CN116324638A - 预防性维护和使用寿命分析工具 - Google Patents

预防性维护和使用寿命分析工具 Download PDF

Info

Publication number
CN116324638A
CN116324638A CN202180067948.7A CN202180067948A CN116324638A CN 116324638 A CN116324638 A CN 116324638A CN 202180067948 A CN202180067948 A CN 202180067948A CN 116324638 A CN116324638 A CN 116324638A
Authority
CN
China
Prior art keywords
fleet
vehicle
information
processors
circuitry
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
Application number
CN202180067948.7A
Other languages
English (en)
Inventor
托马斯·L·麦金莱
齐格蒙德·W·梅卢斯基
孟加纳·索姆万希
德瓦拉特·S·巴韦
桑迪普·维尔马
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cummins Inc
Original Assignee
Cummins Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Cummins Inc filed Critical Cummins Inc
Publication of CN116324638A publication Critical patent/CN116324638A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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
    • G06Q10/10—Office automation; Time management
    • 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
    • G06Q10/10—Office automation; Time management
    • G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
    • G06Q10/1093—Calendar-based scheduling for persons or groups
    • G06Q10/1095—Meeting or appointment
    • 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
    • G07C5/006—Indicating maintenance
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • G—PHYSICS
    • 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
    • G07C5/02—Registering or indicating driving, working, idle, or waiting time only
    • G07C5/06—Registering or indicating driving, working, idle, or waiting time only in graphical form

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Development Economics (AREA)
  • Algebra (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)

Abstract

系统和装置包括一个或更多个处理电路，该处理电路包括耦合到一个或更多个处理器的一个或更多个存储器设备，该一个或更多个存储器设备被配置为在其上存储指令，该指令在由一个或更多个处理器执行时使该一个或更多个处理器：接收包括操作条件和历史车辆信息的车辆信息，使用接收车辆信息的机器学习引擎开发车辆模型，基于车辆模型和包括车队使用情况和车队车辆类型的车队信息来确定车队故障概率，以及基于车队故障概率确定预测性维护计划。

Description

预防性维护和使用寿命分析工具
相关申请的交叉引用
本申请要求2020年10月1日提交的印度专利申请第202041042848号的优先权和权益，该专利申请的全部内容通过引用并入本文。
技术领域
本公开涉及车队管理。更具体地，本公开涉及用于改进车队维护的系统和方法。
背景
通常，车队使用保守的维护方案进行维修。当部件或传感器出现故障时，车辆会离线，并被送去维修部件或传感器。例如，在公共汽车车队(bussing fleet)中，这种被动式维护(reactive maintenance)会导致乘客不满，这些乘客必须转换公共汽车并延迟他们到达最终目的地的时间。车队车辆停工是不可取的。
概述
一个实施例涉及一种装置，该装置包括一个或更多个处理电路，该处理电路包括耦合到一个或更多个处理器的一个或更多个存储器设备，该一个或更多个存储器设备被配置为在其上存储指令，该指令在由一个或更多个处理器执行时使该一个或更多个处理器：接收包括操作条件和历史车辆信息的车辆信息，使用接收车辆信息的机器学习引擎开发车辆模型，基于车辆模型和包括车队使用情况(fleet usage)和车队车辆类型的车队信息来确定车队故障概率，以及基于车队故障概率确定预测性维护计划。
另一实施例涉及一种系统，该系统包括一个或更多个处理电路以及应用，该处理电路包括耦合到一个或更多个处理器的一个或更多个存储器设备，该一个或更多个存储器设备被配置为在其上存储指令，该指令在由一个或更多个处理器执行时使该一个或更多个处理器：接收车辆信息和车队信息，基于所接收的车辆信息和车队信息开发分析模型，使用分析模型确定预测的部件寿命，基于预测的部件寿命确定预测性维护计划，以及生成指示在预测性维护间隔内计划的维护的报告；该应用可通信地耦合到一个或更多个处理电路，并且被构造成提供预测性维护间隔并显示报告。
另一实施例涉及一种系统，该系统包括一个或更多个处理电路以及应用，该处理电路包括耦合到一个或更多个处理器的一个或更多个存储器设备，该一个或更多个存储器设备被配置为在其上存储指令，该指令在由一个或更多个处理器执行时使该一个或更多个处理器：接收车辆信息和车队信息，基于所接收的车辆信息和车队信息开发分析模型，使用分析模型并基于目标部件的当前寿命和目标部件的剩余使用寿命来确定总寿命预测，从应用接收阈值故障率并基于总寿命预测确定预测达到阈值故障率的时间，基于总寿命预测确定预测性维护计划，以及生成指示在预测性维护间隔内计划的维护的报告；该应用可通信地耦合到一个或更多个处理电路，并且被构造成提供预测性维护间隔并显示报告。
又一实施例涉及一种方法。该方法包括：接收车辆信息和车队信息；基于所接收的车辆信息和车队信息开发分析模型；使用分析模型并基于目标部件的当前寿命和目标部件的剩余使用寿命来确定总寿命预测；接收阈值故障率；基于总寿命预测确定预测达到阈值故障率的时间；基于总寿命预测确定预测性维护间隔；生成指示在预测性维护间隔内计划的维护并指示基于总寿命预测来预测达到阈值故障率的时间的报告；以及显示报告。
本概述仅为说明性的，并不打算以任何方式进行限制。结合附图，在本文阐述的详细描述中，本文描述的设备或过程的其他方面、发明特征和优点将变得明显，在附图中相同的参考数字指代相同的元件。另外，本发明的一个方面的一个或更多个特征可以与本发明的不同方面的一个或更多个特征相组合。
附图简述
图1是根据一些实施例的用于确定预防性维护计划(preventative maintenanceschedule)的系统的示意图。
图2是根据一些实施例的图1的系统的控制器的示意图。
图3是根据一些实施例的示出使用图1的系统的故障行驶里程确定的流程图。
图4是根据一些实施例的示出由图1的系统确定的预测故障率曲线的图表。
图5是根据一些实施例的用于与图1的系统交互的应用的描述。
图6是根据一些实施例的在图5的应用内产生的图表的描述。
图7是根据一些实施例的示出由图1的系统使用的参数收敛的图表。
图8是根据一些实施例的示出由图1的系统使用的参数选择的图表。
图9是根据一些实施例的示出由图1的系统针对发动机输出NOx传感器确定的预测故障率曲线的图表。
图10是根据一些实施例的示出由图1的系统针对排气管NOx传感器确定的预测故障率曲线的图表。
详细描述
以下是与用于确定车辆部件的剩余使用寿命和有利维护计划的方法、装置和系统相关的各种概念和这些方法、装置和系统的实现的更详细描述。在转向详细示出某些示例性实施例的附图之前，应该理解，本公开不限于说明书中阐述的或附图中示出的细节或方法。还应理解，本文中使用的术语仅用于描述目的，而不应被视为限制性的。
总体上参考附图，本文公开的各种实施例涉及用于确定车队的有利维护计划的系统、装置和方法，该维护计划考虑了车队内单个车辆的发动机和车辆部件。每一车辆/发动机/部件都随时间进行监测，以确定车辆信息(例如，使用期间的环境温度、行驶里程、平均速度、随时间的油耗、车型年份(model year)、保修历史、维护历史、故障代码等)。车辆信息由分析模型(例如，机器学习引擎、预测模型、算法等)接收，该分析模型生成目标部件(例如，HEGO传感器)的剩余使用寿命(RUL)并生成在目标部件的RUL期间的预测维护模型。系统从与该系统相关联的所有车辆接收车辆信息。在一些实施例中，车辆信息包括来自原始设备制造商和/或其原始设备供应商的保修数据、与车辆部件或子系统的品牌或型号相关的车辆信息、或者以任何其他方式与系统相关联的车辆信息和数据。由分析模型处理的大数据集的可用性允许系统准确地或基本准确地预测维护需求，并基于实时或基本实时信息来生成维护计划，这显著降低故障(例如，道路上故障或其他使用中故障)的发生率。道路上故障的减少直接解决了车队行业的当前需求，在该行业中，车辆停工会导致严重的物流崩溃(logistical breakdown)。应当理解，本公开还可以适用于固定设备(例如，发电机组)和/或非主要道路设备(例如，前端装载机(front end loader))。
现在参考图1，示出了根据示例实施例的用于确定预测性维护计划(predictivemaintenance schedule)的系统100。系统100被构造成从数据湖104接收信息，将数据湖信息与车辆信息数据库108合并，用分析模型112分析合并的数据，并生成预测的部件寿命116。
数据湖104被构造成聚集或查询来自不同信息源的信息。数据湖104可以被构造为存储信息的一个或更多个数据库。包括在数据湖104中的信息可以包括：保修索赔、制造商信息或其他维修索赔历史形式的可靠性信息；NOAA天气数据或其他历史天气数据，其指示温度、湿度和其他可能影响部件功能和寿命的天气或环境条件因素；由康明斯公司提供的INSITETM诊断输出或来自发动机系统或其他车辆系统的类似诊断输出；以及包括行程摘要、路线信息和交通信息的eFPA数据。车辆信息108可以特定于车辆、发动机或单个部件，并且在一些实施例中包括：发动机和车辆信息，诸如序列号、车型年份、投入使用的日期、OEM、公共汽车长度、卡车使用情况等；维修历史，包括以前的维修、过去的故障代码和更换的零件；环境历史，包括环境温度、环境压力和相对湿度；占空比，包括采样率或占空比、使用率、发动机小时数和里程表读数；以及健康检查，包括对传感器健康的诊断检查、对涡轮废气阀的压差检查等。数据湖104和车辆信息108组合以提供由分析模型112以必要的格式和顺序使用的信息。
系统100还使用关于与公共汽车车队120相关联的公共汽车122的公共汽车车队信息(例如，发动机类型、底盘型号等)，以及关于与卡车车队132相关联的卡车134的卡车车队信息。在一些示例中，系统100的用户仅管理公共汽车车队120或卡车车队132，而不管理两者，因此仅接收公共汽车车队信息或卡车车队信息。
利用公共汽车车队信息和预测的部件寿命116，系统100生成车队故障概率124，该车队故障概率124指示部件故障随时间(例如，日历日、车辆/发动机小时数、行驶里程等)的可能性。然后将预测的部件寿命提供给预测性维护(PM)分析工具128。在一些实施例中，卡车车队信息被类似地处理以生成卡车部件的车队故障概率124，其被馈送到PM分析工具128中。
系统100使用卡车车队信息和预测的部件寿命116来确定未来时间段(例如，接下来的90天)内的预测的部件故障136。然后将预测的部件故障136汇总成报告140，该报告140可以(例如经由电子邮件)提供给用户或维护人员。同样，对于公共汽车车队120或公共汽车车队120和卡车车队132两者，也可以使用类似的过程来生成预测的部件故障136。
客户服务应用144从系统100接收包括PM分析工具128的输出和预测的部件故障报告140的信息，并生成减少车队停工时间和故障后维修事件数量的PM间隔148和更换计划152。在一些实施例中，客户服务应用144被提供在用户设备(例如，智能手机、平板电脑、HMI、信息亭、墙上控制面板(wall panel)等)上并且用户能够与系统100交互以影响输入、运行查询并影响分析模型112、PM分析工具128和报告140的操作，以提供改进车队功能的定制解决方案。例如，客户服务应用144可以被硬编码到基于网络的应用中，该应用可在用户设备上执行，以提供一个或更多个图形用户界面，该图形用户界面示出本文描述的报告，使得能够输入查询，并且以其他方式使用户(例如，车队经理等)能够与系统100交互和利用系统100。
在这方面，控制器或控制系统可以设置成远离车辆或设备。控制器可以执行本文描述的操作和功能以预测部件的剩余使用寿命。
现在参照图2，示出了根据示例实施例的图1的系统100的这种控制器的示意图。如图2所示，控制器156包括具有处理器164和存储器设备168的处理电路160、具有数据湖电路178、车辆细节电路182、分析电路186、车队电路190、车队预测电路194、故障电路198、计划电路202和报告电路206的控制系统174以及通信接口210。控制器156被构造成收集关于车队车辆的使用和车队车辆的历史维护要求的某些数据，并生成PM计划和不同计划的优点的预测。
在一种配置中，数据湖电路178、车辆细节电路182、分析电路186、车队电路190、车队预测电路194、故障电路198、计划电路202和报告电路206被实施为存储由诸如处理器164的处理器可执行的指令的机器可读介质或计算机可读介质。如本文所述以及在其他用途中，机器可读介质有助于执行某些操作，以实现数据的接收和发送。例如，机器可读介质可以提供指令(例如，命令等)以例如获取数据。在这方面，机器可读介质可以包括定义数据采集(或数据传输)频率的可编程逻辑。计算机可读介质可以包括代码，该代码可以用任何编程语言编写，包括但不限于Java等和任何传统的过程编程语言，诸如“C”编程语言或类似的编程语言。计算机可读程序代码可以在一个处理器或多个远程处理器上执行。在后一种情况下，远程处理器可以通过任何类型的网络(例如，CAN总线等)相互连接。
在另一配置中，数据湖电路178、车辆细节电路182、分析电路186、车队电路190、车队预测电路194、故障电路198、计划电路202和报告电路206被实施为硬件单元，诸如电子控制单元。因此，数据湖电路178、车辆细节电路182、分析电路186、车队电路190、车队预测电路194、故障电路198、计划电路202和报告电路206可以实施为一个或更多个电路部件，包括但不限于处理电路、网络接口、外围设备、输入设备、输出设备、传感器等。在一些实施例中，数据湖电路178、车辆细节电路182、分析电路186、车队电路190、车队预测电路194、故障电路198、计划电路202和报告电路206可以采取一个或更多个模拟电路、电子电路(例如，集成电路(IC)、分立电路、片上系统(SOC)电路、微控制器等)、电信电路、混合电路和任何其他类型的“电路”的形式。在这方面，数据湖电路178、车辆细节电路182、分析电路186、车队电路190、车队预测电路194、故障电路198、计划电路202和报告电路206可以包括用于实现或促进实现本文描述的操作的任何类型的部件。例如，本文描述的电路可以包括一个或更多个晶体管、逻辑门(例如，与非、与、或非、或、异或、非、异或非等)、电阻器、多路复用器、寄存器、电容器、电感器、二极管、布线等等。数据湖电路178、车辆细节电路182、分析电路186、车队电路190、车队预测电路194、故障电路198、计划电路202和报告电路206还可以包括可编程硬件器件，诸如现场可编程门阵列、可编程阵列逻辑、可编程逻辑器件等。数据湖电路178、车辆细节电路182、分析电路186、车队电路190、车队预测电路194、故障电路198、计划电路202和报告电路206可以包括一个或更多个存储器设备，以用于存储由数据湖电路178、车辆细节电路182、分析电路186、车队电路190、车队预测电路194、故障电路198、计划电路202和报告电路206的处理器可执行的指令。一个或更多个存储器设备和处理器可以具有与下面关于存储器设备168和处理器164提供的相同的定义。在一些硬件单元配置中，数据湖电路178、车辆细节电路182、分析电路186、车队电路190、车队预测电路194、故障电路198、计划电路202和报告电路206可以在地理上分散在车辆中的各个位置。替代地且如图所示，数据湖电路178、车辆细节电路182、分析电路186、车队电路190、车队预测电路194、故障电路198、计划电路202和报告电路206可以体现在单个单元/外壳中或体现在单个单元/外壳内，该单个单元/外壳被示为控制器156。
在所示示例中，控制器156包括具有处理器164和存储器设备168的处理电路160。处理电路160可以被构造或配置成执行或实现本文描述的关于数据湖电路178、车辆细节电路182、分析电路186、车队电路190、车队预测电路194、故障电路198、计划电路202和报告电路206的指令、命令和/或控制过程。所描绘的配置将数据湖电路178、车辆细节电路182、分析电路186、车队电路190、车队预测电路194、故障电路198、计划电路202和报告电路206表示为机器可读介质或计算机可读介质。但是，如上所述，该图示并不意味着是限制性的，因为本公开设想了其他实施例，在这些实施例中数据湖电路178、车辆细节电路182、分析电路186、车队电路190、车队预测电路194、故障电路198、计划电路202和报告电路206，或者数据湖电路178、车辆细节电路182、分析电路186、车队电路190、车队预测电路194、故障电路198、计划电路202和报告电路206中的至少一个电路被配置为硬件单元。所有这样的组合和变型旨在落入本公开的范围内。
用于实现结合本文公开的实施例描述的各种过程、操作、说明性逻辑、逻辑块、模块和电路的硬件和数据处理部件(例如，处理器164)可以用以下项来实现或执行：通用单芯片或多芯片处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其他可编程逻辑器件、分立门或晶体管逻辑、分立硬件部件或被设计来执行本文描述的功能的上述项的任何组合。另外，一个或更多个处理器可以是分布式的并用作云，以用于执行本文描述的操作。处理器可以被实现为计算设备的组合，诸如DSP和微处理器的组合、多个微处理器、与DSP内核结合的一个或更多个微处理器、或者任何其他这样的配置。在一些实施例中，一个或更多个处理器可以由多个电路共享(例如，数据湖电路178、车辆细节电路182、分析电路186、车队电路190、车队预测电路194、故障电路198、计划电路202和报告电路206可以包括或以其他方式共享同一处理器，在一些示例性实施例中，该处理器可以执行经由存储器的不同区域存储或以其他方式访问的指令)。替代地或附加地，一个或更多个处理器可以被构造成独立于一个或更多个协处理器来执行或以其他方式执行某些操作。在其他示例实施例中，两个或更多个处理器可以经由总线耦合，以实现独立、并行、流水线或多线程指令执行。所有这样的变型旨在落入本公开的范围内。
存储器设备168(例如，存储器、存储器单元、储存设备)可以包括用于存储数据和/或计算机代码的一个或更多个设备(例如，RAM、ROM、闪存、硬盘存储装置)，以完成或促进本公开中描述的各种过程、层和模块。存储器设备168可以可通信地连接到处理器164，以向处理器164提供计算机代码或指令，用于执行本文描述的至少一些过程。此外，存储器设备168可以是或可以包括有形的、非瞬态易失性存储器或非易失性存储器。因此，存储器设备168可以包括数据库部件、目标代码部件、脚本部件或用于支持本文描述的各种活动和信息结构的任何其他类型的信息结构。
数据湖电路178被构造成经由通信接口210从数据湖104接收信息。在一些实施例中，数据湖电路178被构造成向数据湖104查询关于预定更新计划(例如，每周一次、每月一次等)的特定信息。数据湖电路还可以被构造成格式化从数据湖104接收的信息，以供控制系统174的其他电路使用。
车辆细节电路182被构造成从车辆信息数据库108且从数据湖电路178接收信息。车辆细节电路182封装与正在使用的发动机的特定部件相关的信息。该信息集可以仅包括数以千计的车辆或部件信息，并因此提供由系统100使用的稳健的数据集。
分析电路186从数据湖电路178和车辆细节电路182接收信息，并生成可以用于预测车辆和车辆部件的未来操作和故障的模型。在一些实施例中，分析电路186包括机器学习引擎，该机器学习引擎根据操作条件学习车辆或车辆部件的操作参数，并基于用户的输入生成虚拟车辆。例如，用户可以输入车辆的品牌和型号、发动机类型、行驶里程、平均速度、天气或地理输入等，并且分析电路186生成虚拟车辆，然后该虚拟车辆可以被控制器156和系统100用于预测。
车队电路190被构造成接收关于车辆的目标车队的信息。例如，车队中有多少辆什么类型的车辆，安装了什么发动机，每个车辆或部件的行驶里程以及其他因素。车队电路190识别供控制器156和系统100使用的车队的细节。
车队预测电路194被构造成确定或预测车辆车队的传感器或部件寿命或剩余使用寿命(RUL)。在一些实施例中，车队预测电路194使用生存模型来生成RUL。例如，可以使用RUL计算的生存模型家族中的参数威布尔模型(Weibull model)。在一个示例中并且如本文所述，传感器是NOx传感器(例如，用于车辆的后处理系统)。进而，车队预测电路194基于NOx传感器故障时间的分布来计算RUL。由于故障时间的基本分布基于威布尔，因此使用了如下所示的威布尔加速故障模型：
Figure BDA0004159021260000101
其中，尺度参数λ和形状参数ρ是发动机参数的函数：
λ(x)＝exp(β0+β1x1+...+βnxn)
ρ(y)＝exp(α0+α1y1+...+αmym)，
并且累积危险率为：
Figure BDA0004159021260000102
生存函数提供了目标发动机、传感器或部件的生存概率的整体分布。所得到的时间分布(例如，行驶里程、运行小时数等)的所选百分位被用作RUL的估计值。例如，第50百分位(50th percentile)可以被选择作为分布的中值，并产生85k英里的估计RUL。得到的该示例的非故障传感器的总寿命预测是：
总寿命＝当前寿命(t)+RUL。
车队预测电路194可以生成对于任何部件(例如，上面讨论的NOx传感器)的总的预测剩余寿命。故障电路198接收总的预测剩余寿命，并确定具有相关联的可能性百分比的预测故障行驶里程。例如，考虑到由分析电路186生成的模型，在85k英里(或另一阈值)处，NOx传感器的故障概率可以是40％。故障电路198可以接收阈值故障率(例如，50％、75％等)并查询车队预测电路194，以确定预测达到故障率的时间。故障电路198还识别车队的车辆内的实际故障。
计划电路202接收来自故障电路198、车队预测电路194、车队电路190和分析电路186的输入，并生成用于车队的预测性维护(PM)计划，其将预测的故障率降低到选择的阈值(例如，50％)，并生成用于在故障之前维护部件和传感器的计划或建议。换句话说，PM计划将在部件出现故障之前指示需要维护。计划电路202还将针对故障部件所需维修的被动式维护添加到计划中。
报告电路206生成PM计划和被动式维护计划的报告。在一些实施例中，报告电路206生成时间窗口内所有预测故障的报告。例如，该报告可以包括预测在接下来90天内超过故障阈值(例如，50％的故障可能性)的所有传感器。
控制系统174被构造成与应用144通信和交互，以允许用户与系统100交互并确定PM计划、设置故障率阈值和从系统100查询其他信息。
如图3所示，系统100利用基于编程模型、机器学习(例如，神经网络、强化学习等)、算法和其他工具的分析建模方法来确定RUL和PM计划。图3中示出的示例说明了当传感器随时间的推移而退化时，故障模型是如何更新的。例如，如果检测到真实世界故障，则故障电路198识别故障，并且计划电路202将在被动式维护计划中计划维修。如果没有发生故障，则由车队预测电路194确定RUL，由故障电路198确定故障行驶里程，并且更新PM计划以在达到预测的阈值故障率之前更换传感器。RUL和故障行驶里程将基于真实世界操作条件和从数据湖104和车辆细节数据库108接收的信息随时间持续更新。因此，系统100提供更准确且持续更新的故障预测和用于预测性维护的改进的计划特征。
如图4所示，预测故障概率曲线250由车队预测电路194生成。图4中还示出了随时间从数据湖104接收的保修索赔254。从车辆细节数据库108接收服务记录258。在一些实施例中，服务记录258和保修索赔254可能是不完整的，并且曲线在分析电路186内生成。例如，部件保修可能只涵盖75,000英里，并且保修曲线的其余部分是一种估算。如上所讨论的，预测故障概率曲线250的确定基于车队的实际使用情况和用于构建保修记录曲线154和服务记录曲线258的信息，并且当与现有选项相比时呈现改进的预测。
如图5所示，应用144包括用户界面262，该用户界面262包括：车队描述字段266，其中用户可以输入目标车队和使用寿命值；PM间隔字段270，其中用户可以输入多个不同的间隔以观察所选择的维护间隔如何影响在车队描述字段266中标识的他们的特定车队；维护和维修成本字段274，用户可以输入用于维修和维护的成本(由于计划维护相对于被动式维修的可预测性，这些成本通常是不同的)；维护提供商字段278；维修提供商字段282；故障概率估计字段286，其用于选择故障模型(例如，威布尔加速故障模型)；以及示出所选择的故障概率估计的图表290。
应用144还被构造成输出比较页面294，该比较页面294将无预测性维护与PM间隔字段270中选择的间隔进行比较。如图6中所示，比较页面294包括每车辆事件数图表(events per vehicle chart)，该图表比较在被分解为维护事件和维修事件的所选择使用寿命期间的维护和维修事件的总计数量。如图所示，较短的维护间隔会引入更多的维护事件，并减少被动维修(reactionary repair)的次数。避免道路呼叫百分比图表302示出了基于所选择的维护间隔避免了多少道路呼叫。每英里成本图表306示出了维修和维护事件的联合成本如何导致对于车队经理的总成本。每英里成本图表306示出了如何使用系统100来选择有利的PM计划(例如，75,000英里计划)可以显著地减少被动维修和相关联的停工时间，同时仅增加了相对小幅度的成本。该示例说明了系统100如何提供车队的人工管理者不可能实现的真正优势。故障间平均距离图表310示出了车队车辆的停工时间如何可以通过使用由系统100确定的PM计划而大幅减少。
关于上面讨论的预测引擎、算法和模型的算法收敛，当与具有高故障率的车队相比时，小型车队或具有无故障或低故障率的车队具有缓慢收敛。例如，图7示出了较慢收敛和较快收敛。为了解决收敛的可变性，对最佳(best of the best，BOB)车队和最差(worstof the worst，WOW)车队使用不同的百分位预测。例如，BOB(例如，车队故障率<＝20％)具有第90百分位预测，而WOW(例如，车队故障率>20％)具有第75百分位预测。使用收敛修正寿命预测的结果是：
总寿命＝当前英里数+(Fleet_H*RUL 75)+((1-Fleet_H)*RUL 90))，其中，Fleet_H代表WOW车队。
参数选择提供了选择具有最小预测误差的模型。例如，如图8所示，将真实RUL(示为蓝色)与预测RUL(示为黄色)进行比较。例如，在图8中所示的图表中，发动机输出NOx传感器(EONOX)和系统输出NOx传感器(SONOX)的重要参数包括发动机在恶劣冷却液温度条件下运行的百分比持续时间、使用月数和车队故障率。
另外，对于系统输出NOx传感器，以KMPH为单位的最大道路速度和每小时低英里数(小于9mph)的指标是驱动部件剩余寿命的重要参数。对于涡轮致动器，示例性占空比参数包括按键切换周期(key switch cycles)、环境温度和压力以及诸如上述那些的其他因素。
如图9和图10中所示，目标部件或传感器可以包括发动机输出NOx传感器和/或系统输出(例如，排气管)NOx传感器，并且可以使用系统100和上面讨论的细节来生成故障和预测曲线，以确定发动机输出NOx传感器和/或排气管NOx传感器的PM计划等。另外，系统100可以根据需要应用于车辆或车辆系统内的任何其他传感器或部件。
如本文所使用的，术语“大约”、“约”、“基本上”和类似术语旨在具有与本公开的主题所涉及领域的普通技术人员的共同且可接受的用法相一致的广泛含义。查阅本公开的本领域技术人员应该理解，这些术语旨在允许描述所描述和要求保护的某些特征，而不将这些特征的范围限制在所提供的精确数值范围内。因此，这些术语应被解释为指示对所描述和要求保护的主题的非实质性或无关紧要的修改或变更被认为在所附权利要求中描述的公开的范围内。
应当注意，如本文用来描述各种实施例的术语“示例性”及其变型旨在指示这些实施例是可能实施例的可能示例、表示和/或图示(并且该术语不旨在暗示这样的实施例必然是非凡的或最高级的示例)。
如本文使用的术语“耦合(coupled)”及其变型是指两个构件直接或间接地彼此联结。这种联结可以是固定的(例如，永久的或不变的)或可移动的(例如，可移除的或可释放的)。这种联结可以通过两个构件直接彼此耦合来实现，通过使用一个或更多个单独的中间构件将两个构件彼此耦合来实现，或者通过使用与两个构件中的一个整体形成为单个整体的中间构件将两个构件彼此耦合来实现。如果“耦合”或其变型被附加术语修改(例如，直接耦合)，则上面提供的“耦合”的通用定义被附加术语的简单语言含义修改(例如，“直接耦合”意味着两个构件在没有任何单独的中间构件情况下的联结)，导致比上面提供的“耦合”的通用定义更窄的定义。这种耦合可以是机械的、电的或流体的。例如，电路A可通信地“耦合”到电路B可以表示电路A直接与电路B通信(即，没有中介)或(例如，通过一个或更多个中介)间接与电路B通信。
本文对元件位置的参考(例如，“顶部”、“底部”、“上方”、“下方”)仅用于描述附图中各种元件的取向。应当注意，根据其他示例性实施例，各种元件的取向可以不同，并且这种变型旨在包含在本公开中。
尽管在图2中示出了具有特定功能的各种电路，但是应当理解，控制器156可以包括用于完成本文描述的功能的任何数量的电路。例如，数据湖电路178、车辆细节电路182、分析电路186、车队电路190、车队预测电路194、故障电路198、计划电路202和报告电路206的活动和功能可以组合成多个电路或作为单个电路。还可以包括具有附加功能的附加电路。此外，控制器156可以进一步控制超出本公开范围的其他活动。
如上所述且在一种配置中，“电路”可以在机器可读介质中实现，用于由各种类型的处理器(例如图2的处理器164)执行。可执行代码的识别电路可以例如包括计算机指令的一个或更多个物理块或逻辑块，这些物理块或逻辑块可以例如被组织为对象、过程或函数。然而，所识别的电路的可执行文件不需要在物理上位于一起，而是可以包括存储在不同位置的不同指令，当逻辑上联结在一起时，这些指令包括电路并实现电路的所述目的。实际上，计算机可读程序代码的电路可以是单个指令或多个指令，并且甚至可以分布在几个不同的代码段上、在不同的程序之间以及跨几个存储器设备。类似地，操作数据可以在本文中在电路内被识别和示出，并且可以以任何合适的形式被体现并被组织在任何合适类型的数据结构内。操作数据可以作为单个数据集来收集，或者可以分布在不同的位置上，包括不同的储存设备上，并且可以至少部分地仅仅作为电子信号存在于系统或网络上。
虽然术语“处理器”在上面被简要地定义，但是术语“处理器”和“处理电路”意在被广义地解释。在这方面且如上所述，“处理器”可以被实现为一个或更多个通用处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、数字信号处理器(DSP)或被构造成执行由存储器提供的指令的其他合适的电子数据处理部件。一个或更多个处理器可以采取单核处理器、多核处理器(例如，双核处理器、三核处理器、四核处理器等)、微处理器等的形式。在一些实施例中，一个或更多个处理器可以在装置外部，例如，一个或更多个处理器可以是远程处理器(例如，基于云的处理器)。替代地或附加地，一个或更多个处理器可以是装置内部的和/或本地的。就这一点而言，给定电路或其部件可以被设置在本地(例如，作为本地服务器、本地计算系统等的一部分)或被远程地设置(例如，作为诸如基于云的服务器的远程服务器的一部分)。为此，本文所述的“电路”可以包括分布在一个或更多个位置上的部件。
在本公开范围内的实施例包括程序产品，该程序产品包括用于携带或具有存储在其上的机器可读指令或数据结构的机器可读介质。这种机器可读介质可以是可以由通用或专用计算机或其他具有处理器的机器访问的任何可用介质。举例来说，这种机器可读介质可以包括RAM、ROM、EPROM、EEPROM或其他光盘存储装置、磁盘存储装置或其他磁存储设备，或者可以用来以机器可执行指令或数据结构的形式携带或存储所需程序代码并且可以由通用或专用计算机或其他具有处理器的机器访问的任何其他介质。以上的组合也包括在机器可读介质的范围内。机器可执行指令包括例如使通用计算机、专用计算机或专用处理机器执行某一功能或一组功能的指令和数据。
尽管附图和描述可以示出方法步骤的特定顺序，但是这些步骤的顺序可以不同于所描绘和描述的顺序，除非上面有不同的规定。此外，两个或更多个步骤可以同时执行或部分同时执行，除非上面有不同的规定。例如，这种变型可以取决于所选择的软件和硬件系统以及设计者的选择。所有这些变型都在本公开的范围内。同样，所描述的方法的软件实现可以用具有基于规则的逻辑和其他逻辑的标准编程技术来完成，以实现各种连接步骤、处理步骤、比较步骤和决策步骤。
重要的是要注意，如在各种示例性实施例中所示的系统100的结构和布置仅是说明性的。另外，在一个实施例中公开的任何元件可以与本文公开的任何其他实施例结合或使用。

Claims (20)

1.一种装置，包括：
一个或更多个处理电路，其包括耦合到一个或更多个处理器的一个或更多个存储器设备，所述一个或更多个存储器设备被配置为在其上存储指令，所述指令在由所述一个或更多个处理器执行时，使所述一个或更多个处理器：
接收包括操作条件和历史车辆信息的车辆信息，
使用接收所述车辆信息的机器学习引擎开发车辆模型，
基于所述车辆模型和包括车队使用情况和车队车辆类型的车队信息来确定车队故障概率，以及
基于所述车队故障概率确定预测性维护计划。
2.根据权利要求1所述的装置，其中，确定所述车队故障概率包括确定目标部件的剩余使用寿命。
3.根据权利要求2所述的装置，其中，确定所述车队故障概率包括基于所述目标部件的当前寿命和所述剩余使用寿命来确定总寿命预测。
4.根据权利要求3所述的装置，其中，所述一个或更多个存储器设备还被配置为在其上存储指令，所述指令在由所述一个或更多个处理器执行时，使所述一个或更多个处理器确定具有相关联的可能性百分比的预测故障行驶里程。
5.根据权利要求4所述的装置，其中，所述一个或更多个存储器设备还被配置为在其上存储指令，所述指令在由所述一个或更多个处理器执行时，使所述一个或更多个处理器接收阈值故障率并查询所述预测故障行驶里程以确定预测达到所述故障率的时间。
6.根据权利要求5所述的装置，其中，所述预测性维护计划基于预测将达到所述故障率的确定来提供对所述目标部件的维护的建议。
7.根据权利要求1所述的装置，其中，所述一个或更多个存储器设备还被配置为在其上存储指令，所述指令在由所述一个或更多个处理器执行时，使所述一个或更多个处理器生成指示在未来预定时间段内计划的维护的报告。
8.根据权利要求7所述的装置，其中，所述报告标识在所述时间段内计划进行维护的每个部件。
9.根据权利要求1所述的装置，其中，所述车辆模型接收数据湖信息，所述数据湖信息包括可靠性信息、保修索赔、制造商信息、维修索赔历史、天气信息、车队车辆诊断信息、行程摘要、路线信息或交通信息中的至少一个。
10.根据权利要求1所述的装置，其中，所述车辆信息特定于车辆、发动机或单个部件中的至少一个，并且包括以下至少一个：序列号；车型年份；投入使用的日期；原始设备制造商；车辆长度；车辆使用情况；维修历史，所述维修历史包括以前的维修、过去的故障代码或更换的零件；环境历史，所述环境历史包括环境温度、环境压力和相对湿度；占空比，所述占空比包括采样率或占空比、使用率、发动机小时数和里程表读数；或历史诊断信息。
11.根据权利要求1所述的装置，还包括应用，所述应用可通信地耦合到所述一个或更多个处理电路，并且被构造成提供多个预测性维护间隔并显示与每个预测性维护间隔相关联的每单位距离的成本。
12.根据权利要求11所述的装置，其中，所述多个预测性维护间隔是预定义的。
13.根据权利要求11所述的装置，其中，所述一个或更多个存储器设备还被配置成在其上存储指令，所述指令在由所述一个或更多个处理器执行时，使所述一个或更多个处理器：
从所述应用接收所述多个预测性维护间隔，以及
使用所述车辆模型生成所述每单位距离的成本。
14.根据权利要求1所述的装置，还包括应用，所述应用可通信地耦合到所述一个或更多个处理电路，并且被构造成提供多个预测性维护间隔并显示与每个预测性维护间隔相关联的每车辆事件数值。
15.根据权利要求1所述的装置，还包括应用，所述应用可通信地耦合到所述一个或更多个处理电路，并且被构造成提供多个预测性维护间隔，并且显示与每个预测性维护间隔相关联的避免道路维修的百分比或部件故障之间的平均距离中的至少一个。
16.一种系统，包括：
一个或更多个处理电路，其包括耦合到一个或更多个处理器的一个或更多个存储器设备，所述一个或更多个存储器设备被配置为在其上存储指令，所述指令在由所述一个或更多个处理器执行时，使所述一个或更多个处理器：
接收车辆信息和车队信息，
基于所接收的车辆信息和车队信息开发分析模型，
使用所述分析模型确定预测的部件寿命，
基于所述预测的部件寿命确定预测性维护间隔，以及
生成指示在所述预测性维护间隔内计划的维护的报告；以及应用，其可通信地耦合到所述一个或更多个处理电路，并且被构造成提供所述预测性维护间隔并显示所述报告。
17.根据权利要求16所述的系统，其中，确定所述预测的部件寿命包括：
使用所述分析模型确定目标部件的剩余使用寿命，
基于所述目标部件的当前寿命和所述剩余使用寿命来确定总寿命预测，以及
从所述应用接收阈值故障率，并基于所述剩余使用寿命确定预测达到所述阈值故障率的时间。
18.根据权利要求17所述的系统，其中，所述报告中所指示的计划维护基于预测达到所述故障率的确定。
19.根据权利要求16所述的系统，其中，所述一个或更多个存储器设备还被配置成在其上存储指令，所述指令在由所述一个或更多个处理器执行时，使所述一个或更多个处理器：
使用所述分析模型生成每单位距离成本指示符、每车辆事件数指示符、避免道路呼叫指示符或部件故障之间的平均距离指示符中的至少一个，以及
其中，所述报告包括所述每单位距离成本指示符、所述每车辆事件数指示符、所述避免道路呼叫指示符或所述部件故障之间的平均距离指示符中的至少一个。
20.一种方法，包括：
接收车辆信息和车队信息，
基于所接收的车辆信息和车队信息开发分析模型，
使用所述分析模型并基于目标部件的当前寿命和所述目标部件的剩余使用寿命来确定总寿命预测；
接收阈值故障率；
基于所述总寿命预测确定预测达到所述阈值故障率的时间；
基于所述总寿命预测确定预测性维护间隔；
生成指示在所述预测性维护间隔内计划的维护并指示基于所述总寿命预测来预测达到所述阈值故障率的时间的报告；以及
显示所述报告。
CN202180067948.7A 2020-10-01 2021-09-29 预防性维护和使用寿命分析工具 Pending CN116324638A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
IN202041042848 2020-10-01
IN202041042848 2020-10-01
PCT/US2021/052686 WO2022072522A1 (en) 2020-10-01 2021-09-29 Preventative maintenance and useful life analysis tool

Publications (1)

Publication Number Publication Date
CN116324638A true CN116324638A (zh) 2023-06-23

Family

ID=80951814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180067948.7A Pending CN116324638A (zh) 2020-10-01 2021-09-29 预防性维护和使用寿命分析工具

Country Status (4)

Country Link
US (1) US20230237445A1 (zh)
EP (1) EP4222561A4 (zh)
CN (1) CN116324638A (zh)
WO (1) WO2022072522A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11995616B2 (en) * 2020-10-09 2024-05-28 ANI Technologies Private Limited Asset health management for vehicles
US20240303611A1 (en) * 2023-03-09 2024-09-12 Cummins Power Generation Inc. Systems and methods for generating a service recommendation

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8560368B1 (en) * 2011-11-18 2013-10-15 Lockheed Martin Corporation Automated constraint-based scheduling using condition-based maintenance
US9430882B2 (en) * 2013-10-11 2016-08-30 Kenton Ho Computerized vehicle maintenance management system with embedded stochastic modelling
US9881428B2 (en) * 2014-07-30 2018-01-30 Verizon Patent And Licensing Inc. Analysis of vehicle data to predict component failure
US10726644B2 (en) * 2017-12-22 2020-07-28 Lyft, Inc. Fleet maintenance management for autonomous vehicles
WO2020112337A1 (en) * 2018-11-26 2020-06-04 Exxonmobil Research And Engineering Company Predictive maintenance

Also Published As

Publication number Publication date
EP4222561A4 (en) 2024-10-23
EP4222561A1 (en) 2023-08-09
WO2022072522A1 (en) 2022-04-07
US20230237445A1 (en) 2023-07-27

Similar Documents

Publication Publication Date Title
US7899591B2 (en) Predictive monitoring for vehicle efficiency and maintenance
US10410440B2 (en) Distributed system and method for monitoring vehicle operation
US20240176341A1 (en) Vehicle prognostic tool
US20230237445A1 (en) Preventative maintenance and useful life analysis tool
US6609051B2 (en) Method and system for condition monitoring of vehicles
US8296252B2 (en) Process and apparatus for evaluating operational risks for aiding in vehicular maintenance decisions
US8732112B2 (en) Method and system for root cause analysis and quality monitoring of system-level faults
US20160078695A1 (en) Method and system for managing a fleet of remote assets and/or ascertaining a repair for an asset
US10540831B2 (en) Real-time on-board diagnostics (OBD) output parameter-based commercial fleet maintenance alert system
US8478479B2 (en) Predicting time to maintenance by fusion between modeling and simulation for electronic equipment on board an aircraft
US9530256B2 (en) Generating cumulative wear-based indicators for vehicular components
US20140052499A1 (en) Telenostics performance logic
EP2277778A2 (en) Vehicle health management systems and methods with predicted diagnostic indicators
CN109724812B (zh) 车辆故障预警的方法、装置、存储介质和终端设备
AU2023274062A1 (en) System for analyzing machine data
Mesgarpour et al. Overview of telematics-based prognostics and health management systems for commercial vehicles
CN114582043B (zh) 提供最不可能和最有可能的原因信息的包括集成诊断模型的选择性健康信息报告系统
US20230245239A1 (en) Systems and methods for modeling item damage severity
US12067535B2 (en) Method for directing, scheduling, and facilitating maintenance requirements for autonomous vehicle
Pipe Practical prognostics for condition based maintenance
JP2021196678A (ja) 分散システム
CN114580842B (zh) 交通工具的签派可靠度分析方法、装置和计算机设备
Makarova et al. Improving the Branded Service of Vehicles with Intelligent Driver Assistance Systems
CN111143752B (zh) 一种电动车辆的安全重要度的计算方法以及电动车辆
Palem M2M Telematics & Predictive Analytics

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