CN116909783A - 用于在受限网络中应用基于机器学习的异常检测的系统和方法 - Google Patents

用于在受限网络中应用基于机器学习的异常检测的系统和方法 Download PDF

Info

Publication number
CN116909783A
CN116909783A CN202310431106.6A CN202310431106A CN116909783A CN 116909783 A CN116909783 A CN 116909783A CN 202310431106 A CN202310431106 A CN 202310431106A CN 116909783 A CN116909783 A CN 116909783A
Authority
CN
China
Prior art keywords
signal
information
response
anomaly
computing device
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
CN202310431106.6A
Other languages
English (en)
Inventor
B·C·罗宾森
P·D·施米特
J·希尔舍
O·K·托什
M·R·斯托里
E·夸吉奥托
J·J·克勒辛
A·J·法兰克
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.)
Steering Solutions IP Holding Corp
Original Assignee
Steering Solutions IP Holding Corp
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 Steering Solutions IP Holding Corp filed Critical Steering Solutions IP Holding Corp
Publication of CN116909783A publication Critical patent/CN116909783A/zh
Pending legal-status Critical Current

Links

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
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • B60W10/00—Conjoint control of vehicle sub-units of different type or different function
    • B60W10/20—Conjoint control of vehicle sub-units of different type or different function including control of steering systems
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • B60W50/029—Adapting to failures or work around with other constraints, e.g. circumvention by avoiding use of failed parts
    • 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
    • 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
    • G07C5/08—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
    • 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
    • B60W2510/00—Input parameters relating to a particular sub-units
    • B60W2510/20—Steering systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Quality & Reliability (AREA)
  • Human Computer Interaction (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)
  • Small-Scale Networks (AREA)

Abstract

一种用于信号异常检测的方法，包括：接收至少一个信号，以及使用至少一个机器学习异常检测模型确定与该至少一个信号相关联的值是否在期望值的范围内。该方法还包括：响应于确定与该至少一个信号相关联的值不在期望值的范围内，递增计数器，以及响应于确定计数器的值大于或等于阈值，基于该至少一个信号识别信号异常信息。该方法还包括：将信号异常信息传送到远程计算装置，从远程计算装置接收响应于信号异常信息的诊断信息，以及响应于接收诊断信息，启动至少一个纠正动作过程。

Description

用于在受限网络中应用基于机器学习的异常检测的系统和 方法
技术领域
本公开涉及异常检测，特别是涉及用于在受限网络中应用基于机器学习的异常检测的系统和方法。
背景技术
交通工具，例如小汽车、卡车、运动型多用途车、跨界车、迷你货车、船舶、飞机、全地形车、休闲车或其他合适的运输工具，通常包括各种系统，例如可包括电动助力转向(EPS)系统、线控转向(SbW)系统、液压转向系统或其他合适的转向系统的转向系统和/或其他合适的系统(例如，制动系统、推进系统等)。交通工具的此类系统通常控制交通工具转向(例如，包括向交通工具的操作者提供转向辅助、控制交通工具的可转向车轮等)、交通工具推进、交通工具制动等的各个方面。
此类系统可以包括测量或监测系统的多个方面的各种传感器或测量装置。在交通工具的操作期间，传感器或测量装置可以产生相应信号，这些信号指示系统的多个方面的各种感测或测量值。这些信号可以指示系统的各个方面的正常或异常行为。
发明内容
本公开总体涉及异常检测。
本公开实施例的一个方面包括一种用于信号异常检测的方法。该方法包括：通过通信总线接收至少一个信号，以及使用至少一个机器学习异常检测模型，确定与该至少一个信号相关联的值是否在该至少一个信号的期望值的范围内。该方法还包括：响应于确定与该至少一个信号相关联的值不在该至少一个信号的期望值的范围内，递增计数器，以及响应于确定计数器的值大于或等于阈值，基于该至少一个信号，识别信号异常信息。该方法还包括：将信号异常信息传送到远程计算装置，从远程计算装置接收响应于信号异常信息的诊断信息，以及响应于接收诊断信息，启动至少一个纠正动作过程。
本公开实施例的另一个方面包括一种用于信号异常检测的系统。该系统包括处理器和存储器。存储器包括指令，指令由处理器执行时使得处理器：通过通信总线接收至少一个信号；使用至少一个机器学习异常检测模型，确定与该至少一个信号相关联的值是否在该至少一个信号的期望值的范围内；响应于确定与该至少一个信号相关联的值不在该至少一个信号的期望值的范围内，递增计数器；响应于确定计数器的值大于或等于阈值，基于该至少一个信号，识别信号异常信息；将信号异常信息传送到远程计算装置；从远程计算装置接收响应于信号异常信息的诊断信息；以及响应于接收诊断信息，启动至少一个纠正动作过程。
本公开实施例的另一个方面包括一种用于信号异常检测的设备。该设备包括处理器和存储器。存储器包括指令，指令由处理器执行时使得处理器：通过通信总线接收至少一个信号；确定与该至少一个信号相关联的值是否在该至少一个信号的期望值的范围内；响应于确定与该至少一个信号相关联的值不在该至少一个信号的期望值的范围内，递增计数器；响应于确定计数器的值大于或等于阈值，基于该至少一个信号，识别信号异常信息；将信号异常信息传送到远程计算装置；从远程计算装置接收响应于信号异常信息的诊断信息；以及响应于诊断信息指示对附加信号异常信息的请求，基于对附加信号异常信息的请求，更新至少一个监测参数，基于更新的至少一个监测参数，生成附加信号异常信息，及将附加信号异常信息传送到远程计算装置。
本公开的这些和其他方面在实施例的以下详细描述、所附权利要求和附图中被公开。
附图说明
当结合附图阅读时，从以下详细描述中可以最好地理解本公开。需要强调的是，根据惯例，附图的各种特征不是按比例绘制的。相反，为了清楚起见，各种特征的尺寸被任意扩大或减小。
图1总体示出了根据本公开的原理的交通工具。
图2总体示出了根据本公开的原理的控制器。
图3总体示出了根据本公开的原理的异常检测系统。
图4是总体示出根据本公开的原理的异常检测方法的流程图。
具体实施方式
以下讨论针对本公开的各种实施例。尽管这些实施例中的一个或多个可能是优选的，但所公开的实施例不应被解释为或以其他方式用以限制包括权利要求在内的本公开的范围。此外，本领域技术人员将理解，以下描述具有广泛的应用，并且对任何实施例的讨论仅旨在作为该实施例的示例，而不旨在暗示包括权利要求在内的本公开的范围限于该实施例。
如前所述，交通工具，例如小汽车、卡车、运动型多用途车、跨界车、迷你货车、船舶、飞机、全地形车、休闲车或其他合适的运输工具，通常包括各种系统，例如可包括电动助力转向(EPS)系统、线控转向(SbW)系统、液压转向系统或其他合适的转向系统的转向系统和/或其他合适的系统(例如，制动系统、推进系统等)。交通工具的此类系统通常控制交通工具转向(例如，包括向交通工具的操作者提供转向辅助、控制交通工具的可转向车轮等)、交通工具推进、交通工具制动等的各个方面。
此类系统可以包括测量或监测系统的多个方面的各种传感器或测量装置。在交通工具的操作期间，传感器或测量装置可以产生相应信号，这些信号指示系统的多个方面的各种感测或测量值。这些信号可以指示系统的各个方面的正常或异常行为。
通常，此类信号用于执行交通工具的交通工具健康诊断的高级分析。在开发用于交通工具健康诊断的高级分析时，通常会出现两个问题，第一，执行此类分析所需的计算资源的数量，第二，执行此类分析所需的相对较大量的数据。通常，在云计算基础架构上运行用于交通工具健康诊断模型的高级分析可以解决计算资源问题(例如，通过将计算资源需求转移到云计算基础架构)，然而这种方法需要无线传输大量的交通工具数据。通过无线连接(例如，移动连接或其他合适的无线连接)以高频传输甚至少数信号，通常成本都是高昂的(例如，如果连续进行)。
因此，配置为限制传输到云计算基础架构的数据量以执行用于交通工具诊断的高级分析的系统和方法(例如本文描述的那些系统和方法)可能是所期望的。在一些实施例中，本文描述的系统和方法可以被配置为使用异常检测算法(例如，可以包括机器学习和/或经典分析技术)和数据监测逻辑，利用在云计算基础架构中运行的高级诊断模型的反馈，以减少无线(例如，移动等)数据成本。
在一些实施例中，本文描述的系统和方法可配置为使用物理模型检测异常，物理模型跟踪期望输出值相对于测量输出值的偏差在阈值偏差范围内。附加地或可替代地，本文描述的系统和方法可配置为使用传递函数分析来检测与各种信号之间的关系相关联的频率组成偏差(frequency content deviation)。
本文描述的系统和方法可配置为提供异常检测(例如，使用机器学习和/或经典分析技术)，异常检测包括评估来自交通工具通信总线的数据并确定任何信号是正常还是异常。本文描述的系统和方法可配置为，响应于新信号异常达到阈值，将数据和默认记录参数(default logging parameter)(例如，所需信号、采样率、触发条件、传输间隔等)传输到云计算基础架构，以通过高保真度检测算法进行分析。
本文描述的系统和方法可配置为接收诊断信息(例如，通过云计算基础架构传输回交通工具)。诊断信息可以包括问题分类和严重性、监测参数等。本文描述的系统和方法可配置为响应于需要附加监测(例如，并由诊断信息指示)，用新记录参数更新数据监测设置。本文描述的系统和方法可配置为向云计算基础架构传输附加数据。
在一些实施例中，一旦云计算基础架构中的诊断模型已经识别出问题，本文描述的系统和方法可配置为将信息传送到交通工具通信总线。本文描述的系统和方法可配置为进行通信以向交通工具的操作者提供适当的动作和信息。本文描述的系统和方法可配置为通过将车载算法限制为识别潜在异常状况，而不是对问题进行完全分类(例如由云计算基础架构执行更高级别的处理)，来显著减少用于交通工具健康诊断的高级分析的车载计算资源分配和使用。附加地或可替代地，本文描述的系统和方法可配置为通过将向云计算基础架构的数据传输限制为异常数据来显著降低数据传输成本(例如，云计算基础架构提供关于执行这种更高级别的处理需要什么类型的数据和/或多少数据的更新)。
本文描述的系统和方法可配置为使用能够在交通工具内运行的异常检测算法，以触发向云计算基础架构的数据传输，然后在云计算基础架构中以更高的保真度和更高级的算法分析异常数据。附加地或可替代地，本文描述的系统和方法可配置为使用来自云计算基础架构诊断模型的反馈来调整传输到云计算基础架构的数据类型，以限制所提供的信息，从而降低数据传输成本。
在一些实施例中，本文描述的系统和方法可配置为通过通信总线接收至少一个信号。本文描述的系统和方法可配置为使用至少一个机器学习异常检测模型，确定与该至少一个信号相关联的值是否在该至少一个信号的期望值的范围内。该至少一个机器学习异常检测模型可以设置于交通工具中。本文描述的系统和方法可配置为，响应于确定与该至少一个信号相关联的值不在该至少一个信号的期望值的所述范围内，递增计数器。
本文公开的系统和方法可配置为响应于确定计数器的值大于或等于阈值，基于该至少一个信号，识别信号异常信息。信号异常信息可包括：所需信号信息、采样率信息、触发条件信息、数据传输间隔信息、其他合适的信息，或以上信息的组合。
本文描述的系统和方法可配置为将信号异常信息传送到远程计算装置。远程计算装置可以包括任何合适的远程计算装置和/或可以包括云计算基础架构的至少一部分。本文描述的系统和方法可配置为从远程计算装置接收响应于信号异常信息的诊断信息。诊断信息可以包括问题分类信息、严重性信息、监测参数信息、其他合适的信息，或以上信息的组合。本文描述的系统和方法可配置为响应于接收诊断信息，启动至少一个纠正动作过程。
在一些实施例中，本文描述的系统和方法可配置为，响应于诊断信息指示对附加信号异常信息的请求，通过以下步骤来执行至少一个纠正动作过程：基于对附加信号异常信息的请求更新至少一个监测参数，基于更新的至少一个监测参数生成附加信号异常信息，以及将附加信号异常信息传送到远程计算装置。
在一些实施例中，本文描述的系统和方法可配置为响应于诊断信息指示一个或多个错误代码，通过基于一个或多个错误代码生成一个或多个错误信号来执行至少一个纠正动作过程。在一些实施例中，至少一个信号对应于交通工具的转向系统。
图1总体示出了根据本公开的原理的交通工具10。交通工具10可以包括任何合适的交通工具，例如小汽车、卡车、运动型多用途车、迷你货车、跨界车、任何其他乘用车、任何合适的商用车或任何其他合适的交通工具。虽然交通工具10被示出为具有轮子并在道路上使用的乘用车辆，但本公开的原理可以应用于其他交通工具，例如飞机、船、火车、无人机或其他合适的交通工具。
交通工具10包括车身12和发动机罩14。乘客舱18至少部分地由车身12限定。车身12的另一部分限定了发动机舱20。发动机罩14可以可移动地附接到车身12的一部分，使得当发动机罩14处于第一位置或打开位置时，发动机罩14提供进入发动机舱20的通道，并且当发动机罩14处于第二位置或关闭位置时，发动机罩14覆盖发动机舱20。在一些实施例中，发动机舱20可以设置在交通工具10的后部，而不是通常所示出的那样。
乘客舱18可以设置在发动机舱20的后部，但是在发动机舱20设置在交通工具10的后部的实施例中，乘客舱18可以设置在发动机舱20的前部。交通工具10可以包括任何合适的推进系统，包括内燃机、一个或多个电动机(例如，电动汽车)、一个或多个燃料电池、包括内燃机和一个或多个电动机的混合动力(例如，混合动力车辆)推进系统、和/或任何其他合适的推进系统。
在一些实施例中，交通工具10可以包括汽油(petrol)发动机或汽油(gasoline)燃料发动机，例如火花点火式发动机。在一些实施例中，交通工具10可以包括柴油燃料发动机，例如压燃式发动机。发动机舱20容纳和/或包围交通工具10的推进系统的至少一些部件。附加地或可替代地，推进控制器，例如，加速器致动器(例如，加速器踏板)、制动致动器(例如，制动踏板)、操作轮和其他这样的部件，设置在交通工具10的乘客舱18中。推进控制器可以由交通工具10的操作者致动或控制，并且可以分别直接连接到推进系统的相应部件，例如油门、制动器、车轴、车辆变速器等。在一些实施例中，推进控制器可以将信号传送到车辆计算机(例如，线控)，车辆计算机继而可以控制推进系统的相应推进部件。因此，在一些实施例中，交通工具10可以是自动驾驶车辆。
在一些实施例中，交通工具10包括通过飞轮或离合器或液力联轴节与曲轴联系的变速器。在一些实施例中，变速器包括手动变速器。在一些实施例中，变速器包括自动变速器。在内燃机或混合动力车辆的情况下，交通工具10可以包括一个或多个活塞，其与曲轴协同操作以产生力，该力通过变速器传递到一个或多个轴，这使轮子22转动。当交通工具10包括一个或多个电动机时，车辆电池和/或燃料电池向电动机提供能量以转动车轮22。
交通工具10可以包括自动车辆推进系统，例如巡航控制、自适应巡航控制、自动制动控制、其他自动车辆推进系统、或其组合。交通工具10可以是自动驾驶或半自动驾驶车辆，或其他合适类型的车辆。交通工具10可以包括比本文中大体示出和/或公开的特征更多或更少的特征。
在一些实施例中，交通工具10可以包括以太网部件24、控制器局域网(controllerarea network，CAN)总线26、面向媒体的系统传输部件(media oriented systemstransport，MOST)28、FlexRay部件30(例如，线控制动系统等)和本地互联网络部件(localinterconnect network，LIN)32。交通工具10可以使用CAN总线26、MOST 28、FlexRay部件30、LIN 32、其他合适的网络或通信系统、或其组合，来将各种信息从例如交通工具内部或外部的传感器传送到例如交通工具内部或外部的各种处理器或控制器。交通工具10可以包括比本文中大体示出和/或公开的特征更多或更少的特征。
在一些实施例中，交通工具10可包括转向系统，例如EPS系统、线控转向系统(例如，其可以包括控制转向系统的部件的一个或多个控制器或与其进行通信而不使用交通工具10的操纵轮与轮子22之间的机械连接)、液压转向系统(例如，其可以包括并入到液压转向系统的阀组件中的磁性致动器)或其他合适的转向系统。
转向系统可包括开环反馈控制系统或机构、闭环反馈控制系统或机构，或其组合。转向系统可配置为接收各种输入，包括但不限于操作轮位置、输入扭矩、一个或多个车轮位置、其他合适的输入或信息、或其组合。
附加地或可替代地，输入可以包括操作轮扭矩、操作轮角度、电机速度、车辆速度、估计的电机扭矩命令、其他合适的输入、或其组合。转向系统可配置为向交通工具10提供转向功能和/或控制。例如，转向系统可以基于各种输入产生辅助扭矩。转向系统可配置为使用辅助扭矩选择性地控制转向系统的电机，以向交通工具10的操作者提供转向辅助。
在一些实施例中，交通工具10可以包括控制器，例如控制器100，如图2大体示出。控制器100可以包括任何合适的控制器，例如电子控制单元或其他合适的控制器。控制器100可配置为控制例如转向系统的各种功能和/或交通工具10的各种功能。控制器100可以包括处理器102和存储器104。处理器102可以包括任何合适的处理器，例如本文所描述的处理器。附加地或可替代地，除了处理器102之外或替代处理器102，控制器100可以包括任何合适数量的处理器。存储器104可以包括单个盘或多个盘(例如，硬盘驱动器)，并且包括管理存储器104内的一个或多个分区的存储管理模块。在一些实施例中，存储器104可以包括闪存、半导体(固态)存储器等。存储器104可以包括随机存取存储器(RAM)、只读存储器(ROM)、或其组合。存储器104可以包括指令，该指令由处理器102执行时使得处理器102至少控制交通工具10的各个方面。
控制器100可以接收来自各种测量装置或传感器106的一个或多个信号，该一个或多个信号指示交通工具10的感测或测量特性。传感器106可以包括任何合适的传感器、测量装置和/或其他合适的机构。例如，传感器106可以包括一个或多个扭矩传感器或装置、一个或多个操作轮位置传感器或装置、一个或多个电机位置传感器或装置、一个或多个位置传感器或装置、其他合适的传感器或装置、或其组合。该一个或多个信号可以指示操作轮扭矩、操作轮角度、电机速度、车辆速度、其他合适的信息、或其组合。
在一些实施例中，控制器100可以使用或包括异常检测算法，例如异常检测算法110。异常检测算法110可配置为将信号的频率组成(frequency content)分成为多个阶次(order)的谐波。异常检测算法110可配置为基于相对于其他阶次谐波具有相对较大振幅比的谐波阶次来检测异常。
在一些实施例中，异常检测算法110可以包括一个或多个机器学习模型。例如，人工智能引擎108被配置为使用异常检测算法110来执行本文描述的系统和方法的实施例。人工智能引擎108可以包括任何合适的人工智能引擎，并且可以设置在交通工具10上和/或至少部分设置在远程定位的计算机上，例如远程计算装置112(例如，远离交通工具10定位)。远程计算装置112可以包括任何合适的远程计算装置，并且可以包括云计算装置或基础架构的至少一部分，如图3中大体示出的。控制器100可以包括训练引擎，该训练引擎能够生成一个或多个机器学习模型(例如，与异常检测算法110相关联的一个或多个机器学习模型)。附加地或可替代地，可以利用与交通工具10相关联或远离交通工具10的任何合适的计算装置，使用任何合适的训练方法和/或技术来训练一个或多个机器学习模型。
如图3中大体示出的，如所描述的，控制器100可配置为提供信号异常检测。控制器100可以通过通信总线202接收至少一个信号。交通工具通信总线202可以包括任何合适的通信总线，并且可以与交通工具10的各种系统、传感器、控制器等通信。附加地或可替代地，交通工具通信总线202可以包括与CAN总线26的特征类似的特征。控制器100可以使用诸如异常检测算法110(例如，其在本文中可以被称为机器学习异常检测模型)的至少一个机器学习模型，来确定与该至少一个信号相关联的值是否在该至少一个信号的期望值的范围内。例如，可以使用与交通工具的各种部件相对应的传感器106的期望值来训练异常检测算法110。异常检测算法110可配置为预测或识别处于特定传感器信号的期望值的范围(例如，期望值的正负百分比、值等)之内或之外的信号相关联的值。控制器100可以响应于确定与该至少一个信号相关联的值不在该至少一个信号的期望值的范围内，递增计数器。附加地或可替代地，除了递增计数器之外或替代递增计数器，控制器100可以使用任何合适的技术来跟踪多个异常信号(例如，具有在相应期望值的范围之外的值的信号)。计数器可以是任何合适的计数器，并且可以存储在与控制器100相关联的合适的存储器中。
可替代地，如果控制器100确定该至少一个信号的值在期望值的范围内，则控制器100使用异常检测算法110或其他合适的一个或多个机器学习模型继续监测来自交通工具通信总线202的信号。
控制器100可以响应于确定计数器的值大于或等于阈值，基于该至少一个信号，识别信号异常信息。例如，控制器100可以确定已经达到异常信号的阈值数量，并且可以响应于确定已经达到异常信号的阈值数量，识别各种信号异常信息。信号异常信息可以包括所需信号信息、采样率信息、触发条件信息、数据传输间隔信息、其他合适的信息、或其组合。
控制器100可以将信号异常信息传送到远程计算装置，例如远程计算装置112或其他合适的计算装置。远程计算装置112可以包括任何合适的远程计算装置和/或可以包括云计算基础架构的至少一部分。远程计算装置112可以执行或进行各种高级诊断模型204(例如，使用机器学习技术或其他合适的技术)，以基于从控制器100接收的信息生成诊断信息。控制器100可以从远程计算装置112接收响应于信号异常信息的诊断信息。诊断信息可以包括问题分类信息、严重性信息、监测参数信息、其他合适的信息、或其组合。控制器100可以响应于接收诊断信息，启动至少一个纠正动作过程。
在一些实施例中，控制器100可以响应于诊断信息指示对附加信号异常信息的请求，通过以下步骤来执行至少一个纠正动作过程：基于对附加信号异常信息的请求更新至少一个监测参数，基于更新的至少一个监测参数生成附加信号异常信息，以及将附加信号异常信息传送到远程计算装置112。
在一些实施例中，控制器100可以响应于诊断信息指示一个或多个错误代码，通过基于一个或多个错误代码生成一个或多个错误信号来执行至少一个纠正动作过程。在一些实施例中，该至少一个信号对应于交通工具的转向系统。错误代码可以通过视觉、听觉、触觉或任何合适的方式提供给操作员。附加地或可替代地，控制器100或交通工具10的其他控制器或计算装置可以通过交通工具通信总线202，提供指示操作者响应于错误代码采取一个或多个动作的信息。
在一些实施例中，控制器100可以执行本文描述的方法。然而，本文描述的由控制器100执行的方法并不意味着是限制性的，并且在控制器或处理器上执行的任何类型的软件都可以执行本文描述的方法，而不脱离本公开的范围。例如，诸如计算装置内执行软件的处理器的控制器可以执行本文描述的方法。
图4是大体示出根据本公开的原理的异常检测方法300的流程图。在302处，方法300通过通信总线接收至少一个信号。例如，控制器100可以通过交通工具通信总线202接收该至少一个信号。
在304处，方法300使用至少一个机器学习异常检测模型来确定与该至少一个信号相关联的值是否在该至少一个信号的期望值的范围内。例如，控制器100可以使用异常检测算法110来确定与该至少一个信号相关联的值是否在该至少一种信号的期望值的范围内。
在306处，方法300响应于确定与该至少一个信号相关联的值不在该至少一个信号的期望值的范围内，递增计数器。例如，控制器100可以响应于确定与该至少一个信号相关联的值不在该至少一个信号的期望值的范围内，递增计数器。
在308处，方法300响应于确定计数器的值大于或等于阈值，基于该至少一个信号识别信号异常信息。例如，控制器100可以响应于确定计数器的值大于或等于阈值，基于该至少一个信号识别信号异常信息。
在310处，方法300将信号异常信息传送到远程计算装置。例如，控制器100可以将信号异常信息传送到远程计算装置112。
在312处，方法300从远程计算装置接收响应于信号异常信息的诊断信息。例如，控制器100可以从远程计算装置112接收诊断信息。
在314处，方法300响应于接收诊断信息，启动至少一个纠正动作过程。例如，控制器100可以响应于接收诊断信息，启动至少一个纠正动作过程。
在一些实施例中，用于信号异常检测的方法包括：通过通信总线接收至少一个信号，并使用至少一个机器学习异常检测模型，确定与该至少一个信号相关联的值是否在该至少一个信号的期望值的范围内。该方法还包括：响应于确定与该至少一个信号相关联的值不在该至少一个信号的期望值的范围内，递增计数器，并响应于确定计数器的值大于或等于阈值，基于该至少一个信号，识别信号异常信息。该方法还包括：将信号异常信息传送到远程计算装置，从远程计算装置接收响应于信号异常信息的诊断信息，并响应于接收诊断信息，启动至少一个纠正动作过程。
在一些实施例中，信号异常信息包括以下中的至少一个：所需信号信息、采样率信息、触发条件信息和数据传输间隔信息。在一些实施例中，诊断信息包括以下中的至少一个：问题分类信息、严重性信息和监测参数信息。在一些实施例中，该至少一个纠正动作过程包括：响应于诊断信息指示对附加信号异常信息的请求，基于对附加信号异常信息的请求，更新至少一个监测参数；基于更新的至少一个监测参数，生成附加信号异常信息；以及将附加信号异常信息传送到远程计算装置。在一些实施例中，该至少一个纠正动作过程包括：响应于诊断信息指示一个或多个错误代码，基于该一个或多个错误代码，生成一个或多个错误信号。在一些实施例中，该至少一个机器学习异常检测模型设置于交通工具中。在一些实施例中，该至少一个信号对应于交通工具的转向系统。在一些实施例中，转向系统包括电动助力转向系统。在一些实施例中，远程计算装置与云计算基础架构相关联。
在一些实施例中，用于信号异常检测的系统包括处理器和存储器。存储器包括指令，指令由处理器执行时使得处理器：通过通信总线接收至少一个信号；使用至少一个机器学习异常检测模型，确定与该至少一个信号相关联的值是否在该至少一个信号的期望值的范围内；响应于确定与该至少一个信号相关联的值不在该至少一个信号的期望值的范围内，递增计数器；响应于确定计数器的值大于或等于阈值，基于该至少一个信号，识别信号异常信息；将信号异常信息传送到远程计算装置；从远程计算装置接收响应于信号异常信息的诊断信息；以及响应于接收诊断信息，启动至少一个纠正动作过程。
在一些实施例中，信号异常信息包括以下中的至少一个：所需信号信息、采样率信息、触发条件信息和数据传输间隔信息。在一些实施例中，诊断信息包括以下中的至少一个：问题分类信息、严重性信息和监测参数信息。在一些实施例中，该至少一个纠正动作过程包括：响应于诊断信息指示对附加信号异常信息的请求，基于对附加信号异常信息的请求，更新至少一个监测参数；基于更新的至少一个监测参数，生成附加信号异常信息；以及将附加信号异常信息传送到远程计算装置。在一些实施例中，该至少一个纠正动作过程包括：响应于诊断信息指示一个或多个错误代码，基于该一个或多个错误代码，生成一个或多个错误信号。在一些实施例中，该至少一个机器学习异常检测模型设置于交通工具中。在一些实施例中，该至少一个信号对应于交通工具的转向系统。在一些实施例中，转向系统包括电动助力转向系统。在一些实施例中，远程计算装置与云计算基础架构相关联。
在一些实施例中，用于信号异常检测的装置包括处理器和存储器。存储器包括指令，指令在由处理器执行时使处理器：通过通信总线接收至少一个信号；确定与该至少一个信号相关联的值是否在该至少一个信号的期望值的范围内；响应于确定与该至少一个信号相关联的值不在该至少一个信号的期望值的范围内，递增计数器；响应于确定计数器的值大于或等于阈值，基于该至少一个信号，识别信号异常信息；将信号异常信息传送到远程计算装置；从远程计算装置接收响应于信号异常信息的诊断信息；以及响应于诊断信息指示对附加信号异常信息的请求：基于对附加信号异常信息的请求，更新至少一个监测参数，基于更新的至少一个监测参数，生成附加信号异常信息，以及将附加信号异常信息传送到远程计算装置。。
在一些实施例中，指令进一步使得处理器响应于诊断信息指示一个或多个错误代码，基于该一个或多个错误代码，生成一个或多个错误信号。
以上讨论意在说明本发明原理和各种实施例。一旦完全理解了上述公开，许多变化和修改对于本领域技术人员将变得显而易见。意图将所附权利要求解释为包含所有这样的变化和修改。
词语“示例”在本文中用来表示用作示例、例子或说明。本文中被描述为“示例”的任何方面或设计不必被解释为比其他方面或设计更优选或有利。相反，使用“示例”一词旨在以具体方式呈现概念。如在本申请中使用的，术语“或”旨在表示包括性的“或”而不是排他性的“或”。也就是说，除非另有说明或从上下文可以清楚地看出，“X包括A或B”旨在表示任何自然的包含性排列。也就是说，如果X包含A；X包括B；或X包括A和B二者，则在任何前述情况下均满足“X包括A或B”。另外，在本申请和所附权利要求书中使用的冠词“一(a/an)”通常应被解释为意指“一个或多个”，除非另有说明或从上下文清楚地指向单数形式。此外，除非如此描述，否则贯穿全文使用术语“实施方式”或“一个实施方式”并不旨在表示相同的实施例或实施方式。
本文描述的系统、算法、方法以及指令等的实现可以以硬件、软件或其任何组合来实现。硬件可以包括，例如，计算机、知识产权(IP)内核、专用集成电路(ASIC)、可编程逻辑阵列、光学处理器、可编程逻辑控制器、微代码、微控制器、服务器、微处理器、数字信号处理器或任何其他合适的电路。在权利要求中，术语“处理器”应被理解为单独地或组合地包括任何前述硬件。术语“信号”和“数据”可互换使用。
如在此使用的，术语模块可以包括被设计为与其他组件一起使用的封装的功能硬件单元、控制器(例如，执行软件或固件的处理器)可执行的一组指令、被配置为执行特定功能的处理电路以及与大型系统接合的自含式硬件或软件组件。例如，模块可以包括专用集成电路(ASIC)、现场可编程门阵列(FPGA)、电路、数字逻辑电路、模拟电路、分立电路的组合、门电路和其他类型硬件或者它们的组合。在其他实施例中，模块可以包括存储器，该存储器存储控制器可执行以实现模块的特征的指令。
此外，在一方面，例如，本文描述的系统可以使用具有计算机程序的通用计算机或通用处理器来实现，该计算机程序在被执行时执行本文描述的任何相应的方法、算法和/或指令。附加地或可替代地，例如，可以利用专用计算机/处理器，其可以包含用于执行本文描述的任何方法、算法或指令的其他硬件。
此外，本公开的全部或部分实现方式可以采取可从例如计算机可用或计算机可读介质访问的计算机程序产品的形式。计算机可用或计算机可读介质可以是例如可以有形地包含、存储、传达或传输程序以供任何处理器使用或与其结合使用的任何装置。介质可以是例如电的、磁的、光学的、电磁的装置或半导体装置。也可以使用其他合适的介质。
已经描述了上述实施例、实施方式和方面，以允许容易地理解本发明并且不限制本发明。相反，本发明旨在覆盖所附权利要求的范围内所包括的各种修改和等效布置，该范围应被赋予最宽泛的解释，以涵盖法律允许的所有这种修改和等效结构。

Claims (20)

1.一种用于信号异常检测的方法，所述方法包括：
通过通信总线接收至少一个信号；
使用至少一个机器学习异常检测模型，确定与所述至少一个信号相关联的值是否在所述至少一个信号的期望值的范围内；
响应于确定与所述至少一个信号相关联的值不在所述至少一个信号的期望值的范围内，递增计数器；
响应于确定计数器的值大于或等于阈值，基于所述至少一个信号，识别信号异常信息；
将信号异常信息传送到远程计算装置；
从远程计算装置接收响应于信号异常信息的诊断信息；以及
响应于接收诊断信息，启动至少一个纠正动作过程。
2.根据权利要求1所述的方法，其中，信号异常信息包括所需信号信息、采样率信息、触发条件信息和数据传输间隔信息中的至少一个。
3.根据权利要求1所述的方法，其中，诊断信息包括问题分类信息、严重性信息和监测参数信息中的至少一个。
4.根据权利要求1所述的方法，其中，所述至少一个纠正动作过程包括，响应于诊断信息指示对附加信号异常信息的请求：
基于对附加信号异常信息的请求，更新至少一个监测参数；
基于更新的所述至少一个监测参数，生成附加信号异常信息；以及
将附加信号异常信息传送到远程计算装置。
5.根据权利要求1所述的方法，其中，所述至少一个纠正动作过程包括：响应于诊断信息指示一个或多个错误代码，基于所述一个或多个错误代码，生成一个或多个错误信号。
6.根据权利要求1所述的方法，其中，所述至少一个机器学习异常检测模型设置于交通工具中。
7.根据权利要求1所述的方法，其中，所述至少一个信号对应于交通工具的转向系统。
8.根据权利要求7所述的方法，其中，转向系统包括电动助力转向系统。
9.根据权利要求1所述的方法，其中，远程计算装置与云计算基础架构相关联。
10.一种用于信号异常检测的系统，所述系统包括：
处理器；以及
存储器，包括指令，所述指令在由处理器执行时使得处理器：
通过通信总线接收至少一个信号；
使用至少一个机器学习异常检测模型，确定与所述至少一个信号相关联的值是否在所述至少一个信号的期望值的范围内；
响应于确定与所述至少一个信号相关联的值不在所述至少一个信号的期望值的范围内，递增计数器；
响应于确定计数器的值大于或等于阈值，基于所述至少一个信号，识别信号异常信息；
将信号异常信息传送到远程计算装置；
从远程计算装置接收响应于信号异常信息的诊断信息；以及
响应于接收诊断信息，启动至少一个纠正动作过程。
11.根据权利要求10所述的系统，其中，信号异常信息包括所需信号信息、采样率信息、触发条件信息和数据传输间隔信息中的至少一个。
12.根据权利要求10所述的系统，其中，诊断信息包括问题分类信息、严重性信息和监测参数信息中的至少一个。
13.根据权利要求10所述的系统，其中，所述至少一个纠正动作过程包括，响应于诊断信息指示对附加信号异常信息的请求：
基于对附加信号异常信息的请求，更新至少一个监测参数；
基于更新的所述至少一个监测参数，生成附加信号异常信息；以及
将附加信号异常信息传送到远程计算装置。
14.根据权利要求10所述的系统，其中，所述至少一个纠正动作过程包括：响应于诊断信息指示一个或多个错误代码，基于所述一个或多个错误代码，生成一个或多个错误信号。
15.根据权利要求10所述的系统，其中，所述至少一个机器学习异常检测模型设置于交通工具中。
16.根据权利要求10所述的系统，其中，所述至少一个信号对应于交通工具的转向系统。
17.根据权利要求16所述的系统，其中，转向系统包括电动助力转向系统。
18.根据权利要求10所述的系统，其中，远程计算装置与云计算基础架构相关联。
19.一种用于信号异常检测的设备，所述设备包括处理器和存储器，存储器包括指令，所述指令在由处理器执行时使得处理器：
通过通信总线接收至少一个信号；
确定与所述至少一个信号相关联的值是否在所述至少一个信号的期望值的范围内；
响应于确定与所述至少一个信号相关联的值不在所述至少一个信号的期望值的范围内，递增计数器；
响应于确定计数器的值大于或等于阈值，基于所述至少一个信号，识别信号异常信息；
将信号异常信息传送到远程计算装置；
从远程计算装置接收响应于信号异常信息的诊断信息；以及
响应于诊断信息指示对附加信号异常信息的请求：
基于对附加信号异常信息的请求，更新至少一个监测参数，
基于更新的所述至少一个监测参数，生成附加信号异常信息，以及
将附加信号异常信息传送到远程计算装置。
20.根据权利要求19所述的设备，其中，所述指令还使得处理器：响应于诊断信息指示一个或多个错误代码，基于所述一个或多个错误代码，生成一个或多个错误信号。
CN202310431106.6A 2022-04-20 2023-04-20 用于在受限网络中应用基于机器学习的异常检测的系统和方法 Pending CN116909783A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/724,539 2022-04-20
US17/724,539 US20230342656A1 (en) 2022-04-20 2022-04-20 Systems and methods for applying machine learning based anomaly detection in a constrained network

Publications (1)

Publication Number Publication Date
CN116909783A true CN116909783A (zh) 2023-10-20

Family

ID=88238224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310431106.6A Pending CN116909783A (zh) 2022-04-20 2023-04-20 用于在受限网络中应用基于机器学习的异常检测的系统和方法

Country Status (3)

Country Link
US (1) US20230342656A1 (zh)
CN (1) CN116909783A (zh)
DE (1) DE102023109793A1 (zh)

Also Published As

Publication number Publication date
DE102023109793A1 (de) 2023-10-26
US20230342656A1 (en) 2023-10-26

Similar Documents

Publication Publication Date Title
CN112109799B (zh) 用于车道辅助功能的操作者动作定位模块
CN113665668B (zh) 用于辅助进入或离开车辆的系统和方法
CN113591199A (zh) 用于车辆建模的系统和方法
US20230169802A1 (en) Systems and methods for vehicle analytics
US20240059345A1 (en) Steer-by-wire software end stop
CN116909783A (zh) 用于在受限网络中应用基于机器学习的异常检测的系统和方法
CN113135228B (zh) 对车辆转向进行修改的系统和方法
CN113135189B (zh) 使用横向动力学实时监测车辆惯性参数值的系统和方法
US11789412B2 (en) Functional limits for torque request based on neural network computing
CN113525505B (zh) 用于电子助力转向冗余总线通信的系统和方法
CN114312979B (zh) 用于自主转向系统的分布式系统架构
US20240101053A1 (en) Systems and methods for predicting component life based on duty cycle estimated from road surface conditions
US20230256981A1 (en) Generic actuator with customized local feedback
US12001189B2 (en) Systems and methods for improved manufacturing diagnostics
US20230097155A1 (en) Integrated vehicle health management systems and methods using an enhanced fault model for a diagnostic reasoner
US20220083020A1 (en) Systems and methods for improved manufacturing diagnostics
US11975777B2 (en) Systems and methods for over learning protection for torque steer mitigation
US20240182043A1 (en) System and method for onboard vehicle center of gravity and moment of inertia estimation
US11884324B2 (en) Systems and methods for inducing speed reduction responsive to detecting a surface having a relatively low coefficient of friction
US20240109487A1 (en) Systems and methods for providing immediate post-event driver alerts
US20230080806A1 (en) Systems and methods for real time permanent magnet synchronous machine control
CN118144801A (zh) 用于车载车辆重心和惯性矩估计的系统和方法
CN117125136A (zh) 用于反方向极性转向的系统和方法
CN117650734A (zh) 用于估计马达速度的系统和方法

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