JP2022084014A - 自動車物理層（ｐｈｙ）ケーブル故障診断 - Google Patents

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。

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。

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。

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。

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。

本明細書で説明する一実施形態に従って動作する、車両における例示的な車内ネットワーク（ＩＶＮ）のブロック図である。

図１Ａ－１の挿入の図である。

本明細書で説明する一実施形態に従って動作する、車両の外側にあるシステム、および車内ネットワーク（ＩＶＮ）の図である。

とりわけ本明細書で説明する一実施形態に従って戻りエコーデータ測定を取得するために使用される、例示的な物理層（ＰＨＹ）送受信部の図である。

本明細書で説明する一実施形態による、例示的な工程のフロー図である。

本明細書で説明する一実施形態による、図１Ａ－１の車内ネットワークにおいて、ケーブル故障および故障タイプを決定するためのシステムアーキテクチャを概略的に示すブロック図である。

本明細書で説明する一実施形態による、ケーブル故障検出および識別を実行するための例示的なニューラルネットワーク構造のブロック図である。

本明細書で説明する一実施形態による、図５Ａのニューラルネットワーク構造の例示的な層の図である。

ケーブル故障タイプおよび対応するエコーの図である。

本明細書で説明する一実施形態による、ニューラルネットワークモデルに対する訓練速度の図である。

本明細書で説明する一実施形態による、図４のシステムによって実行される工程のフロー図である。 本明細書で説明する一実施形態による、図４のシステムによって実行される工程のフロー図である。

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、［ｐ_ｏ，ｐ_ｓ，ｐ_ｎ＆ｇ，ｐ_ｏ＆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)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。
9. 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。
10. 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。
11. 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。
12. 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。
13. 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。
14. 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。
15. 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。
16. 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。

Images