CN112712227B - 用于交通工具的适应性预测系统和方法 - Google Patents
用于交通工具的适应性预测系统和方法 Download PDFInfo
- Publication number
- CN112712227B CN112712227B CN202011071943.5A CN202011071943A CN112712227B CN 112712227 B CN112712227 B CN 112712227B CN 202011071943 A CN202011071943 A CN 202011071943A CN 112712227 B CN112712227 B CN 112712227B
- Authority
- CN
- China
- Prior art keywords
- event
- deviation
- vehicle
- data
- subsystem
- 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
Links
- 238000000034 method Methods 0.000 title claims description 86
- 230000003044 adaptive effect Effects 0.000 title description 35
- 230000004044 response Effects 0.000 claims abstract description 68
- 238000011156 evaluation Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000008439 repair process Effects 0.000 claims description 29
- 238000001914 filtration Methods 0.000 claims description 5
- 230000036541 health Effects 0.000 description 24
- 238000004891 communication Methods 0.000 description 19
- 238000000513 principal component analysis Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 11
- 238000012423 maintenance Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000004590 computer program Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 239000000446 fuel Substances 0.000 description 5
- 230000007704 transition Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000000116 mitigating effect Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 239000007858 starting material Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000005284 basis set Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011985 exploratory data analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
- 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
- B60W50/04—Monitoring the functioning of the control system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- 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
- G07C5/085—Registering performance data using electronic data carriers
-
- 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
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Human Computer Interaction (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
系统包括评估模块和训练模块。评估模块被配置为接收关于与交通工具的子系统相关联的事件的事件数据。评估模块被配置为确定参考数据与事件之前和之后的事件数据的部分之间的偏差，所述参考数据用于子系统，指示子系统的正常操作。评估模块被配置为通过比较偏差和阈值偏差而确定事件数据是否指示与子系统相关联的故障。训练模块被配置为：响应于偏差指示与子系统相关联的故障，基于事件数据，更新被训练以识别交通工具中的故障的模型，以将事件识别为与交通工具的子系统相关联的故障。
Description
技术领域
本章节中提供的信息用于总体上呈现本公开的上下文的目的。本发明人的工作（在本章节中描述其的程度上）以及描述的方面（其可在提交时以其它方式不具有作为现有技术的资格）不明确或隐含地被认为是相对于本公开的现有技术。
本公开总体上涉及用于交通工具的预测系统和方法，并且更特别地涉及使用距离和时间自评估的适应性预测。
背景技术
诊断和预测（D&P）是大多数现代交通工具的重要特征。然而，一旦在交通工具中部署了D&P系统，则需要花费显著量的时间和资源，以改进和更新D&P系统，以处理极端情况（下文在详细描述的章节中解释）。此外，大多数D&P系统仅使用一套逻辑和校准，用于一个交通工具程序，这可不实现期望性能，以处理交通工具到交通工具的变化。
发明内容
系统包括评估模块和训练模块。评估模块被配置为接收关于与交通工具的子系统相关联的事件的事件数据。评估模块被配置为确定参考数据与事件之前和之后的事件数据的部分之间的偏差，所述参考数据用于子系统，指示子系统的正常操作。评估模块被配置为通过比较偏差和阈值偏差而确定事件数据是否指示与子系统相关联的故障。训练模块被配置为：响应于偏差指示与子系统相关联的故障，基于事件数据，更新被训练以识别交通工具中的故障的模型，以将事件识别为与交通工具的子系统相关联的故障。
在其它特征中，评估模块被配置为：响应于偏差不指示与子系统相关联的故障，将事件数据添加到参考数据，并且使用包括事件数据的参考数据，以确定交通工具中和其它交通工具中的随后事件的偏差。
在其它特征中，评估模块被进一步配置为：响应于偏差指示与子系统相关联的故障，基于偏差，识别子系统的一个或多个故障部件。
在其它特征中，模型被训练，用于在以与其中制造交通工具不同的交通工具程序或不同的车型年份制造的交通工具中使用，并且训练模块被配置为更新模型，用于在交通工具中使用。
在其它特征中，模型被训练，用于在多个交通工具中使用，并且训练模块被配置为更新模型，用于在交通工具中使用。
在其它特征中，事件包括对于交通工具执行的维修，并且评估模块被配置为：响应于事件之前的事件数据的部分的偏差大于阈值偏差，并且响应于事件之后的事件数据的部分的偏差小于阈值偏差，更新模型。
在其它特征中，事件包括子系统的操作条件的指示，并且评估模块被配置为：响应于事件之前的事件数据的部分的偏差大于阈值偏差，并且响应于事件之后的事件数据的部分的偏差对于事件之后的时间周期保持大于阈值偏差，更新模型。
在其它特征中，评估模块进一步被配置为使事件数据归一化，并且选择归一化数据的部分，以确定偏差。
在另外其它特征中，方法包括：接收关于与交通工具的子系统相关联的事件的事件数据；过滤事件数据，以从事件数据去除异常值；以及使用预定范围而使已过滤事件数据归一化。方法还包括：从事件之前和之后的归一化数据选择数据；以及确定参考数据与事件之前和之后的所选择的数据的部分之间的偏差，所述参考数据用于子系统，指示子系统的正常操作。方法还包括：通过比较偏差和阈值偏差而确定事件数据是否指示与子系统相关联的故障。方法还包括：响应于偏差指示与子系统相关联的故障，基于偏差，识别子系统的一个或多个故障部件。方法还包括：响应于偏差指示与子系统相关联的故障，基于事件数据，更新被训练以识别交通工具中的故障的模型，以将事件识别为与子系统相关联的故障。
在其它特征中，方法还包括：响应于偏差不指示与子系统相关联的故障，将事件数据添加到参考数据；以及使用包括事件数据的参考数据，以确定交通工具中和其它交通工具中的随后事件的偏差。
在其它特征中，方法还包括：训练模型，用于在以与其中制造交通工具不同的交通工具程序或不同的车型年份制造的交通工具中使用；以及更新模型，用于在交通工具中使用。
在其它特征中，事件包括对于交通工具执行的维修，并且方法还包括：响应于事件之前的事件数据的部分的偏差大于阈值偏差，并且响应于事件之后的事件数据的部分的偏差小于阈值偏差，更新模型。
在其它特征中，事件包括子系统的操作条件的指示，并且方法还包括：响应于事件之前的事件数据的部分的偏差大于阈值偏差，并且响应于事件之后的事件数据的部分的偏差对于事件之后的时间周期保持大于阈值偏差，更新模型。
在另外其它特征中，系统包括处理器和存储器，所述存储器存储指令，当由处理器执行时，所述指令配置处理器，以接收关于与交通工具的子系统相关联的事件的事件数据。指令进一步配置处理器，以确定参考数据与事件之前和之后的事件数据的部分之间的偏差，所述参考数据指示子系统的正常操作。指令进一步配置处理器，以通过比较偏差和阈值偏差而确定事件数据是否指示与子系统相关联的故障。指令进一步配置处理器，以响应于偏差指示与子系统相关联的故障，基于事件数据，更新被训练以识别交通工具中的故障的模型，以将事件识别为与子系统相关联的故障。模型被训练，用于在以与其中制造交通工具不同的交通工具程序或不同的车型年份制造的交通工具中使用。
在其它特征中，指令配置处理器，以响应于偏差不指示与子系统相关联的故障，将事件数据添加到参考数据，并且使用包括事件数据的参考数据，以确定交通工具中和其它交通工具中的随后事件的偏差。
在其它特征中，指令配置处理器，以响应于偏差指示与子系统相关联的故障，基于偏差，识别子系统的一个或多个故障部件。
在其它特征中，事件包括对于交通工具执行的维修，并且指令配置处理器，以响应于事件之前的事件数据的部分的偏差大于阈值偏差，并且响应于事件之后的事件数据的部分的偏差小于阈值偏差，更新模型。
在其它特征中，事件包括子系统的操作条件的指示，并且指令配置处理器，以响应于事件之前的事件数据的部分的偏差大于阈值偏差，并且响应于事件之后的事件数据的部分的偏差对于事件之后的时间周期保持大于阈值偏差，更新模型。
在其它特征中，指令配置处理器，以使事件数据归一化，并且选择归一化数据的部分，以确定偏差。
在其它特征中，指令配置处理器，以过滤事件数据，以从事件数据去除异常值。
本申请还公开了以下技术方案。
1. 系统，包括：
评估模块，被配置为：
接收关于与交通工具的子系统相关联的事件的事件数据；
确定参考数据与所述事件之前和之后的所述事件数据的部分之间的偏差，所述参考数据用于所述子系统，指示所述子系统的正常操作；以及
通过比较所述偏差和阈值偏差而确定所述事件数据是否指示与所述子系统相关联的故障；以及
训练模块，被配置为：响应于所述偏差指示与所述子系统相关联的故障，基于所述事件数据，更新被训练以识别交通工具中的故障的模型，以将所述事件识别为与所述交通工具的所述子系统相关联的故障。
2. 根据技术方案1所述的系统，其中，所述评估模块被配置为：
响应于所述偏差不指示与所述子系统相关联的故障，将所述事件数据添加到所述参考数据；以及
使用包括所述事件数据的所述参考数据，以确定所述交通工具中和其它交通工具中的随后事件的偏差。
3. 根据技术方案1所述的系统，其中，所述评估模块被进一步配置为：响应于所述偏差指示与所述子系统相关联的故障，基于所述偏差，识别所述子系统的一个或多个故障部件。
4. 根据技术方案1所述的系统，其中，所述模型被训练，用于在以与其中制造所述交通工具不同的交通工具程序或不同的车型年份制造的交通工具中使用，以及其中，所述训练模块被配置为更新所述模型，用于在所述交通工具中使用。
5. 根据技术方案1所述的系统，其中，所述模型被训练，用于在多个交通工具中使用，以及其中，所述训练模块被配置为更新所述模型，用于在所述交通工具中使用。
6. 根据技术方案1所述的系统，其中，所述事件包括对于所述交通工具执行的维修，以及其中，所述评估模块被配置为：响应于所述事件之前的所述事件数据的所述部分的所述偏差大于所述阈值偏差，并且响应于所述事件之后的所述事件数据的所述部分的所述偏差小于所述阈值偏差，更新所述模型。
7. 根据技术方案1所述的系统，其中，所述事件包括所述子系统的操作条件的指示，以及其中，所述评估模块被配置为：响应于所述事件之前的所述事件数据的所述部分的所述偏差大于所述阈值偏差，并且响应于所述事件之后的所述事件数据的所述部分的所述偏差对于所述事件之后的时间周期保持大于所述阈值偏差，更新所述模型。
8. 根据技术方案1所述的系统，其中，所述评估模块被进一步配置为使所述事件数据归一化，并且选择归一化数据的部分，以确定所述偏差。
9. 方法，包括：
接收关于与交通工具的子系统相关联的事件的事件数据；
过滤所述事件数据，以从所述事件数据去除异常值；
使用预定范围而使已过滤事件数据归一化；
从所述事件之前和之后的归一化数据选择数据；
确定参考数据与所述事件之前和之后的所选择的数据的部分之间的偏差，所述参考数据用于所述子系统，指示所述子系统的正常操作；
通过比较所述偏差和阈值偏差而确定所述事件数据是否指示与所述子系统相关联的故障；
响应于所述偏差指示与所述子系统相关联的故障，基于所述偏差，识别所述子系统的一个或多个故障部件；以及
响应于所述偏差指示与所述子系统相关联的故障，基于所述事件数据，更新被训练以识别所述交通工具中的故障的模型，以将所述事件识别为与所述子系统相关联的故障。
10. 根据技术方案9所述的方法，还包括：
响应于所述偏差不指示与所述子系统相关联的故障，将所述事件数据添加到所述参考数据；以及
使用包括所述事件数据的所述参考数据，以确定所述交通工具中和其它交通工具中的随后事件的偏差。
11. 根据技术方案9所述的方法，还包括：
训练所述模型，用于在以与其中制造所述交通工具不同的交通工具程序或不同的车型年份制造的交通工具中使用；以及
更新所述模型，用于在所述交通工具中使用。
12. 根据技术方案9所述的方法，其中，所述事件包括对于所述交通工具执行的维修，所述方法还包括：响应于所述事件之前的所述事件数据的所述部分的所述偏差大于所述阈值偏差，并且响应于所述事件之后的所述事件数据的所述部分的所述偏差小于所述阈值偏差，更新所述模型。
13. 根据技术方案9所述的方法，其中，所述事件包括所述子系统的操作条件的指示，所述方法还包括：响应于所述事件之前的所述事件数据的所述部分的所述偏差大于所述阈值偏差，并且响应于所述事件之后的所述事件数据的所述部分的所述偏差对于所述事件之后的时间周期保持大于所述阈值偏差，更新所述模型。
14. 系统，包括：
处理器；以及
存储器，存储指令，当由所述处理器执行时，所述指令配置所述处理器，用于：
接收关于与交通工具的子系统相关联的事件的事件数据；
确定参考数据与所述事件之前和之后的所述事件数据的部分之间的偏差，所述参考数据指示所述子系统的正常操作；
通过比较所述偏差和阈值偏差而确定所述事件数据是否指示与所述子系统相关联的故障；以及
响应于所述偏差指示与所述子系统相关联的故障，基于所述事件数据，更新被训练以识别所述交通工具中的故障的模型，以将所述事件识别为与所述子系统相关联的故障，
其中，所述模型被训练，用于在以与其中制造所述交通工具不同的交通工具程序或不同的车型年份制造的交通工具中使用。
15. 根据技术方案14所述的系统，其中，所述指令配置所述处理器，用于：
响应于所述偏差不指示与所述子系统相关联的故障，将所述事件数据添加到所述参考数据；以及
使用包括所述事件数据的所述参考数据，以确定所述交通工具和其它交通工具中的随后事件的偏差。
16.根据技术方案14所述的系统，其中，所述指令配置所述处理器，以响应于所述偏差指示与所述子系统相关联的故障，基于所述偏差，识别所述子系统的一个或多个故障部件。
17. 根据技术方案14所述的系统，其中，所述事件包括对于所述交通工具执行的维修，以及其中，所述指令配置所述处理器，以响应于所述事件之前的所述事件数据的所述部分的所述偏差大于所述阈值偏差，并且响应于所述事件之后的所述事件数据的所述部分的所述偏差小于所述阈值偏差，更新所述模型。
18. 根据技术方案14所述的系统，其中，所述事件包括所述子系统的操作条件的指示，以及其中，所述指令配置所述处理器，以响应于所述事件之前的所述事件数据的所述部分的所述偏差大于所述阈值偏差，并且响应于所述事件之后的所述事件数据的所述部分的所述偏差对于所述事件之后的时间周期保持大于所述阈值偏差，更新所述模型。
19. 根据技术方案14所述的系统，其中，所述指令配置所述处理器，以使所述事件数据归一化，并且选择归一化数据的部分，以确定所述偏差。
20. 根据技术方案14所述的系统，其中，所述指令配置所述处理器，以过滤所述事件数据，以从所述事件数据去除异常值。
本公开的进一步的适用性领域将从详细描述、权利要求和附图变得显而易见。详细描述和具体示例仅旨在用于说明的目的，并且不旨在限制本公开的范围。
附图说明
本公开将从详细描述和所附附图变得更全面地被理解，其中：
图1显示了交通工具中的机载适应性预测系统；
图2显示了用于基于事件数据而更新交通工具中的诊断和预测（D&P）模型的过程；
图3A和图3B显示了用于更新交通工具中的D&P模型的自评估方法；
图4A和图4B显示了通过使用适应性预测系统和自评估方法而获得的结果的示例；
图5A显示了可实施图1至图3B中显示的适应性预测系统和自评估方法的分布式计算系统的简化示例；以及
图5B显示了图5A的分布式计算系统的服务器的简化示例。
在附图中，附图标记可被重复使用，以识别相似和/或相同的元件。
具体实施方式
本公开提供了适应性预测系统和方法，其中，自评估方法用于自动评估典型事件，并且更新适应性预测系统和方法，用于每个交通工具或交通工具组。适应性预测系统和方法使用基于机器学习（ML）的距离计算方法，以隔离故障。适应性预测系统和方法使用时间信息，以排除噪声/极端情况，诸如，部件磨合或传感器误差。适应性预测系统和方法使用边缘计算，以定制或个性化诊断和预测（D&P）系统，用于每个交通工具/交通工具组。
交通工具健康管理系统包括诊断系统、预测系统和故障缓解系统。诊断系统通常包括机载诊断模块，所述机载诊断模块使用交通工具的仪表板上的指示器而向交通工具所有人指示系统级故障。诊断系统还包括高级诊断，所述高级诊断由维护人员使用，以执行详细的故障分析，以获得处于部件级的问题的根本原因。机载诊断模块通常将来自交通工具子系统的信号的信号级与预定阈值比较，并且基于比较结果而确定子系统是否故障。维护人员通常使用高级诊断，所述高级诊断可分析来自子系统以及其它相关子系统的多个部件的信号，并且可确定处于部件级的问题的根本原因。
预测系统可预测交通工具中的哪些部件在不久的将来可失效。预测系统在故障发生之前预测故障。预测系统可帮助交通工具所有人在部件失效之前安排维护。以此方式，当部件失效时，交通工具所有人不陷于困境。然而，一些故障是突然发生的，并且不可被预测。故障缓解系统确定是否可缓解导致故障的故障。例如，一些故障是边缘性的，并且可被缓解，以允许交通工具行驶一段时间，直到故障通过维护交通工具而被改正。
目前，工程师有意地将故障从交通工具程序输入测试交通工具中，并且确定故障表征。然后，工程师开发诊断和预测（D&P）系统，用于处理故障，并且在交通工具或云中实施D&P系统。在进一步的测试期间，如果遇到故障的错误肯定指示或不正确检测，则工程师调整D&P系统，以避免故障的错误肯定指示或不正确检测。因此，D&P系统的开发消耗时间和资源。
进一步地，D&P系统通常使用来自交通工具程序的一个交通工具作为测试交通工具而开发，并且相同的D&P系统用于在交通工具程序下制造的所有交通工具。然而，例如，由于制造和装配公差，因此程序中的交通工具可具有变化。进一步地，在相同的交通工具程序中制造和装配的不同交通工具可在不同的条件下行驶。此外，不同的驾驶员可具有不同的驾驶模式。这些不同的因素要求在持续的基础上对于每个交通工具微调D&P系统。然而，不可通过测试程序中的每个交通工具而分析和考虑这些因素。进一步地，这些因素也不可被容易地模拟，使得通过对于每个交通工具微调D&P系统而分析和考虑其对于D&P系统的影响。
本公开提供了适应性D&P系统，所述适应性D&P系统使用自评估方法，以自动评估交通工具事件，并且在持续的基础上更新D&P系统，用于每个交通工具或交通工具组。适应性D&P系统可在交通工具中、云中的数据中心处和/或由维护技术员使用的维护工具中实施。
本公开被组织如下。图1显示了交通工具中的机载适应性预测系统的示例。图2显示了用于基于事件数据而更新交通工具中的D&P模型的过程的示例。图3A和图3B显示了用于更新交通工具中的D&P模型的自评估方法的示例。图4A和图4B显示了通过使用适应性预测系统和自评估方法而获得的结果的示例。图5A和图5B显示了可用于实施适应性D&P系统的基于客户端-服务器的分布式通信系统。之后，为了完整性，简要解释了以下描述中参考的极端情况、边缘情况、边缘计算、边缘装置和连接交通工具技术。
图1显示了根据本公开的机载适应性预测系统（下文为系统）100的示意图。系统100包括交通工具102，所述交通工具102经由分布式通信系统108（下文参考图5A和图5B描述）与交通工具队列网络104和数据中心106通信。交通工具102包括远程信息处理模块110、适应性预测模块112、信息娱乐模块114和发动机控制模块116。适应性预测模块112包括自评估模块120、训练模块122以及诊断和预测（D&P）模块124。
交通工具队列网络104可包括一个或多个网络（诸如，交通工具对于交通工具（V2V）、交通工具对于基础设施（V2I）、交通工具对于网络（V2N）），并且从所述网络提供数据，下文在描述图5A和图5B之后解释。数据中心106包括服务器（例如，下文参考图5A和图5B显示和描述的服务器），所述服务器被配置为执行下文描述的数据处理和分析。远程信息处理模块110包括一个或多个收发器，所述收发器符合不同的通信协议，以与分布式通信系统108通信。
信息娱乐模块114包括音视频界面（诸如，仪表板上的显示屏）、用于指示交通工具的操作条件以及指示警报/警告的各种指示器、用于接收来自驾驶员的输入的部件以及等等。信息娱乐模块114还包括一个或多个信息娱乐系统，诸如，收音机、TV、导航系统以及等等。
ECM 116控制交通工具102的发动机，并且与控制交通工具102的其它子系统的其它控制模块（未显示）通信。其它子系统的示例包括但不限于传输子系统、悬架子系统、制动子系统、自主交通工具控制子系统以及等等。例如，ECM 116可经由交通工具102中的控制器区域网络（CAN）与这些其它控制模块通信。所有控制模块与相应子系统中的各种传感器通信，并且基于从传感器接收的数据而使用各种致动器控制相应子系统。
远程信息处理模块110合并来自交通工具队列网络104的所有数据。交通工具102作用为边缘装置（下文在描述图5A和图5B之后解释）。适应性预测模块112使用边缘计算而处理来自远程信息处理模块110和ECM 116的数据（下文也在描述图5A和图5B之后解释）。
D&P模块124包括D&P模型，所述D&P模型在工厂处被预先训练，以在交通工具102所属的交通工具程序中对于所有交通工具执行诊断和预测操作。因此，预先训练的D&P模型是在交通工具102所属的交通工具程序中对于所有交通工具通用的标准默认或基础模型，并且在下文被称为基础模型。D&P模块124最初使用基础模型基于从ECM 116接收的数据而执行诊断和预测操作。
贯穿于本公开，仅显示了ECM 116作为用于D&P模块124和自评估模块120的数据源的示例。可选地或附加地，D&P模块124和自评估模块120可从控制上文描述的任何其它子系统的任何其它控制模块接收数据。
随着交通工具102行驶，自评估模块120基于从ECM 116（或其它控制模块）接收的数据而监测和评估事件（例如，已发生或可能发生的故障），如下文参考图3A和图3B解释的。训练模型122进一步训练和微调D&P模块124中的基础模型。例如，训练模块122基于由自评估模块120执行的事件评估而更新基础模型或更新基础模型的规则和/或参数，如下文参考图3A和图3B解释的。随着继续使用交通工具102，训练模块122继续训练和微调D&P模块124中的基础模型。
在持续训练和微调基础模型的情况下，D&P模块124现在可基于微调模型而向信息娱乐模块114提供改进的诊断和预测数据（例如，已发生或可能发生的故障、故障缓解过程等）。改进的诊断和预测数据比由基础模型提供的更准确，并且是为交通工具102定制的。诊断和预测数据可由交通工具102的驾驶员、维护交通工具102的维护人员和/或与交通工具102相关联的队列经理使用。
在某些情况下，所处理的事件（例如，潜在的故障条件）可不要求立即通知驾驶员。在其它情况下，事件处理可为复杂的，并且可要求比交通工具102中可用的更多的处理能力。在此类情况下，事件处理可被卸载，并且在数据中心106处执行。数据中心106然后可将更新发送到交通工具102，利用所述更新，以更新交通工具102中的基础模型。远程信息处理模块110可从数据中心102下载更新，并且可更新D&P模块124中的基础模型。
在又一场景中，整个适应性预测模块112可在数据中心106中实施，而不是在交通工具102中。在此类场景中，适应性预测模块112可由交通工具102（例如，经由远程信息处理模块110）在订阅的基础上作为软件即服务（SaaS）的方式访问。例如，远程信息处理模块110可定期（例如，批量）或实时地将交通工具102中关于事件的数据发送到在数据中心106中实施的适应性预测模块112。作为响应，远程信息处理模块110可定期从在数据中心106中实施的适应性预测模块112接收交通工具102中关于事件的诊断和预测指示。可选地，虽然未显示，但适应性预测模块112也可在由维护人员使用的计算装置或多个装置中实施。交通工具102和数据中心106可经由分布式通信系统108与这些计算装置通信。
图2显示了用于基于事件数据而更新D&P模块124中的基础模型的过程200的示例。事件数据可包括关于对于交通工具102执行的维修的数据或由D&P模块124生成的警告。例如，警告可为指示已发生的故障的诊断警告或指示在不久的将来可发生的故障的预测警告。
由于交通工具102大部分时间正常操作或预期正常操作，因此由ECM 116收集的大多数数据总体上是健康数据（即，不指示任何故障的数据。） 此类健康数据不需要用于更新基础模型。由于适应性预测模块112的目的是诊断和/或预测事件，因此仅处理事件数据，并且用于微调基础模型。
例如，在触发了由适应性预测模块112处理事件数据的事件中，由基础模型生成的警告可指示的是，来自生成警告的部件的数据值从健康数据值偏离，并且因此是异常的。然而，适应性预测模块112需要确定部件是否实际上发生故障、正在失效或正在正常操作（即，如果警告是错误肯定）。
图2显示了来自交通工具102的电池的数据的示例。在示例202中，电池的内部电阻随着时间保持增加，如204处显示的，直到电池耗尽，并且被更换，使得内部电阻突然下降到正常范围，如206处显示的。在示例210中，电池的内部电阻随着时间保持增加，如212处显示的（例如，可由于极冷的天气），但随着交通工具102行驶并且随着电池变热而随着时间然后恢复到正常值，如214处显示的。自评估模块120处理两个示例中的数据，并且可确定的是，在示例202中，电池发生故障（即，其为坏部件），并且在示例210中，电池没有故障，而是实际上正常操作（即，其为健康部件）。
因此，虽然示例202和210中显示的两种类型的数据将生成警告，但只有示例202中的数据生成正确或真正的警告，所述警告指示电池实际上发生故障。通过比较，示例210中的数据生成错误警告（假警报），因为电池实际上没有故障，而是健康的。更确切地，示例210中的数据简单地指示的是，电池的性能暂时下降，但可在短时间周期内恢复。适应性预测模块112可区分两种类型的数据，并且可防止示例210中的数据生成假警报，如下文解释的。
通常，工程师将必须分析两个示例中的数据，分析围绕两种类型的数据的变量，并且得出的结论是，只有由示例202中的数据导致的警告是真警告，并且由示例210中的数据导致的警告是假警告。
相反地，在适应性预测模块112中，自评估模块120分析两个示例中的数据，并且确定的是，只有由示例202中的数据导致的警告是真警告，并且由示例210中的数据导致的警告是假警告。
自评估模块120将与示例202中显示的相似的数据标记为从坏（故障）部件接收，并且将与示例210中显示的相似的数据标记为从好（健康）部件接收。因此，由自评估模块120执行的事件数据的评估是自动过程，而不是目前由工程师遵循的手动过程。
基于标记，例如，训练模块122使用机器学习，以更新D&P模块124中的基础模型。注意的是，机器学习仅是一个示例，并且其它方式可用于更新D&P模块124中的基础模型。例如，优化算法可用于改变下文描述的阈值。因此，当已更新模型随后接收与示例202中显示的相似的数据时，已更新模型生成指示故障部件的警告。然而，当已更新模型随后接收与示例210中显示的相似的数据时，已更新模型不生成警告，并且防止假警报。
事件数据还可包括关于在交通工具102中执行的部件的维修/更换的数据。然而，有时，多于一个部件被维修/更换，而实际上只有一个部件发生故障。例如，在对于制动器相关问题执行的修理/更换中，当实际上只有刹车片可发生故障时，转子和刹车片两者可被修理/更换。在其它情况下，为了客户满意，边缘性失效的部件可被更换，尽管部件实际上没有故障。此类维修/更换事件数据可由自评估模块120过滤，并且从分析排除，使得不准确的数据不用于更新模型。
维修/更换事件数据可以多种方式过滤。例如，可通过比较维修/更换之前收集的数据和维修/更换之后收集的数据而执行过滤。如果维修/更换之前和之后的数据基本上相似，则维修/更换事件数据不用于更新模型。其它过滤方式包括分析在云中可用的劳动/服务代码，这可指示维修/更换的部件是否实际上发生故障。
因此，由于事件数据（其包括与D&P警告和维修/更换事件两者相关联的数据）被评估、过滤并且用于在持续的基础上更新模型，因此不要求对于交通工具程序/车型年份变化而校准。此外，基于在一个交通工具程序/车型年份中执行的更新，可改进对于另一交通工具程序/车型年份的基础模型。例如，对于一个交通工具程序/车型年份的更新模型可用作对于另一交通工具程序/车型年份的基础模型。
进一步地，本公开的适应性预测系统的目的不限于仅提供二元决策，诸如，部件或是发生故障（坏部件）或是健康（好部件）。更确切地，评估可包括多于两类，并且目的包括在故障（坏）和健康（好）之间指示一个或多个条件。例如，故障（坏）和健康（好）之间的一个此类条件可指示部件的条件是否是边缘性的。进一步地，可存在有层级或边缘性水平。这允许交通工具所有人有时间计划维护交通工具。
图3A和图3B显示了用于事件的自评估的方法300的示例，所述方法由自评估模块120使用，以更新（即，训练和微调）交通工具102中的基础模型。方法300由事件（例如，D&P警告或部件的维修/更换）的发生触发。在图3A中，在302处，方法300确定新的事件（例如，D&P警告或部件的维修/更换）是否已发生。例如，方法300确定新的事件是正确警告（维修）或是假警告（维修）。
在304处，方法300加载当前事件数据和预先定义的健康数据，其可用作参考，用于评估事件数据。在306处，方法300过滤事件数据，并且从事件数据中去除任何异常值（异常情况）。在308处，方法300使已过滤事件数据归一化。例如，来自不同部件的数据可具有不同类型，并且可具有以不同单位和不同尺度测量的值。例如，数据可包括电压、电流、温度以及等等。可使用预先定义的范围而归一化这些数据值，以有助于数据的处理。例如，与事件相关联的对于电压、电流、温度以及等等的所有数据可被归一化为在0和1之间的范围中的数据值。归一化消除了D&P模型的校准。
在一些事件中，事件数据可包括来自许多部件的数据。并非所有数据可被评估。只有所选择的数据可被评估。在310处，诸如主成分分析（PCA，下文在描述图5A和图5B之后解释）或任何其它特征选择方案的统计过程可用于从事件数据选择数据用于分析，以减少数据维度。
在312处，方法300计算所选择的事件数据和对应健康数据之间的距离（即，偏差或差异）。根据数据，距离可为线性的（2D）或空间的（即，多维）。进一步地，距离可为方向性的，因此是矢量。
可使用各种方法而测量所选择的事件数据和对应健康数据之间的距离。例如，方法可包括但不限于K最近邻法（KNN）、高斯混合模型（GMM）、支持向量机（SVM）以及等等。
显著地，虽然健康数据可在交通工具程序中从一个车型年份到另一车型年份或从一个交通工具程序到另一交通工具程序向上或向下转变，但通过测量距离，所述转变变得无关紧要，因为相同的转变也反映在事件数据中。因此，测量所选择的事件数据和对应健康数据之间的距离消除了对于每个车型年份或每个交通工具程序的D&P模型的校准。
在314处，由于事件数据包括时间序列数据，因此方法300在事件时间之前和之后的预定时间下计算所选择的事件数据和对应健康数据之间的多个距离（即，偏差或差异）。在316处，方法加载从健康数据的阈值距离（即，阈值偏差或差异）。在318处，方法300确定计算距离中的任何是否大于或等于阈值距离。
在320处，如果计算距离中的任何不大于距离阈值（即，如果所有计算距离小于阈值距离），则方法300将事件数据标记为健康数据，并且通过将其添加到新标记的健康数据而更新D&P模型，这改进了后续事件分析和处理。因此，方法300增加了可用于在后续车型年份或另一交通工具程序中实施基础模型的健康数据量，而不要求用于为后续车型年份或另一交通工具程序中开发基础模型的附加校准。
在322处，如果计算距离中的任何大于阈值距离，则方法300执行趋势分析，并且将事件数据标记为故障或健康，如下文参考图3B描述的。在324处，方法300基于计算距离而确定关于与事件相关联的故障或多个故障的进一步的细节。例如，方法300可确定是否只是组件的一个部件而不是整个组件发生故障。基于所述细节，方法300可确定维修/更换是应立即执行或是其可推迟并且安排在稍后执行。方法300可根据预先定义的规则或训练模型而进行这些确定。在324和320之后，方法300提供将事件数据标记到D&P模型的结果，用于自进化D&P模型。
对于一些应用，距离可呈其它形式（例如，距离矢量、曲线之下的面积等），用于分离健康和故障部件。进一步地，用于自评估的信号可包括故障表征（例如，电池的内部电阻的变化模式）、行为数据（例如，紧急制动）、环境数据（例如，周围温度）和/或来自相对于与事件数据相关联的部件的上游/下游的部件的信号。
图3B显示了图3A中在322处描述的事件数据的趋势分析和标记的细节。存在有两种类型的事件：维修/更换事件或D&P警告事件。在330处，方法300确定当前事件的类型。在332处，如果当前事件是维修/更换事件，则方法300确定事件数据和健康数据之间的距离在事件之前是否是高的（例如，大于或等于预定阈值），并且在事件之后是否是低的（例如，小于或等于预定阈值）。在334处，如果事件数据和健康数据之间的距离在事件之前是高的，并且在事件之后是低的，则方法300将事件数据标记为故障。在336处，如果事件数据和健康数据之间的距离在事件之前不高，并且在事件之后是低的，则方法300将事件数据标记为健康。
在340处，如果当前事件不是维修/更换事件，则方法300确定当前事件是否是D&P警告事件。如果当前事件不是D&P警告事件，则方法返回到336。在342处，如果当前事件是D&P警告事件，则方法300确定事件数据和健康数据之间的距离在事件之前是否是高的，并且在事件之后对于预定时间周期保持为高的，这将是交通工具102生成警告但尚未被维修的情况。如果事件数据和健康数据之间的距离在事件之前是高的，并且在事件之后对于预定时间周期保持为高的，则方法300返回到334。如果事件数据和健康数据之间的距离在事件之前不高，并且在事件之后对于预定时间周期保持为高的（即，其为假警报），则方法300返回到336。从334和336，方法300返回到图3A中的324。
适应性预测模块112可通过保修数据或基于ECM重置（其可在维修/更换之后执行）而识别或检测维修/更换，所述保修数据可由远程信息处理模块110从云/技术工具下载。因此，维修事件也可从交通工具识别；例如，交通工具中的机载算法可检测维护技术人员是否在ECM 116中重置诊断故障代码（DTC）和/或计数器。警告信息可从云下载（用于队列），或可从交通工具102中的存储器（例如，在ECM模块116和/或D&P模块124中）中获取。
图4A和图4B显示了通过使用适应性预测系统和自评估方法获得的结果的示例。图4A显示的是，适应性预测系统和自评估方法可识别燃料系统中的故障。系统和方法可基于来自马达和传感器的数据以及与燃料系统相关联的健康数据之间的距离而识别故障燃料泵马达和故障燃料压力传感器。图4B显示了通过在电池和起动器上使用系统和方法而获得的结果。结果显示的是，虽然与电池和起动器相关联的事件数据和对应健康数据之间的距离是高的，但基于向下趋势信息，部件（即，电池和起动器）是健康的。
因此，本公开的系统和方法使用边缘计算并且使用距离和时间信息通过评估事件数据而为每个交通工具提供定制或个性化的适应性诊断和预测。系统和方法使用健康数据，以自动获得校准参数，使用基于ML的距离计算，以检测故障事件，使用基于ML的距离和分布（位置/方向）信息（例如，如图4A和图4B中显示的），以隔离不同的故障模式或类型，并且使用时间信息，以去除大距离噪音，例如，来自事件数据的磨合/故障数据，如上文描述的。
下文是其中可实施本公开的系统和方法的分布式计算环境的简单示例。贯穿于描述，对于诸如服务器、客户端装置、应用以及等等的术语的参考仅用于说明的目的。术语“服务器”和“客户端装置”应被宽泛地理解为表示具有一个或多个处理器和存储器的被配置为执行机器可读指令的计算装置。术语“应用”和“计算机程序”应被宽泛地理解为表示可由计算装置执行的机器可读指令。
图5A显示了分布式计算系统400的简化示例。分布式计算系统400包括分布式通信系统410、一个或多个交通工具420-1、420-2……和420-M（共同地为交通工具420）和一个或多个服务器430-1、430-2……和430-N（共同地为服务器430）。M和N是大于或等于一的整数。分布式通信系统410可包括局域网（LAN）、诸如互联网的广域网（WAN）或其它类型的网络。例如，分布式通信系统422可与分布式通信系统410相似。交通工具420和服务器430可位于不同的地理位置处，并且可经由分布式通信系统410与彼此通信。例如，服务器430可位于云中的数据中心420中。交通工具320和服务器430可使用无线和/或有线连接而连接到分布式通信系统410。
交通工具420可包括上文描述的系统400，所述系统400可执行软件应用，诸如，上文描述的方法400。服务器430可向客户端装置420提供多个服务。例如，服务器430可执行由一个或多个供应商开发的软件应用（例如，上文描述的用于事件处理和模型更新的后端系统）。服务器430可主管多个数据库，软件应用依靠所述数据库，用于为交通工具420的用户提供服务。
图5B显示了服务器430-1的简化示例。服务器430-1通常包括一个或多个CPU或处理器470、网络接口478、存储器480和大容量存储装置482。在一些实施方式中，服务器430-1可为通用服务器，并且包括一个或多个输入装置（例如，键盘、触摸板、鼠标以及等等）以及包括显示器476的显示子系统474。
网络接口478将服务器430-1连接到分布式通信系统410。例如，网络接口478可包括有线接口（例如，以太网接口）和/或无线接口（例如，Wi-Fi、蓝牙、近场通讯（NFC）或其它无线接口）。存储器480可包括易失性或非易失性存储器、高速缓存或其它类型的存储器。大容量存储装置482可包括闪速存储器、一个或多个磁性硬盘驱动器（HDD）或其它大容量存储装置。
服务器430-1的处理器470执行操作系统（OS）484以及一个或多个服务器应用486（例如，上文描述的用于事件处理和模型更新的后端系统），其可被装载在虚拟机管理程序或容器化架构中。大容量存储装置482可存储一个或多个数据库488，所述数据库488存储由服务器应用486使用的数据结构，以执行相应功能。
以下的描述简要地解释了上文参考的极端情况、边缘情况、边缘计算、边缘装置和连接交通工具技术。在工程中，极端情况涉及仅发生在正常操作参数之外的问题或情况—特别是当多个环境变量或条件同时处于极端水平时显露的，即使每个参数在对于该参数的指定范围内。
边缘情况是仅发生在极端（最大或最小）操作参数下的问题或情况。例如，当以最大音量播放时，立体扬声器可明显扭曲音频，即使在没有任何其它极端设置或条件的情况下。非平凡边缘情况可导致正被工程设计的对象发生故障。这些情况在设计阶段期间可不被预见，并且在对象正常使用期间可不被认为是可能的。
边缘计算是分布式计算范例，所述分布式计算范例使计算和数据存储更靠近其中需要其的位置，以改进响应时间，并且节省带宽。例如，在网络边缘处的IoT装置的激增产生了将被计算到数据中心的大量数据，将网络带宽要求推到极限。尽管网络技术中的改进，但数据中心不可保证可接受的传输速率和响应时间，这对于许多应用可为关键要求。此外，在边缘处的装置不断消耗来自云的数据，迫使公司建立内容递送网络，以分散数据和服务供应，而权衡到最终用户的物理接近性。
边缘计算将计算从数据中心移动朝向网络的边缘，利用智能对象、移动电话或网络网关（诸如，现代交通工具中存在的那些），以代表云执行任务并且提供服务。通过将服务移动到边缘，可能提供内容缓存、服务递送、存储和IoT管理，导致更好的响应时间和传输速率。
同时，将逻辑分布在不同的网络节点中引入了新的问题和挑战。此范例的分布式特性引入了在云计算中使用的安全方案的转变。不仅应加密数据，而且应采用不同的加密机制，因为数据可在最终到达云之前在通过互联网连接的不同分布式节点之间传输。边缘节点（边缘装置）也可为资源受限装置，限制了在安全方法方面的选择。此外，要求从集中的自上到下的基础设施转变到分散的信任模型。另一方面，通过将数据保持在边缘处，可能将收集数据的所有权从服务提供商转变到最终用户。
分布式网络中的可扩展性面临不同的问题。例如，与云数据中心的更稳健的基础设施相比，其需要考虑装置的异构性、具有不同的性能和能力约束、高动态条件和连接的可靠性。此外，安全性要求在节点之间的通信中引入了进一步的延迟，这可减慢扩展过程。
边缘应用服务减少了需要移动的数据量、所导致的流量以及数据需要传输的距离，这降低延迟，并且减少传输成本。然而，由于传输时间，因此对于每个任务的计算卸载也可导致减速。
边缘装置是提供到企业或服务提供商核心网络中的入口点的装置。示例包括路由器、路由交换机、集成访问装置（IAD）、多路复用器以及各种城域网（MAN）和广域网（WAN）访问装置。示例还包括现代半自主和自主交通工具。边缘装置还提供到运营商和服务提供商网络中的连接。将局域网连接到高速交换机或主干（诸如，ATM交换机）的边缘装置可被称为边缘集中器。
总体上，边缘装置通常是路由器，所述路由器提供对于更快、更高效的主干和核心网络的认证访问（最常见的是PPPoA和PPPoE）。趋势是使边缘装置智能化，并且使核心装置非智能并且快速。因此，边缘路由器通常包括服务质量（QoS）和多服务功能，以管理不同类型的流量。因此，核心网络通常被设计有交换机，所述交换机使用诸如开放最短路径优先（OSPF）或多协议标签交换（MPLS）的路由协议，用于可靠性和可扩展性，允许了边缘路由器具有到核心网络的冗余链路。核心网络之间的链路不同，例如，边界网关协议（BGP）路由器通常用于对等交换。
以下是在自主驾驶和智能基础设施两者中使用的技术的示例：交通工具对于交通工具（V2V）、交通工具对于一切（V2X）、交通工具对于基础设施（V2I）、交通工具对于网络（V2N）以及高清晰度（HD）映射。
交通工具对于交通工具（V2V）：朝向智能城市的第一步是自主交通工具。在现在的交通工具中获得的当前自主系统主要依赖于传感器。超声波、雷达和摄像头技术允许交通工具看到并且分析其周围环境，并且在行驶时进行安全决策。然而，传感器具有有限的范围，并且当涉及隐藏的物体、道路以及总体上来自其它交通工具的意外行为时与人类相同地遇到问题。
配备有交通工具对于交通工具（V2V）通信技术的交通工具可与彼此实时通信，并且传递信息。V2V允许交通工具在本质上看得更远，并且增强可预测性水平。交通工具对于一切（V2X）通信技术用于将交通工具连接到其周围环境。具有内置电子设备的交通工具可与其周围环境实时通信，包括V2V、交通工具对于行人（V2P）、交通工具对于道路基础设施（V2I）和交通工具对于网络（V2N）技术。V2V通信甚至可扩展到道路，因为其可补充交通工具传感器，并且通过向其它交通工具通信交通工具方向和变道意图而允许其看得更远。
交通工具对于基础设施（V2I）：智能城市需要智能基础设施，所述智能基础设施适应道路状况，并且考虑最有效的交通吞吐量。存在有两种交通工具对于基础设施（V2I）技术：智能信号和智能停车。
智能信号可在创建智能基础设施的过程中产生关键作用。传统信号具有被编程以根据一天的时间（即，高峰时间）变化的固定信号配时（FST），或其具有可根据需求稍微修改信号配时的路面检测（IPD）。智能信号与传统信号在两个方面不同。首先，其使用摄像头和/或传感器，以检测汽车是否在等待，还以及有多少汽车在每个车道上等待。使用此信息，其可计算清空每侧将花费的时间。第二，智能信号可与附近的其它智能信号通信，并且甚至可作为可协同工作的信号网络连接到网格，并且最大化交通效率。
智能停车是交通工具对于基础设施技术的另一示例，并且与自主驾驶同步发展。本质上，智能停车自始至终去除任何人工干预。连接的停车空间允许从停车场到交通工具的通信，允许交通工具知道哪些空间可用、费用，并且计算汽车已停驻多长时间，以便收取适当金额。
交通工具对于网络（V2N）：交通工具对于网络（V2N）系统将交通工具连接到蜂窝基础设施和云，使得驾驶员可利用机载服务，如交通更新和媒体流。
高清晰度（HD）映射：自动驾驶汽车使用传感器，以进行实时计算。HD映射基于传感器数据以及以下。3D空间映射数据包含曲率、高程和车道的宽度以及道路上的任何异常或障碍的尺寸。自主交通工具可使用此数据，以进行计算转弯，计算高程变化之前的速度，以最大化发动机效率，并且最小化燃料消耗。市政当局可使用此数据，以部署消防车或自主飞行器。
主成分分析（PCA）是使用正交变换以将可能相关的变量（每个具有各种数值的实体）的一组观测值转换为被称为主成分的线性不相关的变量的一组值的统计过程。此变换被限定使得第一主成分具有最大可能方差（即，尽可能多地解释数据中的可变性），并且在其与先前成分正交的约束下，之后的每个成分转而具有最高可能方差。所导致的矢量（每个是变量的线性组合，并且包含n个观测值）是不相关的正交基集。PCA对于原始变量的相对缩放是敏感的。
PCA在探索性数据分析中主要用作工具，并且用于预测建模。其通常用于可视化群体之间的起源性距离和相关性。可通过数据矩阵的奇异值分解的数据协方差（或相关）矩阵的特征值分解而执行PCA，通常在初始数据的归一化步骤之后。每个属性的归一化包括：均值居中—将每个数据值从其变量的测量均值减去，使得其经验均值（平均值）为零—以及可能地使每个变量的方差归一化，使得其等于1。PCA的结果通常根据成分得分（有时被称为因子得分）（转变后的变量值与特定数据点对应）以及载荷（每个标准化原始变量应乘以的权重，以获得成分得分）而讨论。如果成分得分被标准化成单位方差，则载荷包含数据方差（即，特征值的大小）。如果成分得分未被标准化（因此，其包含数据方差），则载荷被单位性缩放（即，归一化），并且这些权重被称为特征矢量。
PCA是最简单的基于真实特征矢量的多变量分析。通常，其操作可被认为是以最佳解释数据中的方差的方式揭示了数据的内部结构。如果多变量数据集被可视化成高维数据空间中的一组坐标（每个变量1个轴线），则PCA可为用户提供低维图像，即，当从其信息最丰富的视角观察时的此对象的投影。这通过仅使用前几个主成分而实现，使得转变后的数据的维数降低。
PCA与因子分析密切相关。因子分析通常包含关于底层结构的更多领域特定的假设，并且解决稍微不同的矩阵的特征矢量。PCA也与典型相关分析（CCA）相关。CCA限定了最佳描述两个数据集之间的互协方差的坐标系，而PCA限定了最佳描述了单个数据集中的方差的新正交坐标系。
上述描述本质上仅是示例性的，并且不旨在限制本公开、其应用或使用。本公开的广泛教导可以各种形式实施。因此，虽然本公开包括特定示例，但本公开的真正范围不应限于此，因为在研究附图、说明书和以下权利要求时，其它修改将变得显而易见。应理解的是，方法内的一个或多个步骤可按照不同的顺序（或同时）执行，而不更改本公开的原理。进一步地，虽然上文将每个实施例描述为具有某些特征，但关于本公开的任何实施例描述的那些特征中的任何一个或多个特征可被实施在其它实施例中的任何的特征中，和/或与其组合，即使该组合没有被明确描述。换言之，所描述的实施例不是相互排他性的，并且一个或多个实施例与另一个的排列保持在本公开的范围内。
元件之间（例如，模块、电路元件、半导体层等之间）的空间和功能关系使用各种术语而描述，所述术语包括“连接”、“接合”、“联接”、“相邻”、“邻近”、“在……顶部上”、“上方”、“下方”以及“设置”。除非被明确描述为“直接”，否则当在上文的公开中描述第一元件和第二元件之间的关系时，该关系可为直接关系，其中，没有其它中间元件存在于第一元件和第二元件之间，但也可为间接关系，其中，一个或多个中间元件存在于（空间性或功能性地）第一元件和第二元件之间。如本文使用的，短语“A、B和C中的至少一个”应被解释为意指使用非排他性逻辑“或”的逻辑（A或B或C），并且不应被解释为意指“A中的至少一个、B中的至少一个以及C中的至少一个”。
在附图中，箭头方向（如由箭头指示的）总体上表示图示所关注的信息（诸如，数据或指令）流。例如，当元件A和元件B交换各种信息，但从元件A发送到元件B的信息与图示相关时，箭头可从元件A指向元件B。此单向箭头不意味着没有其它信息从元件B发送到元件A。进一步地，对于从元件A发送到元件B的信息，元件B可向元件A发送对于信息的请求或接收信息的确认。
在本申请中（包括下文的定义），术语“模块”或术语“控制器”可利用术语“电路”代替。术语“模块”可指代以下、可为以下的部分或包括以下：专用集成电路（ASIC）；数字模拟或混合模拟/数字离散电路；数字、模拟或混合模拟/数字集成电路；组合逻辑电路；现场可编程门阵列（FPGA）；执行代码的处理器电路（共享、专用或群组）；存储由处理器电路执行的代码的存储器电路（共享、专用或群组）；提供所描述的功能的其它合适的硬件部件；或上文的一些或全部的组合，诸如，在片上系统（SoC）中。
模块可包括一个或多个接口电路。在一些示例中，接口电路可包括连接到局域网（LAN）、互联网、广域网（WAN）或其组合的有线或无线接口。本公开的任何给定模块的功能可分布在经由接口电路连接的多个模块之中。例如，多个模块可允许负载平衡。在进一步的示例中，服务器（也被称为远程或云）模块可代表客户端模块完成某些功能。
如上文使用的，术语“代码”可包括软件、固件和/或微代码，并且可指代程序、例程、功能、类别、数据结构和/或对象。术语“共享处理器电路”涵盖执行来自多个模块的一些或全部代码的单个处理器电路。术语“群组处理器电路”涵盖与附加处理器电路组合执行来自一个或多个模块的一些或全部代码的处理器电路。对于多个处理器电路的参考涵盖离散模上的多个处理器电路、单个模上的多个处理器电路、单个处理器电路的多个核心、单个处理器电路的多个线程或上文的组合。术语“共享存储器电路”涵盖存储来自多个模块的一些或全部代码的单个存储器电路。术语“群组存储器电路”涵盖与附加存储器组合存储来自一个或多个模块的一些或全部代码的存储器电路。
术语“存储器电路”是术语“计算机可读介质”的子集。如本文使用的，术语“计算机可读介质”不涵盖通过介质（诸如，在载波上）传播的暂时性电气或电磁信号；因此，术语“计算机可读介质”可被视为有形的和非暂时性的。非暂时性、有形计算机可读介质的非限制性示例是非易失性存储器电路（诸如，闪速存储器电路、可擦除可编程只读存储器电路或掩模只读存储器电路）、易失性存储器电路（诸如，静态随机存取存储器电路或动态随机存取存储器电路）、磁性存储介质（诸如，模拟或数字磁带或硬盘驱动器）和光学存储介质（诸如，CD、DVD或蓝光盘）。
本申请中描述的设备和方法可部分或全部由专用计算机实现，通过将通用计算机配置为执行在计算机程序中实施的一个或多个特定功能，所述专用计算机被创建。上文描述的功能框、流程图部分和其它元素用作软件规范，所述软件规范可通过熟练的技术人员或程序员的日常工作而被翻译成计算机程序。
计算机程序包括被存储在至少一个非暂时性、有形计算机可读介质上的处理器可执行指令。计算机程序还可包括或依赖于所存储的数据。计算机程序可涵盖与专用计算机的硬件交互的基本输入/输出系统（BIOS）、与专用计算机的特定装置交互的装置驱动器、一个或多个操作系统、用户应用、后台服务、后台应用等。
计算机程序可包括：（i）将被解析的描述性文本，诸如，HTML（超文本标记语言）、XML（可扩展标记语言）或JSON（JavaScript对象注释）；（ii）汇编码；（iii）由编译器从源代码生成的目标代码；（iv）由解释器用于执行的源代码；（v）由即时编译器用于编译和执行的源代码等。仅作为示例，源代码可使用包括以下语言的语法编写：C、C++、C#、Objective C、Swift、Haskell、Go、SQL、R、Lisp、Java®、Fortran、Perl、Pascal、Curl、OCaml、Javascript®、HTML5（超文本标记语言第5版）、Ada、ASP（动态服务器主页）、PHP（PHP：超文本预处理器）、Scala、Eiffel、Smalltalk、Erlang、Ruby、Flash®、Visual Basic®、Lua、MATLAB、SIMULINK和Python®。
Claims (17)
1.用于交通工具的预测的系统，包括：
评估模块，被配置为：
接收关于与交通工具的子系统相关联的事件的事件数据；
确定参考数据与所述事件之前和之后的所述事件数据的部分之间的偏差，所述参考数据用于所述子系统，指示所述子系统的正常操作；以及
通过比较所述偏差和阈值偏差而确定所述事件数据是否指示与所述子系统相关联的故障；以及
训练模块，被配置为：响应于所述偏差指示与所述子系统相关联的故障，基于所述事件数据，更新被训练以识别交通工具中的故障的模型，以将所述事件识别为与所述交通工具的所述子系统相关联的故障，
所述事件包括所述子系统的操作条件的指示，以及其中，所述评估模块被配置为：响应于所述事件之前的所述事件数据的所述部分的所述偏差大于所述阈值偏差，并且响应于所述事件之后的所述事件数据的所述部分的所述偏差对于所述事件之后的时间周期保持大于所述阈值偏差，更新所述模型。
2.根据权利要求1所述的系统，其中，所述评估模块被配置为：
响应于所述偏差不指示与所述子系统相关联的故障，将所述事件数据添加到所述参考数据；以及
使用包括所述事件数据的所述参考数据，以确定所述交通工具中和其它交通工具中的随后事件的偏差。
3.根据权利要求1所述的系统，其中，所述评估模块被进一步配置为：响应于所述偏差指示与所述子系统相关联的故障，基于所述偏差，识别所述子系统的一个或多个故障部件。
4.根据权利要求1所述的系统，其中，所述模型被训练，用于在以与其中制造所述交通工具不同的交通工具程序或不同的车型年份制造的交通工具中使用，以及其中，所述训练模块被配置为更新所述模型，用于在所述交通工具中使用。
5.根据权利要求1所述的系统，其中，所述模型被训练，用于在多个交通工具中使用，以及其中，所述训练模块被配置为更新所述模型，用于在所述交通工具中使用。
6.根据权利要求1所述的系统，其中，所述事件包括对于所述交通工具执行的维修，以及其中，所述评估模块被配置为：响应于所述事件之前的所述事件数据的所述部分的所述偏差大于所述阈值偏差，并且响应于所述事件之后的所述事件数据的所述部分的所述偏差小于所述阈值偏差，更新所述模型。
7.根据权利要求1所述的系统，其中，所述评估模块被进一步配置为使所述事件数据归一化，并且选择归一化数据的部分，以确定所述偏差。
8.用于交通工具的预测的方法，包括：
接收关于与交通工具的子系统相关联的事件的事件数据，所述事件包括所述子系统的操作条件的指示；
过滤所述事件数据，以从所述事件数据去除异常值；
使用预定范围而使已过滤事件数据归一化；
从所述事件之前和之后的归一化数据选择数据；
确定参考数据与所述事件之前和之后的所选择的数据的部分之间的偏差，所述参考数据用于所述子系统，指示所述子系统的正常操作；
通过比较所述偏差和阈值偏差而确定所述事件数据是否指示与所述子系统相关联的故障；
响应于所述偏差指示与所述子系统相关联的故障，基于所述偏差，识别所述子系统的一个或多个故障部件；
响应于所述偏差指示与所述子系统相关联的故障，基于所述事件数据，更新被训练以识别所述交通工具中的故障的模型，以将所述事件识别为与所述子系统相关联的故障；以及
响应于所述事件之前的所述事件数据的所述部分的所述偏差大于所述阈值偏差，并且响应于所述事件之后的所述事件数据的所述部分的所述偏差对于所述事件之后的时间周期保持大于所述阈值偏差，更新所述模型。
9.根据权利要求8所述的方法，还包括：
响应于所述偏差不指示与所述子系统相关联的故障，将所述事件数据添加到所述参考数据；以及
使用包括所述事件数据的所述参考数据，以确定所述交通工具中和其它交通工具中的随后事件的偏差。
10.根据权利要求8所述的方法，还包括：
训练所述模型，用于在以与其中制造所述交通工具不同的交通工具程序或不同的车型年份制造的交通工具中使用；以及
更新所述模型，用于在所述交通工具中使用。
11.根据权利要求8所述的方法，其中，所述事件包括对于所述交通工具执行的维修，所述方法还包括：响应于所述事件之前的所述事件数据的所述部分的所述偏差大于所述阈值偏差，并且响应于所述事件之后的所述事件数据的所述部分的所述偏差小于所述阈值偏差，更新所述模型。
12.用于交通工具的预测的系统，包括：
处理器；以及
存储器，存储指令，当由所述处理器执行时，所述指令配置所述处理器，用于：
接收关于与交通工具的子系统相关联的事件的事件数据；
确定参考数据与所述事件之前和之后的所述事件数据的部分之间的偏差，所述参考数据指示所述子系统的正常操作；
通过比较所述偏差和阈值偏差而确定所述事件数据是否指示与所述子系统相关联的故障；以及
响应于所述偏差指示与所述子系统相关联的故障，基于所述事件数据，更新被训练以识别所述交通工具中的故障的模型，以将所述事件识别为与所述子系统相关联的故障，
其中，所述模型被训练，用于在以与其中制造所述交通工具不同的交通工具程序或不同的车型年份制造的交通工具中使用，
所述事件包括所述子系统的操作条件的指示，所述指令配置所述处理器，以响应于所述事件之前的所述事件数据的所述部分的所述偏差大于所述阈值偏差，并且响应于所述事件之后的所述事件数据的所述部分的所述偏差对于所述事件之后的时间周期保持大于所述阈值偏差，更新所述模型。
13.根据权利要求12所述的系统，其中，所述指令配置所述处理器，用于：
响应于所述偏差不指示与所述子系统相关联的故障，将所述事件数据添加到所述参考数据；以及
使用包括所述事件数据的所述参考数据，以确定所述交通工具和其它交通工具中的随后事件的偏差。
14.根据权利要求12所述的系统，其中，所述指令配置所述处理器，以响应于所述偏差指示与所述子系统相关联的故障，基于所述偏差，识别所述子系统的一个或多个故障部件。
15.根据权利要求12所述的系统，其中，所述事件包括对于所述交通工具执行的维修，以及其中，所述指令配置所述处理器，以响应于所述事件之前的所述事件数据的所述部分的所述偏差大于所述阈值偏差，并且响应于所述事件之后的所述事件数据的所述部分的所述偏差小于所述阈值偏差，更新所述模型。
16.根据权利要求12所述的系统，其中，所述指令配置所述处理器，以使所述事件数据归一化，并且选择归一化数据的部分，以确定所述偏差。
17.根据权利要求12所述的系统，其中，所述指令配置所述处理器，以过滤所述事件数据，以从所述事件数据去除异常值。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US16/595,738 US11904875B2 (en) | 2019-10-08 | 2019-10-08 | Adaptive prognostics systems and methods for vehicles |
| US16/595738 | 2019-10-08 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112712227A CN112712227A (zh) | 2021-04-27 |
| CN112712227B true CN112712227B (zh) | 2024-05-28 |
Family
ID=74875560
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011071943.5A Active CN112712227B (zh) | 2019-10-08 | 2020-10-09 | 用于交通工具的适应性预测系统和方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11904875B2 (zh) |
| CN (1) | CN112712227B (zh) |
| DE (1) | DE102020124693B4 (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102019202925A1 (de) * | 2019-03-05 | 2020-09-10 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Betreiben eines automatisierten Fahrzeugs |
| JP7259716B2 (ja) * | 2019-11-28 | 2023-04-18 | トヨタ自動車株式会社 | 車両制御システム及び車両制御方法 |
| US11537632B2 (en) * | 2020-07-01 | 2022-12-27 | Jpmorgan Chase Bank, N.A. | Method and system for real-time database monitoring |
| DE102021207932A1 (de) | 2021-07-23 | 2023-01-26 | Robert Bosch Gesellschaft mit beschränkter Haftung | Absicherung eines systems gegen falschauslösungen |
| DE102021207931A1 (de) | 2021-07-23 | 2023-01-26 | Robert Bosch Gesellschaft mit beschränkter Haftung | Absicherung eines systems gegen falschnichtauslösungen |
| DE102022206276A1 (de) | 2022-06-22 | 2023-12-28 | Volkswagen Aktiengesellschaft | Fahrzeug, Server, Computerprogramm, Vorrichtung und Verfahren zur Kommunikation zwischen einem Fahrzeug und einem Server |
| CN115550265A (zh) * | 2022-09-30 | 2022-12-30 | 中国第一汽车股份有限公司 | 一种车载网络通信事件滤波方法、装置、设备和介质 |
| CN118131057B (zh) * | 2024-05-08 | 2024-07-05 | 山东理工职业学院 | 一种基于物联网的新能源汽车运维管理系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1724717A2 (en) * | 2001-03-08 | 2006-11-22 | California Institute Of Technology | Real-time spatio-temporal coherence estimation for autonomous mode identification and invariance tracking |
| CN102062619A (zh) * | 2009-11-16 | 2011-05-18 | 霍尼韦尔国际公司 | 用于通过预测推理来分析复杂系统的方法系统和装置 |
| CN102073318A (zh) * | 2009-11-17 | 2011-05-25 | 通用汽车环球科技运作公司 | 使用诊断故障代码马尔可夫链的故障诊断和预测 |
| US8301333B2 (en) * | 2010-03-24 | 2012-10-30 | GM Global Technology Operations LLC | Event-driven fault diagnosis framework for automotive systems |
| CN108730032A (zh) * | 2017-04-20 | 2018-11-02 | 通用汽车环球科技运作有限责任公司 | 对一个系统的分级故障诊断和预测 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040205397A1 (en) * | 2003-03-28 | 2004-10-14 | Vrinda Rajiv | Complex system diagnostic analysis model correction method and apparatus |
| US20100057479A1 (en) | 2008-08-26 | 2010-03-04 | Gm Global Technology Operations, Inc. | System and method to compute vehicle health index from aggregate data |
| US20110144853A1 (en) | 2009-12-15 | 2011-06-16 | Gm Global Technology Operations, Inc. | Mining methodology to eliminate inappropriate setting of error conditions using operating parameters |
| US8509985B2 (en) | 2011-05-25 | 2013-08-13 | GM Global Technology Operations LLC | Detecting anomalies in fault code settings and enhancing service documents using analytical symptoms |
| WO2015151055A1 (en) * | 2014-04-04 | 2015-10-08 | Koninklijke Philips N.V. | System and methods to support autonomous vehicles via environmental perception and sensor calibration and verification |
| US10710602B2 (en) * | 2017-10-06 | 2020-07-14 | Uatc, Llc | Systems and methods for a vehicle controller safety monitor |
| US10351138B2 (en) * | 2017-11-17 | 2019-07-16 | Cummins Inc. | Active prognostics and diagnostics of engine-driven rotary accessories with intermittent duty cycles |
| US11520331B2 (en) * | 2018-12-28 | 2022-12-06 | Intel Corporation | Methods and apparatus to update autonomous vehicle perspectives |
| US11227401B1 (en) * | 2019-05-22 | 2022-01-18 | Zoox, Inc. | Multiresolution voxel space |
-
2019
- 2019-10-08 US US16/595,738 patent/US11904875B2/en active Active
-
2020
- 2020-09-22 DE DE102020124693.5A patent/DE102020124693B4/de active Active
- 2020-10-09 CN CN202011071943.5A patent/CN112712227B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1724717A2 (en) * | 2001-03-08 | 2006-11-22 | California Institute Of Technology | Real-time spatio-temporal coherence estimation for autonomous mode identification and invariance tracking |
| CN102062619A (zh) * | 2009-11-16 | 2011-05-18 | 霍尼韦尔国际公司 | 用于通过预测推理来分析复杂系统的方法系统和装置 |
| CN102073318A (zh) * | 2009-11-17 | 2011-05-25 | 通用汽车环球科技运作公司 | 使用诊断故障代码马尔可夫链的故障诊断和预测 |
| US8301333B2 (en) * | 2010-03-24 | 2012-10-30 | GM Global Technology Operations LLC | Event-driven fault diagnosis framework for automotive systems |
| CN108730032A (zh) * | 2017-04-20 | 2018-11-02 | 通用汽车环球科技运作有限责任公司 | 对一个系统的分级故障诊断和预测 |
Also Published As
| Publication number | Publication date |
|---|---|
| US11904875B2 (en) | 2024-02-20 |
| DE102020124693B4 (de) | 2024-03-07 |
| US20210101607A1 (en) | 2021-04-08 |
| CN112712227A (zh) | 2021-04-27 |
| DE102020124693A1 (de) | 2021-04-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112712227B (zh) | 用于交通工具的适应性预测系统和方法 | |
| US10878385B2 (en) | Computer system and method for distributing execution of a predictive model | |
| US11042145B2 (en) | Automatic health indicator learning using reinforcement learning for predictive maintenance | |
| JP7257727B2 (ja) | センシング・デバイスを用いた車両運転リスクのモニタリング | |
| CN113269952B (zh) | 车辆的预测性维护的方法、数据存储装置及车辆 | |
| US20210112441A1 (en) | Transportation operator collaboration system | |
| KR20180010321A (ko) | 예측 모델들의 동적 실행 | |
| US11198431B2 (en) | Operational risk assessment for autonomous vehicle control | |
| EP3924902A1 (en) | Self-maintaining autonomous vehicle procedure | |
| JP2023543658A (ja) | 公平な異常検出および異常位置特定システム、方法、プログラム | |
| US20240154867A1 (en) | System, method, and apparatus to execute vehicle communications using a zonal architecture | |
| EP3770791A1 (en) | Robust autonomous drive design | |
| US11394612B2 (en) | Distributed systems and extracting configurations for edge servers using driving scenario awareness | |
| US20240010212A1 (en) | Automatic testing of autonomous vehicles | |
| US20220026879A1 (en) | Predictive maintenance of components used in machine automation | |
| WO2018213617A1 (en) | Computing system and method for approximating predictive models and time-series values | |
| US11907857B2 (en) | Dynamic selection of parameter threshold values | |
| US20180189659A1 (en) | Technologies for predictive monitoring of a characteristic of a system | |
| US20240075791A1 (en) | Predicting heating, ventilation, and air conditioning failure | |
| WO2024013879A1 (ja) | 診断制御装置及び診断制御方法 | |
| US20240242116A1 (en) | Systems and techniques for measuring model sensitivity and feature importance of machine learning models | |
| US11669789B1 (en) | Vehicle mass determination | |
| US20240143995A1 (en) | Determining a distribution for a neural network architecture | |
| US20230001937A1 (en) | Degraded sensor assembly detection | |
| US20240118985A1 (en) | Selection of runtime performance estimator using machine learning |
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 |