CN116588126A - 用于车辆运动控制健康监测和缓解的架构和方法 - Google Patents

Abstract

一种机动车辆运动控制健康监测系统包括安置在机动车辆上的传感器和致动器。传感器测量关于机动车辆的实时静态和动态遥测数据，并且致动器改变机动车辆的静态和动态行为。控制模块具有处理器、存储器和输入/输出(I/O)端口。处理器执行存储在存储器中的程序代码部分，程序代码部分包括：离线部分，所述离线部分从机动车辆收集遥测数据、对遥测数据实施故障分析并基于故障分析分配任务；以及在线部分，所述在线部分分析遥测数据以寻找特定传感器、致动器或利用传感器和/或致动器系统的功能内的故障。在线部分通过向机动车辆运动控制系统的一个或多个传感器、致动器和/或功能发送校正来缓解遥测数据的偏差。

Description

用于车辆运动控制健康监测和缓解的架构和方法

技术领域

本公开涉及用于车辆运动控制的系统和方法，并且更具体来说涉及用于管理车辆运动控制的性能的系统和方法。

背景技术

机动车辆运动控制系统管理各种环境和路面条件下纵向和横向加速度、俯仰、滚转和偏航方面的车辆性能。此类机动车辆运动控制系统复杂，具有大量彼此交互的功能。因此，潜在性能降级或者甚至功能故障可能传播到其他功能并导致系统性能劣化或者甚至系统故障。

因此，虽然当前机动车辆运动控制系统实现其预期目的，但是需要如下用于机动车辆运动控制管理的新的和经改进的系统和方法：其减少计算资源的负担，增加系统的可靠性和稳健性以及冗余，提供用于缓解系统部件劣化和故障、同时维持或减少成本和复杂性的手段，并且改善机动车辆运动控制。

发明内容

根据本公开的数个方面，一种机动车辆运动控制健康监测系统包括安置在机动车辆上的一个或多个传感器。所述一个或多个传感器测量关于机动车辆的实时静态和动态遥测数据。系统进一步包括安置在机动车辆上的一个或多个致动器，所述一个或多个致动器改变机动车辆的静态和动态行为。系统的控制模块具有处理器、存储器和与一个或多个传感器和一个或多个致动器通信的输入/输出(I/O)端口。控制模块执行存储在存储器中的程序代码部分，程序代码部分包括：离线程序代码部分，离线程序代码部分从机动车辆收集遥测数据、对遥测数据实施故障分析并基于故障分析分配任务；以及在线程序代码部分，在线程序代码部分分析遥测数据以寻找特定传感器和/或致动器和/或利用传感器和/或致动器系统的功能内的故障并通过向机动车辆运动控制系统的一个或多个传感器、致动器和/或功能发送校正来缓解遥测数据的偏差。

在本公开的另一方面中，离线程序代码部分进一步包括第一程序代码部分，第一程序代码部分经由I/O端口从机动车辆运动控制系统的一个或多个传感器、一个或多个致动器和一个或多个功能收集实时静态和动态数据。

在本公开的另一方面中，离线程序代码部分进一步包括第二程序代码部分，第二程序代码部分针对一个或多个传感器、一个或多个致动器和一个或多个功能实施故障模式确定。故障模式确定包括确定一个或多个传感器、一个或多个致动器和/或一个或多个功能是否正经历性能降级、完全故障和/或其中遥测数据包括超出预先限定的阈值噪声值的噪声的故障模式。

在本公开的另一方面中，离线程序代码部分进一步包括第三程序代码部分，第三程序代码部分针对一个或多个传感器、一个或多个致动器和一个或多个功能实施数据准备、生成和收集。数据准备进一步包括：排除、过滤和/或缓冲过程。

在本公开的另一方面中，离线程序代码部分进一步包括第四程序代码部分，第四程序代码部分利用机器学习架构设计来针对来自一个或多个传感器、一个或多个致动器和一个或多个功能的遥测数据生成任务分配方案。机器学习架构进一步包括：用以识别故障模式和分类的基于机器学习和/或人工智能的聚类方法。第四程序代码部分进一步向一个或多个传感器、一个或多个致动器和/或一个或多个功能应用临时或短期缓解并将原始遥测数据发送到云计算系统以供进一步分析。

在本公开的另一方面中，在线程序代码部分进一步包括第五程序代码部分，第五程序代码部分对来自一个或多个传感器、一个或多个致动器和一个或多个功能的遥测数据实施数据排除。

在本公开的另一方面中，在线程序代码部分进一步包括第六程序代码部分，第六程序代码部分检测和预测一个或多个传感器、一个或多个致动器和一个或多个功能内的潜在故障。

在本公开的另一方面中，在线程序代码部分进一步包括第七程序代码部分，第七程序代码部分经由I/O端口在机动车辆和与机动车辆物理分离的云计算系统内的远程控制模块的I/O端口之间通信来自一个或多个传感器、一个或多个致动器和一个或多个功能的遥测数据。

在本公开的另一方面中，在线程序代码部分进一步包括第八程序代码部分，第八程序代码部分通过向一个或多个传感器、一个或多个致动器和一个或多个功能应用经修改的估计器算法和/或经改变的校准校正来缓解来自一个或多个传感器、一个或多个致动器和一个或多个功能的遥测数据的偏差。

在本公开的另一方面中，一种用于机动车辆运动控制系统健康监测的方法包括：借助于安置在机动车辆上的一个或多个传感器测量关于机动车辆的实时静态和动态遥测数据；以及借助于安置在机动车辆上的一个或多个致动器改变机动车辆的静态和动态行为。方法进一步包括利用控制模块，控制模块具有处理器、存储器以及与一个或多个传感器和一个或多个致动器通信的输入/输出(I/O)端口，控制模块执行存储在存储器中的程序代码部分。程序代码部分包括离线程序代码部分和在线程序代码部分。方法进一步包括：通过离线代码部分从机动车辆收集遥测数据；通过离线代码部分对遥测数据实施故障分析；以及通过离线代码部分基于故障分析分配任务。方法进一步包括：通过在线代码部分分析遥测数据以寻找特定传感器、致动器或利用传感器和/或致动器系统的功能内的故障；以及通过在线代码部分通过向机动车辆运动控制系统的一个或多个传感器、致动器和/或功能发送校正来缓解遥测数据的偏差。

在本公开的另一方面中，方法包括通过离线代码部分经由I/O端口从机动车辆运动控制系统的一个或多个传感器、一个或多个致动器和一个或多个功能收集实时静态和动态数据。

在本公开的另一方面中，方法进一步包括通过离线代码部分针对一个或多个传感器、一个或多个致动器和一个或多个功能实施故障模式确定，其中故障模式确定包括确定一个或多个传感器、一个或多个致动器和/或一个或多个功能是否正经历性能降级、完全故障和/或其中遥测数据包括超出预先限定的阈值噪声值的噪声的故障模式。

在本公开的另一方面中，方法进一步包括通过离线代码部分针对一个或多个传感器、一个或多个致动器和一个或多个功能实施数据准备、生成和收集，其中数据准备进一步包括：排除、过滤和/或缓冲过程。

在本公开的另一方面中，方法进一步包括通过离线代码部分利用机器学习架构设计来针对来自一个或多个传感器、一个或多个致动器和一个或多个功能的遥测数据生成任务分配方案。机器学习架构进一步包括：用以识别故障模式和分类的基于机器学习和/或人工智能的聚类方法。

在本公开的另一方面中，方法进一步包括向一个或多个传感器、一个或多个致动器和/或一个或多个功能应用临时或短期缓解并将原始遥测数据发送到云计算系统以供进一步分析。

在本公开的另一方面中，方法进一步包括通过在线代码部分对来自一个或多个传感器、一个或多个致动器和一个或多个功能的遥测数据实施数据排除。

在本公开的另一方面中，方法进一步包括通过在线代码部分检测和预测一个或多个传感器、一个或多个致动器和一个或多个功能内的潜在故障。

在本公开的另一方面中，方法进一步包括通过在线代码部分经由I/O端口在机动车辆和与机动车辆物理分离的云计算系统内的远程控制模块的I/O端口之间通信来自一个或多个传感器、一个或多个致动器和一个或多个功能的遥测数据。

在本公开的另一方面中，方法进一步包括通过在线代码部分通过向一个或多个传感器、一个或多个致动器和一个或多个功能应用经修改的估计器算法和/或经改变的校准校正来缓解来自一个或多个传感器、一个或多个致动器和一个或多个功能的遥测数据的偏差。

在本公开的另一方面中，一种用于机动车辆运动控制系统健康监测的方法进一步包括：借助于安置在机动车辆上的一个或多个传感器测量关于机动车辆的实时静态和动态遥测数据；以及借助于安置在机动车辆上的一个或多个致动器改变机动车辆的静态和动态行为。方法进一步包括利用控制模块，控制模块具有处理器、存储器以及与一个或多个传感器和一个或多个致动器通信的输入/输出(I/O)端口，控制模块执行存储在存储器中的程序代码部分。程序代码部分包括离线程序代码部分和在线程序代码部分。方法进一步包括通过离线代码部分经由I/O端口从机动车辆收集遥测数据，包括来自机动车辆运动控制系统的一个或多个传感器、一个或多个致动器和一个或多个功能的实时静态和动态数据。方法进一步包括通过离线代码部分针对一个或多个传感器、一个或多个致动器和一个或多个功能实施数据准备、生成和收集，其中数据准备进一步包括排除、过滤和/或缓冲过程。方法进一步包括通过离线代码部分针对一个或多个传感器、一个或多个致动器和一个或多个功能实施故障模式确定。故障模式确定包括确定一个或多个传感器、一个或多个致动器和/或一个或多个功能是否正经历性能降级、完全故障和/或其中遥测数据包括超出预先限定的阈值噪声值的噪声的故障模式。方法进一步包括通过离线代码部分内的机器学习架构基于故障分析分配任务。机器学习架构进一步包括：识别故障模式和分类的基于机器学习和/或人工智能的聚类方法。在线代码部分分析遥测数据以寻找特定传感器、致动器或利用传感器和/或致动器系统的功能内的故障。在线代码部分对来自一个或多个传感器、一个或多个致动器和一个或多个功能的遥测数据实施数据排除。在线代码部分检测和预测一个或多个传感器、一个或多个致动器和一个或多个功能内的潜在故障。在线代码部分经由I/O端口在机动车辆和与机动车辆物理分离的云计算系统内的远程控制模块的I/O端口之间通信来自一个或多个传感器、一个或多个致动器和一个或多个功能的遥测数据。在线代码部分通过发送校正来缓解来自一个或多个传感器、一个或多个致动器和一个或多个功能的遥测数据的偏差，包括向一个或多个传感器、一个或多个致动器和一个或多个功能应用经修改的估计器算法和/或经改变的校准校正。

根据本文中提供的描述，其他适用领域将变得显而易见。应理解，描述和具体示例仅旨在用于图示目的，并且并不旨在限制本公开的范围。

本发明还包括如下技术方案。

技术方案1. 一种机动车辆运动控制健康监测系统，其包括：

安置在机动车辆上的一个或多个传感器，所述一个或多个传感器测量关于机动车辆的实时静态和动态遥测数据；

安置在机动车辆上的一个或多个致动器，所述一个或多个致动器改变机动车辆的静态和动态行为；

控制模块，所述控制模块具有处理器、存储器以及与一个或多个传感器和一个或多个致动器通信的输入/输出(I/O)端口，所述控制模块执行存储在存储器中的程序代码部分，所述程序代码部分包括：

离线程序代码部分，所述离线程序代码部分从机动车辆收集遥测数据、对遥测数据实施故障分析并基于故障分析分配任务；以及

在线程序代码部分，所述在线程序代码部分分析遥测数据以寻找特定传感器、致动器或利用传感器和/或致动器系统的功能内的故障并通过向机动车辆运动控制系统的一个或多个传感器、致动器和/或功能发送校正来缓解遥测数据的偏差。

技术方案2. 根据技术方案1所述的系统，其中，离线程序代码部分进一步包括：

第一程序代码部分，所述第一程序代码部分经由I/O端口从机动车辆运动控制系统的一个或多个传感器、一个或多个致动器和一个或多个功能收集实时静态和动态数据。

技术方案3. 根据技术方案1所述的系统，其中，离线程序代码部分进一步包括：

第二程序代码部分，所述第二程序代码部分针对一个或多个传感器、一个或多个致动器和一个或多个功能实施故障模式确定，其中，故障模式确定包括确定一个或多个传感器、一个或多个致动器和/或一个或多个功能是否正经历性能降级、完全故障和/或遥测数据包括超出预先限定的阈值噪声值的噪声的故障模式。

技术方案4. 根据技术方案1所述的系统，其中，离线程序代码部分进一步包括：

第三程序代码部分，所述第三程序代码部分针对一个或多个传感器、一个或多个致动器和一个或多个功能实施数据准备、生成和收集，其中，数据准备进一步包括：排除、过滤和/或缓冲过程。

技术方案5. 根据技术方案1所述的系统，其中，离线程序代码部分进一步包括：

第四程序代码部分，所述第四程序代码部分利用机器学习架构设计来针对来自一个或多个传感器、一个或多个致动器和一个或多个功能的遥测数据生成任务分配方案，其中，机器学习架构进一步包括：用以识别故障模式和分类的基于机器学习和/或人工智能的聚类方法，并且其中，第四程序代码部分进一步向一个或多个传感器、一个或多个致动器和/或一个或多个功能应用临时或短期缓解并将原始遥测数据发送到云计算系统以供进一步分析。

技术方案6. 根据技术方案1所述的系统，其中，在线程序代码部分进一步包括：

第五程序代码部分，所述第五程序代码部分对来自一个或多个传感器、一个或多个致动器和一个或多个功能的遥测数据实施数据排除。

技术方案7. 根据技术方案1所述的系统，其中，在线程序代码部分进一步包括：

第六程序代码部分，所述第六程序代码部分检测和预测一个或多个传感器、一个或多个致动器和一个或多个功能内的潜在故障。

技术方案8. 根据技术方案1所述的系统，其中，在线程序代码部分进一步包括：

第七程序代码部分，所述第七程序代码部分经由I/O端口在机动车辆和与机动车辆物理分离的云计算系统内的远程控制模块的I/O端口之间通信来自一个或多个传感器、一个或多个致动器和一个或多个功能的遥测数据。

技术方案9. 根据技术方案1所述的系统，其中，在线程序代码部分进一步包括：

第八程序代码部分，所述第八程序代码部分通过向一个或多个传感器、一个或多个致动器和一个或多个功能应用经修改的估计器算法和/或经改变的校准校正来缓解来自一个或多个传感器、一个或多个致动器和一个或多个功能的遥测数据的偏差。

技术方案10. 一种用于机动车辆运动控制系统健康监测的方法，所述方法包括：

借助于安置在机动车辆上的一个或多个传感器测量关于机动车辆的实时静态和动态遥测数据；

借助于安置在机动车辆上的一个或多个致动器改变机动车辆的静态和动态行为；

利用控制模块，所述控制模块具有处理器、存储器以及与一个或多个传感器和一个或多个致动器通信的输入/输出(I/O)端口，所述控制模块执行存储在存储器中的程序代码部分，其中，程序代码部分包括离线程序代码部分和在线程序代码部分；

通过离线代码部分从机动车辆收集遥测数据；

通过离线代码部分对遥测数据实施故障分析；以及

通过离线代码部分基于故障分析分配任务；

通过在线代码部分分析遥测数据以寻找特定传感器、致动器或利用传感器和/或致动器系统的功能内的故障；以及

通过在线代码部分通过向机动车辆运动控制系统的一个或多个传感器、致动器和/或功能发送校正来缓解遥测数据的偏差。

技术方案11. 根据技术方案10所述的方法，其进一步包括：

通过离线代码部分经由I/O端口从机动车辆运动控制系统的一个或多个传感器、一个或多个致动器和一个或多个功能收集实时静态和动态数据。

技术方案12. 根据技术方案10所述的方法，其进一步包括：

通过离线代码部分针对一个或多个传感器、一个或多个致动器和一个或多个功能实施故障模式确定，其中，故障模式确定包括确定一个或多个传感器、一个或多个致动器和/或一个或多个功能是否正经历性能降级、完全故障和/或遥测数据包括超出预先限定的阈值噪声值的噪声的故障模式。

技术方案13. 根据技术方案10所述的方法，其进一步包括：

通过离线代码部分针对一个或多个传感器、一个或多个致动器和一个或多个功能实施数据准备、生成和收集，其中，数据准备进一步包括：排除、过滤和/或缓冲过程。

技术方案14. 根据技术方案10所述的方法，其进一步包括：

通过离线代码部分利用机器学习架构设计来针对来自一个或多个传感器、一个或多个致动器和一个或多个功能的遥测数据生成任务分配方案，其中，机器学习架构进一步包括：用以识别故障模式和分类的基于机器学习和/或人工智能的聚类方法。

技术方案15. 根据技术方案10所述的方法，其进一步包括：

向一个或多个传感器、一个或多个致动器和/或一个或多个功能应用临时或短期缓解并将原始遥测数据发送到云计算系统以供进一步分析。

技术方案16. 根据技术方案10所述的方法，其进一步包括：

通过在线代码部分对来自一个或多个传感器、一个或多个致动器和一个或多个功能的遥测数据实施数据排除。

技术方案17. 根据技术方案10所述的方法，其进一步包括：

通过在线代码部分检测和预测一个或多个传感器、一个或多个致动器和一个或多个功能内的潜在故障。

技术方案18. 根据技术方案10所述的方法，其进一步包括：

通过在线代码部分经由I/O端口在机动车辆和与机动车辆物理分离的云计算系统内的远程控制模块的I/O端口之间通信来自一个或多个传感器、一个或多个致动器和一个或多个功能的遥测数据。

技术方案19. 根据技术方案10所述的方法，其进一步包括：

通过在线代码部分通过向一个或多个传感器、一个或多个致动器和一个或多个功能应用经修改的估计器算法和/或经改变的校准校正来缓解来自一个或多个传感器、一个或多个致动器和一个或多个功能的遥测数据的偏差。

技术方案20. 一种用于机动车辆运动控制系统健康监测的方法，所述方法包括：

借助于安置在机动车辆上的一个或多个传感器测量关于机动车辆的实时静态和动态遥测数据；

借助于安置在机动车辆上的一个或多个致动器改变机动车辆的静态和动态行为；

利用控制模块，所述控制模块具有处理器、存储器以及与一个或多个传感器和一个或多个致动器通信的输入/输出(I/O)端口，控制模块执行存储在存储器中的程序代码部分，其中，程序代码部分包括离线程序代码部分和在线程序代码部分；

通过离线代码部分经由I/O端口从机动车辆收集遥测数据，包括来自机动车辆运动控制系统的一个或多个传感器、一个或多个致动器和一个或多个功能的实时静态和动态数据；

通过离线代码部分针对一个或多个传感器、一个或多个致动器和一个或多个功能实施数据准备、生成和收集，其中，数据准备进一步包括排除、过滤和/或缓冲过程；

通过离线代码部分针对一个或多个传感器、一个或多个致动器和一个或多个功能实施故障模式确定，其中，故障模式确定包括确定一个或多个传感器、一个或多个致动器和/或一个或多个功能是否正经历性能降级、完全故障和/或遥测数据包括超出预先限定的阈值噪声值的噪声的故障模式；

通过离线代码部分内的机器学习架构基于故障模式确定分配任务，其中，机器学习架构进一步包括：识别故障模式和分类的基于机器学习和/或人工智能的聚类方法；

通过在线代码部分分析遥测数据以寻找特定传感器、致动器或利用传感器和/或致动器系统的功能内的故障；以及

通过在线代码部分对来自一个或多个传感器、一个或多个致动器和一个或多个功能的遥测数据实施数据排除；

通过在线代码部分检测和预测一个或多个传感器、一个或多个致动器和一个或多个功能内的潜在故障；

通过在线代码部分经由I/O端口在机动车辆和与机动车辆物理分离的云计算系统内的远程控制模块的I/O端口之间通信来自一个或多个传感器、一个或多个致动器和一个或多个功能的遥测数据；以及

通过在线代码部分通过发送校正来缓解来自一个或多个传感器、一个或多个致动器和一个或多个功能的遥测数据的偏差，包括向一个或多个传感器、一个或多个致动器和一个或多个功能应用经修改的估计器算法和/或经改变的校准校正。

附图说明

本文中描述的附图仅用于图示目的，并且并不旨在以任何方式限制本公开的范围。

图1是根据本公开的方面的用于车辆运动控制健康监测和缓解的系统和方法的示意图；

图2A是绘示根据本公开的方面的图1的用于车辆运动控制健康监测和缓解的系统和方法的概述的流程图；

图2B是绘示根据本公开的方面的在图2A的车辆运动控制健康监测和缓解的系统和方法中对遥测数据进行分组的一组逻辑步骤的流程图；并且

图2C是绘示根据本公开的方面的用于图2A的车辆运动控制健康监测和缓解的系统和方法的训练算法的流程图。

具体实施方式

以下描述本质上仅是示例性的，并且并不旨在限制本公开、应用或用途。

参考图1，示出机动车辆运动控制(VMC)健康监测系统10。系统10在一个或多个机动车辆12上操作。机动车辆12被示出为汽车，但是应该了解，机动车辆12可以是小型货车、公共汽车、牵引式挂车、半挂车、SUV、卡车、自行车、电动自行车、三轮车、摩托车、飞机、直升机、水陆两用车辆或任何其他此类车辆，而不背离本公开的范围或意图。在图1中所示的示例中，机动车辆12配备有动力传动系14，其能够将原动力传输到机动车辆的车轮16和固定到车轮16的轮胎18。动力传动系14可以包括多种部件，诸如内燃发动机(ICE) 20和/或电动马达22，以及能够将扭矩从ICE 20和/或电动马达22传输到车轮16的变速器24。在一个示例中，机动车辆12可以包括作用在机动车辆12的后轴26上的ICE 20以及作用在机动车辆12的前轴28上的一个或多个电动马达22。在另外的示例中，机动车辆12可以使用一个或多个ICE20和/或一个或多个电动马达22，其按另外的配置布置并向前轴28或后轴26或者甚至向机动车辆12的单独车轮16提供扭矩，而不背离本公开的范围或意图。

在数个方面中，动力传动系14包括一个或多个平面内致动器30。平面内致动器30可以包括全轮驱动(AWD)系统（包括电控或电动AWD (eAWD) 32系统），以及限滑差速器(LSD) 34（包括电控或电动LSD (eLSD) 36系统）。平面内致动器30可以在预先确定的能力内在轮胎18处沿X和/或Y方向向路面接触部38生成或修改力生成。eAWD 32系统可以将扭矩从机动车辆12的前部传送到后部和/或从机动车辆12的一侧传送到另一侧。同样地，eLSD36可以将扭矩从机动车辆12的一侧传送到另一侧。在一些示例中，eAWD 32和/或eLSD 36可以直接改变或管理来自ICE 20和/或电动马达22的扭矩递送，和/或eAWD 32和eLSD 36可以作用在制动系统40上以调整递送到机动车辆12的轮胎18中的每一者的扭矩的量。额外的平面内致动器30可以在前轴28和后轴26中的任一者或两者处包括主动转向或电子动力转向(EPS)系统42。主动转向系统或EPS系统42可以主动调整车轮16相对于机动车辆12的纵向轴线的角度。

在进一步的示例中，机动车辆12可以包括经由一个或多个平面外致动器44改变机动车辆12的轮胎18中的每一者上的法向力的装置。机动车辆12的平面外致动器44可以包括能够管理机动车辆12的竖直移动的多种致动器44中的任一者。在数个方面中，平面外致动器44可以包括主动空气动力学致动器46、主动悬架致动器48等等。主动空气动力学致动器46可以经由一个或多个主动空气动力学元件49（诸如翼片、扰流板、风扇或其他抽吸设备、主动管理的文氏管风洞、分流器等等）主动或被动地改变机动车辆的空气动力学轮廓。主动悬架致动器48调整悬架行程、弹簧刚度和阻尼特性。在一些示例中，主动悬架致动器48可以包括磁流变阻尼器、气动阻尼器或弹簧或者其他此类电力、水力或气动调整的阻尼器或弹簧，而不背离本公开的范围或意图。

术语“向前”、“后部”、“内部”、“向内”、“外部”、“向外”、“在…上方”和“在…下方”是相对于机动车辆12的取向使用的术语，如本申请的附图中所示。因此，“向前”是指朝向机动车辆12的前部的方向，“向后”是指朝向机动车辆12的后部的方向。“左侧”是指相对于机动车辆12的前部朝向机动车辆12的左手侧的方向。类似地，“右侧”是指相对于机动车辆12的前部朝向机动车辆12的右手侧的方向。“内部”和“向内”是指朝向机动车辆12的内部的方向，并且“外部”和“向外”是指朝向机动车辆12的外部的方向，“在…下方”是指朝向机动车辆12的底部的方向，并且“在…上方”是指朝向机动车辆12的顶部的方向。进一步，术语“顶部”、“在…之上”、“底部”、“侧面”和“在…上方”是相对于致动器的取向使用的术语，并且机动车辆12更广泛地示出在本申请的附图中。因此，虽然致动器52或机动车辆12的取向可以关于给定用途改变，但是这些术语旨在仍相对于附图中所示的系统10的部件和机动车辆12部件的取向适用。

系统10进一步包括一个或多个控制器50。控制器50是非通用电子控制设备，其具有预编程数字计算机或处理器52、用于存储数据（诸如控制逻辑、软件应用、指令、计算机代码、数据、查找表等等）的非暂时性计算机可读介质或存储器54，以及输入/输出(I/O)端口56。计算机可读介质或存储器54包括能够由计算机存取的任何类型的介质，诸如只读存储器(ROM)、随机存取存储器(RAM)、硬盘驱动器、固态存储器、压缩光盘(CD)、数字视频光盘(DVD)或任何其他类型的存储器54。非暂时性计算机可读存储器54排除传输暂时性电气或其他信号的有线、无线、光学或其他通信链路。非暂时性计算机可读存储器54包括数据可以永久存储的介质和数据可以被存储并稍后重写的介质，诸如可重写光盘或可擦除存储器设备。计算机代码包括任何类型的程序代码，包括源代码、目标代码和可执行代码。处理器52被配置成执行代码或指令。机动车辆12可以具有控制器50，包括专用Wi-Fi控制器、发动机控制模块、变速器控制模块、车身控制模块、悬架控制模块、制动控制模块、信息娱乐控制模块等等。I/O端口56可以被配置成经由有线通信进行通信，根据IEEE 802.11x、蜂窝链路、卫星链路等等经由Wi-Fi协议无线地通信，而不背离本公开的范围或意图。

车载控制器50进一步包括一个或多个应用68。应用68是被配置成实施特定功能或一组功能的软件程序。应用68可以包括一个或多个计算机程序、软件部件、指令集、过程、功能、对象、类、例子、相关数据或其适于以合适的计算机可读程序代码实现的部分。应用68可以存储在存储器54内或者另外或单独的存储器54中。在数个方面中，应用68可以管理示例性机动车辆12中的动力传动系系统功能、悬架系统功能、制动系统功能、空气动力学系统功能和/或车身控制系统功能。

管理机动车辆12中的动力传动系系统功能、悬架系统功能、制动系统功能、空气动力学系统功能和车身控制系统功能的应用68从安置在机动车辆12上的一组传感器70接收静态和/或动态车辆状态信息或传感数据。传感器70可以包括多种传感器中的任一者，包括惯性测量单元(IMU) 72、诸如半主动阻尼悬架(SADS) 74的悬架控制单元、全球定位系统(GPS) 76传感器、车轮速度传感器78、油门位置传感器80、加速踏板位置传感器82、制动踏板位置传感器84、转向位置传感器86、轮胎压力监测传感器88、空气动力学元件位置传感器90等等。IMU 72以数个自由度测量移动、加速度等等。在具体示例中，IMU 72可以以三个或更多个自由度测量位置、移动、加速度等等。同样地，SADS 74传感器可以是能够以三个或更多个自由度进行测量的IMU 72。在一些更具体的示例中，SADS 74可以是悬架轮毂加速度计等等。因此，传感数据可以包括但不限于：车轮16速度数据、SADS 74和IMU 72数据，包括姿态、加速度等等。

传感数据经由I/O端口56传输到控制器50，在控制器50处，应用68利用关于机动车辆12的传感数据来确定要实现特定机动车辆12状态，平面内致动器30和平面外致动器44的位置应该是什么。

系统10进一步包括非车载或远程计算系统92。远程计算系统92可以包括在架构设计上大致类似于本文中描述的那些的一个或多个非车载或远程控制器50’。即，远程控制器50’包括数字处理器52’、计算机可读存储器54’和I/O端口56’。远程计算系统92的存储器54’存储可由数字处理器52’执行的一个或多个应用68’，并且远程计算系统92的I/O端口56’与机动车辆12的控制器50的I/O端口56通信。

现在转向图2A和图2B，并且继续参考图1，用于马达VMC健康监测的系统10在框100收集关于机动车辆12的数据。更具体来说，在框100处，系统10利用一个或多个车载应用68和一个或多个非车载或远程应用68’内的传感数据来检测或预测各种传感器70和/或平面内和平面外致动器30、44中的潜在故障。为解决大规模VMC，在车载和远程应用68、68’内利用基于结构化机器学习(ML)的架构。ML架构大致由离线阶段102或离线程序代码部分和在线阶段104或在线代码部分组成。离线阶段102实施对来自各种传感器70以及平面内和平面外致动器30、44的传感数据的数据准备、收集和标记的第一步骤106。在离线阶段102的第一步骤106中，系统10针对机动车辆的每一功能设置故障模式。例如，IMU 72或车轮速度传感器78或致动器（诸如电动马达22、EPS 42、变速器24、ICE 20等等）基于预先限定的参数或领域知识具有个性化故障模式和系统故障模式。在数个方面中，离线阶段102的第一步骤106还利用基于机器学习(ML)和/或人工智能(AI)的聚类方法来识别故障模式和分类，即使在单个物理系统可能不处于故障状态的情况下也是如此，但是结合其他物理系统或软件功能的状态，更广泛的VMC系统可能处于故障状态。在软件故障的示例中，故障模式可能是性能降级，其可以被进一步细分成多个降级级别，或者故障模式可能是完全故障，或者故障模式可以仅是数据中超出预先限定的阈值的噪声。然后，可以基于因果关系对故障模式进行分类。例如，软件故障可以归因于输入错误、诸如未建模动力学等算法问题、校准问题等等。然后，系统10分析数据，包括系统输入信号、系统10输出信号和来自内部系统10检查步骤的检查点信号。

随后，系统10实施离线阶段102的第二步骤108，其中系统针对未发生故障的理想化场景收集一组数据。根据每一特定功能的故障模式，系统10将人为故障应用于每一输入和/或模型。然后，系统10收集每一功能或特征的输入和输出并且在离线阶段102的第三步骤110中利用这些输入和输出。

在离线阶段102的第三步骤110中，利用结构化多群组ML/AI架构来监测VMC系统功能、特征和硬件的状态。第三步骤110进一步基于功能、特征和硬件对机动车辆12的操作、并且更具体来说对VMC的关键性来对功能、特征和硬件进行分类和分组。在数个方面中，特征可以包括经由AWD或eAWD 32、LSD 34和/或eLSD 36等等在前轴28和后轴26之间和/或在单独车轮16之间的扭矩矢量化。

到每一群组的输入由来自各种传感器70以及平面内和平面外致动器30、44的直接测量结果或对测量结果的估计组成。对测量结果的估计可以被认为是虚拟传感器。即，通过解释来自一个或多个传感器70以及平面内和平面外致动器30、44的数据，可以间接搜集额外的VMC信息。间接搜集的信息可能与机动车辆12和VMC系统的特定物理或功能条件相关。另外，确定每一群组的准确度的置信水平。置信水平提供对群组中的每一者的准确度的量度，并且用于在涉及群组中的每一者的加权计算中提供权重。

优先级和关键性决定在每一群组中放置哪些功能、特征和硬件。更具体来说，对功能、特征和硬件的优先化允许系统10确定关于可能故障等等的计算过程是否应该在一个或多个机动车辆12控制器50内或一个或多个远程控制器50’（诸如安置在云计算系统内的控制器50’）内本地执行。

在优先化示例中，系统10从车轮速度传感器78、转向位置传感器86、IMU 72、诸如车辆速度功能、车轮16控制功能等等一个或多个功能中的一者或多者接收传感数据。由于前述传感器、特征和功能中的每一者直接关联机动车辆12控制和安全，因此这些传感器、特征和功能可以被指定为属于优先级#1群组内。同样地，诸如EPS 42扭矩传感器的传感器、诸如轮胎18力估计的功能和诸如AWD 32、LSD 34、eLSD 36等等特征可以被指定为属于优先级#2群组内。来自额外传感器、特征和功能的数据可以被类似地分组到较低优先级群组中，这取决于由优先级#N分组指示的各种因素，诸如包括雨量传感器（未示出）、弹簧刚度降级功能和诸如敏捷性增强的特征的那些。

现在转向图2C、特别并且继续参考图1-图2B，示出绘示在车载控制器50和远程或基于云的控制器50’之间分割计算负担的训练算法200的流程图。训练算法200是根据以上描述的应用68、68’。更具体来说，在框202处，初始化或开始训练算法200。在框204处，训练算法200在覆盖预先限定的时间量的快照内从机动车辆12上的传感器70读取原始数据。预先限定的时间量可以变化，但是通常应该被理解成包括足以使传感器70以及平面内和平面外致动器30、44生成数据的时间量。即，传感器70以及平面内和平面外致动器30、44中的每一者的响应时间用于确定限定快照的时间长度。快照在被传输或处理之前临时存储在车载控制器50内的存储器54中，例如RAM中的循环缓冲器内。在框206处，训练算法200准备数据以供进一步分析。数据准备可以包括各种不同过程，诸如排除和/或过滤和/或缓冲过程等等。在框208处，通过训练算法200从数据准备获得准备好或经处理的数据。在框210处，训练算法200确定传感器70、平面内和平面外致动器30、44、一个或多个特征和一个或多个功能中的一者或多者的数据是否具有低于预先限定或者ML设置或调整的偏差阈值的偏差。如果在框210处，数据低于偏差阈值，则训练算法200返回到框204，在框204处，在新快照内及时再次读取原始传感器数据。

然而，如果数据高于偏差阈值，则训练算法200进行到框212，在框212处，训练算法200确定数据的偏差是否等于或高于偏差阈值，并且另外确定偏差是否低于预先限定的安全阈值。安全阈值可以包括来自排放控制、机动车辆12内的空气质量、横向和/或纵向和/或竖直加速度和速度、转向角、制动特性、扭矩矢量设置等等的多种不同参数中的任一者，而不背离本公开的范围或意图。如果数据的偏差等于或大于偏差阈值并低于安全阈值，则在框214处，将快照的原始传感器数据发送到远程或基于云的控制器50’进行处理以供进一步处理。相反，如果数据的偏差高于安全阈值和/或低于偏差阈值，则训练算法200进行到框216。在框216处，训练算法选择并应用试图解决偏差并使原始传感器数据回到预期值范围内的缓解方法。在框218处，训练算法200运行多种测试情形以确定所选择的缓解方法是否有效，并且然后进行到框214，在框214处，将原始传感器数据以及测试情形信息和缓解方法信息发送到基于云的控制器50’。从框214，训练算法进行回到框204，在框204处，训练算法200继续从机动车辆12上的传感器70以及平面内和平面外致动器30、44连续读取数据。应了解，图2C的训练算法200可以以在线或离线模式和/或实时运行，而不背离本公开的范围或意图。

是从框212进行到框214还是进行到框216的决定基于偏差阈值和安全阈值。应该了解，一般来说，VMC系统产生的数据量大，并且车载控制器50具有有限存储和有限处理能力，而云中的控制器50’具有显著更大存储和处理能力。然而，数据从机动车辆12到云的移动受到机动车辆12和云内的控制器50’之间的通信手段和带宽的限制。因此，一些处理任务在数据处理的在线阶段104中被指派给基于云的控制器50’，而其他处理任务在离线阶段102中被指派给车载控制器50并由其执行。

在一些具体示例中，在线阶段104中的通信方案112部分基于偏差类型（即，是否关联安全考虑）并且部分基于解决数据的偏差所需的计算资源量执行确定以经由车载控制器50或基于云的控制器50’处理数据的偏差。即，机动车辆12内的计算机处理能力受到车载控制器50的硬件的限制，而在基于云的控制器50’中可获得显著更多处理资源。然而，将偏差数据传输到基于云的控制器50’受到车载控制器50和基于云的控制器50’之间的数据连接的带宽的限制。因此，在一些情况下，为使此解决方案切实可行和/或实现维持安全机动车辆12操作所需的快速VMC响应，将偏差数据传输到基于云的控制器50’可能花费太多时间。在偏差是安全关键的情况下，系统10将临时或短期缓解策略应用于数据并继续将原始数据发送到云以供进一步分析。临时或短期缓解策略是基本上解决数据偏差的到达传感器70、平面内和平面外致动器30、44、功能、特征等等的预先限定的输出。预先限定的输出从查找表或具有预先限定的值的其他此类数据库获得。相比之下，当发现非安全关键偏差时，系统10仅将原始数据发送到基于云的控制器50’以供进一步分析，而无需应用短期缓解策略。即，对于非安全关键数据偏差，准确和精确地校正数据的偏差所需的计算资源可以位于云中。

在一些进一步的示例中，可以以混合方式解决数据的偏差。即，诸如回归、曲线拟合过程或奇偶算法的一些处理可以由车载控制器50执行，而额外过程可以在基于云的控制器50’中对回归或曲线拟合数据执行。另外，当快照数据和/或偏差数据被上传到基于云的控制器50’用于待执行非车载评估时，来自每一快照的数据可以通过诸如来自车载传感器70的机动车辆12遥测的实时数据来增强。

在具体示例中，机动车辆12用户可以通过操纵加速踏板、方向盘、制动踏板等等中的一者或多者来操作机动车辆12。到达加速踏板、方向盘或制动踏板的输入由加速踏板位置传感器82、转向位置传感器86和制动踏板位置传感器84读取，并发送到车载控制器50。在车载控制器50内作出关于信号是否在已知阈值内的确定。来自机动车辆12上的其他传感器70的额外信息以及例如GPS位置也被报告给车载控制器50。这些数据限定由驻存在车载控制器50的存储器54内的ML算法或基于模型的算法在车上处理的事件信息。到达ML算法和/或基于模型的算法的数据输入还可以包括行程统计数据，诸如每一传感器70报告的最小和最大值、平均值和标准偏差。然后，车载控制器50根据默认设置决定发出信号和/或数据。在一些情况下，车载控制器50可以与远程控制器50’通信以增加用于通信的信号速率或数据速率以解决特别危急的情况。即，车载控制器50可以与机动车辆12内的额外控制器50和/或云中的远程控制器50’协商以满足通信速度和带宽要求，以增加信号或数据速率并在框114处采取车载缓解动作。

对于每一功能或一组给定功能，多个解决方案被设计成使得每一解决方案可以可靠地完成给定任务。这种冗余提供稳健性并降低发生缓解故障的可能性。多个解决方案中的每一个都基于一组不同信号，使得产生不同信号估计方式。一些特定故障模式与每一功能相关联，并且当系统10确认存在特定故障模式时，系统10在框114处向基于每一功能的置信水平混合的相关平面内和/或平面外致动器30、44提供缓解输出。更具体来说，所有降级、偏差或故障都与远程控制器50’通信，并且远程控制器50’将缓解输出发送到机动车辆12内的控制器50，在控制器50处，缓解输出被应用到相关的VMC系统。缓解输出可以采用多种形式，包括但不限于所关联的每一传感器70、平面内和/或平面外致动器30、44、功能和/或特征的经修改的估计器算法参数、经改变的校准等等。

本公开的机动车辆运动控制健康监测系统提供数个优点。这些包括在各种环境和路面条件下在纵向和横向加速度、俯仰、滚转和偏航方面主动、连续、准确和精确地管理车辆性能的能力。另外，本公开的VMC健康监测系统10允许主动、连续地管理具有大量交互功能的复杂VMC系统的健康状况的具有成本效益的资源优化手段。更具体来说，本公开的VMC健康监测系统10提供安全地缓解性能降级或系统部件性能的劣化或者甚至VMC系统的故障、同时维持或减少成本和复杂性并改进机动车辆12运动控制的手段。

本公开的描述本质上仅是示例性的，并且并不背离本公开的主旨的变型旨在落入本公开的范围内。此类变型不应视为背离本公开的精神和范围。

Claims (10)

1.一种机动车辆运动控制健康监测系统，其包括：

安置在机动车辆上的一个或多个传感器，所述一个或多个传感器测量关于机动车辆的实时静态和动态遥测数据；

安置在机动车辆上的一个或多个致动器，所述一个或多个致动器改变机动车辆的静态和动态行为；

控制模块，所述控制模块具有处理器、存储器以及与一个或多个传感器和一个或多个致动器通信的输入/输出(I/O)端口，所述控制模块执行存储在存储器中的程序代码部分，所述程序代码部分包括：

离线程序代码部分，所述离线程序代码部分从机动车辆收集遥测数据、对遥测数据实施故障分析并基于故障分析分配任务；以及

在线程序代码部分，所述在线程序代码部分分析遥测数据以寻找特定传感器、致动器或利用传感器和/或致动器系统的功能内的故障并通过向机动车辆运动控制系统的一个或多个传感器、致动器和/或功能发送校正来缓解遥测数据的偏差。

2.根据权利要求1所述的系统，其中，离线程序代码部分进一步包括：

第一程序代码部分，所述第一程序代码部分经由I/O端口从机动车辆运动控制系统的一个或多个传感器、一个或多个致动器和一个或多个功能收集实时静态和动态数据。

3.根据权利要求1所述的系统，其中，离线程序代码部分进一步包括：

第二程序代码部分，所述第二程序代码部分针对一个或多个传感器、一个或多个致动器和一个或多个功能实施故障模式确定，其中，故障模式确定包括确定一个或多个传感器、一个或多个致动器和/或一个或多个功能是否正经历性能降级、完全故障和/或遥测数据包括超出预先限定的阈值噪声值的噪声的故障模式。

4.根据权利要求1所述的系统，其中，离线程序代码部分进一步包括：

第三程序代码部分，所述第三程序代码部分针对一个或多个传感器、一个或多个致动器和一个或多个功能实施数据准备、生成和收集，其中，数据准备进一步包括：排除、过滤和/或缓冲过程。

5.根据权利要求1所述的系统，其中，离线程序代码部分进一步包括：

第四程序代码部分，所述第四程序代码部分利用机器学习架构设计来针对来自一个或多个传感器、一个或多个致动器和一个或多个功能的遥测数据生成任务分配方案，其中，机器学习架构进一步包括：用以识别故障模式和分类的基于机器学习和/或人工智能的聚类方法，并且其中，第四程序代码部分进一步向一个或多个传感器、一个或多个致动器和/或一个或多个功能应用临时或短期缓解并将原始遥测数据发送到云计算系统以供进一步分析。

6.根据权利要求1所述的系统，其中，在线程序代码部分进一步包括：

第五程序代码部分，所述第五程序代码部分对来自一个或多个传感器、一个或多个致动器和一个或多个功能的遥测数据实施数据排除。

7.根据权利要求1所述的系统，其中，在线程序代码部分进一步包括：

第六程序代码部分，所述第六程序代码部分检测和预测一个或多个传感器、一个或多个致动器和一个或多个功能内的潜在故障。

8.根据权利要求1所述的系统，其中，在线程序代码部分进一步包括：

第七程序代码部分，所述第七程序代码部分经由I/O端口在机动车辆和与机动车辆物理分离的云计算系统内的远程控制模块的I/O端口之间通信来自一个或多个传感器、一个或多个致动器和一个或多个功能的遥测数据。

9.根据权利要求1所述的系统，其中，在线程序代码部分进一步包括：

第八程序代码部分，所述第八程序代码部分通过向一个或多个传感器、一个或多个致动器和一个或多个功能应用经修改的估计器算法和/或经改变的校准校正来缓解来自一个或多个传感器、一个或多个致动器和一个或多个功能的遥测数据的偏差。

10.一种用于机动车辆运动控制系统健康监测的方法，所述方法包括：

借助于安置在机动车辆上的一个或多个传感器测量关于机动车辆的实时静态和动态遥测数据；

借助于安置在机动车辆上的一个或多个致动器改变机动车辆的静态和动态行为；

利用控制模块，所述控制模块具有处理器、存储器以及与一个或多个传感器和一个或多个致动器通信的输入/输出(I/O)端口，所述控制模块执行存储在存储器中的程序代码部分，其中，程序代码部分包括离线程序代码部分和在线程序代码部分；

通过离线代码部分从机动车辆收集遥测数据；

通过离线代码部分对遥测数据实施故障分析；以及

通过离线代码部分基于故障分析分配任务；

通过在线代码部分分析遥测数据以寻找特定传感器、致动器或利用传感器和/或致动器系统的功能内的故障；以及

通过在线代码部分通过向机动车辆运动控制系统的一个或多个传感器、致动器和/或功能发送校正来缓解遥测数据的偏差。