图10至图12的示例所描述的，当过滤器堵塞时，在过滤器处测量的MAF/MAP的平均值可开始下降。另外，数据可不太分散，从而导致标准偏差值下降。作为一个示例，估计的空气过滤器的健康状态可包括百分比寿命使用的估计。例如，如果健康状态为60％，则指示已经使用了空气过滤器寿命的60％，并且只剩40％的空气过滤器寿命供使用。
图9示出过滤器堵塞对测量的空气质量流量的统计参数的影响的示例。曲线图900在曲线902(实线)处描绘了绿色(完全清洁或未堵塞)过滤器的MAF随节气门角度的变化，MAF包括平均值和标准偏差906(实线)。曲线图900在曲线904(虚线)处进一步描绘了完全堵塞的空气过滤器的MAF随节气门角度的变化，MAF包括平均值和标准偏差908(虚线)。在所描绘的示例中，在较大的节气门角度(诸如大于θ1的角度)处的MAF在α(绿色过滤器的MAF)的值和β(堵塞的过滤器的MAF)的值之间变化。基于绿色过滤器对堵塞的过滤器的校准的MAF平均值和标准偏差值，可以使用以下等式确定过滤器健康：
Figure GDA0001627535500000241
应当理解，在替代示例中，可测量MAP，在这种情况下，在较大节气门角度(诸如大于θ1的角度)处的MAP可在α(绿色过滤器的MAP)的值和β(堵塞的过滤器的MAP)的值之间变化。基于绿色过滤器对堵塞的过滤器的校准的MAF平均值和标准偏差值，可使用以下等式确定过滤器健康：
Figure GDA0001627535500000242
对于数据集Xi，其中i＝1...N，并且有序数据Xi＝{x1,x2,...xN}，
Figure GDA0001627535500000243
Figure GDA0001627535500000244
对于数据集Xi，其中i＝1...N，并且有序数据Xi＝{x1,x2,...xN}，假设对于大的N，μ(N+1)～μ(N)；我们得到：
Figure GDA0001627535500000245
其中：
Figure GDA0001627535500000251
Figure GDA0001627535500000252
上述等式示出基于旧值(最后一遍确定的值)、新估计值(xN+1)和当前数据计数器(N)逐步推导μ和σ的递归估计。
回到图8，在820处，该方法包括基于包括操作者行驶方式和习惯的车辆行驶统计来更新空气过滤器的健康状态。用于空气过滤器的健康状态估计的算法可依赖于基本的固定的劣化速率。然而，如参考图2所解释的，可存在导致劣化速率从固定速率增加或减少的事件。这些事件中的一些可在车辆发动机的外部，诸如包括降水(其可由于环境湿度的增加而影响部件)的天气事件。其他事件可包括操作者行驶方式，诸如操作者有多想行驶、操作者是否稳定行驶与频繁施加加速器踏板和制动踏板、车辆行驶的平均速度、车辆行驶的平均模式(例如混合动力车辆中的发动机模式或电动模式)等。例如，如果操作者频繁地施加加速器踏板和制动踏板或激进行驶，则通过过滤器的空气流量可较频繁地变化，从而导致较多的磨损。参考早先的示例，如果原来估计的健康状态是60％，则基于行驶统计，健康状态可更新到68％，其指示由于车辆行驶统计能够预期电池较快地劣化。
在822处，该方法包括将估计的健康状态转换成空气过滤器的剩余寿命的估计，剩余寿命估计被提供为空气过滤器需要维修之前剩余的时间或距离。控制器可使用估计的健康状态和当前车辆距离估计(例如，如车辆的里程表指示的)来计算剩余寿命。转换可基于车辆的过去的行驶历史数据(包括气流读数的分布的过去历史)和车辆的预测的未来行驶中的每个。转换可进一步基于经由里程表估计的车辆行进的距离以及选择的天气事件的存在。
在824处，控制器可例如在车辆的中央控制台上的显示器上向车辆操作者显示直到部件劣化为止剩余的估计的时间/距离。例如，可显示“空气过滤器需要在120英里内更换”。这可向操作者提供对空气过滤器何时需要维修的更容易理解的估计。控制器还可将剩余的时间或持续时间估计向车辆操作者显示为直到空气过滤器需要维修为止剩余的燃料箱再填充事件的数量。另外，所显示的估计可提示车辆操作者调节他们的行驶方式，例如，可提示操作者不太激进地行驶。
例如，控制器可基于当节气门角度高于上阈值时的小于预期的气流读数的分布来指示发动机进气空气过滤器的劣化状态。指示还可基于当节气门角度高于上阈值时低于预期的气流读数的平均值。控制器可基于小于预期的气流读数的分布来预测空气过滤器的劣化状态，并且将预测的劣化状态转换成用于显示给车辆操作者的在空气过滤器需要维修之前剩余的时间或持续时间的估计。转换可基于车辆的过去的行驶历史数据(包括气流读数的分布的过去历史)和车辆的预测的未来行驶中的每个。转换还可基于经由里程表估计的车辆行进的距离以及选择的天气事件的存在(诸如雪风暴、沙尘暴以及诸如雪和雨的各种形式的降水)。
以这种方式，图8的方法仅基于命令的节气门角度和测量的空气质量流量来提供空气过滤器的剩余寿命百分比的估计。因此，该方法能够提供准确确的估计，而不需要大量的存储器或处理器资源来评估空气过滤器的健康。
在图10至图11中示出描绘空气过滤器堵塞情况下的μ和σ趋势的示例数据。图10的曲线图1000描绘了针对绿色过滤器(较细的线数据点)和60％堵塞的过滤器(较粗的线数据点)的不同的命令的节气门角度处收集的MAF数据。在较大的节气门角度(诸如55度以上)处，堵塞的过滤器的MAF的平均值较低。另外，堵塞的过滤器的MAF数据的标准偏差或离散较低。具体而言，在较大节气门角度处更多的测量的MAF数据紧密聚集在一起，而对于相同的节气门角度，清洁的过滤器的测量的MAF数据中存在显著更多的变化。
图11的曲线图1100示出在高于60度的节气门角度处的图10的数据的近视(放大)视图。通过仅考虑较大节气门角度，其他障碍(诸如节气门堵塞)对评估的影响减小。绿色过滤器的数据的统计参数被描绘为包括实线1152处的平均值(μ1)和实线箭头1154处的标准偏差(σ1)。同样，60％堵塞的过滤器的数据的统计参数被描绘为包括在虚线1156处的平均值(μ2)和在虚线箭头1158处的标准偏差(σ2)。在较大节气门角度处，堵塞的过滤器的MAF的平均值较低。另外，堵塞的过滤器的MAF数据的标准偏差或离散较低。具体而言，在较大节气门角度处更多的测量的MAF数据紧密聚集在一起，而对于相同的节气门角度，清洁的过滤器的测量的MAF数据中存在显著更多的变化。以这种方式，通过监测在较大的节气门角度处测量的MAF的统计参数的变化，可预测进气空气过滤器的状态的变化。
以这种方式，在高于阈值节气门角度处已经收集气流读数的阈值量之后，基于在车辆操作期间测量的歧管气流读数相对于命令的节气门角度的比较，控制器可预测发动机进气空气过滤器的劣化状态；并且然后基于过去的行驶历史数据和预测的未来行驶将预测的劣化状态转换成用于显示给车辆操作者的剩余时间或持续时间估计。歧管气流读数可在稳态和瞬时发动机工况期间经由联接在进气节气门下游的气流传感器收集，并且可将在瞬时发动机工况期间收集的测量的歧管气流读数加权高于在稳态发动机工况期间收集的测量的歧管气流读数。基于比较的预测可包括基于测量的气流读数推导歧管空气流量的标准偏差值和平均值中的每个；并且当标准偏差值和平均值中的一个或多个下降到对应的预期值以下时增加预测的劣化状态。推导可包括将在高于阈值节气门角度处测量的歧管气流读数加权高于在低于阈值节气门角度处测量的气流读数。在本文中，对应的预期值基于在车辆中安装空气过滤器时估计的初始标准偏差值和初始平均值，并且还基于自在车辆中安装空气过滤器以来行进的车辆距离。可替代地，对应的预期值基于包括空气过滤器的过去劣化历史的过去行驶历史数据，并且对应的预期值包括在预测的紧接前一次迭代期间估计的歧管气流的最近标准偏差值和最近平均值。图10至图11的数据也在图12的曲线图1200和1250处以图形方式描绘。如曲线图1200所示，与堵塞的过滤器相比，绿色过滤器的MAF的平均值增加到较大的绝对值。因此，通过监测测量的MAF的平均值的变化，能够估计过滤器的堵塞程度的变化，并且能够估计过滤器在车辆操作的持续时间或距离内的堵塞速率。这进而能够用于预测过滤器将100％堵塞之前的剩余时间。如曲线图1250所示，与堵塞的过滤器相比，绿色过滤器的MAF的标准偏差值增加了较大的量。因此，通过监测测量的MAF的标准偏差值的变化，能够估计过滤器的堵塞程度的变化，并且能够估计过滤器在车辆操作的持续时间或距离内的堵塞速率。这进而能够用于预测过滤器100％堵塞之前的剩余时间。
虽然上面的示例示出使所测量的MAF的统计参数的变化与空气过滤器堵塞相关，但是应当理解，所测量的MAP的统计参数的变化可类似地与空气过滤器堵塞相关。在较大的节气门角度处，在给定进气压力下，其他障碍(诸如节气门堵塞)对空气过滤器评估的影响降低。当基于MAP估计评估空气过滤器时，可将测量的MAP与大气压力(BP)进行比较。为了减少BP变化对估计的MAP测量的影响，可选择参考BP值。从MAP测量的平均值中减去当前BP值相对于参考值的变化。
以这种方式，提供用于评估车辆部件的剩余可用寿命的基于预测的方法。预测方法可用于补充任何现有的预测特征，该预测特征主要通过估计在部件劣化之前剩下的时间和/或剩下的距离来将部件的剩余寿命近似表示为比率(或百分比)。通过依赖于根据行进的时间和距离的部件的健康的统计特性，部件的剩余寿命可被更准确地确定并且作为更易于理解的度量被提供给车辆操作者。
用于车辆的一个示例方法包括：基于从感测的车辆操作参数推导的确定的度量(包括所确定的度量的过去历史)来预测车辆部件的劣化状态；以及基于过去的行驶历史数据(包括所确定的度量的过去历史)和预测的未来行驶来将预测的劣化状态转换成用于显示给车辆操作者的剩余时间或持续时间估计。在前述的示例中，另外地或任选地，车辆部件是系统电池，所确定的度量是电池电阻和电池电容中的一个或多个，并且感测的车辆操作参数包括电池电流和电池电压中的一个或多个。在前述示例中的任一个或全部中，另外地或任选地，预测包括当电池电阻增加时或当电池电容减小时预测更高的劣化状态。在前述示例中的任一个或全部中，另外地或任选地，车辆部件是发动机进气空气过滤器，所确定的度量是通过过滤器的空气流量的平均值和标准偏差值中的一个或多个，并且感测到的车辆操作参数包括歧管空气流量。在前述示例中的任一个或全部中，另外地或任选地，该方法还包括将在较高进气节气门角度处感测到的歧管空气流量加权高于在较低节气门角度处感测到的歧管空气流量。在前述示例中的任一个或全部中，另外地或任选地，感测到的车辆操作参数还包括相对于大气压力的歧管空气压力。在前述示例中的任一个或全部中，另外地或任选地，预测包括当平均值和标准偏差值中的一个或多个减小时预测较高的劣化状态。在前述示例中的任一个或全部中，另外地或任选地，感测到的车辆操作参数在瞬时车辆工况和稳态车辆工况期间被感测，并且该方法还包括将在瞬时车辆工况期间感测的感测到的车辆操作参数加权高于在稳态车辆工况期间感测的感测到的车辆操作参数。在前述示例中的任一个或全部中，另外地或任选地，该方法还包括根据从所确定的度量的过去历史中检索到的确定的度量的最近估计以及自确定的度量的最近估计以来车辆行进的距离来估计所确定的度量的值。在前述示例中的任一个或全部中，另外地或任选地，该方法还包括根据在车辆中安装部件时从所确定的度量的过去历史中检索的所确定的度量的初始估计来估计所确定的度量的值。在前述示例中的任一个或全部中，另外地或任选地，转换还基于从过去的行驶历史数据中检索的车辆行进的绝对距离。在前述示例中的任一个或全部中，另外地或任选地，该方法还包括基于过去的行驶历史数据和预测的未来行驶将预测的劣化状态转换成用于显示给车辆操作者的燃料箱再填充事件的剩余数量。
用于车辆的另一个示例方法包括：基于在持续时间内与车辆部件相关联的度量的变化以及在持续时间内车辆行进的距离来预测车辆部件的劣化状态，该度量从感测到的车辆操作参数推导；以及基于过去的行驶历史数据和预测的未来行驶，将预测的劣化状态转换成用于显示给车辆操作者的剩余时间或持续时间估计。在前述示例中，另外地或任选地，该方法还包括将剩余时间或持续时间估计向车辆操作者显示为直到车辆部件需要维修为止剩余的燃料箱再填充事件的数量。在前述示例中的任一个或全部中，另外地或任选地，过去的行驶历史和预测的未来行驶包括行驶激进程度、踏板施加率、频繁出行时间模式、习惯概率模式、基于路线的统计概况和环境属性概况中的一个或多个，环境属性概况包括沿车辆行进路线的过去的天气事件和预测的天气事件。在前述示例中的任一个或全部中，另外地或任选地，基于行进距离的转换包括利用基于当前车辆里程表读数的因素进行转换。在前述示例中的任一个或全部中，另外地或任选地，车辆部件是系统电池，感测到的车辆操作参数包括电池电流和电池电压，并且其中当车辆部件是发动机进气空气过滤器时，感测到的车辆操作参数包括歧管空气流量和歧管空气压力中的一个。在前述示例中的任一个或全部中，另外地或任选地，在持续时间内的度量的变化包括从安装车辆部件时估计的度量的初始值的变化，并且其中预测包括当度量的当前值相对于度量的初始值之间的差值增加到高于阈值时，将车辆部件的劣化状态朝向完全劣化状态提升，该阈值基于持续时间内车辆行进的距离。
用于车辆系统的另一个示例方法包括：基于在车辆行进的持续时间内电池电阻和电容从在车辆系统中安装时估计的初始值的变化并且还基于在持续时间内车辆行进的距离来预测车辆电池的劣化状态，电池电阻和电容从感测到的电池电流或电压推导；以及将预测的劣化状态转换成用于显示给车辆操作者的在电池需要维修之前剩余的时间或持续时间的估计，该转换基于过去的行驶历史数据和预测的未来行驶中的每个。在前述示例中，另外地或任选地，在瞬时车辆工况期间感测到的电池电压或电流不同于在稳态车辆工况期间感测到的电池电压或电流被加权。
用于车辆的又一个示例方法包括：基于当节气门角度高于上阈值时小于预期的气流读数的分布来指示发动机进气空气过滤器的劣化状态。在前述示例中，另外地或任选地，该指示还基于当节气门角度高于上阈值时低于预期的气流读数的平均。在前述示例中的任一个或全部中，另外地或任选地，该指示包括：基于小于预期的气流读数的分布来预测空气过滤器的劣化状态；以及将预测的劣化状态转换成用于显示给车辆操作者的在空气过滤器需要维修之前剩余的时间或持续时间的估计。在前述示例中的任一个或全部中，另外地或任选地，转换基于车辆的过去的行驶历史数据(包括气流读数的分布的过去历史)和车辆的预测的未来行驶中的每个。在前述示例中的任一个或全部中，另外地或任选地，转换还基于经由里程表估计的车辆行进距离以及选择的天气事件的存在。在前述示例中的任一个或全部中，另外地或任选地，预测发生在已经收集了数据的阈值量之后，其中进气节气门在高于上阈值的节气门角度处。在前述示例中的任一个或全部中，另外地或任选地，该方法还包括将剩余时间或持续时间的估计向车辆操作者显示为直到空气过滤器需要维修为止剩余的燃料箱再填充事件的数量。在前述示例中的任一个或全部中，另外地或任选地，气流读数的预期分布基于车辆行进距离、车辆的过去的行驶历史数据、车辆的预测的未来行驶以及在车辆中安装空气过滤器时的气流读数的初始分布。在前述示例中的任一个或全部中，另外地或任选地，气流读数的预期平均基于车辆行进距离、车辆的过去的行驶历史数据、车辆的预测的未来行驶和在车辆中安装空气过滤器时的气流读数的初始平均。
用于车辆的另一个示例方法包括：在高于阈值节气门角度处已经收集气流读数的阈值量之后，基于在车辆操作期间测量的歧管气流读数相对于命令的节气门角度的比较，预测发动机进气空气过滤器的劣化状态；以及基于过去的行驶历史数据和预测的未来行驶，将预测的劣化状态转换成用于显示给车辆操作者的剩余时间或持续时间估计。在前述示例中，另外地或任选地，歧管气流读数在稳态和瞬时发动机工况期间经由联接在进气节气门下游的气流传感器收集，并且其中将在瞬时发动机工况期间收集的测量的歧管气流读数加权高于在稳态发动机工况期间收集的测量的歧管气流读数。在前述示例中的任一个或全部中，另外地或任选地，基于比较的预测包括：基于测量的气流读数推导歧管空气流量的标准偏差值和平均值中的每个；以及当标准偏差值和平均值中的一个或多个下降到对应的预期值以下时增加预测的劣化状态。在前述示例中的任一个或全部中，另外地或任选地，推导包括将在高于阈值节气门角度处测量的歧管气流读数加权高于在低于阈值节气门角度处测量的气流读数。在前述示例中的任一个或全部中，另外地或任选地，推导包括将在高于阈值节气门角度处测量的歧管空气流量加权高于在低于阈值节气门角度处测量的歧管空气流量。在前述示例中的任一个或全部中，另外地或任选地，对应的预期值基于在车辆中安装空气过滤器时估计的初始标准偏差值和初始平均值，并且还基于自在车辆中安装空气过滤器以来行进的车辆距离。在前述示例中的任一个或全部中，另外地或任选地，该方法还包括对应的预期值基于包括空气过滤器的过去劣化历史的过去行驶历史数据，并且其中对应的预期值包括在预测的紧接前一次迭代期间估计的歧管气流的最近标准偏差值和最近平均值。
示例车辆系统包括：发动机，该发动机包括进气通道；空气过滤器，该空气过滤器联接到进气通道；进气节气门；歧管气流传感器，该歧管气流传感器联接在进气节气门下游；以及控制器。控制器配置有存储在非暂时性存储器上的计算机可读指令，用于：当进气节气门被命令高于阈值节气门角度时，存储所测量的气流读数；基于所存储的测量的气流读数来估计指示歧管气流的分布的度量；以及基于相对于阈值的所估计的度量来预测空气过滤器的劣化状态；以及基于过去的行驶历史数据(包括所估计的度量的过去历史)和预测的未来行驶，将预测的劣化状态转换成用于显示给车辆操作者的剩余时间或持续时间估计。在前述示例中，预测包括当估计的度量下降到阈值以下时预测较高的劣化状态。在前述示例中的任一个或全部中，另外地或任选地，度量是第一度量，并且控制器包括用于估计指示通过空气过滤器的平均歧管气流的第二度量的进一步指令，并且其中预测包括当第二度量下降到阈值以下时预测较高的劣化状态。在前述示例中的任一个或全部中，另外地或任选地，阈值根据从估计的度量的过去历史检索的度量的最近估计以及自估计的度量的最近估计以来车辆行进的距离来确定。在前述示例中的任一个或全部中，另外地或任选地，阈值根据从估计的度量的过去历史检索的安装空气过滤器时的度量的初始估计以及自安装空气过滤器以来车辆行进的距离来确定。
在进一步的表示中，该方法可包括将感测到的车辆操作参数的统计确定的度量与在安装车辆部件时感测的感测到的车辆操作参数的初始统计属性进行比较，并且在当前统计属性相对于初始统计属性下降时增加预测的劣化状态。在另一个表示中，空气过滤器的劣化状态的预测可包括检索在车辆中安装部件时感测的气流的第一平均值和第一标准偏差值；将第一平均值与当前时间的感测的气流的第二平均值进行比较；将第一标准偏差值与当前时间的感测的气流的第二标准偏差值进行比较；以及当第二平均值下降到第一平均值以下或当第二标准偏差值下降到第一标准偏差值以下时，将空气过滤器的预测的劣化状态朝向完全劣化的状态增加。在前述示例中，另外地或任选地，该方法还可包括响应于第二平均值或第二标准偏差值下降到阈值以下，指示空气过滤器完全劣化并且需要被更换。在前述示例中，另外地或任选地，歧管气流在车辆稳态和瞬时工况期间被感测，并且预测包括将在车辆瞬时工况期间感测的车辆操作参数加权高于在车辆稳态工况期间感测的车辆操作参数。
注意，本文包括的示例控制和估计程序能够与各种发动机和/或车辆系统配置一起使用。本文公开的控制方法和程序可以作为可执行指令存储在非暂时性存储器中，并且可以由包括控制器的控制系统结合各种传感器、致动器以及其他发动机硬件来实行。本文所描述的特定程序可以表示任何数量的处理策略中的一个或多个，诸如事件驱动、中断驱动、多任务、多线程等。因此，所示的各种动作、操作和/或功能可以以所示的顺序执行、并行执行或在某些情况下被省略。同样地，处理的顺序不是实现本文所述的示例实施例的特征和优点所必需的，而是为易于说明和描述提供。可以根据所使用的具体策略重复执行所示出的动作、操作和/或功能中的一个或多个。另外，所描述的动作、操作和/或功能可以图形地表示要编程到发动机控制系统中的计算机可读存储介质的非暂时性存储器中的代码，其中所描述的动作通过在包括各种发动机硬件部件的系统中结合电子控制器执行指令来实行。
应当理解，因为可以有许多变化，所以本文公开的配置和程序本质上是示例性的，并且这些具体实施例不应被认为具有限制意义。例如，上述技术能够应用于V-6、I-4、I-6、V-12、对置4缸等发动机类型。本公开的主题包括本文所公开的各种系统和配置，以及其他特征、功能和/或性质的所有新颖且非显而易见的组合和子组合。
所附权利要求特别指出被认为是新颖且非显而易见的某些组合和子组合。这些权利要求可以指“一个”元素或“第一”元素或其等同物。此类权利要求应被理解为包括一个或多个此类元素的结合，既不要求也不排除两个或更多个此类元素。所公开的特征、功能、元素和/或性质的其他组合和子组合可以通过本申请权利要求的修正或通过在本申请或相关申请中提出新的权利要求来要求保护。此类权利要求，无论是宽于、窄于、等于或不同于原始权利要求的范围，也都被视为包括在本公开的主题内。

Claims (20)

1.一种用于车辆的方法，其包括：
通过更新车辆部件的先前估计的劣化状态来递归地预测所述车辆部件的劣化状态，所述更新基于来自车辆传感器的感测到的车辆操作参数，所述先前估计的劣化状态基于确定的度量，所述确定的度量包括所述确定的度量的过去历史；以及
将预测的劣化状态转换成所述车辆部件的剩余时间或持续时间估计以用于在车辆显示器上向车辆操作者显示所述估计，所述转换基于过去的行驶历史数据和预测的未来行驶，所述过去的行驶历史数据包括所述确定的度量的所述过去历史。
2.根据权利要求1所述的方法，其中所述车辆部件是系统电池，所述确定的度量是电池电阻和电池电容中的一个或多个，并且所述感测的车辆操作参数包括电池电流和电池电压中的一个或多个。
3.根据权利要求2所述的方法，其中所述预测包括当所述电池电阻增加时或当所述电池电容减小时预测高的劣化状态。
4.根据权利要求1所述的方法，其中所述车辆部件是发动机进气空气过滤器，所述确定的度量是通过所述过滤器的空气流量的平均值和标准偏差值中的一个或多个，并且所述感测的车辆操作参数包括歧管空气流量。
5.根据权利要求4所述的方法，还包括将在较高进气节气门角度处感测的所述歧管空气流量加权高于在较低节气门角度处感测的所述歧管空气流量。
6.根据权利要求4所述的方法，其中所述感测的车辆操作参数还包括相对于大气压力的歧管空气压力。
7.根据权利要求4所述的方法，其中所述预测包括当所述平均值和所述标准偏差值中的一个或多个减小时预测高的劣化状态。
8.根据权利要求1所述的方法，其中所述感测的车辆操作参数在瞬时车辆工况和稳态车辆工况期间被感测，所述方法还包括将在瞬时车辆工况期间感测的所述感测的车辆操作参数加权高于在稳态车辆工况期间感测的所述感测的车辆操作参数。
9.根据权利要求1所述的方法，还包括，根据从所述确定的度量的所述过去历史检索的所述确定的度量的最近估计以及自所述确定的度量的所述最近估计以来所述车辆行进的距离，估计所述确定的度量的值。
10.根据权利要求1所述的方法，还包括，根据从在所述车辆中安装所述车辆部件时所述确定的度量的所述过去历史检索的所述确定的度量的初始估计，估计所述确定的度量的值。
11.根据权利要求1所述的方法，其中所述转换还基于从所述过去的行驶历史数据检索的所述车辆行进的绝对距离。
12.根据权利要求1所述的方法，还包括，基于所述过去的行驶历史数据和预测的未来行驶，将所述预测的劣化状态转换成用于显示给所述车辆操作者的燃料箱再填充事件的剩余数量。
13.一种用于车辆的方法，其包括：
通过更新车辆部件的先前估计的劣化状态来递归地预测所述车辆部件的劣化状态，所述更新基于来自车辆传感器的感测到的车辆操作参数、持续时间内与所述车辆部件相关联的度量的变化以及所述持续时间内所述车辆行进的距离；以及
将预测的劣化状态转换成所述车辆部件的剩余时间或持续时间估计以用于在车辆显示器上向车辆操作者显示所述估计，所述转换基于过去的行驶历史数据和预测的未来行驶。
14.根据权利要求13所述的方法，还包括将所述剩余时间或持续时间估计向所述车辆操作者显示为直到所述车辆部件需要维修为止剩余的燃料箱再填充事件的数量。
15.根据权利要求13所述的方法，其中所述过去的行驶历史和所述预测的未来行驶包括行驶激进程度、踏板施加率、频繁出行时间模式、习惯概率模式、基于路线的统计概况和环境属性概况中的一个或多个，所述环境属性概况包括沿车辆行进路线的过去的天气事件和预测的天气事件。
16.根据权利要求13所述的方法，其中基于所述过去的行驶历史数据和预测的未来行驶的所述转换包括利用基于当前车辆里程表读数的因素进行转换。
17.根据权利要求13所述的方法，其中当所述车辆部件是系统电池时，所述感测的车辆操作参数包括电池电流和电池电压，并且其中当所述车辆部件是发动机进气空气过滤器时，所述感测的车辆操作参数包括歧管空气流量和歧管空气压力中的一个。
18.根据权利要求13所述的方法，其中在所述持续时间内度量的所述变化包括从安装所述车辆部件时估计的所述度量的初始值的变化，并且其中所述预测包括当所述度量的当前值相对于所述度量的所述初始值之间的差值增加到高于阈值时，将所述车辆部件的所述劣化状态朝向完全劣化状态提升，所述阈值基于所述持续时间内所述车辆行进的所述距离。
19.一种用于车辆系统的方法，其包括：
通过更新车辆电池的先前估计的劣化状态来递归地预测所述车辆电池的劣化状态，所述更新基于来自车辆传感器的感测到的车辆操作参数、在车辆行进的持续时间内电池电阻和电容从在所述车辆系统中安装时估计的初始值的变化并且还基于在所述持续时间内所述车辆行进的距离，所述电池电阻和电容从感测的电池电流或电压推导；以及
将预测的劣化状态转换成在所述电池需要被维修之前剩余的时间或持续时间的估计以用于在车辆显示器上向车辆操作者显示所述估计，所述转换基于过去的行驶历史数据和预测的未来行驶中的每个。
20.根据权利要求19所述的方法，其中在瞬时车辆工况期间感测的电池电压或电流不同于在稳态车辆工况期间感测的电池电压或电流被加权。
CN201711369932.3A 2017-01-18 2017-12-19 用于监测部件寿命的方法 Active CN108327721B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/409,421 2017-01-18
US15/409,421 US10672199B2 (en) 2017-01-18 2017-01-18 Method for monitoring component life

Publications (2)

Publication Number Publication Date
CN108327721A CN108327721A (zh) 2018-07-27
CN108327721B true CN108327721B (zh) 2023-04-28

Family

ID=62716596

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711369932.3A Active CN108327721B (zh) 2017-01-18 2017-12-19 用于监测部件寿命的方法

Country Status (4)

Country Link
US (1) US10672199B2 (zh)
CN (1) CN108327721B (zh)
DE (1) DE102018101003A1 (zh)
RU (1) RU2017145159A (zh)

Families Citing this family (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10240549B2 (en) * 2017-01-04 2019-03-26 Honeywell International Inc. System and method for evaluating chip zap data
JP6821783B2 (ja) 2017-02-24 2021-01-27 ソニーモバイルコミュニケーションズ株式会社 情報処理装置、情報処理方法、及びプログラム
US10487767B2 (en) * 2017-03-17 2019-11-26 Ford Global Technologies, Llc Method and system for monitoring air filter condition
US11704590B2 (en) * 2017-03-24 2023-07-18 Toyota Motor Engineering & Manufacturing North America, Inc. Methods and systems for predicting failure of a power control unit of a vehicle
CN109109784A (zh) * 2017-06-22 2019-01-01 吴俊逸 根据用户行为而提供车辆剩余行驶信息的系统及其方法
JP7062307B2 (ja) * 2017-12-27 2022-05-06 Ｆｕｔｕｒｅ Ｓｃｉｅｎｃｅ Ｒｅｓｅａｒｃｈ株式会社 二次電池管理装置および二次電池管理プログラム
DE102018200092A1 (de) * 2018-01-04 2019-07-04 Volkswagen Aktiengesellschaft Verfahren zum Steuern eines Kraftfahrzeuges mit Parksperre
JP7013993B2 (ja) * 2018-03-26 2022-02-01 トヨタ自動車株式会社 診断装置及び診断方法
DE102018116472A1 (de) * 2018-07-06 2020-01-09 Torqeedo Gmbh Verfahren, Computerprogrammprodukt und Prognosesystem zur Bestimmung der Lebensdauer einer Antriebsbatterie eines Fahrzeugs, insbesondere eines Boots
US11681929B2 (en) 2018-10-02 2023-06-20 Honeywell International Inc. Methods and systems for predicting a remaining useful life of a component using an accelerated failure time model
US11157055B2 (en) * 2018-10-05 2021-10-26 Toyota Motor North America, Inc. Apparatus, methods, and systems for tracking vehicle battery usage with a blockchain
JP7135697B2 (ja) * 2018-10-11 2022-09-13 株式会社島津製作所 分析装置、分析システムおよび分析方法
US10913448B2 (en) 2018-10-19 2021-02-09 Ford Global Technologies, Llc Methods and systems for operating a vehicle driveline
JP7070332B2 (ja) * 2018-10-29 2022-05-18 トヨタ自動車株式会社 電動車両
JP2020086611A (ja) * 2018-11-16 2020-06-04 トヨタ自動車株式会社 サーバ装置および情報処理方法
JP7182476B2 (ja) * 2019-01-21 2022-12-02 株式会社日立製作所 二次電池モジュールの余寿命診断方法及び余寿命診断システム
JP7200762B2 (ja) * 2019-03-12 2023-01-10 トヨタ自動車株式会社 予測モデル生成装置、方法、プログラム、電池寿命予測装置、方法及びプログラム
US11358584B2 (en) 2019-04-02 2022-06-14 Ford Global Technologies, Llc Electrified vehicle energy management for robust cold power discharge capability
US11648980B2 (en) 2019-04-30 2023-05-16 Steering Solutions Ip Holding Corporation Steering systems use and failure monitoring
FR3101430B1 (fr) * 2019-09-27 2021-09-03 Continental Automotive Procédé d’estimation du vieillissement d’une batterie d’un véhicule
EP3812029B1 (de) * 2019-10-25 2023-03-01 Carl Freudenberg KG Vorhersage von zustandsgrössen für luftfilter
CN111223208B (zh) * 2019-12-30 2022-04-26 潍柴动力股份有限公司 一种发动机零部件的保养提醒方法、装置、存储介质及电子设备
JP7310630B2 (ja) * 2020-02-03 2023-07-19 トヨタ自動車株式会社 車両
US11762025B2 (en) * 2020-06-04 2023-09-19 Ergotron, Inc. Accurate estimation of battery charge remaining in a mobile cart
FR3112622B1 (fr) 2020-07-15 2022-07-15 Vitesco Technologies Procédé et système de maintenance prédictive
CN111896249B (zh) * 2020-08-06 2023-06-02 中国重汽集团济南动力有限公司 一种带位移传感器助力器的离合器寿命预测方法及系统
JP7388332B2 (ja) * 2020-10-12 2023-11-29 トヨタ自動車株式会社 二次電池の劣化判定装置
CN115346289A (zh) * 2021-05-12 2022-11-15 通用汽车环球科技运作有限责任公司 用于因增压操作所致的推进系统预测学的方法和装置
US11480140B1 (en) * 2021-06-17 2022-10-25 GM Global Technology Operations LLC Self-calibrating engine air filter life monitoring system
CN113687642B (zh) * 2021-08-13 2023-08-22 合肥维天运通信息科技股份有限公司 一种物流车辆隐患智能预警方法及系统
CN113673723B (zh) * 2021-09-01 2024-04-16 深圳市爱夫卡科技股份有限公司 一种新能源车辆法定检查的修正方法
US20230219456A1 (en) * 2022-01-11 2023-07-13 Ford Global Technologies, Llc Control of vehicle battery
DE102022107492B3 (de) 2022-03-30 2023-05-17 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Abschätzen einer Bauteillebensdauer und Kraftfahrzeug

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030184307A1 (en) 2002-02-19 2003-10-02 Kozlowski James D. Model-based predictive diagnostic tool for primary and secondary batteries
US8017103B2 (en) * 2005-07-01 2011-09-13 Board Of Regents, The University Of Texas System Methods and compositions to diagnose trichomonas infection
JP4631761B2 (ja) * 2005-08-08 2011-02-16 トヨタ自動車株式会社 パワートレイン用の電池寿命予知装置及び電池寿命警告装置
JP4238875B2 (ja) 2006-02-10 2009-03-18 トヨタ自動車株式会社 ハイブリッド車用電池寿命評価装置
JP4179330B2 (ja) * 2006-03-31 2008-11-12 トヨタ自動車株式会社 ハイブリッド車両用電池情報表示装置
JP2008126788A (ja) * 2006-11-20 2008-06-05 Toyota Motor Corp 車両用電池寿命判定装置及び電池寿命判定システム
US7591173B2 (en) * 2007-03-06 2009-09-22 Gm Global Technology Operations, Inc. Method and apparatus for monitoring the restriction level of a vehicular air filter element
US7928735B2 (en) * 2007-07-23 2011-04-19 Yung-Sheng Huang Battery performance monitor
US8764825B2 (en) 2008-01-29 2014-07-01 Walter J. Ledergerber Gel-simulating and modulating buttress prosthesis
US9753093B2 (en) * 2010-03-11 2017-09-05 Ford Global Technologies, Llc Vehicle and method of diagnosing battery condition of same
JP5453232B2 (ja) * 2010-12-24 2014-03-26 本田技研工業株式会社 電動車両
JP5737232B2 (ja) * 2012-07-12 2015-06-17 トヨタ自動車株式会社 定置用蓄電池の余寿命判定装置
FR3009093B1 (fr) * 2013-07-29 2017-01-13 Renault Sa Estimation de l'etat de vieillissement d'une batterie electrique
JP6263771B2 (ja) * 2013-12-26 2018-01-24 三菱自動車工業株式会社 車両の駆動用電池劣化判定装置
US10401433B2 (en) * 2015-01-21 2019-09-03 Samsung Electronics Co., Ltd. Method and apparatus for estimating battery life
US10197631B2 (en) * 2015-06-01 2019-02-05 Verizon Patent And Licensing Inc. Systems and methods for determining vehicle battery health

Also Published As

Publication number Publication date
CN108327721A (zh) 2018-07-27
US10672199B2 (en) 2020-06-02
RU2017145159A (ru) 2019-06-24
US20180204393A1 (en) 2018-07-19
DE102018101003A1 (de) 2018-07-19

Similar Documents

Publication Publication Date Title
CN108327721B (zh) 用于监测部件寿命的方法
CN108331685B (zh) 用于监测部件寿命的方法
US11072258B2 (en) Method for predicting battery life
CN102337975B (zh) 对柴油发动机中的含氧燃料的补偿
RU2673296C2 (ru) Способ и система для управления двигателем и силовой передачей
CN102337978B (zh) 对柴油发动机中使用的含氧燃料的补偿
RU2670579C2 (ru) Способ бортовой диагностики транспортного средства (варианты) и способ бортовой диагностики транспортного средства с гибридным приводом
US8701473B2 (en) End-of-life estimation device for air cleaner
CN102439280B (zh) 内燃机的控制装置
US20090114288A1 (en) Method for the onboard determination of the volatility of a fuel
CN107478289B (zh) 获取平均油耗的方法和装置
CN109826690A (zh) 一种发动机智能保养方法、装置及系统
CN107023346A (zh) 内燃机润滑油的劣化诊断装置及其劣化诊断方法
KR20150069000A (ko) 다성분 모델을 사용한 오일 희석 모델링
US20210381409A1 (en) Method and system for sensing engine oil deterioration
CN108204312A (zh) 用于发动机水喷射的方法和系统
US8136391B2 (en) Non-intrusive EGR monitor for a hybrid electric vehicle
CN114623866A (zh) 用于确定车辆速度和大气压力的方法和系统
CN106224109A (zh) 一种基于扭矩模型的整车控制器
JP6540660B2 (ja) 内燃機関のデータ記録装置
JP4192677B2 (ja) 内燃機関の制御装置
JP5510269B2 (ja) 燃料供給量制御装置及びハイブリッド車両
EP3803087B1 (en) A method for estimating the ageing of an exhaust gas sensor and an industrial vehicle for implementing this method
JP5218224B2 (ja) 内燃機関の診断装置
Herbert Validation of a vehicle performance modelling system.

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant