DE102022121819A1

DE102022121819A1 - Verfahren und systeme zum schätzen einer restnutzungsdauer eines gebrauchsguts

Info

Publication number: DE102022121819A1
Application number: DE102022121819.8A
Authority: DE
Inventors: Devesh Upadhyay; Huanyi Shui; Dimitar Filev
Original assignee: Ford Global Technologies LLC
Current assignee: Ford Global Technologies LLC
Priority date: 2021-09-01
Filing date: 2022-08-29
Publication date: 2023-03-02
Also published as: CN115761934A; US20230068432A1

Abstract

Es werden Verfahren und Systeme zum Überwachen einer Gesundheit einer Fahrzeugkomponente bereitgestellt. In einer Ausführungsform wird ein Verfahren bereitgestellt, umfassend Aufteilen einer Population von Fahrzeugen einer verbundenen Fahrzeugpopulation in eine Vielzahl von Fahrzeugklassen; für jede Fahrzeugklasse der Vielzahl von Fahrzeugklassen Trainieren eines klassenspezifischen Modells der Fahrzeugklasse, um eine Gesundheitsstatusvariable einer in der Fahrzeugklasse beinhalteten Fahrzeugkomponente auf Grundlage von beschrifteten Daten aus historischen Datenbanken und Kalibrierungsdaten vorherzusagen; und für jede Fahrzeugklasse der Vielzahl von Fahrzeugklassen Verwenden einer ersten Strategie zum föderalen Lernen, um lokale Modelldaten von jedem Fahrzeug einer Vielzahl von Fahrzeugen der Fahrzeugklasse anzufordern; die lokalen Modelldaten von der Vielzahl von Fahrzeugen zu empfangen; das klassenspezifische Modell auf Grundlage der empfangenen lokalen Modelldaten zu aktualisieren; und aktualisierte Parameter des klassenspezifischen Modells an in der Fahrzeugklasse beinhaltete Fahrzeuge zu senden.

Description

Gebiet
Die vorliegende Beschreibung betrifft im Allgemeinen Verfahren und Systeme zum Überwachen der Gesundheit von physischen Gebrauchsgütern und insbesondere Schätzen einer Restnutzungsdauer von Fahrzeugkomponenten.
Allgemeiner Stand der Technik
Vorausschauende Instandhaltung, auch als zustandsbasierte Instandhaltung bekannt, ist eine Strategie, an der kontinuierliches Überwachen des Zustands von Gebrauchsgütern (z. B. Fahrzeugkomponenten) beteiligt ist, um Instandhaltungsmaßnahmen zu bestimmen, die zu gewissen Zeitpunkten ergriffen werden müssen. Systeme zur Prognose, Anomaliedetektion (anomaly detection - AD) und Vorhersage der Restnutzungsdauer (remaining useful life - RUL) können die Gesundheit der Gebrauchsgüter kontinuierlich überwachen und Mitteilungen bereitstellen, wenn eine Wartung empfohlen wird. Ein RUL-Vorhersagesystem kann ein oder mehrere RUL-Vorhersagemodelle beinhalten, die eine RUL eines Gebrauchsguts auf Grundlage von Daten des Gebrauchsguts schätzen, die im Laufe der Zeit gesammelt werden.
In einer herkömmlichen Fahrzeugumgebung ist ein lokales RUL-Vorhersagemodell in das Fahrzeug eingebettet und stützt sich auf lokale oder bordeigene Informationen, um den Gesundheitsstatus des Gebrauchsguts zu ermitteln. In einem verbundenen Fahrzeugsystem können die physischen Gebrauchsgüter zudem mit einem cloudbasierten Gesundheitsüberwachungssystem und mit anderen physischen Gebrauchsgütern über einen Internet-of-Things-(IoT-)Rahmen verbunden sein, wobei jedes Gebrauchsgut Informationen an das cloudbasierte Gesundheitsüberwachungssystem und die anderen Gebrauchsgüter übertragen und von diesen empfangen kann. Ein Master-RUL-Vorhersagemodell kann auf einem zentralen, cloudbasierten Server gepflegt werden, der auf Grundlage von empfangenen Gebrauchsgutpopulationsinformationen von einer Vielzahl von ähnlichen Fahrzeugen, die im praktischen Einsatz betrieben wird, sowie Informationen von Herstellern, die technische Informationen, Reparaturinformationen, Garantieinformationen und dergleichen beinhalten, Vorhersagen treffen kann. Zum Beispiel lehren Barfield et al. im US-Patent Nr. 9,881,428 Vorhersagen potentieller Komponentenbeeinträchtigungen in einem Fahrzeug durch Beurteilen von cloudbasierten Daten von einer Vielzahl von Fahrzeugen.
Kurzdarstellung
Die Erfinder der vorliegenden Erfindung haben jedoch potentielle Probleme beim Verwenden von verbundenen Fahrzeugdaten zum Pflegen von Master- und lokalen RUL-Modellen erkannt. Das Übertragen von Fahrzeugkomponentendaten an den cloudbasierten Server kann hinsichtlich der Bandbreite kostspielig sein, kann für Anwendungen, die sich auf Inferenz mit geringer Latenz stützen, zu viel Zeit in Anspruch nehmen und/oder kann Datenlecks und kompromittierten Datenschutz ergeben.
Eine Option, um diese Probleme zu beheben, besteht darin, einen verteilten Lernansatz wie etwa föderales Lernen (Federated Learning - FL) zu verwenden, um eine Modellaktualisierungsprozedur in eine Vielzahl von Lernsitzungen aufzuspalten, wobei während jeder Lernsitzung ein Master-RUL-Modell auf Grundlage von Daten von einer zufällig ausgewählten Teilmenge von lokalen RUL-Modellen aktualisiert wird, wobei Aktualisierungen im Laufe der Zeit an verbleibende lokale RUL-Modelle verbreitet werden. Die Genauigkeit von RUL-Modellen mit FL kann jedoch von einer unabhängigen und identischen Verteilung (independent and identical distribution - IID) von RUL-Modelldaten abhängen und eine implizite Heterogenität von RUL-Modelldaten aufgrund dessen, dass Parameter (Gewichtungen) von lokalen RUL-Modellen in unterschiedlichen Betriebsumgebungen stark variieren, kann zu schlechter Leistungsfähigkeit führen. Zusätzlich kann das Trainieren von RUL-Modellen durch eine Schwierigkeit des Erlangens von Ground-Truth-Informationen verkompliziert werden, die möglicherweise nur periodisch verfügbar sind, wenn eine Beeinträchtigung einer Komponente detektiert wird.
In einem Beispiel können die vorstehend beschriebenen Probleme durch ein Verfahren behoben werden, umfassend Aufteilen einer Population von Fahrzeugen einer verbundenen Fahrzeugpopulation in eine Vielzahl von Fahrzeugklassen; für jede Fahrzeugklasse der Vielzahl von Fahrzeugklassen Trainieren eines klassenspezifischen Modells der Fahrzeugklasse, um eine Gesundheitsstatusvariable einer in der Fahrzeugklasse beinhalteten Fahrzeugkomponente auf Grundlage von beschrifteten Daten aus historischen Datenbanken und Kalibrierungsdaten vorherzusagen; und für jede Fahrzeugklasse der Vielzahl von Fahrzeugklassen Verwenden einer ersten Strategie zum föderalen Lernen (FL-Strategie), um lokale Modelldaten von jedem Fahrzeug einer Vielzahl von Fahrzeugen der Fahrzeugklasse anzufordern; die lokalen Modelldaten von der Vielzahl von Fahrzeugen zu empfangen; das klassenspezifische Modell der Fahrzeugklasse auf Grundlage der empfangenen lokalen Modelldaten zu aktualisieren; und aktualisierte Parameter des aktualisierten, klassenspezifischen Modells an in der Fahrzeugklasse beinhaltete Fahrzeuge zu senden und ferner Anweisungen zum erneuten Trainieren von lokalen Modellen der Fahrzeuge mit den aktualisierten Parametern zu senden.
Als ein Beispiel kann ein Fahrzeug in einer Fahrzeugflotte eine Kraftstoffeinspritzvorrichtung und ein entsprechendes lokales Modell zum Vorhersagen einer RUL der Kraftstoffeinspritzvorrichtung beinhalten. Ein cloudbasiertes Gesundheitsüberwachungssystem, das mit der Flotte verbunden ist, kann die Flotte in eine Vielzahl von Fahrzeugklassen aufteilen, wobei jede Fahrzeugklasse ein klassenspezifisches RUL-Modell aufweist, das die RUL von Kraftstoffeinspritzvorrichtungen in der jeweiligen Fahrzeugklasse vorhersagt. Das klassenspezifische RUL-Modell kann an beschrifteten Kraftstoffeinspritzvorrichtungsdaten der jeweiligen Fahrzeugklasse, die Ground-Truth-Beeinträchtigungsdaten beinhalten, trainiert werden. Wenn Beeinträchtigungsdaten von Kraftstoffeinspritzvorrichtungen an Fahrzeugen der Flotte gesammelt werden und die lokalen RUL-Modelle entsprechend aktualisiert werden, können Parameter des klassenspezifischen RUL-Modells der Kraftstoffeinspritzvorrichtung über eine FL-Strategie aktualisiert werden, wodurch lokale RUL-Modelldaten iterativ von zufällig ausgewählten Teilen von Fahrzeugen der jeweiligen Fahrzeugklasse angefordert werden können, die verwendet werden, um die Parameter des klassenspezifischen RUL-Modells der Kraftstoffeinspritzvorrichtung zu aktualisieren, die wiederum an den zufällig ausgewählten Teil von Fahrzeugen der jeweiligen Fahrzeugklasse zurückgesendet werden können, um die lokalen RUL-Modelle der Kraftstoffeinspritzvorrichtungen des zufällig ausgewählten Teils von Fahrzeugen zu aktualisieren. Die FL-Strategie kann enden, wenn lokale RUL-Modellparameter eines zufällig ausgewählten Teils von Fahrzeugen mit den Parametern des klassenspezifischen RUL-Modells konvergieren. Zusätzlich kann ein Master-RUL-Modell der Kraftstoffeinspritzvorrichtungen der Fahrzeugflotte auf Grundlage der aktualisierten Parameter der klassenspezifischen RUL-Modelle der Vielzahl von Fahrzeugklassen aktualisiert werden.
Auf diese Weise kann eine Genauigkeit von RUL-Modellen auf allen von einer Flottenebene, einer Klassenebene und einer Fahrzeugebene erhöht werden. Durch Erhöhen der Genauigkeit der RUL-Modelle auf einer Flottenebene, einer Klassenebene und einer Fahrzeugebene können Beeinträchtigungen von Kraftstoffeinspritzvorrichtungen an Fahrzeugen genauer vorhergesagt werden, können Unterschiede zwischen Lebensdauern von Kraftstoffeinspritzvorrichtungen unterschiedlicher Fahrzeugklassen identifiziert werden und können Ausgestaltungsänderungen von Kraftstoffeinspritzvorrichtungen und Garantieinformationen bei einem Hersteller der Kraftstoffeinspritzvorrichtung auf besseren Informationen beruhen. Ein zusätzlicher Vorteil der in dieser Schrift offenbarten Verfahren und Systeme besteht darin, dass die Fahrzeugflotte auf Grundlage von entweder RUL-Modellleistungsfähigkeitsdaten oder Fahrzeugpopulationsverteilungsdaten in die Fahrzeugklassen partitioniert werden kann und eine Topologie oder Anzahl der Fahrzeugklassen eingestellt werden kann, wenn neue Daten verfügbar werden.
Es versteht sich, dass die vorstehende Kurzdarstellung bereitgestellt ist, um in vereinfachter Form eine Auswahl an Konzepten vorzustellen, die in der detaillierten Beschreibung ausführlicher beschrieben wird. Es ist nicht beabsichtigt, wichtige oder maßgebliche Merkmale des beanspruchten Gegenstands zu identifizieren, dessen Umfang einzig durch die Patentansprüche definiert ist, die auf die detaillierte Beschreibung folgen. Des Weiteren ist der beanspruchte Gegenstand nicht auf Umsetzungen beschränkt, die beliebige der vorstehend oder in einem beliebigen Teil dieser Offenbarung angeführten Nachteile beheben.
Figurenliste

1 veranschaulicht ein Schema eines Verbrennungsmotors, der in einem Hybridfahrzeug beinhaltet ist.
2 zeigt schematisch ein beispielhaftes Fahrzeugvortriebssystem.
3A ist ein Graph, der einen Gesundheitsindex einer Fahrzeugkomponente einer ersten Fahrzeugklasse veranschaulicht.
3B ist ein Graph, der einen Gesundheitsindex einer Fahrzeugkomponente einer zweiten Fahrzeugklasse veranschaulicht.
3C ist ein Graph, der einen Gesundheitsindex einer Fahrzeugkomponente von unterschiedlichen Fahrzeugunterklassen einer Fahrzeugklasse veranschaulicht.
4 veranschaulicht ein beispielhaftes System zum Aktualisieren von RUL-Modellen unter Nutzung von verbundenen Fahrzeugdaten.
5 ist ein Ablaufdiagramm, das ein beispielhaftes Verfahren auf hoher Ebene zum Aktualisieren von RUL-Modellen unter Verwendung von föderalem Lernen auf Grundlage von verbundenen Fahrzeugdaten veranschaulicht.
6 ist ein Ablaufdiagramm, das ein beispielhaftes Verfahren zum Aktualisieren eines RUL-Modells einer Fahrzeugkomponente veranschaulicht.
7 ist ein Ablaufdiagramm, das ein beispielhaftes Verfahren zum Einleiten einer neuen RUL-Modelllernsitzung für eine Fahrzeugkomponente veranschaulicht.
8 ist ein Ablaufdiagramm, das ein erstes beispielhaftes Verfahren zum Partitionieren einer Fahrzeugpopulation in Fahrzeugklassen veranschaulicht.
9 ist ein Ablaufdiagramm, das ein zweites beispielhaftes Verfahren zum Partitionieren einer Fahrzeugpopulation in Fahrzeugklassen veranschaulicht.
10A zeigt eine beispielhafte Fahrzeugpopulation, die in Unterklassen aufgeteilt ist.
10B zeigt eine Änderung bei einer Fahrzeugpopulationsverteilung, wenn der Population neue Stichproben hinzugefügt werden.
10C zeigt, wie Fahrzeugunterklassen auf Grundlage von neuen Stichprobenbeeinträchtigungsdaten unter Verwendung von unüberwachtem Lernen eingestellt werden.
11 ist ein Graph, der eine Abnahme bei einem Gesundheitsindex einer Fahrzeugkomponente über eine Lebensdauer der Fahrzeugkomponente zeigt.

Detaillierte Beschreibung
Die folgende Beschreibung betrifft Systeme und Verfahren zum Pflegen und kontinuierlichen Aktualisieren von Modellen einer Restnutzungsdauer (RUL-Modellen) einer Fahrzeugkomponente auf Grundlage von Daten, die von einer Fahrzeugpopulation empfangen werden. Die Fahrzeugpopulation kann eine verbundene Fahrzeugpopulation sein, wobei die Steuerung über ein drahtloses Modem des Fahrzeugs mit einer Vielzahl von anderen Fahrzeugen der verbundenen Fahrzeugpopulation und einem oder mehreren cloudbasierten Diensten, wie etwa einem cloudbasierten Gesundheitsüberwachungssystem, kommunizieren kann. Wie nachstehend ausführlicher beschrieben, können die RUL-Modelle auf Grundlage von Daten trainiert und aktualisiert werden, die von anderen Fahrzeugen der verbundenen Fahrzeugpopulation empfangen werden, die die Fahrzeugkomponente beinhalten.
Die RUL-Modelle können durch einen Hersteller des Fahrzeugs vor dem Einsatz erzeugt werden. Ein lokales RUL-Modell kann eine RUL einer spezifischen Komponente an einem Fahrzeug des verbundenen Fahrzeugsystems vorhersagen. Das lokale RUL-Modell kann verwendet werden, um eine Wahrscheinlichkeit zu reduzieren, dass das Gebrauchsgut im praktischen Einsatz beeinträchtigt wird, und um zu schätzen, wann das Fahrzeug zur Wartung gebracht werden sollte. Ein Master-RUL-Modell kann eine Gesamt-RUL der Fahrzeugkomponente über das verbundene Fahrzeugsystem hinweg vorhersagen. Das Master-RUL-Modell kann zum Beispiel verwendet werden, um Rückrufaktionen vorzubereiten und zu verwalten, Informationen für Ausgestaltungsänderungen zu liefern, Flotteninstandhaltungspläne zu optimieren, während Ausfallzeiten und Betriebskosten der Flotte minimiert werden.
Zusätzlich kann ein klassenspezifisches RUL-Modell eine RUL von Komponenten von Fahrzeugen vorhersagen, die zu einer Fahrzeugklasse des verbundenen Fahrzeugsystems gehören. Zum Beispiel kann eine Komponente eines Fahrzeugtyps, der in Michigan betrieben wird, aufgrund von Variationen bei der Luftfeuchtigkeit mit einer anderen Geschwindigkeit beeinträchtigt werden als eine gleiche Komponente des gleichen Fahrzeugtyps, der in Florida betrieben wird. Komponenten können zudem aufgrund von Fahrerverhalten, Verkehrsmustern und/oder anderen Betriebsfaktoren mit einer anderen Geschwindigkeit beeinträchtigt werden. Aufgrund von Variationen bei der Verschlechterung zwischen Fahrzeugen aufgrund von Faktoren wie etwa Luftfeuchtigkeit, Höhe, Straßenbedingungen, Betriebsbedingungen usw. können verbundene Fahrzeugdaten über eine Fahrzeugpopulation im Laufe der Zeit unausgeglichen oder verzerrt werden. Um eine RUL-Vorhersagegenauigkeit beizubehalten und/oder zu erhöhen, können daher unterschiedliche klassenspezifische RUL-Modelle für unterschiedliche Fahrzeugklassen erzeugt werden, wobei eine Variation bei Faktoren, die zu einer Verschlechterung führen, innerhalb der unterschiedlichen Fahrzeugklassen minimiert werden kann. Um eine Genauigkeit der RUL-Modelle zu erhöhen, werden Verfahren vorgeschlagen, um die RUL-Modelle auf Grundlage von Daten, die von dem verbundenen Fahrzeugsystem empfangen werden, zu trainieren und kontinuierlich zu aktualisieren.
Ein Fahrzeug kann einen Verbrennungsmotor, wie etwa den in 1 abgebildeten Verbrennungsmotor, innerhalb eines Fahrzeugvortriebssystems, wie etwa des Fahrzeugvortriebssystems aus 2, beinhalten. Eine Komponente des Fahrzeugs kann eine RUL aufweisen, die auf Grundlage eines oder mehrerer RUL-Modelle aktualisiert werden kann. Das eine oder die mehreren RUL-Modelle können für eine Komponente einer Klasse und/oder Unterklasse des Fahrzeugs spezifisch sein, wie in 3A-3C gezeigt, wobei die Klassen und/oder Unterklassen auf Variablen basieren können, die einen geografischen Standort des Fahrzeugs und einen Fahrstil eines Fahrers des Fahrzeugs beinhalten. Das eine oder die mehreren RUL-Modelle können auf Grundlage von RUL- und/oder Beeinträchtigungsdaten der Komponente aktualisiert werden, die aus einer oder mehreren Herstellungsdatenbanken und/oder einem verbundenen Fahrzeugsystem über ein cloudbasiertes RUL-Serversystem, wie etwa das RUL-Serversystem 401 aus 4, zu verschiedenen Zeitpunkten in einer Lebensdauer der Komponente gesammelt werden, wie in 11 gezeigt. Die RUL-Modelle können auf Fahrzeugklassen basieren, die unter Verwendung eines ersten Partitionierungsverfahrens 800 aus 8 oder eines zweiten Partitionierungsverfahrens 900 aus 9 ermittelt werden können, wie in 10A, 10B und 10C grafisch angegeben. Die RUL-Modelle können auf Grundlage von föderalem Lernen gemäß einer Prozedur, wie etwa der durch ein Verfahren 500 aus 5 beschriebenen Prozedur, aktualisiert werden. Ein Aktualisieren eines RUL-Modells kann ausgeführt werden, wie in 6 gezeigt. Das Aktualisieren von RUL-Modellen kann während Modelllernsitzungen der Prozedur zum föderalen Lernen auftreten, wie in einem Verfahren 700 aus 7 beschrieben.
1 zeigt eine schematische Abbildung eines Hybridfahrzeugsystems 6, das Vortriebsleistung von dem Verbrennungsmotorsystem 8 und/oder einer bordeigenen Energiespeichervorrichtung beziehen kann. Eine Energieumwandlungsvorrichtung, wie etwa ein Generator, kann betrieben werden, um Energie aus der Fahrzeugbewegung und/oder dem Verbrennungsmotorbetrieb zu absorbieren und die absorbierte Energie dann in eine zur Speicherung durch die Energiespeichervorrichtung geeignete Energieform umzuwandeln.
Das Verbrennungsmotorsystem 8 kann einen Verbrennungsmotor 10 beinhalten, der eine Vielzahl von Zylindern 30 aufweist. Der Verbrennungsmotor 10 beinhaltet einen Verbrennungsmotoreinlass 23 und einen Verbrennungsmotorauslass 25. Der Verbrennungsmotoreinlass 23 beinhaltet eine Luftansaugdrossel 62, die über einen Ansaugkanal 42 fluidisch an den Verbrennungsmotoransaugkrümmer 44 gekoppelt ist. Luft kann über ein Luftfilter 52 in den Ansaugkanal 42 eintreten. Der Verbrennungsmotorauslass 25 beinhaltet einen Abgaskrümmer 48, der zu einem Abgaskanal 35 führt, der Abgas in die Atmosphäre leitet. Der Verbrennungsmotorauslass 25 kann eine oder mehrere Emissionssteuervorrichtungen 70 beinhalten, die an einer motornahen Position oder an einer fernen Unterbodenposition montiert sind. Die eine oder mehreren Emissionssteuervorrichtungen können einen Dreiwegekatalysator, eine Mager-NOx-Falle, ein Dieselpartikelfilter, einen Oxidationskatalysator usw. beinhalten. Es versteht sich, dass andere Komponenten in dem Verbrennungsmotor beinhaltet sein können, wie etwa eine Vielfalt an Ventilen und Sensoren, wie in dieser Schrift weiter ausgeführt. In einigen Ausführungsformen, in denen das Verbrennungsmotorsystem 8 ein aufgeladenes Verbrennungsmotorsystem ist, kann das Verbrennungsmotorsystem ferner eine Aufladevorrichtung, wie etwa einen Turbolader (nicht gezeigt), beinhalten.
Das Fahrzeugsystem 6 kann ferner ein Steuersystem 14 beinhalten. Es ist gezeigt, dass das Steuersystem 14 Informationen von einer Vielzahl von Sensoren 16 (für die in dieser Schrift verschiedene Beispiele beschrieben sind) empfängt und Steuersignale an eine Vielzahl von Aktoren 81 (für die in dieser Schrift verschiedene Beispiele beschrieben sind) sendet. Als ein Beispiel können die Sensoren 16 einen Abgassensor 126, der sich stromaufwärts der Emissionssteuervorrichtung befindet, einen Temperatursensor 128 und einen Drucksensor 129 beinhalten. Andere Sensoren, wie etwa zusätzliche Druck-, Temperatur-, Luft-KraftstoffVerhältnis- und Zusammensetzungssensoren, können an verschiedene Stellen in dem Fahrzeugsystem 6 gekoppelt sein. Als ein anderes Beispiel können die Aktoren die Drossel 62 beinhalten.
Die Steuerung 12 kann als herkömmlicher Mikrocomputer konfiguriert sein, der eine Mikroprozessoreinheit, Eingangs-/Ausgangsanschlüsse, Festwertspeicher, Direktzugriffsspeicher, Keep-Alive-Speicher, einen Controller-Area-Network-(CAN-)Bus usw. beinhaltet. Die Steuerung 12 kann als Antriebsstrangsteuermodul (powertrain control module - PCM) konfiguriert sein. Für zusätzliche Energieeffizienz kann die Steuerung zwischen einem Ruhe- und einem Weckmodus umgeschaltet werden. Die Steuerung kann Eingabedaten von den verschiedenen Sensoren empfangen, die Eingabedaten verarbeiten und die Aktoren als Reaktion auf die verarbeiteten Eingabedaten auf Grundlage einer darin programmierten Anweisung oder eines darin programmierten Codes, die/der einer oder mehreren Routinen entspricht, auslösen.
In einigen Beispielen umfasst das Hybridfahrzeug 6 mehrere Drehmomentquellen, die einem oder mehreren Fahrzeugrädern 59 zur Verfügung stehen. In anderen Beispielen ist das Fahrzeug 6 ein herkömmliches Fahrzeug nur mit einem Verbrennungsmotor oder ein Elektrofahrzeug nur mit (einer) elektrischen Maschine(n). In dem gezeigten Beispiel beinhaltet das Fahrzeug 6 den Verbrennungsmotor 10 und eine elektrische Maschine 51. Die elektrische Maschine 51 kann ein Elektromotor oder ein Motor/Generator sein. Eine Kurbelwelle des Verbrennungsmotors 10 und die elektrische Maschine 51 können über ein Getriebe 54 mit den Fahrzeugrädern 59 verbunden sein, wenn eine oder mehrere Kupplungen 56 eingekuppelt sind.
In dem abgebildeten Beispiel ist eine erste Kupplung 56 zwischen einer Kurbelwelle und der elektrischen Maschine 51 bereitgestellt und ist eine zweite Kupplung 56 zwischen der elektrischen Maschine 51 und dem Getriebe 54 bereitgestellt. Die Steuerung 12 kann ein Signal an einen Aktor jeder Kupplung 56 senden, um die Kupplung einzukuppeln oder auszukuppeln, um die Kurbelwelle mit der elektrischen Maschine 51 und den damit verbundenen Komponenten zu verbinden bzw. davon zu trennen und/oder um die elektrische Maschine 51 mit dem Getriebe 54 und den damit verbundenen Komponenten zu verbinden bzw. davon zu trennen. Bei dem Getriebe 54 kann es sich um ein Schaltgetriebe, ein Planetenradsystem oder einen anderen Getriebetyp handeln. Der Antriebsstrang kann auf verschiedene Weisen konfiguriert sein, was als Parallel-, Serien- oder Serien-Parallel-Hybridfahrzeug beinhaltet.
Die elektrische Maschine 51 nimmt elektrische Leistung von einer Traktionsbatterie 61 auf, um den Fahrzeugrädern 59 Drehmoment bereitzustellen. Die elektrische Maschine 51 kann zudem als Generator betrieben werden, um zum Beispiel während eines Bremsvorgangs elektrische Leistung zum Aufladen der Batterie 61 bereitzustellen.
2 veranschaulicht ein beispielhaftes Fahrzeugvortriebssystem 200, das ein nicht einschränkendes Beispiel für das Hybridfahrzeugsystem 6 aus 1 ist. Das Fahrzeugvortriebssystem 200 beinhaltet einen Kraftstoffverbrennungsmotor 210 und einen Elektromotor 220. Als ein nicht einschränkendes Beispiel umfasst der Verbrennungsmotor 210 eine Brennkraftmaschine und umfasst der Elektromotor 220 einen elektrischen Motor. Der Verbrennungsmotor 210 kann ein nicht einschränkendes Beispiel für den Verbrennungsmotor 10 aus 1 sein und der Elektromotor 220 kann ein nicht einschränkendes Beispiel für die elektrische Maschine 51 aus 1 sein. Der Elektromotor 220 kann dazu konfiguriert sein, eine andere Energiequelle zu nutzen oder zu verbrauchen als der Verbrennungsmotor 210. Zum Beispiel kann der Verbrennungsmotor 210 einen Flüssigkraftstoff (z. B. Benzin) verbrauchen, um eine Verbrennungsmotorausgabe zu produzieren, während der Elektromotor 220 elektrische Energie verbrauchen kann, um eine Elektromotorausgabe zu produzieren. Demnach kann ein Fahrzeug mit dem Vortriebssystem 200 als Hybridelektrofahrzeug (hybrid electric vehicle - HEV) bezeichnet werden.
Das Fahrzeugvortriebssystem 200 kann abhängig von Betriebsbedingungen, auf die das Fahrzeugvortriebssystem stößt, eine Vielfalt an unterschiedlichen Betriebsmodi nutzen. Einige dieser Modi können ermöglichen, dass der Verbrennungsmotor 210 in einem ausgeschalteten Zustand (d. h. auf einen abgeschalteten Zustand festgelegt) gehalten wird, in dem die Verbrennung von Kraftstoff an dem Verbrennungsmotor unterbrochen ist. Zum Beispiel kann der Elektromotor 220 das Fahrzeug unter ausgewählten Betriebsbedingungen über das Antriebsrad 230 vortreiben, wie durch den Pfeil 222 angegeben, während der Verbrennungsmotor 210 abgeschaltet ist, was in dieser Schrift als rein elektrischer Betrieb bezeichnet werden kann.
Während anderer Betriebsbedingungen kann der Verbrennungsmotor 210 auf einen abgeschalteten Zustand festgelegt sein (wie vorstehend beschrieben), während der Elektromotor 220 betrieben werden kann, um eine Energiespeichervorrichtung 250 aufzuladen. Zum Beispiel kann der Elektromotor 220 ein Raddrehmoment von dem Antriebsrad 230 empfangen, wie durch den Pfeil 222 angegeben, wobei der Elektromotor die kinetische Energie des Fahrzeugs in elektrische Energie zur Speicherung in der Energiespeichervorrichtung 250 umwandeln kann, wie durch den Pfeil 224 angegeben. Dieser Betrieb kann als Nutzbremsung des Fahrzeugs bezeichnet werden. Somit kann der Elektromotor 220 in einigen Beispielen eine Generatorfunktion bereitstellen. In anderen Beispielen kann stattdessen jedoch ein Generator 260 das Raddrehmoment von dem Antriebsrad 230 empfangen, wobei der Generator die kinetische Energie des Fahrzeugs in elektrische Energie zur Speicherung in der Energiespeichervorrichtung 250 umwandeln kann, wie durch den Pfeil 262 angegeben. In einigen Beispielen kann der Verbrennungsmotor 210 während der Nutzbremsung abgeschaltet werden und kann die Traktion an dem Antriebsrad 230 negativ sein, sodass sich der Elektromotor 220 rückwärts drehen und die Energiespeichervorrichtung 250 wiederaufladen kann. Somit kann Nutzbremsung von einem rein elektrischen Betrieb unterschieden werden, bei dem der Elektromotor 220 positive Traktion an dem Antriebsrad 230 bereitstellen kann, wodurch ein SOC der Energiespeichervorrichtung 250 verringert wird, während der Verbrennungsmotor 210 abgeschaltet ist.
Während noch anderer Betriebsbedingungen kann der Verbrennungsmotor 210 betrieben werden, indem Kraftstoff verbrannt wird, der von einem Kraftstoffsystem 240 empfangen wird, wie durch den Pfeil 242 angegeben. Zum Beispiel kann der Verbrennungsmotor 210 betrieben werden, um das Fahrzeug über das Antriebsrad 230 vorzutreiben, wie durch den Pfeil 212 angegeben, während der Elektromotor 220 abgeschaltet ist, wie etwa während eines Ladungserhaltungsbetriebs. Während anderer Betriebsbedingungen können sowohl der Verbrennungsmotor 210 als auch der Elektromotor 220 jeweils betrieben werden, um das Fahrzeug über das Antriebsrad 230 vorzutreiben, wie durch den Pfeil 212 bzw. 222 angegeben. Eine Konfiguration, in der sowohl der Verbrennungsmotor als auch der Elektromotor das Fahrzeug selektiv vortreiben können, kann als Fahrzeugvortriebssystem vom Paralleltyp oder als Hybridvortrieb bezeichnet werden. Es ist anzumerken, dass in einigen Beispielen der Elektromotor 220 das Fahrzeug über einen ersten Satz von Antriebsrädern vortreiben kann und der Verbrennungsmotor 210 das Fahrzeug über einen zweiten Satz von Antriebsrädern vortreiben kann.
In anderen Beispielen kann das Fahrzeugvortriebssystem 200 als Fahrzeugvortriebssystem vom Serientyp konfiguriert sein, wodurch der Verbrennungsmotor die Antriebsräder nicht direkt vortreibt. Vielmehr kann der Verbrennungsmotor 210 durch den Leistungsmotor 220 betrieben werden, der wiederum das Fahrzeug über das Antriebsrad 230 vortreiben kann, wie durch den Pfeil 222 angegeben. Zum Beispiel kann der Verbrennungsmotor 210 während ausgewählter Betriebsbedingungen den Generator 260 antreiben, wie durch den Pfeil 216 angegeben, der wiederum einem oder mehreren von dem Elektromotor 220, wie durch den Pfeil 214 angegeben, oder der Energiespeichervorrichtung 250, wie durch den Pfeil 262 angegeben, elektrische Energie zuführen kann. Als ein anderes Beispiel kann der Verbrennungsmotor 210 betrieben werden, um den Elektromotor 220 anzutreiben, der wiederum eine Generatorfunktion bereitstellen kann, um die Verbrennungsmotorausgabe in elektrische Energie umzuwandeln, wobei die elektrische Energie zur späteren Verwendung durch den Elektromotor in der Energiespeichervorrichtung 250 gespeichert werden kann.
In noch anderen Beispielen, die nachstehend ausführlicher erörtert werden, kann der Elektromotor 220 dazu konfiguriert sein, den Verbrennungsmotor ohne Kraftstoffzufuhr unter Verwendung von Energie, die über die Energiespeichervorrichtung 250 bereitgestellt wird, wie durch den Pfeil 286 beispielhaft dargestellt, in einer Vorwärts- (z. B. Standardausrichtung) oder Rückwärtsausrichtung zu drehen.
Das Kraftstoffsystem 240 kann einen oder mehrere Kraftstoffspeichertanks 244 zum Speichern von Kraftstoff an Bord des Fahrzeugs beinhalten. Zum Beispiel kann der Kraftstofftank 244 einen oder mehrere Flüssigkraftstoffe speichern, die unter anderem Benzin, Diesel und Alkoholkraftstoffe beinhalten. In einigen Beispielen kann der Kraftstoff als Gemisch aus zwei oder mehr unterschiedlichen Kraftstoffen an Bord des Fahrzeugs gespeichert sein. Zum Beispiel kann der Kraftstofftank 244 dazu konfiguriert sein, ein Gemisch aus Diesel und Biodiesel, Benzin und Ethanol (z. B. E10, E85 usw.) oder ein Gemisch aus Benzin und Methanol (z. B. M10, M85 usw.) zu speichern, wodurch diese Kraftstoffe oder Kraftstoffgemische an den Verbrennungsmotor 210 abgegeben werden können, wie durch den Pfeil 242 angegeben. Es können noch andere geeignete Kraftstoffe oder Kraftstoffgemische dem Verbrennungsmotor 210 zugeführt werden, wobei sie in dem Verbrennungsmotor verbrannt werden können, um eine Verbrennungsmotorausgabe zu produzieren. Die Verbrennungsmotorausgabe kann genutzt werden, um das Fahrzeug vorzutreiben, wie durch den Pfeil 212 angegeben, oder die Energiespeichervorrichtung 250 über den Elektromotor 220 oder den Generator 260 wiederaufzuladen.
In einigen Beispielen kann die Energiespeichervorrichtung 250 dazu konfiguriert sein, elektrische Energie zu speichern, die anderen elektrischen Verbrauchern (als dem Elektromotor) zugeführt werden kann, die sich an Bord des Fahrzeugs befinden und die Kabinenheizung und -klimatisierung, Verbrennungsmotorstart, Scheinwerfer, Kabinenaudio- und -videosysteme usw. beinhalten. Als ein nicht einschränkendes Beispiel kann die Energiespeichervorrichtung 250 eine/einen oder mehrere Batterien und/oder Kondensatoren beinhalten. In einigen Beispielen kann ein Erhöhen der elektrischen Energie, die von der Energiespeichervorrichtung 250 zugeführt wird, eine Reichweite im rein elektrischen Betrieb verringern, wie nachstehend ausführlicher beschrieben wird.
Ein Steuersystem 290 kann mit einem oder mehreren von dem Verbrennungsmotor 210, dem Elektromotor 220, dem Kraftstoffsystem 240, der Energiespeichervorrichtung 250 und dem Generator 260 kommunizieren. In einigen Beispielen kann das Steuersystem 290 ähnlich der Steuerung 12 aus 1 verwendet werden. Das Steuersystem 290 kann sensorische Rückmeldungsinformationen von einem oder mehreren von dem Verbrennungsmotor 210, dem Elektromotor 220, dem Kraftstoffsystem 240, der Energiespeichervorrichtung 250 und dem Generator 260 empfangen. Ferner kann das Steuersystem 290 als Reaktion auf diese sensorische Rückmeldung Steuersignale an eines oder mehrere von dem Verbrennungsmotor 210, dem Elektromotor 220, dem Kraftstoffsystem 240, der Energiespeichervorrichtung 250 und dem Generator 260 senden. In einigen Beispielen kann das Steuersystem 290 eine Angabe einer durch einen Bediener angeforderten Ausgabe des Fahrzeugvortriebssystems von einem Fahrzeugführer 202 empfangen. Zum Beispiel kann das Steuersystem 290 eine sensorische Rückmeldung von einem Pedalpositionssensor 294 empfangen, der mit einem Pedal 292 kommuniziert. Das Pedal 292 kann sich schematisch auf ein Bremspedal und/oder ein Fahrpedal beziehen. Des Weiteren kann das Steuersystem 290 in einigen Beispielen mit einem Verbrennungsmotorfemstartempfänger 295 (oder -sendeempfänger) in Kommunikation stehen, der drahtlose Signale 206 von einem Funkschlüssel 204 empfängt, der eine Fernstarttaste 205 aufweist. In anderen Beispielen (nicht gezeigt) kann ein Verbrennungsmotorfernstart über ein Mobiltelefon oder ein smartphonebasiertes System, bei dem das Mobiltelefon eines Benutzers Daten an einen Server sendet und der Server mit dem Fahrzeug kommuniziert, eingeleitet werden, um den Verbrennungsmotor zu starten.
In einigen Beispielen kann das Fahrzeugvortriebssystem 200 zusätzlich oder alternativ dazu konfiguriert sein, autonom (z. B. ohne einen menschlichen Fahrzeugführer) betrieben zu werden. Demnach kann das Steuersystem 290 eine oder mehrere gewünschte Verbrennungsmotorbetriebsbedingungen auf Grundlage von geschätzten derzeitigen Fahrbedingungen bestimmen.
Die Energiespeichervorrichtung 250 kann periodisch elektrische Energie aus einer Leistungsquelle 280 aufnehmen, die sich außerhalb des Fahrzeugs befindet (z. B. nicht Teil des Fahrzeugs ist), wie durch den Pfeil 284 angegeben. Als ein nicht einschränkendes Beispiel kann das Fahrzeugvortriebssystem 200 als Plug-in-Hybridelektrofahrzeuge (plug-in hybrid electric vehicle - HEV) konfiguriert sein, wodurch der Energiespeichervorrichtung 250 elektrische Energie aus der Leistungsquelle 280 über ein Übertragungskabel 282 für elektrische Energie zugeführt werden kann. Während eines Aufladevorgangs der Energiespeichervorrichtung 250 anhand der Leistungsquelle 280 kann das elektrische Übertragungskabel 282 die Energiespeichervorrichtung 250 und die Leistungsquelle 280 elektrisch koppeln. Während das Fahrzeugvortriebssystem betrieben wird, um das Fahrzeug vorzutreiben, kann das elektrische Übertragungskabel 282 zwischen der Leistungsquelle 280 und der Energiespeichervorrichtung 250 getrennt sein. Das Steuersystem 290 kann die in der Energiespeichervorrichtung gespeicherte Menge an elektrischer Energie, die als Ladezustand (state of charge - SOC) bezeichnet werden kann, identifizieren und/oder steuern.
In anderen Beispielen kann das elektrische Übertragungskabel 282 weggelassen werden, wobei elektrische Energie an der Energiespeichervorrichtung 250 drahtlos aus der Leistungsquelle 280 aufgenommen werden kann. Zum Beispiel kann die Energiespeichervorrichtung 250 elektrische Energie über eines oder mehrere von elektromagnetischer Induktion, Funkwellen und elektromagnetischer Resonanz aus der Leistungsquelle 280 aufnehmen. Demnach versteht es sich, dass ein beliebiger geeigneter Ansatz zum Wiederaufladen der Energiespeichervorrichtung 250 anhand einer Leistungsquelle, die nicht Teil des Fahrzeugs ist, verwendet werden kann. Auf diese Weise kann der Elektromotor 220 das Fahrzeug durch Nutzen einer anderen Energiequelle als des durch den Verbrennungsmotor 210 genutzten Kraftstoffs vortreiben.
Das Kraftstoffsystem 240 kann periodisch Kraftstoff aus einer Kraftstoffquelle aufnehmen, die sich außerhalb des Fahrzeugs befindet. Als ein nicht einschränkendes Beispiel kann das Fahrzeugvortriebssystem 200 betankt werden, indem Kraftstoff über eine Kraftstoffabgabevorrichtung 270 aufgenommen wird, wie durch den Pfeil 272 angegeben. In einigen Beispielen kann der Kraftstofftank 244 dazu konfiguriert sein, den von der Kraftstoffabgabevorrichtung 270 aufgenommenen Kraftstoff zu speichern, bis er dem Verbrennungsmotor 210 zur Verbrennung zugeführt wird. In einigen Beispielen kann das Steuersystem 290 eine Angabe des Füllstands des in dem Kraftstofftank 244 gespeicherten Kraftstoffs über einen Kraftstofffüllstandsensor empfangen. Der Füllstand des in dem Kraftstofftank 244 gespeicherten Kraftstoffs (z. B. wie durch den Kraftstofffüllstandsensor identifiziert) kann dem Fahrzeugführer zum Beispiel über eine Kraftstoffanzeige oder eine Angabe an einem Fahrzeugarmaturenbrett 296 kommuniziert werden.
Das Fahrzeugvortriebssystem 200 kann zudem einen Umgebungstemperatur-/- luftfeuchtigkeitssensor 298 und einen Rollstabilitätssteuersensor, wie etwa einen Querbeschleunigungs- und/oder Längsbeschleunigungs- und/oder Gierratensensor 299, beinhalten. Das Fahrzeugarmaturenbrett 296 kann (eine) Anzeigeleuchte(n) und/oder eine textbasierte Anzeige, auf der einem Bediener Nachrichten angezeigt werden, beinhalten. Das Fahrzeugarmaturenbrett 296 kann zudem verschiedene Eingabeabschnitte zum Empfangen einer Bedienereingabe beinhalten, wie etwa Tasten, Touchscreens, Spracheingabe/-erkennung usw. Zum Beispiel kann das Fahrzeugarmaturenbrett 296 eine Betankungstaste 297 beinhalten, die durch einen Fahrzeugführer manuell betätigt oder gedrückt werden kann, um das Betanken einzuleiten. Zum Beispiel kann, wie nachstehend ausführlicher beschrieben, als Reaktion darauf, dass der Fahrzeugführer die Betankungstaste 297 betätigt, der Druck in einem Kraftstofftank in dem Fahrzeug herabgesetzt werden, sodass das Betanken durchgeführt werden kann.
Das Steuersystem 290 kann unter Verwendung zweckmäßiger Kommunikationstechnologie, wie sie im Fach bekannt ist, kommunikativ an andere Fahrzeuge oder Infrastrukturen gekoppelt sein. Zum Beispiel kann das Steuersystem 290 über ein drahtloses Netzwerk 231, das Wi-Fi, Bluetooth, einen Typ von Mobilfunkdienst, ein drahtloses Datenübertragungsprotokoll und so weiter umfassen kann, an andere Fahrzeuge oder Infrastrukturen gekoppelt sein. Das Steuersystem 290 kann Informationen bezüglich Fahrzeugdaten, Fahrzeugdiagnose, Verkehrsbedingungen, Fahrzeugstandortinformationen, Fahrzeugbetriebsprozeduren usw. über Fahrzeug-zu-Fahrzeug-(V2V-), Fahrzeug-zu-Infrastruktur-zu-Fahrzeug-(V2I2V-) und/oder Fahrzeug-zu-Infrastruktur-(V2I- oder V2X-)Technologie aussenden (und empfangen). Die Kommunikation und die Informationen, die zwischen Fahrzeugen ausgetauscht werden, können entweder direkt zwischen Fahrzeugen oder über Multi-Hop ausgetauscht werden. In einigen Beispielen kann Kommunikation mit größerer Reichweite (z. B. WiMax) anstelle von oder in Verbindung mit V2V oder V2I2V verwendet werden, um den Abdeckungsbereich um einige Meilen zu erweitern. In noch anderen Beispielen kann das Fahrzeugsteuersystem 290 über ein drahtloses Netzwerk 231 und das Internet (z. B. Cloud) kommunikativ an andere Fahrzeuge oder Infrastrukturen gekoppelt sein, wie es im Fach üblicherweise bekannt ist. Ein Beispiel für eine V2V-Kommunikationsvorrichtung kann ein Netzwerk zur dedizierten Nahbereichskommunikation (dedicated short range communication - DSRC) beinhalten, das es Fahrzeugen innerhalb einer Schwellennähe (z. B. 5.000 Fuß) ermöglichen kann, ohne Internetverbindung zu kommunizieren (z. B. Informationen zu übertragen).
Das drahtlose Netzwerk 231 kann ein oder mehrere Rechensysteme (z. B. Server) beinhalten, die einen Speicher und einen oder mehrere Prozessoren beinhalten. Der Speicher kann dazu konfiguriert sein, verschiedene AD/RUL-Modelle, wie in dieser Schrift beschrieben, sowie verschiedene Daten zu speichern, die diesen bereitgestellt werden, was Fahrzeugbetriebs-/Sensordaten beinhaltet, die von mehreren Fahrzeugen erlangt werden. Der Prozessor kann die in dem Speicher gespeicherten Anweisungen ausführen, um die Fahrzeugbetriebs-/Sensordaten in die verschiedenen Modelle einzugeben und diese periodisch zu aktualisieren, wie nachstehend beschrieben.
Das Fahrzeugvortriebssystem 200 kann zudem ein bordeigenes Navigationssystem 232 (zum Beispiel ein globales Positionsbestimmungssystem) beinhalten, mit dem ein Bediener des Fahrzeugs interagieren kann. Das Navigationssystem 232 kann einen oder mehrere Standortsensoren zum Unterstützen beim Schätzen der Fahrzeuggeschwindigkeit, der Fahrzeughöhe, der Fahrzeugposition/des Fahrzeugstandorts usw. beinhalten. Diese Informationen können verwendet werden, um Verbrennungsmotorbetriebsparameter, wie etwa den lokalen Luftdruck, abzuleiten. Wie vorstehend erörtert, kann das Steuersystem 290 ferner dazu konfiguriert sein, Informationen über das Internet oder andere Kommunikationsnetzwerke zu empfangen. Von dem GPS empfangene Informationen können auf Informationen querverwiesen sein, die über das Internet verfügbar sind, um lokale Wetterbedingungen, lokale Fahrzeugvorschriften usw. zu bestimmen.
In einigen Beispielen kann das Fahrzeugvortriebssystem 200 eine oder mehrere bordeigene Kameras 235 beinhalten. Die bordeigenen Kameras 235 können zum Beispiel Fotos und/oder Videobilder an das Steuersystem 290 kommunizieren. Bordeigene Kameras können in einigen Beispielen genutzt werden, um zum Beispiel Bilder innerhalb eines vorbestimmten Radius des Fahrzeugs aufzuzeichnen. Die bordeigenen Kameras 235 können an einer Außenfläche des Fahrzeugs angeordnet sein, sodass ein Bereich, der das Fahrzeug umgibt und/oder benachbart dazu ist, visualisiert werden kann.
Fahrzeuge weisen Komponenten auf, die unter einer Vielzahl von Bedingungen beeinträchtigt werden, und Hersteller können Modelle (die RUL- und AD-Modelle beinhalten) entwickeln, die vorhersagen, wann Fahrzeugkomponenten beeinträchtigt werden können. Die Modelle können verwendet werden, um den Bediener zu benachrichtigen, damit das Fahrzeug gewartet werden kann. Die Schwellenwerte können jedoch auf empirischen Modellen basieren, die an neuen Fahrzeugen getestet wurden oder unter eingeschränkten Bedingungen und dergleichen getestet wurden, sodass die Modelle falsch positive oder falsch negative Bestimmungen der Beeinträchtigung ergeben können. Falsch positive und falsch negative Ergebnisse stellen Unannehmlichkeiten für den Fahrzeugführer bereit, die unter anderem komplette Komponentenbeeinträchtigung ohne Mitteilung, durchgehend unrichtige Beeinträchtigungsmitteilungen und häufige Reparaturen beinhalten. Um eine Genauigkeit der Modelle zu erhöhen, kann eine Fahrzeugpopulation in eine Vielzahl von Klassen und Unterklassen aufgeteilt werden, wobei jeder Klasse und/oder Unterklasse der Fahrzeugpopulation ein anderes Modell zugeordnet sein kann. Die Klassen und Unterklassen können auf Eigenschaften des Fahrzeugs oder eines Fahrers des Fahrzeugs basieren, die Fahrzeugmarke, Modell, Baujahr, Typ, geografischen Standort, Fahrstil usw. beinhalten.
Zum Beispiel zeigt unter Bezugnahme auf 3A ein erster Gesundheitsindexgraph 300 einen Gesundheitsindex einer Fahrzeugkomponente in Fahrzeugen einer ersten Fahrzeugklasse, wobei die erste Fahrzeugklasse Fahrzeuge eines konkreten Typs oder einer konkreten Gruppe von Typen (z. B. Pick-up-Trucks, SUVs, eine konkrete Marke/ein konkretes Modell von SUV usw.) beinhaltet, die in Michigan gefahren werden. In dem Graphen 300 zeigt der Verlauf 302 eine erste Abnahme bei dem Gesundheitsindex der Fahrzeugkomponente mit zunehmender zurückgelegter Strecke für alle Fahrzeuge in der ersten Fahrzeugklasse. Der Verlauf 302 kann einen durchschnittlichen Gesundheitsindex der Fahrzeugkomponente über alle Fahrzeuge der ersten Fahrzeugklasse hinweg (z. B. ähnliche Fahrzeuge, die die Komponente beinhalten und in Michigan gefahren werden) zeigen, der auf Grundlage von Daten berechnet wird, die von den Fahrzeugen der ersten Fahrzeugklasse gesammelt und in einem cloudbasierten Gesundheitsinstandhaltungssystem 304 gespeichert und verarbeitet werden. Für Fahrzeuge, die in Michigan gefahren werden, kann die Komponente extremen Temperatur- und/oder Wetterunterschieden zwischen Winter und Sommer ausgesetzt sein. Infolge der extremen Wetterunterschiede kann der Gesundheitsindex der Fahrzeugkomponente in der ersten Fahrzeugklasse in einem mittleren Abschnitt 306 einer durchschnittlichen Nutzungsdauer der Fahrzeugkomponente schnell abnehmen.
3B zeigt einen zweiten Gesundheitsindexgraphen 330, der einen Gesundheitsindex einer identischen Komponente in einem Fahrzeug einer zweiten Fahrzeugklasse angibt, wobei die zweite Fahrzeugklasse Fahrzeuge des konkreten Typs oder der konkreten Gruppe von Typen beinhaltet, die in Florida gefahren werden. In dem Graphen 330 zeigt der Verlauf 332 eine zweite Abnahme bei dem Gesundheitsindex der Fahrzeugkomponente mit zunehmender zurückgelegter Strecke für alle Fahrzeuge in der zweiten Fahrzeugklasse. Der Verlauf 302 kann den durchschnittlichen Gesundheitsindex der Fahrzeugkomponente über alle Fahrzeuge der zweiten Fahrzeugklasse hinweg zeigen, der auf Grundlage von Daten berechnet wird, die von den Fahrzeugen der zweiten Fahrzeugklasse gesammelt und in dem cloudbasierten Gesundheitsinstandhaltungssystem 304 gespeichert und verarbeitet werden. Für Fahrzeuge, die in Florida gefahren werden, kann die Komponente keinen extremen Temperatur- und/oder Wetterunterschieden zwischen Winter und Sommer ausgesetzt sein. Infolgedessen, dass sie nicht den extremen Wetterunterschieden ausgesetzt ist, kann der Gesundheitsindex der Fahrzeugkomponente in der zweiten Klasse in einem mittleren Abschnitt 336 der durchschnittlichen Nutzungsdauer der Fahrzeugkomponente schnell abnehmen. Somit kann aufgrund von Unterschieden bei der Komponentenbeeinträchtigung auf Grundlage des geografischen Standorts ein erstes Modell verwendet werden, um eine RUL der Fahrzeugkomponente der ersten Fahrzeugklasse vorherzusagen, während ein zweites Modell verwendet werden kann, um eine RUL der Fahrzeugkomponente der zweiten Fahrzeugklasse vorherzusagen.
In 3C zeigt ein dritter Gesundheitsindexgraph 360 den Verlauf 302 aus 3A der ersten Fahrzeugklasse, der in Michigan gefahrenen Fahrzeugen entspricht, mit zwei zusätzlichen Verläufen 364 und 366. Die zwei zusätzlichen Verläufe 364 und 366 können den durchschnittlichen Gesundheitsindex der Fahrzeugkomponente über Fahrzeuge unterschiedlicher Unterklassen der ersten Fahrzeugklasse hinweg zeigen. Zum Beispiel kann die erste Fahrzeugklasse auf Grundlage eines Fahrstils von Fahrern der Fahrzeuge in der ersten Fahrzeugklasse weiter in eine erste Unterklasse 368 und eine zweite Unterklasse 370 aufgeteilt sein. Die erste Unterklasse 368 kann Fahrer beinhalten, die einen aggressiven oder ungeduldigen Fahrstil aufweisen, während die zweite Unterklasse 370 Fahrer beinhalten kann, die einen vorsichtigen Fahrstil aufweisen. Somit kann der Verlauf 364 den durchschnittlichen Gesundheitsindex der Fahrzeugkomponente von Fahrzeugen der ersten Unterklasse 368 über eine durchschnittliche zurückgelegte Strecke der Fahrzeuge der ersten Unterklasse 368 zeigen, während der Verlauf 366 den durchschnittlichen Gesundheitsindex der Fahrzeugkomponente von Fahrzeugen der zweiten Unterklasse 370 über eine durchschnittliche zurückgelegte Strecke der Fahrzeuge der zweiten Unterklasse 370 zeigen kann. Wie anhand der Verläufe 364 und 366 zu sehen ist, kann der Gesundheitsindex der Fahrzeugkomponente während der gesamten Nutzungsdauer der Fahrzeugkomponente für Fahrzeuge der zweiten Fahrzeugunterklasse 370 (z. B. die vorsichtigen Fahrer) auf einem höheren Niveau gehalten werden als für die erste Fahrzeugunterklasse 368 (z. B. die aggressiven Fahrer). Infolgedessen können für die zweite Fahrzeugunterklasse 370 und die erste Fahrzeugunterklasse 368 unterschiedliche RUL- oder AD-Modelle verwendet werden.
Jeder der Verläufe 302, 364 und 366 kann aus einer Vielzahl von einzelnen Datenpunkten 372 generiert werden, wobei jeder einzelne Datenpunkt 372 eine Bewertung eines Gesundheitsindex einer Komponente eines einzelnen Fahrzeugs der entsprechenden Fahrzeugklasse oder -unterklasse sein kann. Ein gestrichelter Abschnitt jedes Verlaufs, wie etwa der gestrichelte Abschnitt 374 des Verlaufs 366, kann einen vorhergesagten Gesundheitsindex für die Komponente der Fahrzeugklasse/-unterklasse angeben, wenn keine einzelnen Datenpunkte 372 verfügbar sind.
Auf diese Weise kann jeder Kombination aus Fahrzeugklasse und Fahrzeugunterklasse ein anderes RUL-Modell zugewiesen werden. Zum Beispiel kann ein erstes RUL-Modell der ersten Unterklasse 368 der ersten Fahrzeugklasse zugewiesen werden (die z. B. aggressive Fahrer in Michigan darstellt); kann ein zweites RUL-Modell der zweiten Unterklasse 370 der ersten Fahrzeugklasse zugewiesen werden (die z. B. vorsichtige Fahrer in Michigan darstellt); kann ein drittes RUL-Modell der ersten Unterklasse 368 der zweiten Fahrzeugklasse zugewiesen werden (die z. B. aggressive Fahrer in Florida darstellt); und kann ein viertes RUL-Modell der zweiten Unterklasse 370 der zweiten Fahrzeugklasse zugewiesen werden (die z. B. vorsichtige Fahrer in Florida darstellt). Durch Pflegen und Aktualisieren unterschiedlicher RUL-Modelle für jede Fahrzeugklasse und -unterklasse können genauere RUL-Vorhersagen für jede Fahrzeugklasse und -unterklasse vorgenommen werden.
Unter nunmehriger Bezugnahme auf 4 ist ein System 400 zur RUL-Vorhersage gezeigt, das sich verbundene Fahrzeugdaten und Ressourcen aus einem Cloud-Netzwerk 410 zunutze macht. Das System 400 kann eine genauere RUL-Modellierung erleichtern, indem es RUL-Modelle aktualisiert, wenn neue Daten empfangen werden, wodurch falsch positive und falsch negative Ergebnisse reduziert werden. Wenn die RUL-Modelle des Systems 400 auf lokale Fahrzeugkomponenten angewendet werden, können Fahrzeugführer genauere Informationen bezüglich der Gesundheit von Fahrzeugkomponenten in dem lokalen Fahrzeug empfangen, was im Laufe der Zeit zu einer Reduktion der Reparaturkosten führen kann.
Das System 400 beinhaltet ein Serversystem 401. Das Serversystem 401 kann Ressourcen (z. B. Speicher, Prozessor(en)) beinhalten, die zugeteilt werden können, um eine Vielzahl von RUL-Modellen zu speichern und Anweisungen zu speichern und auszuführen, um eines oder mehrere der RUL-Modelle auf Grundlage von Fahrzeugdaten zu aktualisieren, die von einer Vielzahl von Fahrzeugen gesammelt werden. Das Serversystem 401 kann ein Kommunikationsmodul, einen Speicher und (einen) Prozessor(en) (in 4 nicht gezeigt) beinhalten, um die in dieser Schrift beschriebenen RUL-Modelle zu speichern und zu aktualisieren. Das Kommunikationsmodul kann die Übertragung von elektronischen Daten innerhalb und/oder zwischen einem oder mehreren Systemen erleichtern. Die Kommunikation über das Kommunikationsmodul kann unter Verwendung eines oder mehrerer Protokolle umgesetzt werden. Das Kommunikationsmodul kann eine drahtgebundene Schnittstelle (z. B. ein Datenbus, eine Universal-Serial-Bus-(USB-)Verbindung usw.) und/oder eine drahtlose Schnittstelle (z. B. Hochfrequenz, Infrarot, Nahfeldkommunikation (near field communication - NFC) usw.) sein. Zum Beispiel kann das Kommunikationsmodul über ein drahtgebundenes lokales Netzwerk (local area network - LAN), drahtloses LAN, Weitverkehrsnetzwerk (wide area network - WAN) usw. unter Verwendung eines beliebigen vergangenen, gegenwärtigen oder zukünftigen Kommunikationsprotokolls (z. B. BLUETOOTH™, USB 2.0, USB 3.0 usw.) kommunizieren.
Der Speicher kann eine oder mehrere Datenspeicherstrukturen beinhalten, wie etwa optische Speichervorrichtungen, magnetische Speichervorrichtungen oder Festkörperspeichervorrichtungen zum Speichern von Programmen und Routinen, die durch den/die Prozessor(en) des Serversystems 401 ausgeführt werden, um verschiedene Funktionalitäten auszuführen, die in dieser Schrift offenbart sind. Der Speicher kann einen beliebigen gewünschten Typ von flüchtigem und/oder nicht flüchtigem Speicher beinhalten, wie zum Beispiel statischen Direktzugriffsspeicher (static random access memory - SRAM), dynamischen Direktzugriffsspeicher (dynamic random access memory - DRAM), Flash-Speicher, Festwertspeicher (read-only memory - ROM) usw. Der/die Prozessor(en) kann/können zum Beispiel ein beliebiger geeigneter Prozessor, eine beliebige geeignete Verarbeitungseinheit oder ein beliebiger geeigneter Mikroprozessor sein. Der/die Prozessor(en) kann/können ein Multiprozessorsystem sein und kann/können somit einen oder mehrere zusätzliche Prozessoren beinhalten, die identisch oder einander ähnlich sind und die über einen Verbindungsbus kommunikativ gekoppelt sind.
Das System 400 beinhaltet eine oder mehrere Datenbanken, die Daten speichern, die zum Initialisieren und dann zum Aktualisieren eines oder mehrerer RUL-Modelle verwendet werden können. Wie gezeigt, beinhaltet das System 400 eine erste Datenbank 402, eine zweite Datenbank 404 und eine dritte Datenbank 406. In einer Ausführungsform ist die erste Datenbank 402 eine technische Datenbank, die Herstellungsdaten über Fahrzeugkomponenten speichert, die unter anderem historische Komponentendaten, historische Fahrzeugdaten und Herstellerstandarddaten für Vorhersagemodelle beinhalten. In einer Ausführungsform ist die zweite Datenbank 404 eine Garantiedatenbank, die Garantiedaten über Fahrzeugkomponenten speichert, die unter anderem Daten zur erwarteten Lebensdauer, RUL-Zeitdaten und historische Garantiedaten beinhalten. In einer Ausführungsform ist die dritte Datenbank 406 eine Händler- und Reparaturdatenbank, die Daten über Fahrzeugkomponenten speichert, die unter anderem Daten zur Reparaturhäufigkeit von Komponenten, Komponentengesundheitsdaten vor und nach Reparaturen und Testfahrtdaten von Händlern beinhalten. Die Datenbanken können Ursache-Wirkungs-Daten in Bezug auf die RUL-Vorhersage von Fahrzeugkomponenten beinhalten, um Vorhersagemodelle beim Überwachen der Gesundheit von Fahrzeugkomponenten zu unterstützen. Zusätzlich oder alternativ können mehr oder weniger Datenbanken bei der RUL-Vorhersage für Fahrzeugkomponenten verwendet werden. In alternativen Ausführungsformen können die Datenbanken 402, 404 und 406 unterschiedliche Typen von Daten beinhalten, wie etwa Fahrerverhaltensdaten und/oder geografische Daten.
Das Serversystem 401 kann die Daten aus den Datenbanken 402, 404 und 406 aggregieren, um vorläufige oder grundlegende Vorhersagemodelle zu bewerten, die auf Grundlage von anfänglichen Testdaten und historischen Daten von Entwicklern und Herstellern entwickelt und durch das Serversystem 401 gespeichert oder eingesetzt werden können. Das Serversystem 401 kann eine Leistungsfähigkeit der grundlegenden Vorhersagemodelle mit derzeitigen verbundenen Fahrzeugdaten vergleichen, um neues Datenverhalten, aufkommende Trends bei Komponentendaten und dergleichen zu detektieren. Das Serversystem 401 kann über ein Netzwerk 410 Daten, die unter anderem die grundlegenden Vorhersagemodelle und aggregierte Daten aus den Datenbanken 402, 404 und 406 beinhalten, über eine Luftschnittstelle kommunizieren, um Fahrzeugsysteme in einer verbundenen Fahrzeugpopulation zu aktualisieren und eine Entwicklungsdatenbank 408 zu aktualisieren.
Die Entwicklungsdatenbank 408 kann Aktualisierungen der eingesetzten Modelle speichern und Hersteller können Aktualisierungen von der Entwicklungsdatenbank 408 empfangen. Die Entwicklungsdatenbank 408 kann Fahrzeugkomponentendaten von einer oder mehreren Vielzahlen von Fahrzeugpopulationen in einem verbundenen System, wie etwa über das Netzwerk 410, speichern. In einem Beispiel stellt die Entwicklungsdatenbank 408 eine Vielzahl von Datenbanken von unterschiedlichen Herstellern dar. Ein Fahrzeug kann Komponenten von mehreren Herstellern beinhalten, wobei j eder Hersteller eine Datenbank von Komponenten aufweist. Die Entwicklungsdatenbank 408 kann ferner Daten speichern, die Entwickler von Vorhersagemodellen verwenden, um RUL-Modelle zu entwickeln und zu aktualisieren, sowie die Modelle selbst speichern. Unter Verwendung der Daten aus der Entwicklungsdatenbank 408 können Entwickler eine Vielzahl von RUL-Modellen generieren, die unter anderem empirische Modelle, physische Modelle und Maschinenlernmodelle beinhaltet. Die Modelle und anfänglichen Metriken können unter Verwendung bekannter Testfälle, Bedingungen und Rauschfaktoren getestet werden. Wenn Entwickler Daten aus der Entwicklungsdatenbank 408 verwenden, um RUL-Modelle zu aktualisieren, können Daten in Bezug auf Reparaturen, Garantien, Rückrufe, Bußgelder und dergleichen verwendet werden, um die aktualisierten Modelle für einen erneuten Einsatz zu testen.
Das Serversystem 401, die Datenbanken 402, 404 und 406, die Entwicklungsdatenbank 408 und eine Vielzahl von Fahrzeugen 420 können über ein geeignetes Netzwerk, wie etwa das Netzwerk 410, kommunizieren. Ferner können eine oder mehrere der in dieser Schrift beschriebenen Vorrichtungen über eine Cloud oder ein anderes Computernetzwerk umgesetzt sein. Zum Beispiel ist in 4 gezeigt, dass das Serversystem 401 eine einzelne Einheit darstellt, es versteht sich jedoch, dass das Serversystem 401 über mehrere Vorrichtungen hinweg verteilt sein kann, wie etwa über mehrere Server.
Ein Beispiel für ein eingesetztes RUL-Modell (z. B. an einem oder mehreren der Vielzahl von Fahrzeugen 420 eingesetzt) ist in 4 als Einsatz-RUL-Modell 430 visuell dargestellt, das nach dem anfänglichen Einsatz von Modellen aus der Entwicklungsdatenbank 408 modelliert werden kann. Zum Beispiel kann das RUL-Modell 430 für eine Kraftstoffeinspritzvorrichtung erzeugt werden, bei dem historische Daten der Kraftstoffeinspritzvorrichtung in einer verbundenen Fahrzeugpopulation gegenüber Herstellerdaten für die Kraftstoffeinspritzvorrichtung modelliert werden, um eine RUL der Kraftstoffeinspritzvorrichtung vorherzusagen. Das RUL-Modell 430 kann dann in den Fahrzeugen eingesetzt werden, die den Komponenten mit Vorhersagemodellen zur Gesundheitsüberwachung entsprechen.
Das Serversystem 401 kann Aktualisierungen von Daten empfangen, die von der Vielzahl von Fahrzeugen 420 aggregiert werden. Die aggregierten Daten können verwendet werden, um Master- und/oder klassenspezifische RUL-Modelle von Fahrzeugkomponenten zu aktualisieren. Verteilungsdaten 440 sind eine Visualisierung von beispielhaften aggregierten Daten. Die Verteilungsdaten 440 können verwendet werden, um ein RUL-Modell zu aktualisieren, wie nachstehend ausführlicher beschrieben wird. Das Serversystem 401 kann dazu konfiguriert sein, die Verteilungsdaten 440 zu modifizieren, wenn neue Daten aggregiert werden, und falls die Verteilungsdaten 440 angeben, dass ein RUL-Modell ungenau ist, kann das Serversystem 401 das entsprechende RUL-Modell aktualisieren. Änderungen bei den Verteilungsdaten 440 können in einem aktualisierten RUL-Modell 442 dargestellt werden.
Das aktualisierte RUL-Modell 442 kann über das Netzwerk 410 an die Vielzahl von Fahrzeugen 420 und/oder die Entwicklungsdatenbank 408 verteilt werden. Es versteht sich, dass die Verteilungsdaten 440 visuell dargestellt sind, um die Klarheit der Erörterung der Verteilungsdaten 440 zu unterstützen, und dass die Verteilungsdaten 440 andere Formen annehmen können, ohne vom Umfang der Offenbarung abzuweichen. Während die Verteilungsdaten 440 und das aktualisierte RUL-Modell 442 getrennt von dem Serversystem 401 gezeigt sind, versteht es sich ferner, dass die Verteilungsdaten 440 und das aktualisierte RUL-Modell 442 an dem Serversystem 401, in einer beliebigen der in dieser Schrift offenbarten Datenbanken (z. B. den Datenbanken 402, 404, 406, der Entwicklungsdatenbank 408) und/oder Kombinationen daraus gespeichert sein können.
Unter nunmehriger Bezugnahme auf 5 ist ein beispielhaftes Verfahren 500 zum Entwickeln und Aktualisieren von RUL-Modellen gezeigt, um die Gesundheit von Fahrzeugkomponenten unter Verwendung von föderalem Lernen zu überwachen, wobei von der Verfügbarkeit verbundener Daten ausgegangen wird. Die Verfügbarkeit verbundener Daten kann Kommunikation mit einer verbundenen Fahrzeugpopulation oder einer Vielzahl von Datenbanken und/oder Servern unter Verwendung eines V2V-Netzwerks, eines V2I-Netzwerks, eines Cloud-Netzwerks und dergleichen beinhalten. Anweisungen zum Ausführen von mindestens einem Teil des Verfahrens 500 können auf einem cloudbasierten Gesundheitsüberwachungssystem, wie etwa dem Serversystem 401 aus 4, gespeichert sein und durch dieses ausgeführt werden.
Bei 502 beinhaltet das Verfahren 500 Sammeln von Fahrzeugdaten von einer Vielzahl von Fahrzeugen der verbundenen Fahrzeugpopulation. Die Fahrzeugdaten können verwendet werden, um verschiedenartige Fahrzeugklassen zu ermitteln, und können historische Daten und Kalibrierungsdaten des Fahrzeugs beinhalten. Zum Beispiel können die Fahrzeugdaten Hersteller- und/oder Fahrzeugtaxonomiedaten (z. B. aus der technischen Datenbank 402 aus 4) beinhalten, wie etwa Marke, Modell, Antriebsstrang, Kraftübertragung, Radstand und dergleichen. Die Herstellerdaten können technische Daten und Betriebsregionsbedingungen beinhalten, die ferner Umgebungstemperatur, Luftfeuchtigkeit, Verkehrsmuster, Höhe und dergleichen beinhalten können. Die Fahrzeugdaten können eine Größe, eine Form und/oder Abmessungen des Fahrzeugs oder beliebige andere Fahrzeuginformationen beinhalten.
Bei 504 beinhaltet das Verfahren 500 Partitionieren der verbundenen Fahrzeugpopulation in eine Vielzahl von Fahrzeugklassen auf Grundlage der Fahrzeugdaten und Trainieren von klassenspezifischen RUL-Modellen für jede Fahrzeugklasse der N Fahrzeugklassen. Jede Fahrzeugklasse der Vielzahl von Fahrzeugklassen kann Fahrzeuge mit ähnlichen Eigenschaften und/oder Komponenten beinhalten, wobei Mitglieder der Fahrzeugklasse die ähnlichen Eigenschaften und/oder Komponenten gemeinsam haben und Mitglieder anderer Fahrzeugklassen die Eigenschaften und/oder Komponenten nicht gemeinsam haben.
Das Partitionieren der verbundenen Fahrzeugpopulation in Fahrzeugklassen, die klassenspezifische RUL-Modelle für jede Fahrzeugklasse trainieren, kann auf verschiedene Weisen ausgeführt werden. In einigen Ausführungsformen kann die verbundene Fahrzeugpopulation auf Grundlage eines oder mehrerer Clustering-Verfahren partitioniert werden, wie nachstehend unter Bezugnahme auf 8 ausführlicher beschrieben. In anderen Ausführungsformen kann die verbundene Fahrzeugpopulation auf Grundlage eines unüberwachten Lernalgorithmus partitioniert werden, wie nachstehend unter Bezugnahme auf 9 ausführlicher beschrieben. Wenn neue Fahrzeugkomponenten und neue Fahrzeuge zu der verbundenen Fahrzeugpopulation hinzugefügt werden, kann die verbundene Fahrzeugpopulation erneut partitioniert werden, um Grenzen der Fahrzeugklassen hinzuzufügen, zu entfernen oder einzustellen.
Bei 506 beinhaltet das Verfahren 500 Einsetzen von lokalen RUL-Modellen an jedem Fahrzeug der verbundenen Fahrzeugpopulation. In einigen Ausführungsformen können die lokalen RUL-Modelle Kopien eines klassenspezifischen RUL-Modells einer zugeordneten Fahrzeugklasse der verbundenen Fahrzeugpopulation sein, die mit Kalibrierungen vor dem Einsatz initialisiert werden können. Die Kalibrierungen vor dem Einsatz können auf Grundlage von Informationen bestimmt werden, die aus bekannten Anwendungsfällen und historischen/statistischen Daten zusammengestellt werden, die der Fahrzeugkomponente des lokalen RUL-Modells zugeordnet sind. Zum Beispiel, wie vorstehend unter Bezugnahme auf 4 beschrieben, können die historischen/statistischen Daten Forschungsdaten und technische Daten, Herstellerstandarddaten, Garantiedaten, Reparatur-/Händlerdaten, Testdaten und Testfahrtdaten usw. beinhalten.
Als ein Beispiel kann jedes Fahrzeug einer ersten Fahrzeugklasse ein erstes lokales RUL-Modell aufweisen, das einer spezifischen Kraftstoffeinspritzvorrichtung eines ersten Typs des Fahrzeugs entspricht, und kann jedes Fahrzeug einer zweiten Fahrzeugklasse ein zweites lokales RUL-Modell aufweisen, das einer spezifischen Kraftstoffeinspritzvorrichtung eines zweiten Typs des Fahrzeugs entspricht. Das erste lokale RUL-Modell kann das gleiche wie ein erstes klassenspezifisches RUL-Modell der ersten Fahrzeugklasse oder diesem im Wesentlichen ähnlich sein und das zweite lokale RUL-Modell kann das gleiche wie ein zweites klassenspezifisches RUL-Modell der zweiten Fahrzeugklasse oder diesem im Wesentlichen ähnlich sein. Insbesondere kann das erste lokale RUL-Modell der ersten Fahrzeugklasse mit dem ersten klassenspezifischen RUL-Modell identisch sein, aber lokale Parameter beinhalten, die lokal aktualisiert werden können, und kann das zweite lokale RUL-Modell der zweiten Fahrzeugklasse mit dem zweiten klassenspezifischen RUL-Modell identisch sein, aber lokale Parameter beinhalten, die lokal aktualisiert werden können. Somit kann das erste lokale RUL-Modell des ersten Fahrzeugs auf Grundlage einer Leistungsfähigkeit einer Kraftstoffeinspritzvorrichtung, die für das erste Fahrzeug spezifisch ist (z. B. des ersten Typs von Kraftstoffeinspritzvorrichtung), gelegentlich oder periodisch modifiziert werden und kann das zweite lokale RUL-Modell des zweiten Fahrzeugs auf Grundlage einer Leistungsfähigkeit einer Kraftstoffeinspritzvorrichtung, die für das zweite Fahrzeug spezifisch ist (z. B. des zweiten Typs von Kraftstoffeinspritzvorrichtung), gelegentlich oder periodisch modifiziert werden.
Bei 508 beinhaltet das Verfahren 500 Überwachen von Datenströmen der verbundenen Fahrzeugpopulation auf Anforderungen zum Einleiten von FL. Das Überwachen der Datenströme der verbundenen Fahrzeugpopulation kann Überwachen einer Detektion von Beeinträchtigungen einer Vielzahl von unterschiedlichen Fahrzeugkomponenten über eine Gesamtpopulation von Fahrzeugen der verbundenen Fahrzeugpopulation und/oder Unterpopulationen von Fahrzeugen innerhalb der Gesamtpopulation von Fahrzeugen beinhalten, wobei jede Unterpopulation einer Fahrzeugklasse entspricht. Zum Beispiel kann ein Fahrzeugsystem (z. B. ein Verbrennungsmotorsystem, ein Kraftstoffsystem usw.) eines Fahrzeugs der Gesamtpopulation von Fahrzeugen eine Vielzahl von Komponenten beinhalten, wobei die Vielzahl von Komponenten durch eine entsprechende Vielzahl von lokalen RUL-Modellen, die der Fahrzeugklasse des Fahrzeugs entspricht, modelliert sein kann.
Da die verbundenen Datenströme auf die Detektion von Beeinträchtigungen überwacht werden, können Beeinträchtigungsdaten der Komponente periodisch an verschiedenen Fahrzeugen der verbundenen Fahrzeugpopulation und der Fahrzeugklassen innerhalb der verbundenen Fahrzeugpopulation empfangen werden. Die Beeinträchtigungsdaten können Informationen über eine vollständige Beeinträchtigung (z. B. einen kompletten Ausfall der Fahrzeugkomponente) beinhalten, wie zum Beispiel ein Datum und einen Zeitpunkt der vollständigen Beeinträchtigung, Betriebsbedingungen zum Zeitpunkt der vollständigen Beeinträchtigung und so weiter. Die Beeinträchtigungsdaten können zudem Sensordaten beinhalten, die sich auf eine vollständige oder unvollständige Beeinträchtigung beziehen. Zum Beispiel können Sensormesswerte des Fahrzeugs zu einem Zeitpunkt einer vollständigen Beeinträchtigung als Kontextinformationen in Bezug auf die vollständige Beeinträchtigung gesammelt werden oder können Sensormesswerte der Fahrzeugkomponente gesammelt werden, die eine unvollständige Beeinträchtigung der Fahrzeugkomponente angeben.
In einigen Beispielen können Beeinträchtigungsdaten empfangen werden, wenn einem Fahrer eine erste Wartungsbenachrichtigung (first notice of service - FNOS) gesendet wird und er ein Fahrzeug zur Wartung bringt und eine Fahrzeugkomponente inspiziert und/oder ersetzt wird. Eine potentielle Beeinträchtigung, die durch einen oder mehrere Sensoren des Fahrzeugs angegeben wird, kann verifiziert werden (z. B. ein richtig positives Ergebnis) oder die Beeinträchtigung kann nicht verifiziert werden (z. B. ein falsch positives Ergebnis). In einem anderen Beispiel können die Beeinträchtigungsdaten empfangen werden, wenn ein Fahrer benachrichtigt wird und ein Fahrzeug nicht zur Wartung bringt und eine vollständige Beeinträchtigung der Komponente im praktischen Einsatz auftritt. Die vollständige Beeinträchtigung der Komponente kann auftreten, wenn die RUL der Komponente nahe 0 liegt (z. B. ein richtig negatives Ergebnis), oder die vollständige Beeinträchtigung der Komponente kann auftreten, wenn die RUL der Komponente größer oder kleiner als 0 ist (z. B. ein falsch negatives Ergebnis). Somit kann, wenn die Beeinträchtigungsdaten aggregiert werden, eine Leistungsfähigkeit der lokalen RUL-Modelle beurteilt werden. Wenn die Beeinträchtigungsdaten angeben, dass eine Genauigkeit eines lokalen RUL-Modells einer Komponente hoch ist, kann das lokale RUL-Modell nicht eingestellt werden. Wenn die Beeinträchtigungsdaten angeben, dass eine Genauigkeit des lokalen RUL-Modells nicht hoch ist, kann das lokale RUL-Modell eingestellt werden. Das Verarbeiten der Beeinträchtigungsdaten und das Aktualisieren des lokalen RUL-Modells werden nachstehend unter Bezugnahme auf 6 ausführlicher beschrieben.
Wenn eine Beeinträchtigung einer Fahrzeugkomponente in einem Fahrzeug auftritt oder wenn eine Schwellenmenge der Beeinträchtigungsdaten durch das Fahrzeug gesammelt wird, kann eine Steuerung des Fahrzeugs eine Lernanforderung (z. B. eine Anforderung, dass klassenbasierte Modellparameter erneut gelernt werden) an das cloudbasierte Gesundheitsüberwachungssystem senden, um das klassenspezifische RUL-Modell der Komponente, die der Fahrzeugklasse des Fahrzeugs zugeordnet ist, auf Grundlage der an dem Fahrzeug gesammelten Beeinträchtigungsdaten zu aktualisieren. Das Aktualisieren des klassenspezifischen RUL-Modells kann über eine FL-Strategie ausgeführt werden, wie nachstehend beschrieben.
Bei 510 beinhaltet das Verfahren 500 Bestimmen, ob eine Lernanforderung empfangen worden ist. Falls bei 510 bestimmt wird, dass keine Lernanforderung empfangen worden ist, geht das Verfahren 500 zu 508 zurück, um das Überwachen auf Lernanforderungen fortzusetzen. Falls bei 510 bestimmt wird, dass eine Lernanforderung empfangen worden ist, geht das Verfahren 500 zu 512 über.
Bei 512 beinhaltet das Verfahren 500 Ausführen einer FL-Lernsitzung für eine ausgewählte Fahrzeugklasse. Innerhalb eines föderalen Lernrahmens werden Parameter von lokal trainierten Modellen (z. B. der lokalen RUL-Modelle) durch einen zentralisierten Server (z. B. an dem cloudbasierten Gesundheitsüberwachungssystem) aggregiert und als Aktualisierungen an die lokal trainierten Modelle zurückgesendet, was lokale Modelle ergibt, die genauer sind und verbesserte Verallgemeinerungsfähigkeiten aufweisen. Insbesondere kann FL verwendet werden, um Drift in Modellen zu isolieren, die durch Varianz bei der Verschlechterung einer modellierten Komponente über eine Fahrzeugpopulation hinweg verursacht wird. Das Ausführen der FL-Lernsitzung für die ausgewählte Fahrzeugklasse wird nachstehend unter Bezugnahme auf 7 beschrieben.
Bei 514 beinhaltet das Verfahren 500 Aktualisieren eines Master-RUL-Modells der Fahrzeugkomponente. Die Master-RUL der Fahrzeugkomponente kann ein Master-RUL-Modell sein, das auf die gesamte verbundene Fahrzeugpopulation anwendbar ist. Das Master-RUL-Modell kann zum Beispiel verwendet werden, um Informationen für eine Garantierichtlinie der Fahrzeugkomponente und/oder des Fahrzeugs zu liefern oder um Informationen für Ausgestaltungsänderungen bei der Herstellung neuer Fahrzeugkomponenten oder für andere Forschungs- und/oder Testzwecke zu liefern.
In einigen Ausführungsformen können Parameter des Master-RUL-Modells auf Grundlage von Parametern der klassenspezifischen RUL-Modelle ermittelt und/oder aktualisiert werden, wie nachstehend unter Bezugnahme auf 8 beschrieben, während in anderen Ausführungsformen das Master-RUL-Modell an einem anfänglichen Trainingsdatensatz vorab trainiert werden kann, der beschriftete Daten mit Ground-Truth-Beeinträchtigungsdaten der Fahrzeugkomponente aus der gesamten verbundenen Fahrzeugpopulation beinhaltet. Das Trainieren des Master-RUL-Modells auf Grundlage von beschrifteten Daten aus der gesamten verbundenen Fahrzeugpopulation kann jedoch aufgrund großer Variation bei der Fahrzeugkomponentenleistungsfähigkeit über die verbundene Fahrzeugpopulation hinweg eine schlechte Leistungsfähigkeit des Master-RUL-Modells ergeben. Zusätzlich können ausreichende beschriftete Ground-Truth-Daten nicht verfügbar sein und/oder können langsam und/oder schwierig anzusammeln sein. Ground-Truth-Daten, wie etwa Komponentenbeeinträchtigungsdaten, können nach langen Verzögerungen empfangen werden, zum Beispiel durch Händler oder Garantieansprüche. Ein Teil kann als gesund angesehen werden, bis eine Beeinträchtigung detektiert wird, und ein Übergang von gesund zu beeinträchtigt kann plötzlich und ohne Vorankündigung erfolgen. Infolge einer Unzulänglichkeit an beschrifteten Ground-Truth-Daten kann das Trainieren des Master-RUL-Modells im Laufe der Zeit über eine FL-Strategie fortgesetzt werden. Die FL-Strategie, die zum Trainieren des Master-RUL-Modells verwendet wird, kann der FL-Strategie ähnlich sein, die verwendet wird, um die klassenspezifischen RUL-Modelle zu trainieren, die in 7 beschrieben sind.
Während jedoch die FL-Strategie, die verwendet wird, um die klassenspezifischen RUL-Modelle zu trainieren, Lernföderationen aus einer Population von Fahrzeugen einer Fahrzeugklasse generieren kann, kann die FL-Strategie, die verwendet wird, um das Master-RUL-Modell zu trainieren, Erzeugen einer oder mehrerer Lernföderationen aus Fahrzeugen der verbundenen Fahrzeugpopulation gemäß einer oder mehreren Beprobungsstrategien beinhalten. In einigen Ausführungsformen können die eine oder mehreren Beprobungsstrategien eine geschichtete Beprobungsstrategie, bei der Stichproben aus homogenen Gruppen von Fahrzeugen der verbundenen Fahrzeugpopulation entnommen werden; oder eine Cluster-Beprobungsstrategie, bei der Stichproben aus heterogenen Clustern der Fahrzeuge der verbundenen Fahrzeugpopulation entnommen werden; oder eine gemischte Beprobungsstrategie, bei der Stichproben aus heterogenen Clustern einer homogenen Gruppe der Fahrzeuge der verbundenen Fahrzeugpopulation entnommen werden, beinhalten. Ferner kann eine Vielzahl von FL-Sitzungen an einer jeweiligen Vielzahl von unterschiedlichen Lernföderationen ausgeführt werden.
Zum Beispiel kann das Master-RUL-Modell in einer ersten FL-Sitzung trainiert werden, die an einer ersten Lernföderation ausgeführt wird, die aus einer homogenen Gruppe von Fahrzeugen der verbundenen Fahrzeugpopulation entnommen wird (z. B. über die geschichtete Beprobungsstrategie), wie etwa Fahrzeuge einer konkreten Marke und eines konkreten Modells, die an einem ersten geografischen Standort mit hoher Luftfeuchtigkeit betrieben werden. Das Master-RUL-Modell kann in einer zweiten FL-Sitzung trainiert werden, die an einer zweiten Lernföderation ausgeführt wird, die aus einer heterogenen Gruppe von Fahrzeugen der verbundenen Fahrzeugpopulation entnommen wird (z. B. über die Clustering-Beprobungsstrategie). Die heterogene Gruppe von Fahrzeugen kann zum Beispiel eine zufällige Auswahl von Fahrzeugen der verbundenen Fahrzeugpopulation umfassen, die möglicherweise keine ähnlichen Merkmale aufweist. Das Master-RUL-Modell kann in einer dritten FL-Sitzung trainiert werden, die an einer dritten Lernföderation ausgeführt wird, die aus einer Kombination aus homogenen und heterogenen Gruppen von Fahrzeugen der verbundenen Fahrzeugpopulation entnommen wird (z. B. über die gemischte Beprobungsstrategie), wobei Fahrzeuge der dritten Lernföderation Fahrzeuge einer spezifischen Marke und eines spezifischen Modells von einem spezifischen geografischen Standort beinhalten können, wobei ein erster Teil von Stichprobenfahrzeugen aus einer Unterpopulation von aggressiv gefahrenen Fahrzeugen entnommen wird und ein zweiter Teil von Stichprobenfahrzeugen aus einer Unterpopulation von vorsichtig gefahrenen Fahrzeugen entnommen wird. In einigen Ausführungsformen können die erste, zweite und dritte FL-Sitzung der Reihe nach ausgeführt werden, während in anderen Ausführungsformen die zweite und/oder dritte FL-Sitzung vor der ersten FL-Sitzung oder in einer anderen Reihenfolge ausgeführt werden können.
Durch Trainieren des Master-RUL-Modells an einer Kombination aus homogenen Gruppen (wobei die Modellgenauigkeit für die homogene Gruppe erhöht sein kann) und heterogenen Gruppen (wobei die Modellgenauigkeit über homogene Gruppen hinweg erhöht sein kann) kann das Master-RUL-Modell auf Grundlage unterschiedlicher Interessen eines Herstellers der Fahrzeugkomponente optimiert werden. Zum Beispiel stellt der Hersteller in einer ersten Ausführungsform möglicherweise fest, dass Beeinträchtigungen der Fahrzeugkomponente an einem ersten Standort mit einer viel höheren Geschwindigkeit auftreten als an einem zweiten Standort, und möchte daher möglicherweise das Master-RUL-Modell für die Genauigkeit bei Fahrzeugen des ersten Standorts optimieren.
In einer zweiten Ausführungsform kann das Master-RUL-Modell für eine Gesamtgenauigkeit über die gesamte verbundene Fahrzeugpopulation optimiert werden, wobei das Trainieren des Master-RUL-Modells Bilden eines Durchschnitts von Parametern des Master-RUL-Modells über eine Vielzahl von Lernföderationen hinweg beinhalten kann. Zum Beispiel kann eine erste FL-Sitzung mit einer ersten Lernföderation eine erste Parametereinstellung des Master-RUL-Modells ergeben, kann eine zweite FL-Sitzung mit einer zweiten Lernföderation eine zweite Parametereinstellung des Master-RUL-Modells ergeben und kann eine dritte FL-Sitzung mit einer dritten Lernföderation eine dritte Parametereinstellung des Master-RUL-Modells ergeben. Parameter des Master-RUL-Modells können dann aktualisiert werden, indem ein Durchschnitt der ersten Parametereinstellung, der zweiten Parametereinstellung und der dritten Parametereinstellung gebildet wird und eine sich daraus ergebende durchschnittliche Parametereinstellung auf die Parameter des Master-RUL-Modells angewendet wird.
In anderen Ausführungsformen kann eine gewichtete durchschnittliche Parametereinstellung auf die Parameter des Master-RUL-Modells angewendet werden. Zum Beispiel kann eine Genauigkeit des Master-RUL-Modells für die gesamte verbundene Fahrzeugpopulation optimiert werden, indem eine oder mehrere der ersten Parametereinstellung, der zweiten Parametereinstellung und der dritten Parametereinstellung mit einem entsprechenden Gewichtungswert multipliziert werden, bevor der Durchschnitt der ersten Parametereinstellung, der zweiten Parametereinstellung und der dritten Parametereinstellung gebildet wird. Die Gewichtung verschiedener Parametereinstellungen kann von einem oder mehreren Betriebs- oder Entwicklungszielen des Herstellers und/oder eines Fahrzeugflottenverwalters abhängen.
Unter nunmehriger Bezugnahme auf 6 ist ein beispielhaftes Verfahren 600 zum Einleiten einer FL-Sitzung eines klassenspezifischen RUL-Modells durch Senden einer Lernanforderung eines RUL-Modells einer Komponente eines Fahrzeugs gezeigt, wenn verbundene Fahrzeugdaten verfügbar sind. Das klassenspezifische RUL-Modell kann einer Vielzahl von Fahrzeugen zugeordnet sein, die zu einer Fahrzeugklasse einer verbundenen Fahrzeugpopulation gehört. Anweisungen zum Ausführen des Verfahrens 600 können durch eine Steuerung des Fahrzeugs, wie etwa die Steuerung 12 des Steuersystems 14 aus 1 und/oder das Steuersystem 290 aus 2, ausgeführt werden. In einem Beispiel kann das Verfahren 600 als Teil des vorstehend beschriebenen Verfahrens 500 ausgeführt werden.
Bei 602 beinhaltet das Verfahren 600 Schätzen und/oder Messen von Fahrzeugbetriebsbedingungen. Zum Beispiel können die Fahrzeugbetriebsbedingungen unter anderem einen Status eines Verbrennungsmotors des Fahrzeugs (z. B., ob der Verbrennungsmotor eingeschaltet ist) und ein Einlegen eines oder mehrerer Gänge eines Getriebes des Fahrzeugs (z. B., ob sich das Fahrzeug bewegt) beinhalten. Fahrzeugbetriebsbedingungen können Verbrennungsmotordrehzahl und -last, Fahrzeuggeschwindigkeit, Getriebeöltemperatur, Abgasströmungsgeschwindigkeit, Luftmassenströmungsgeschwindigkeit, Kühlmitteltemperatur, Kühlmittelströmungsgeschwindigkeit, Verbrennungsmotoröldrücke (z. B. Ölleitungsdrücke), Betriebsmodi eines oder mehrerer Einlassventile und/oder Auslassventile, Elektromotordrehzahl, Batterieladung, Verbrennungsmotordrehmomentausgabe, Fahrzeugraddrehmoment usw. beinhalten. In einem Beispiel ist das Fahrzeug ein Hybridelektrofahrzeug und beinhaltet das Schätzen und/oder Messen von Fahrzeugbetriebsbedingungen Bestimmen, ob das Fahrzeug durch einen Verbrennungsmotor oder einen Elektromotor mit Leistung versorgt wird. Das Schätzen und/oder Messen von Fahrzeugbetriebsbedingungen kann ferner Bestimmen eines Zustands eines Kraftstoffsystems des Fahrzeugs, wie etwa eines Kraftstofffüllstands in dem Kraftstofftank, und Bestimmen eines Zustands eines oder mehrerer Ventile des Kraftstoffsystems usw. beinhalten.
Bei 604 beinhaltet das Verfahren 600 Überwachen einer Gesundheit von Fahrzeugkomponenten des Fahrzeugs. Das Überwachen der Gesundheit der Fahrzeugkomponenten kann Überwachen eines Status jeder Fahrzeugkomponente der Fahrzeugkomponenten beinhalten, um zu bestimmen, ob eine Beeinträchtigung der Fahrzeugkomponente vorliegt. Die Beeinträchtigung kann eine vollständige Beeinträchtigung sein, bei der die Fahrzeugkomponente im praktischen Einsatz ihre Funktion verliert, oder die Beeinträchtigung kann eine unvollständige Beeinträchtigung sein, bei der die Komponente möglicherweise noch funktioniert, aber mit einer geringeren Funktionalität, sodass eine Leistungsfähigkeit des Fahrzeugs betroffen ist. Die vollständige Beeinträchtigung oder die geringere Funktionalität kann durch einen oder mehrere Sensoren des Fahrzeugs (z. B. die Sensoren 16 aus 1) detektiert werden. Zum Beispiel kann ein Sensor des einen oder der mehreren Sensoren eine Leistungsfähigkeit der Fahrzeugkomponente ausgeben, wobei, falls die Leistungsfähigkeit der Fahrzeugkomponente abnimmt, bestimmt werden kann, dass die Fahrzeugkomponente beeinträchtigt ist. In anderen Szenarien kann die vollständige Beeinträchtigung oder die geringere Funktionalität der Fahrzeugkomponente durch Sensoren detektiert werden, die an andere Komponenten des Fahrzeugs gekoppelt sind, wobei, falls eine Leistungsfähigkeit der anderen Komponenten des Fahrzeugs abnimmt, bestimmt werden kann, dass die Fahrzeugkomponente beeinträchtigt ist.
Bei 606 beinhaltet das Überwachen der Gesundheit der Fahrzeugkomponenten ferner Empfangen von Daten von klassenspezifischen RUL-Modellen der Fahrzeugkomponenten von einem cloudbasierten Server, wie etwa dem cloudbasierten Serversystem 401 aus 4. In verschiedenen Ausführungsformen können die Daten von dem cloudbasierten Server während einer FL-Sitzung gesendet werden, die infolge einer beeinträchtigten Fahrzeugkomponente an einem anderen Fahrzeug der Fahrzeugklasse eingeleitet wurde, wie nachstehend unter Bezugnahme auf 7 ausführlicher beschrieben. Die Daten können Parameter eines klassenspezifischen RUL-Modells der beeinträchtigten Fahrzeugkomponente, eine aktualisierte klassenbasierte RUL der beeinträchtigten Fahrzeugkomponente und/oder andere Informationen beinhalten. Die aktualisierte klassenbasierte RUL der beeinträchtigten Fahrzeugkomponente kann verwendet werden, um eine Zeit zum Senden einer ersten Wartungsbenachrichtigung (FNOS) an einen Fahrer des Fahrzeugs einzustellen, wie nachstehend ausführlicher beschrieben.
Bei 608 beinhaltet das Überwachen der Gesundheit der Fahrzeugkomponenten des Fahrzeugs ferner Aktualisieren von lokalen RUL-Modellen der Fahrzeugkomponenten, wenn klassenspezifische RUL-Modelldaten empfangen werden. Zum Beispiel kann eine Kraftstoffeinspritzvorrichtung eines anderen Fahrzeugs im praktischen Einsatz beeinträchtigt werden. Infolgedessen, dass die Kraftstoffeinspritzvorrichtung des anderen Fahrzeugs im praktischen Einsatz beeinträchtigt wird, kann das andere Fahrzeug eine Anforderung zum Einleiten einer FL-Sitzung an den cloudbasierten Server senden. Während der FL-Sitzung kann der cloudbasierte Server ein klassenspezifisches RUL-Modell der Kraftstoffeinspritzvorrichtung aktualisieren. Wenn die FL-Sitzung endet, kann der cloudbasierte Server Daten des klassenspezifischen RUL-Modells (z. B. das klassenspezifische RUL-Modell, Parameter des klassenspezifischen RUL-Modells, eine aktualisierte klassenbasierte RUL der Kraftstoffeinspritzvorrichtung usw.) an das Fahrzeug senden. Wenn die Daten an dem Fahrzeug empfangen werden, kann das lokale RUL-Modell der Kraftstoffeinspritzvorrichtung des Fahrzeugs auf Grundlage der Daten aktualisiert werden. In einigen Ausführungsformen kann das lokale RUL-Modell aktualisiert werden, indem ein gewichteter Durchschnitt von Parametern des lokalen RUL-Modells und Parametern des klassenspezifischen RUL-Modells berechnet wird.
Bei 610 beinhaltet das Überwachen der Gesundheit der Fahrzeugkomponenten ferner Aktualisieren von vorhergesagten RULs der Fahrzeugkomponenten. Das Aktualisieren der vorhergesagten RULs kann zum Beispiel periodisches Aktualisieren von lokalen RUL-Modellen mit neuen Daten und Ereignissen (z. B. Ausfall oder kein Ausfall, Technikerprüfungen oder anderen Referenzsignalen, falls vorhanden) und/oder Einstellen der vorhergesagten RULs auf Grundlage einer vorhergesagten RUL eines klassenbasierten RUL-Modells beinhalten.
Bei 612 beinhaltet das Verfahren 600 Bestimmen, ob eine Beeinträchtigung einer Fahrzeugkomponente detektiert worden ist. Falls bei 612 bestimmt wird, dass keine Beeinträchtigung detektiert wird, geht das Verfahren 600 zu 614 über.
Bei 614 beinhaltet das Verfahren 600 Bestimmen, ob die RUL der Komponente gleich der minimalen RUL der Komponente ist, wobei die minimale RUL der Komponente ein vorhergesagtes Ende einer Lebensdauer der Komponente angeben kann. Zum Beispiel kann die detektierte Beeinträchtigung auftreten, bevor die RUL eine minimale RUL der Komponente erreicht, wobei die Beeinträchtigung ein unerwartet früher Defekt der Komponente ist. Die detektierte Beeinträchtigung kann bei der minimalen RUL der Komponente auftreten, wobei die Beeinträchtigung gemäß einem relevanten RUL-Modell erwartet wird. Die detektierte Beeinträchtigung kann nach dem Erreichen der minimalen RUL der Komponente auftreten, wobei eine Lebensdauer der Komponente länger ist, als durch das relevante RUL-Modell vorhergesagt.
Unter kurzer Bezugnahme auf 11 ist in einer Ausführungsform ein Graph 1100 eines Gesundheitsindex einer Komponente eines Fahrzeugs im Laufe der Zeit gezeigt. In anderen Ausführungsformen kann der Graph 1100 den Gesundheitsindex der Fahrzeugkomponente über eine durch das Fahrzeug während einer Lebensdauer der Komponente gefahrene zurückgelegte Strecke oder eine Anzahl von relevanten Zyklen oder einen anderen Parameter zeigen, der eine Verwendung der Komponente misst. In dem Graph 1100 zeigt ein Gesundheitsindexverlauf 1102 eine allmähliche Abnahme bei einer vorhergesagten RUL der Komponente von einem Punkt 1106, an dem die Komponente zum ersten Mal wie jetzt eingesetzt wird, bis zu einem Punkt, an dem sie ein Ende einer Lebensdauer der Komponente erreicht. Eine minimale RUL der Komponente ist durch die gestrichelte Linie 1104 gezeigt. Eine erwartete Lebensdauer der Komponente ist durch die Linie 1110 gezeigt, wobei eine Beeinträchtigung, die bei Punkt 1114 (z. B. zum Zeitpunkt 2) auftritt, dort auftritt, wo der Verlauf 1102 die minimale RUL erreicht, die durch die gestrichelte Linie 1104 gezeigt ist. Falls bei Punkt 1114 eine Beeinträchtigung detektiert wird, kann eine Genauigkeit des RUL-Modells als hoch angesehen werden. Alternativ kann eine Beeinträchtigung detektiert werden, bevor die Komponente die minimale RUL erreicht, zum Beispiel bei Punkt 1108 zum Zeitpunkt 1. Falls eine Beeinträchtigung bei Punkt 1108 detektiert wird, kann eine Genauigkeit des RUL-Modells als niedriger als gewünscht angesehen werden. In einem anderen Beispiel kann eine Beeinträchtigung detektiert werden, nachdem die Komponente die minimale RUL erreicht hat, wie durch die Linie 1112 angegeben. Falls zum Beispiel bei Punkt 1116 eine Beeinträchtigung detektiert wird, kann eine Genauigkeit des RUL-Modells als niedriger als gewünscht angesehen werden. In einigen Ausführungsformen, in denen eine Vielzahl von RUL-Modellen der Komponente zugeordnet sein kann, kann, wenn die Genauigkeit des RUL-Modells als niedriger als gewünscht angesehen wird, ein anderes RUL-Modell, das eine andere RUL vorhersagt, als leistungsstarkes Modell für die Zwecke des Vorhersagens der RUL der Komponente ausgewählt werden und können lokale RUL-Modelle gemäß dem anderen RUL-Modell aktualisiert werden.
Zurückkehrend zu 6 geht das Verfahren 600 zu 604 zurück, falls bei 614 bestimmt wird, dass die RUL der Komponente nicht gleich der minimalen RUL der Komponente ist. Falls alternativ bei 614 bestimmt wird, dass die RUL der Komponente gleich der minimalen RUL der Komponente ist, geht das Verfahren 600 zu 616 über. Bei 616 beinhaltet das Verfahren 600 Ausgeben einer ersten Wartungsbenachrichtigung (FNOS) an einen Fahrer des Fahrzeugs, das Fahrzeug zum Warten der Komponente bringen zu lassen, und das Verfahren 600 geht zu 604 zurück.
Unter erneuter Bezugnahme auf 612 geht das Verfahren 600 zu 618 über, falls bei 612 bestimmt wird, dass eine Beeinträchtigung der Komponente detektiert worden ist. Bei 618 beinhaltet das Verfahren 600 eine FNOS an den Fahrer des Fahrzeugs, das Fahrzeug zum Warten der Komponente bringen zu lassen.
Bei 620 beinhaltet das Verfahren 600 Bestimmen, ob eine RUL der Komponente gleich einer minimalen RUL der Komponente ist, wie vorstehend unter Bezugnahme auf 614 beschrieben. Falls bei 620 bestimmt wird, dass die RUL der Komponente gleich der minimalen RUL ist, geht das Verfahren 600 zu 604 zurück, wo das Überwachen der Gesundheit der Fahrzeugkomponenten fortgesetzt wird. Falls bei 620 bestimmt wird, dass die RUL der Komponente nicht gleich der minimalen RUL ist (z. B. die Komponente entweder unerwartet früh oder unerwartet spät beeinträchtigt worden ist), geht das Verfahren 600 zu 622 über.
Bei 622 beinhaltet das Verfahren 600 lokales Speichern von Daten der Beeinträchtigungsdaten und Aktualisieren eines oder mehrerer lokaler RUL-Modelle der Komponente an dem Fahrzeug auf Grundlage der Beeinträchtigungsdaten. Der Typ der Beeinträchtigungsdaten kann von der Komponente abhängen. Als ein Beispiel können die Beeinträchtigungsdaten einen Zeitpunkt der Beeinträchtigung, eine Gesamtlebensdauer der Komponente bis zum Zeitpunkt der Beeinträchtigung in der Zeit, eine zurückgelegte Strecke des Fahrzeugs, eine Temperatur von Abgasen des Fahrzeugs, eine Kurbelwellengeschwindigkeit des Fahrzeugs, eine Geschwindigkeit des Fahrzeugs, eine Schwankung beim Verbrennungsmotordrehmoment des Fahrzeugs, einen Ladezustand einer Batterie des Fahrzeugs und dergleichen beinhalten.
Das eine oder die mehreren lokalen RUL-Modelle der Komponente können mit neuen Daten aktualisiert werden (wobei die neuen Daten einen Minibatch von Trainingsdaten bilden) und anschließend gemäß einer iterativen Optimierungsprozedur optimiert werden. Die iterative Optimierungsprozedur kann einen Gradientenabstiegsalgorithmus verwenden, der bei einem Punkt β_m (aus jeder Klasse gelernt) beginnt, um die Parameter eines Modells des einen oder der mehreren lokalen RUL-Modelle auf Grundlage eines Gradienten der Funktion mit einzelnen historischen Daten gemäß der folgenden Gleichung einzustellen: $β_{m}^{n e u} = β_{m}^{a l t} - η \nabla_{β_{m}} J_{m} (β_{m}; s_{m})$
wobei eine Verlustfunktion J_m ein Fehler zwischen dem Modell und dem richtigen Systemverhalten für die m - te Klasse ist. Die Parameter β_m können in einer entgegengesetzten Richtung des Gradienten der Verlustfunktion in Bezug auf ∇_βmJ_m aktualisiert werden. Die Schrittgröße η ist ein wichtiger Hyperparameter, der bestimmt, wie schnell zu einem (lokalen) Minimum konvergiert wird.
Zusätzlich zu dem einen oder den mehreren lokalen RUL-Modellen können in einigen Ausführungsformen ein oder mehrere AD-Modelle der Komponente lokal (z. B. an dem Fahrzeug) mit den Beeinträchtigungsdaten aktualisiert werden. In einigen Ausführungsformen kann zudem ein cloudbasiertes Gesundheitsüberwachungssystem benachrichtigt werden, wodurch ein oder mehrere cloudbasierte AD-Modelle aktualisiert werden können, und/oder die Beeinträchtigungsdaten können an einen Hersteller der Komponente weitergeleitet werden.
Bei 624 beinhaltet das Verfahren 600 Bestimmen, ob die RUL der Komponente größer als die minimale RUL der Komponente ist (z. B., wenn die Komponente früher beeinträchtigt worden ist als erwartet). Falls die RUL der Komponente nicht größer als die minimale RUL der Komponente ist (z. B., falls die RUL der Komponente kleiner als die minimale RUL der Komponente ist, was bedeutet, dass die Komponente länger als erwartet gehalten hat), geht das Verfahren 600 zu 604 zurück, wo das Überwachen der Gesundheit der Fahrzeugkomponenten fortgesetzt wird. Falls die RUL der Komponente größer als die minimale RUL der Komponente ist, geht das Verfahren 600 zu 626 über.
Bei 626 beinhaltet das Verfahren 600 Senden einer Anforderung zum Einleiten eines RUL-Lernzyklus unter Verwendung von föderalem Lernen an einen cloudbasierten Server. Der RUL-Lernzyklus unter Verwendung von föderalem Lernen wird nachstehend unter Bezugnahme auf 7 beschrieben.
Unter nunmehriger Bezugnahme auf 7 ist ein beispielhaftes Verfahren 700 zum Aktualisieren eines trainierten RUL-Modells einer Komponente eines Fahrzeugs über föderales Lernen gezeigt. In verschiedenen Ausführungsformen kann der zentralisierte Server ein cloudbasierter Server sein, wie etwa das Serversystem 401 aus 4. Anweisungen zum Ausführen des Verfahrens 700 können auf dem cloudbasierten Server gespeichert sein und durch diesen ausgeführt werden. In einem Beispiel wird das Verfahren 700 als Teil des vorstehend beschriebenen Verfahrens 500 ausgeführt.
Bei 702 beinhaltet das Verfahren 700 Empfangen einer Anforderung zum Einleiten eines föderalen Lernzyklus für die Komponente. Die Anforderung kann von einem anfordernden Fahrzeug infolgedessen empfangen werden, dass eine Beeinträchtigung in der Komponente an dem anfordernden Fahrzeug detektiert wird, wie vorstehend unter Bezugnahme auf 5 beschrieben.
Bei 704 beinhaltet das Verfahren 700 Erzeugen einer Lernföderation (in dieser Schrift auch als die Föderation bezeichnet) von Fahrzeugen aus der verbundenen Fahrzeugpopulation. In verschiedenen Ausführungsformen kann die Föderation eine Anzahl N von zufällig ausgewählten Fahrzeugen einer Fahrzeugklasse als das anfordernde Fahrzeug umfassen. Zum Beispiel können 100 Fahrzeuge der verbundenen Fahrzeugpopulation zufällig ausgewählt werden, um die Föderation zu erzeugen. In einigen Ausführungsformen kann die Föderation das anfordernde Fahrzeug beinhalten, während die Föderation in anderen Ausführungsformen das anfordernde Fahrzeug möglicherweise nicht beinhaltet.
Bei 706 beinhaltet das Verfahren 700 Anfordern von Modellparametern aus lokalen RUL-Modellen der Föderation von Fahrzeugen. Die Modellparameter können zum Beispiel Modelleingaben, Modellausgaben und Modellfehler; Gewichtungen und Bias von RUL-Modellen neuronaler Netzwerke; und/oder andere Parameter beinhalten. In einigen Ausführungsformen können die Modellparameter Sensor- und Ereignisdaten des Fahrzeugs beinhalten, die über Fahrzeugsensoren, wie etwa die vorstehend unter Bezugnahme auf 1 beschriebenen Sensoren 16, gemessen werden. Die Sensor- und Ereignisdaten können Beeinträchtigungsdaten, wie vorstehend unter Bezugnahme auf 6 beschrieben, oder Diagnosefehlercodes (diagnostic trouble codes - DTC), die durch eine oder mehrere durch die Steuerung ausgeführte Diagnoseroutinen ausgelöst werden können, oder andere Daten beinhalten. In einigen Ausführungsformen können die Sensor- und Ereignisdaten verwendet werden, um beschriftete Ground-Truth-Informationen für überwachtes Lernen (supervised learning - SL) oder selbstüberwachtes Lernen zu ermitteln.
Das Verfahren 700 kann Warten während einer Dauer beinhalten, um Antworten von den Fahrzeugen der Föderation zu empfangen. In einigen Fällen kann ein Teil der Fahrzeuge der Föderation nicht antworten und/oder die Modellparameter und Fehler nicht übertragen, wodurch nicht reagierende Fahrzeuge aus der Föderation beseitigt werden können. In einigen Ausführungsformen können beseitigte Fahrzeuge durch andere Fahrzeuge der Fahrzeugklasse ersetzt werden.
Bei 708 beinhaltet das Verfahren 700 Aggregieren der Modellparameter und der Modellfehler der lokalen RUL-Modelle von den Fahrzeugen der Föderation und Aktualisieren eines klassenspezifischen RUL-Modells der Fahrzeugklasse an dem cloudbasierten Server. Das Aktualisieren des klassenspezifischen RUL-Modells kann von einem verwendeten Modelltyp abhängen. Falls zum Beispiel das klassenspezifische RUL-Modell ein neuronales Netzwerk ist, kann eine Vielzahl von Gewichtungen des neuronalen Netzwerks auf Grundlage von neuen Beeinträchtigungsdaten eingestellt werden. Falls das klassenspezifische RUL-Modell ein Regressionsmodell ist, kann das Regressionsmodell so eingestellt werden, dass es neue Datenpunkte beinhaltet, die den neuen Beeinträchtigungsdaten entsprechen.
In einigen Ausführungsformen kann das Aggregieren der Modellparameter der lokalen RUL-Modelle, um die klassenspezifischen RUL-Modelle zu aktualisieren, Bilden eines Durchschnitts der Modellparameter der lokalen RUL-Modelle beinhalten. Das Bilden des Durchschnitts kann zudem ein gewichtetes Bilden eines Durchschnitts sein, bei dem Modellparameter gewisser lokaler RUL-Modelle stärker gewichtet werden können als andere lokale RUL-Modelle (z. B., wenn einige Fahrzeugkomponenten ein Verhalten aufzeigen, das repräsentativer für die Fahrzeugklasse ist als andere Fahrzeugkomponenten). In einigen Ausführungsformen können Parameter der klassenspezifischen RUL-Modelle in Abhängigkeit von den aggregierten und/oder durchschnittlichen lokalen RUL-Modellparametern aktualisiert werden, während in anderen Ausführungsformen die Parameter der klassenspezifischen RUL-Modelle durch die durchschnittlichen lokalen RUL-Modellparameter ersetzt werden können.
Bei 710 beinhaltet das Verfahren 700 drahtloses Übertragen von aktualisierten Modellparametern des klassenspezifischen RUL-Modells an Fahrzeuge der Föderation (z. B. die N zufällig ausgewählten Fahrzeuge der Fahrzeugklasse). Wenn die aktualisierten Modellparameter an den Fahrzeugen der Föderation empfangen werden, kann jedes Fahrzeug der Föderation ein entsprechendes lokales RUL-Modell auf Grundlage der aktualisierten Modellparameter aktualisieren. In einigen Ausführungsformen können die lokalen RUL-Modellparameter jedes Fahrzeugs der Föderation durch die aktualisierten Modellparameter ersetzt werden. In anderen Ausführungsformen können die lokalen RUL-Modellparameter jedes Fahrzeugs der Föderation in Abhängigkeit von den aktualisierten Modellparametern aktualisiert werden (z. B. deren Durchschnitt gebildet werden).
Sobald die aktualisierten Modellparameter an die anwendbaren Fahrzeuge übertragen sind, ist ein erster föderaler Lernzyklus abgeschlossen und beinhaltet das Verfahren 700 Bestimmen, ob ein anschließender föderaler Lernzyklus einzuleiten ist. Das Bestimmen, ob ein anschließender föderaler Lernzyklus einzuleiten ist, kann von Faktoren abhängen, die eine Anzahl von durchgeführten föderalen Lernzyklen und eine Konvergenz der Modellparameter über eine Vielzahl von föderalen Lernzyklen beinhalten.
Bei 712 beinhaltet das Verfahren 700 Bestimmen, ob mehr als ein föderaler Lernzyklus abgeschlossen worden ist. Falls nur ein föderaler Lernzyklus abgeschlossen worden ist, sind möglicherweise nicht ausreichend Daten verfügbar, um eine Konvergenz der Modellparameter zu ermitteln. Um eine Konvergenz der Modellparameter zu ermitteln, können mindestens zwei föderale Lernzyklen abgeschlossen werden. Falls bei 712 bestimmt wird, dass nur ein föderaler Lernzyklus abgeschlossen worden ist, kann das Verfahren 700 zu 704 zurückgehen, wo eine neue Föderation aus der verbundenen Fahrzeugpopulation erzeugt wird und ein anschließender FL-Zyklus durchgeführt wird. Falls bei 712 bestimmt wird, dass mehr als ein FL-Zyklus abgeschlossen worden ist, geht das Verfahren 700 zu 714 über.
Bei 714 beinhaltet das Verfahren 700 Bestimmen, ob eine neue FL-Sitzung angefordert worden ist. Zum Beispiel kann eine Komponente eines ersten Fahrzeugs einer ersten Beeinträchtigung ausgesetzt sein, wobei als Reaktion auf die erste Beeinträchtigung eine erste Anforderung zum Einleiten einer FL-Sitzung gesendet wird. Als Reaktion darauf, dass die erste Anforderung von dem ersten Fahrzeug empfangen wird, kann eine erste FL-Sitzung gemäß dem Verfahren 700 eingeleitet werden. Während der ersten FL-Sitzung kann eine ähnliche Komponente eines zweiten Fahrzeugs einer zweiten Beeinträchtigung ausgesetzt sein, wobei als Reaktion auf die zweite Beeinträchtigung eine zweite Anforderung zum Einleiten einer FL-Sitzung gesendet wird. Als Reaktion darauf, dass die zweite Anforderung empfangen wird, während die erste FL-Sitzung noch im Gange ist, kann eine zweite FL-Sitzung eingeleitet werden, wobei die zweite FL-Sitzung Beeinträchtigungsdaten der zweiten Beeinträchtigung sowie Modelldaten des zweiten Fahrzeugs und/oder anderer ähnlicher Fahrzeuge beinhaltet. Da die zweite FL-Sitzung auf zusätzlichen und/oder jüngeren Modelldaten basiert als die erste FL-Sitzung, kann die erste FL-Sitzung in einigen Ausführungsformen abgebrochen werden. In anderen Ausführungsformen kann die erste FL-Sitzung bis zu einem Abschluss (z. B. einer Konvergenz von Modelldaten) gleichzeitig mit dem Ausführen der zweiten FL-Sitzung ausgeführt werden.
Falls bei 714 bestimmt wird, dass eine Lernsitzung angefordert worden ist, geht das Verfahren 700 zu 704 zurück, wo eine neue Föderation aus der verbundenen Fahrzeugpopulation erzeugt wird und ein anschließender föderaler Lernzyklus auf Grundlage von aktualisierten Modellparametern durchgeführt wird, die in der Anforderung für die neue föderale Lernsitzung beinhaltet sind. Falls bei 714 bestimmt wird, dass keine Lernsitzung angefordert worden ist, geht das Verfahren 700 zu 716 über.
Bei 716 beinhaltet das Verfahren 700 Bestimmen, ob die Modellparameter konvergiert sind. Das Bestimmen, ob die Modellparameter konvergiert sind, kann Bestimmen beinhalten, ob eine aggregierte Änderung, die an den Modellparametern gemäß dem Gradientenabstieg ∇_βmJ_m(β_m;s_m) aus Gleichung (1) vorgenommen wurde, unter einen Schwellenwert (z. B. einen kleinen positiven Wert nahe null) abgenommen hat.
Zum Beispiel kann die verbundene Fahrzeugpopulation 1000 Fahrzeuge umfassen. Eine föderale Lernsitzung kann in Bezug auf eine Fahrzeugkomponente eingeleitet werden, beginnend mit einem ersten föderalen Lernzyklus auf Grundlage einer ersten zufällig ausgewählten Föderation von 100 Fahrzeugen. Während des ersten föderalen Lernzyklus können Parameter von lokalen Modellen der Fahrzeugkomponente an der ersten zufällig ausgewählten Föderation von 100 Fahrzeugen an einen Server übertragen und an dem Server aggregiert werden, um eine erste Aktualisierung eines klassenspezifischen Modells an dem Server durchzuführen. Parameter des klassenspezifischen Modells können zurück an die erste zufällig ausgewählte Föderation von 100 Fahrzeugen übertragen werden und die lokalen Modelle der Fahrzeugkomponente an der ersten zufällig ausgewählten Föderation von 100 Fahrzeugen können aktualisiert werden. Während des Aktualisierens der lokalen Modelle können Parameter der lokalen Modelle auf Parameter des klassenspezifischen Modells zurückgesetzt und auf Grundlage von lokalen (z. B. historischen) Daten erneut trainiert werden. Nachdem die lokalen Modelle aktualisiert worden sind, kann der erste föderale Lernzyklus zu Ende gehen und ein zweiter föderaler Lernzyklus der föderalen Lernsitzung kann auf Grundlage einer zweiten zufällig ausgewählten Föderation von 100 Fahrzeugen der 1000 Fahrzeuge der verbundenen Fahrzeugpopulation eingeleitet werden. Während des zweiten föderalen Lernzyklus können Parameter von lokalen Modellen der Fahrzeugkomponente an der zweiten zufällig ausgewählten Föderation von 100 Fahrzeugen an den Server übertragen und an dem Server aggregiert werden, um eine zweite Aktualisierung des Master-Modells durchzuführen. Aktualisierte Parameter des Master-Modells können zurück an die zweite zufällig ausgewählte Föderation von 100 Fahrzeugen übertragen werden und die lokalen Modelle der Fahrzeugkomponente an der zweiten zufällig ausgewählten Föderation von 100 Fahrzeugen können aktualisiert werden. Nachdem die lokalen Modelle aktualisiert worden sind, kann der zweite föderale Lernzyklus zu Ende gehen und ein dritter föderaler Lernzyklus der föderalen Lernsitzung kann auf Grundlage einer dritten zufällig ausgewählten Föderation von 100 Fahrzeugen der 1000 Fahrzeuge der verbundenen Fahrzeugpopulation eingeleitet werden und so weiter. Wenn aufeinanderfolgende föderale Lernzyklen durchgeführt werden, können an den Parametern des Master-Modells vorgenommene Einstellungen abnehmen. Wenn die an den Parametern des Master-Modells vorgenommenen Einstellungen aggregiert unter den Schwellenwert abnehmen, kann davon ausgegangen werden, dass die Modellparameter konvergiert sind. Die Konvergenz kann zudem durch neue Anforderungen für föderales Lernen beeinflusst werden, wodurch neue Modell- und Beeinträchtigungsdaten periodisch oder kontinuierlich empfangen werden können.
Bei 718 beinhaltet das Verfahren 700 Senden von aktualisierten klassenspezifischen RUL-Modelldaten an alle Fahrzeuge der Fahrzeugklasse des klassenspezifischen RUL-Modells. Im Verlauf der FL-Sitzung werden Parameter des klassenspezifischen RUL-Modells auf Grundlage von Parametern von lokalen Modellen von aufeinanderfolgenden zufällig ausgewählten Föderationen aktualisiert. Nachdem eine Konvergenz auftritt und die FL-Sitzung endet, kann ein Satz von endgültigen Parametern des klassenspezifischen RUL-Modells an alle Fahrzeuge der Fahrzeugklasse gesendet werden, die Fahrzeuge beinhalten, die in einer oder mehreren zufällig ausgewählten Föderationen beinhaltet sind. Auf diese Weise können alle lokalen RUL-Modelle der Fahrzeuge der Fahrzeugklasse einen jüngsten und genauesten Satz von klassenspezifischen RUL-Modellparametern empfangen, mit diesem aktualisiert und gepflegt werden. Die klassenspezifischen RUL-Modelldaten können zum Beispiel das klassenspezifische RUL-Modell, Parameter des klassenspezifischen RUL-Modells, eine klassenbasierte vorhergesagte RUL der Fahrzeugkomponente oder andere relevante Informationen beinhalten.
Unter nunmehriger Bezugnahme auf 8 ist ein erstes beispielhaftes Verfahren 800 zum Partitionieren einer Fahrzeugpopulation in eine Vielzahl von Fahrzeugklassen gezeigt. Wie vorstehend beschrieben, kann durch Pflegen von klassenspezifischen RUL-Modellen einer Komponente für jede Fahrzeugklasse, anstatt sich auf ein Master-RUL-Modell für die Komponente über alle Fahrzeugklassen hinweg zu stützen, eine Leistungsfähigkeit einer spezifischen Komponente eines Fahrzeugs genauer modelliert werden. Anweisungen zum Ausführen des Verfahrens 800 können an einem cloudbasierten Server, wie etwa dem Serversystem 401 aus 4, gespeichert sein und durch diesen ausgeführt werden. Das Verfahren 800 kann als Teil des vorstehend beschriebenen Verfahrens 500 ausgeführt werden.
In verschiedenen Ausführungsformen kann die Vielzahl von Fahrzeugklassen für eine Fahrzeugkomponente spezifisch sein. Zum Beispiel kann die Fahrzeugpopulation in einen ersten Satz von Fahrzeugklassen in Bezug auf eine erste Komponente; einen zweiten Satz von Fahrzeugklassen in Bezug auf eine zweite Komponente; einen dritten Satz von Fahrzeugklassen in Bezug auf eine dritte Komponente aufgeteilt werden und so weiter. Durch Erzeugen von unterschiedlichen Sätzen von Fahrzeugklassen für unterschiedliche Komponenten können lokale und Master-RUL-Modelle einer Komponente genauer sein. In anderen Ausführungsformen kann die Fahrzeugpopulation in einen einzelnen Satz von Fahrzeugklassen aufgeteilt werden, wobei Fahrzeugklassen möglicherweise nicht für eine Fahrzeugkomponente spezifisch sind. Zum Beispiel können die Fahrzeugklassen auf Grundlage von Merkmalen ermittelt werden, die für den geometrischen Standort eines Fahrzeugs und/oder ein historisches Fahrprofil des Fahrzeugs im Gegensatz zu einer Fahrzeugkomponente spezifisch sind.
Bei 802 beinhaltet das Verfahren 800 Auswählen eines Satzes von Merkmalen, der zum Ermitteln von Fahrzeugklassen in Bezug auf eine modellierte Fahrzeugkomponente zu verwenden ist. Der Satz von Merkmalen kann aus Fahrzeugdaten ausgewählt werden, wie vorstehend unter Bezugnahme auf 5 gesammelt und beschrieben. Es können jedoch nicht alle Fahrzeugdaten, die von der verbundenen Fahrzeugpopulation gesammelt werden, für die Klassifizierung einer Fahrzeugkomponente relevant sein. Zum Beispiel können beim Ermitteln von Fahrzeugklassen in Bezug auf eine erste Fahrzeugkomponente erste Sensordaten ausgewählt werden, die für die erste Fahrzeugkomponente relevant sind. Wenn Fahrzeugklassen in Bezug auf eine zweite Fahrzeugkomponente ermittelt werden, können zweite Sensordaten ausgewählt werden, die für die zweite Fahrzeugkomponente relevant sind, wobei Teile oder alle der zweiten Sensordaten und der ersten Sensordaten unterschiedlich sein können.
Einige Merkmale der Fahrzeugdaten können für alle Fahrzeugklassen aller Komponenten relevant sein. Zum Beispiel kann ein geografischer Standort eines Fahrzeugs ein Merkmal sein, das beim Ermitteln aller Fahrzeugklassen berücksichtigt wird. Als ein anderes Beispiel kann in einigen Ausführungsformen ein Modell eines Fahrzeugs für das Ermitteln von Fahrzeugklassen für alle Komponenten relevant sein, wobei ein definierendes Merkmal einer Fahrzeugklasse einer Komponente ein Modell eines Fahrzeugs sein kann. In anderen Ausführungsformen ist das Modell des Fahrzeugs möglicherweise nicht für das Ermitteln von Fahrzeugklassen für alle Komponenten relevant. Zum Beispiel kann für einige Komponenten ein Fahrzeugtyp beim Ermitteln von Fahrzeugklassen nützlicher sein als das Modell des Fahrzeugs. Zum Beispiel kann eine Limousine eines ersten Modells Merkmale mit einer Limousine eines zweiten Modells gemeinsam haben, wodurch die Limousine des ersten Modells und die Limousine des zweiten Modells in einer gleichen Fahrzeugklasse beinhaltet sein können.
Sobald ein Satz von Merkmalen wie vorstehend beschrieben ausgewählt worden ist, können Parametervektoren für jedes Fahrzeug, das die Fahrzeugkomponente beinhaltet, ermittelt werden. Die Parametervektoren können eine Anzahl von Werten beinhalten, die einer Größe des Satzes von Merkmalen entspricht, wobei jeder Wert der Anzahl von Werten einem Merkmal des Satzes von Merkmalen entspricht. Somit kann ein Parametervektor eines Fahrzeugs das Fahrzeug darstellen und kann ein Abstand zwischen einem ersten Parametervektor eines ersten Fahrzeugs und einem zweiten Parametervektor eines zweiten Fahrzeugs eine Ähnlichkeit des ersten Fahrzeugs mit dem zweiten Fahrzeug darstellen. Falls das erste Fahrzeug dem zweiten Fahrzeug ähnlich ist, können das erste Fahrzeug und das zweite Fahrzeug in Bezug auf die Fahrzeugkomponente einer gleichen Fahrzeugklasse der verbundenen Fahrzeugpopulation zugewiesen werden. Falls alternativ das erste Fahrzeug dem zweiten Fahrzeug nicht ähnlich ist, können das erste Fahrzeug und das zweite Fahrzeug in Bezug auf die Fahrzeugkomponente unterschiedlichen Fahrzeugklassen der verbundenen Fahrzeugpopulation zugewiesen werden.
Bei 804 beinhaltet das Verfahren 800 Verwenden eines oder mehrerer Clustering-Verfahren, um die Fahrzeugpopulation auf Grundlage des ausgewählten Satzes von Merkmalen und von entsprechenden Parametervektoren in Partitionen (z. B. Fahrzeugklassen) aufzuteilen. Das eine oder die mehreren Clustering-Verfahren können eine Ähnlichkeitsmetrik verwenden, wie vorstehend beschrieben, um zu bestimmen, wie die Parametervektoren von Fahrzeugen der Fahrzeugpopulation in natürliche Gruppierungen aufgeteilt werden können. In einigen Ausführungsformen können ein oder mehrere Algorithmen des einen oder der mehreren Clustering-Verfahren so eingestellt werden, dass eine relative Bedeutung eines Parameters der Parametervektoren widergespiegelt wird. Falls zum Beispiel eine Ausgabe eines ersten Sensors eine höhere Bedeutung beim Modellieren einer Fahrzeugkomponente aufweist als eine Ausgabe eines zweiten Sensors, kann eine Gewichtung mit einem Wert des Parameters multipliziert werden. In anderen Ausführungsformen kann die relative Bedeutung eines Parameters der Parametervektoren auf eine andere Weise angegeben werden.
Verschiedene Clustering-Verfahren können verwendet werden, um die Fahrzeuge der Fahrzeugpopulation in Partitionen oder Klassen zu clustern, die unter anderem K-Means, selbstorganisierende Karten, k-nächste Nachbarn (k-nearest neighbors - KNN), dichtebasiertes räumliches Clustern von Anwendungen mit Rauschen (density-based spatial clustering of applications with noise - DBSCAN), Gaußsche Mischmodellierung (Gaussian Mixture Modeling - GMM), Abstandsmetriken und so weiter beinhalten. In einigen Ausführungsformen kann ein Clustering-Verfahren der verschiedenen Clustering-Verfahren verwendet werden, um eine geeignete Anzahl von Fahrzeugklassen zu bestimmen, in die die Fahrzeugpopulation aufzuteilen ist, während in anderen Ausführungsformen das Clustering-Verfahren die Fahrzeugpopulation in eine vorbestimmte Anzahl von Fahrzeugklassen aufteilen kann. Die Anzahl von Fahrzeugklassen kann zudem durch das Clustering-Verfahren selbst oder durch statistische Testverfahren bestimmt werden. Zusätzlich kann in einigen Ausführungsformen, nachdem ein erster Clustering-Vorgang durchgeführt ist, ein zweiter Clustering-Vorgang durchgeführt werden. Zum Beispiel kann ein Satz von Fahrzeugklassen, der infolge des Anwendens eines ersten Clustering-Vorgangs erzeugt wurde, auf Grundlage eines geografischen Standorts von Fahrzeugen der Fahrzeugklassen oder eines Typs des Vorgangs (z. B. aggressives Fahren vs. vorsichtiges Fahren) von Fahrzeugen der Fahrzeugklassen oder eines anderen Kriteriums weiter geclustert (z. B. in zusätzliche Fahrzeugklassen aufgeteilt) werden.
In einigen Ausführungsformen kann vor dem Clustern der Fahrzeuge eine Dimensionsreduktion auf den Satz von Merkmalen angewendet werden, um eine Gesamtanzahl von Merkmalen zu reduzieren, die verwendet wird, um Fahrzeugklassen zu ermitteln. Mit anderen Worten kann vor dem Clustern der Parametervektoren eine Dimension des Parametervektors reduziert werden, wodurch eine kleinere Anzahl von Parametern in dem Parametervektor beinhaltet sein kann. Zum Beispiel kann ein Satz von Merkmalen 2000 Merkmale beinhalten, aus denen 25 dominante Merkmale über die Dimensionsreduktion ausgewählt werden. Das Reduzieren der Anzahl von Parametern in dem Parametervektor kann eine Wahrscheinlichkeit von Modellierungsfehlern aufgrund von Überanpassung reduzieren. Techniken zur Dimensionsreduktion können Hauptkomponentenanalyse (principal component analysis - PCA), Variationsautoencoder (variational autoencoders - VAE) und dergleichen beinhalten.
Bei 806 beinhaltet das Verfahren 800 Lernen einer Verteilung für jede Partition. Jedem Fahrzeug kann eine Partition (z. B. Fahrzeugklasse) zugewiesen werden und es können populationsweite und partitionsweite Statistiken gesammelt werden, wie etwa die Anzahl von Fahrzeugen pro Partition, eine Populationsdichte jeder Partition, ein durchschnittlicher Abstand zwischen Fahrzeugen in jeder Partition und Standardabweichung usw. Vor einem Einsatz einer relevanten Fahrzeugkomponente und/oder eines relevanten Fahrzeugs können Fahrzeuge einer Fahrzeugklasse zu einer gleichen Verteilung gehören. Da jedoch Fahrzeugkomponenten und Datengenerierungssysteme/-teilsysteme auf Grundlage der Nutzung unterschiedlich altern können, gehören die Fahrzeuge der Fahrzeugklasse im Laufe der Zeit möglicherweise nicht zur gleichen Verteilung. Infolgedessen kann ein lokales Modell einer Fahrzeugkomponente in Bezug auf ein klassenspezifisches Modell der Fahrzeugklasse driften. Eine Möglichkeit, die Drift zu beheben, besteht darin, das lokale Modell auf Grundlage von Parametern des klassenspezifischen Modells periodisch zu aktualisieren, wie vorstehend unter Bezugnahme auf das Verfahren 500 aus 5 beschrieben. Eine andere Möglichkeit, die Drift zu beheben, besteht darin, die Fahrzeugpopulation periodisch erneut in Fahrzeugklassen zu partitionieren, wenn Beeinträchtigungsdaten und/oder andere Fahrzeugdaten gesammelt werden.
Bei 808 beinhaltet das Verfahren 800 für jede modellierte Komponente der Fahrzeugpopulation Trainieren eines klassenspezifischen Modells (z. B. eines RUL-Modells) der Komponente für jede Fahrzeugklasse, um einen Satz von Modellparametern zu lernen, unter Verwendung eines zuvor definierten Master-Modells für alle Fahrzeuge der Fahrzeugpopulation. Zum Beispiel kann ein Master-RUL-Modell einer Kraftstoffeinspritzvorrichtung zugeordnet sein, die durch einige Fahrzeuge der Fahrzeugpopulation verwendet wird und durch andere Fahrzeuge der Fahrzeugpopulation nicht verwendet wird. Das Master-RUL-Modell für die Fahrzeugpopulation kann verwendet werden, um eine Vielzahl von klassenspezifischen RUL-Modellen zu erzeugen, wobei jedes klassenspezifische RUL-Modell einer Fahrzeugklasse zugeordnet sein kann, die Fahrzeuge mit der Kraftstoffeinspritzvorrichtung beinhaltet.
Zum Beispiel können Fahrzeuge einer ersten Fahrzeugklasse einen ersten Typ von Kraftstoffeinspritzvorrichtung beinhalten, während Fahrzeuge einer zweiten Fahrzeugklasse einen zweiten Typ von Kraftstoffeinspritzvorrichtung beinhalten können. Die erste Fahrzeugklasse kann ein erstes klassenspezifisches RUL-Modell aufweisen, das dem ersten Typ von Kraftstoffeinspritzvorrichtung zugeordnet ist, und die zweite Fahrzeugklasse kann ein zweites klassenspezifisches RUL-Modell aufweisen, das dem zweiten Typ von Kraftstoffeinspritzvorrichtung zugeordnet ist. Das erste klassenspezifische RUL-Modell und das zweite klassenspezifische RUL-Modell können in einem cloudbasierten Server, wie etwa dem Serversystem 401 aus 4, gespeichert sein.
Unter kurzer Bezugnahme auf 10A ist ein Verlauf 1000 gezeigt, der eine beispielhafte Verteilung von Fahrzeugen 1010 innerhalb von vier Fahrzeugklassen einer Fahrzeugpopulation abbildet. Eine erste Fahrzeugklasse 1002 kann ein erstes klassenspezifisches RUL-Modell 1014 für eine Fahrzeugkomponente beinhalten; eine zweite Fahrzeugklasse 1004 kann ein zweites klassenspezifisches RUL-Modell 1016 für die Fahrzeugkomponente beinhalten; eine dritte Fahrzeugklasse 1006 kann ein drittes klassenspezifisches RUL-Modell 1018 für die Fahrzeugkomponente beinhalten; und eine vierte Fahrzeugklasse 1008 kann ein viertes klassenspezifisches RUL-Modell 1020 für die Fahrzeugkomponente beinhalten. Die erste Fahrzeugklasse 1002, die zweite Fahrzeugklasse 1004, die dritte Fahrzeugklasse 1006 und die vierte Fahrzeugklasse 1008 können durch eine oder mehrere Grenzen 1012 getrennt sein.
Zurückkehrend zu 8 können in einigen Ausführungsformen unterschiedliche Typen von klassenspezifischen Modellen für unterschiedliche Fahrzeugkomponenten verwendet werden. Zum Beispiel kann ein erster Modelltyp verwendet werden, um eine erste Komponente zu modellieren, kann ein zweiter Modelltyp verwendet werden, um eine zweite Komponente zu modellieren, kann ein dritter Modelltyp verwendet werden, um eine dritte Komponente zu modellieren, und so weiter. Zusätzlich kann in einigen Ausführungsformen eine Vielzahl von RUL-Modellen einer Fahrzeugkomponente zugeordnet sein und kann ein leistungsstarkes Modell ausgewählt und verwendet werden. Durch Generieren der Vielzahl von RUL-Modellen für jede Fahrzeugkomponente kann ein Modell identifiziert werden, das am besten zum Vorhersagen einer RUL der Fahrzeugkomponente geeignet ist, nachdem die Modelle eingesetzt werden.
In einigen Ausführungsformen kann die Vielzahl von RUL-Modellen auf Grundlage eines Ranking-Algorithmus periodisch neu in einem Ranking angeordnet werden und kann ein neues leistungsstarkes Modell der Vielzahl von RUL-Modellen ausgewählt werden. Zum Beispiel kann ein erstes leistungsstarkes RUL-Modell vor dem Einsatz auf Grundlage von Daten vor dem Einsatz ausgewählt werden; nach einem ersten Zeitraum nach dem Einsatz kann ein zweites leistungsstarkes RUL-Modell auf Grundlage eines ersten Batchs von Beeinträchtigungsdaten der Komponente, der nach dem Einsatz empfangen wird, ausgewählt werden; nach einem zweiten Zeitraum nach dem Einsatz kann ein drittes leistungsstarkes RUL-Modell auf Grundlage eines zweiten Batchs von Beeinträchtigungsdaten der Komponente, der nach dem Einsatz empfangen wird, ausgewählt werden; und so weiter. Wenn ein neues RUL-Modell ausgewählt wird, können das Master-RUL-Modell, die klassenspezifischen Modelle und die lokalen Modelle auf das neue RUL-Modell aktualisiert werden.
Die klassenspezifischen RUL-Modelle können unter Verwendung eines klassenspezifischen Trainingsdatensatzes mit beschrifteten Daten, die Ground-Truth-Informationen beinhalten, trainiert werden. Die beschrifteten Daten können durch einen Hersteller der Fahrzeugkomponente zusammengestellt werden, die dem klassenspezifischen RUL-Modell zugeordnet ist, und können zum Beispiel technische Daten (z. B. aus der technischen Datenbank 402 aus 4), Komponententestdaten und/oder andere Daten, die während einer Entwicklung der Fahrzeugkomponente gesammelt werden, beinhalten. Die beschrifteten Daten können zudem Beeinträchtigungsdaten beinhalten, die von Fahrzeugen der verbundenen Fahrzeugpopulation empfangen werden. Falls zum Beispiel eine Kraftstoffeinspritzvorrichtung eines Fahrzeugs im praktischen Einsatz beeinträchtigt wird, können Informationen über die Beeinträchtigung, die Kraftstoffeinspritzvorrichtung, das Fahrzeug, die Betriebsbedingungen des Fahrzeugs, den geografischen Standort des Fahrzeugs und so weiter an das cloudbasierte Gesundheitsüberwachungssystem übertragen werden, wobei die Informationen für anschließende Trainingszwecke in den beschrifteten Daten beinhaltet sein können. Da jedoch das Erlangen ausreichender Ground-Truth-Informationen schwierig sein kann, können nach dem Trainieren an den beschrifteten Daten Parameter der klassenspezifischen RUL-Modelle während des anschließenden Trainierens unter einer FL-Strategie weiter eingestellt werden, wie unter Bezugnahme auf 7 ausführlicher beschrieben.
Jedes der klassenspezifischen RUL-Modelle für eine gegebene Komponente kann unterschiedliche Parameter auf Grundlage eines entsprechenden klassenspezifischen Trainingssatzes lernen. Insbesondere kann ein allgemeines RUL-Modell die folgende Form aufweisen: $\hat{y} (t) = ƒ (s (t), β)$
wobei y eine RUL darstellen kann. Die Funktion / kann eingegebene Fahrzeugstichproben s(t) auf eine Modellausgabe y(t) zum Zeitpunkt t (t = 1, ... T) abbilden. Die Funktion / ist durch β parametrisiert, was durch Minimieren einer Verlustfunktion bestimmt werden kann, die durch einen Fehler zwischen einem richtigen Zustand y und einem geschätzten Zustand ŷ = f (s(t), β) definiert ist: $J = y - ƒ (s (t), β)$
Für eine Flotte (Population) von Fahrzeugen, die in M Klassen aufgeteilt ist, kann man, um optimale Parameter für Klassenmodelle für die m^te (m = 1, ... M) Fahrzeugklasse zu erlangen, ein Optimierungsproblem schreiben, das die gewichtete Summe der Verlustfunktion J_m minimiert, wie nachstehend gezeigt: $J_{m} * = \underset{β_{m}}{m i n} \frac{1}{T} \sum_{t = 1}^{T} w_{m} (s (t)) J_{m} (β_{m}; s_{m} (t))$
wobei β_m = [β_m1,...,β_mp] Parameter für die klassenspezifischen Modelle in der konkreten Fahrzeugklasse sind, s_m Trainingsstichproben aus der m - ten Klasse sind, die zum Zeitpunkt t (t = 1, ..., T) beprobt wurden, und die Verlustfunktion J_m der Fehler zwischen dem derzeitigen Modell auf Klassenebene und dem richtigen Systemverhalten für die mte Klasse ist. Eine Gewichtungsfunktion w_m ist ein Vektor, der wie folgt definiert ist: $w_{m} (s (t)) = e x p (\frac{- d i s {(m, b (t))}^{2}}{2 σ^{2}}), d i s (.,.)$
wobei es sich um einen topologischen Abstand zwischen zwei Fahrzeugklassen handelt, der unter Verwendung einer Breitenprozedur berechnet werden kann. Die Gewichtungsfunktion kann Diskontinuitäten entlang von Grenzen benachbarter Regionen glätten.
Lokale RUL-Modelle können wiederum iterativ über einen Minibatch-Batch-Gradientenabstieg trainiert werden, beginnend bei einem Punkt β_m, (aus jeder Klasse gelernt), wobei Parameter auf Grundlage eines Funktionsgradienten mit einzelnen historischen Daten eingestellt werden: $β_{m}^{n e u} = β_{m}^{a l t} - η \nabla_{β_{m}} J_{m} (β_{m}; s_{m})$
wobei die Parameter β_m in einer entgegengesetzten Richtung des Gradienten der Verlustfunktion in Bezug auf ∇_βmJ_m aktualisiert werden. Eine Schrittgröße η kann ein Hyperparameter sein, der vorgibt, wie schnell die Konvergenz zu einem (lokalen) Minimum erfolgt. Eine größere Schrittgröße führt wahrscheinlich schneller zu einer Konvergenz, kann jedoch überschwingen und zu instabilen Ergebnissen führen. Eine kleinere Schrittgröße kann andererseits zu einer sehr langsamen Konvergenz führen. Eine übliche Strategie zum Definieren der Schrittgröße besteht darin, sie als abnehmende Funktion der Anzahl von Aktualisierungen festzulegen.
Ein Master-RUL-Modell F(t) für eine Fahrzeugkomponente kann eine Summierung jedes klassenspezifischen RUL-Modells jeder Fahrzeugklasse C_m sein, wie durch die nachstehenden Gleichungen (7) und (8) beschrieben: $F (t) = \sum_{m = 1}^{M} v_{m} (s (t)) ƒ_{m} (s (t))$
$c_{m} (s (t)) = {\begin{matrix} 1 & s (t) \in C_{m} \\ 0 & a n d e r n f a l l s \end{matrix}$
wobei m eine Anzahl von Fahrzeugklassen ist und C_m, m = 1, ...,M eine disjunkte Partition eines Betriebsraums ist, der die Parametervektoren s(t) enthält, die zum Zeitpunkt t für ein konkretes Modell beprobt wurden, t eine Signalbeprobungszeit ist und m die m^te Partition ist.
Bei 810 beinhaltet das Verfahren 800 Bestimmen, ob ein klassenspezifischer RUL-Modellfehler größer als ein Schwellen-RUL-Modellfehler ist. Falls bei 810 bestimmt wird, dass der klassenspezifische RUL-Modellfehler größer als der Schwellen-RUL-Modellfehler ist, geht das Verfahren 800 zu 804 zurück, wo die Fahrzeugpopulation erneut partitioniert wird. Infolge einer erneuten Partitionierung können eine oder mehrere Klassengrenzen der Fahrzeugklassen auf Grundlage der Clustering-Verfahren eingestellt werden.
Falls alternativ bei 810 bestimmt wird, dass der klassenspezifische RUL-Modellfehler nicht größer als der Schwellen-RUL-Modellfehler ist, geht das Verfahren 800 zu 812 über. Bei 812 beinhaltet das Verfahren 800 Beibehalten der bestehenden Fahrzeugklassen und das Verfahren 800 endet.
Das Verfahren 800 kann verwendet werden, um anfängliche Fahrzeugklassen zu generieren, aber in einigen Ausführungsformen können verfügbare Ground-Truth-Beeinträchtigungsdaten nicht ausreichend sein, um das Verfahren 800 zu verwenden, um optimale Fahrzeugklassen zu generieren. Eine andere, alternative Prozedur zum Generieren von Fahrzeugklassen, die sich nicht auf Ground-Truth-Daten stützt, wird nachstehend unter Bezugnahme auf 9 beschrieben.
9 zeigt ein zweites, alternatives beispielhaftes Verfahren 900 zum Partitionieren einer Fahrzeugpopulation in eine Vielzahl von Fahrzeugklassen unter Verwendung von wachsenden selbstorganisierenden Karten (growing self-organizing maps - GSOM). Durch Gebrauchen eines GSOM-Algorithmus können Fahrzeugklassen auf Grundlage von prototypischen Parametervektoren mit hoher Dichte erzeugt werden, die dynamisch eingestellt werden können, wenn neue Fahrzeuge zu der Fahrzeugpopulation hinzugefügt werden und neue Daten von Fahrzeugen der Fahrzeugpopulation empfangen werden. Anweisungen zum Ausführen des Verfahrens 900 können an einem cloudbasierten Server, wie etwa dem Serversystem 401 aus 4, gespeichert sein und durch diesen ausgeführt werden. Das Verfahren 900 kann als Teil des vorstehend beschriebenen Verfahrens 500 ausgeführt werden.
Das Verfahren 900 beginnt bei 902, wo das Verfahren 900 Aufteilen der Fahrzeugpopulation in ein kleines Netzwerk von verbundenen Fahrzeugklassen auf Grundlage einer Ähnlichkeitsmetrik beinhaltet, wobei jede verbundene Fahrzeugklasse als Knoten in dem Netzwerk angesehen wird. Die Fahrzeugklassen können für eine Fahrzeugkomponente spezifisch sein, wobei unterschiedliche Fahrzeugklassen für unterschiedliche Komponenten erzeugt werden. Wie vorstehend unter Bezugnahme auf das Verfahren 800 beschrieben, kann jedes Fahrzeug der Fahrzeugpopulation als Vektor von Fahrzeugparametern dargestellt werden (z. B. Fahrzeugdaten, die als Teil des vorstehenden Verfahrens 500 gesammelt wurden) und kann die Ähnlichkeitsmetrik angewendet werden, um Fahrzeuge in anfängliche Klassen zu clustern. Zum Beispiel kann ein Grad der Ähnlichkeit zwischen Fahrzeugen durch Berechnen eines euklidischen Abstands zwischen den Parametervektoren der Fahrzeuge ermittelt werden. In einigen Ausführungsformen kann eine Teilmenge der Fahrzeuge der Fahrzeugpopulation verwendet werden, um einen anfänglichen Satz von Fahrzeugklassen zu generieren, und kann eine Größe und Anzahl von Fahrzeugklassen im Laufe der Zeit eingestellt werden, wenn ein Rest der Fahrzeuge der Fahrzeugpopulation inkrementell zu dem Netzwerk von verbundenen Fahrzeugklassen hinzugefügt wird.
Bei 904 beinhaltet das Verfahren 900 Zuweisen eines definierenden Parametervektors zu jeder Fahrzeugklasse auf Grundlage von Fahrzeugparametern für ein Master-Vorhersagemodell. In einem Beispiel kann der definierende Parametervektor ein prototypischer Parametervektor der Fahrzeuge der jeweiligen Fahrzeugklasse sein, der einen Durchschnitt der Parametervektoren der Fahrzeuge darstellt, die zu der Fahrzeugklasse gehören.
Zum Beispiel kann die Fahrzeugpopulation eine erste Fahrzeugklasse und eine zweite Fahrzeugklasse für eine Fahrzeugkomponente beinhalten. Ein erster definierender Parametervektor der ersten Fahrzeugklasse kann einen ersten Parameter, der einen ersten Fahrzeugtyp angibt; einen zweiten Parameter, der ein erstes Fahrzeugbaujahr angibt; einen dritten Parameter, der eine erste Fahrzeuggröße angibt, und so weiter beinhalten. Ein zweiter definierender Parametervektor der zweiten Fahrzeugklasse kann einen ersten Parameter, der einen zweiten Fahrzeugtyp angibt; einen zweiten Parameter, der ein zweites Fahrzeugbaujahr angibt; einen dritten Parameter, der eine zweite Fahrzeuggröße angibt, und so weiter beinhalten. Ein Fahrzeug mit einem Parametervektor, der dem ersten definierenden Parametervektor ähnlicher ist als dem zweiten definierenden Parametervektor, kann der ersten Fahrzeugklasse zugewiesen werden, während ein Fahrzeug mit einem Parametervektor, der dem zweiten definierenden Parametervektor ähnlicher ist als dem ersten definierenden Parametervektor, der zweiten Fahrzeugklasse zugewiesen werden kann.
Bei 906 beinhaltet das Verfahren 900 Hinzufügen von Stichprobenfahrzeugen zu dem Netzwerk von verbundenen Fahrzeugklassen, wobei jedem Stichprobenfahrzeug auf Grundlage der Parametervektorähnlichkeit auf die vorstehend beschriebene Weise eine Fahrzeugklasse zugewiesen wird. Mit anderen Worten konkurrieren in einer kompetitiven Lernstufe Fahrzeugklassen auf Grundlage einer Ähnlichkeits- und/oder Abstandsmetrik miteinander um Stichprobenfahrzeuge.
Zum Beispiel kann ein Satz von definierenden Parametervektoren {ε_m, m = 1, ..., M}, die eine zentrale Stelle eines jeweiligen Satzes von Fahrzeugklassen bestimmen, mit dem rekursiven Aktualisierungsformat eingestellt werden: $ε_{m} (k + 1) = ε_{m} (k) + ζ_{m} (k) h (k,dis (m, b)) [s - ε_{m}], m = 1, \dots, M$
wobei dis(.,.) ein topologischer Abstand zwischen zwei Fahrzeugklassen ist, der unter Verwendung einer Breitenprozedur berechnet werden kann. c ist eine BMU - ein Index des definierenden Parametervektors, der einer Trainingseingabe s am nächsten ist, während keine Anzahl von Aktualisierungen von Gewichtungsvektoren über eine feste Anzahl von Fahrzeugklassen ist. Eine maximale Anzahl für k ist vordefiniert, um das Aktualisieren von definierenden Parametervektoren zu stoppen.
Für jede Eingabe s(t) zu einer gegebenen Beprobungszeit t wird eine entsprechende BMU b(t) bestimmt durch: $b (t) = arg min_{m} ‖ s (t) - ε_{m} ‖$
Ein Abgleichprozess der Eingabe s und der BMU c gibt die kompetitive Lernfähigkeit des wachsenden SOM-Verfahrens an. Fahrzeugklassen konkurrieren miteinander, um Beprobungsdaten zu gewinnen.
Bei 908 beinhaltet das Verfahren 900 jedes Mal, wenn ein Stichprobenfahrzeug zu einer Klasse hinzugefügt wird, Aktualisieren der Parameter des definierenden Parametervektors auf Grundlage der Parameter des hinzugefügten Stichprobenfahrzeugs (z. B. in einer kooperativen Lernstufe). Falls zum Beispiel der definierende Parametervektor auf Grundlage eines Durchschnitts der Parametervektoren der Fahrzeuge in der Fahrzeugklasse berechnet wird, kann das Aktualisieren der Parameter des definierenden Parametervektors Neuberechnen des Durchschnitts der Parametervektoren der Fahrzeuge in der Fahrzeugklasse beinhalten, die einen neuen Parametervektor des hinzugefügten Stichprobenfahrzeugs beinhaltet.
In einigen Ausführungsformen kann an kooperativem Lernen Verwenden einer Nachbarschaftsfunktion h(k, dis(m, b)) beteiligt sein, die mit einem Gauß-Kernel wie folgt definiert ist: $h (k, d i s (m, b)) = e x p (\frac{- d i s {(m, b)}^{2}}{2 σ^{2} (k)})$
wobei σ eine nicht zunehmende Funktion der Zeit ist, die einen Wirkungsbereich der Nachbarschaftsfunktion definiert. Die Verwendung der Nachbarschaftsfunktion schaltet kooperatives Lernen an, was ermöglicht, dass ein definierender Parametervektor mit Trainingsdaten, die in die entsprechende Fahrzeugklasse (z. B. Voronoi-Satz) fallen, und zudem mit Trainingsdaten in benachbarten Fahrzeugklassen aktualisiert wird.
Bei 910 beinhaltet das Verfahren 900 Auswählen einer größten Fahrzeugklasse, wobei die größte Fahrzeugklasse die Fahrzeugklasse mit einem höchsten Modellfehler auf Klassenebene (z. B. Grad der Divergenz in einer Populationsverteilung von Fahrzeugen der Fahrzeugklasse) ist. Mit anderen Worten kann sich eine Populationsverteilung von Fahrzeugen in der Fahrzeugklasse von einer ersten Populationsverteilung zu einer zweiten Populationsverteilung verschieben, wenn neue Stichprobenfahrzeugdaten zu einer Fahrzeugklasse des Netzwerks hinzugefügt werden. Die zweite Populationsverteilung kann der ersten Populationsverteilung im Wesentlichen ähnlich sein oder die zweite Populationsverteilung und die erste Populationsverteilung können divergent sein. Eine divergente Populationsverteilung kann aufgrund von wachsenden Varianzen und/oder sich verschiebenden Mittelwerten innerhalb der Fahrzeugklasse eine zunehmende Heterogenität der Fahrzeugklasse angeben.
Unter kurzer Bezugnahme auf 10B ist ein Schaubild 1030 eines Divergenzbeispiels gezeigt, das einen ersten Graphen 1032 und einen zweiten Graphen 1034 beinhaltet. Der erste Graph 1032 zeigt einen ersten Verlauf 1036 der Populationsverteilung einer vorhergesagten RUL einer Fahrzeugkomponente über eine Vielzahl von RUL-Modellen einer jeweiligen Vielzahl von Fahrzeugen einer Fahrzeugklasse hinweg. Der zweite Graph 1034 zeigt eine zweite Populationsverteilung 1038 einer vorhergesagten RUL der Fahrzeugkomponente über die Vielzahl von RUL-Modellen der jeweiligen Vielzahl von Fahrzeugen der Fahrzeugklasse hinweg, die über den ersten Verlauf 1036 der Populationsverteilung gelegt ist, wobei die zweite Populationsverteilung ein Ergebnis des Hinzufügens neuer Stichprobendaten 1040 (z. B. Beeinträchtigungsdaten, neuer Fahrzeugdaten usw.) zu der Fahrzeugklasse ist. In dem zweiten Graphen 1034 ist eine Divergenz 1042 zu sehen. Die Divergenz 1042 kann ein Vorhandensein von zwei Unterpopulationen von Fahrzeugen der Fahrzeugklasse angeben. Zum Beispiel kann die Divergenz 1042 infolge einer Einführung von Änderungen an einer Fahrzeugkomponente durch einen Hersteller der Fahrzeugkomponente auftreten, wodurch Fahrzeuge, die die Fahrzeugkomponente mit den Änderungen beinhalten, eine RUL aufweisen können, die kürzer ist als bei Fahrzeugen, die die Fahrzeugkomponente ohne die Änderungen beinhalten. Infolge des Auftretens der Divergenz 1042 kann die Fahrzeugklasse in zwei Fahrzeugklassen (z. B. die Fahrzeugklasse und eine neue Fahrzeugklasse) aufgeteilt werden. Falls alternativ keine Divergenz bei der ersten Populationsverteilung und der zweiten Populationsverteilung detektiert wird, kann die Fahrzeugklasse nicht in zwei Fahrzeugklassen aufgeteilt werden.
Zurückkehrend zu 9 beinhaltet bei 912 bei dem 900 Bestimmen, ob der klassenspezifische RUL-Modellfehler (z. B. Verlustwert) der größten Fahrzeugklasse größer als ein Schwellenverlustwert ist. Falls bei 912 bestimmt wird, dass der klassenspezifische RUL-Modellfehler der größten Klasse größer als der Schwellenverlustwert ist, geht das Verfahren 900 zu 914 über. Falls alternativ bei 912 bestimmt wird, dass der klassenspezifische RUL-Modellfehler der größten Klasse nicht größer als ein Schwellenverlustwert ist, geht das Verfahren 900 zu 916 über.
Bei 914 beinhaltet das Verfahren 900 Erzeugen einer neuen Fahrzeugklasse (z. B. eines neuen Knotens in dem Netzwerk) und Aufteilen der Fahrzeuge der größten Klasse zwischen der neuen Fahrzeugklasse und der ehemals größten Fahrzeugklasse in einer adaptiven Lernstufe. Zum Beispiel können Fahrzeuge mit Parametervektoren, die einem definierenden Parametervektor der größten Fahrzeugklasse am ähnlichsten sind, in der ehemals größten Fahrzeugklasse verbleiben, während Fahrzeuge mit Parametervektoren, die einem definierenden Parametervektor der neuen Fahrzeugklasse am ähnlichsten sind, der neuen Fahrzeugklasse zugewiesen werden können.
Zum Beispiel kann ein Strafterm ζ_m(k) durch einen Wert einer lokalen Verlustfunktion J_m bestimmt sein, die zur klassenspezifischen RUL-Modellparameteridentifikation ermittelt wurde. Das Inkrement von ζ_m führt zu einem Parametervektor, um sich in Richtung von Regionen mit höheren Verlustfunktionen zu bewegen. Somit wächst das GSOM-Netzwerk auf Grundlage des Werts der Verlustfunktion anstelle von Besuchshäufigkeit oder Quantisierungsfehlern. Der Strafterm wird wie folgt beschrieben: $ζ_{m} (k) = \frac{J_{m} (k)}{\sum_{m = 1}^{M} J_{m} (k)}$
Falls ein größter ζ_m einen vordefinierten Schwellenwert überschreitet, kann zwischen einer Fahrzeugklasse mit dem größten ζ_m und einem entferntesten Nachbarn auf Grundlage des euklidischen Abstands eine neue Fahrzeugklasse eingefügt werden. Dies führt zu einer feineren Partition der Fahrzeugklasse, die durch das derzeitige lokale Modell nicht ausreichend beschrieben werden kann und eine weitere Zerlegung erfordert. Das Wachstum des GSOM-Netzwerks kann auf Grundlage eines ersten Stoppkriteriums, bei dem alle ζ_m, m = 1, ..., M unter dem vordefinierten Schwellenwert liegen, oder eines zweiten Stoppkriteriums, bei dem eine Anzahl von SOM-Knoten (Anzahl von Fahrzeugklassen) eine vordefinierte Anzahl überschreitet, beendet werden.
Bei 916 beinhaltet das Verfahren 900 Einstellen einer Stelle jedes Knotens des Netzwerks in Bezug auf topologisch benachbarte Knoten (z. B. benachbarte Fahrzeugklassen) durch Aktualisieren der definierenden Parametervektoren der Fahrzeugklassen in dem Netzwerk. Wenn die definierenden Parametervektoren der Fahrzeugklassen in dem Netzwerk auf Grundlage einer Hinzufügung eines neuen Stichprobenfahrzeugs und/oder einer Erzeugung eines neuen Knotens eingestellt werden, Ein Beispiel für den Prozess zur Erzeugung der neuen Fahrzeugklasse und die Aufteilung der Fahrzeuge der größten Fahrzeugklasse in die neue Fahrzeugklasse und die ehemals größte Fahrzeugklasse ist in 10C abgebildet.
Unter kurzer Bezugnahme auf 10C zeigt ein Sequenzschaubild 1060 fünf Zustände eines Netzwerks zu fünf unterschiedlichen anschließenden Zeitpunkten während einer Anwendung eines GSOM-Algorithmus: einen ersten Zustand 1062, einen zweiten Zustand 1063, einen dritten Zustand 1064, einen vierten Zustand 1065 und einen fünften Zustand 1066. Das Netzwerk stellt eine Fahrzeugpopulation dar und beinhaltet fünf Knoten, wobei jeder der fünf Knoten eine Fahrzeugklasse der Fahrzeugpopulation darstellt. Im ersten Zustand 1062 ist jeder der fünf Knoten so abgebildet, dass er eine andere Größe aufweist, dajede Fahrzeugklasse eine andere Anzahl von Fahrzeugen beinhalten kann.
Im zweiten Zustand 1063 wird ein neues Stichprobenfahrzeug 1070 an einem Knoten 1072 zu einer Fahrzeugklasse des Netzwerks hinzugefügt. Wenn das neue Stichprobenfahrzeug 1070 an einem Knoten 1072 zu der Fahrzeugklasse des Netzwerks hinzugefügt wird, erhöht sich eine Größe des Knotens 1072, um die Hinzufügung widerzuspiegeln, wie im dritten Zustand 1064 gezeigt. Zusätzlich wird eine Topologie des Netzwerks eingestellt, was durch Änderungen bei Abständen zwischen den Knoten gezeigt ist, wenn ein definierender Parametervektor des Knotens 1072 und die zugeordnete Fahrzeugklasse auf Grundlage eines Einschlusses des neuen Stichprobenfahrzeugs 1070 eingestellt werden. Ein klassenspezifischer RUL-Modellfehler der durch den Knoten 1072 dargestellten Fahrzeugklasse kann auf Grundlage von RUL-Modellvorhersagen von jedem Fahrzeug der durch den Knoten 1072 dargestellten Fahrzeugklasse berechnet werden. Infolgedessen, dass der klassenspezifische RUL-Modellfehler der Fahrzeugklasse einen Schwellenverlustwert nicht überschreitet, wird kein neuer Knoten erzeugt.
Der vierte Zustand 1065 zeigt das Netzwerk in einer späteren zeitlichen Stufe, wenn ein neues Stichprobenfahrzeug 1074 zu einer durch den Knoten 1076 dargestellten Fahrzeugklasse hinzugefügt wird. Wenn das neue Stichprobenfahrzeug 1074 hinzugefügt wird, detektiert der GSOM-Algorithmus, dass der Knoten 1076 der größte Knoten des Netzwerks ist, und detektiert ferner, dass ein klassenspezifischer RUL-Modellfehler der durch den Knoten 1076 dargestellten Fahrzeugklasse den Schwellenverlustwert überschreitet. Infolgedessen, dass der klassenspezifische RUL-Modellfehler den Schwellenverlustwert überschreitet, wird eine neue Fahrzeugklasse erzeugt, die durch einen neuen Knoten 1078 dargestellt wird. Der neue Knoten 1078 wird zwischen dem Knoten 1076 und einem am weitesten von dem Knoten 1076 entfernten Knoten 1080 eingefügt. Wie im fünften Zustand 1066 gezeigt, kann eine Anzahl von Fahrzeugen der durch den Knoten 1076 dargestellten Fahrzeugklasse dann zwischen dem Knoten 1076 und dem neuen Knoten 1078 aufgeteilt werden, wobei Fahrzeuge mit Parametervektoren, die einem definierenden Parametervektor des Knotens 1076 am ähnlichsten sind, in der durch den Knoten 1076 dargestellten Fahrzeugklasse verbleiben und wobei Fahrzeuge mit Parametervektoren, die einem definierenden Parametervektor des neuen Knotens 1078 am ähnlichsten sind, der durch den neuen Knoten 1078 dargestellten Fahrzeugklasse zugewiesen werden können. Nachdem die Fahrzeuge des Knotens 1076 zwischen dem Knoten 1076 und dem Knoten 1078 aufgeteilt worden sind, wird die Topologie des Netzwerks auf Grundlage einer Neuberechnung der Fahrzeugähnlichkeit innerhalb der Fahrzeugklassen und der Fahrzeugklassengröße eingestellt, was durch Änderungen bei Abständen zwischen den Knoten im Zustand 1066 gezeigt ist.
Somit können Daten von einer verbundenen Fahrzeugpopulation verwendet werden, um eine Genauigkeit von RUL-Modellen einer Fahrzeugkomponente der verbundenen Fahrzeugpopulation zu erhöhen. Ein cloudbasiertes Gesundheitsüberwachungssystem kann die verbundene Fahrzeugpopulation auf Grundlage einer Ähnlichkeits- oder Abstandsmetrik in eine Vielzahl von Fahrzeugklassen aufteilen, wobei jede Fahrzeugklasse ein klassenspezifisches RUL-Modell aufweist, das die RUL der Fahrzeugkomponente der jeweiligen Fahrzeugklasse vorhersagt. Das klassenspezifische RUL-Modell kann unter Verwendung von Clustering-Verfahren erzeugt und anfänglich unter Verwendung von Ground-Truth-Beeinträchtigungsdaten der jeweiligen Fahrzeugklasse trainiert werden. Das klassenspezifische RUL-Modell kann anschließend aktualisiert werden, wenn Beeinträchtigungsdaten durch Fahrzeuge der Fahrzeugklasse über eine FL-Strategie gesammelt werden, wodurch lokale RUL-Modelldaten iterativ von zufällig ausgewählten Teilen von Fahrzeugen der jeweiligen Fahrzeugklasse angefordert und verwendet werden können, um Parameter des klassenspezifischen RUL-Modells zu aktualisieren. Die Parameter können wiederum an den zufällig ausgewählten Teil von Fahrzeugen der jeweiligen Fahrzeugklasse zurückgesendet werden, um lokale RUL-Modelle des zufällig ausgewählten Teils von Fahrzeugen zu aktualisieren. Durch Aufgliedern der verbundenen Fahrzeugpopulation in Fahrzeugklassen und Trainieren getrennter, klassenspezifischer RUL-Modelle und Verwenden einer Ausgabe der klassenspezifischen RUL-Modelle, um Parameter von lokalen RUL-Modellen und/oder eines Master-RUL-Modells für die verbundene Fahrzeugpopulation zu aktualisieren, können genaue RULs auf einer Fahrzeugebene, einer Klassenebene und einer Fahrzeugpopulationsebene generiert werden. Infolgedessen können Komponentenbeeinträchtigungen an Fahrzeugen genauer vorhergesagt werden, was zu einer reduzierten Anzahl von vollständigen Beeinträchtigungen im praktischen Einsatz und einer verbesserten Verwaltung einer Gesamtpopulation von Komponenten führt.
Der technische Effekt des Partitionierens einer Fahrzeugpopulation in Fahrzeugklassen und des Trainierens und Aktualisierens von klassenspezifischen RUL-Modellen unter Verwendung einer FL-Strategie mit verbundenen Fahrzeugdaten besteht darin, dass eine Genauigkeit von RUL-Modellen auf einer Fahrzeugebene, einer Klassenebene und einer Fahrzeugpopulationseben erhöht werden kann.
Die Offenbarung stellt zudem Unterstützung für ein Verfahren bereit, umfassend: Aufteilen einer Population von Fahrzeugen einer verbundenen Fahrzeugpopulation in eine Vielzahl von Fahrzeugklassen, für jede Fahrzeugklasse der Vielzahl von Fahrzeugklassen Trainieren eines klassenspezifischen Modells der Fahrzeugklasse, um eine Gesundheitsstatusvariable einer in der Fahrzeugklasse beinhalteten Fahrzeugkomponente auf Grundlage von beschrifteten Daten aus historischen Datenbanken und Kalibrierungsdaten vorherzusagen, und für jede Fahrzeugklasse der Vielzahl von Fahrzeugklassen Verwenden einer ersten Strategie zum föderalen Lernen (FL-Strategie), um: lokale Modelldaten von jedem Fahrzeug einer Vielzahl von Fahrzeugen der Fahrzeugklasse anzufordern, die lokalen Modelldaten von der Vielzahl von Fahrzeugen zu empfangen, das klassenspezifische Modell der Fahrzeugklasse auf Grundlage der empfangenen lokalen Modelldaten zu aktualisieren und aktualisierte Parameter des aktualisierten, klassenspezifischen Modells an in der Fahrzeugklasse beinhaltete Fahrzeuge zu senden und ferner Anweisungen zum erneuten Trainieren von lokalen Modellen der Fahrzeuge mit den aktualisierten Parametern zu senden. In einem ersten Beispiel für das Verfahren ist das klassenspezifische Modell der Fahrzeugklasse ein Modell einer Restnutzungsdauer (RUL-Modell), das eine RUL der in der Fahrzeugklasse beinhalteten Fahrzeugkomponente vorhersagt. In einem zweiten Beispiel für das Verfahren, das optional das erste Beispiel beinhaltet, ist die Fahrzeugklasse auf Grundlage von Fahrzeugdaten definiert, die eines oder mehrere von einem Fahrzeugähnlichkeitskriterium, einem Fahrzeugmodell, einem Fahrzeugmerkmalspaket, einer geografischen Region, einer Betriebsbedingung, einem Fahrzeugnutzungstyp und einem Fahrerverhalten beinhalten. In einem dritten Beispiel für das Verfahren, das optional eines oder beide des ersten und zweiten Beispiels beinhaltet, umfasst das Verfahren ferner Folgendes: Generieren der Vielzahl von Fahrzeugklassen durch: Zuweisen von Fahrzeugparametervektoren zu Fahrzeugen der verbundenen Fahrzeugpopulation auf Grundlage der Fahrzeugdaten, Anwenden eines Clustering-Algorithmus auf die Fahrzeugparametervektoren, um die verbundene Fahrzeugpopulation in einen Satz von Fahrzeugklassen zu partitionieren, und nachdem Parameter eines klassenspezifischen RUL-Modells einer Fahrzeugklasse auf Grundlage von lokalen RUL-Modelldaten einer Vielzahl von Fahrzeugen der Fahrzeugklasse aktualisiert worden sind, als Reaktion darauf, dass ein Fehler des klassenspezifischen RUL-Modells einen Schwellenfehler überschreitet, erneutes Partitionieren der verbundenen Fahrzeugpopulation in den Satz von Fahrzeugklassen durch Anwenden des Clustering-Algorithmus auf die aktualisierten Fahrzeugparametervektoren. In einem vierten Beispiel für das Verfahren, das optional eines oder mehrere oder jedes des ersten bis dritten Beispiels beinhaltet, wird die Vielzahl von Fahrzeugklassen auf Grundlage eines Algorithmus für wachsende selbstorganisierende Karten (GSOM) generiert, der Folgendes umfasst: Aufteilen der verbundenen Fahrzeugpopulation in ein kleines Netzwerk von Fahrzeugklassen, wobei jede Fahrzeugklasse auf einem definierenden Parametervektor der Fahrzeugklasse basiert, Zuweisen jedes Fahrzeugs der verbundenen Fahrzeugpopulation zu einer Fahrzeugklasse auf Grundlage einer Nähe eines Fahrzeugparametervektors des Fahrzeugs zu dem definierenden Parametervektor der Fahrzeugklasse, Berechnen einer ersten Statistik jeder Fahrzeugklasse, als Reaktion darauf, dass ein neues Fahrzeug zu einer ausgewählten Fahrzeugklasse des Netzwerks hinzugefügt wird, Berechnen einer zweiten Statistik der ausgewählten Fahrzeugklasse, und als Reaktion darauf, dass ein Unterschied zwischen der zweiten Statistik der ausgewählten Fahrzeugklasse und der ersten Statistik der ausgewählten Fahrzeugklasse einen Schwellenwert überschreitet: Erzeugen einer neuen Fahrzeugklasse, Zuweisen jedes Fahrzeugs der ausgewählten Fahrzeugklasse zu entweder der ausgewählten Fahrzeugklasse oder der neuen Fahrzeugklasse auf Grundlage einer relativen Nähe des Fahrzeugparametervektors jedes Fahrzeugs der ausgewählten Fahrzeugklasse jeweils zu entweder dem definierenden Parametervektor der ausgewählten Fahrzeugklasse oder dem definierenden Parametervektor der neuen Fahrzeugklasse und Neuberechnen eines definierenden Parametervektors jeder Fahrzeugklasse. In einem fünften Beispiel für das Verfahren, das optional eines oder mehrere oder jedes des ersten bis vierten Beispiels beinhaltet, ist die Statistik eine Fahrzeugpopulationsverteilung der Fahrzeugklasse und ist der Schwellenwert eine Schwellenunähnlichkeit zwischen der Fahrzeugpopulationsverteilung der ausgewählten Fahrzeugklasse und der Fahrzeugpopulationsverteilung der neuen Fahrzeugklasse, die auf Grundlage einer Abstandsmetrik berechnet wird. In einem sechsten Beispiel für das Verfahren, das optional eines oder mehrere oder jedes des ersten bis fünften Beispiels beinhaltet, umfasst das Verwenden der ersten FL-Strategie, um das klassenspezifische Modell der Fahrzeugklasse zu aktualisieren und das aktualisierte, klassenspezifische Modell an die in der Fahrzeugklasse beinhalteten Fahrzeuge zu senden, ferner Folgendes: Durchführen einer FL-Lernsitzung, die eine Vielzahl von FL-Lernzyklen beinhaltet, wobei jeder FL-Lernzyklus Folgendes umfasst: iteratives Einstellen von Parametern des klassenspezifischen RUL-Modells auf Grundlage von Daten von lokalen RUL-Modellen einer zufälligen Teilmenge von Fahrzeugen der Fahrzeugklasse und Senden der eingestellten Parameter des klassenspezifischen RUL-Modells an die zufällige Teilmenge von Fahrzeugen, um die lokalen RUL-Modelle an der zufälligen Teilmenge von Fahrzeugen auf Grundlage der eingestellten Parameter des klassenspezifischen RUL-Modells erneut zu trainieren, bis die Parameter der klassenspezifischen RUL-Modelle konvergieren. In einem siebten Beispiel für das Verfahren, das optional eines oder mehrere oder jedes des ersten bis sechsten Beispiels beinhaltet, umfasst das iterative Einstellen von Parametern des klassenspezifischen RUL-Modells auf Grundlage von Daten von lokalen RUL-Modellen einer zufälligen Teilmenge von Fahrzeugen ferner Aggregieren von lokalen RUL-Modelldaten und Generieren von aktualisierten Parametern des klassenspezifischen RUL-Modells aus den aggregierten lokalen RUL-Modelldaten. In einem achten Beispiel für das Verfahren, das optional eines oder mehrere oder jedes des ersten bis siebten Beispiels beinhaltet, ist das klassenspezifische Modell in einem cloudbasierten Gesundheitsüberwachungssystem gespeichert, das drahtlos mit der verbundenen Fahrzeugpopulation verbunden ist. In einem neunten Beispiel für das Verfahren, das optional eines oder mehrere oder jedes des ersten bis achten Beispiels beinhaltet, wird ein Master-RUL-Modell der Fahrzeugkomponente der verbundenen Fahrzeugpopulation durch Folgendes aktualisiert: Trainieren des Master-RUL-Modells an einem anfänglichen Trainingsdatensatz, der Ground-Truth-Beeinträchtigungsdaten der Fahrzeugkomponente beinhaltet, Erzeugen eines Satzes von Lernföderationen, wobei jede Lernföderation lokale RUL-Modelle beinhaltet, die gemäß einer Beprobungsstrategie aus Fahrzeugen der verbundenen Fahrzeugpopulation entnommen werden, und Anwenden einer zweiten FL-Strategie auf den Satz von Lernföderationen, um das Master-RUL-Modell zu aktualisieren. In einem zehnten Beispiel für das Verfahren, das optional eines oder mehrere oder jedes des ersten bis neunten Beispiels beinhaltet, beinhalten die Ground-Truth-Beeinträchtigungsdaten mindestens eines von Sensordaten von Fahrzeugen der verbundenen Fahrzeugpopulation, Beeinträchtigungsdaten der Fahrzeugkomponente und Reparaturdaten der Fahrzeugkomponente. In einem elften Beispiel für das Verfahren, das optional eines oder mehrere oder jedes des ersten bis zehnten Beispiels beinhaltet, beinhaltet die Beprobungsstrategie mindestens eine von Folgenden: einer geschichteten Beprobungsstrategie, bei der Stichproben aus homogenen Gruppen von Fahrzeugen der verbundenen Fahrzeugpopulation entnommen werden, einer Cluster-Beprobungsstrategie, bei der Stichproben aus heterogenen Clustern der Fahrzeuge der verbundenen Fahrzeugpopulation entnommen werden, und einer gemischten Beprobungsstrategie, bei der Stichproben aus heterogenen Clustern einer homogenen Gruppe der Fahrzeuge der verbundenen Fahrzeugpopulation entnommen werden. In einem zwölften Beispiel für das Verfahren, das optional eines oder mehrere oder jedes des ersten bis elften Beispiels beinhaltet, beinhaltet das Anwenden der zweiten FL-Strategie auf den Satz von Lernföderationen, um das Master-RUL-Modell zu aktualisieren, Bilden eines Durchschnitts von Parametern des Master-RUL-Modells über eine Vielzahl von Lernföderationen hinweg.
Die Offenbarung stellt zudem Unterstützung für ein Verfahren für ein Fahrzeug bereit, umfassend: als Reaktion darauf, dass eine Beeinträchtigung einer Komponente des Fahrzeugs detektiert wird, Senden einer ersten Wartungsbenachrichtigung an einen Fahrer des Fahrzeugs, Aktualisieren eines lokalen Modells einer Restnutzungsdauer (RUL-Modells) der Komponente auf Grundlage von Beeinträchtigungsdaten, auf Grundlage einer durch das lokale RUL-Modell vorhergesagten RUL Senden einer Anforderung zum Einleiten von föderalem Lernen (FL) an ein cloudbasiertes Gesundheitsüberwachungssystem und als Reaktion darauf, dass Parameter eines klassenspezifischen RUL-Modells der Komponente, die einer Fahrzeugklasse des Fahrzeugs zugeordnet ist, von dem cloudbasierten Gesundheitsüberwachungssystem empfangen werden, Aktualisieren von lokalen Parametern des lokalen RUL-Modells der Komponente auf Grundlage der empfangenen Parameter und erneutes Trainieren der lokalen RUL auf Grundlage von historischen Daten des Fahrzeugs. In einem ersten Beispiel für das Verfahren wird bei einer ersten Bedingung, bei der die vorhergesagte RUL der Komponente größer als eine minimale RUL ist, die Anforderung zum Einleiten von FL gesendet, und wird bei einer zweiten Bedingung, bei der die vorhergesagte RUL der Komponente nicht größer als die minimale RUL ist, die Anforderung zum Einleiten von FL nicht gesendet. In einem zweiten Beispiel für das Verfahren, das optional das erste Beispiel beinhaltet, umfasst das Aktualisieren der lokalen Parameter des lokalen RUL-Modells der Komponente auf Grundlage der empfangenen Parameter ferner entweder Ersetzen der lokalen Parameter des lokalen RUL-Modells durch die empfangenen Parameter oder Generieren von neuen Parametern des lokalen RUL-Modells in Abhängigkeit von vorherigen Parametern des lokalen RUL-Modells und den empfangenen Parametern.
Die Offenbarung stellt zudem Unterstützung für ein System bereit, umfassend: eine Population von Fahrzeugkomponenten einer verbundenen Fahrzeugpopulation, einen cloudbasierten Server, der drahtlos mit der Population von Fahrzeugkomponenten verbunden ist, wobei der cloudbasierte Server einen Prozessor und Anweisungen beinhaltet, die auf nicht transientem Speicher gespeichert sind und bei Ausführung den Prozessor zu Folgendem veranlassen: als Reaktion darauf, dass eine Anforderung zum Einleiten von föderalem Lernen (FL) von einem Fahrzeug der verbundenen Fahrzeugpopulation aufgrund einer in einer Fahrzeugkomponente des Fahrzeugs detektierten Beeinträchtigung empfangen wird: Einleiten einer FL-Sitzung, um Parameter eines klassenspezifischen RUL-Modells einer Klasse der Fahrzeugkomponente auf Grundlage von aggregierten Daten einer Vielzahl von lokalen RUL-Modellen von Fahrzeugkomponenten von Fahrzeugen der Klasse der Fahrzeugkomponente zu aktualisieren, und Übertragen von Daten des aktualisierten klassenspezifischen RUL-Modells an die Fahrzeuge der Klasse der Fahrzeugkomponente, wobei die Daten eine aktualisierte vorhergesagte klassenbasierte RUL der Fahrzeugkomponente beinhalten. In einem ersten Beispiel für das System beinhalten die aggregierten Daten der Vielzahl von lokalen RUL-Modellen mindestens eines von Parametern der lokalen RUL-Modelle, Eingaben in die lokalen RUL-Modelle, Ausgaben der RUL-Modelle und Fehlern der lokalen RUL-Modelle. In einem zweiten Beispiel für das System, das optional das erste Beispiel beinhaltet, umfassen das Einleiten der FL-Sitzung, um die Parameter des klassenspezifischen RUL-Modells der Klasse der beeinträchtigten Fahrzeugkomponente zu aktualisieren, und das Senden der aktualisierten Parameter des klassenspezifischen RUL-Modells an Fahrzeuge ferner für jeden FL-Zyklus einer Vielzahl von FL-Zyklen der FL-Sitzung Erzeugen einer Lernföderation, die eine vordefinierte zufällige Anzahl von Fahrzeugen der Klasse beinhaltet, Aktualisieren von Parametern des klassenspezifischen RUL-Modells auf Grundlage der aggregierten Daten der Vielzahl von lokalen RUL-Modellen der Lernföderation, Übertragen der aktualisierten Parameter des klassenspezifischen RUL-Modells an die Fahrzeuge der Lernföderation zum Aktualisieren von Parametern der lokalen RUL-Modelle und Beenden der FL-Sitzung, wenn die Parameter des klassenspezifischen RUL-Modells mit den Parametern der lokalen RUL-Modelle auf innerhalb einer Schwellenkonvergenz konvergieren. In einem dritten Beispiel für das System, das optional eines oder beide des ersten und zweiten Beispiels beinhaltet, umfasst das Aktualisieren von Parametern des klassenspezifischen RUL-Modells auf Grundlage der aggregierten Daten der Vielzahl von lokalen RUL-Modellen der Lernföderation ferner Trainieren des klassenspezifischen RUL-Modells, um eine gewichtete Summe von Vorhersagefehlern der lokalen RUL-Modelle zu minimieren.
Es ist zu beachten, dass die in dieser Schrift beinhalteten beispielhaften Steuer- und Schätzroutinen mit verschiedenen Verbrennungsmotor- und/oder Fahrzeugsystemkonfigurationen verwendet werden können. Die in dieser Schrift offenbarten Steuerverfahren und -routinen können als ausführbare Anweisungen in nicht transitorischem Speicher gespeichert sein und können durch das Steuersystem ausgeführt werden, das die Steuerung in Kombination mit den verschiedenen Sensoren, Aktoren und anderer Verbrennungsmotorhardware beinhaltet. Die spezifischen in dieser Schrift beschriebenen Routinen können eine oder mehrere einer beliebigen Anzahl von Verarbeitungsstrategien darstellen, wie etwa ereignisgesteuert, unterbrechungsgesteuert, Multitasking, Multithreading und dergleichen. Demnach können verschiedene veranschaulichte Handlungen, Vorgänge und/oder Funktionen in der veranschaulichten Sequenz oder parallel durchgeführt oder in einigen Fällen weggelassen werden. Gleichermaßen ist die Verarbeitungsreihenfolge nicht zwangsläufig erforderlich, um die Merkmale und Vorteile der in dieser Schrift beschriebenen beispielhaften Ausführungsformen zu erreichen, sondern zur Erleichterung der Veranschaulichung und Beschreibung bereitgestellt. Eine(r) oder mehrere der veranschaulichten Handlungen, Vorgänge und/oder Funktionen können abhängig von der konkret verwendeten Strategie wiederholt durchgeführt werden. Ferner können die beschriebenen Handlungen, Vorgänge und/oder Funktionen grafisch Code darstellen, der in nicht transitorischen Speicher des computerlesbaren Speichermediums in dem Verbrennungsmotorsteuersystem einzuprogrammieren ist, wobei die beschriebenen Handlungen durch Ausführen der Anweisungen in einem System, das die verschiedenen Verbrennungsmotorhardwarekomponenten in Kombination mit der elektronischen Steuerung beinhaltet, ausgeführt werden.
Es versteht sich, dass die in dieser Schrift offenbarten Konfigurationen und Routinen beispielhafter Natur sind und dass diese spezifischen Ausführungsformen nicht in einschränkendem Sinn aufzufassen sind, da zahlreiche Variationen möglich sind. Zum Beispiel kann die vorstehende Technologie auf V6-, I4-, I6-, V12-, 4-Zylinder-Boxer- und andere Verbrennungsmotortypen angewendet werden. Darüber hinaus sollen die Ausdrücke „erstes“, „zweites“, „drittes“ und dergleichen, sofern nicht ausdrücklich das Gegenteil angegeben ist, keine Reihenfolge, Position, Menge oder Bedeutung wiedergeben, sondern sie werden lediglich als Bezeichnungen zum Unterscheiden eines Elements von einem anderen verwendet. Der Gegenstand der vorliegenden Offenbarung beinhaltet alle neuartigen und nicht naheliegenden Kombinationen und Unterkombinationen der verschiedenen Systeme und Konfigurationen sowie andere Merkmale, Funktionen und/oder Eigenschaften, die in dieser Schrift offenbart sind.
Wie in dieser Schrift verwendet, ist der Ausdruck „ungefähr“ als plus oder minus fünf Prozent des Bereichs aufgefasst, sofern nicht etwas anderes vorgegeben ist.
Die folgenden Patentansprüche heben gewisse Kombinationen und Unterkombinationen besonders hervor, die als neuartig und nicht naheliegend betrachtet werden. Diese Patentansprüche können sich auf „ein“ Element oder „ein erstes“ Element oder das Äquivalent davon beziehen. Derartige Patentansprüche sind so zu verstehen, dass sie die Einbeziehung eines oder mehrerer derartiger Elemente beinhalten und zwei oder mehr derartige Elemente weder erfordern noch ausschließen. Andere Kombinationen und Unterkombinationen der offenbarten Merkmale, Funktionen, Elemente und/oder Eigenschaften können durch Änderung der vorliegenden Patentansprüche oder durch Einreichung neuer Patentansprüche in dieser oder einer verwandten Anmeldung beansprucht werden. Derartige Patentansprüche werden unabhängig davon, ob sie einen weiteren, engeren, gleichen oder unterschiedlichen Umfang im Vergleich zu den ursprünglichen Patentansprüchen aufweisen, ebenfalls als im Gegenstand der vorliegenden Offenbarung beinhaltet betrachtet.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

US 9881428 [0003]

Claims

Verfahren, umfassend: Aufteilen einer Population von Fahrzeugen einer verbundenen Fahrzeugpopulation in eine Vielzahl von Fahrzeugklassen (504); für jede Fahrzeugklasse der Vielzahl von Fahrzeugklassen Trainieren eines klassenspezifischen Modells der Fahrzeugklasse, um eine Gesundheitsstatusvariable einer in der Fahrzeugklasse beinhalteten Fahrzeugkomponente auf Grundlage von beschrifteten Daten aus historischen Datenbanken und Kalibrierungsdaten vorherzusagen (504); und für jede Fahrzeugklasse der Vielzahl von Fahrzeugklassen Verwenden einer ersten Strategie zum föderalen Lernen (FL-Strategie), um: lokale Modelldaten von jedem Fahrzeug einer Vielzahl von Fahrzeugen der Fahrzeugklasse anzufordern (706); die lokalen Modelldaten von der Vielzahl von Fahrzeugen zu empfangen; das klassenspezifische Modell der Fahrzeugklasse auf Grundlage der empfangenen lokalen Modelldaten zu aktualisieren (708); und das aktualisierte, klassenspezifische Modell an in der Fahrzeugklasse beinhaltete Fahrzeuge zu senden (710).
Verfahren nach Anspruch 1, wobei das klassenspezifische Modell der Fahrzeugklasse ein Modell einer Restnutzungsdauer (RUL-Modell) ist, das eine RUL der in der Fahrzeugklasse beinhalteten Fahrzeugkomponente vorhersagt.
Verfahren nach Anspruch 2, wobei die Fahrzeugklasse auf Grundlage von Fahrzeugdaten definiert ist, die eines oder mehrere von einem Fahrzeugähnlichkeitskriterium, einer geografischen Region, einer Betriebsbedingung, einem Fahrzeugnutzungstyp und einem Fahrerverhalten beinhalten.
Verfahren nach Anspruch 3, ferner umfassend: Generieren der Vielzahl von Fahrzeugklassen durch: Zuweisen von Fahrzeugparametervektoren zu Fahrzeugen der verbundenen Fahrzeugpopulation auf Grundlage der Fahrzeugdaten (802); Anwenden eines Clustering-Algorithmus auf die Fahrzeugparametervektoren, um die verbundene Fahrzeugpopulation in einen Satz von Fahrzeugklassen zu partitionieren (804); und nachdem Parameter eines klassenspezifischen RUL-Modells einer Fahrzeugklasse auf Grundlage von lokalen RUL-Modelldaten einer Vielzahl von Fahrzeugen der Fahrzeugklasse aktualisiert worden sind, als Reaktion darauf, dass ein Fehler des klassenspezifischen RUL-Modells einen Schwellenfehler überschreitet, erneutes Partitionieren der verbundenen Fahrzeugpopulation in den Satz von Fahrzeugklassen durch Anwenden des Clustering-Algorithmus auf die aktualisierten Fahrzeugparametervektoren.
Verfahren nach Anspruch 3, wobei die Vielzahl von Fahrzeugklassen auf Grundlage eines Algorithmus für wachsende selbstorganisierende Karten (GSOM) generiert wird, der Folgendes umfasst: Aufteilen der verbundenen Fahrzeugpopulation in ein kleines Netzwerk von Fahrzeugklassen, wobei jede Fahrzeugklasse auf einem definierenden Parametervektor der Fahrzeugklasse basiert (902); Zuweisen jedes Fahrzeugs der verbundenen Fahrzeugpopulation zu einer Fahrzeugklasse auf Grundlage einer Nähe eines Fahrzeugparametervektors des Fahrzeugs zu dem definierenden Parametervektor der Fahrzeugklasse (904); Berechnen einer ersten Statistik jeder Fahrzeugklasse; als Reaktion darauf, dass ein neues Fahrzeug zu einer ausgewählten Fahrzeugklasse des Netzwerks hinzugefügt wird: Berechnen einer zweiten Statistik der ausgewählten Fahrzeugklasse; und als Reaktion darauf, dass ein Unterschied zwischen der zweiten Statistik der ausgewählten Fahrzeugklasse und der ersten Statistik der ausgewählten Fahrzeugklasse einen Schwellenwert überschreitet: Erzeugen einer neuen Fahrzeugklasse (914); Zuweisen jedes Fahrzeugs der ausgewählten Fahrzeugklasse zu entweder der ausgewählten Fahrzeugklasse oder der neuen Fahrzeugklasse auf Grundlage einer relativen Nähe des Fahrzeugparametervektors jedes Fahrzeugs der ausgewählten Fahrzeugklasse jeweils zu entweder dem definierenden Parametervektor der ausgewählten Fahrzeugklasse oder dem definierenden Parametervektor der neuen Fahrzeugklasse (914); und Neuberechnen eines definierenden Parametervektors jeder Fahrzeugklasse (916).
Verfahren nach Anspruch 5, wobei die Statistik eine Fahrzeugpopulationsverteilung der Fahrzeugklasse ist und der Schwellenwert eine Schwellenunähnlichkeit zwischen der Fahrzeugpopulationsverteilung der ausgewählten Fahrzeugklasse und der Fahrzeugpopulationsverteilung der neuen Fahrzeugklasse ist, die auf Grundlage einer Abstandsmetrik berechnet wird.
Verfahren nach Anspruch 2, wobei das Verwenden der ersten FL-Strategie, um das klassenspezifische Modell der Fahrzeugklasse zu aktualisieren und das aktualisierte, klassenspezifische Modell an die in der Fahrzeugklasse beinhalteten Fahrzeuge zu senden, ferner Folgendes umfasst: Durchführen einer FL-Lernsitzung, die eine Vielzahl von FL-Lernzyklen beinhaltet, wobei jeder FL-Lernzyklus Folgendes umfasst: iteratives Einstellen von Parametern des klassenspezifischen RUL-Modells auf Grundlage von Daten von lokalen RUL-Modellen einer zufälligen Teilmenge von Fahrzeugen der Fahrzeugklasse (708) und Senden der eingestellten Parameter des klassenspezifischen RUL-Modells an die zufällige Teilmenge von Fahrzeugen (710), um Parameter der lokalen RUL-Modelle an der zufälligen Teilmenge von Fahrzeugen auf Grundlage der eingestellten Parameter des klassenspezifischen RUL-Modells einzustellen, bis die Parameter der klassenspezifischen RUL-Modelle mit den Parametern der lokalen RUL-Modelle konvergieren (716).
Verfahren nach Anspruch 7, wobei das iterative Einstellen von Parametern des klassenspezifischen RUL-Modells auf Grundlage von Daten von lokalen RUL-Modellen einer zufälligen Teilmenge von Fahrzeugen ferner Aggregieren von lokalen RUL-Modelldaten und Generieren von aktualisierten Parametern des klassenspezifischen RUL-Modells aus den aggregierten lokalen RUL-Modelldaten umfasst (708).
Verfahren nach Anspruch 1, wobei das klassenspezifische Modell in einem cloudbasierten Gesundheitsüberwachungssystem gespeichert ist, das drahtlos mit der verbundenen Fahrzeugpopulation verbunden ist.
Verfahren nach Anspruch 2, wobei ein Master-RUL-Modell der Fahrzeugkomponente der verbundenen Fahrzeugpopulation durch Folgendes aktualisiert wird: Trainieren des Master-RUL-Modells an einem anfänglichen Trainingsdatensatz, der Ground-Truth-Beeinträchtigungsdaten der Fahrzeugkomponente beinhaltet; Erzeugen eines Satzes von Lernföderationen, wobei jede Lernföderation lokale RUL-Modelle beinhaltet, die gemäß einer Beprobungsstrategie aus Fahrzeugen der verbundenen Fahrzeugpopulation entnommen werden; und Anwenden einer zweiten FL-Strategie auf den Satz von Lernföderationen, um das Master-RUL-Modell zu aktualisieren.
Verfahren nach Anspruch 10, wobei die Ground-Truth-Beeinträchtigungsdaten mindestens eines von Sensordaten von Fahrzeugen der verbundenen Fahrzeugpopulation, Beeinträchtigungsdaten der Fahrzeugkomponente und Reparaturdaten der Fahrzeugkomponente beinhalten.
Verfahren nach Anspruch 10, wobei die Beprobungsstrategie mindestens eine von Folgenden beinhaltet: einer geschichteten Beprobungsstrategie, bei der Stichproben aus homogenen Gruppen von Fahrzeugen der verbundenen Fahrzeugpopulation entnommen werden; einer Cluster-Beprobungsstrategie, bei der Stichproben aus heterogenen Clustern der Fahrzeuge der verbundenen Fahrzeugpopulation entnommen werden; und einer gemischten Beprobungsstrategie, bei der Stichproben aus heterogenen Clustern einer homogenen Gruppe der Fahrzeuge der verbundenen Fahrzeugpopulation entnommen werden.
Verfahren nach Anspruch 10, wobei das Anwenden der zweiten FL-Strategie auf den Satz von Lernföderationen, um das Master-RUL-Modell zu aktualisieren, Bilden eines Durchschnitts von Parametern des Master-RUL-Modells über eine Vielzahl von Lernföderationen hinweg beinhaltet.
System, umfassend: eine Population von Fahrzeugkomponenten einer verbundenen Fahrzeugpopulation (420); einen cloudbasierten Server (401), der drahtlos mit der Population von Fahrzeugkomponenten verbunden ist, wobei der cloudbasierte Server (401) einen Prozessor und Anweisungen beinhaltet, die auf nicht transientem Speicher gespeichert sind und bei Ausführung den Prozessor zu Folgendem veranlassen: als Reaktion darauf, dass eine Anforderung zum Einleiten von föderalem Lernen (FL) von einem Fahrzeug der verbundenen Fahrzeugpopulation aufgrund einer in einer Fahrzeugkomponente des Fahrzeugs detektierten Beeinträchtigung empfangen wird: Einleiten einer FL-Sitzung, um Parameter eines klassenspezifischen RUL-Modells einer Klasse der Fahrzeugkomponente auf Grundlage von aggregierten Daten einer Vielzahl von lokalen RUL-Modellen von Fahrzeugkomponenten von Fahrzeugen der Klasse der Fahrzeugkomponente zu aktualisieren (704, 706, 708); und Übertragen von Daten des aktualisierten klassenspezifischen RUL-Modells an die Fahrzeuge der Klasse der Fahrzeugkomponente, wobei die Daten eine aktualisierte vorhergesagte klassenbasierte RUL der Fahrzeugkomponente beinhalten (710).
System nach Anspruch 14, wobei die aggregierten Daten der Vielzahl von lokalen RUL-Modellen mindestens eines von Folgenden beinhalten: Parametern der lokalen RUL-Modelle; Eingaben in die lokalen RUL-Modelle; Ausgaben der RUL-Modelle; und Fehlern der lokalen RUL-Modelle.