JP2022084014A - 自動車物理層(phy)ケーブル故障診断 - Google Patents
自動車物理層(phy)ケーブル故障診断 Download PDFInfo
- Publication number
- JP2022084014A JP2022084014A JP2021190400A JP2021190400A JP2022084014A JP 2022084014 A JP2022084014 A JP 2022084014A JP 2021190400 A JP2021190400 A JP 2021190400A JP 2021190400 A JP2021190400 A JP 2021190400A JP 2022084014 A JP2022084014 A JP 2022084014A
- Authority
- JP
- Japan
- Prior art keywords
- cable
- failure
- echo signal
- return echo
- signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/02—Details
- H04B3/46—Monitoring; Testing
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B3/00—Line transmission systems
- H04B3/02—Details
- H04B3/46—Monitoring; Testing
- H04B3/493—Testing echo effects or singing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
- G06F2218/16—Classification; Matching by matching signal segments
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Small-Scale Networks (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
【課題】車両通信ネットワークのケーブルにおけるケーブル故障を検出するための、エコー測定値を使用するための方法およびシステムを提供する。【解決手段】車両においてケーブルを通じて通信された信号に対応する少なくとも1つの戻りエコー信号を取得する段階と、多数の前のエコー信号のコンピュータ分析から学習された前記戻りエコー信号の特性に基づいて、前記ケーブルにおける少なくとも2つの異なる予め決められた故障タイプの中から、予め決められた故障タイプを識別するために、前記少なくとも1つの戻りエコー信号に対して、ケーブルにおける複数の予め決められた故障タイプ同士を区別するコンピュータによる訓練済みモデルを適用する段階と、前記識別された予め決められた故障タイプに応じて動作を開始する段階とを含む、方法。【選択図】図3
Description
[関連出願の相互参照]
本出願は、2020年11月25日に出願された、共同所有の米国仮出願63/118,484号の利益を主張し、その開示が参照により本明細書に組み込まれる。
本出願は、2020年11月25日に出願された、共同所有の米国仮出願63/118,484号の利益を主張し、その開示が参照により本明細書に組み込まれる。
本開示は、概して車内ネットワークに関し、特に車内ネットワークのケーブルにおける故障を診断するための方法およびシステムに関する。
特に自律走行車両を含む近代的車両は、ケーブルを介した車内ネットワークを通じて、感知またはそうでない場合は検出、分析、および送信される、非常に大量のデータを生成しながら動作する。これらのケーブルにおける故障は、車内ネットワークが減速した速度で機能すること、誤って機能すること、またはまったく機能しないことという結果となる場合がある。ケーブルにおける故障は、典型的に老朽化および物理的損傷に起因する。ケーブルが故障すれば、または不適切に機能するようになれば、車両は、安全ではなくなり、または動作不能となる場合があり、車両および車内ネットワークの修理は高コストである。
上述の説明は、本分野における関連技術の概説として提示しており、上述の説明が含む情報のいずれかが本特許出願に対抗する従来技術を構成すること認めることとして解釈されるべきではない。
本開示される主題は、車両通信ネットワークのケーブルにおけるケーブル故障を検出するための、エコー測定値を使用するための方法およびシステムに関する。上述のシステムおよび方法は、システムデザインの制約に起因して、従来は検出可能ではなかった、地面に短絡、および電源に短絡のケーブル故障を含む多数のケーブル故障タイプを検出する。追加的に、方法およびシステムは、既存の車両通信ネットワークとともに方法またはシステムを用いるときに特別なハードウェアの必要がないので、既存の車両通信ネットワークに容易に固定される。
開示される主題の実施形態は、車両通信ネットワークの1または複数のケーブルにおける故障診断のための方法に関する。前記方法が、
車両においてケーブルを通じて通信された信号に対応する少なくとも1つの戻りエコー信号を取得する段階と、
多数の前のエコー信号のコンピュータ分析から学習された前記戻りエコー信号の特性に基づいて、前記ケーブルにおける少なくとも2つ異なる予め決められた故障タイプの中から、予め決められた故障タイプを識別するために、前記少なくとも1つの戻りエコー信号に対して、ケーブルにおける複数の予め決められた故障タイプ同士を区別するコンピュータによる訓練済みモデルを適用する段階と、
前記識別された予め決められた故障タイプに応じて動作を開始する段階と
を含む。
車両においてケーブルを通じて通信された信号に対応する少なくとも1つの戻りエコー信号を取得する段階と、
多数の前のエコー信号のコンピュータ分析から学習された前記戻りエコー信号の特性に基づいて、前記ケーブルにおける少なくとも2つ異なる予め決められた故障タイプの中から、予め決められた故障タイプを識別するために、前記少なくとも1つの戻りエコー信号に対して、ケーブルにおける複数の予め決められた故障タイプ同士を区別するコンピュータによる訓練済みモデルを適用する段階と、
前記識別された予め決められた故障タイプに応じて動作を開始する段階と
を含む。
いくつかの実施形態では、故障診断のための方法は、前記コンピュータによる訓練済みモデルを前記適用する段階が、前記少なくとも2つの予め決められた故障タイプの中から前記ケーブルにおける前記予め決められた故障タイプを区別するように予め訓練済みである人工知能(AI)モデルを適用する段階を有するような方法である。
いくつかの実施形態では、故障診断のための方法は、前記AIモデルが、前記ケーブルに故障があることを決定し、前記予め決められた故障タイプを識別するように構成された複数の特徴抽出層を含むような方法である。いくつかの実施形態では、故障診断のための方法は、前記少なくとも1つの戻りエコー信号を前記取得する段階が、イーサネット(登録商標)物理層(PHY)デバイスによって、前記少なくとも1つの戻りエコー信号を受信する段階であって、前記イーサネット(登録商標)PHYデバイスが、前記少なくとも1つの戻りエコー信号を前記受信する段階に応じて、エコーキャンセルを適用する、受信する段階を有するような方法である。いくつかの実施形態では、故障診断のための方法は、前記戻り信号の前記特性が、前記戻りエコー信号の形状を含み、前記コンピュータによる訓練済みモデルを前記適用する段階が、少なくとも2つの戻りエコー信号の予め決められた形状と対照して、前記戻りエコー信号の前記形状を分析する段階を含み、前記予め決められた形状の各々が、少なくとも2つ異なる予め決められた故障タイプの中から予め決められた故障タイプに関連付けられるような方法である。
いくつかの実施形態では、故障診断のための方法は、前記少なくとも1つの戻りエコー信号に対して前記コンピュータによる訓練済みモデルを適用する段階が、前記1または複数のケーブルが、少なくとも2つの異なる予め決められたケーブル故障タイプの中から選択された前記識別された予め決められたケーブル故障タイプを呈する確率を決定する段階を有するような方法である。いくつかの実施形態では、故障診断のための方法は、前記AIモデルが、訓練済みニューラルネットワークおよび/または機械学習モデルのうちの1または複数を含むような方法である。いくつかの実施形態では、故障診断のための方法は、ケーブルにおける前記複数の予め決められた故障タイプが、
短絡回路(短絡)、
開回路(開放)、
開放および接地、
正常および接地、
1本のワイヤが地面に短絡、
1本のワイヤが電源に短絡、
1本のワイヤが開放、
2本のワイヤが地面に短絡、
2本のワイヤが電源に短絡、
および2本のワイヤが開放
のうちの2または複数を含むような方法である。
短絡回路(短絡)、
開回路(開放)、
開放および接地、
正常および接地、
1本のワイヤが地面に短絡、
1本のワイヤが電源に短絡、
1本のワイヤが開放、
2本のワイヤが地面に短絡、
2本のワイヤが電源に短絡、
および2本のワイヤが開放
のうちの2または複数を含むような方法である。
いくつかの実施形態では、故障診断のための方法は、前記少なくとも1つの戻りエコー信号が、複数の戻りエコー信号を含み、各戻りエコー信号が、対応するケーブルから取得され、前記コンピュータによる訓練済みモデルを適用する段階が、少なくとも2つの予め決められた故障タイプの中から、各ケーブルにおける予め決められた故障タイプを識別するために、各戻りエコー信号を分析する段階を有するような方法である。いくつかの実施形態では、故障診断のための方法は、動作を前記開始する段階が、前記故障のログ付けをする段階、警告を発行する段階、ドライバまたは他のユーザに通知する段階、およびバックアップケーブルに切り替える段階のうちの1または複数を含むような方法である。
開示される主題の実施形態は、車両通信ネットワークの1または複数のケーブルにおける故障診断のためのシステムに関する。故障診断システムは、1または複数のプロセッサと、実行可能命令を記憶するプログラムメモリとを備える。実行可能命令は、前記1または複数のプロセッサによって実行されると、前記システムに、
車両においてケーブルを通じて通信された信号に対応する少なくとも1つの戻りエコー信号を取得することと、
多数の前のエコー信号のコンピュータ分析から学習された前記戻りエコー信号の特性に基づいて、前記ケーブルにおける少なくとも2つ異なる予め決められた故障タイプの中から、予め決められた故障タイプを識別するために、前記少なくとも1つの戻りエコー信号に対して、ケーブルにおける複数の予め決められた故障タイプ同士を区別するコンピュータによる訓練済みモデルを適用することと、
前記識別された故障タイプに応じて動作を開始することと
を行わせるような実行可能命令である。
車両においてケーブルを通じて通信された信号に対応する少なくとも1つの戻りエコー信号を取得することと、
多数の前のエコー信号のコンピュータ分析から学習された前記戻りエコー信号の特性に基づいて、前記ケーブルにおける少なくとも2つ異なる予め決められた故障タイプの中から、予め決められた故障タイプを識別するために、前記少なくとも1つの戻りエコー信号に対して、ケーブルにおける複数の予め決められた故障タイプ同士を区別するコンピュータによる訓練済みモデルを適用することと、
前記識別された故障タイプに応じて動作を開始することと
を行わせるような実行可能命令である。
いくつかの実施形態では、故障診断のためのシステムは、前記実行可能命令が、前記システムに、前記ケーブルにおける少なくとも2つの異なる予め決められた故障タイプの中から前記識別された予め決められた故障タイプの前記確率を決定するために、前記コンピュータによる訓練済みモデルを適用して前記戻りエコー信号の形状を含む前記戻りエコー信号の前記特性を分析することをさらに行わせるようなシステムである。いくつかの実施形態では、故障診断のためのシステムは、前記コンピュータによる訓練済みモデルが、前記プログラムメモリに記憶され、前記ケーブルにおける、少なくとも2つの異なる予め決められた故障タイプの中から前記識別された予め決められた故障タイプの確率を決定する人工知能(AI)モデルを含むようなシステムである。いくつかの実施形態では、故障診断のためのシステムは、前記AIモデルが、訓練済みニューラルネットワークおよび/または機械学習モデルのうちの1または複数を含むようなシステムである。
開示される主題の実施形態は、自動車または産業用ネットワークにおける、ケーブルを通じた通信のためのイーサネット(登録商標)物理層(PHY)デバイスに関する。前記イーサネット(登録商標)PHYデバイスが、
前記ケーブルにアウトバウンドイーサネット(登録商標)通信信号を送信するための送信部と、
前記ケーブルからインバウンドイーサネット(登録商標)通信信号を受信するための受信部であって、前記インバウンドイーサネット(登録商標)通信信号が、前記送信されたアウトバウンドイーサネット(登録商標)通信信号によって引き起こされた前記戻りエコー信号を含む、受信部と、
前記戻りエコー信号を推定するため、および前記受信されたインバウンドイーサネット(登録商標)通信信号における前記戻りエコー信号をキャンセルするためのエコーキャンセラと、
前記推定された戻りエコー信号を記憶するために、前記エコーキャンセラと通信している記憶媒体であって、前記記憶された推定された戻りエコー信号が、前記イーサネット(登録商標)PHYデバイスの外側にあるデバイスによる読み出しのために利用可能である、記憶媒体と
を備える。いくつかの実施形態では、イーサネット(登録商標)PHYデバイスは、前記戻りエコー信号が、予め決められたサイズであるようなイーサネット(登録商標)PHYデバイスである。
前記ケーブルにアウトバウンドイーサネット(登録商標)通信信号を送信するための送信部と、
前記ケーブルからインバウンドイーサネット(登録商標)通信信号を受信するための受信部であって、前記インバウンドイーサネット(登録商標)通信信号が、前記送信されたアウトバウンドイーサネット(登録商標)通信信号によって引き起こされた前記戻りエコー信号を含む、受信部と、
前記戻りエコー信号を推定するため、および前記受信されたインバウンドイーサネット(登録商標)通信信号における前記戻りエコー信号をキャンセルするためのエコーキャンセラと、
前記推定された戻りエコー信号を記憶するために、前記エコーキャンセラと通信している記憶媒体であって、前記記憶された推定された戻りエコー信号が、前記イーサネット(登録商標)PHYデバイスの外側にあるデバイスによる読み出しのために利用可能である、記憶媒体と
を備える。いくつかの実施形態では、イーサネット(登録商標)PHYデバイスは、前記戻りエコー信号が、予め決められたサイズであるようなイーサネット(登録商標)PHYデバイスである。
本開示は、その実施形態についての以下の詳細な説明を図面と照らし合わることからより完全に理解されよう。
図1A-1は、車両通信ネットワークとしても知られる車内ネットワーク(IVN)101を有する、車両100、例えば、自動車を示し、車両通信ネットワークおよび車内ネットワークという用語は、本明細書で区別なく使用される。車両100は、標準的な非自律走行車両、または自律走行車両であってもよく、0 自動化なし、1 ドライバ補助、2 部分的自動化、3 条件付き自動化、4 高自動化、5 完全自動化の、自動車技術協会(SAE)レベルのいずれかで分類される。車両通信ネットワークは、例えば、様々な機能を実行するための集積回路(IC)チップを含む。複数のケーブルもあり、複数のケーブルは、車両通信ネットワークの様々なコンポーネントを接続する。IVNのこの配置によって、開示される主題はリンクレベル、およびネットワークレベルで作動する。
車両通信ネットワーク101は、プロセッサ110、例えば、中央処理装置(CPU)、グラフィック処理装置(GPU)、または他の好適なコンピュータ処理装置を含み、プロセッサ110は、本明細書ではローカルコンピュータとしても既知である、車載コンピュータを表す。プロセッサ110は、物理レイヤデバイス(PHY)116を介してイーサネット(登録商標)リンク118aを通じて、直接的にまたは間接的に、コントローラ112およびスイッチ/ゲートウェイ114と通信する。スイッチ/ゲートウェイ114は、PHY116を介してイーサネット(登録商標)リンク118aを通じて、直接的にまたは間接的に、互いに通信する。スイッチ/ゲートウェイ114は、イーサネット(登録商標)リンク118bを通じて、直接的にまたは間接的に、PHY116と通信する。
リンク118a、118bは、データの送信のため、および/または電力の伝送のため、例えば、イーサネット(登録商標)ケーブルとしても知られる、ケーブルを含む。リンク118a、118bを、以下、「ケーブル」または「イーサネット(登録商標)ケーブル」とも呼ぶ。ケーブルタイプは、遮蔽されていてもまたは遮蔽されていなくてもよく、単芯または多芯であってもよく、多芯ケーブルが、例えばツイストペアケーブルであってもよい。データ伝送能力は、すべてのケーブルタイプに対して同じでなくてもよい。例えば、一実施形態では、イーサネット(登録商標)リンク118aは10/25Gbpsのデータ転送速度をサポートする一方、イーサネット(登録商標)リンク118bは、2.5/5/10Gpbsのデータ転送速度をサポートする。
各PHY116は、典型的には好適な媒体アクセス制御(MAC)デバイスを介して、電子ユニットとローカルコンピュータ、すなわちプロセッサ110との間等で、リンクパートナーをリンクする。電子ユニットは、例えば、カメラ120、レーダ/ライダ/ソナー122、または、例えば温度センサ、および磁場センサ等のような他の好適なセンサ124を含む。PHY116は、典型的にスイッチ114およびコントローラ112を介して、ケーブルを通じて、ローカルコンピュータ、すなわちプロセッサ110と通信する。
各リンク118a、118bは、スイッチ114に接続された少なくとも1つの端部を有する。典型的に、リンクの1つの端部で取得されたエコー信号は、イーサネット(登録商標)ケーブルを診断するために十分である。従って、一実施形態では、スイッチ114は、例えば、スイッチ114がローカルに接続されたPHY116のメモリ220(図2)から、エコー信号を読み取り、戻りエコー信号を表すエコー測定値の形式で、エコー信号をプロセッサ110に中継する。プロセッサ110によってダウンロードされ、プロセッサ110において実行される、人工知能(AI)モデルのような訓練済みコンピュータモデル400は、このエコー測定値を入力として受信する。
一実施形態では、PHY116は、ケーブル118a、118bから、エコー信号、例えば、戻りエコー信号を受信し、対応する戻りエコー信号を推定し、スイッチ114を介して、例えば、エコー測定値として、イーサネット(登録商標)ケーブル118a、118bを通じて、推定された戻りエコー信号を返信する。戻りエコー信号を受信し、エコー測定値としてエコーキャンセル信号を推定するための例示的なPHY116を、例えば、図2に示し、以下で詳細を説明する。
図1A-2の挿入130に見られるように、プロセッサ110のために、プロセッサ110は、モデル400、例えば、ルールに基づく(AIでない)モデルまたはAIモデルをダウンロードする。プロセッサ110はまた、以下で説明するように、少なくとも1つの送受信部132と関連付けられて、戻りエコー信号および/または戻りエコー信号に関連付けられたデータを受信し、信号および/またはデータをモデル400に入力し、モデルによって生成された出力をメトリックとして他のシステムコンピュータ、プロセッサ、およびコンポーネント等に送信する。
図1Bは、車両100のPHY116に接続されたイーサネット(登録商標)ケーブル118a、118bにおけるケーブル故障を検出するための、車両100およびIVN101の外側にあるシステム140を示す。システム140は、(ルールに基づくモデルのような)AIでないモデルを含む人工知能(AI)モデル400または他のダウンロード可能モデルをダウンロードしたコンピュータ142を含んで、PHY116から、例えばエコーキャンセル信号および/またはエコーキャンセル信号に関連付けられたデータ等のエコー応答を受信して、イーサネット(登録商標)ケーブル118a、118bに故障があるか否かを決定して、故障があると、ケーブル故障のタイプを決定する。
図1A-1に示したIVN101の構成と、例えばプロセッサ110、コントローラ112、スイッチ114、PHY116、および様々な他のシステム要素、例えばカメラ120、レーダ/ライダ/ソナー122、または温度センサおよび磁場センサ等の他の好適なセンサ124のようなネットワークコンポーネントの組成および/またはコンポーネントの展開とは、分かりやすくするためにのみ示す例示的な構成である。代替的な実施形態では、任意の他の好適な構成が使用され得る。
IVN101の様々な要素、例えばプロセッサ110、コントローラ112、スイッチ114、PHY116、および他のシステム要素、例えばカメラ120、レーダ/ライダ/ソナー122、または温度センサおよび磁場センサ等の他の好適なセンサ124のようなは、例えば、ハードワイヤードロジックまたはプログラマブルロジックを使用すること等で、例えば、1または複数の特定用途向け集積回路(ASIC)および/または1または複数のフィールドプログラマブルゲートアレイ(FPGA)において、専用のハードウェアまたはファームウェアを使用して実装されてもよい。追加的にまたは代替的に、IVNの上述のコンポーネントのいくつかの機能は、ソフトウェアにおいて実装されてもよく、および/またはハードウェア要素およびソフトウェア要素の組み合わせを使用して実装されてもよい。開示された技術の理解のために必須ではない要素は、分かりやすくするために図から省略されている。
いくつかの実施形態では、内部コンピュータのプロセッサ110、および/または(1または複数コンピュータであってもよい)外部コンピュータ142のプロセッサは、本明細書で説明する機能を実行するためにソフトウェアにおいてプログラムされている、1または複数のプログラマブルプロセッサを含む。ソフトウェアは、例えば、ネットワークを通じて、電子形態でこれらのプロセッサのいずれかにダウンロードされてもよく、または、代替的にまたは追加的に、磁気メモリ、光学メモリ、または電子メモリのような非一時的有形媒体上で提供および/または記憶されてもよい。
図2は、本明細書で説明する一実施形態による、回路200として表された例示的なPHY116を示す。図2のPHY116は、内部での使用のために(受信性能を改善をするために)エコーキャンセルを実行する。
本例では、PHY116は、データシンボルを含むイーサネット(登録商標)信号を出力する、データモジュレータ202を備える。送信部(TX)204は、ケーブル118a/118bにハイブリッド結合部206(異なるチャンネルへ/からの信号を分割して組み合わせるためのハイブリッド結合部)を介してイーサネット(登録商標)信号を送信する。送信されるデータは、ケーブルの奥側にあるピアPHY116(不図示)に向けられる。
受信すると、ピアPHY116からのイーサネット(登録商標)信号は、ケーブル118a、118bからハイブリッド結合部206を介して受信され、フィルタ208に提供される。フィルタ208は、例えば、ローパスフィルタまたはバンドパスフィルタを使用して、受信された信号をフィルタして、望ましくない周波数成分を除去する。アナログ/デジタルコンバータ(ADC)210は、信号をデジタル化(サンプリング)する。例えば、ADC210は、合計768のサンプルに対して、位相毎に48のサンプルを有する16の位相のバッチで、受信された信号をデジタル化してもよい。
デジタル化された信号は、フィードフォワードイコライザ(FFE)212によってフィルタリングされる。決定回路214(例えば、スライス回路)は、等化された信号からのビットを復号する。復号されたビットは、物理コーディングサブレイヤ(PCS、不図示)を通って渡され、その後、例えば、媒体アクセス制御(MAC)デバイス(不図示)に出力として提供される。例えば、MACデバイスは、スイッチ114にあってもよい。本例では、信号はまた、入力が決定回路214の出力から取られた決定フィードバックイコライザ(DFE)216によって、等化される。
PHY116は、エコーキャンセラ(EC)218をさらに備え、エコーキャンセラ(EC)218は、受信されたイーサネット(登録商標)信号に漏れ出すので、受信されたイーサネット(登録商標)信号と干渉する場合がある送信されたイーサネット(登録商標)信号のエコーをキャンセルする。典型的に、EC218は、送信された信号に基づいて、エコー信号の時間波形(時間領域における形状)を推定し、受信された信号からのエコー信号をキャンセルする。概して言えば、EC218は、推定されたエコー信号に合致する大きさおよび位相を有する、送信されたイーサネット(登録商標)信号のレプリカを生成し、その後、受信されたイーサネット(登録商標)信号からこのレプリカを減算する。キャンセル動作は、図における加算器219によって示される。
一実施形態では、PHY116は、記憶媒体、例えば、メモリ220をさらに備える。EC218は、メモリ220におけるデジタル値のベクトルとして、推定されたエコー信号を記憶する。メモリ220は、エコー信号が、ケーブル118a、118bにおける可能性がある故障の検出および分類において使用するために、任意の好適な外部プロセッサまたはシステムによる(例えば、プロセッサ110による、またはコンピュータ142による)読み出しのためにアクセス可能であるようなメモリである。例示的な実施形態では、必ずしもそうではないが、推定されたエコー信号は、16の位相を使用して、66.66MHzのサンプリングレートを用いてサンプリングされた768のデジタル値を含み、サンプル毎に0.9376 nSの解像度をもたらす。
図に見られるように、FFE212、DFE216、およびEC218は、PHYデバイス(不図示)の好適なプロセッサ上で実行する好適な適合アルゴリズムによって制御される。本例では、これらのアルゴリズムに対する入力は、受信された信号とそれぞれのビット決定との間の差を示すエラー信号(図においてerrとして示す)である。
ローカルコンピュータもしくは内部コンピュータ、すなわち、プロセッサ110、または外部ケーブル故障検出システム140のコンピュータ142(本明細書で「外部コンピュータ142」とも呼ぶ)のいずれかは、PHY116によって報告されたエコー信号に基づいて、ケーブル故障検出および検出されたケーブル故障タイプの識別の例示的な工程を実行する。例示的な工程を、ここで着目する図3において大まかに示す。
図3では、工程はブロック300で開始する。この開始時点で、一実施形態では、PHY116またはIVN101は、ケーブル診断を実行する準備ができている、診断モードにある。工程はブロック302に進み、ケーブル故障を検出し、ケーブルにおける検出されたケーブル故障について、ケーブル故障のタイプを識別するための、モデル、例えばコンピュータによる訓練済みモデルを取得する。モデル400は、ケーブルにおける複数の予め決められた故障タイプ(ケーブル故障タイプ)を区別するために役立って、戻りエコー信号の、例えば形状のような特性(および/または「信号データ」として知られる、戻りエコー信号に関連付けられたデータ)に基づいて、予め決められた故障タイプを識別し、予め決められた故障タイプが、例えば、ケーブルにおける少なくとも2つの異なる予め決められた故障タイプの中から、多数の前のエコー信号のコンピュータ分析から学習される。
例えば、モデル400は、訓練済みニューラルネットワークモデルであってもよい。これは、典型的に、ネットワークに沿った位置および/またはクラウドから、訓練済みニューラルネットワークモデルをダウンロードする、ローカルコンピュータ100または外部コンピュータ142によって実現される。工程はブロック304に進み、1または複数のケーブル118a、118bからPHY116において受信された戻りエコー信号に対応する、信号データが、必要PHY116から取得される。例えば、PHY116はまた、この信号データを使用し、例えば推定することによって、PHY116によって内部で使用されるエコーキャンセル信号を形成する。
ブロック306に進み、取得された信号データが、訓練済みモデルに適用される。訓練済みモデルは、信号データを分析し、対応するケーブルに故障があるか否かを決定し、検出された故障があると、ケーブル故障の既知のタイプの中のケーブル故障のタイプ(ケーブル故障タイプ)を分類することを含めて、故障を識別する。ブロック306の任意選択のプロセスでは、訓練済みモデルはまた、少なくとも2つの予め決められた故障タイプの中から、または少なくとも2つの予め決められた故障タイプのセットの中から、ケーブル故障のタイプの確率を決定してもよい。
モデルによって分析されるケーブルの場合、検出された故障タイプ、検出された故障タイプについて識別された予め決められた故障、および任意選択的に、少なくとも2つの予め決められた故障タイプの中からの検出された故障タイプの確率は、ブロック308でモデルによって出力されたメトリックである。
工程はブロック310に進み、出力されたメトリックに基づいて、および出力されたメトリックに応じて、1または複数の動作が、識別された故障タイプに基づいて、開始され、行われる。例えば、開始される動作は、故障のログ付けをする段階、警告を発行する段階、車両100に関連付けられたドライバまたは他のユーザに通知する段階、およびバックアップケーブルに切り替える段階のうちの1または複数であってもよい。
その後、工程はブロック312に進み、上述の信号データは、訓練済みモデルの訓練を再訓練または強化すべく、検出されたケーブル故障、および検出されたケーブル故障の識別情報に基づいて、任意選択的にアップロードされる。工程はブロック314で終了し、要求がある間ずっと繰り返されてもよい。
図4は、本開示の実施形態による、車両またはローカルコンピュータ、すなわち、典型的には、プロセッサ110または外部コンピュータ142のうちの1つにダウンロードされた、(人工知能(AI)モデルまたは機械学習(ML)モデル等の)ニューラルネットワークモデル等の訓練済みモデル400のアーキテクチャブロック図である。訓練済みモデル400(例えば、コンピュータによる訓練済みモデル)は、ケーブル118a、118bからの戻りエコー信号に関連付けられたデータのような戻りエコー信号データ410である、入力を受信し、PHY116は、イーサネット(登録商標)ケーブル118a、118bを通じて、戻りエコー信号を受信している。エコーキャンセル信号は、IVN101のイーサネット(登録商標)ケーブル118bに対して、信号形状を表す値またはデータとして表現される。エコーキャンセル信号、および対応する信号データは、典型的に予め決められた時間の間隔で生成され、典型的に車両100が開始されるときに生成される。上述の例は、時間領域における信号形状のためのものである。代替的に、記載される技術はまた、周波数ドメインにおける信号形状異常の検出に適応され得る。
代替的な実施形態では、上述の信号データは、例えば、車両100の搭載110によって、または外部コンピュータ142によって、周期的なクエリに応じて受信され、または、例えば、周期的に自動的に受信される。
一実施形態では、訓練済みモデル400(例えば、コンピュータによる訓練済みモデル)は、インターネット等の外部ネットワークを通じて、遠隔地からダウンロードされ、訓練済みモデル400の部分は、クラウド420に記憶されてもよい。また、ランタイム記録422のための関連付けられたモジュールがある。プロセッサ110、またはコンピュータ142において実行される訓練済みモデル400は、入力情報、すなわち、PHY116によって受信されたイーサネット(登録商標)ケーブル118a、118bに対する戻りエコー信号を表す信号データに応じて、メトリックのセットを出力する。
メトリックのセットは、例えば、ケーブル故障430の検出、検出されたケーブル故障432のケーブル故障のタイプの識別、およびケーブル故障434の2または複数のタイプ(例えば、ケーブル故障のタイプのセット)の中からの、検出されたケーブル故障のケーブル故障のタイプの確率を含む、表示である。これらのメトリックの結果は、例えば、プロセッサ110または外部コンピュータ142によって分析されて、識別されたケーブル故障タイプ436に基づいて、車両において取られる動作を開始する。開始される動作は、例えば、ケーブル故障(およびケーブル故障のタイプ)をログ付けする段階、警告を発行する段階、車両に関連付けられた車両のドライバまたは他のパーティに通知する段階、およびバックアップケーブルに切り替える段階を含む。
訓練済みモデルは、ルールに基づくモデルであってもよい。ルールに基づくモデルは、例えば、信号の主要な最高点を分析することによって、動作する。図6に示すように、ボックス602で、正の主要な最高点は開放故障を示し、負の主要な最低点は短絡である故障を示す一方、重要な主要な最高点でなければ、ケーブルは正常である。
ここで、本開示の一実施形態による、ニューラルネットワークモデルである、例示的な訓練済みモデル400のためのネットワークアーキテクチャの図である、図5Aに関して着目されたい。ニューラルネットワークモデル400は、例えば、分類504bを含む、故障検出504aおよび故障タイプ識別に対する、両方向ネットワーク構造(以下で詳細を説明する、カスタマイズされた損失関数を有する出力層)を有する、7つの層のニューラルネットワーク(例えば、7層の畳み込まれた特徴抽出部502)である。検出部504a、および分類部504bに対する交差エントロピーについての、損失関数を合算した平均二乗誤差(MSE)は、以下で数学的に表現される。
入力、すなわち信号データは、ニューラルネットワークモデル400の層1の中に供給され、出力は、検出部504aおよび分類部504bから受信される。層の数、隠れ層を含む層のタイプ、および/または層のサイズは、例えば、行われる変換の数、および変換の複雑性に依存する。
一実施形態では、特徴抽出部502における各層(Conv1D~Conv7D)は、例えば、図5Bにおける層1(Conv1D)によって示された、例えば、完全な畳み込み層510である。例えば、図5Aに示すように、第1の層(CONV1D_1)のサイズは394×64であり、第2の層(CONV1D_2)のサイズは192×16であり、第3の層(CONV1D_3)のサイズは96×6であり、第4の層(CONV1D_4)のサイズは48×16であり、第5の層(CONV1D_5)のサイズは24×8であり、第6の層(CONV1D_6)のサイズは12×8であり、第7の層(CONV1D_7)のサイズは6×64である。ニューラルネットワークモデル400は、所望の変換を実行するために、例えば、シグモイドであり、または、正規化線形ユニット(ReLU)である、ノードの活性化関数を含む。
この特定のニューラルネットワークアーキテクチャは、本明細書で単なる例示として示され、本開示の原理は、より多くの数またはより少ない数の層、および各層内の、より多くの数またはより少ない数の入力、出力、およびノードを有する、ニューラルネットワークの他の種類で代替的に実装されてもよい。画像化されたニューラルネットワークモデル400は、決定されたケーブル故障の分類、および、2または複数の(例えば、1つのセットの)予め決められたケーブル故障タイプの中から、決定された故障についての故障のタイプの確率を決定することを含む、イーサネット(登録商標)ケーブル故障決定およびイーサネット(登録商標)ケーブル故障識別に対して適用可能である。典型的に、プロセッサ110、または外部コンピュータ142のプロセッサは、この種の複数のモデルを実行して、通信リンクおよび他のコンポーネントに関連付けられた複数のイーサネット(登録商標)ケーブルに関するケーブル故障情報を処理する。
例えば、クラウド、または複数の車両のために役立つ他の集中型プロセッサから、車両プロセッサ110または外部コンピュータ142へダウンロードされたニューラルネットワークモデル400は、分類部504bのために、目的関数に従って訓練される。訓練は典型的に、多くのコンピュータリソースおよび大量の電源を消費するので、訓練は好適にはクラウドにおいて行われてもよい。別個の出力の場合、例えば、分類部504bのための目的関数は、以下のように表現される交差エントロピー(CE)に基づく。
ここで、M=4であり、y1~y4がケーブル故障の真である確率に対応する。
例えば、故障タイプが「開放」であれば、y1~y4は、分類部504bについて、[po,ps,pn&g,po&g]に対応する[0.9,0,0,0.1]であってもよい。
故障の分類、および2または複数の予め決められたケーブル故障タイプの中から故障タイプの確率を決定することを含む、故障決定および故障識別等の連続的出力の場合、損失関数が、イーサネット(登録商標)ケーブルに対して決定される。損失関数は、検出部504aに対する平均二乗誤差(MSE)、および分類部504bに対する交差エントロピー(CE)に基づく。最後またはカスタマイズされた損失関数(例えば、全損失(TL))は、加重w1およびw2を用いた、加重和として表現される。TL=w1×MSE+w2×CE。
任意の好適なアルゴリズムが、ニューラルネットワークモデル400を、このカスタマイズされた損失関数に基づいて訓練するために使用されてもよい。例えば、アルゴリズムは、Adam最適化アルゴリズムであってもよく、ランダムな初期加重が使用されてもよい。カスタマイズされた損失関数についての学習速度は、ニューラルネットワークモデルの訓練の間の学習速度を調整することによって制御され得る。
訓練済みニューラルネットワークモデル400は、例えば、ネットワークに沿ったリモートサーバにおいて、またはクラウドにおいて訓練される。ニューラルネットワークモデルの訓練は、例えば、検出されたケーブル故障から正常なケーブルまたは様々なケーブル故障タイプを示す信号形状である入力を、車両100とは異なる多数の車両(IVN)から受信することによって行われ、この入力は、ニューラルネットワークモデル400にアップロードされる。多くの車両からの入力を使用するニューラルネットワークモデル400を訓練することは、訓練済みモデルが大量の入力から利益を得るように、例えば、典型的に集中型されている。そのため、訓練済みモデルが、車両100等の所与の車両(例えば、典型的に個別の車両)の役に立つ。
例えば、モデル400は、多数の車両の多数のIVNから取得された、様々なタイプのケーブル故障に対して、既知の信号形状または予め決められた信号形状に基づいて、訓練される。正常なケーブルおよび様々なケーブル故障タイプのための上述の予め決められたエコー信号形状を、例えば図6において示す。およそ6メートルのイーサネット(登録商標)ケーブル長さの場合、1)ボックス602は、イーサネット(登録商標)ケーブルにおける、正常(故障のないケーブル)、開放故障、または短絡故障の場合の、戻りエコー信号形状を示す。2)ボックス604は、イーサネット(登録商標)ケーブルにおける、開放故障、または開放故障および接地故障の場合の、戻りエコー信号形状を示す。3)ボックス606は、イーサネット(登録商標)ケーブルにおける、正常(故障のないケーブル)と、正常および接地故障との場合の、戻りエコー信号形状を示す。モデル400は、各ケーブル故障タイプの場合の信号の形状と対照して、信号データから、戻りエコー信号の形状を分析して、ケーブル故障があるか否かを決定して、ケーブル故障があると、ケーブル故障のタイプを識別、または識別しない場合は分類し、または検出されたケーブル故障について、信号形状に基づいて、ケーブル故障の少なくとも2つの異なるタイプの中から、ケーブル故障のタイプの確率を決定する。
例えば、訓練済みニューラルネットワークモデル400は、以下に基づいて訓練される。これは、ニューラルネットワークモデル400が、車両の、ローカルコンピュータ(例えば、プロセッサ110)または外部コンピュータ142にダウンロードされる、車両100(例えば、所与の車両)とは異なる、車両のセットまたは複数の車両における、コンポーネント、すなわちIVN101のPHY116から、ある期間にわたって、収集された信号データに基づく。例えば、モデルは、ケーブルにおける予め決められた故障があるか否かを決定し、車両ネットワーク内のケーブルにおける、複数の予め決められた故障タイプ同士を区別して、決定された予め決められた故障について、ケーブルにおける戻りエコー信号の特性に基づいて、ケーブルにおける予め決められた故障タイプを識別し、例えば、予め決められた故障タイプが、少なくとも2つの異なる予め決められた故障タイプの中から(または、少なくとも2つの異なる予め決められた故障タイプのセットから)、多数の前のエコー信号のコンピュータ分析から学習され、および/または、任意選択的に、少なくとも2つの異なる予め決められた故障タイプの中から(または、少なくとも2つ異なる予め決められた故障タイプのセットから)、ケーブルにおける識別された予め決められた故障タイプについての確率を決定する。例えば、ケーブルにおける予め決められた故障タイプは、短絡回路(短絡)、開回路(開放)、開放および接地、正常および接地、1本のワイヤが地面に短絡、1本のワイヤが電源に短絡、1本のワイヤが開放、2本のワイヤが地面に短絡、2本のワイヤが電源に短絡、および2本のワイヤが開放を含む。
収集された信号データは、訓練済みニューラルネットワークモデル300を訓練するために、例えば、周期的に集中型プロセッサにアップロードされ、ここで、訓練済みニューラルネットワークモデル400が存在し、場所は、車両100から遠隔のネットワークに沿って、車両100のローカルコンピュータ110、外部コンピュータ142、またはクラウド等である。
ニューラルネットワークモデル400は、訓練されて、収集された信号データに基づいて、例えば、図4の場合に示して説明するような、メトリックのセットを生成する。メトリックのセットは、ケーブル430における検出された故障と、検出されたケーブル故障432についてのケーブル故障のタイプ(識別されたタイプ)と、検出されたケーブル故障について、2または複数の予め決められた故障タイプ434の中から故障タイプの確率とを、検出されて識別されたケーブル故障タイプ436に応じて開始される動作とともに示す。
訓練済みニューラルネットワークモデルは、ローカル車両100のコンピュータ、例えば、プロセッサ110、または外部コンピュータ142(例えば、プロセッサ)にインストールするために、例えば、(例えば、車両が駐車され、外部有線ネットワーク接続または無線ネットワーク接続に接続されるときに、ダウンロード可能であってもよい)ソフトウェアパッケージとして展開される。訓練済みニューラルネットワークモデルは、典型的に、訓練済みニューラルネットワークモデル400を更新するためのアプリケーションプログラミングインタフェース(API)に関連付けられる。
図7は、ニューラルネットワークモデル400のための訓練セットアップの図である。訓練速度は、例えば、損失関数、組み合わせられた平均二乗誤差および交差エントロピー、二乗平均平方根伝搬(RMSProp)のような最適化アルゴリズムに基づく。図は、タイムベース値である基準時間(x-axis)と対照した、学習速度(LR)(y-axis)のような、モデル400についての調整可能学習率を示す。最初に、訓練は、急速な速度で実行され、経時的には減速する。
ここで、開示される主題の実施形態による、コンピュータによって実装される工程の詳細を説明するフロー図を示す、図8Aおよび図8Bに関して着目されたい。サブプロセスを含む上述のプロセスは、例えば、自動的および/またはリアルタイムで実行される。
工程は、開始ブロック802で開始し、車両100のIVNのローカルコンピュータ110、すなわち、所与の車両または外部コンピュータ142のような、車両通信ネットワークに関連付けられたローカルコンピュータは、アクティブにされる。工程はブロック804に進み、モデル、例えば、コンピュータによる訓練済みモデルが取得される。
コンピュータによる訓練済みモデルは、車両通信ネットワーク内のケーブルにおける複数の予め決められた故障タイプ同士を区別して、ケーブルにおける戻りエコー信号の特性に基づいて、少なくとも2つの異なる予め決められた故障タイプの中から(または、少なくとも2つの異なる予め決められた故障タイプのセットから)、多数の前のエコー信号のコンピュータ分析から学習された、ケーブルにおける予め決められた故障タイプを識別し、および/または、任意選択的に、少なくとも2つの異なる予め決められた故障タイプの中から(または、少なくとも2つ異なる予め決められた故障タイプのセットから)、ケーブルにおける識別された予め決められた故障タイプについての確率を決定する。例えば、ケーブルにおける予め決められた故障タイプは、短絡回路(短絡)、開回路(開放)、開放および接地、正常および接地、1本のワイヤが地面に短絡、1本のワイヤが電源に短絡、1本のワイヤが開放、2本のワイヤが地面に短絡、2本のワイヤが電源に短絡、および2本のワイヤが開放を含む。
戻りエコー信号の特性は、例えば、戻りエコー信号の形状を含む。コンピュータによる訓練済みモデルを適用する段階は、例えば、少なくとも2つの戻りエコー信号の予め決められた形状に対照して戻りエコー信号の形状を分析する段階を含み、予め決められたエコー信号形状の各々が、少なくとも2つの異なる予め決められた故障タイプの中から予め決められたケーブル故障タイプに関連付けられる。
追加的に、少なくとも1つの取得された戻りエコー信号は、例えば、複数の戻りエコー信号であってもよく、戻りエコー信号の各々が、IVN101の対応するケーブルから取得される。コンピュータによる訓練済みモデルを適用する段階は、少なくとも2つの予め決められた故障タイプの中から、各ケーブルにおける予め決められたケーブル故障タイプを識別するために、各戻りエコー信号を分析する段階を有する。
コンピュータによる訓練済みモデルは、例えば、少なくとも2つの予め決められた故障タイプの中から(または、少なくとも2つの異なる予め決められた故障タイプのセットから)、ケーブルにおける予め決められた故障タイプを区別するために予め訓練済みである、人工知能(AI)モデルであってもよい。AIモデルは、例えば、複数の特徴抽出層を含み、複数の特徴抽出層は、ケーブルに故障があると決定するように、および検出された故障が予め決められた故障タイプの1つとして識別されるように故障タイプを識別するように構成される。AIモデルは、例えば、訓練済みニューラルネットワークの1もしくは複数、および/または機械学習モデルを含んでもよい。
工程はブロック806に進み、コンピュータによる訓練済みモデルは、車両通信ネットワークに関連付けられたローカルコンピュータ、例えば、所与の車両の車両通信ネットワークに関連付けられた、ローカルコンピュータ110または外部コンピュータ142にダウンロードされる。コンピュータによる訓練済みモデルは、その後、ブロック808で、車両通信ネットワークに関連付けられたローカルコンピュータ、例えば、所与の車両の、ローカルコンピュータ110または外部コンピュータ142によって、展開される。工程はブロック810に進み、所与の車両においてケーブルを通じて通信された信号に対応する少なくとも1つの戻りエコー信号(および/または、少なくとも1つの戻りエコー信号に関連付けられたデータ)が、取得される。
工程はブロック812に進み、所与の車両のケーブルからの少なくとも1つの戻りエコー信号(および/または、戻りエコー信号データ)は、コンピュータによる訓練済みモデルの中に、入力、または入力されない場合は適用される。次に、ブロック814で、モデルからの出力が受信され、出力は、所与の車両の場合、コンピュータによる訓練済みモデルの入力された少なくとも1つの戻りエコー信号(および/または、戻りエコー信号データ)に対応する、コンピュータによる訓練済みモデルによって実行された動作に基づく。
工程はブロック816に進み、応答が、識別された予め決められた故障タイプに応じて以下の動作を開始することによって、受信された出力に対して行われ、動作は、識別された予め決められたケーブル故障をログ付けする段階、警告を発行する段階、ドライバ、または所与の車両に関連付けられた他のユーザに通知をする段階、バックアップケーブルに切り替える段階のうちの1または複数を含む。
ブロック818に進み、少なくとも2つの異なる故障タイプ(例えば、少なくとも2つ異なる予め決められた故障タイプのセット)を更新、および/または少なくとも2つの異なる故障タイプに追加するために、既知の予め決められたケーブル故障タイプの特性を有する戻りエコー信号が(例えば、周期的に)提供される。次に、ブロック820で、所与の車両および/または他の車両のうちの1または複数からの戻りエコー信号の特性は、モデルをさらに訓練するために、コンピュータによる訓練済みモデルに(例えば、周期的に)提供される。
工程はブロック822に進み、終了する。工程は、要求がある間ずっと繰り返されてもよい。
(車両におけるローカルコンピュータの)プロセッサ110、または外部コンピュータ142は、本明細書で説明する機能を実行するために、例えば、訓練済みニューラルネットワークモデルを含む、ソフトウェアにおいてプログラムされた、汎用コンピュータを含んでもよい。ソフトウェアは、例えば、ネットワークを通じて、電子形態でコンピュータにダウンロードされてもよく、または、代替的にまたは追加的に、磁気メモリ、光メモリ、または電子メモリのような非一時的有形媒体上で提供および/または記憶されてもよい。
本明細書で説明する実施形態は、自動車への適用(例えば、車または貨物自動車)を主に取り扱うが、本明細書で説明する方法およびシステムはまた、航空機およびボートにおいてのような、他の種類の車両ネットワークにおいて使用され得る。
以上で説明した実施形態は例として引用されていること、および、本発明は以上で具体的に示され説明されたものに限定されないことに留意されたい。むしろ、本発明の範囲は、上記において説明された様々な特徴の組み合わせおよびサブコンビネーションの両方、ならび上述の説明を読むと当業者が思いつく、先行技術に開示されていない、これらの変形および修正を含む。参照により本特許出願に組み込まれる文献は、本願の不可欠な部分とみなされることになる。ただし、本明細書に明示的または暗示的になされた定義と矛盾する形で、任意の用語がこれらの組み込まれた文献に定義されている限りにおいては、本明細書の定義だけが考慮されるべきである。
Claims (16)
- 車両通信ネットワークの1または複数のケーブルにおける故障診断のための方法であって、前記方法が、
車両においてケーブルを通じて通信された信号に対応する少なくとも1つの戻りエコー信号を取得する段階と、
多数の前のエコー信号のコンピュータ分析から学習された前記戻りエコー信号の特性に基づいて、前記ケーブルにおける少なくとも2つの異なる予め決められた故障タイプの中から、予め決められた故障タイプを識別するために、前記少なくとも1つの戻りエコー信号に対して、ケーブルにおける複数の予め決められた故障タイプ同士を区別するコンピュータによる訓練済みモデルを適用する段階と、
前記識別された予め決められた故障タイプに応じて動作を開始する段階と
を含む、方法。 - 前記コンピュータによる訓練済みモデルを適用する段階が、前記少なくとも2つの予め決められた故障タイプの中から前記ケーブルにおける前記予め決められた故障タイプを区別するように予め訓練済みである人工知能(AI)モデルを適用する段階を有する、請求項1に記載の故障診断のための方法。
- 前記AIモデルが、前記ケーブルに故障があることを決定し、前記予め決められた故障タイプを識別するように構成された複数の特徴抽出層を含む、請求項2に記載の故障診断のための方法。
- 前記少なくとも1つの戻りエコー信号を取得する段階が、イーサネット(登録商標)物理層(PHY)デバイスによって、前記少なくとも1つの戻りエコー信号を受信する段階であって、前記イーサネット(登録商標)PHYデバイスが、前記少なくとも1つの戻りエコー信号を前記受信する段階に応じて、エコーキャンセルを適用する、受信する段階を有する、請求項1から3の何れか一項に記載の故障診断のための方法。
- 前記戻り信号の前記特性が、前記戻りエコー信号の形状を含み、前記コンピュータによる訓練済みモデルを前記適用する段階が、少なくとも2つの戻りエコー信号の予め決められた形状と対照して、前記戻りエコー信号の前記形状を分析する段階を有し、前記予め決められた形状の各々が、少なくとも2つの異なる予め決められた故障タイプの中から予め決められた故障タイプに関連付けられる、請求項1から4のいずれか一項に記載の故障診断のための方法。
- 前記少なくとも1つの戻りエコー信号に対して前記コンピュータによる訓練済みモデルを適用する段階が、前記1または複数のケーブルが、少なくとも2つの異なる予め決められたケーブル故障タイプの中から選択された前記識別された予め決められたケーブル故障タイプを呈する確率を決定する段階を有する、請求項1から5のいずれか一項に記載の故障診断のための方法。
- 前記AIモデルが、訓練済みニューラルネットワークおよび/または機械学習モデルのうちの1または複数を含む、請求項2または3に記載の故障診断のための方法。
- ケーブルにおける前記複数の予め決められた故障タイプが、
短絡回路(短絡)、
開回路(開放)、
開放および接地、
正常および接地、
1本のワイヤが地面に短絡、
1本のワイヤが電源に短絡、
1本のワイヤが開放、
2本のワイヤが地面に短絡、
2本のワイヤが電源に短絡、および
2本のワイヤが開放
のうちの2または複数を含む、請求項1から7のいずれか一項に記載の故障診断のための方法。 - 前記少なくとも1つの戻りエコー信号が、複数の戻りエコー信号を含み、各戻りエコー信号が、対応するケーブルから取得され、前記コンピュータによる訓練済みモデルを適用する段階が、少なくとも2つの予め決められた故障タイプの中から、各ケーブルにおける予め決められた故障タイプを識別するために、各戻りエコー信号を分析する段階を有する、請求項1から8のいずれか一項に記載の故障診断のための方法。
- 動作を前記開始する段階が、故障のログ付けをする段階、警告を発行する段階、ドライバまたは他のユーザに通知する段階、およびバックアップケーブルに切り替える段階のうちの1または複数を有する、請求項1から9のいずれか一項に記載の故障診断のための方法。
- 車両通信ネットワークの1または複数のケーブルにおける故障を診断するためのシステムであって、前記システムが、
1または複数のプロセッサと、
前記1または複数のプロセッサによって実行されると、前記システムに、
車両においてケーブルを通じて通信された信号に対応する少なくとも1つの戻りエコー信号を取得することと、
多数の前のエコー信号のコンピュータ分析から学習された前記戻りエコー信号の特性に基づいて、前記ケーブルにおける少なくとも2つの異なる予め決められた故障タイプの中から、予め決められた故障タイプを識別するために、前記少なくとも1つの戻りエコー信号に対して、ケーブルにおける複数の予め決められた故障タイプ同士を区別するコンピュータによる訓練済みモデルを適用することと、
前記識別された故障タイプに応じて動作を開始することと
を行わせる、実行可能命令を記憶するプログラムメモリと
を備える、システム。 - 前記実行可能命令は、前記システムに、前記ケーブルにおける少なくとも2つの異なる予め決められた故障タイプの中から前記識別された予め決められた故障タイプの確率を決定するために、前記コンピュータによる訓練済みモデルを適用して前記戻りエコー信号の形状を含む前記戻りエコー信号の前記特性を分析することをさらに行わせる、請求項11に記載の故障を診断するためのシステム。
- 前記コンピュータによる訓練済みモデルが、前記プログラムメモリに記憶され、前記ケーブルにおける、少なくとも2つの異なる予め決められた故障タイプの中から前記識別された予め決められた故障タイプの確率を決定する人工知能(AI)モデルを含む、請求項11または12に記載の故障を診断するためのシステム。
- 前記AIモデルが、訓練済みニューラルネットワークおよび/または機械学習モデルのうちの1または複数を含む、請求項13に記載の故障を診断するためのシステム。
- 自動車または産業用ネットワークにおける、ケーブルを通じた通信のためのイーサネット(登録商標)物理層(PHY)デバイスであって、前記イーサネット(登録商標)PHYデバイスが、
前記ケーブルにアウトバウンドイーサネット(登録商標)通信信号を送信するための送信部と、
前記ケーブルからインバウンドイーサネット(登録商標)通信信号を受信するための受信部であって、前記インバウンドイーサネット(登録商標)通信信号が、前記送信されたアウトバウンドイーサネット(登録商標)通信信号によって引き起こされた戻りエコー信号を含む、受信部と、
前記戻りエコー信号を推定するため、および前記受信されたインバウンドイーサネット(登録商標)通信信号における前記戻りエコー信号をキャンセルするためのエコーキャンセラと、
前記推定された戻りエコー信号を記憶するために、前記エコーキャンセラと通信している記憶媒体であって、前記記憶された推定された戻りエコー信号が、前記イーサネット(登録商標)PHYデバイスの外側にあるデバイスによる読み出しのために利用可能である、記憶媒体と
を備える、イーサネット(登録商標)PHYデバイス。 - 前記戻りエコー信号が、予め決められたサイズである、請求項15に記載のイーサネット(登録商標)PHYデバイス。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063118484P | 2020-11-25 | 2020-11-25 | |
US63/118,484 | 2020-11-25 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022084014A true JP2022084014A (ja) | 2022-06-06 |
Family
ID=79185403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021190400A Pending JP2022084014A (ja) | 2020-11-25 | 2021-11-24 | 自動車物理層(phy)ケーブル故障診断 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220166461A1 (ja) |
EP (1) | EP4009534A1 (ja) |
JP (1) | JP2022084014A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117309624A (zh) * | 2023-11-30 | 2023-12-29 | 天津天大求实电力新技术股份有限公司 | 一种感温电缆性能评价方法及系统 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11691634B1 (en) * | 2022-06-24 | 2023-07-04 | Plus AI, Inc. | On-vehicle driving behavior modelling |
CN116684327B (zh) * | 2023-08-03 | 2023-10-27 | 中维建技术有限公司 | 一种基于云计算的山林地区通信网络故障监测评估方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10091053B2 (en) * | 2015-11-06 | 2018-10-02 | Avago Technologies General Ip (Singapore) Pte. Ltd. | Comprehensive high resolution cable diagnostics for in-vehicle Ethernet PHYs |
KR102586726B1 (ko) * | 2017-06-30 | 2023-10-10 | 트랑스페르 플러스, 에스.으.쎄. | 에너지 효율적인 초광대역 임펄스 무선 시스템 및 방법 |
US10530559B2 (en) * | 2017-11-28 | 2020-01-07 | Marvell World Trade Ltd. | Ethernet transceiver with PHY-level signal-loss detector |
FR3083323B1 (fr) * | 2018-06-29 | 2020-06-19 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Procede et systeme de caracterisation d'un defaut dans un reseau de lignes de transmission, par retournement temporel |
CN112415323A (zh) * | 2019-08-23 | 2021-02-26 | 微芯片技术股份有限公司 | 诊断网络内的电缆故障 |
-
2021
- 2021-11-23 US US17/533,177 patent/US20220166461A1/en active Pending
- 2021-11-24 JP JP2021190400A patent/JP2022084014A/ja active Pending
- 2021-11-25 EP EP21210528.2A patent/EP4009534A1/en active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117309624A (zh) * | 2023-11-30 | 2023-12-29 | 天津天大求实电力新技术股份有限公司 | 一种感温电缆性能评价方法及系统 |
CN117309624B (zh) * | 2023-11-30 | 2024-02-06 | 天津天大求实电力新技术股份有限公司 | 一种感温电缆性能评价方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
EP4009534A1 (en) | 2022-06-08 |
US20220166461A1 (en) | 2022-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2022084014A (ja) | 自動車物理層(phy)ケーブル故障診断 | |
US20180315260A1 (en) | Automotive diagnostics using supervised learning models | |
KR101864860B1 (ko) | 딥러닝을 통한 자동차 상태 진단 방법 | |
JP6718960B2 (ja) | セキュリティ検査システム、セキュリティ検査方法、機能評価装置、及びプログラム | |
CN109163913A (zh) | 一种汽车故障诊断方法及相关设备 | |
CN114585983B (zh) | 用于检测设备的异常运行状态的方法、装置和系统 | |
CN112162545B (zh) | 一种汽车故障诊断方法及系统 | |
JP7215131B2 (ja) | 判定装置、判定プログラム、判定方法及びニューラルネットワークモデルの生成方法 | |
CA3095590A1 (en) | Diagnostic system and method for processing data of a motor vehicle | |
EP3213213A1 (fr) | Procédé, équipement et système d'aide au diagnostic | |
EP4095533B1 (en) | Early detection of cable failure in automotive networks | |
US11810409B2 (en) | Automotive network vehicle bus diagnostics | |
WO2021069824A1 (fr) | Dispositif, procédé et programme d'ordinateur de suivi de moteur d'aéronef | |
KR102549516B1 (ko) | 차량 거동에 영향을 미치기 위한 방법 및 장치 | |
US20220385544A1 (en) | Early detection of cable failure in automotive networks | |
WO2017203375A1 (ja) | セキュリティ検査システム、セキュリティ検査方法、機能評価装置、及びプログラム | |
US20220044495A1 (en) | Self-diagnosis for in-vehicle networks | |
CN115830368A (zh) | 一种车辆减震器缺陷诊断方法、系统、设备及介质 | |
CN115061451A (zh) | 汽车故障诊断方法、装置、智能终端及存储介质 | |
Du et al. | Ground Fault Diagnostics for Automotive Electronic Control Units | |
US11721141B2 (en) | Method of AI-based vehicle diagnosis using CAN data and device thereof | |
Görne | Introduction and Motivation for Mobile Data Transmission | |
US20210064969A1 (en) | Method for detecting a deterioration in a network | |
JP2023112819A (ja) | 監視装置、車両監視システムおよび車両監視方法 | |
AGGARWAL et al. | Vehicle-invariant Drive-by Monitoring Across Multiple Bridges through Bootstrappingenhanced Unsupervised Domain Adaptation |