CN111753867A - 使用机器学习分类器来监视和诊断车辆系统问题 - Google Patents
使用机器学习分类器来监视和诊断车辆系统问题 Download PDFInfo
- Publication number
- CN111753867A CN111753867A CN202010190210.7A CN202010190210A CN111753867A CN 111753867 A CN111753867 A CN 111753867A CN 202010190210 A CN202010190210 A CN 202010190210A CN 111753867 A CN111753867 A CN 111753867A
- Authority
- CN
- China
- Prior art keywords
- classifier
- vehicle
- measurement data
- subsystem
- class
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 45
- 238000010801 machine learning Methods 0.000 title claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 126
- 238000012545 processing Methods 0.000 claims abstract description 43
- 230000004044 response Effects 0.000 claims abstract description 6
- 239000000446 fuel Substances 0.000 claims description 78
- 230000036541 health Effects 0.000 claims description 46
- 238000000034 method Methods 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 25
- 238000012549 training Methods 0.000 description 28
- 238000002485 combustion reaction Methods 0.000 description 13
- 238000012706 support-vector machine Methods 0.000 description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 7
- 229910052760 oxygen Inorganic materials 0.000 description 6
- 239000001301 oxygen Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009530 blood pressure measurement Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
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
- G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
- B60W50/0205—Diagnosing or detecting failures; Failure detection models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M15/00—Testing of engines
- G01M15/04—Testing internal-combustion engines
- G01M15/05—Testing internal-combustion engines by combined monitoring of two or more different engine parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- 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
- B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
- B60W50/0205—Diagnosing or detecting failures; Failure detection models
- B60W2050/021—Means for detecting failure or malfunction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Human Computer Interaction (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种用于监视车辆操作的系统包括处理设备,其包括配置为从感测设备接收测量数据的接口,感测设备配置为测量车辆系统的参数。处理设备配置为从多个感测设备中的每个接收测量数据,并且响应于检测到车辆中的故障,将测量数据的至少一个子集输入到与车辆子系统相关的机器学习分类器,该分类器配置为定义与车辆子系统的正常操作相关的类别。处理设备还配置为确定测量数据的子集是否属于该类别,以及基于测量数据的子集的至少所选量在该类别之外,输出故障指示,该故障指示将车辆子系统识别为对故障有贡献。
Description
技术领域
本主题公开涉及机动车辆的领域,更具体地,涉及用于对内燃机的部件进行测试或对其进行诊断的系统和方法。
背景技术
现代车辆需要各种子系统来控制车辆操作的各个方面。车辆发动机通常包括用于控制发动机操作、空气流动和冷却、燃料喷射、排气及其他操作的子系统和部件。当发生故障时,比如严重的怠速或失火,这种故障的原因可能不容易发现。由于可能存在车辆故障的许多潜在原因,因此将原因缩小到特定子系统或部件可能是一个挑战。
发明内容
在一示例性实施例中,一种用于监视车辆操作的系统,包括处理设备,其包括配置为从多个感测设备接收测量数据的接口,多个感测设备中的每个感测设备配置为测量车辆系统的参数。处理设备配置为从多个感测设备中的每个接收测量数据,并且响应于检测到车辆中的故障,将测量数据的至少一个子集输入到与车辆子系统相关的机器学习分类器,该分类器配置为定义与车辆子系统的正常操作相关的类别。处理设备还配置为由分类器确定测量数据的子集是否属于该类别,以及基于测量数据的子集的至少所选量在该类别之外,输出故障指示,该故障指示将车辆子系统识别为对故障有贡献。
除了本文描述的一个或多个特征之外,分类器配置为在具有表示与车辆子系统的操作有关的参数的轴的特征空间中将测量数据的子集绘制为位置向量,特征空间包括定义特征空间的与车辆子系统的健康状况相关的区域的边界。
除了本文描述的一个或多个特征之外,分类器配置为基于位置向量的所选比例在该区域之外来输出故障指示。
除了本文描述的一个或多个特征之外,分类器是一个类别分类器,并且该类别是表示车辆子系统的正常操作的健康类别。
除了本文描述的一个或多个特征之外,车辆包括多个车辆子系统,并且处理设备配置为将测量数据的相应子集输入到多个一个类别分类器中的每个,每个一个类别分类器与不同的车辆子系统相关。处理设备还配置为对于每个一个类别分类器,确定相应子集是否属于健康类别,以及基于至少一个分类器确定相应子集不属于健康类别,识别多个车辆子系统中的哪个对故障有贡献。
除了本文描述的一个或多个特征之外,多个一个类别分类器包括空气子系统分类器、燃料子系统分类器和点火子系统分类器。
除了本文描述的一个或多个特征之外,分类器包括多个二维一个类别分类器,每个一个类别分类器配置为接收一对参数的测量数据,并且处理设备配置为通过将来自多个一个类别分类器的输出与知识库进行比较来将一个或多个单独部件或车辆子系统识别为对故障有贡献。
除了本文描述的一个或多个特征之外,分类器是具有与车辆子系统的正常操作相关的健康类别和故障类别的两个类别分类器。
除了本文描述的一个或多个特征之外,分类器是具有与多个车辆子系统和/或部件相关的至少三个类别的多个类别分类器。
除了本文描述的一个或多个特征之外,至少三个类别包括与所有多个车辆子系统或部件的正常操作相关的健康类别以及对于每个车辆子系统和/或部件的故障类别。
在一示例性实施例中,一种监视车辆操作的方法包括由处理设备从多个感测设备接收测量数据,多个感测设备中的每个感测设备配置为测量车辆系统的参数,并且响应于检测到车辆中的故障,将测量数据的至少一个子集输入到与车辆子系统相关的机器学习分类器,该分类器配置为定义与车辆子系统的正常操作相关的类别。该方法还包括由分类器确定测量数据的子集是否属于该类别,以及基于测量数据的子集的至少所选量在该类别之外,输出故障指示,该故障指示将车辆子系统识别为对故障有贡献。
除了本文描述的一个或多个特征之外,分类器配置为在具有表示与车辆子系统的操作有关的参数的轴的特征空间中将测量数据的子集绘制为位置向量,特征空间包括定义特征空间的与车辆子系统的健康状况相关的区域的边界。
除了本文描述的一个或多个特征之外,该方法还包括基于位置向量的所选比例在该区域之外来输出故障指示。
除了本文描述的一个或多个特征之外,分类器是一个类别分类器,并且该类别是表示车辆子系统的正常操作的健康类别。
除了本文描述的一个或多个特征之外,该方法还包括将测量数据的相应子集输入到多个一个类别分类器中的每个,每个一个类别分类器与多个车辆子系统中的一个相关。该方法还包括对于每个一个类别分类器,确定相应子集是否属于健康类别,以及基于至少一个分类器确定相应子集不属于健康类别,识别多个车辆子系统中的哪个对故障有贡献。
除了本文描述的一个或多个特征之外,多个一个类别分类器包括空气子系统分类器、燃料子系统分类器和点火子系统分类器。
除了本文描述的一个或多个特征之外,分类器包括多个二维一个类别分类器,每个一个类别分类器配置为接收一对参数的测量数据,该方法还包括通过将来自多个一个类别分类器的输出与知识库进行比较来将一个或多个单独部件或车辆子系统识别为对故障有贡献。
除了本文描述的一个或多个特征之外,分类器是具有与车辆子系统的正常操作相关的健康类别和故障类别的两个类别分类器。
除了本文描述的一个或多个特征之外,分类器是具有与多个车辆子系统和/或部件相关的至少三个类别的多个类别分类器。
除了本文描述的一个或多个特征之外,至少三个类别包括与所有多个车辆子系统或部件的正常操作相关的健康类别以及对于每个车辆子系统和/或部件的故障类别。
当结合附图考虑时,根据以下详细描述,本公开的以上特征和优点以及其他特征和优点将显而易见。
附图说明
在下面的详细描述中,仅通过示例的方式出现其他特征、优点和细节,该详细描述参考附图,其中:
图1是包括内燃机的机动车辆的俯视图;
图2示出了根据示例性实施例的一方面的具有包括机器学习分类器的处理设备的监视和/或诊断系统;
图3描绘了根据示例性实施例的一方面的用于分析测量数据以识别车辆故障的一个或多个潜在来源的多个一个类别分类器;
图4描绘了根据示例性实施例的一方面的由一个类别分类器分类的数据的示例;
图5描绘了根据示例性实施例的一方面的处理模块,其包括用于分析测量数据以识别车辆故障的一个或多个潜在来源的多个一个类别分类器;
图6描绘了根据示例性实施例的一方面的由一个类别分类器分类的数据的示例;
图7描绘了根据示例性实施例的一方面的处理模块,其包括用于分析测量数据的两个类别分类器;
图8示出了根据示例性实施例的一方面的处理模块,其包括用于分析测量数据的多个类别分类器;
图9是描绘根据示例性实施例的一方面的训练分类器的方法的各方面的流程图;
图10是示出根据示例性实施例的一方面的监视车辆系统和诊断车辆故障的方法的各方面的流程图;以及
图11描绘了根据示例性实施例的一方面的使用多个分类器来诊断车辆故障的示例的各方面。
具体实施方式
以下描述本质上仅是示例性的,并且无意于限制本公开、其应用或用途。
根据一个或多个示例性实施例,本文描述了用于监视内燃机的部件的方法和系统。监视系统的实施例包括处理设备,其配置为从车辆系统接收测量数据并将该测量数据的至少一个子集应用于一个或多个基于机器学习的分类器。分类器的示例是支持向量机(SVM)。
利用与给定类别相关的训练数据来训练每个分类器,并且将测量数据的子集输入到分类器以确定测量数据的子集(或至少显著量的子集)是否属于一个或多个类别。例如,利用与车辆子系统有关的预先存在的测量数据或其他已知数据(称为训练数据)来训练一个类别分类器,以建立属于“健康”类别的数据值的范围。
在一实施例中,监视系统包括多个一个类别分类器,每个分类器与多个车辆子系统之一相关。例如,可以为发动机子系统、燃烧子系统、空气子系统、燃料子系统和/或点火子系统提供分类器。当检测到车辆故障时,监视系统将测量数据的子集输入到每个分类器。如果分类器确定统计上显著量数据(例如子集中的数据点总数的所选比例)在健康类别之外,则分类器输出故障指示。以这种方式,监视系统和/或用户可以容易地识别出导致或潜在地导致故障的每个子系统。
在一实施例中,监视系统包括至少一个两个类别分类器,其配置为基于健康类别和“故障”类别对测量数据进行分类。在该实施例中,如果所选量的输入测量数据被分类为属于故障类别,则分类器输出故障指示。
在一实施例中,该系统包括多个类别分类器,其配置为确定测量数据是否落入至少三个类别中的一个或多个。三个类别可以包括例如指示与分类器相关的子系统正在正常操作的健康类别以及相关子系统中的子系统的多个部件中的每个的相应故障类别。每个分类器的输出可以输入到推理模块,其使用知识库推理来确定哪些子系统或部件可导致车辆故障并隔离子系统故障。
本文所述的实施例具有许多优点。例如,该系统提供了一种识别发动机失火故障或其他问题的具体来源的方法。在常规的车辆系统和诊断系统中,可能难以缩小问题的可能根本原因。本文描述的实施例提供了对子系统故障的可靠且快速的检测,并且隔离了车辆的哪些子系统导致车辆故障或问题。实施例还提供了对可能导致故障的各个系统部件的识别。
图1示出了机动车辆10的实施例,其包括至少部分地限定乘员室14的车身12。车身12还支撑各种车辆子系统,其包括的发动机组件16包括内燃机18。车身12支撑多个附加子系统,以支撑发动机组件16以及其他车辆部件和系统的功能,比如变速器、电池和电动机。其他子系统包括例如燃料喷射子系统、空气子系统、排气子系统和冷却子系统。
图2描绘了监视和/或诊断系统20的实施例,其配置为监视各种发动机子系统并识别各个子系统中的可能导致失效、故障或其他次优性能的问题。监视系统20包括处理设备22,其可以是车辆10中的车载处理器或远离车辆10的处理设备,比如服务器、个人计算机或移动设备(例如智能手机或平板电脑)。例如,处理设备22可以是一个或多个发动机控制单元(ECU)、一个或多个车辆控制模块、一个或多个测试机队数据飞行记录器、云计算设备、车辆卫星通信系统和/或其他的一部分或者与之通信。处理设备22与车辆10中的各个子系统通信和/或监视其。
例如,车辆10包括发动机子系统24,其包括发动机缸体、曲轴、连杆和活塞。燃料喷射子系统26包括诸如燃料管路、燃料喷射器和燃料泵的部件,并且空气和/或冷却子系统28包括诸如空气压缩机、空气节气门和空气进气阀的部件。其他子系统可包括具有诸如火花塞、点火线圈和电池之类的部件的点火子系统30、润滑子系统32、变速器子系统34和排气子系统36。车辆10不限于本文所述的具体实施例,因为车辆10可以具有任何数量和类型的合适的子系统。
每个子系统可以具有一个或多个相关的传感器和/或虚拟传感器或者与它们可操作地通信。例如,空气子系统28包括诸如一个或多个质量空气流量传感器或空气流量估计器38的传感器。排气子系统36包括一个或多个氧气传感器40,并且点火子系统30包括一个或多个电流和/或电压传感器42。
处理设备22包括一个或多个处理器或处理单元44和系统存储器46。系统存储器46可以包括各种计算机系统可读介质。这样的介质可以是处理单元44可访问的任何可用介质,并且可以包括易失性和非易失性介质、可移动和不可移动介质。
系统存储器46可以包括具有配置为执行本文描述的实施例的功能的一组(例如至少一个)程序模块的至少一个程序产品。例如,系统存储器46存储具有一组程序模块48的程序/实用程序。该程序/实用程序可以是或包括操作系统、一个或多个应用程序(例如与数据分析和/或机器学习相关的程序)和其他程序模块以及程序数据。程序模块48通常可以执行本文描述的实施例的一些或全部功能和/或方法。例如,程序模块48可包括用于从车辆10获取输入数据的模块、包括或配置为用于识别可能导致车辆故障的部件或子系统的分类器的模块、输出模块、显示模块、用户界面等。
处理设备22还包括配置为同与车辆10相关的各个子系统通信的接口50。接口50可用于有线通信和/或无线通信。例如,处理设备22可以是连接到车辆10中的传感器和控制单元的车载计算机。处理设备22还可以包括用于与其他位置和设备通信的接口52。例如,接口52配置为无线地(例如通过蜂窝或卫星连接)通信到诸如服务器、支持中心、经销店和/或服务站54之类的远程位置。
注意,本文描述的实施例可以结合处理设备22执行,但不限于此。例如,本文所述的全部或部分监视和诊断功能可以由车辆中的一个或多个处理设备比如发动机控制单元(ECU)执行。
监视系统20配置为监视车辆10的各个子系统,并识别引起或导致车辆故障(比如发动机失火)的各个子系统和/或部件。在一实施例中,监视系统20利用人工智能和/或机器学习来生成一个或多个分类器。每个分类器可以从车辆10中的传感设备接收测量数据,并通过分类算法确定该测量数据是否属于一类别。例如,每个分类器可以确定测量数据是否属于与子系统的正常功能相关的类别(在本文中称为“健康”类别),并且如果测量数据不属于健康类别,则将该子系统识别为引起或导致故障。
通常,分类器是配置为分析测量数据并确定测量数据是否落入一类别的处理模块或算法。分类器可以配置为确定数据是落入单个类别、落入两个类别之一还是落入三个或更多个类别之一。在一实施例中,这些类别各自指向健康系统、子系统或部件,或者指向子系统或部件故障。如下面进一步讨论,可以通过使用所选特征作为训练数据来训练分类器而建立类别。训练数据可以是例如从最相关的传感器测量、虚拟传感器值或模型参数中选择的数据。训练数据是先前从在正常车辆操作期间进行的测量和/或同与已知故障模式相关的车辆的异常操作有关的已知信息收集的数据。例如,训练数据可以包括来自车辆10和/或来自类似车辆和/或具有类似子系统的其他车辆的模拟和/或先前测量数据。在一实施例中,每个分类器使用支持向量机(SVM)。
图3描绘了可由图2的监视系统20利用的分类器的实施例。在该实施例中,监视系统20包括一个或多个一个类别分类器(例如SVM)。一个类别分类器包括燃烧或发动机子系统分类器60、空气子系统分类器62、燃料子系统分类器64和点火子系统分类器66。每个分类器接收与分类器的相应子系统相关的测量数据,并确定测量数据是否在“健康”类别中。在一实施例中,如果来自测量数据的统计上显著数量的数据点在健康类别中,则测量数据在健康类别中。相反,如果分类器确定数据点的所选数量或比例在健康类别之外,则监视系统20可以将与分类器相关的子系统识别为导致或潜在地导致故障。每个分类器的健康类别由包括与分类器的相应子系统相关的先前收集的测量数据的训练数据进行训练。
例如,分类器60是燃烧子系统分类器,其分析与燃烧子系统相关的测量数据。燃烧子系统分类器60接收燃烧系统数据作为特征输入,比如失火计数(所选时间段内的发动机失火次数)或爆震、空燃比(AFR)、来自AFR传感器的燃料修整、来自O2传感器的氧气(O2)水平、发动机扭矩、节气门位置(TPS)、火花正时等。
空气子系统分类器62接收空气子系统数据作为特征输入,比如每缸空气(APC)、测量的质量空气流量(MAF)、节气门位置(TPS)和/或进气歧管压力(MAP)。在一实施例中,输入数据包括残差或者测量数据值与估计或期望数据值之间的差。例如,输入包括APC残差(期望APC与测量APC之间的差)、MAF残差(估计或建模MAF与测量MAF之间的差)、TPS残差(期望TPS与测量TPS之间的差)和MAP残差(估计MAP与测量MAP之间的差)。
燃料子系统分类器64接收燃料子系统数据作为特征输入,比如低压(LP)燃料管路压力、LP电动机控制占空比修整以及高压(HP)燃料导轨压力和燃料流量。在一实施例中,输入数据包括残差,比如LP燃料管路残差(期望LP燃料管路压力与测量LP燃料管路压力之间的差)和/或HP燃料导轨压力残差(期望HP燃料导轨压力和测量HP燃料导轨压力之间的差)。点火子系统分类器66接收点火子系统数据作为特征输入,比如初级点火电流和/或点火电压。
在另一示例中,分类器60是发动机子系统分类器,其接收燃烧系统数据和与发动机子系统有关的附加数据。这样的附加数据的示例包括燃料流量和压力、每分钟转数(RPM)、MAF残差、LP燃料管路压力残差、HP燃料导轨压力残差、进气压力、进气温度等。
在操作中,响应于对车辆中的故障或其他问题的检测,分类器60接收燃烧子系统测量数据和/或附加测量数据,并确定测量数据是否属于健康类别。在一实施例中,分类器60将来自测量数据的数据点输入到特征空间中,该特征空间可以是二维的或具有任意数量的维度。健康类别是基于训练数据在特征空间内选择的边界定义的。如果测量数据在边界之内,则测量数据在健康类别中。可以输出指标,比如数值。例如,如果测量数据在健康类别中,则分类器可以输出零值。
如果足够数量的数据点不在边界内,则分类器60输出不健康指示或“故障信号”。故障信号可以是例如值1。故障信号可以输出到另一位置或用户(例如驾驶员或技术人员),或者输出到其他分类器或处理模块。
在一实施例中,分类器60将故障信号输出到一个或多个附加子系统分类器,以识别导致或潜在地导致故障的特定子系统。例如,如果分类器60输出故障信号,则空气、燃料和点火子系统分类器中的每一个都被触发以分析测量数据并确定显著数量的测量数据点是落在健康类别之内还是之外。可以将数据点的数量与阈值数量进行比较,阈值数量可以基于在正常车辆操作过程中进行的测量从校准中确定。
来自每个分类器的结果被输出并用于确定哪个子系统引起或至少导致了问题。例如,如果空气子系统分类器62输出所接收的测量数据不是健康类别的一部分的指示,则空气子系统分类器62输出相应的故障信号(例如值为1)。如果燃料和点火子系统分类器64和66输出健康信号(例如值为0),则用户或处理设备22可以缩小空气子系统故障的潜在原因。
应当注意,分类器可以用于广泛表征的子系统,比如空气子系统,或者用于更狭窄表征的子系统或部件。例如,一分类器可以配置为监视用于第一发动机组的空气子系统的一部分,而另一分类器可以配置为监视第二发动机组的空气子系统的一部分。
在另一示例中,可以使用相应的分类器来监视各个部件。例如,HP燃料泵分类器可以配置为使用HP燃料导轨压力和燃料流量测量作为输入数据来监视HP燃料泵,而LP燃料泵分类器可以配置为使用LP燃料管路压力和燃料流量测量作为输入数据来监视LP燃料泵。如果检测到故障,则监视系统20将相关的测量数据输入到每个分类器,以识别哪些子系统和/或各个部件可能导致故障。
如上所述,在一实施例中,每个分类器可以是线性或非线性支持向量机(SVM),其基于测量数据是否在坐标系或特征空间内定义的边界内来将测量数据分类为属于(或不属于)一个或多个类别。边界可以是线性的或非线性的。
图4示出了由分类器用来分析测量数据并确定这种数据是否属于一类别的特征空间70的示例。在该示例中,分类器是利用训练数据来建立一类别(例如健康类别)的SVM。
分类器使用训练数据来构建二维或多维空间中的边界(称为“超平面”)。在该示例中,分类器使用二维特征空间70,然而可以使用更高维空间。特征空间70包括与所选特征相关的轴,其可以是由各种传感器测量的参数。
在二维特征空间70中绘制包括多个数据点(向量)的训练数据,并且计算超平面72,该超平面使不同类别的数据之间的距离或裕度最大化。然后,超平面72用来对随后的数据点进行分类。例如,在由超平面定义的空间的一部分内的数据点74被认为是给定类别(例如健康类别)的一部分。数据点76是异常值(即不落入该空间的一部分),因此不被视为该类别的一部分。
参照图5,在一实施例中,图2的监视系统20和/或处理设备22包括与知识库信息结合的多个一个类别分类器,以隔离车辆系统中导致故障的各个部件。
在该实施例中,处理设备22包括具有多个二维(2D)一个类别分类器的分类模块80。每个一个类别分类器基于相关的测量数据是否属于健康类别来输出健康或故障信号。来自每个分类器的输出被输入到故障隔离或推理模块82,其确定各个部件或子系统是否导致故障。
每个分类器都是2D分类器,其接收两个特征的测量数据,在由两个特征定义的特征空间中将测量数据绘制为位置向量,并基于数据或显著量是否在边界或超平面内来确定数据是否属于健康类别。
在该实施例中,分类模块80包括燃料修整分类器84,其接收第一发动机组(“Bank1”)的燃料修整测量(称为“Fueltrim1”测量)以及第二发动机组(“Bank2”)的燃料修整测量(称为“Fueltrim2”测量)。测量在特征空间中绘制为数据点或位置向量,表示为(Fueltrim1,Fueltrim2)。
在图6中示出了燃料修整分类器84使用的特征空间86的示例。在该示例中,特征空间86由表示标准化Fueltrim1值的轴x1和表示标准化Fueltrim2值的轴x2定义。特征空间86包括支持向量(“SV”)88,其是用于定义超平面或边界90的观察(“O”)或训练数据点。边界90定义健康类别。将成对的Fueltrim1和Fueltrim2测量值绘制为测量数据向量(“D”)92。在此示例中,统计上显著数量的测量数据向量92是异常值。因此,燃料修整分类器84输出故障信号。
再次参照图5,分类模块80包括其他分类器,比如氧气分类器94,其对氧气测量数据进行分类,比如来自Bank1的氧气水平和来自Bank2的氧气水平。失火计数分类器96接收并分类来自Bank1和Bank2的失火计数。MAF分类器98接收并分类MAF残差测量数据和RPM测量。MAF/MAP分类器100接收并分类MAF残差和MAP残差测量数据。HP分类器102接收并分类HP燃料导轨压力测量和HP燃料导轨压力残差。LP分类器104接收并分类LP燃料管路压力测量和LP燃料管路压力残差。
来自每个2D分类器的输出被发送到推理模块82,其使用这些信号来确定是否以及哪些部件和/或子系统有故障。例如,基于知识库,来自每个分类器的故障信号与特定部件或子系统故障相关。知识库可以存储在处理设备22中或存储在远程位置,比如服务器或服务站。
监视系统20可以利用将数据分类成多个类别的分类器。例如,一个或多个两个类别分类器可用于一个或多个子系统,或者可使用具有多于两个类别的一个或多个多个类别分类器。
参照图7,在一实施例中,图2的监视系统20和/或处理设备22包括两个类别分类器110或多个两个类别分类器110。两个类别分类器110接收测量数据112并确定测量数据是否属于两个类别之一。在一实施例中,两个类别分类器110通过选择通过主成分分析(PCA)、线性判别分析(LDA)或其他合适的技术对数据进行最佳分类的特征(例如参数测量)来在二维特征空间114中绘制测量数据112。例如,第一类别是由超平面118定义的健康类别116,第二类别是由超平面122定义的不健康或故障类别120。
两个类别分类器110可以从多个子系统接收数据。例如,分类器110可以从空气、燃料和点火子系统接收数据,并且如果显著数量的测量数据属于故障类别120,则故障类别120指示问题是由这些子系统之一引起的。
测量数据的示例包括Fueltrim1、Fueltrim2、失火计数、MAF残差、MAP残差、RPM、APC残差、TPS残差、HP燃料导轨压力残差(测量HP燃料导轨压力与期望压力之间的差)、LP燃料管路压力残差(测量LP燃料管路压力与期望LP燃料管路压力之间的差),HP泵控制占空比和/或LP泵控制占空比。
参照图8,在一实施例中,图2的监视系统20和/或处理设备22包括一个或多个多个类别分类器,其使用针对燃烧、空气和燃料子系统识别的标记的健康和故障特征信号来检测和隔离各种子系统水平故障。
多个类别分类器130的实施例接收测量数据132并且确定测量数据是否属于三个或更多个类别之一。多个类别分类器130可以例如使用神经网络(NNT)比如感知器NNT来将特征空间134中的训练数据分类为代表各种类别的集群。
分类器130可以从一个或多个子系统接收数据。例如,分类器130可以从发动机子系统接收数据,该发动机子系统可以包括多个其他子系统或部件。发动机子系统数据包括例如Fueltrim1、Fueltrim2、失火计数、MAF残差、MAP残差、RPM、APC残差、TPS残差、HP燃料导轨压力残差、LP燃料管路残差、HP泵控制占空比和/或LP泵控制占空比。
分类器130定义特征空间134,其具有表示经由PCA、LDA或其他合适的分析选择的特征的轴。特征空间134包括由超平面138定义的发动机健康类别136和许多故障类别。例如,由超平面142定义Bank1空气故障类别140,表示连接到Bank1的空气子系统中的故障,由超平面146定义Bank2空气故障类别144,表示连接到Bank2的空气子系统中的故障。由超平面150定义Bank1燃料故障类别148,表示连接到Bank1的燃料子系统中的故障,由超平面154定义Bank2燃料故障类别152,表示连接到Bank2的燃料子系统中的故障。
在一实施例中,监视系统20和/或分类器配置为输出关于故障子系统(即相关分类器为其输出故障信号的子系统)的概率的信息。例如,除了输出故障信号之外,分类器(例如图3和图5-8中所示的任何或所有分类器)还将落入类别边界的测量数据点(向量)的数量与异常值的测量数据点的数量进行比较。可以将属于健康类别的测量数据点与健康类别之外的测量数据点的比率输出为相关子系统或部件健康的百分比或概率。低于所选阈值的概率可触发故障信号的输出。如果测量数据主要落入健康类别,则也可以输出健康概率。例如,再次参考图3,如果子系统健康的概率低于阈值,则空气、燃料和点火分类器可以各自输出健康概率,或者分类器可以输出故障信号。
在一实施例中,监视系统20配置为记录各组测量数据的根本原因,并记录根本原因以便与随后的测量和故障检测进行比较。例如,当一组测量被输入到监视系统20时(作为检测到故障的结果),一组测量数据被输入到分类器,或者该组测量数据的子集被输入到不同分类器。监视系统20然后将结果输出到技术人员,其可以确定故障的根本原因并将该根本原因输入知识库或数据库。然后,系统20将根本原因和故障数据记录到数据库中。如果根本原因是新的或更准确的,则监视系统20更新数据库。
图9描绘了在图2的监视系统20中训练一个或多个分类器的方法160的实施例。可以利用监视系统20或其他处理设备或系统来执行方法160的各方面。结合框161-164讨论方法160。方法160不限于其中的步骤的数量或顺序,因为由框160-164表示的一些步骤可以与下面描述的顺序不同的顺序执行,或者可以执行少于所有步骤。
在框161,监视系统20从车辆10和/或其他车辆收集测量数据和其他信息以用作训练数据。例如,可以从一组类似车辆比如具有类似发动机子系统和/或相同模型的车辆收集数据。
在框162,对于每个分类器,选择相关的训练数据和特征。例如,对于空气子系统分类器62,诸如APC、MAF、TPS和MAP数据之类的数据被选择作为训练数据。训练数据可以包括在正常操作期间收集的数据(健康训练数据)和在故障或次优操作期间收集的训练数据(不健康训练数据)。
在框163和164,将健康和不健康训练数据绘制为特征空间中的位置向量,并且如上所述对绘制的数据进行分析以识别集群并定义与一个或多个类别相关的一个(或多个)边界。
图10描绘了监视车辆系统并诊断车辆故障或问题的方法170的实施例。图2的监视系统20或者其他处理设备或系统可以用于执行方法170的各方面。结合框171-182讨论方法170。方法170不限于其中的步骤的数量或顺序,因为由框171-182表示的一些步骤可以与下面描述的顺序不同的顺序执行,或者可以执行少于所有步骤。
结合图2和3的系统和分类器讨论方法170作为示例。注意,对分类器和示例的讨论是出于说明性目的,而不是要进行限制。
在框171处,在车辆的操作期间收集来自各个子系统和传感器的测量信号。例如,监视系统20监视来自各个子系统的传感器测量,并将测量记录为测量数据。可以从车辆收集测量数据并将其传输到服务器或其他合适的存储位置,和/或可以通过诸如ECU的车载车辆处理设备从车辆10收集测量数据。可以通过任何适当的手段,比如到网络或云的蜂窝通信,将测量数据传输到监视系统20。
在框172,监视系统20监视车辆子系统并检测是否发生故障。故障可能是导致失效、故障或次优操作的车辆的任何情况。例如,系统监视发动机子系统并检测发生的任何失火。当失火数量达到或超过所选阈值数量时,故障被识别。
在框173,一旦识别出故障,就将所有或部分测量数据导入并输入到一个或多个分类器。例如,将测量数据输入到发动机子系统分类器60、空气子系统分类器62、燃料子系统分类器64和点火子系统分类器66。在框174,从每个分类器收集分类器信号。
在框175,监视系统20确定哪些分类器指示健康状况,哪些指示不健康或故障状况,即输出故障信号。与分类器相关的子系统可被认为是有故障的,因此如果分类器输出故障信号,则潜在地导致故障。在一实施例中,每个分类器输出健康概率,并且监视系统20为每个分类器(如果有)确定具有小于阈值概率值的健康概率的故障。
在框176,如果没有分类器输出故障信号或具有小于阈值的健康概率,则未找到相关子系统的故障。在框177,如果任何分类器输出故障信号,则记录故障信号(和概率,如果适用的话)和/或将其呈现给用户。
在一实施例中,方法170包括由另一处理模块或系统或者由专家或技术人员分析记录的测量数据。在框178,记录测量数据,并且在框179,确定是否找到故障模式。如果未找到故障模式,则方法170完成(框180)。
在框181,如果找到故障模式,则与根本原因数据库交叉检查与输出故障信号的一个或多个分类器相关的测量数据,以确定先前是否记录了类似的测量数据并且与根本原因相关。如果否,则在框182,记录新的根本原因,其可以在随后的诊断中使用和/或用于训练一个或多个分类器。
在图11中示出了方法170的示例。在该示例中,监视系统20包括多个一个类别分类器,其包括空气子系统分类器(比如图3的分类器)和与燃料子系统有关的分类器。分类器包括LP燃料泵分类器和HP燃料泵分类器。
在该示例中,空气分类器在特征空间192中绘制测量数据作为位置向量190(数据点“d1”和“d2”),该特征空间192具有分别表示RPM值和MAF残差值的轴x1和x2。特征空间192包括表示健康类别的健康边界194,其基于支持向量(“SV”)196被定义。支持向量196选自先前绘制的训练数据或先前测量数据,其示出为观察(“O”)198。如图所示,在边界194之外有显著数量的位置向量190。
HP燃料泵分类器在特征空间202中绘制测量数据(测量的HP燃料导轨压力和燃料流量)作为位置向量200,该特征空间202具有分别表示HP燃料导轨压力值和燃料流量值的轴x1和x2。特征空间202包括表示健康类别的健康边界204,其基于支持向量206被定义。支持向量206选自先前绘制的训练数据或先前测量数据,其示出为观察208。
同样,LP燃料泵分类器在特征空间212中绘制测量数据(LP燃料管路压力残差和测量燃料流量)作为位置向量210,该特征空间212具有分别表示LP管路压力残差值和燃料流量值的轴x1和x2。特征空间212包括表示健康类别的健康边界214,其基于支持向量216被定义。支持向量216选自先前绘制的训练数据或先前测量数据,其示出为观察218。
如图所示,对于LP燃料泵分类器或HP燃料泵分类器,在健康类别边界之外没有显著数量的位置向量,表明HP燃料泵和LP燃料泵正在正常操作。因此,监视系统20能够缩小导致空气子系统问题的潜在原因。在不同的情况下,如果检测到发动机失火不是由点火子系统引起的,并且空气系统分类器和燃料泵分类器均指示健康状况,则根本原因很可能是指出燃料喷射器问题。
在此使用的术语仅出于描述特定实施例的目的,并且不旨在限制本公开。如本文所用,单数形式“一”、“一个”和“该”也意图包括复数形式,除非上下文另外明确指出。还将理解的是,当在本说明书中使用术语“包括”及其变体时,其规定了所述特征、整数、步骤、操作、元件和/或部件的存在,但并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、部件和/或其组。
尽管已经参考示例性实施例描述了以上公开,但本领域技术人员将理解,在不脱离其范围的情况下,可以进行各种改变并且可以用等同物代替其元件。另外,在不脱离本公开的实质范围的情况下,可以做出许多修改以使特定情况或材料适应本公开的教导。因此,意图是本公开不限于所公开的特定实施例,而是将包括落入其范围内的所有实施例。
Claims (10)
1.一种用于监视车辆操作的系统,包括:
处理设备,其包括配置为从多个感测设备接收测量数据的接口,多个感测设备中的每个感测设备配置为测量车辆系统的参数,所述处理设备配置为执行:
从多个感测设备中的每个接收测量数据;
响应于检测到车辆中的故障,将测量数据的至少一个子集输入到与车辆子系统相关的机器学习分类器,该分类器配置为定义与车辆子系统的正常操作相关的类别;
由分类器确定测量数据的子集是否属于该类别;以及
基于测量数据的子集的至少所选量在该类别之外,输出故障指示,该故障指示将车辆子系统识别为对故障有贡献。
2.根据权利要求1所述的系统,其中,所述分类器配置为在具有表示与车辆子系统的操作有关的参数的轴的特征空间中将测量数据的子集绘制为位置向量,所述特征空间包括定义特征空间的与车辆子系统的健康状况相关的区域的边界,并且所述分类器配置为基于位置向量的所选比例在该区域之外来输出故障指示。
3.根据权利要求1所述的系统,其中,所述分类器是一个类别分类器,并且所述类别是表示车辆子系统的正常操作的健康类别。
4.根据权利要求3所述的系统,其中,所述车辆包括多个车辆子系统,并且所述处理设备配置为:
将测量数据的相应子集输入到多个一个类别分类器中的每个,每个一个类别分类器与不同的车辆子系统相关;
对于每个一个类别分类器,确定相应子集是否属于健康类别;以及
基于至少一个分类器确定相应子集不属于健康类别,识别多个车辆子系统中的哪个对故障有贡献。
5.根据权利要求4所述的系统,其中,所述多个一个类别分类器包括空气子系统分类器、燃料子系统分类器和点火子系统分类器。
6.一种监视车辆操作的方法,包括:
由处理设备从多个感测设备接收测量数据,多个感测设备中的每个感测设备配置为测量车辆系统的参数;
响应于检测到车辆中的故障,将测量数据的至少一个子集输入到与车辆子系统相关的机器学习分类器,该分类器配置为定义与车辆子系统的正常操作相关的类别;
由分类器确定测量数据的子集是否属于该类别;以及
基于测量数据的子集的至少所选量在该类别之外,输出故障指示,该故障指示将车辆子系统识别为对故障有贡献。
7.根据权利要求6所述的方法,其中,所述分类器包括多个二维一个类别分类器,每个一个类别分类器配置为接收一对参数的测量数据,所述方法还包括通过将来自多个一个类别分类器的输出与知识库进行比较来将一个或多个单独部件或车辆子系统识别为对故障有贡献。
8.根据权利要求6所述的方法,其中,所述分类器是具有与车辆子系统的正常操作相关的健康类别和故障类别的两个类别分类器。
9.根据权利要求6所述的方法,其中,所述分类器是具有与多个车辆子系统和/或部件相关的至少三个类别的多个类别分类器。
10.根据权利要求9所述的方法,其中,所述至少三个类别包括与所有多个车辆子系统或部件的正常操作相关的健康类别以及对于每个车辆子系统和/或部件的故障类别。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/367,827 US10922906B2 (en) | 2019-03-28 | 2019-03-28 | Monitoring and diagnosing vehicle system problems using machine learning classifiers |
US16/367,827 | 2019-03-28 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111753867A true CN111753867A (zh) | 2020-10-09 |
CN111753867B CN111753867B (zh) | 2024-05-28 |
Family
ID=72604373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010190210.7A Active CN111753867B (zh) | 2019-03-28 | 2020-03-18 | 使用机器学习分类器来监视和诊断车辆系统问题 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10922906B2 (zh) |
CN (1) | CN111753867B (zh) |
DE (1) | DE102020103768B4 (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10304263B2 (en) * | 2016-12-13 | 2019-05-28 | The Boeing Company | Vehicle system prognosis device and method |
US20220156367A1 (en) * | 2019-04-11 | 2022-05-19 | Saferide Technologies Ltd. | System and method for detection of anomalous controller area network (can) messages |
US11775816B2 (en) | 2019-08-12 | 2023-10-03 | Micron Technology, Inc. | Storage and access of neural network outputs in automotive predictive maintenance |
US11853863B2 (en) | 2019-08-12 | 2023-12-26 | Micron Technology, Inc. | Predictive maintenance of automotive tires |
US11586943B2 (en) | 2019-08-12 | 2023-02-21 | Micron Technology, Inc. | Storage and access of neural network inputs in automotive predictive maintenance |
US11748626B2 (en) | 2019-08-12 | 2023-09-05 | Micron Technology, Inc. | Storage devices with neural network accelerators for automotive predictive maintenance |
US11586194B2 (en) | 2019-08-12 | 2023-02-21 | Micron Technology, Inc. | Storage and access of neural network models of automotive predictive maintenance |
US11635893B2 (en) | 2019-08-12 | 2023-04-25 | Micron Technology, Inc. | Communications between processors and storage devices in automotive predictive maintenance implemented via artificial neural networks |
US11702086B2 (en) * | 2019-08-21 | 2023-07-18 | Micron Technology, Inc. | Intelligent recording of errant vehicle behaviors |
US11498388B2 (en) | 2019-08-21 | 2022-11-15 | Micron Technology, Inc. | Intelligent climate control in vehicles |
US11650746B2 (en) | 2019-09-05 | 2023-05-16 | Micron Technology, Inc. | Intelligent write-amplification reduction for data storage devices configured on autonomous vehicles |
US11693562B2 (en) | 2019-09-05 | 2023-07-04 | Micron Technology, Inc. | Bandwidth optimization for different types of operations scheduled in a data storage device |
US11250648B2 (en) | 2019-12-18 | 2022-02-15 | Micron Technology, Inc. | Predictive maintenance of automotive transmission |
US11709625B2 (en) | 2020-02-14 | 2023-07-25 | Micron Technology, Inc. | Optimization of power usage of data storage devices |
US11531339B2 (en) | 2020-02-14 | 2022-12-20 | Micron Technology, Inc. | Monitoring of drive by wire sensors in vehicles |
WO2022175767A1 (en) * | 2021-02-21 | 2022-08-25 | Bahmanpour Sareh | Equipment fault detection system using artificial intelligence(icms) |
US11787428B2 (en) * | 2021-03-04 | 2023-10-17 | Zf Friedrichshafen Ag | Diagnostic method and system for an automated vehicle |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101826135A (zh) * | 2009-03-05 | 2010-09-08 | 通用汽车环球科技运作公司 | 用于增强车辆诊断、预测和维护实践的综合信息融合 |
US20110172874A1 (en) * | 2010-01-13 | 2011-07-14 | Gm Global Technology Operations, Inv. | Fault prediction framework using temporal data mining |
US20160035150A1 (en) * | 2014-07-30 | 2016-02-04 | Verizon Patent And Licensing Inc. | Analysis of vehicle data to predict component failure |
US20160314632A1 (en) * | 2015-04-24 | 2016-10-27 | The Boeing Company | System and method for detecting vehicle system faults |
US20160358088A1 (en) * | 2015-06-05 | 2016-12-08 | Southwest Research Institute | Sensor data confidence estimation based on statistical analysis |
CN108303264A (zh) * | 2017-01-13 | 2018-07-20 | 华为技术有限公司 | 一种基于云的车辆故障诊断方法、装置及其系统 |
US20180275667A1 (en) * | 2017-03-27 | 2018-09-27 | Uber Technologies, Inc. | Machine Learning for Event Detection and Classification in Autonomous Vehicles |
US20180276912A1 (en) * | 2017-03-23 | 2018-09-27 | Uber Technologies, Inc. | Machine Learning for Triaging Failures in Autonomous Vehicles |
CN109254577A (zh) * | 2018-08-08 | 2019-01-22 | 佛山科学技术学院 | 一种基于深度学习的智能制造过程故障分类方法及装置 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1343676B8 (de) | 2000-12-12 | 2005-06-15 | DB Fernverkehr AG | Verfahren und vorrichtung zum überwachen des fahrverhaltens von schienenfahrzeugen und der diagnose von komponenten von schienenfahrzeugen |
US20190156600A1 (en) * | 2006-11-16 | 2019-05-23 | Ge Global Sourcing Llc | Locomotive sensor system for monitoring engine and lubricant health |
DE102009000080B4 (de) | 2009-01-08 | 2019-03-07 | Robert Bosch Gmbh | Verfahren und Steuergerät zum Erkennen eines Fahrzustands eines Fahrzeugs |
JP5301310B2 (ja) | 2009-02-17 | 2013-09-25 | 株式会社日立製作所 | 異常検知方法及び異常検知システム |
JP6076751B2 (ja) | 2013-01-22 | 2017-02-08 | 株式会社日立製作所 | 異常診断方法およびその装置 |
WO2016108961A1 (en) * | 2014-12-30 | 2016-07-07 | Battelle Memorial Institute | Anomaly detection for vehicular networks for intrusion and malfunction detection |
JP6557110B2 (ja) | 2015-10-13 | 2019-08-07 | 公益財団法人鉄道総合技術研究所 | 状態診断装置及びプログラム |
US10430800B2 (en) * | 2016-01-13 | 2019-10-01 | Traffilog | Faster product improvement |
US10275955B2 (en) * | 2016-03-25 | 2019-04-30 | Qualcomm Incorporated | Methods and systems for utilizing information collected from multiple sensors to protect a vehicle from malware and attacks |
US10943283B2 (en) * | 2016-11-18 | 2021-03-09 | Cummins Inc. | Service location recommendation tailoring |
CN107728476B (zh) * | 2017-09-20 | 2020-05-22 | 浙江大学 | 一种基于SVM-forest的从非平衡类数据中提取敏感数据的方法 |
US20190095725A1 (en) * | 2017-09-22 | 2019-03-28 | Aurora Flight Sciences Corporation | Detection System for a Vehicle |
US11688212B2 (en) * | 2017-10-31 | 2023-06-27 | Upstream Security, Ltd. | Machine learning techniques for classifying driver behavior |
US10802942B2 (en) * | 2018-12-28 | 2020-10-13 | Intel Corporation | Methods and apparatus to detect anomalies of a monitored system |
-
2019
- 2019-03-28 US US16/367,827 patent/US10922906B2/en active Active
-
2020
- 2020-02-13 DE DE102020103768.6A patent/DE102020103768B4/de active Active
- 2020-03-18 CN CN202010190210.7A patent/CN111753867B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101826135A (zh) * | 2009-03-05 | 2010-09-08 | 通用汽车环球科技运作公司 | 用于增强车辆诊断、预测和维护实践的综合信息融合 |
US20110172874A1 (en) * | 2010-01-13 | 2011-07-14 | Gm Global Technology Operations, Inv. | Fault prediction framework using temporal data mining |
US20160035150A1 (en) * | 2014-07-30 | 2016-02-04 | Verizon Patent And Licensing Inc. | Analysis of vehicle data to predict component failure |
US20160314632A1 (en) * | 2015-04-24 | 2016-10-27 | The Boeing Company | System and method for detecting vehicle system faults |
US20160358088A1 (en) * | 2015-06-05 | 2016-12-08 | Southwest Research Institute | Sensor data confidence estimation based on statistical analysis |
CN108303264A (zh) * | 2017-01-13 | 2018-07-20 | 华为技术有限公司 | 一种基于云的车辆故障诊断方法、装置及其系统 |
US20180276912A1 (en) * | 2017-03-23 | 2018-09-27 | Uber Technologies, Inc. | Machine Learning for Triaging Failures in Autonomous Vehicles |
US20180275667A1 (en) * | 2017-03-27 | 2018-09-27 | Uber Technologies, Inc. | Machine Learning for Event Detection and Classification in Autonomous Vehicles |
CN109254577A (zh) * | 2018-08-08 | 2019-01-22 | 佛山科学技术学院 | 一种基于深度学习的智能制造过程故障分类方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
US10922906B2 (en) | 2021-02-16 |
DE102020103768B4 (de) | 2023-03-16 |
US20200312056A1 (en) | 2020-10-01 |
DE102020103768A1 (de) | 2020-10-01 |
CN111753867B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111753867B (zh) | 使用机器学习分类器来监视和诊断车辆系统问题 | |
US11282306B2 (en) | Telematically monitoring and predicting a vehicle battery state | |
CN111201374B (zh) | 机动车的废气排放的计算 | |
EP0637739B1 (en) | Testing an internal combustion engine | |
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 | |
US9014918B2 (en) | Health monitoring systems and techniques for vehicle systems | |
US20150134192A1 (en) | External diagnosis device, vehicle diagnosis system and vehicle diagnosis method | |
WO2010067547A1 (ja) | 車両の故障診断装置 | |
US10975794B2 (en) | Method of fault isolation for systems with existing diagnostics | |
KR102368396B1 (ko) | K-평균 군집화 알고리즘을 이용한 주기변동 랜덤신호의 정렬방법 및 이를 이용한 내연기관의 이상진단 시스템 및 방법 | |
US6006154A (en) | System and method for cylinder power imbalance prognostics and diagnostics | |
US7120536B2 (en) | Method of diagnosing the operating state of a motor vehicle diesel engine | |
CN113396369B (zh) | 异常检测装置 | |
US10102690B2 (en) | Non-starting engine remote diagnostic | |
KR101505975B1 (ko) | 엔진 고장 진단 방법 및 고장 진단 시스템 | |
CN116880454A (zh) | 车辆故障智能诊断系统与方法 | |
US11466638B2 (en) | Sensor diagnostic procedure | |
CN114379570A (zh) | 车辆数据操纵和机械故障的自动检测 | |
CN114962031B (zh) | 内燃机进气系统管路结焦的检测方法及其系统、车辆 | |
US20240046715A1 (en) | Data driven identification of a root cause of a malfunction | |
KR101387421B1 (ko) | 차량의 접지 레벨 신호를 이용한 차량상태 검사 분석 방법 및 장치 | |
JPH0916255A (ja) | 機器の故障診断方法およびその装置 | |
Singh et al. | Driving pattern analysis to determine driver behaviors for local authority based on cloud using OBD II | |
JP2024027551A (ja) | 異常警告装置及び異常警告方法 | |
CN111439274A (zh) | 诊断车辆的推进系统的方法及其系统 |
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 |