CN109964182A - 用于车辆分析的方法和系统 - Google Patents
用于车辆分析的方法和系统 Download PDFInfo
- Publication number
- CN109964182A CN109964182A CN201780069877.8A CN201780069877A CN109964182A CN 109964182 A CN109964182 A CN 109964182A CN 201780069877 A CN201780069877 A CN 201780069877A CN 109964182 A CN109964182 A CN 109964182A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- diagnostic data
- data
- vehicle diagnostic
- modeling
- 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
- 238000000034 method Methods 0.000 title claims description 45
- 238000004590 computer program Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 15
- 230000006399 behavior Effects 0.000 claims description 12
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 239000000975 dye Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 125000000524 functional group Chemical group 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
- G06F16/212—Schema design and management with details for data modelling support
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25255—Neural network
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45018—Car, auto, vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Automation & Control Theory (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明一般涉及分析车辆数据的新概念,以确定例如车辆所包含部件的状态,特别地通过关联所收集的车辆诊断数据。本发明还涉及相应的系统和计算机程序产品。此外,本发明还涉及一种收集所述车辆诊断数据的装置。
Description
技术领域
本发明一般涉及分析车辆数据的新概念,以确定例如车辆所包含部件的状态,特别地通过关联所收集的车辆诊断数据。本发明还涉及相应的系统和计算机程序产品。此外,本发明还涉及一种收集所述车辆诊断数据的装置。
背景技术
计算机和通信的最近进展对如何控制和操作普通车辆产生了影响。因此,可以在汽车车身和汽车维护设施中找到基于越来越复杂的处理器的工具,并且如今,越来越多的这些设备与类似设备和/或与主机计算机和各种远程终端来回传送数据。通信使得诊断和维修跟办公设备之间的通信一样便捷,例如便于订单处理和便于完成工作的开票。
US7096101公开了这种工具的示例性实施例。在US7096101中,收集车辆诊断数据并传送至外部服务中心,与普通汽车车身和汽车维修设施上可实现的相比,服务中心处的人员可以提供额外的帮助。尽管与允许车间操作员自己行动相比,US7096101提供了一些改进,但是在例如车辆操作期间所产生的大量车辆分析数据将实际上也会使服务中心的人员理解变得复杂。因此,服务中心的人员将不得不采取为车间操作员提供“最佳猜测”,通常仅基于直觉和对类似问题的先前了解。
因此,似乎对于进一步改进如何处理大量车辆诊断数据还存在空间,或者在车间内或者例如通过外部专家,提供产生车辆所包含车辆部件的当前状态的有效指示的可能性。此外,与使用例如US7096101所公开的装置的可能情况相比,期望提供允许从车辆上快速收集和存储其他数据的某种形式的装置。
发明内容
鉴于现有技术的上述和其他缺点,本发明的目的在于提供与车辆分析相关的改进。
根据本发明的一个方面,因此提供一种用于分析由第一车辆所产生的车辆诊断数据的方法,所述方法包括接收车辆诊断数据的第一集合,所述车辆诊断数据包括表示车辆所包含的多个不同车辆部件的多组不同组数字数据;通过关联包含在车辆诊断数据的第一集合中的不同组数据的至少所选部分来执行车辆诊断数据的第一集合的建模,以及基于所执行的建模,形成车辆所包含的至少一个车辆部件的状态指示。
根据本发明,提供一种用于处理从多个不同车辆部件所收集的传感器数据的方法,例如包括与车辆变速器、仪表组、气候控制系统、行程计算机、电动座椅有关的数据,其中,来自不同车辆部件的传感器数据彼此之间相互关联以试图尝试获得指示所包含的车辆部件中的至少一个的状态的行为。本发明基于以下认识:可以利用相关性方面来理解特定车辆部件的行为。即是,不仅仅依靠单个,例如关于特定车俩部件的错误代码,多个车辆部件的整体行为需要考虑以确定单个车辆部件的状态指示。应当理解的是,车辆诊断数据优选地随着时间收集,形成车辆诊断数据的时间序列。
因此,本发明应用车辆诊断数据的数据挖掘,其中,例如基于人工智能方法的模型可用于识别可能的有问题车辆行为。在一个可能的实施例中,可以通过使用机器学习和数据挖掘方法频繁地处理组合数据来导出“正常车辆行为”和“有问题车辆行为”的模式。除了上述示例之外,可以分析速度、发动机转速、发动机温度、发动机扭矩、环境温度、燃料消耗和排放值以检测正常和异常行为。
根据本发明,所述方法还包括确定至少一个车辆部件的状态有效性高于预定阈值。因此,如果该指示被视为可靠或者不可靠,可以向该指示提供附加信息。另外的过程,例如用于处理所提供的指示,优选地适用于考虑所述有效性。
在本发明的上下文中,可以从CAN总线信息流、诊断信息流和从车辆所收集的模拟信号中的至少一个产生不同组的数据。因此,根据本发明,也可以组合来自不同“源”的数据,即,模拟信号(例如第一车辆部件的中间电流/电压电平)可以与(第二车辆部件的)错误代码组合。
在本发明最常见的实施例中,至少一个车辆部件的状态指示涉及车辆部件有关错误,例如涉及短路、断开连接和连接器的腐蚀,破损车辆部件,不根据预定模式运行的车辆部件等。然而,在一些实施例中,还可以形成特定车辆部件在处于加载/使用状态或者处于未加载/未使用状态时如何行动的“模型”等。
如上所述,所述建模包括将机器学习过程应用于车辆诊断数据的第一集合包含的不同组数据的所选部分。所述机器学习过程可以是无监督的机器学习过程或者受监督的机器学习过程。在采用受监督的方法时,可能期望通过访问包括先前存储训练诊断数据集合的数字存储单元来执行建模,并且将训练车辆诊断数据的集合与车辆诊断数据的第一集合进行比较。所述训练车辆数据可以是来自“相同”车辆的先前所收集的车辆诊断数据(将与上述提及的正常车辆行为比较),或者可以是由“第二”车辆所产生的数据。或者,所述训练车辆诊断数据可以驻留在先前所产生的数据中,例如形成在模拟过程中。
根据本发明的一个发明,还提供一种用于分析由第一车辆产生的车辆诊断数据的车辆分析系统,所述系统包括控制单元,配置为接收车辆诊断数据的第一集合,所述车辆诊断数据包括表示车辆所包含的多个车辆部件的多个不同组数字数据,通过关联包含在车辆诊断数据的第一集合中的不同组数据的至少所选部分来执行车辆诊断数据的第一集合的建模,以及基于所执行的建模,形成车辆所包含的单个车辆部件的状态指示。本发明的这个方面提供了与上面所讨论的与本发明前述方面相关的类似优点。
优选地,所述车辆分析系统还包括用于建立接口且收集车辆诊断数据的装置,例如下面所举例说明的。然而,应当理解的是,所述车辆分析系统还可以基于“离线数据”运行,即是,先前收集,然后处理。这将在下面的而本发明的具体实施例中进一步详述。
根据本发明的另一个方面,提供一种计算机程序装置,其上存储有非暂时性计算机可读介质,计算机程序装置用于控制车辆分析系统,其中,计算机程序产品包括用于接收车辆诊断数据的第一集合的代码,所述车辆诊断数据包括表示车辆所包含的多个不同车辆部件的多组不同组数字数据,用于通过关联车辆诊断数据的第一集合中的不同组的数据的至少所选部分以执行车辆诊断数据的第一集合的建模的代码,以及用于基于所执行的建模形成车辆所包含的至少一个车辆部件的状态指示的代码。此外,本发明的这个方面提供了与上面所讨论的与本发明前述方面相关的类似优点。
由服务器执行以根据本发明操作的软件可以存储在计算机可读介质上,该计算机可读介质是任何类型的存储器设备,包括可移动非易失性随机存取存储器,硬盘驱动器,软盘,CD-ROM,DVD-ROM,USB存储器,SD存储卡或者本领域中已知的类似计算机可读介质中的一个。
综上,本发明一般涉及分析车辆数据的新概念,以确定例如车辆所包含部件的状态,特别地通过关联所收集的车辆诊断数据。本发明还涉及相应的系统和计算机程序产品。此外,本发明还涉及一种收集所述车辆诊断数据的装置。
当研究所附权利要求和以下描述时,本发明的其他特征和优点将变得显而易见。本领域技术人员认识到,在不脱离本发明的范围的情况下,可以组合本发明的不同特征以创建除了下面描述的实施例之外的实施例。
附图说明
从下面的详细描述和附图中将容易理解本发明的各个方面,包括其特定的特征和优点,其中:
图1概念性地示出连接到车辆的根据本发明实施例的车辆分析系统;
图2示意性地示出应用于本发明用于分析车辆这段数据的模式识别方法;
图3A和3B提供了用于本发明的方法的备选神经网络方法,以及
图4为示出执行根据本发明的当前优选实施例的方法的步骤的流程图。
具体实施方式
现在参考附图将在下文中更全面地描述本发明,附图中示出了本发明的当前优选实施例。然而,本发明可以以许多不同的形式实施,并且不应该被解释为限于这里阐述的实施例;相反,提供这些实施例是为了彻底性和完整性,并且向技术人员充分传达了本发明的范围。相同的参考字符始终表示相同的元件。以下实施例说明了本发明,但并不意图限制本发明。
现在转到附图,尤其是图1,概念性地示出根据本发明实施例的车辆分析系统100,其连接至示例性的第一车辆102。在第一实施例中,车辆分析系统100的目的是动态地分析由车辆102所包含的多个车辆部件所产生的车辆诊断数据。在本实施例中,车辆部件至少部分地配备有用于收集车辆诊断数据的传感器,车辆诊断数据涉及例如,车辆变速器、仪表组、气候控制系统、行程计算机、电动座椅、车辆速度、车辆发动机转速、车辆发动机温度、车辆发动机扭矩、环境温度、染料消耗和排放值。
在一个可能的实施例中,车辆分析系统100包括装置104,其用于建立接口并收集车辆诊断数据。装置104可以例如包括允许将所收集的数据序列化并进一步提供给本地计算机设备106的装置,本地计算设备106可能链接至本地数据库108以存储所收集的车辆诊断数据。
在一个实施例中,本地计算设备106可以适用于基于所收集的车辆诊断数据执行所执行的建模,目的是找到与车辆所包含的至少一个车辆部件相关的行为模式。此外,模式识别算法可以由本地计算设备106应用,以尝试识别和分类车辆诊断数据集合的模式。如上所述,车辆诊断数据优选随着时间收集,形成车辆诊断数据的时间序列。在一个实施例中,可以向本地数据库108提供训练数据,该训练数据用于比较过程以确定至少一个车辆部件的状态。
优选地,本地计算设备106可以连接到网络,例如因特网110,允许本地计算设备106与例如远程服务器112进行通信并交换信息,该远程布置的服务器具有与其连接的远程数据库114。远程服务器112可以布置成从多个本地计算设备(例如本地计算设备106)接收车辆诊断数据,本地计算设备具有与单个与其连接的车辆相关的收集数据。远程服务器112可以适用于与多个车辆相关的所收集的所有数据的至少一部分,用于识别行为模式,包括车辆部件的状态指示。
进一步参考图2,示出实现用于确定车辆部件的状态指示的模式识别方法/关联的可能方法。图2具体示出用于确定车辆部件的状态指示的神经网络的一个示例的框图,示例为车辆102所包含的执行器。确定状态的过程可以编程为周期性地调查执行器的状态,或者何时做出指示(例如:取决于驱动器将相同的传送给车间)。
该框图包括输入层202,配置为从(多个)传感器输入204接收各种输入,(多个)传感器输入204产生车辆102所包含的车辆部件相关的车辆诊断数据。车辆诊断数据并行提供,示出为与发动机转速、车辆所包含电池的中间电压,温度(执行器附近),执行器中间状态等相关。因此,可以提供另外的车辆诊断数据作为相关过程的输入。输入层202包括与每个输入202相关联的节点206。神经网络还包括一个或者多个隐藏层208以及输出层210。输入层202的节点206经连接214与隐藏层208中的一个或者多个节点90通信。在网络训练期间,确定各种连接以及相关联的权重。块216表示其输入的多项式函数以产生作为输出218的车辆部件的状态指示。块216所采用的多项式的程度被约束为比输出层210中的节点的数量少一个。
应该认识到,每层的节点的数量和结构将根据正在确定的状态的特定指示而变化,由此仅提供图2中的图示作为示例。因此,在一些网络设计中,使用多于一个隐藏层,尽管很少会出现多于两个这样的层。当然,上面说明的神经网络架构还有许多其他变型。因此,处于本文的目的,“神经网络”可以被定义为这样一种系统,其中要处理的数据被分离成离散值,然后在至少两个阶段的过程中对其进行操作和组合,其中对每个阶段的数据执行的操作对于每个离散值通常是不同的,并且其中所执行的操作至少通过训练过程来确定。这里不同操作是指神经元的输出在输入另一个神经元之前被处理的方式的任何差异,例如将乘以不同的权重或者常数。
如图3A和3B所示,且参照图2,可替代地,可以使用卷积神经网络(CNN)和递归神经网络(RNN)中的至少一个,例如长短期记忆(LSTM)神经网络用于确定车辆所包含的至少一个车辆部件的所述状态指示。
总之,本发明涉及一种用于分析由第一车辆所产生的车辆诊断数据的方法,该方法包括S1接收车辆诊断数据的第一集合,车辆诊断数据包括表示车辆所包含的多个车辆部件的多个不同组的数字数据,S2通过关联车辆诊断数据的第一集合所包含的不同组数据的至少所选部分来执行车辆诊断数据的第一集合的建模,S3基于所执行的建模,形成车辆所包含的至少一个车辆部件的状态指示,以及S4确定至少一个车辆部件的状态的有效性。通过本发明,利用来自不同车辆部件的车辆数据之间的相关性来理解特定车辆部件的行为。因此,而不是仅仅依靠单个例如与特定车辆部件相关的错误代码,也需要考虑多个车辆部件的整体行为以确定单个车辆部件的状态指示。
本发明的控制功能可以使用现有的计算机处理器来实现,或者通过用于适当系统的专用计算机处理器来实现,该计算机处理器为此目的或者另一目的而并入,或者由硬线系统实现。本发明范围内的实施例包括程序产品,该程序产品包括用于携带或者具有存储在其上的机器可执行指令或者数据结构的机器可读介质。这种机器可读介质可以是可由通用或者专用计算机或者具有处理器的其他机器访问的任何可用介质。举例来说,这种机器可读介质可包括RAM,ROM,EPROM,EEPROM,CD-ROM或者其他光盘存储器,磁盘存储器或者其他磁存储设备,或者可用于携带或者存储的任何其他介质。期望的程序代码,其形式为机器可执行指令或者数据结构,并且可由通用或者专用计算机或者具有处理器的其他机器访问。当通过网络或者其他通信连接(硬连线,无线或者硬连线或者无线的组合)向机器传送或者提供信息时,机器将连接正确地视为机器可读介质。因此,任何这种连接都适当地称为机器可读介质。上述的组合也包括在机器可读介质的范围内。机器可执行指令包括例如指令和数据,其使得通用计算机,专用计算机或者专用处理机器执行特定功能或者功能组。
尽管附图可以示出顺序,但是步骤的顺序可以与所描绘的顺序不同。还可以同时或者部分同时执行两个或者更多个步骤。这种变化将取决于所选择的软件和硬件系统以及设计者的选择。所有这些变化都在本发明的范围内。同样,软件实现可以使用标准编程技术来完成,该技术具有基于规则的逻辑和其他逻辑,以完成各种连接步骤,处理步骤,比较步骤和决策步骤。另外,即使已经参考本发明的具体示例性实施例描述了本发明,但是对于本领域技术人员而言,许多不同的改变,修改等将变得显而易见。
另外,通过研究附图,公开内容和所附权利要求,本领域技术人员在实践所要求保护的发明时可以理解和实现对所公开实施例的变型。此外,在权利要求中,词语“包括”不排除其他元件或者步骤,并且不定冠词“一”或者“一个”不排除多个。
Claims (23)
1.一种用于分析由第一车辆产生的车辆诊断数据的方法,所述方法包括:
- 接收车辆诊断数据的第一集合,所述车辆诊断数据包括表示车辆所包含的多个不同车辆部件的多组不同组数字数据;
- 通过关联包含在车辆诊断数据的第一集合中的不同组数据的至少所选部分来执行车辆诊断数据的第一集合的建模,以及
- 基于所执行的建模,形成车辆所包含的单个车辆部件的状态指示。
2.根据权利要求1所述的方法,其特征在于,确定单个车辆部件的状态的有效性高于预定阈值。
3.根据权利要求1和2中任意一项所述的方法,其特征在于,表示多个车辆部件的不同组数据从CAN总线信息流、诊断信息流和从车辆收集的模拟信号中的至少一个所产生。
4.根据前面权利要求中任意一项所述的方法,其特征在于,单个车辆部件的状态指示涉及与车辆部件有关的错误。
5.根据前面权利要求中任意一项所述的方法,其特征在于,单个车辆部件的状态指示涉及连接器中的短路、断开连接和腐蚀中的至少一个。
6.根据前面权利要求中任意一项所述的方法,其特征在于,所述建模包括将机器学习过程应用于车辆诊断数据的第一集合所包含的不同组数据的所选部分。
7.根据权利要求6所述的方法,其特征在于,所述机器学习过程是无监督的机器学习过程。
8.根据权利要求6所述的方法,其特征在于,所述机器学习是受监督的机器学习过程。
9.根据权利要求8所述的方法,其特征在于,执行建模包括:
- 访问数字存储单元,所述数字存储单元包括先前存储的训练车辆诊断数据的集合;以及
- 将训练车辆诊断数据的集合与车辆诊断数据的第一集合进行比较。
10.根据权利要求9所述的方法,其特征在于,所述训练车辆诊断数据包括以下至少一个:
- 由第二车辆所产生的车辆诊断数据的第二集合,所述第二车辆不同于第一车辆;以及
- 车辆诊断数据的预期集合。
11.根据权利要求10所述的方法,其特征在于,所述车辆诊断数据的预期集合由车辆的行为模拟所产生的。
12.根据权利要求6所述的方法,其特征在于,所述机器学习过程基于卷积神经网络(CNN)。
13.根据权利要求6所述的方法,其特征在于,所述机器学习过程基于递归神经网络(RNN)。
14.一种车辆分析系统,所述车辆分析系统用于分析由第一车辆所产生的车辆诊断数据,所述系统包括控制单元,所述控制单元配置为:
- 接收车辆诊断数据的第一集合,所述车辆诊断数据包括表示车辆所包含的多个不同车辆部件的多组不同组数字数据;
- 通过关联包含在车辆诊断数据的第一集合中的不同组数据的至少所选部分来执行车辆诊断数据的第一集合的建模,以及
- 基于所执行的建模,形成车辆所包含的单个车辆部件的状态指示。
15.根据权利要求14所述的车辆分析系统,其特征在于,还包括用于建立接口且收集车辆诊断数据的装置。
16.根据权利要求14和15中任意一项所述的车辆分析系统,其特征在于,还包括显示单元,所述显示单元包括图形用户界面(GUI),其中所述GUI配置为呈现车辆所包含的至少一个车辆部件的状态指示。
17.一种计算机程序产品,所述计算机程序产品包括其上存储有非暂时性计算机可读介质的计算机程序装置,所述计算机程序装置用于控制车辆分析系统,所述计算机程序产品包括:
- 用于接收车辆诊断数据的第一集合的代码,所述车辆诊断数据包括表示车辆所包含的多个不同车辆部件的多组不同组数字数据;
- 用于通过关联车辆诊断数据的第一集合中的不同组的数据的至少所选部分以执行车辆诊断数据的第一集合的建模的代码,以及
- 用于基于所执行的建模形成车辆所包含的至少一个车辆部件的状态指示的代码。
18.一种装置,所述装置用于从车辆收集车辆诊断数据,所述装置包括多个部件,包括:
- 控制单元;
- 接口,配置为在车辆和控制单元之间提供电连接;以及
- 存储单元,用于存储从车辆收集的车辆诊断数据,
其中,接口布置为从车辆收集多个模拟信号,并且所述装置还包括数模转换器,以允许多个模拟信号的并行数字化,并且所述装置包含在根据权利要求14所述的车辆分析系统中。
19.根据权利要求18所述的装置,其特征在于,还包括串行器,配置为将多个数字信号转换为串行数据流。
20.根据权利要求19所述的装置,其特征在于,所述串行器为低压差分信号(LVDS)串行器。
21.根据权利要求18-20中任意一项所述的装置,其特征在于,还包括另一个通信接口,用于将所存储的车辆诊断信号提供给远程布置的计算设备。
22.根据权利要求18-21中任意一项所述的装置,其特征在于,包含在装置中的多个部件布置在壳体中,其中,所述装置还适用于车辆车间中。
23.根据权利要求18-22中任意一项所述的装置,其特征在于,包含在装置中的多个部件包含在车辆中作为车载装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310477580.2A CN116610092A (zh) | 2016-11-14 | 2017-11-07 | 用于车辆分析的方法和系统 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
SE1651485A SE542335C2 (en) | 2016-11-14 | 2016-11-14 | Method and system for vehicle analysis |
SE1651485-3 | 2016-11-14 | ||
PCT/SE2017/051108 WO2018088949A1 (en) | 2016-11-14 | 2017-11-07 | Method and system for vehicle analysis |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310477580.2A Division CN116610092A (zh) | 2016-11-14 | 2017-11-07 | 用于车辆分析的方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109964182A true CN109964182A (zh) | 2019-07-02 |
Family
ID=62110005
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310477580.2A Pending CN116610092A (zh) | 2016-11-14 | 2017-11-07 | 用于车辆分析的方法和系统 |
CN201780069877.8A Pending CN109964182A (zh) | 2016-11-14 | 2017-11-07 | 用于车辆分析的方法和系统 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310477580.2A Pending CN116610092A (zh) | 2016-11-14 | 2017-11-07 | 用于车辆分析的方法和系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11842575B2 (zh) |
EP (1) | EP3538964A4 (zh) |
CN (2) | CN116610092A (zh) |
SE (1) | SE542335C2 (zh) |
WO (1) | WO2018088949A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801555A (zh) * | 2021-04-01 | 2021-05-14 | 江苏海平面数据科技有限公司 | 一种基于车联网大数据的车辆动力性综合评价方法 |
CN113295423A (zh) * | 2021-07-07 | 2021-08-24 | 北京一雄信息科技有限公司 | 发动机性能测试的方法及系统 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3776367A1 (en) * | 2018-03-28 | 2021-02-17 | Nvidia Corporation | Detecting data anomalies on a data interface using machine learning |
WO2020207613A1 (en) * | 2019-04-08 | 2020-10-15 | Volvo Truck Corporation | A system for analyzing data in a vehicle |
DE102019123447B4 (de) * | 2019-09-02 | 2021-09-02 | Volkswagen Aktiengesellschaft | Verfahren zum Betrieb von Fahrzeugkomponenten |
US11710355B1 (en) * | 2019-09-24 | 2023-07-25 | Amazon Technologies, Inc. | Vehicle fleet information service |
CN111813084B (zh) * | 2020-07-10 | 2022-10-28 | 重庆大学 | 一种基于深度学习的机械装备故障诊断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5809437A (en) * | 1995-06-07 | 1998-09-15 | Automotive Technologies International, Inc. | On board vehicle diagnostic module using pattern recognition |
US20020007237A1 (en) * | 2000-06-14 | 2002-01-17 | Phung Tam A. | Method and system for the diagnosis of vehicles |
US20050273277A1 (en) * | 2004-01-14 | 2005-12-08 | University Of Tennessee Research Foundation, Inc. | Vehicle fatigue life and durability monitoring system and methodology |
EP1717651A2 (de) * | 2005-04-26 | 2006-11-02 | Volkswagen Aktiengesellschaft | Verfahren und Vorrichtung zum Auswerten von Ereignissen aus dem Betrieb eines Fahrzeuges |
WO2015139709A1 (en) * | 2014-03-19 | 2015-09-24 | Northern Vo Aps | Method and system for monitoring a vehicle |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7421321B2 (en) * | 1995-06-07 | 2008-09-02 | Automotive Technologies International, Inc. | System for obtaining vehicular information |
US5729452A (en) | 1995-03-31 | 1998-03-17 | Envirotest Acquisition Co. | Method and system for diagnosing and reporting failure of a vehicle emission test |
DE10145906A1 (de) | 2001-09-18 | 2003-04-10 | Bosch Gmbh Robert | Verfahren zur Durchfühung einer Ferndiagnose bei einem Kraftfahrzeug, Fahrzeugdiagnosemodul und Servicecenter |
US8863256B1 (en) * | 2011-01-14 | 2014-10-14 | Cisco Technology, Inc. | System and method for enabling secure transactions using flexible identity management in a vehicular environment |
US20160035152A1 (en) * | 2013-12-31 | 2016-02-04 | Agnik, Llc | Vehicle data mining based on vehicle onboard analysis and cloud-based distributed data stream mining algorithm |
WO2017062623A1 (en) * | 2015-10-06 | 2017-04-13 | Evolv Technologies, Inc. | Framework for augmented machine decision making |
-
2016
- 2016-11-14 SE SE1651485A patent/SE542335C2/en unknown
-
2017
- 2017-11-07 CN CN202310477580.2A patent/CN116610092A/zh active Pending
- 2017-11-07 WO PCT/SE2017/051108 patent/WO2018088949A1/en active Application Filing
- 2017-11-07 CN CN201780069877.8A patent/CN109964182A/zh active Pending
- 2017-11-07 EP EP17870407.8A patent/EP3538964A4/en active Pending
- 2017-11-07 US US16/346,934 patent/US11842575B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5809437A (en) * | 1995-06-07 | 1998-09-15 | Automotive Technologies International, Inc. | On board vehicle diagnostic module using pattern recognition |
US20020007237A1 (en) * | 2000-06-14 | 2002-01-17 | Phung Tam A. | Method and system for the diagnosis of vehicles |
US20050273277A1 (en) * | 2004-01-14 | 2005-12-08 | University Of Tennessee Research Foundation, Inc. | Vehicle fatigue life and durability monitoring system and methodology |
EP1717651A2 (de) * | 2005-04-26 | 2006-11-02 | Volkswagen Aktiengesellschaft | Verfahren und Vorrichtung zum Auswerten von Ereignissen aus dem Betrieb eines Fahrzeuges |
WO2015139709A1 (en) * | 2014-03-19 | 2015-09-24 | Northern Vo Aps | Method and system for monitoring a vehicle |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801555A (zh) * | 2021-04-01 | 2021-05-14 | 江苏海平面数据科技有限公司 | 一种基于车联网大数据的车辆动力性综合评价方法 |
CN113295423A (zh) * | 2021-07-07 | 2021-08-24 | 北京一雄信息科技有限公司 | 发动机性能测试的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US20200066062A1 (en) | 2020-02-27 |
WO2018088949A1 (en) | 2018-05-17 |
EP3538964A4 (en) | 2020-07-01 |
SE542335C2 (en) | 2020-04-14 |
CN116610092A (zh) | 2023-08-18 |
EP3538964A1 (en) | 2019-09-18 |
SE1651485A1 (sv) | 2018-05-15 |
US11842575B2 (en) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109964182A (zh) | 用于车辆分析的方法和系统 | |
CN110009171B (zh) | 用户行为模拟方法、装置、设备及计算机可读存储介质 | |
CN105579922B (zh) | 信息处理装置以及分析方法 | |
US11756349B2 (en) | Electronic control unit testing optimization | |
EP3385889A1 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
CN102801552A (zh) | 基于网络建模的用于错误隔离和错误减轻的系统和方法 | |
Li et al. | Multi-sensor data-driven remaining useful life prediction of semi-observable systems | |
RU2635435C2 (ru) | Система для контроля узла компонентов оборудования | |
CN102375452B (zh) | 改善故障代码设定和隔离故障的事件驱动的数据挖掘方法 | |
EP2555114A1 (en) | Systems and methods for using a corrective action as diagnostic evidence | |
US20230013544A1 (en) | Method, Apparatus and System for Detecting Abnormal Operating States of a Device | |
CN112631240A (zh) | 航天器故障主动检测方法及装置 | |
CN105675038A (zh) | 一种仪表的故障预测装置 | |
KR102215107B1 (ko) | 주행 데이터 기반 차량 상태 예측 시스템 및 방법 | |
Maul et al. | Sensor selection and optimization for health assessment of aerospace systems | |
Vong et al. | Simultaneous-fault detection based on qualitative symptom descriptions for automotive engine diagnosis | |
Ntalampiras | Fault identification in distributed sensor networks based on universal probabilistic modeling | |
Cheng et al. | A Koopman operator approach for machinery health monitoring and prediction with noisy and low-dimensional industrial time series | |
CN103324155A (zh) | 系统监控 | |
CN105956665A (zh) | 一种基于动态不确定因果图的启发式检测系统异常原因的方法 | |
Liu et al. | Validation of strain gauges for structural health monitoring with Bayesian belief networks | |
CN116894211A (zh) | 用于生成能由人类感知的解释性输出的系统及用于监控异常识别的方法和计算机程序 | |
WO2020223184A1 (en) | Analytical model training method for customer experience estimation | |
JP2002099319A (ja) | プラント診断装置 | |
JP2020107248A (ja) | 異常判定装置および異常判定方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190702 |