CN117894094A - 车辆故障预测 - Google Patents

车辆故障预测 Download PDF

Info

Publication number
CN117894094A
CN117894094A CN202311303387.3A CN202311303387A CN117894094A CN 117894094 A CN117894094 A CN 117894094A CN 202311303387 A CN202311303387 A CN 202311303387A CN 117894094 A CN117894094 A CN 117894094A
Authority
CN
China
Prior art keywords
vehicle
fault
efficiency
time series
series 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
Application number
CN202311303387.3A
Other languages
English (en)
Inventor
克里斯·沃尔夫
N·B·蔡斯
迈克尔·W·德格纳
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.)
Ford Global Technologies LLC
Original Assignee
Ford Global Technologies LLC
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 Ford Global Technologies LLC filed Critical Ford Global Technologies LLC
Publication of CN117894094A publication Critical patent/CN117894094A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
    • 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
    • B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3469—Fuel consumption; Energy use; Emission aspects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • B60W2050/0031—Mathematical model of the vehicle
    • 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
    • B60W50/0205—Diagnosing or detecting failures; Failure detection models
    • B60W2050/021—Means for detecting failure or malfunction
    • 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
    • B60W2510/24—Energy storage means
    • B60W2510/242—Energy storage means for electrical energy
    • B60W2510/244—Charge state
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • 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
    • B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
    • B60W2530/10—Weight
    • 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
    • B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
    • B60W2530/209—Fuel quantity remaining in tank
    • 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/10—Historical 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
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Optimization (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • Mathematical Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Transportation (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)
  • Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)

Abstract

本公开提供“车辆故障预测”。一种计算机包括处理器和存储器，并且所述存储器存储可由处理器执行的指令以从车辆的传感器接收时间序列数据，确定车辆的效率，并基于时间序列数据和效率确定车辆中发生故障的概率。效率是车辆每行驶一段距离车辆的能量消耗。

Description

车辆故障预测
技术领域
本公开涉及用于预测车辆上的故障的技术。
背景技术
现代车辆通常包括车载诊断系统，这是用于自我诊断和报告车辆上的问题的系统。报告问题可以遵循诸如车载诊断II(OBD-II)之类的标准。车辆可以通过物理端口输出指示问题的消息。OBD-II标准指定16针D形母连接器作为输出消息的端口。该消息可以采用诊断故障代码(DTC)的形式。根据OBD-II，DTC的格式是一个字母后跟四个数字，其组合可以识别车辆的特定问题，例如与车辆部件相关联的故障。
发明内容
本公开描述了用于在车辆上的故障发生之前(例如，在车辆的OBD-II系统原本会输出诊断故障代码之前)预测这些故障的技术。计算机被编程为从车辆的传感器接收时间序列数据，确定车辆的效率，并基于时间序列数据和效率确定车辆中发生故障的概率。对车辆的效率的测量是车辆每行驶一段距离车辆的能量消耗。在一些情况下，车辆的低效操作可能指示即将发生的故障，从而允许在变成实际故障之前解决即将发生的故障。来自传感器的时间序列数据可以是影响效率的值，例如内部温度、轮胎压力等。时间序列数据的使用可以允许计算机识别低效操作指示即将发生的故障以及即将发生哪个故障的情况。因此，可以比其他情况更早地识别故障或可能的故障。
一种计算机包括处理器和存储器，并且所述存储器存储可由处理器执行的指令以从车辆的传感器接收时间序列数据，确定车辆的效率，并基于时间序列数据和效率确定车辆中发生故障的概率。效率是车辆每行驶一段距离车辆的能量消耗。
在示例中，指令还可以包括用于响应于概率超过阈值而输出消息的指令。
在示例中，指令还可以包括用于确定多个概率的指令，所述多个概率包括具有所述车辆中发生的所述故障的多个相应故障的所述概率。在另一示例中，指令还可以包括用于响应于概率中的至少一个超过阈值而输出消息的指令。
在又一示例中，存储器可以存储相应故障的多个阈值，所述阈值可以包括至少两个不同的值，并且指令还可以包括用于响应于概率中的至少一个超过相应阈值而输出消息的指令。
在示例中，指令还可以包括用于响应于车辆行程完成的指示来确定概率的指令。在又一示例中，指示可以是关闭车辆或将车辆换挡至驻车中的一者。
在又一示例中，指令还可以包括用于确定行程水平度量的指令，该行程水平度量或者适用于作为整体的行程或者指示车辆在行程开始和完成时的状态，并且确定概率可以基于行程水平度量。
在示例中，指令还可以包括用于通过执行机器学习程序来确定所述概率的指令，并且所述时间序列数据和所述效率为至所述机器学习程序的输入。在另一示例中，机器学习程序可以包括特征提取程序，并且时间序列数据可以是至特征提取程序的输入。在又一示例中，所述机器学习程序可包括分类程序，并且所述特征提取程序的输出可为至所述分类程序的输入。在又一示例中，效率可以是直接到分类程序的输入。
在又另一示例中，指令还可以包括用于确定行程水平度量的指令，所述行程水平度量或者适用于作为整体的所述车辆的行程或者指示所述车辆在所述行程开始和完成时的状态，并且所述行程水平度量可为直接到所述分类程序的输入。
在又一示例中，所述机器学习程序可在地面实况故障和训练数据上进行训练，所述训练数据可包括训练时间序列数据和训练效率，并且所述训练数据可与所述地面实况故障成对。在又一示例中，地面实况故障可以是诊断故障代码。
在示例中，时间序列数据可以包括车辆部件的温度。
在示例中，时间序列数据可以包括车辆的轮胎的轮胎压力。
在示例中，故障可以对应于诊断故障代码。
在示例中，指令还可以包括用于进行以下操作中的至少一者的指令：将消息输出到所述车辆的屏幕、将所述消息发射到移动装置、或者将所述消息发射到远离所述车辆的服务器。
一种方法包括从车辆的传感器接收时间序列数据，确定车辆的效率，并基于时间序列数据和效率确定车辆中发生故障的概率。效率是车辆每行驶一段距离车辆的能量消耗。
附图说明
图1是示例性车辆的框图。
图2是经训练以预测车辆中的故障的机器学习程序的图示。
图3是用于预测车辆中的故障的示例性过程的过程流程图。
具体实施方式
参考附图，其中贯穿若干视图，相同的数字指示相同的部分，车辆计算机105或远程计算机110包括处理器和存储器，并且所述存储器存储可由处理器执行的指令以从车辆100的传感器115接收时间序列数据205，确定车辆100的效率210，并基于时间序列数据205和效率210确定车辆100中发生故障的概率215。效率210是车辆100每行驶一段距离车辆100的能量消耗。
参考图1，车辆100可以是任何乘用或商用汽车，诸如轿车、卡车、运动型多功能车、跨界车、货车、小型货车、出租车、公共汽车等。
车辆100包括车辆计算机105。车辆计算机105为基于微处理器的计算装置，例如通用计算装置(包括处理器和存储器、电子控制器等)、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、前述各者的组合等。通常，在电子设计自动化中使用诸如VHDL(VHSIC(超高速集成电路)硬件描述语言)等硬件描述语言来描述诸如FPGA和ASIC等数字和混合信号系统。例如，ASIC是基于制造前提供的VHDL编程而制造的，而FPGA内部的逻辑部件可基于例如存储在电连接到FPGA电路的存储器中的VHDL编程来配置。因此，车辆计算机105可包括处理器、存储器等。车辆计算机105的存储器可包括用于存储可由处理器执行的指令以及用于电子存储数据和/或数据库的介质，和/或车辆计算机105可包括诸如提供编程的前述结构等结构。车辆计算机105可以是联接在一起的多个计算机。
车辆计算机105可通过通信网络120(诸如控制器局域网(CAN)总线、以太网、WiFi、局域互连网(LIN)、车载诊断连接器(OBD-II))和/或通过任何其他有线或无线通信网络在车辆100上传输和接收数据。车辆计算机105可以经由通信网络120通信地耦合到传感器115、用户界面125、收发器130和车辆100的其他部件。
传感器115可以提供关于车辆100的操作的数据，例如，车轮速度、车轮取向、轮胎压力以及发动机和变速器数据(例如，温度、燃料消耗等)。传感器115可以检测车辆100的位置和/或取向。例如，传感器115可以包括全球定位系统(GPS)传感器；加速度计，诸如压电系统或微机电系统(MEMS)；陀螺仪，诸如速率陀螺仪、环形激光陀螺仪或光纤陀螺仪；惯性测量单元(IMU)；以及磁力计。传感器115可检测外部世界，例如车辆100周围环境的对象和/或特性，诸如其他车辆、道路车道标记、交通信号灯和/或标志、行人等。例如，传感器115可包括雷达传感器、超声波传感器、扫描激光测距仪、光探测和测距(lidar)装置以及图像处理传感器(诸如相机)。
用户界面125向车辆100的乘员呈现信息并且从所述乘员接收信息。用户界面125可以位于例如车辆100的乘客舱中的仪表板上，或者位于乘员可能容易看到的任何地方。用户界面125可包括用于向乘员提供信息的刻度盘、数字读出装置、屏幕、扬声器等，例如，诸如已知的人机接口(HMI)元件。用户界面125可包括用于从乘员接收信息的按钮、旋钮、键盘、传声器等。
收发器130可以适用于通过任何合适的无线通信协议(诸如蜂窝、低功耗(BLE)、超宽带(UWB)、WiFi、IEEE 802.11a/b/g/p、蜂窝-V2X(CV2X)、专用短程通信(DSRC)、其他RF(射频)通信等)无线地发射信号。收发器130可以适用于与远程服务器(即，与车辆100不同且间隔开的服务器)通信。远程服务器可以位于车辆100的外部。例如，远程服务器可以与另一车辆相关联(例如，V2V通信)，与基础设施部件相关联(例如，V2I通信)，与紧急响应者相关联，等等。远程服务器可为远程计算机110、例如与车辆100的操作员或所有者相关联的移动装置135等。收发器130可以为一个装置或可以包括单独的发射器和接收器。
远程计算机110为基于微处理器的计算装置，例如包括处理器和存储器的通用计算装置。远程计算机110的存储器可包括用于存储可由处理器执行的指令以及用于电子存储数据和/或数据库的介质，和/或远程计算机110可包括诸如提供编程的前述结构的结构。远程计算机110可以是联接在一起的多个计算机。
移动装置135为便携式计算装置，诸如移动电话，例如智能电话或平板计算机。移动装置135是包括处理器和存储器的计算装置。移动装置135由可能是车辆100的操作员或所有者的人拥有和携带。
出于本公开的目的，“故障”是有损于车辆100的操作的问题。故障可以对应于相应的诊断故障代码，一对一地或者对应于相关诊断故障代码组。诊断故障代码是识别特定类型故障的字符序列。例如，OBD-II标准下的诊断故障代码的长度为五个字符。第一个字符是四个字母之一：“P”代表动力传动系统，“C”代表底盘，“B”代表车身，和“U”代表网络。第二个字符对于通用代码是0(零)，或者对于制造商特定代码是1(一)。第三个字符是标识故障所位于的子系统的数字。第四和第五个字符是两位数，用作特定故障的索引。
车辆计算机105或远程计算机110可以被编程为响应于车辆100的行程完成的指示来确定车辆100中发生一个或多个故障的一个或多个概率215。出于本公开的目的，“行程”被定义为车辆100从第一位置的特定状态移动到第二位置的特定状态。第一位置和第二位置可以不同；即，车辆100已经行驶。两个位置的状态可能相同。例如，状态可以是车辆100关闭或者车辆100处于驻车。该指示可以是表明行程已经完成的事件，例如，当车辆100开启时关闭车辆100、将车辆100从另一档换档至驻车等。
参考图2，车辆计算机105或远程计算机110可以被编程为从传感器115接收时间序列数据205。如通常所理解的，并且出于本公开的目的，“时间序列数据”是离散的连续时间点处的一个或多个变量的值。可选择影响车辆100的效率210的时间序列数据205。例如，时间序列数据205可包括车辆100的一个或多个相应部件(例如变速器、发动机油等)的一个或多个温度。对于另一示例，时间序列数据205可包括车辆100的一个或多个相应轮胎的一个或多个轮胎压力。对于另一示例，时间序列数据205可以包括描述车辆100的运动的变量，例如速度、扭矩、横摆率、加速度等。对于另一示例，时间序列数据205可以是环境数据诸如环境温度、降水等。车辆计算机105可以通过通信网络120例如实时地接收时间序列数据205。远程计算机110可以响应于车辆100的行程完成的指示而经由收发器130例如在单次传输中接收时间序列数据205。
车辆计算机105或远程计算机110可被编程为确定一个或多个行程水平度量220。行程水平度量220或者适用于作为整体的行程或者指示车辆100在行程开始和完成时的状态。可选择影响车辆100的效率210的行程水平度量220。例如，如果车辆100是电池电动车辆，则一种行程水平度量220可以是车辆100的电池(例如，高压电池)存储的电荷的减少。电荷减少为行程开始时的电荷与行程结束时的电荷之间的差值。对于另一示例，如果车辆100是内燃机车辆，则一种行程水平度量220可以是行程期间消耗的燃料量。对于另一示例，一种行程水平度量220可以是行程期间行驶的距离，例如，如由车辆100的里程表测量的。对于另一示例，一种行程水平度量220可以是行程的持续时间，即行程的结束时间和行程的开始时间之间的差值。对于另一示例，一种行程水平度量220可以是从行程开始到行程完成的海拔变化。对于另一示例，一种行程水平度量220可以是行程的开始位置和结束位置。
车辆计算机105或远程计算机110可以被编程为确定车辆100的效率210。效率210是车辆100每行驶一段距离车辆100的能量消耗。例如，计算机可以根据行程水平度量220确定效率210，例如电池存储的电荷的减少除以行程期间行驶的距离。
车辆计算机105或远程计算机110可被编程为基于时间序列数据205、效率210和/或行程水平度量220来确定车辆100中发生一个或多个故障的一个或多个概率215。每个概率215是例如在特定时间内或在车辆100行驶的特定距离内在车辆100中发生相应故障的可能性。车辆100中发生的故障可以通过车辆计算机105输出与该故障相对应的诊断故障代码来指示。概率215还可以包括车辆100中没有发生任何故障的概率215。
例如，车辆计算机105或远程计算机110可被编程为通过执行专家系统来确定概率215。专家系统可以是确定性的、基于规则的系统。可以基于例如参与设计电动车辆的个人所使用的启发法来选择规则。专家系统的输入可以包括时间序列数据205、效率210和/或行程水平度量220。
对于另一示例，车辆计算机105或远程计算机110可被编程为通过执行机器学习程序200来确定概率215。机器学习程序200的输入可以包括时间序列数据205、效率210和/或行程水平度量220。机器学习程序200的输出可包括车辆100中发生故障的至少一个概率215，例如车辆100中发生多个相应故障的多个概率215。
机器学习程序200可以包括特征提取程序225和分类程序230。时间序列数据205可以是特征提取程序225的输入。特征提取程序225的输出(将被称为中间数据235)可以是直接到分类程序230的输入。效率210和一个或多个行程水平度量220也可以为直接到分类程序230的输入。概率215可以是分类程序230的输出。
特征提取程序225可以被编程为识别时间序列数据205中的特征并且输出特征作为中间数据235。出于本公开的目的，时间序列数据205的“特征”是关于时间序列数据205的内容的一条信息，具体地关于时间序列数据205的特定范围是否具有某些性质例如尖峰、恒定值、重复周期性模式等。与时间序列数据205相比，中间数据235可以具有降低的维度。例如，特征提取程序225可以是卷积神经网络。卷积神经网络可以包括例如用于查找时间序列数据205上的时间窗口内的特征的卷积层、用于查找跨较大时间窗口具有依赖性的特征的注意力层、用于查找在不同时间窗口中具有依赖性的特征的递归层等。对于另一示例，特征提取程序225可以是编码器。编码器可以是或者包括人工神经网络，诸如残差神经网络(ResNet)。编码器可以包括一系列层并且可以从一层到下一层降低数据的维度。最后一层的输出，即中间数据235，可以是潜在向量。
分类程序230可被编程为接收效率210、行程水平度量220和中间数据235作为输入，并将由输入定义的情况分类为故障之一或无故障。分类程序230输出的每个概率215表示将该情况分类为相应故障或无故障的相应强度。例如，分类可以是支持向量机。对于另一示例，分类程序230可以是具有多个“弱学习器”的集成模型，例如逻辑回归、决策树等。对于另一示例，分类程序230可以是朴素贝叶斯分类器。
机器学习程序200可以根据地面实况故障和训练数据进行训练。训练数据可以包括训练时间序列数据和训练效率。训练数据与地面实况故障配对。机器学习程序200可以被训练为在将训练数据给定为输入时复制地面实况故障。地面实况故障可以是诊断故障代码，例如与如上所述的地面实况故障相对应的诊断故障代码。地面实况故障和训练数据可以是从车辆收集的历史数据。
机器学习程序200可以使用针对所选择的机器学习类型的任何合适的方法来训练。例如，可以使用随机梯度下降和反向传播来训练特征提取程序225。对于另一示例，如果分类程序230是集成模型，则分类程序230可以使用袋装(例如，随机森林)、梯度提升(例如，提升决策树、提升逻辑回归)等来训练。
车辆计算机105或远程计算机110的存储器可以存储相应故障的多个阈值。阈值可以包括至少两个不同的值，例如每个故障的唯一值。可以基于校准误报风险与故障后果来选择阈值。
车辆计算机105或远程计算机110可被编程为响应于概率215超过阈值(例如，概率215中的至少一个超过相应阈值)而致动车辆100的部件。例如，致动该部件可以包括输出消息。该消息可以例如通过包括对应的诊断故障代码来指示相应概率215超过相应阈值的故障。例如，致动该部件可以包括以下操作中的至少一者：指示用户界面125将消息输出到车辆100的屏幕、例如经由收发器130将消息发射到移动装置135、或者将消息发射到远离车辆100的服务器，例如经由收发器130到达远程计算机110。服务器可以例如与车辆100的服务中心或车队运营商相关联。因此，车辆100的操作员或技术人员可以被警告车辆100中发生故障的概率，并且可以有机会抢先解决故障，例如，通过安排维修、创建维修计划、订购零件等。
对于另一示例，致动部件可以包括修改车辆100的推进系统的操作。例如，车辆计算机105可以将车辆100的加速度、速度和/或每分钟转数(RPM)限制为最大值。对于另一示例，车辆计算机105可以将车辆100切换到不同的驾驶模式。驾驶模式可以指定定义节气门响应、悬架刚度、转向感觉、牵引控制等的功率图。车辆计算机105可以切换到对车辆100压力较小的驾驶模式，例如从运动模式或舒适模式切换到经济模式。对于另一示例，对于混合动力或电池电动车辆100，车辆计算机105可以关闭与超过阈值的概率215相关联的电动马达，而留下内燃发动机或另一电动马达运行以加速车辆100。
图3是示出用于预测车辆100中的故障的示例性过程300的过程流程图。车辆计算机105和/或远程计算机110的存储器存储用于执行过程300的步骤的可执行指令和/或可以诸如上面提及的结构来实施编程。过程300可以完全在车辆计算机105或远程计算机110上执行(除了所描述的之外)，或者车辆计算机105可以开始执行过程300并且过程300中途将数据传输到远程计算机110以用于远程计算机110来完成过程300。作为过程300的总体概述，车辆计算机105实时接收时间序列数据205。响应于车辆100的行程完成的指示，车辆计算机105或远程计算机110确定行程水平度量220，确定效率210，并确定概率215。响应于概率215中的至少一个超过相应阈值，车辆计算机105或远程计算机110设置诊断故障代码并致动部件。
过程300开始于框305，其中车辆计算机105通过通信网络120例如实时地从传感器115接收时间序列数据205，如上所述。
接下来，在决策框310中，车辆计算机105和/或远程计算机110确定是否存在车辆100的行程完成的指示。车辆计算机105如上所述确定指示是否存在。远程计算机110可以基于远程计算机110是否已经经由收发器130从车辆计算机105接收到指示行程已完成的消息来确定指示是否存在。该消息还可以包括在框305中收集的时间序列数据205，因此远程计算机110从而接收时间序列数据205。该消息还可以包括确定行程水平度量220和/或效率210所需的数据。响应于行程完成的指示，过程300前进到框315。否则，过程300返回框305，以便车辆计算机105继续接收新的时间序列数据205。
在框315中，车辆计算机105或远程计算机110确定行程水平度量220，如上所述。
接下来，在框320中，车辆计算机105或远程计算机110确定车辆100的效率210，如上所述。
接下来，在框325中，车辆计算机105或远程计算机110基于来自框305的时间序列数据205、来自框315的行程水平度量220以及来自框320的效率210来确定故障和无故障的概率215，如上所述。
接下来，在决策框330中，车辆计算机105或远程计算机110确定在框325中确定的概率215中的至少一个是否超过相应阈值，如上所述。如果没有概率215超过相应的阈值，则过程300结束。响应于概率215中的至少一个超过相应阈值，过程300前进到框335。
在框335中，车辆计算机105或远程计算机110设置与故障相对应的诊断故障代码。车辆计算机105可以设置存储器中对应于故障的诊断故障代码的值。远程计算机110可经由收发器130向车辆计算机105发射指令以设置在存储器中对应于故障的诊断故障代码的值。
接下来，在框340中，车辆计算机105或远程计算机110例如通过输出消息来致动部件，如上所述。在框340之后，过程300结束。
一般来讲，所描述的计算系统和/或装置可采用多种计算机操作系统中的任一种，包括但决不限于以下版本和/或种类：Ford应用；AppLink/Smart Device Link中间件；Microsoft/>操作系统；Microsoft/>操作系统；Unix操作系统(例如，由加利福尼亚州红杉海岸的Oracle公司发布的/>操作系统)；由纽约州阿蒙克市的国际商业机器公司发布的AIX UNIX操作系统；Linux操作系统；由加利福尼亚州库比蒂诺市的苹果公司发布的Mac OSX和iOS操作系统；由加拿大滑铁卢的黑莓有限公司发布的BlackBerry操作系统；以及由谷歌公司和开放手机联盟开发的安卓操作系统；或由QNX软件系统公司提供的/>CAR信息娱乐平台。计算装置的示例包括但不限于车载计算机、计算机工作站、服务器、台式机、笔记本、膝上型计算机或手持计算机、或某一其他计算系统和/或装置。
计算装置通常包括计算机可执行指令，其中所述指令可由诸如以上列出的那些的一个或多个计算装置执行。可以从使用多种编程语言和/或技术创建的计算机程序编译或解译计算机可执行指令，所述编程语言和/或技术单独地或者组合地包括但不限于JavaTM、C、C++、Matlab、Simulink、Stateflow、Visual Basic、Java Script、Python、Perl、HTML等。这些应用中的一些可以在诸如Java虚拟机、Dalvik虚拟机等虚拟机上编译和执行。通常，处理器(例如，微处理器)接收来自例如存储器、计算机可读介质等的指令，并执行这些指令，从而执行一个或多个过程，包括本文所述过程中的一者或多者。此类指令和其他数据可使用各种计算机可读介质来存储和传输。计算装置中的文件通常是存储在诸如存储介质、随机存取存储器等计算机可读介质上的数据的集合。
计算机可读介质(也称为处理器可读介质)包括参与提供可由计算机(例如，由计算机的处理器)读取的数据(例如，指令)的任何非暂时性(例如，有形)介质。此类介质可采用许多形式，包括但不限于非易失性介质和易失性介质。指令可通过一种或多种传输介质来传输，所述一种或多种传输介质包括光纤、电线、无线通信，包括构成联接到计算机的处理器的系统总线的内部件。共同形式的计算机可读介质包括例如RAM、PROM、EPROM、FLASH-EEPROM、任何其他存储器芯片或盒式磁带、或计算机可从中读取的任何其他介质。
本文所述的数据库、数据存储库或其他数据存储可包括用于存储、存取/访问和检索各种数据的各种机制，包括分层数据库、文件系统中的文件集、专用格式的应用程序数据库、关系型数据库管理系统(RDBMS)、非关系数据库(NoSQL)、图形数据库(GDB)等。每个这样的数据存储通常被包括在采用诸如以上提及中的一种的计算机操作系统的计算装置内，并且以各种方式中的任何一种或多种来经由网络进行访问。文件系统可从计算机操作系统访问，并且可包括以各种格式存储的文件。除了用于创建、存储、编辑和执行已存储的程序的语言(诸如上述PL/SQL语言)之外，RDBMS通常还采用结构化查询语言(SQL)。
在一些示例中，系统元件可以被实现为一个或多个计算装置(例如，服务器、个人计算机等)上、存储在与其相关联的计算机可读介质(例如，磁盘、存储器等)上的计算机可读指令(例如，软件)。计算机程序产品可以包括存储在计算机可读介质上的用于实施本文描述的功能的此类指令。
在附图中，相同的附图标记指示相同的要素。此外，可以改变这些要素中的一些或全部。关于本文描述的介质、过程、系统、方法、启发等，应当理解，虽然此类过程等的步骤已被描述为按照某一有序的顺序发生，但是可以通过以与本文所述顺序不同的顺序执行所述步骤来实践此类过程。还应当理解，可以同时执行某些步骤，可以添加其他步骤，或者可以省略本文所述的某些步骤。
除非本文作出相反的明确指示，否则权利要求中使用的所有术语意图给出如本领域技术人员所理解的普通和通常的含义。特别地，除非权利要求叙述相反的明确限制，否则使用诸如“一个”、“该”、“所述”等单数冠词应被解读为叙述所指示的要素中的一者或多者。“响应于”和“在确定……时”的使用指示因果关系，而不仅是时间关系。
已经以说明性方式描述了本公开，并且应理解，已经使用的术语意在是描述性的词语的性质，而不是限制性的。鉴于以上教导，本公开的许多修改和变化是可能的，并且本公开可以不同于具体描述的其他方式来实践。
根据本发明，提供了一种计算机，该计算机具有处理器和存储器，所述存储器存储可由处理器执行的指令以：从车辆的传感器接收时间序列数据；确定车辆的效率，所述效率为车辆每行驶一段距离车辆的能量消耗；并基于时间序列数据和效率确定车辆中发生故障的概率。
根据实施例，指令还包括用于响应于概率超过阈值而输出消息的指令。
根据实施例，指令还包括用于确定多个概率的指令，所述多个概率包括具有所述车辆中发生的所述故障的多个相应故障的所述概率。
根据实施例，指令还包括用于响应于概率中的至少一个超过阈值而输出消息的指令。
根据实施例，存储器存储相应故障的多个阈值，所述阈值包括至少两个不同的值，并且指令还包括用于响应于概率中的至少一个超过相应阈值而输出消息的指令。
根据实施例，指令还包括用于响应于车辆行程完成的指示来确定概率的指令。
根据实施例，指示是关闭车辆或将车辆换挡至驻车中的一者。
根据实施例，指令还包括用于确定行程水平度量的指令，该行程水平度量或者适用于作为整体的行程或者指示车辆在行程开始和完成时的状态，并且确定概率基于行程水平度量。
根据实施例，指令还包括用于通过执行机器学习程序来确定所述概率的指令，并且所述时间序列数据和所述效率为至所述机器学习程序的输入。
根据实施例，所述机器学习程序包括特征提取程序，并且所述时间序列数据为至所述特征提取程序的输入。
根据实施例，所述机器学习程序包括分类程序，并且所述特征提取程序的输出为至所述分类程序的输入。
根据实施例，效率是直接到分类程序的输入。
根据实施例，指令还包括用于确定行程水平度量的指令，所述行程水平度量或者适用于作为整体的所述车辆的行程或者指示所述车辆在所述行程开始和完成时的状态，并且所述行程水平度量为直接到所述分类程序的输入。
根据实施例，所述机器学习程序在地面实况故障和训练数据上进行训练，所述训练数据包括训练时间序列数据和训练效率，所述训练数据与所述地面实况故障成对。
根据实施例，地面实况故障是诊断故障代码。
根据实施例，所述时间序列数据包括车辆部件的温度。
根据实施例，时间序列数据包括车辆的轮胎的轮胎压力。
根据实施例，故障对应于诊断故障代码。
根据实施例，指令还包括用于进行以下操作中的至少一者的指令：将消息输出到所述车辆的屏幕、将所述消息发射到移动装置、或者将所述消息发射到远离所述车辆的服务器。
根据本发明，一种方法包括：从车辆的传感器接收时间序列数据；确定车辆的效率，所述效率为车辆每行驶一段距离车辆的能量消耗；并基于时间序列数据和效率确定车辆中发生故障的概率。

Claims (15)

1.一种方法，其包括：
从车辆的传感器接收时间序列数据；
确定所述车辆的效率，所述效率是所述车辆每行驶一段距离所述车辆的能量消耗；以及
基于所述时间序列数据并基于所述效率来确定所述车辆中发生故障的概率。
2.如权利要求1所述的方法，其还包括响应于所述概率超过阈值而输出消息。
3.如权利要求1所述的方法，其还包括确定多个概率，所述多个概率包括具有所述车辆中发生的所述故障的多个相应故障的所述概率。
4.如权利要求3所述的方法，其还包括响应于所述概率中的至少一个超过所述相应故障的多个阈值中的相应阈值而输出消息，其中所述阈值包括至少两个不同的值。
5.如权利要求1所述的方法，其还包括响应于所述车辆的行程完成的指示来确定所述概率。
6.如权利要求5所述的方法，其还包括确定行程水平度量，所述行程水平度量或者适用于作为整体的所述行程或者指示所述车辆在所述行程开始和所述完成时的状态，其中确定所述概率基于所述行程水平度量。
7.如权利要求1所述的方法，其还包括通过执行机器学习程序来确定所述概率，其中所述时间序列数据和所述效率为至所述机器学习程序的输入。
8.如权利要求7所述的方法，其中所述机器学习程序包括特征提取程序，并且所述时间序列数据为至所述特征提取程序的输入。
9.如权利要求8所述的方法，其中所述机器学习程序包括分类程序，并且所述特征提取程序的输出为至所述分类程序的输入。
10.如权利要求9所述的方法，其中所述效率为直接到所述分类程序的输入。
11.如权利要求9所述的方法，其还包括确定行程水平度量，所述行程水平度量或者适用于作为整体的所述车辆的行程或者指示所述车辆在所述行程开始和完成时的状态，其中所述行程水平度量为直接到所述分类程序的输入。
12.如权利要求7所述的方法，其中所述机器学习程序在地面实况故障和训练数据上进行训练，所述训练数据包括训练时间序列数据和训练效率，所述训练数据与所述地面实况故障成对。
13.如权利要求1所述的方法，其中所述故障对应于诊断故障代码。
14.如权利要求1所述的方法，其还包括以下操作中的至少一者：将消息输出到所述车辆的屏幕、将所述消息发射到移动装置、或者将所述消息发射到远离所述车辆的服务器。
15.一种计算机，其包括处理器和存储器，所述存储器存储指令，所述指令能够由所述处理器执行以执行如权利要求1–14中的一项所述的方法。
CN202311303387.3A 2022-10-13 2023-10-10 车辆故障预测 Pending CN117894094A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US18/046,233 2022-10-13
US18/046,233 US20240127642A1 (en) 2022-10-13 2022-10-13 Vehicle fault prediction

Publications (1)

Publication Number Publication Date
CN117894094A true CN117894094A (zh) 2024-04-16

Family

ID=90469614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311303387.3A Pending CN117894094A (zh) 2022-10-13 2023-10-10 车辆故障预测

Country Status (3)

Country Link
US (1) US20240127642A1 (zh)
CN (1) CN117894094A (zh)
DE (1) DE102023127689A1 (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7899591B2 (en) * 2005-07-14 2011-03-01 Accenture Global Services Limited Predictive monitoring for vehicle efficiency and maintenance
DE112017005163T5 (de) * 2016-10-12 2019-07-25 Harman International Industries, Incorporated Systeme und verfahren zur vorausschauenden ausfalldetektion in fahrzeugen
GB201808881D0 (en) * 2018-03-27 2018-07-18 We Predict Ltd Vehicle diagnostics
US20210287459A1 (en) * 2018-09-30 2021-09-16 Strong Force Intellectual Capital, Llc Digital twin systems and methods for transportation systems
CN111881980A (zh) * 2020-07-29 2020-11-03 上海钧正网络科技有限公司 一种车辆故障检测方法、装置、计算机设备和存储介质

Also Published As

Publication number Publication date
US20240127642A1 (en) 2024-04-18
DE102023127689A1 (de) 2024-04-18

Similar Documents

Publication Publication Date Title
CN109844793B (zh) 基于智能、远程信息处理的oem线路装配系统及其对应方法
US12086724B2 (en) Determining driver and vehicle characteristics based on an edge-computer device
JP2021168193A (ja) テレマティックス接続サーチエンジンを使用する動的なスコアベースの危険性測定及び集約のためのインテリジェントな自己適応型車両用装置及びその対応する方法
US20200172112A1 (en) System and method for determining a change of a customary vehicle driver
US11423708B2 (en) Synchronizing sensing systems
EP4256502B1 (en) Electronic system for forward-looking measurements of frequencies and/or probabilities of accident occurrences based on localized automotive device measurements, and corresponding method thereof
JP6950481B2 (ja) 診断システム
CN114763150A (zh) 对故障状况进行排名
US20220108569A1 (en) Automated detection of vehicle data manipulation and mechanical failure
US12026996B2 (en) Vehicle data storage activation
WO2024017664A1 (en) Vehicle testing apparatus for full vehicle performance testing as well as vehicle testing of individual on-board systems/software, sensors and combinations of sensors, and method thereof
US20240127642A1 (en) Vehicle fault prediction
CN116142185A (zh) 自适应巡航控制激活
Priyadharshini et al. A comprehensive review of various data collection approaches, features, and algorithms used for the classification of driving style
CN117152388A (zh) 使用强化学习校准在虚拟环境内的参数
EP4316918A1 (en) Vehicle abnormality detection device and vehicle abnormality detection method
CN114475628A (zh) 增强的部件尺寸确定
CN112668692A (zh) 利用gan对模拟数据的真实感进行量化
US20240053747A1 (en) Detection of autonomous operation of a vehicle
US12073668B1 (en) Machine-learned models for electric vehicle component health monitoring
CN113428168B (zh) 一种自动驾驶车辆控制方法、系统、介质及汽车
US20220314792A1 (en) Vehicle speed limiting
US20230334914A1 (en) Vehicle data storage activation
US20230339517A1 (en) Autonomous driving evaluation system
US20220198282A1 (en) Decision tree of models: using decision tree model, and replacing the leaves of the tree with other machine learning models

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication