IT202100032840A1 - Metodo di analisi predittiva di guasto di un componente di un veicolo, in particolare un veicolo industriale o commerciale - Google Patents
Metodo di analisi predittiva di guasto di un componente di un veicolo, in particolare un veicolo industriale o commerciale Download PDFInfo
- Publication number
- IT202100032840A1 IT202100032840A1 IT102021000032840A IT202100032840A IT202100032840A1 IT 202100032840 A1 IT202100032840 A1 IT 202100032840A1 IT 102021000032840 A IT102021000032840 A IT 102021000032840A IT 202100032840 A IT202100032840 A IT 202100032840A IT 202100032840 A1 IT202100032840 A1 IT 202100032840A1
- Authority
- IT
- Italy
- Prior art keywords
- vehicle
- acquisition
- objective variable
- component
- health
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 38
- 238000004458 analytical method Methods 0.000 title description 8
- 230000036541 health Effects 0.000 claims description 35
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 description 29
- 210000002569 neuron Anatomy 0.000 description 16
- 239000007789 gas Substances 0.000 description 15
- 239000000446 fuel Substances 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 230000003862 health status Effects 0.000 description 9
- 230000006399 behavior Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000001914 filtration Methods 0.000 description 7
- 238000011144 upstream manufacturing Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 230000015556 catabolic process Effects 0.000 description 5
- 239000002826 coolant Substances 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 239000000243 solution Substances 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 2
- 239000004202 carbamide Substances 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 206010003830 Automatism Diseases 0.000 description 1
- XSQUKJJJFZCRTK-UHFFFAOYSA-N Urea Chemical compound NC(N)=O XSQUKJJJFZCRTK-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000001955 cumulated effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000011259 mixed solution Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2637—Vehicle, car, auto, wheelchair
Description
DESCRIZIONE
del brevetto per Invenzione Industriale dal titolo:
?Metodo di analisi predittiva di guasto di un componente di un veicolo, in particolare un veicolo industriale o commerciale?
Campo di applicazione dell?invenzione
La presente invenzione ? relativa al campo dei metodi di analisi predittiva di guasto di un componente di un veicolo, in particolare di veicoli industriali o commerciali.
Stato della tecnica
La diagnosi predittiva si propone di identificare comportamenti a livello di sottosistema e componente che possono portare ad una rottura e ad un fermo del veicolo, in questo ambito si propone inoltre di stimare la vita utile residua al verificarsi del guasto.
Sono note tecniche in grado di valutare lo stato di salute di macchine e impianti in condizioni di esercizio, per stabilire con sufficiente anticipo l?eventuale necessit? di un intervento di manutenzione, rendendo quindi possibile una strategia di manutenzione predittiva.
Alcune tecniche si basano sull?aggiunta di opportuni sensori in grado di rilevare specifici sintomi di degrado di un componente oggetto di analisi.
Altre tecniche si basano sull?analisi di segnali e dati generalmente acquisiti per il controllo degli stessi.
Tuttavia, in sistemi complessi il numero estremamente elevato di segnali e di componenti e le interazioni tra gli stessi rendono estremamente complessa l?analisi predittiva del degrado di sotto-sistemi e ancor pi? difficile l?analisi predittiva di degrado di singoli componenti.
Tra l?altro, le capacit? di calcolo a bordo veicolo sono limitate e per poter operare analisi onerose da un punto di vista computazionale risulta necessario trasmettere a terra, cio? ad un server centrale, una quantit? enorme di segnali per il loro post-processamento.
E? evidente che il server centrale pu? essere definito da una pluralit? di computer operativamente connessi tra loro in modo da ripartire il carico di lavoro.
Se si considera, inoltre, che spesso un server centralizzato ? preposto al monitoraggio di decine di migliaia di veicoli, si comprende che la problematica ? tutt?altro che semplice.
I diversi sottosistemi sono tra l?altro molto eterogenei tra loro, pertanto, generalmente vengono messi a punto specifici algoritmi per il monitoraggio della salute di questo o quel componente con risultati spesso errati per via delle interazioni con gli altri componenti definenti il sottosistema.
Se non specificatamente escluso nella descrizione di dettaglio che segue, quanto descritto nel presente capitolo ? da considerarsi come parte integrante della descrizione di dettaglio.
Sommario dell?invenzione
Scopo della presente invenzione ? quello di presentare un metodo di analisi dei segnali in grado di garantire ottime performance in termini di corretta diagnosi predittiva ed al tempo stesso un limitato flusso di dati tra il veicolo ed il server centrale.
L?idea di base della presente invenzione ? quella di proporre una soluzione mista, nel senso che prevede una pre-elaborazione dei dati a bordo veicolo, cosicch? al server centrale non vengono inviati i segnali dei sensori e di centralina ma degli stati di salute dei vari componenti secondo aggregazioni, metriche e soluzioni funzione di uno specifico algoritmo selezionato in funzione delle caratteristiche della variabile obiettivo osservata.
Il server centrale ? configurato per processare gli stati di salute e stimare la vita utile residua del componente o sottosistema tramite una libreria di confronto. Tali risultati sono poi resi disponibili alla control room oppure vengono inviati allo stesso veicolo.
Il metodo, nella sua interezza, comprende i seguenti passi: - Acquisizione e processamento di specifici segnali di input e di un segnale obiettivo,
- Stima del segnale obiettivo tramite l?utilizzo di reti neurali precedentemente addestrate sulla base degli specifici segnali di input precedentemente processati, - Confronto tra il segnale obiettivo stimato e segnale obiettivo acquisto,
- Calcolo di uno stato di salute di un componente corrispondente al segnale obiettivo,
- Stima di una vita utile residua del componente sulla base dell?evoluzione dello stato di salute e di tecniche di statistica multivariata.
Le rivendicazioni dipendenti descrivono varianti preferite dell?invenzione, formando parte integrante della presente descrizione.
Breve descrizione delle figure
Ulteriori scopi e vantaggi della presente invenzione risulteranno chiari dalla descrizione particolareggiata che segue di un esempio di realizzazione della stessa (e di sue varianti) e dai disegni annessi dati a puro titolo esplicativo e non limitativo, in cui:
nella figura 1 ? mostrato uno schema hardware in cui ? implementato il metodo oggetto della presente invenzione; nella figura 2 ? mostrato in dettaglio una porzione dello schema di figura 1;
nelle figure 3a, 3b sono mostrati tre esempi di reti neurali implementate nello schema di dettaglio di figura 2; nella figura 4 ? mostrato un esempio di diagramma rappresentativo di una evoluzione di un indice rappresentativo di uno stato di salute di un componente o sottosistema veicolare oggetto di indagine secondo la presente invenzione.
Gli stessi numeri e le stesse lettere di riferimento nelle figure identificano gli stessi elementi o componenti o funzioni.
Si dovrebbe anche notare che i termini "primo", "secondo", "terzo", "superiore", "inferiore" e simili possono essere usati qui per distinguere vari elementi. Questi termini non implicano un ordine spaziale, sequenziale o gerarchico per gli elementi modificati a meno che non sia specificatamente indicato o desumibile dal testo.
Gli elementi e le caratteristiche illustrate nelle diverse forme di realizzazione preferite, inclusi i disegni, possono essere combinati tra loro senza peraltro uscire dall?ambito di protezione della presente domanda come descritta di seguito.
Descrizione di dettaglio di esempi di realizzazione
Il presente algoritmo sfrutta un sottoinsieme di tutti i segnali generalmente disponibili alla centralina veicolare ed in particolare ne monitora uno specifico segnale, denominato ?segnale obiettivo? mentre gli altri segnali del sottoinsieme sono utilizzati per stimare lo stesso segnale obiettivo e/o come condizioni di abilitazione del calcolo dello stato di salute. Ad esempio, una diagnosi viene eseguita solo quando la temperatura del motore ? in un predeterminato intervallo di temperature. Il valore di temperatura, acquisito pu? o meno essere adoperato per la stima del segnale obiettivo.
Nel corso della presente descrizione si confonde il termine ?segnale? con la variabile della grandezza fisica che il segnale rappresenta, sia il segnale analogico o digitale, sia la variabile una grandezza fisica fondamentale o derivata.
Il sottoinsieme dei segnali acquisiti, viene denominato anche ?insieme degli input? mentre lo specifico segnale o parametro che si intende stimare attraverso l?insieme degli input ? denominato come segnale o variabile ?obiettivo?. La selezione degli input ? fatta tenendo conto di aspetti come l?interdipendenza delle variabili fisiche e gli effetti delle condizioni ambientali ed operative sulla variabile obiettivo corrispondente al segnale obiettivo oggetto di indagine.
Ad esempio, per componenti del motore il cui comportamento ? molto influenzato da pressioni e temperature ambientali, queste grandezze sono sfruttate per ottimizzare l?addestramento degli algoritmi e permettere di distinguere condizioni anomale da condizioni normali in determinati inviluppi operativi.
Gli algoritmi a livello di sottosistema e quelli a livello di componente di un sottosistema si differenziano in alcuni casi per la variabile obiettivo in altri per il sottoinsieme di input.
In altre parole, una medesima variabile obiettivo pu? essere utile a comprendere lo stato di salute di un componente oppure di un sottosistema a cui il componente appartiene variando i segnali di input adoperati per stimare la variabile obiettivo.
Ad esempio, si prende in considerazione la variabile obiettivo ?pressione di sovralimentazione?, monitorando tra i segnali di input quelli relativi alle condizioni operative del motore quali velocit? di rotazione del motore, coppia erogata, portata gas di scarico, etc.. Con tali segnali di input ? possibile riconoscere eventuali anomalie e perdite del sistema di alimentazione.
Tuttavia, aggiungendo ulteriori informazioni quali ad esempio la velocit? di rotazione del turbocompressore e la posizione dell?attuatore che movimenta la geometria del turbocompressore, ? possibile riconoscere problemi di intasamento del filtro aria.
Per identificare anomalie a livello di componente si preferisce identificare input rappresentativi del singolo componente del motore cercando anche di adoperare gruppi di segnali differenti per componenti differenti, in modo da riuscire a distinguere pi? facilmente tra componenti che, grossomodo, sono caratterizzati dai medesimi segnali.
MODELLI
I diversi componenti vengono modellati mediante implementazione di reti neurali opportunamente addestrate con un opportuno pre-processamento dei dati acquisiti.
La strategia generale ? comune a tutti i componenti e sottosistemi analizzati nella presente descrizione, tuttavia, a seconda delle caratteristiche del componente o sottosistema, si preferisce adoperare una specifica strategia di pre-processamento dei dati e di modellazione del componente come descritto qui di seguito.
Secondo la presente invenzione, il veicolo VIN ? dotato di una unit? di elaborazione PCM configurata per calcolare un indice rappresentativo di uno stato di salute ?Health status? di un componente o sottosistema veicolare.
L?indice calcolato ? inviato ad un server SDP a terra, il quale monitora il valore dell?indice nel tempo e sulla base di librerie ?prediction library? calcola la vita residua del componente o sottosistema e mostra il risultato di tale calcolo su un display, in una sala operativa di monitoraggio oppure nella plancia del veicolo.
La PCM, in figura 2, mostra una operazione di confronto tra una variabile obiettivo misurata ed una calcolata mediante la rete neurale, allo scopo di calcolare il suddetto indice.
Categorizzazione dei componenti e sottosistemi
TIPO 1: si tratta di analizzare un segnale ad alta frequenza in open loop. Questi modelli sfruttano i segnali sincronizzati alla massima frequenza disponibile, cio? di circa 1 Hz, e non presentano tra gli input informazioni sulla variabile obiettivo ai passi precedenti, in altre parole, non contengono integratori di segnale. Si tratta di segnali relativi a sistemi caratterizzati da transitori veloci ma con punti di funzionamento e fasi di grandezza grossomodo costante molto lunghi (e.g. Pressione impianto DeNOx, efficienza catalizzatore).
La rete neurale di figura 3a risulta essere la pi? idonea per componenti appartenenti a questa tipologia.
TIPO 2: si tratta di analizzare un segnale campionato a media frequenza che pu? avere transitori pi? o meno rilevanti, cio? inferiore a 1 Hz e maggiore di 0,033 Hz, con regressione. Vengono considerati due o pi? tra gli ultimi valori, in termini temporali, acquisiti della variabile obiettivo, per stimare il valore attuale sulla base dell?evoluzione delle grandezze in ingresso. In altre parole, si analizzano gli andamenti delle variabili di ingresso e la storia della stessa variabile obiettivo per stimarne il valore attuale.
TIPO 3: si tratta di analizzare un segnale campionato a media frequenza in open loop. Questa soluzione ? adatta per modelli con dinamiche molto lente per cui gli input aggregati a basse frequenze sono pi? che sufficienti per rilevare eventuali anomalie della variabile obiettivo, ad esempio le temperature.
In altre parole, in virt? della lentezza della dinamica, non ? necessario effettuare integrazioni del segnale e pertanto, il modello di figura 3b di rete neurale risulta essere quello pi? idoneo.
TIPO 4: si tratta di analizzare un segnale campionato a bassa frequenza, rilevando un errore tra il segnale di riferimento, comandato dall?unit? di elaborazione, ed il segnale misurato, ad esempio una posizione.
Tale confronto ? operato su finestre temporali di lungo periodo e pertanto non ? necessario l?impiego di una rete neurale, ma piuttosto si adoperano metriche di statistica multivariata. Un tipico monitoraggio che confronta sul lungo periodo attuatori o sistemi regolati in closed loop da un controllore. La finestra di monitoraggio ? molto ampia, per esempio dell?ordine dei 100-300 km percorsi dal veicolo. Questo tipo ha anche il vantaggio di filtrare eventuali transitori con anomalie che sono proprie del componente e che in realt? non portano problemi operativi e breakdown del veicolo.
Vengono di seguito riportati esempi di componenti rientranti nelle quattro tipologie descritte sopra:
TIPO 1:
- Filtro Aria
- Turbocompressore
- NOx a valle dell?ATS
- Filtro AdBlue
- Pressione DeNOx
TIPO2:
- DPF
- Pressione al condotto del rail Rail_pressure
- Temperatura dei gas esausti Engineout
- Pressione di sovralimentazione
- Temperatura al collettore di aspirazione
TIPO 3:
- NOx a monte dell?ATS
- DOC
- sistema di iniezione dell?agente riducente a base di urea nell?ATS
TIPO 4:
- geometria variabile del turbocompressore eVGT
- posizione della valvola di strozzamento dell?ATS Flap.
Pre-processamento dei segnali
Nel caso di media frequenza tutte le variabili, sia di input che obiettivo, sono mediate su una finestra di 30-60 secondi. Una valutazione meno assidua della variabile obiettivo ha il vantaggio di filtrare eventuale rumorosit? della sensoristica e del sistema limitando l?introduzione di condizioni di attivazione troppo stringenti.
In particolare, viene adoperata una funzione di media mobile che prevede di interrompere il processo di media tutte le volte che un evento di key-off si presenta, ricominciando l?acquisizione del segnale ed il relativo calcolo della media al successivo evento di chiave-on.
In generale, in condizioni di salti temporali dovuti all?interruzione di uno o pi? segnali per un certo intervallo di tempo si procede interrompendo il processo di media per poi ricominciare a mediare dal primo valore disponibile del segnale.
Gli stessi segnali acquisiti solitamente a frequenze maggiori di 1 Hz sono filtrati e mediati prima che vengano resi disponibili alla libreria, in particolare per le grandezze con dinamica pi? lenta viene fornito l?ultimo valore disponibile, in alternativa per dinamiche pi? veloci si tende a calcolare il valore medio durante il sottocampionamento.
Addestramento delle reti neurali
Per quanto concerne l?addestramento delle reti neurali, si opera per tipologie di sistemi di propulsione similari, ad esempio i dati raccolti per un motore dotato di EGR non sono adoperati, in seguito, per stimare una variabile obiettivo di un motore non dotato di EGR.
Per di pi?, durante l?addestramento delle reti neurali, si scartano tutti i dati acquisiti da un veicolo affetto da una qualsivoglia anomali, in quanto una anomalia anche su un sottosistema diverso da quello oggetto di analisi, potrebbe indurre delle correlazioni nell?insieme dei segnali oggetto di acquisizione finalizzata all?addestramento.
La base dati garantisce una copertura di condizioni ambientali ed operative il pi? possibile varie, in modo da descrivere il comportamento di un veicolo in salute soggetto a normali processi quali la rigenerazione del DPF e il variare delle strategie di controllo da parte della centralina controllo motore.
Il comportamento sano, cio? ?healthy?, ? quindi definito coprendo una base dati di diversi veicoli opportunamente filtrata da grandezze di input e target non plausibili, escludendo veicoli affetti da anomalie in altri sottosistemi che possano ripercuotersi sulle grandezze di ingresso del modello.
Ad esempio una anomalia sul sistema di iniezione del combustibile pu? ripercuotersi sul sistema di posttrattamento dei gas esausti.
Quindi a monte del pre-processamento, viene effettuata una selezione dei segnali escludendo:
- Quelli provenienti da veicoli che hanno registrato un qualsivoglia errore,
- Quelli provenienti da veicoli che hanno subito una qualunque manutenzione nel periodo di osservazione; - Quelli affetti da bassa qualit? del dato ed in particolare una bassa dinamicit? dei dati e/o buchi di acquisizione.
Funzionamento dopo l?addestramento
Preferibilmente, l?insieme delle variabili di input selezionate per l?addestramento ? inviato ad una rete neurale precedentemente addestrata con le medesime variabili per generare una stima del segnale obiettivo. Il confronto del segnale obiettivo con il segnale obiettivo misurato consente di calcolare un parametro definito ?health status? caratteristico del componente o sottosistema nelle condizioni in cui ? analizzato.
Solo il parametro dell?health status ? inviato al server centrale, il quale calcola la vita residua utile del relativo componente o sottosistema ed eventualmente procede ad avvisare un operatore umano, sia esso un operatore in una sala di controllo remota, sia esso lo stesso conducente del veicolo.
Esempio Tipo 1
Viene ora presentato un esempio implementativo del presente metodo applicato ad un filtro aria
Variabili del modello
La variabile obiettivo del modello ? la pressione al collettore di aspirazione PCR_pActVal [hPa].
Gli altri input del sottosistema sono:
- Pressione ambiente BaromPrs [hPa]
- Temperatura ambiente AmbAirTemp [?C]
- Posizione misurata della geometria della turbina del turbocompressore ActPos_Vgt [%]
- Temperatura al collettore di aspriazione EngInAirTemp [?C]
- velocit? di rotazione del turbocompressore TrbCh_n [rpm]
- Velocit? veicolo VehSpeed [km/h]
La scelta del minimo numero di segnali per meglio descrivere il comportamento della variabile obiettivo pu? essere fatta sia sfruttando gli automatismi e i test tipici dei tool di training delle reti neurali, in s? noti, sia sfruttando considerazioni fisiche quali ad esempio:
- Pressione e temperatura ambiente permettono di inquadrare e conoscere le condizioni dell?aria aspirata e compressa dal turbocompressore rappresentando il punto di partenza per la misura dell?efficienza di compressione, - la velocit? di rotazione della turbo assieme alla posizione della geometria della turbina permettono di stimare la massa di aria che viene pompata dal compressore e quindi il rapporto di compressione che viene dato al collettore di aspirazione,
- La temperatura al collettore di aspirazione permette al modello di tenere conto della compressibilit? dell?aria e la proporzionalit? che si ha tra pressione e temperatura, - la velocit? del veicolo evidenzia il funzionamento del veicolo e i transitori di cutoff in cui il motore opera in condizione di motore trascinato, mentre cio? non viene iniettato combustibile,
Ulteriori input necessari per valutare e filtrare l?insieme dei dati di input sono:
- Tempo [s]
- Odometro [km] (Ctv_ds_Odo)
- velocit? di rotazione del motore epm_neng [rpm]
- Portata gas di scarico egtcond_dmeg [kg/h]
- Temperatura del liquido refrigerante EngCoolTemp [?C] - Pressione al collettore di aspirazione PCR_pActVal [hPa]
Metodologia di processamento dati
Tutte le variabili, sia di input che le variabili obiettivo, sono mediate su 1 [s] che rappresenta il massimo rateo a cui l?unit? telematica del veicolo pu? eseguire il campionamento dei segnali. Tale rateo si rende necessario per studiare opportunamente le oscillazioni di pressione al collettore di aspirazione e il relativo controllo di tale pressione da parte dell?unit? elettronica di controllo motore.
Ulteriori vincoli sono applicati come condizioni di abilitazione del calcolo di stato di salute:
- velocit? di rotazione del motore superiore a 500 [rpm] - Portata gas di scarico tra 150 e 2300 [kg/h]
- Pressione ambiente e del collettore di aspirazione superiore a 900 [hPa]
- Temperatura ambiente tra -10 e 50 [?C]
- Posizione della geometria della turbina maggiore dello 0 %
- Temperatura del liquido refrigerante maggiore di 70 [?C]
- Si salta il primo istante disponibile successivo al all?accensione (power on) del motore.
Dataset di training
Si ? creato un dataset di training per ogni tipologia di motore (i.e. uno per il C9, C11 e C13) costituito da pi? veicoli identificati come sani e privi di DTC e passaggi in officina a cavallo del periodo selezionato. In particolare le variabili di training erano caratterizzate dai seguenti range operativi per gran parte dell?intervallo di training: - 0< Portata gas di scarico <1800
- -10< Temperatura ambiente e di intake <70
- 900< Pressione ambiente <1050
- 0< Velocit? veicolo <100
Esempio tipo 2
Viene ora presentato un esempio implementativo del presente metodo applicato ad un filtro antiparticolato.
La variabile target del modello ? la pressione differenziale del DPF [hPa] (Exh_pAdapPPFltDiff).
Gli input del modello sono:
- Portata gas di scarico [kg/h] (egtcond_dmeg)
- Quantit? di combustibile iniettata [mg/hub] (InjCtl_qSetUnBal)
- Temperatura ingresso DPF [?C] (Exh_tAdapTPFltUs)
- Giri motore [rpm] (epm_neng)
- Pressione di intake [hPa] (PCR_pActVal)
- Velocit? veicolo [km/h] (VehSpeed)
A questo set di segnali si aggiunge la regressione del segnale di target (Exh_pAdapPPFltDiff), in altre parole viene riportato il valore della pressione differenziale del DPF misurato al momento precedente del calcolo di questo indice.
La scelta del minimo numero di segnali per meglio descrivere il comportamento della variabile target ? stata fatta sia sfruttando gli automatismi e i test tipici del tool di training sia sfruttando considerazioni fisiche quali:
- La portata dei gas di scarico rappresenta la massa di aria che deve passare attraverso il filtro quindi ci si aspetta una diretta proporzionalit? tra questa e la misura differenziale di pressione
- La quantit? di combustibile iniettata permette di evidenziare transitori di cutoff in cui il motore opera in condizione di freno motore e non viene iniettato combustibile
- La temperatura di ingresso DPF ? essenziale per permettere al modello di tenere conto della compressibilit? del fluido (l?aria) e la proporzionalit? che si ha tra pressione e temperatura
- I giri motore, la pressione di intake e la velocit? evidenziano il funzionamento del veicolo e permettono di fornire un anticipo sulla variazione dinamica della portata dei gas di scarico
Ulteriori input necessari per valutare e filtrare il set di dati sono:
- Tempo [s]
- Odometro Ctv_ds_Odo [km]
Metodologia di processamento dati
Tutte le variabili, sia di input che le variabili obiettivo, sono mediate su 30 secondi visto che la dinamica del componente permette una valutazione meno frequente dello stato di salute, rispetto al tipo 1, con il vantaggio di filtrare eventuale rumorosit? della sensoristica e del sistema
Ulteriori vincoli sono applicati come condizioni di abilitazione del calcolo di stato di salute:
- Giri motore superiori a 500 [rpm]
- Portata gas di scarico tra 150 e 2300 [kg/h]
- Pressione in aspirazione superiore a 900 [hPa]
- Si salta il primo istante di valutazione al power on Dataset di training
Si ? creato un dataset di training per ogni tipologia di motore (i.e. uno per il C9, C11 e C13) costituito da pi? veicoli identificati come sani e privi di DTC e passaggi in officina a cavallo del periodo selezionato. In particolare le variabili di training erano caratterizzate dai seguenti range operativi per gran parte dell?intervallo di training: - 0< Portata gas di scarico <1800
- 0< Quantit? di combustibile iniettata <300
- -10< Temperatura ingresso DPF <730
- 500< Giri motore <1600
- 900< Pressione di intake <3200
- 0< Velocit? veicolo <100
Esempio tipo 3
Viene ora presentato un esempio implementativo del presente metodo applicato ad un motore a ciclo diesel ed in particolare alla produzione di NOx.
Variabili del modello
La variabile target del modello ? il flusso di NOx in uscita dal collettore di scarico Ups_NOx_flow [g/h].
Gli input del modello sono:
Quantit? di combustibile iniettata InjCtl_qSetUnBal [mg/hub]
Pressione di intake PCR_pActVal [hPa]
Giri motore epm_neng [rpm]
Temperatura di Intake EngInAirTemp [?C]
Portata gas di scarico egtcond_dmeg [kg/h] Temperatura del Coolant EngCoolTemp [?C]
La variabile target viene calcolata sulla base della misura di alcuni segnali ausiliari quali il numero Exh_rNOxPresCompNSCDs di NOx a monte del sistema ATS e la misura IndAH_r del sensore umidit? dell?aria, le formula matematica per arrivare a definire questa portata in massa ? la seguente:
Ups_NOx_flow = (Humidity_Correction.*Exh_rNOxPresCompNSCDs).*EGTCond_dmEG*
0.0015873;
Dove,
- Humidity_Correction rappresenta un fattore di correzione sulla base della misura dell?umidit? e della temperatura dell?aria,
- Exh_rNOxPresCompNSCDs rappresenta i NOx misurati in uscita al motore in parti per milione (PPM),
- EGTCond_dmEG rappresenta la portata di gas di scarico e
- 0.0015873 una costante.
La scelta del minimo numero di segnali per meglio descrivere il comportamento della variabile target ? stata fatta sia sfruttando gli automatismi e i test tipici del tool di training sia sfruttando considerazioni fisiche quali:
- La quantit? di combustibile iniettata permette di evidenziare sia i transitori di cutoff in cui non essendo iniettato il combustibile i NOx emessi si abbattono, sia fenomeni con alte temperature e alte quantit? iniettate che portano ad una emissione di NOx superiore dovuti ad una non ottimale combustione,
- La portata dei gas di scarico permette alla rete neurale di identificare anomalie tra il flusso di NOx e il flusso di scarico globale,
- Pressione e temperatura al collettore di aspirazione forniscono informazioni sulla corretta introduzione di aria;
- la velocit? di rotazione del motore e la temperatura del coolant aiutano a definire la fase di funzionamento e l?efficienza di raffreddamento di modo che si possano tenere conto di transitori con motore a freddo
Ulteriori input utili a valutare e filtrare il set di dati sono:
Tempo [s]
Odometro [km] (Ctv_ds_Odo)
Metodologia di processamento dati
Tutte le variabili (sia di input che di output) sono mediate su 30 [s] visto che la dinamica del componente permette una valutazione meno frequente dello stato di salute con il vantaggio di filtrare eventuale rumorosit? della sensoristica e del sistema
Ulteriori vincoli sono applicati come condizioni di abilitazione del calcolo di stato di salute:
- velocit? di rotazione del motore superiore a 500 [rpm] - NOx misurati dal sensore al collettore di scarico, a monte del sistema ATS compresi tra 100 [ppm] e 3000 [ppm]
- Si scartano le prime acquisizioni dall?avviamento del motore.
La misura massima dei NOx aiuta a riconoscere la fase in cui il sensore non ha ancora raggiunto le condizioni di funzionamento e dunque ogni misurazione del sensore ? scartata fintanto che non sono raggiunte le condizioni di funzionamento.
Invece la misura minima dei NOx ? utile per scartare condizioni prolungate e poco verosimili di cutoff, cio? di interruzione dell?alimentazione del motore, in assenza di emissione di NOx.
Dataset di training
E? stato creato un dataset di training per ogni tipologia di motore, popolato con dati acquisiti da pi? veicoli identificati come sani e privi di segnalazioni di qualsivoglia guasto ed interventi di manutenzione in officina nel periodo di acquisizione. In particolare le variabili di training erano caratterizzate dai seguenti range operativi per gran parte dell?intervallo di training:
0< Quantit? di combustibile iniettata <300
0< Portata gas di scarico <1800
900< Pressione al collettore di aspirazione <3200 -10< Temperatura al collettore di aspirazione <70 500 < velocit? di rotazione del motore <2100
35< Temperatura del liquido refrigerante <110 Esempio tipo 4
Viene ora presentato un esempio implementativo del presente metodo applicato ad una turbina a geometria variabile eVGT. Gli input del modello sono:
- Posizione misurata eVGT ActPos_Vgt [%]
- Posizione comandata eVGT DesPos_Vgt [%]
Le seguenti variabili sono utilizzate per monitorare un?evoluzione di un errore tra posizione comandata e posizione della geometria variabile misurata.
Ulteriori input necessari per valutare e scartare il set di dati sono:
- Tempo [s]
- Odometro Ctv_ds_Odo [km]
Metodologia di processamento dati
Tutte le variabili sono acquisite con la frequenza di 1 Hz, cumulate e mediate passo-passo per poi fornire un risultato al raggiungimento di una predeterminata distanza percorsa dal veicolo, quale per esempio 100 km. La dinamica del componente permette una valutazione meno frequente dello stato di salute con il vantaggio di filtrare eventuale rumorosit? dovuti a sporadici eventi di anomalia nel controllo.
Non sono applicati ulteriori condizioni di abilitazione ad eccezioni di monitoraggi della qualit? del dato. Ad esempio il metodo di analisi tiene conto di:
- Interruzione dell?acquisizione dei dati di odometro e delle variabili di ingresso; in questo caso i dati ritenuti corrotti non vengono considerati nella fase di accumulo; - Discontinuit? in avanti del dato acquisito dall?odometro; tale situazione viene affrontata interrompendo la valutazione e fornendo un risultato solo se si sono accumulati dati per una distanza percorsa sufficiente,
- Discontinuit? indietro del dato acquisito dall?odometro; in questo caso si sperimenta un pacchetto di dati non coerente con l?avanzamento del veicolo e quindi il dato viene scartato o pesato con un peso minore.
?Machine learning?: Metodologia, metriche e bont? dell?addestramento
Nella fase di training si sono identificate diverse tipologie di reti neurali: alcune pi? adatte di altre nel riprodurre la dinamica di alcuni parametri obiettivo. In particolare nello sviluppo degli algoritmi si sono utilizzate:
1) Reti feedforward = sono costituite da una serie di livelli. Il primo livello ha una connessione dall'input di rete. Ogni livello successivo ha una connessione dal livello precedente. Il livello finale produce l'output della rete neurale vedi figura 3a;
2) Reti con regressione in open loop = Questa tipologia di reti rappresenta una via di mezzo tra le due viste in precedenza trattandosi di reti feedforward in cui la regressione del segnale obiettivo viene fornita al modello come input esogeno del sistema, vedi figura 3b.
In tutti i casi appena elencati si sono utilizzati pi? livelli nascosti di neuroni (i.e. deep learning) con funzioni di apprendimento che aggiornano i valori dei pesi dei vari neuroni con metodi diversi ad esempio per:
1) esempio tipo 1: DPF, l?architettura ? basata su una Rete Neurale multistrato con 3 strati nascosti caratterizzati da una configurazione definita di neuroni (primo strato = 30 neuroni, secondo strato = 30 neuroni, terzo strato = 40 neuroni). La funzione Matlab fitnet del Statistics and Machine Learning Toolbox ? stata utilizzata per l'adattamento della rete neurale feedforward, vedi figura 3b.
La funzione di apprendimento aggiorna i valori di peso e di polarizzazione secondo il metodo della retropropagazione del gradiente coniugato con ripartenze Powell-Beale e le prestazioni sono misurate mediante l'errore Mean-Squared. Tra le condizioni di fine addestramento si ? inserito un numero di iterazioni massimo di 3000 cicli, numero minimo di controllo di validazione pari a 30 cicli.
2) esempio tipo 2: NOx_Engineout. L?architettura ? basata su una Rete Neurale multistrato, vedi figura 3a, con 3 strati nascosti caratterizzati da una configurazione definita di neuroni (primo strato = 30 neuroni, secondo strato = 30 neuroni, terzo strato = 40 neuroni). La funzione Matlab fitnet del Statistics and Machine Learning Toolbox ? stata utilizzata per l'adattamento della rete neurale.
La funzione di apprendimento aggiorna i valori di peso e di polarizzazione secondo il metodo della retropropagazione del gradiente coniugato con ripartenze Polak-Ribi?re e le prestazioni sono misurate mediante l'errore Mean-Squared. Tra le condizioni di fine addestramento si ? inserito un numero di iterazioni massimo di 3000 cicli, numero minimo di check di validazione pari a 30.
3) Esempio tipo 3: turbina. L?architettura ? basata su una Rete Neurale multistrato con 3 strati nascosti, vedi figura 3a, caratterizzati da una configurazione definita di neuroni (primo strato = 30 neuroni, secondo strato = 30 neuroni, terzo strato = 40 neuroni). La funzione Matlab fitnet del Statistics and Machine Learning Toolbox ? stata utilizzata per l'adattamento della rete neurale.
La funzione di apprendimento aggiorna i valori di peso e di polarizzazione secondo il metodo della retropropagazione del gradiente coniugato con ripartenze Levenberg-Marquard e le prestazioni sono misurate mediante l'errore Mean-Squared.
Tra le condizioni di fine addestramento si ? inserito un numero di iterazioni massimo di 3000 cicli, numero minimo di check di validazione pari a 30.
La combinazione di neuroni ? comune alla maggior parte dei modelli sviluppati perch? permette una buona riproduzione della variabile di target e il multi strato di neuroni (deep learning) permette l?identificazione di diverse dinamiche e combinazioni di input.
Health Status e reliability
Dopo l?addestramento della rete, questa ? in grado di stimare la variabile obiettivo rappresentativa della salute di un predeterminato componente o sottosistema veicolare. Il passaggio dalla variabile modellata allo stato di salute calcolato prevede una serie di operazioni volte a:
- Definire lo stato di salute grezzo
- Filtrare il risultato
- Dare pesi ai valori dello stato di salute calcolati ai passi precedenti e discriminare le condizioni critiche da quelle operative standard
- Generare un output indicante in modo chiaro lo stato di salute del componente oggetto di indagine.
La definizione dello stato di salute si basa sul confronto tra variabile obiettivo misurata e stimata/modellata.
Le metriche alla base del raffronto sono principalmente rapporti, differenze e scarti quadratici. La scelta tra una soluzione e l?altra sono influenzate dall?intervallo operativo della grandezza obiettivo e dall?importanza della deviazione tra obiettivo e modello, ad esempio lo stato di salute grezzo del:
- La velocit? della turbina: si monitora mediante differenza del valore obiettivo misurato e valore obiettivo stimato; si preferisce un confronto differenziale perch? anomalie ad alta velocit? di rotazione non si apprezzerebbero in maniera importante,
- La pressione al Rail di alimentazione degli iniettori, si rapporta con la pressione del circuito di alta pressione del rail con il suo valore stimato; allo stesso modo si adoperano rapporti per stimare lo stato di intasamento del DPF e la produzione di NOx a monte dell?ATS,
- Posizione della valvola di strozzamento della linea di scarico, si usa lo scarto quadratico medio normalizzato per monitorare lo scostamento tra la posizione effettiva ed il segnale di comando di posizione, trattandosi di una posizione di un attuatore che oscilla in un range fisso e fisicamente limitato da fine corsa.
I risultati grezzi sono successivamente filtrati per ovviare alla rumorosit? dello stato di salute. Tra le soluzioni implementate nel modello del:
- livello urea si filtra il segnale sulla base del percentile di distribuzione statistica, in particolare si identificano come anomali i valori con distanza dal valor medio superiore a due volte la varianza. Sia valor medio e varianza sono stati definiti partendo dai dati di training ed assumendo una distribuzione gaussiana dello stato di salute,
- turbocompressore: si rapporta lo stato di salute ad un parametro variabile definito tramite una mappa funzione della velocit? di rotazione. In questo modo si permette di calibrare gli scostamenti e di dare un peso diverso a seconda delle condizioni operative.
Per quanto concerne lo stato di salute del motore in termini di produzione di NOx a monte ATS, viene calcolato sommando a denominatore e numeratore un valore costante, per esempio 100, al fine di migliorare l?approssimazione e la valutazione del coefficiente di Pearson.
Alcuni modelli devono essere filtrati sulla base di specifiche considerazioni che dipendono dalla tipologia di guasto. Ad esempio, l?intasamento del DPF porta a valori della variabile obiettivo molto alti rispetto ai rispettivi valori calcolati, mentre nel caso di perdite lungo l?ATS, si ottengono valori della variabile obiettivo bassi rispetto ai corrispondenti valori calcolati.
Per quanto concerne le emissioni dei NOx generati dal motore e misurati a monte del ATS, ha senso calcolare l?indice rappresentativo dello stato di salute del motore, solo sui fenomeni per cui si hanno emissioni misurate superiori a quelle attese dal modello.
Per quanto concerne, ad esempio, lo stato di intasamento del Filtro aria, si monitorano fenomeni di pressione di boost misurata, inferiore rispetto a quella attesa. Infatti una occlusione del filtro porta ad una riduzione dell?afflusso di aria in ingresso alla turbina con conseguente riduzione della pressione di boost a parit? di velocit? di rotazione del motore e della posizione della geometria variabile della turbina.
Pertanto, ha senso filtrare lo stato di salute sulla base della conoscenza della fisica del sistema e del tipo di guasto che si vuole predire. Questo permette di evidenziare modi e momenti caratteristici di funzionamento del motore, che altrimenti in un utilizzo di ore del veicolo finirebbero per non essere rilevanti, come per esempio le anomalie transitorie.
La stato di salute filtrato viene infine normalizzato in un intervallo compreso tra 0 e 100 il cui significato ? definito come
indice = 100 significa componente completamente sano, indice = 0 significa componente completamente guasto. Un tipico stato di salute pu? essere quindi definito come:
Dove Dmod significa grandezza modellata e Doss significa variabile obiettivo osservata (misurata).
Post processamento stato di salute e strategia di predizione
Gli stati di salute calcolati vengono quindi analizzati e post processati con l?ausilio di diverse tecniche tra le quali:
- Filtraggio temporale e chilometrico: i dati dello stato di salute sono ritenuti meno attendibili e scartati in condizioni di utilizzo temporale e chilometrico limitato nel corso di una giornata,
- Calcolo della distribuzione dell?indice su base giornaliera e chilometrica: da questa distribuzione sono poi usate ed estratte metriche significative
- Utilizzo di classificatori per delineare condizioni di salute ed anomalia e dove possibile anche per isolarle.
Esempio di calcolo dello stato di salute di un DPF
In Figura 4 si esemplifica uno dei casi riguardanti il sistema DPF studiati durante la validazione degli algoritmi dove si riporta la distribuzione statistica dell?indice in funzione della data riportato sull?asse delle ascisse.
Come riassunto nella storia del veicolo l?indice ha cominciato a mostrare in ?a? una anomalia rispetto al funzionamento in salute, successivamente in ?b? la centralina controllo motore ha identificato un errore di misura della pressione differenziale del DPF ed in ?c? il veicolo ? rientrato in officina e ha sostituito il sensore di pressione differenziale del DPF e i condotti che collegano idraulicamente il sensore all?ATS.
A valle della riparazione si nota come l?indice ritorni ad avere uno stato di salute alto e prossimo a 100 coerentemente con l?intervento positivo in officina.
La presente invenzione pu? essere vantaggiosamente realizzata tramite un programma per computer che comprende mezzi di codifica per la realizzazione di uno o pi? passi del metodo, quando questo programma ? eseguito su di un computer. Pertanto si intende che l?ambito di protezione si estende a detto programma per computer ed inoltre a mezzi leggibili da computer che comprendono un messaggio registrato, detti mezzi leggibili da computer comprendendo mezzi di codifica di programma per la realizzazione di uno o pi? passi del metodo, quando detto programma ? eseguito su di un computer.
Sono possibili varianti realizzative all'esempio non limitativo descritto, senza per altro uscire dall?ambito di protezione della presente invenzione, comprendendo tutte le realizzazioni equivalenti per un tecnico del ramo, al contenuto delle rivendicazioni.
Dalla descrizione sopra riportata il tecnico del ramo ? in grado di realizzare l?oggetto dell?invenzione senza introdurre ulteriori dettagli costruttivi.
Claims (10)
1. Metodo di monitoraggio di uno stato di salute di un componente o sottosistema veicolare quale un filtro antiparticolato, un filtro aria, un sensore di misura di NOx prodotti da un motore Diesel, etc.., il metodo comprendendo
- (i) prima acquisizione di una variabile obiettivo misurata, rappresentativa di uno stato di salute del componente o sottosistema,
- (ii) seconda acquisizione di un insieme di variabili di ingresso interdipendenti con detta variabile obiettivo, - (iii) calcolo di una variabile obiettivo stimata sulla base della seconda acquisizione,
- (iv) confronto di detta variabile obiettivo misurata con detta variabile obiettivo stimata e
- (v) calcolo di un indice rappresentativo di uno stato di salute del componente o sottosistema, funzione di detto confronto,
- (vi) acquisizione di detto indice e monitoraggio di una sua variabilit? temporale e/o di percorrenza del veicolo, - (vii) calcolo di una vita residua del componente o sottosistema in funzione di detto monitoraggio.
2. Metodo secondo la rivendicazione 1, in cui i passi i ? v sono eseguiti a bordo veicolo ed in cui i passi vi e vii sono eseguiti mediante un server centrale (SDP) disposto in una sala di acquisizione e monitoraggio.
3. Metodo secondo la rivendicazione 1, in cui detto (iii) calcolo della variabile obiettivo stimata ? realizzato mediante una rete neurale preliminarmente addestrata con dati acquisiti da
- un veicolo identico,
- con componenti e sottosistemi sani,
- con ciascuna delle variabili dell?insieme di variabili di ingresso, in un preordinato intervallo,
- scartando discontinuit? dovute all?interruzione dell?acquisizione del segnale.
4. Metodo secondo la rivendicazione 3, in cui quando la frequenza di acquisizione della variabile obiettivo misurata ? di almeno 1 Hz e presenta punti di funzionamento sostanzialmente costanti intervallati da transitori relativamente rapidi, allora un processo di generazione di detta variabile obiettivo stimata ? modellato mediante un modello in anello aperto (open loop).
5. Metodo secondo la rivendicazione 3, in cui quando la frequenza di acquisizione della variabile obiettivo misurata ? compresa tra 0.03 Hz ed 1 Hz e presenta una dinamica lenta, allora un processo di generazione di detta variabile obiettivo stimata ? modellato mediante un modello in anello aperto oppure con regressione.
6. Metodo secondo la rivendicazione 3, in cui quando la una acquisizione della variabile obiettivo misurata ? eseguita su un periodo temporale lungo o su una distanza percorsa dal veicolo di almeno 100 km, allora un processo di generazione di detta variabile obiettivo stimata ? modellato, mediante un modello di monitoraggio degli scarti tra una variabile di controllo e una variabile obiettivo misurata.
7. Programma di computer che comprende mezzi di codifica di programma atti a realizzare tutti passi (i - vii) di una qualunque delle rivendicazioni da 1 a 6, quando detto programma ? fatto girare su di un computer.
8. Mezzi leggibili da computer comprendenti un programma registrato, detti mezzi leggibili da computer comprendendo mezzi di codifica di programma atti a realizzare tutti passi (i - vii) di una qualunque delle rivendicazioni da 1 a 6, quando detto programma ? fatto girare su di un computer.
9. Unit? di elaborazione (PCM) disposta per essere installata a bordo veicolo comprendente una pluralit? di interfacce analogiche e/o digitali per l?acquisizione di segnali elettrici di almeno un sensore veicolare di una grandezza fisica, in cui l?unit? di elaborazione p configurata per eseguire i passi i ? v della rivendicazione 1.
10. Infrastruttura tecnologica comprendente un veicolo (VIN) in cui ? installata una unit? di elaborazione (PCM) secondo la rivendicazione 9 ed un server (SDP) configurato per acquisire detto indice rappresentativo di uno stato di salute del componente o sottosistema del veicolo, e configurato per eseguire i passi vi e vii della rivendicazione 1.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IT102021000032840A IT202100032840A1 (it) | 2021-12-28 | 2021-12-28 | Metodo di analisi predittiva di guasto di un componente di un veicolo, in particolare un veicolo industriale o commerciale |
| EP22216340.4A EP4206844A1 (en) | 2021-12-28 | 2022-12-23 | Method for predictive failure analysis of a vehicle component, in particular an industrial or commercial vehicle |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| IT102021000032840A IT202100032840A1 (it) | 2021-12-28 | 2021-12-28 | Metodo di analisi predittiva di guasto di un componente di un veicolo, in particolare un veicolo industriale o commerciale |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| IT202100032840A1 true IT202100032840A1 (it) | 2023-06-28 |
Family
ID=80685320
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| IT102021000032840A IT202100032840A1 (it) | 2021-12-28 | 2021-12-28 | Metodo di analisi predittiva di guasto di un componente di un veicolo, in particolare un veicolo industriale o commerciale |
Country Status (2)
| Country | Link |
|---|---|
| EP (1) | EP4206844A1 (it) |
| IT (1) | IT202100032840A1 (it) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160146895A1 (en) * | 2012-04-27 | 2016-05-26 | California Institute Of Technology | Accurate Assessment of the State of Charge of Electrochemical Cells |
| US20160187432A1 (en) * | 2013-07-29 | 2016-06-30 | Renault S.A.S | Estimation of the state of deterioration of an electric battery |
| US20190184957A1 (en) * | 2017-12-15 | 2019-06-20 | GM Global Technology Operations LLC | Fault diagnosis for fault tolerant chassis architecture systems |
| ES2773728A1 (es) * | 2019-11-26 | 2020-07-14 | Lopez Miguel Angel Rodriguez | Dispositivo estándar y procedimiento de detección prematura de malfuncionamientos |
-
2021
- 2021-12-28 IT IT102021000032840A patent/IT202100032840A1/it unknown
-
2022
- 2022-12-23 EP EP22216340.4A patent/EP4206844A1/en active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160146895A1 (en) * | 2012-04-27 | 2016-05-26 | California Institute Of Technology | Accurate Assessment of the State of Charge of Electrochemical Cells |
| US20160187432A1 (en) * | 2013-07-29 | 2016-06-30 | Renault S.A.S | Estimation of the state of deterioration of an electric battery |
| US20190184957A1 (en) * | 2017-12-15 | 2019-06-20 | GM Global Technology Operations LLC | Fault diagnosis for fault tolerant chassis architecture systems |
| ES2773728A1 (es) * | 2019-11-26 | 2020-07-14 | Lopez Miguel Angel Rodriguez | Dispositivo estándar y procedimiento de detección prematura de malfuncionamientos |
Also Published As
| Publication number | Publication date |
|---|---|
| EP4206844A1 (en) | 2023-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mohammadpour et al. | A survey on diagnostic methods for automotive engines | |
| US8793004B2 (en) | Virtual sensor system and method for generating output parameters | |
| JP6422343B2 (ja) | 内燃機関のガスセンサのダイナミック特性を監視する方法および装置 | |
| JP5203984B2 (ja) | 測定システムの測定データを解析及び評価するための方法及び装置 | |
| US10934922B2 (en) | Systems and methods for SCR feedgas diagnostics | |
| CN108286481B (zh) | 识别和区分废气再循环的流量故障和动态故障的方法 | |
| KR100872753B1 (ko) | 제어 시스템의 평가 장치, 평가 장치에 사용되는 검증장치, 제어 시스템의 평가 방법 및 그에 이용되는 컴퓨터프로그램 | |
| IT202100032840A1 (it) | Metodo di analisi predittiva di guasto di un componente di un veicolo, in particolare un veicolo industriale o commerciale | |
| CN102102565B (zh) | 在内燃发动机运转过程中进行“车上”故障诊断的方法和装置 | |
| Neupane et al. | A temporal anomaly detection system for vehicles utilizing functional working groups and sensor channels | |
| Rizzoni et al. | Diagnosis and prognosis of automotive systems: motivations, history and some results | |
| JP2023155219A (ja) | システム内の欠陥を識別するための方法 | |
| US10718284B2 (en) | Engine emission status-based maintenance | |
| US20140088766A1 (en) | Health management having system level diagnostic feedback and information fusion | |
| Sass et al. | Monitoring of powertrain component aging using in-vehicle signals | |
| CN115586009A (zh) | 一种故障诊断与健康管理系统、方法 | |
| US11959433B2 (en) | Systems and methods for determining exhibited useful life of sensors in monitored systems | |
| Mandloi et al. | Objective Determination of Degradation of Lambda Sensor Using Recursive Least Square Method | |
| McDowell et al. | Fault diagnostics for internal combustion engines-Current and future techniques | |
| Farsodia et al. | Advance Data Analytics Methodologies to Solve Diesel Engine Exhaust Aftertreatment System Challenges | |
| Fravolini et al. | Comparative analysis of performance of neural estimators for diagnostics in engine emission system | |
| Giovannardi et al. | AI-Based Virtual Sensing of Gaseous Pollutant Emissions at the Tailpipe of a High-Performance Vehicle | |
| US20240044275A1 (en) | Verfahren zur diagnose eines partikelfilters für einen verbrennungsmotor | |
| CN115795379A (zh) | 用于配量系统的运行的方法 | |
| EP4180642A1 (en) | Non-intrusive reductant injector clogging detection |