CN115237686A - 检测车载嵌入式计算机的功能异常的方法及装置 - Google Patents
检测车载嵌入式计算机的功能异常的方法及装置 Download PDFInfo
- Publication number
- CN115237686A CN115237686A CN202210420741.XA CN202210420741A CN115237686A CN 115237686 A CN115237686 A CN 115237686A CN 202210420741 A CN202210420741 A CN 202210420741A CN 115237686 A CN115237686 A CN 115237686A
- Authority
- CN
- China
- Prior art keywords
- ecu
- training
- file
- dimension
- historical data
- 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 abstract description 47
- 230000007488 abnormal function Effects 0.000 title description 2
- 238000012549 training Methods 0.000 claims abstract description 111
- 238000012545 processing Methods 0.000 claims abstract description 45
- 230000007257 malfunction Effects 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims description 37
- 230000005856 abnormality Effects 0.000 claims description 8
- 230000004064 dysfunction Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0766—Error or fault reporting or storing
- G06F11/0781—Error filtering or prioritizing based on a policy defined by the user or on a policy defined by a hardware/software module, e.g. according to a severity level
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/2205—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using arrangements specific to the hardware being tested
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
- G06F11/0736—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in functional embedded systems, i.e. in a data processing system designed as a combination of hardware and software dedicated to performing a certain function
- G06F11/0739—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in functional embedded systems, i.e. in a data processing system designed as a combination of hardware and software dedicated to performing a certain function in a data processing system embedded in automotive or aircraft systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
- G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
- G06F11/0751—Error or fault detection not based on redundancy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
- G06F11/26—Functional testing
- G06F11/263—Generation of test inputs, e.g. test vectors, patterns or sequences ; with adaptation of the tested hardware for testability with external testers
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本公开涉及检测车载嵌入式计算机的功能异常的方法及装置，尤其涉及一种在计算单元上训练学习模型以检测或预测被监控的车辆电子控制单元“ECU”的功能异常的方法，该方法包括以下步骤：将来自多个ECU的历史数据存储在存储器中，该历史数据包括由在ECU上运行的应用在一定时间段对至少一个ECU资源的使用值(UV)；由计算单元对历史数据进行处理以获得二维训练文件(10)，其中每个使用值与第一维(11)中的特定应用以及第二维(12)中的特定时间相关联；由计算单元利用训练文件来训练学习模型。
Description
技术领域
本公开涉及车辆嵌入式计算机中的功能异常的检测或预测领域。
背景技术
诸如汽车、卡车、公共汽车、火车或摩托车的现代车辆包括可执行诸如发动机控制、制动控制、信息娱乐、空调、驾驶辅助或自主驾驶的各种任务的车辆嵌入式计算机或电子控制单元“ECU”。
目前的ECU是其中很少发生功能异常的稳定系统。然而，ECU的功能异常可能对用户的舒适性或安全性具有有害的后果，使得检测甚至预测这种功能异常以便防止它们或限制可能的后果仍然是一种挑战。
机器学习已经用于跟踪数据流中的异常数据。例如，文献US 8306931公开了一种包括一组集成算法的方法和系统，该算法使分析师能够检测、表征和跟踪实时数据流中的异常。
然而，因为在商用ECU中功能异常是罕见的，所以在缺乏训练数据的情况下对ECU遥测数据使用这种机器学习方法是困难的或不可能的。此外，用于开发学习模型的机器学习框架是不灵活的，因为每个模型需要不同的输入。
因此需要改善这种情况。更准确地说，需要提出一种方法和系统，以便有效地检测或预测ECU中的功能异常。
发明内容
本公开涉及一种在计算单元上训练学习模型的方法，该学习模型被适配成检测或预测所监控的车辆电子控制单元“ECU”或车辆嵌入式计算机的功能异常，该方法包括以下步骤：
·将来自多个ECU的具有功能异常的历史数据存储在存储器中，所述历史数据包括由在所述ECU上运行的应用在一定时间段对至少一个ECU资源的使用值，
·由计算单元对所述历史数据进行处理以获得二维训练文件，其中，各使用值与第一维中的特定应用以及第二维中的特定时间相关联，
·由计算单元利用所述训练文件来训练学习模型。
本方法允许利用数字图像形式或接近数字图像形式的训练文件来有效地训练学习模型。因此，该学习模型可以从适于简化本方法的图像识别的学习模型中进行选择。所述训练文件还可以相对于例如作为服务数据的历史数据文件更容易操纵、存储和通信。
有利地，历史数据包括具有不同时间段和/或具有不同应用数量的历史数据文件，该方法包括通过将训练文件的至少一部分按比例放大或缩小到第一维的预定大小和/或按比例放大或缩小到第二维的预定大小来标准化训练文件的附加步骤。
标准化的步骤允许在单一格式的训练文件下从具有不同ECU和不同应用的许多不同车辆产生异质数据。因此，可以利用普通的学习模型来有效地执行训练步骤。此外，获得二维训练文件的处理步骤简化了所述标准化步骤，因为可以在很少或没有修改的情况下使用适于诸如数字图像的二维文件的常规缩放算法。
有利地，处理历史数据的步骤包括获得具有第一维的预定大小和/或第二维的预定大小的二维训练文件。优选地，大多数或所有训练文件具有单个预定大小，即第一维的单个大小和第二维的单个大小。该特定处理步骤允许在单个步骤中获得准备好使用的训练文件，但是可能比标准化步骤更难以实施，例如在高度异质的历史数据的情况下。除了标准化步骤之外，例如在例如来自各种源的高度异质的历史数据的情况下，可以执行特定的处理步骤。
有利地，历史数据包括至少两个ECU资源的使用值，并且处理历史数据的步骤包括获得多层二维训练文件，每一层包括两个维度以及至少两个ECU资源之一的使用值。这允许基于更多ECU资源的基础上执行训练步骤，并使训练的模型在检测或预测功能异常方面更有效。这些层优选在应用和时间间隔方面是一致的。
有利地，历史数据的处理步骤获得作为数字图像的训练文件：可以在处理步骤期间以数字图像格式处理训练文件。这种数字图像允许方便地处理历史数据，并且简化了标准化步骤。它们还允许人类专家的有效可视化，并且可以在有限的训练下使用适于图片的常规学习模型。
有利地，数字图像分别具有至少两个图像通道，并且训练文件的每一层对应于一个图像通道。因此，可以将多层训练文件操纵并可视化为图片。
本公开还涉及训练适于检测或预测车辆嵌入式计算机或电子控制单元“ECU”的功能异常的学习模型，该系统包括被配置成执行上述方法的硬件处理器。
本公开还涉及一种检测或预测被监控的车辆电子控制单元“ECU”的功能异常的方法，该方法包括以下步骤：
·由计算单元接收被监控的ECU的遥测数据，所述遥测数据包括由运行在所述被监控的ECU上的多个应用对至少一个ECU资源的使用值，并且将所述遥测数据存储在存储器中，
·由所述计算单元对所述遥测数据进行处理以获得二维监控文件，其中，每个使用值与第一维中的特定应用以及第二维中的特定时间相关联，并且将所述二维监控文件存储在所述存储器中，
·由所述计算单元通过根据上述方法的学习模型从监控文件检测或预测被监控的ECU的功能异常。
这样的方法允许以有限的处理资源和高精度有效地检测或预测被监控的ECU的功能异常，因为训练的模型可以是轻量且有效的。
有利地，监控文件具有关于训练文件的不同数量的应用和/或不同的时间段，该方法还包括通过将监控文件按比例放大或缩小到训练文件的第一维和/或第二维的大小来标准化监控文件的步骤。这在被监控的ECU产生导致监控文件具有与用于训练学习模型的训练文件不同大小的遥测数据的情况下是有利的。
另选地或组合地，处理遥测数据的步骤包括获得具有第一维的预定大小和/或第二维的预定大小的二维监控文件。优选地，第一维和/或第二维的预定大小与用于训练学习模型的训练文件的相应大小相同。
有利地，遥测数据包括至少两个ECU资源的使用值，处理遥测数据的步骤包括获得多层二维训练文件，每一层包括两个维度以及至少两个ECU资源之一的使用值。在这种情况下，监控文件可以与多层训练文件相同。
有利地，遥测数据的处理步骤获得作为数字图像的监控文件，其可以类似于训练文件，即在相同的格式下并且具有相同的分辨率或大小。
有利地，数字图像具有至少两个图像通道，并且监控文件的每一层对应于一个图像通道。
有利地，ECU资源可以从包括ECU的处理器使用、ECU的存储器使用、网络适配器的网络使用、功耗和线程数量的列表中进行选择。ECU资源的使用值在ECU中很容易获得，并且可能反映功能异常。
有利地，历史数据和/或遥测数据包括由应用或ECU系统生成的错误消息，其中，错误消息被包括在训练文件和/或监控文件中，以便监督学习模型的训练步骤。因此，训练步骤和检测步骤可以更精确且更有效。错误消息也可以用作标签以执行学习模型的监督训练。
有利地，错误消息被包括在多层二维训练文件和/或监控文件的层中，这允许产生集成的训练和/或监控文件，以准备供学习模型使用。一般而言，优选地，监控文件相对于训练文件具有相同的格式。
本公开还涉及一种用于检测或预测被监控的车辆电子控制单元“ECU”的功能异常的系统，该系统包括被配置成执行上述方法的硬件处理器。该系统可以优选地嵌入车辆中，例如作为被监控的ECU的监控模块。
本公开还涉及包括用于执行上述方法步骤中的一些或全部的程序指令的非暂时性计算机可读介质。
本公开还涉及一种计算机文件，其通过运行在车辆嵌入式计算机或电子控制单元“ECU”的ECU资源上的多个应用来存储所述ECU上运行的所述多个应用随时间的使用值，所述计算机文件包括(Km×Ln)矩阵的数量p，其中p是资源的数量，m是运行在所述ECU上的不同应用的数量，n是资源随时间的使用值的数量，并且K和L是大于零的独立系数。
这种计算机文件可以由上述处理步骤和/或标准化步骤生成。计算机文件是存储和处理用于训练学习模型和检测被监控的ECU中的功能异常的ECU数据的有效方式，并且可以被提供和分布到数据服务框架内的计算系统。通过改变K和L系数也可以容易地标准化或调整计算机文件的大小。例如，K和L可以在处理步骤之后等于1，并且可以在标准化步骤期间独立地改变。
本公开还涉及一种为机器学习准备数据的方法，该方法包括以下步骤：
·将来自多个ECU的历史数据存储在存储器中，所述历史数据包括在所述ECU上运行的应用在一定时间段对至少一个ECU资源的使用值，
·由计算单元对历史数据进行处理以获得二维训练文件，其中，各使用值与第一维中的特定应用以及第二维中的特定时间相关联。
这种方法允许获得用于机器学习的方便的训练文件，例如如上所述的计算机文件。这种训练文件可以(在数据服务下)存储在存储器中，例如在线和按需分布。这种准备数据的方法可以包括上述有利方面和附加步骤，并且还可以用于遥测数据以检测功能异常。
附图说明
通过阅读参照附图所作的非限制性实施方式的详细说明，本公开的其它特征、目的和优点将变得更加清楚。
图1示出了根据本公开的方法的流程图。
图2A、图2B和图2C分别示出了表格、矩阵和数字图像形式的训练文件或监控文件。
图3A和图3B分别示意性地示出了数字图像形式的多层训练文件或多层监控文件。
图4示出了用于执行本公开的步骤或部分步骤的示意性计算系统。
具体实施方式
本公开涉及车辆安全和监控的一般领域并且涵盖所有类型的车辆，特别是机动车辆，如轿车、重型车辆、建筑机械、卡车、公共汽车、摩托车和电动自行车。
在本公开中，车辆电子控制“ECU”涉及车载计算系统或计算系统的一部分，其包括诸如一个或多个处理器的一个或多个处理单元以及允许存储数据、库和应用的一个或多个存储器单元。ECU可以包括专用于一个特定功能的一个模块或专用于诸如安全、舒适、信息娱乐、自主驾驶或驾驶员辅助的若干特定功能的若干模块。
这些功能可以由应用来执行，即在ECU上运行并随时间消耗ECU资源(例如处理器资源、存储器资源和网络资源)的软件。应用还可以发射错误消息。由应用引起的不同ECU资源随时间的使用值和可选的错误消息构成一组数据，当数据在过去产生时称为“历史数据”，或者当数据在当前时间产生时称为“遥测数据”，例如实时或在最近的过去(即几秒或几分钟前)产生。
在本公开中，可以将功能异常定义为基于车辆或ECU功能和行为由人(即修理技工、车辆驾驶员或用户、或远程专家)识别的功能异常。例如，一个或更多个功能可能在车辆中永久地、临时地或在特定情况下变得不可用。此外，功能异常可以由应用报告的一个或几个错误消息来定义或与其相关联，例如关键错误消息或故障错误消息。
图1示出了根据本公开的方法的总体概览。在第一步骤S1中，历史数据可以以数据库或历史数据文件的形式存储，包括由运行在多个车辆的ECU上的应用在一段时间内对至少一个ECU资源的使用值。这些ECU遭受至少一种功能异常，使得历史数据可以与这种功能异常具有时间相关性。该功能异常可能已经在车辆使用过程中发生或者可能已经被触发以产生相关的历史数据。
从多个ECU获取、导入或提取历史数据，这些ECU可以来自不同类型和/或可以具有不同配置并且可以是不同车辆的一部分。因此，历史数据可以是不同种类的或不一致的、不同的应用或不同数量的应用、不同的时间段以及不同的采样频率在相同的时间段内给出不同数量的使用值。
例如，第一类型的ECU可以具有运行的十个应用，每秒获取一次使用数据，并且历史数据包括在功能异常之前的最后一分钟期间的使用数据。第二种类型的ECU可以运行七个应用，每两秒获取一次使用数据，并且存储或获取功能异常之前的最后三分钟的使用数据。此外，不同的ECU资源可以被获取不同的时间段和/或使用不同的采样频率。
历史数据可以通过任何可能的方式获取，例如通过经由无线连接从车辆实时或批量上载到云中的获取服务器、在车辆的定期维护期间由车库技工或由车辆的用户(例如通过个人无线装置或计算机)自动获取。历史数据文件可以从ECU内的不同数据库获得，或者可以是数据库。
在第二步骤S2中，历史数据被处理成二维训练文件。换言之，以特定方式对从ECU的数据库检索到的原始数据进行处理，使得每个使用值与特定应用(第一维)和特定时间(第二维)相对应。所述特定时间优选是相对时间，例如由训练文件、一组训练文件或历史数据覆盖的时间段中的时间。另选地，所述时间可以是从功能异常或从错误消息出现起的时间计数。
因此，处理步骤S2可以包括查询步骤和处理步骤，该查询步骤包括一组不同的查询以检索历史数据文件或数据库中的原始历史数据，该处理步骤用于在具有二维结构的训练文件中组合或构成所检索的数据。
图2A以表格的形式示出了用于单个ECU资源1的二维训练文件10的简化示例。使用值UV以特定ECU资源的总容量的百分比来提供，例如存储器占用的百分比。表格的行(第一维11)对应于在多个ECU的相应ECU上运行的不同应用。一个以上的行可以归因于一个应用。该表的列对应于时间，或获取每个使用值的时间。另选地，使用值UV可以用从0到1、从0到255的范围或任何其它显著范围来表示，例如以十六进制或二进制表示。
图2B示出了以矩阵形式表示的图2A的二维训练文件10的相同简化示例。在这种情况下，矩阵可以具有(Km×n)维，其中m是不同应用的数量，n是使用数据的不同时间间隔的数量，K是大于零的系数。
图2C示出了以数字图像文件的形式表示的图2A的二维训练文件10的相同简化示例。在这种情况下，每个使用值UV可以被看作像素或像素组，例如5×5像素的正方形，并且第一维11和第二维12是数字图像中每个像素或每个像素组的坐标。因此，这样的数字图像的分辨率是应用的数量或应用的数量的倍数乘以时间间隔的数量或该数量的倍数。每个像素的强度可以对应于使用值，例如在灰度级上，使用值越高，对应像素越暗或反之。
将训练文件处理为数字图像还可以允许将其导出为JPEG或PNG文件，以便使人可视化历史数据。然而，历史文件的上述三种表示可以是数字等效的，并且历史文件优选地是二进制文件。
处理步骤S2可以以特定的、预定的顺序在二维中组织应用和时间间隔，以在训练文件的完整集合内获得一致的第一维和第二维。例如，时间间隔的值(即，第二维的值)从第一个或最后一个时间间隔、从错误消息发生或从预定源重新计算。
在历史数据包括若干ECU资源的使用值的情况下，每个ECU资源的使用值可以存储在包括若干二维层的训练文件的不同层中。此外，附加层还可以包括由相应应用随时间生成的错误消息。因此，在错误消息的情况下，使用值可以是1，而在没有错误消息的情况下，使用值可以是0，或任何其它值。
然而，应用也可以传送各种错误消息，并且能够对错误消息的关键程度进行分类，例如由专家手动地或通过算法自动地实现。在这种情况下，使用值对于无错误消息可以是0，对于正常错误消息可以是1，对于关键错误消息可以是2。也可以设想附加的临界水平。
通过步骤S2的处理，不同的层可以在训练文件中彼此连接或重叠。不同的层可以被融合在数字图像类型的训练文件中，如下文所详细描述的。
图3A示出了包括三个层20、30、40的训练文件100的示例：一个层20作为第一ECU资源被分配给处理器使用，一个层30作为第二ECU资源被分配给存储器使用，并且一个层40被分配给错误消息。可以使用与历史数据中的ECU资源一样多的层或图像通道，而具有多于三个或四个通道的数字图像可以以3D文件的形式表示，例如具有深度、起伏或地形的图像和/或具有类似于数字地图的不同层的图像。
在表示为数字图像的情况下，每层可以被分配给特定的图像通道，例如RGB通道的一种颜色或YUV或HSV类型的图像通道。每个通道的使用值或像素的强度可以被标准化和/或编码为8比特或16比特。如果多于三个ECU资源在历史数据中可用，则还可以使用阿尔法通道。
图3B示出了表示为彩色数字图像的训练文件100。因此，训练文件100的每个像素px由影响图像通道的每个层20、30、40的使用值的叠加产生。例如，图3B的图像是RGB，并且处理器使用被分配给信道(R)，存储器使用被分配给信道(G)，而错误消息被分配给信道(B)。因此，图3B的训练文件100是ECU状态在给定时间帧上的“图片”。
优选地，每层具有相同的大小，即相同数量的应用(第一维)、相同数量的时间间隔(第二维)以及因此相同数量的使用值。因此，训练文件内的不同层可以具有一致的第一维和第二维。然而，取决于历史数据是如何被获取或处理的，一些层可能具有不同的第一维和/或第二维。在这种情况下，与给定ECU资源相关的每一层在训练文件组中可以是一致的。
还可以在步骤S2中执行附加处理，例如添加或移除注释、报头、比例或其它不必要的值。例如，除了错误消息之外或者作为错误消息的替代，还可以引入附加标签来用于监督机器学习。不同的应用也可以以特定的顺序进行设置，例如从上到下。
优选地，处理步骤可以允许获得具有预定大小的训练文件，而不管应用的数量、时间段和/或历史数据文件的采样频率。换句话说，处理步骤可以允许从不同的数据库或不同的历史文件提取或处理数据，使得大多数或所有训练文件具有第一维的单独预定大小和/或第二维的单独预定大小。
这可以通过忽略对应于不期望的或不必要的应用或时间间隔的一些使用值来执行。期望的或必要的应用可以由人工工程师或基于技术标准的算法来选择。例如，如果第一历史数据文件在某一时间段上包括第一维中的100个时间间隔，并且第二历史数据文件在同一时间段上包括200个时间间隔，则可以从第二历史数据文件中选择每两个时间间隔中一个时间间隔的使用值，以获得具有100个时间间隔的训练文件。
如果需要，外推第一历史数据文件的使用值也可以获得200个时间间隔的训练文件。在处理步骤S2中，可以对第一维执行相同的选择或外插。
处理步骤S2可以用输入的历史数据流连续地或批量地执行一次。训练文件可以存储在存储器中，例如存储在云中的服务器上，并且可以例如通过数据服务框架或系统按需提供给机载和/或机外计算系统。
另选地或组合地，在可选步骤S3中，至少部分训练文件被标准化为预定大小。例如，可以将从具有30个应用的ECU导出的训练文件减少到25个应用，并且可以将覆盖10分钟的训练文件减少到8分钟。这样的标准化步骤可以通过放大或缩小一些训练文件或裁剪一些训练文件来执行，使得所有训练文件具有相同的预定大小或分辨率。
在已经执行基本处理步骤S2的情况下，即如果处理步骤S2不允许获得具有全部预定大小的训练文件，则标准化步骤是特别相关的。如果只有有限的功率或处理资源可用于处理步骤，如果使用不同的处理步骤从各种源获得历史文件和/或如果历史数据是高度异质的，则可能是这种情况。
由于在步骤S2中获得的训练文件的二维格式，标准化步骤可以通过适用于数字图像的公知算法或工具来执行。在多层训练文件的情况下，相同的标准化步骤可以应用于一个或几个层，使得所有层具有相同的预定大小或分辨率，类似于数字图像。标准化步骤通常允许获得同质的训练文件。
在步骤S4中，利用通过处理步骤或标准化步骤获得的训练文件来训练学习模型。该学习模型可以是适用于机器学习的任何模型，但是优选地是适于图像识别的学习模型，例如诸如卷积神经网络(CNN)的神经网络。神经网络的一些层或一些神经元可以被预先训练，例如从专用于图像识别的开放源项目，并且仅输入层和/或输出层可以被训练，这加速了训练步骤并且减少了功率和计算资源消耗。
训练步骤S4可以是非监督训练，例如如果仅选择了与具有功能异常的ECU相关的历史文件。优选地，由于包含在训练文件层中的错误消息和/或在处理步骤S2期间引入的附加标签，训练步骤S4被监督。因此，还可以自动地或手动地标注或标记与一个或多个功能异常相关联的历史文件或训练文件。
步骤S1到S4优选地在机外执行，例如通过图4的专用计算系统200，该专用计算系统200包括具有一个或更多个处理器的处理器单元210、存储器单元220和网络适配器230，如本领域技术人员已知的。也可以提供任何其它接口、屏幕或输入设备。尤其是，存储单元可以至少临时存储步骤S1中的历史数据和从步骤S2和/或S3获得的训练文件。处理单元210可以包括适于执行步骤S2和S3的常规处理单元和特别适于执行步骤S4的机器学习单元。
一旦执行了步骤S4，学习模型就被训练，并可用于根据被监控的ECU的遥测数据来检测或预测一个或多个功能异常。可以在与步骤S4中相同的计算单元200上或者在不同的计算单元上使用经训练的模型。例如，可以在云服务器上或在车辆ECU(例如被监控的ECU的专用监控模块)中使用经训练的模型。经训练的模型还可以通过无线设备或计算机的应用来使用，例如由修理技工或由车辆的用户来使用。
在步骤S5中，接收来自被监控的ECU的遥测数据，例如由有线连接或被监控的ECU的无线模块通过无线通信或通过无线设备或计算机发送到执行步骤S5至S8的云服务器。另选地，被监控的ECU的模块可以执行步骤S5至S8并且可以通过机载网络或直接存储器连接来接收遥测数据。
在步骤S6中，类似于步骤S2，遥测数据在二维监控文件中被处理，并且可能在多层监控文件中被处理。因此，监控文件可以具有与训练文件相同的结构，即，以相同顺序对应于相同ECU资源和相同或相似应用的层。优选地，监控文件也具有与训练文件相同的大小，即相同的第一维和第二维。
在可选步骤S7中，监控文件可以被标准化，类似于步骤S3。如果在步骤S6中获得的监控文件具有类似于在步骤S4中用于训练学习模型的训练文件的大小或尺寸，则不需要该标准化步骤。
然而，被监控的ECU可能具有不同数量的应用和/或不同的时间段和/或不同的使用值的采样频率，并且处理步骤不产生具有与训练文件相同大小的监控文件，并且可能需要标准化监控文件。由于可选的步骤S7，监控文件可以具有与训练文件相同的大小，以便由经训练的模型有效地处理。
在步骤S8中，在步骤S4中训练的学习模型可以用于根据监控文件，即根据由步骤S6和可能的步骤S7转换的遥测数据来推断，即检测、识别或预测被监控的ECU的功能异常。
步骤S8相对于步骤S4需要较低的处理能力。因此，步骤S5至S8可以在与用于步骤S1至S4的计算单元不同的计算单元上执行，特别是在ECU的嵌入式计算模块或用户的无线设备上执行。用于执行部分或全部上述步骤的程序指令可以存储在与车辆相关的存储模块中，例如易失性存储器(例如ROM、RAM等)和/或非易失性存储器(例如闪存、NAND等)，其永久地或可移除地集成在车辆中或例如经由“云”可连接到车辆，并且可以由车辆的计算机或计算器执行，例如电子控制单元(ECU)的一个或多个模块。
一旦检测到或预测到功能异常，就可以采取校正动作，例如通过关闭受监控的ECU的非关键应用，特别是不涉及安全或方向控制或发动机控制的应用。在涉及安全的应用将要发生故障的情况下，或者整个ECU将要发生故障的情况下，则可以在自主或半自主车辆的情况下将相应的车辆行驶到安全的地方。
警报消息可以被发送给用户、车辆的制造商、本地当局或云平台，以通知发生或将要发生功能异常并触发响应动作。
本方法还可以允许对功能异常或错误消息进行分类，例如通过使用在用于学习模型的监督训练步骤的训练文件中引入的外部标签。因此，由应用发出的错误也可以由训练的模型来识别和分类，以便根据错误消息的关键程度来触发适当的动作。
Claims (15)
1.一种在计算单元上训练学习模型以检测或预测被监控的车辆电子控制单元ECU的功能异常的方法，该方法包括以下步骤：
·将来自具有功能异常的多个ECU的历史数据存储在存储器中，所述历史数据包括由在所述ECU上运行的应用在一时间段内对至少一个ECU资源的使用值(UV)；
·由计算单元对所述历史数据进行处理以获得二维训练文件(10)，其中，每个使用值与第一维(11)中的特定应用以及第二维(12)中的特定时间相关联；
·由所述计算单元利用所述训练文件来训练学习模型。
2.根据权利要求1所述的方法，其中，所述历史数据包括具有不同时间段和/或具有不同数量的应用的历史数据文件，所述方法包括以下附加步骤：通过将所述训练文件的至少一部分按比例放大或缩小到所述第一维(11)的预定大小和/或所述第二维(12)的预定大小来使所述训练文件标准化。
3.根据权利要求1或2所述的方法，其中，对所述历史数据进行处理的步骤包括：获得具有第一维(11)的预定大小和/或第二维(12)的预定大小的二维训练文件(10)。
4.根据权利要求1至3中任一项所述的方法，其中，所述历史数据包括至少两个ECU资源的使用值，并且其中，对所述历史数据进行处理的步骤包括：获得多层二维训练文件(100)，每一层(20、30、40)包括两个维度以及所述至少两个ECU资源中的一个的使用值(UV)。
5.根据权利要求1至4中任一项所述的方法，其中，所述历史数据的处理步骤获得作为数字图像的训练文件。
6.根据权利要求4或5所述的方法，其中，所述数字图像各自具有至少两个图像通道，并且所述训练文件的每一层对应于一图像通道。
7.一种检测或预测被监控的车辆电子控制单元ECU的功能异常的方法，该方法包括以下步骤：
·由计算单元接收所述被监控的ECU的遥测数据，所述遥测数据包括由在所述被监控的ECU上运行的多个应用对至少一个ECU资源的使用值，并且将所述遥测数据存储在存储器中，
·由所述计算单元对所述遥测数据进行处理以获得二维监控文件，其中，每个使用值与第一维中的特定应用以及第二维中的特定时间相关联，
·由所述计算单元通过根据权利要求1至6中任一项所述的学习模型从所述监控文件检测或预测所述被监控的ECU的功能异常。
8.根据权利要求7所述的方法，其中，所述监控文件相对于根据权利要求1至6中任一项所述的训练文件具有不同数量的应用和/或不同的时间段，所述方法还包括以下步骤：通过将所述监控文件按比例放大或缩小到所述训练文件的第一维的大小和/或第二维的大小来使所述监控文件标准化。
9.根据权利要求8所述的方法，当所述学习模型是根据权利要求4所述的学习模型时，其中，所述遥测数据包括至少两个ECU资源的使用值，对所述遥测数据进行处理的步骤包括：获得多层二维训练文件，每一层包括两个维度以及所述至少两个ECU资源中的一个的使用值。
10.根据权利要求7至9中任一项所述的方法，其中，所述遥测数据的处理步骤获得作为数字图像的监控文件。
11.根据权利要求9或10所述的方法，其中，所述数字图像具有至少两个图像通道，并且所述监控文件的每一层对应于一图像通道。
12.根据权利要求1至11中任一项所述的方法，其中，所述ECU资源选自包括所述ECU的处理器使用、所述ECU的存储器使用、网络适配器的网络使用、功耗和线程数量的列表。
13.根据权利要求1至12中任一项所述的方法，其中，所述历史数据包括由所述应用生成的错误消息，其中，所述错误消息被包括在所述训练文件中，以便监督所述学习模型的训练步骤。
14.一种检测或预测被监控的车辆电子控制单元ECU的功能异常的系统，所述系统包括执行根据权利要求6至13中任一项所述的方法的硬件处理器。
15.一种非暂时性计算机可读介质，该非暂时性计算机可读介质包括执行根据权利要求1至13中任一项所述的方法的步骤的程序指令。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP21170292.3 | 2021-04-23 | ||
| EP21170292.3A EP4080364A1 (en) | 2021-04-23 | 2021-04-23 | Method and device for detecting dysfunction of vehicle embedded computer |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115237686A true CN115237686A (zh) | 2022-10-25 |
Family
ID=75674623
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210420741.XA Pending CN115237686A (zh) | 2021-04-23 | 2022-04-21 | 检测车载嵌入式计算机的功能异常的方法及装置 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20220342667A1 (zh) |
| EP (1) | EP4080364A1 (zh) |
| CN (1) | CN115237686A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117389791A (zh) * | 2023-12-13 | 2024-01-12 | 江苏海平面数据科技有限公司 | 一种柴油车能耗异常归因方法 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6609051B2 (en) * | 2001-09-10 | 2003-08-19 | Daimlerchrysler Ag | Method and system for condition monitoring of vehicles |
| US6959265B1 (en) * | 2003-10-07 | 2005-10-25 | Serden Technologies, Inc. | User-centric measurement of quality of service in a computer network |
| US7996814B1 (en) * | 2004-12-21 | 2011-08-09 | Zenprise, Inc. | Application model for automated management of software application deployments |
| US8306931B1 (en) | 2009-08-06 | 2012-11-06 | Data Fusion & Neural Networks, LLC | Detecting, classifying, and tracking abnormal data in a data stream |
| JP6555061B2 (ja) * | 2015-10-01 | 2019-08-07 | 富士通株式会社 | クラスタリングプログラム、クラスタリング方法、および情報処理装置 |
| US10585774B2 (en) * | 2017-09-27 | 2020-03-10 | International Business Machines Corporation | Detection of misbehaving components for large scale distributed systems |
| US10579494B2 (en) * | 2018-01-05 | 2020-03-03 | Nec Corporation | Methods and systems for machine-learning-based resource prediction for resource allocation and anomaly detection |
| US10922204B2 (en) * | 2018-06-13 | 2021-02-16 | Ca, Inc. | Efficient behavioral analysis of time series data |
| US10904113B2 (en) * | 2018-06-26 | 2021-01-26 | Microsoft Technology Licensing, Llc | Insight ranking based on detected time-series changes |
| US20200341832A1 (en) * | 2019-04-23 | 2020-10-29 | Vmware, Inc. | Processes that determine states of systems of a distributed computing system |
| US11138059B2 (en) * | 2019-09-25 | 2021-10-05 | Juniper Networks, Inc. | Log analysis in vector space |
| US20230236922A1 (en) * | 2022-01-24 | 2023-07-27 | International Business Machines Corporation | Failure Prediction Using Informational Logs and Golden Signals |
-
2021
- 2021-04-23 EP EP21170292.3A patent/EP4080364A1/en active Pending
-
2022
- 2022-04-21 CN CN202210420741.XA patent/CN115237686A/zh active Pending
- 2022-04-22 US US17/660,346 patent/US20220342667A1/en active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117389791A (zh) * | 2023-12-13 | 2024-01-12 | 江苏海平面数据科技有限公司 | 一种柴油车能耗异常归因方法 |
| CN117389791B (zh) * | 2023-12-13 | 2024-02-23 | 江苏海平面数据科技有限公司 | 一种柴油车能耗异常归因方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP4080364A1 (en) | 2022-10-26 |
| US20220342667A1 (en) | 2022-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DE102015214739B4 (de) | Verfahren zur Bestimmung einer Fehlerursache bei einem Fahrzeug und Server zum Durchführen der Bestimmung der Fehlerursache | |
| US11541899B2 (en) | Vehicle diagnosis apparatus, vehicle diagnosis system, and vehicle diagnosis program | |
| US20200302710A1 (en) | Automobile trouble diagnosis method, automobile trouble diagnosis apparatus, and electronic device | |
| US8346429B2 (en) | Vehicle health monitoring system architecture for diagnostics and prognostics disclosure | |
| US6950782B2 (en) | Model-based intelligent diagnostic agent | |
| US8543280B2 (en) | Collaborative multi-agent vehicle fault diagnostic system and associated methodology | |
| US20170161965A1 (en) | Distributed vehicle health management systems | |
| DE102010038827A1 (de) | Verfahren und System für die Fehlervorhersage mit Hilfe eines Agenten | |
| DE102012223393A1 (de) | Verfahren und System für die Grundursachenanalyse und Qualitätsüberwachung von Fehlern auf Systemebene | |
| US20190228322A1 (en) | Vehicle repair guidance system | |
| EP2277778A2 (en) | Vehicle health management systems and methods with predicted diagnostic indicators | |
| CN111284426B (zh) | 车辆故障根本原因诊断 | |
| CN113902233A (zh) | 车辆安全预警方法、大数据平台装置、车载终端和车辆 | |
| CN113888514A (zh) | 导地线缺陷检测方法、装置、边缘计算设备和存储介质 | |
| CN115237686A (zh) | 检测车载嵌入式计算机的功能异常的方法及装置 | |
| CN111985449A (zh) | 救援现场图像的识别方法、装置、设备及计算机介质 | |
| US20210390802A1 (en) | Method, Computer Program And Device For Processing Signals | |
| CN111897304A (zh) | 用于机器系统中实时诊断和故障监视的方法、设备和系统 | |
| DE102020106012A1 (de) | System zur erkennung und meldung von reifen-leckagen | |
| DE102021126726A1 (de) | Verteiltes system und datenübertragungsverfahren | |
| CN101784973A (zh) | 用于诊断机动车故障的方法和系统 | |
| CN112149908A (zh) | 车辆驾驶预测方法、系统、计算机设备及可读存储介质 | |
| US20230174126A1 (en) | Maintenance control system and method | |
| EP4150422A1 (de) | System und verfahren zur bestimmung einer ursache einer betriebsanomalie einer maschine sowie computerprogramm und elektronisch lesbarer datenträger | |
| US7146346B2 (en) | Fuzzy-logic on board device for monitoring and processing motor vehicle operating data |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Country or region after: Luxembourg Address after: Luxembourg Applicant after: Aptiv Technology (2) Co. Address before: Babado J San Michael Applicant before: Aptiv Technologies Ltd. Country or region before: Barbados |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240304 Address after: Luxembourg Applicant after: Aptiv Manufacturing Management Services Co. Country or region after: Luxembourg Address before: Luxembourg Applicant before: Aptiv Technology (2) Co. Country or region before: Luxembourg |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240320 Address after: Schaffhausen Applicant after: APTIV Technology Co.,Ltd. Country or region after: Switzerland Address before: Luxembourg Applicant before: Aptiv Manufacturing Management Services Co. Country or region before: Luxembourg |