WO2022012837A1 - Procede et systeme de maintenance predictive - Google Patents

Procede et systeme de maintenance predictive Download PDF

Info

Publication number
WO2022012837A1
WO2022012837A1 PCT/EP2021/066256 EP2021066256W WO2022012837A1 WO 2022012837 A1 WO2022012837 A1 WO 2022012837A1 EP 2021066256 W EP2021066256 W EP 2021066256W WO 2022012837 A1 WO2022012837 A1 WO 2022012837A1
Authority
WO
WIPO (PCT)
Prior art keywords
component
data
vehicle
vehicles
class
Prior art date
Application number
PCT/EP2021/066256
Other languages
English (en)
Inventor
Dominique-Jean MARTINEAU
Olivier MANNS
Nicolas TERRAL
Original Assignee
Vitesco Technologies GmbH
Continental Automotive Gmbh
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Vitesco Technologies GmbH, Continental Automotive Gmbh filed Critical Vitesco Technologies GmbH
Priority to CN202180049143.XA priority Critical patent/CN116235123A/zh
Priority to US18/016,337 priority patent/US20230315082A1/en
Publication of WO2022012837A1 publication Critical patent/WO2022012837A1/fr

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
    • B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
    • B60R16/023—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements for transmission of signals between vehicle parts or subsystems
    • B60R16/0231—Circuits relating to the driving or the functioning of the vehicle
    • B60R16/0232—Circuits relating to the driving or the functioning of the vehicle for measuring vehicle parameters and indicating critical, abnormal or dangerous conditions
    • B60R16/0234—Circuits relating to the driving or the functioning of the vehicle for measuring vehicle parameters and indicating critical, abnormal or dangerous conditions related to maintenance or repairing of vehicles
    • 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
    • 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
    • G07C5/006—Indicating maintenance
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
    • G07C5/0825—Indicating performance data, e.g. occurrence of a malfunction using optical means

Definitions

  • This disclosure relates to the field of predictive maintenance of components of a road vehicle.
  • Preventive maintenance of a road vehicle consists in carrying out scheduled maintenance so as to be able to replace a component before it is defective.
  • Maintenance operations are generally scheduled according to component operating times, generally expressed in number of operating hours, calculated in such a way as to allow the part to be replaced before it is defective.
  • the document US20180204393A1 proposes to predict a time of use or a distance that can be traveled by the vehicle before a maintenance operation of a component, such as an air filter, is necessary.
  • This prediction is implemented when mean values and/or standard deviations of data collected representative of clogging of the filter are greater than thresholds.
  • the prediction is based on a variation of the mean value and/or of the standard deviation of data representative of the fouling of the filter.
  • These thresholds can be predetermined or estimated as a function of parameters such as the distance traveled by the vehicle, a driving history of the vehicle, a calibration value obtained during the installation of the filter for example.
  • This method has a drawback.
  • the data which are acquired concerning the clogging of the filter are not necessarily correlated with a context of use of the component, in addition to a context of use of the vehicle, which does not allow to have a great precision in the detection and in the prediction that is made.
  • An object of the present disclosure is in particular to predict future behavior, for example a future failure, of the component with better reliability.
  • a method for the predictive maintenance of a component of a road vehicle comprising the following steps: a. collecting a data set from the vehicle comprising: i. first data relating to the use of first predetermined combinations of usage parameters of said component, ii. second data relating to the use of second predetermined combinations of usage parameters of said vehicle, iii. third data making it possible to establish the evolution of at least one control parameter of the component representative of the wear of the component as a function of the number of kilometers traveled by the vehicle, b.
  • the first and second vehicle data selecting, from among a plurality of pre-established classes of vehicles having similar first data and second data, a class for which the first data and the second vehicle data are similar to those of the vehicles of the selected class, c. comparison of the third data of the vehicle with reference data of the selected class, the reference data being obtained from data of evolution of said control parameter representative of the wear of the component of each of the vehicles of the selected class, d. deduction, according to the result of the comparison, of a future behavior of the component.
  • a predictive maintenance device for at least one component of a road vehicle, the device comprising:
  • At least one computer connected to the component comprising a processor and a memory storing:
  • the reference data being obtained from evolution data of said control parameter representative of the wear of the component of each of the vehicles of the class considered, the at least one computer being configured for: a. collecting a set of data from said vehicle comprising: i. first data relating to the use of first predetermined combinations of usage parameters of said component, ii. second data relating to the use of second predetermined combinations of usage parameters of said vehicle, iii. third data making it possible to establish the evolution of at least one control parameter of the component representative of the wear of the component as a function of the number of kilometers traveled by the vehicle, b.
  • a computer program comprising instructions for the implementation of all or part of a method as defined herein when this program is executed by a processor.
  • a non-transitory, computer-readable recording medium on which such a program is recorded.
  • the method further comprises, at the end of the comparison step, a step of detecting abnormal behavior of the component with respect to the components of the vehicles of the selected class and the step of deducing a future behavior of the component is a step for deducing a future failure of the component;
  • the reference data of the selected class comprises data on the dispersion of the control parameter around an average value obtained for all the vehicles of the selected class
  • the comparison step comprises the comparison of the values of the parameter monitoring said vehicle for a number of kilometers traveled with the corresponding dispersion data
  • the method further comprises the transmission of an alert message when abnormal behavior of a component of a vehicle is detected at the end of the comparison step;
  • the first data comprises a plurality of frequencies of use of each predetermined combination of usage parameters of the component and the second data comprises a plurality of frequencies of use of each predetermined combination of usage parameters of said vehicle;
  • the plurality of pre-established classes is obtained by implementing an unsupervised classification algorithm from the first and second data collected for a plurality of vehicles;
  • the step of collecting a set of data from the vehicle further comprises the collection of fourth data relating to the number of kilometers traveled by the vehicle, and the step of selecting a class of vehicles comprises:
  • the computer is configured to, at the end of the comparison, detect abnormal behavior of the component compared to the components of the vehicles of the selected class and deduce a future failure of the component.
  • FIG. 1 represents a predictive maintenance system according to one embodiment.
  • FIG. 2 represents a predictive maintenance method according to one embodiment.
  • FIG. 3A represents a first set of data collected by a vehicle according to one embodiment.
  • FIG. 3B represents a second set of data collected by a vehicle according to one embodiment.
  • FIG. 3C represents a third set of data collected by a vehicle according to one embodiment.
  • FIG. 4 illustrates a combination of vehicle usage parameters.
  • FIG. 5 represents a set of classes used by the method of Figure 2.
  • FIG. 6 represents the evolution of a control parameter for a selected class and for the vehicle concerned.
  • FIG 1 illustrates a predictive maintenance system suitable for implementing the predictive maintenance method of Figure 2 according to one embodiment.
  • the predictive maintenance system comprises a predictive maintenance device installed on board a road vehicle 10, here a car, and a remote server 20 able to communicate with the predictive maintenance device installed in the vehicle.
  • Road vehicle means any vehicle equipped with an engine (generally internal combustion or electric) intended to move it on the road and capable of transporting people or loads.
  • the vehicle 10 comprises at least one component 11, at least one computer 12, at least one electronic controller 13 of the component and a plurality of sensors 14.
  • the computer 12 is connected to the component 11, to the electronic controller 13 and to the plurality of sensors 14, for example, via a CAN (Controller Area Network) type data communication bus. ) or FlexRAY.
  • the computer 12 can be configured to communicate directly with the remote server 20, when the computer 12 includes suitable communication interfaces, or indirectly, via another computer including suitable communication interfaces. In this case, the data is transmitted between the two separate computers by means of the data communication bus mentioned above.
  • the electronic controller 13 of the component can be separate (as illustrated here) or be integrated into the computer 12.
  • the computer 12 is an engine controller ("Electronic Control Unit" in English) and comprises at least one processor, a memory and communication interfaces with various actuators and sensors of the vehicle and more particularly of the engine as well as communication interfaces with the remote server 20.
  • the electronic controller 13 of the component 12 is configured to implement a predetermined control law according to various parameters measured by various sensors specific to the component, but not exclusively.
  • the electronic controller 13 also comprises at least one processor, a memory and communication interfaces with the various sensors if necessary.
  • the electronic controller 13 when checking the component 11, obtains a measurement of a parameter involved in the control law and representative of the wear of the component, also called component control parameter. This value is advantageously periodically collected by the computer 12 in order to know the evolution of the wear parameter of the component according to the number of kilometers covered.
  • the sensors 14 make it possible to acquire physical characteristics describing the dynamic behavior of the vehicle 10.
  • the sensors 14 make it possible to acquire vehicle use parameters such as speed, torque engine, the temperature of the engine, the position of the accelerator pedal, the acceleration or deceleration of the vehicle, the angle of the steering wheel or the steering angle, for example.
  • the usage parameters of the component are parameters having an influence on the wear of the component.
  • the usage parameters of the component can also be obtained via the electronic controller 13 when the latter is separate from the computer 12 and via the computer 12, here the engine controller.
  • these may be parameters such as the fuel injection pressure, the fuel temperature, the quantity of fuel injected and the speed of the fuel pump. injection.
  • other types of components and therefore other component usage parameters can be considered.
  • An odometer can also be included among the sensors 14 to determine the number of kilometers traveled by the vehicle.
  • the computer 12 is configured to collect data relating to the use of the vehicle, the use of the component and the evolution of the wear of the component according to the number of kilometers travelled.
  • the data relating to the use of the vehicle and to the use of the component can correspond to data relating to the use of predetermined combinations of parameters of use of the component and of use of the vehicle, respectively .
  • the data relating to the use of the component collected can comprise frequencies of use of predetermined combinations of use parameters of the component.
  • the computer 12 counts the number of times during which a particular combination of usage parameters of the component was used similarly to what is described in passage p. 7, I. 10 to p.8, I. 17 of the patent application filed under number FR1900865 in the name of the applicant in the case of wear parameters of a fuel injector.
  • each usage parameter, A, B, C of the component for example is divided into a plurality of ranges of values ⁇ a1, ..., a20 ⁇ , ⁇ b1, ..., b3 ⁇ , ⁇ c1, ..., c3 ⁇ , respectively.
  • the data thus collected make it possible to establish a usage profile of the component for the vehicle in question.
  • the data relating to the use of the vehicle collected may include frequencies of use of predetermined combinations of vehicle use parameters. As illustrated in FIG. 3B, for each predetermined combination of vehicle usage parameters CP2(1), ..., CP2(N), the computer 12 counts the number of times during which a particular combination of usage parameters of the vehicle was used. It will be noted that the combinations of parameters for use of the vehicle are defined in a manner similar to what has been described with reference to FIG. 4. These are therefore combinations of ranges of values of the various parameters for use of the vehicle. The data collected in this way makes it possible to establish a usage profile for the vehicle concerned.
  • the data relating to the evolution of the wear of the component correspond to data relating to the evolution of at least one wear parameter P3 of the component as a function of the number of kilometers traveled as illustrated in schematically with reference to Figure 3C.
  • it may be, for example, the injector closing time which is representative of the wear of the injector needle.
  • the wear parameter of the component ie the control parameter representative of the wear of the component
  • the evolution of the wear parameter is correlated to the way in which the vehicle and the component are used and therefore to the usage profiles of the vehicle and the component.
  • the predictive maintenance device comprising the computer 12 is capable of communicating with the remote server 20.
  • the remote server 20 is configured to collect, for a plurality of vehicles, data relating to the use of the vehicle, the use of the component and the evolution of the wear of the component according to the number of kilometers traveled such as those described above with reference to FIGS. 3A, 3B and 3C for example.
  • all of the data collected by the remote server 20 corresponds to data collected and transmitted by a plurality of vehicles similar to the vehicle 10 described with reference to FIG. 1 and comprising a computer 12 connected to a component 11, a controller electronics 13 and a plurality of sensors 14.
  • the remote server 20 is also configured to determine a plurality of classes by implementing an unsupervised classification algorithm, based on component usage and vehicle usage data collected as described above. for a plurality of vehicles.
  • the implementation of the unsupervised classification algorithm makes it possible to identify vehicles with similar component usage and vehicle usage profiles.
  • the vehicle use and component use profiles are associated with the distribution of the use frequencies of the different combinations CP1(1), ..., CP1(N) and CP2(1), ..., CP2 (M) component usage and vehicle usage parameters, respectively.
  • the unsupervised classification can therefore be made from the frequencies of use of the combinations of component wear and vehicle wear parameters collected for each vehicle, for example.
  • the remote server 20 is also configured to determine reference data associated with each of the classes.
  • the reference data relate to the change in the wear parameter of the component as a function of the number of kilometers traveled and are obtained from data on the change in the wear parameter of the component for each of the vehicles in a class.
  • the remote server 20 is configured to transmit to the predictive maintenance device of the vehicle data concerning the pre-established classes and the associated reference data intended to be stored in the memory of the computer 12.
  • the computer 12 is able, from the data collected by the vehicle, ie data relating to the use of the vehicle, the use of the component and the evolution of the wear of the component, and data relating to the plurality of pre-established classes stored in its memory, including the reference data associated with each of the pre-established classes, to deduce a future behavior of the component as described in more detail with reference to FIG. 2.
  • Concerning the future behavior of the component it can be a matter of a future failure of the component, when this one presents an abnormal behavior in terms of wear compared to the vehicles of its class or to predict the value of the wear parameter of the component for example .
  • the vehicle 10 may also include a display (not shown) connected to the computer 12 and intended to display an alert message for the attention of the driver or a dedicated maintenance service, for example when the behavior of the component is abnormal in terms of wear compared to wear data collected for vehicles presenting similar parameters of use of the component and of the vehicle, in order to indicate that maintenance of this component is predictable.
  • a display not shown
  • FIG. 2 describes in more detail the steps of the predictive maintenance method implemented by the computer 12 of the predictive maintenance device.
  • the predictive maintenance method comprises a step S100 of receiving and storing in memory data concerning the classes pre-established by the remote server 20 and reference data associated with each class.
  • the data concerning the pre-established classes make it possible to identify vehicles having similar component use and vehicle use profiles and the reference data are obtained from data on the evolution of the wear parameter of the component for each of the vehicles of the class considered.
  • These reference data can be obtained by a statistical analysis of the evolution data collected for each of the vehicles of the class considered.
  • the reference data can comprise for example positional characteristics (for example the mode, the median, the arithmetic mean, quantiles) and dispersion characteristics (eg range, mean deviation, interquantile deviation, variance, standard deviation and coefficient of variation).
  • the mean value m and the standard deviation s are represented as a function of the number of kilometers traveled for a particular vehicle class.
  • the predictive maintenance method also comprises a step S200 for collecting data relating to the use of the vehicle, data relating to the use of the component and data relating to the evolution of the wear of the component according to the number of kilometers traveled as described previously with reference to FIGS. 3A, 3B and 3C for example. It is recalled here that the data relating to the use of the vehicle and to the use of the component make it possible to establish a use profile of the component and a use profile of the vehicle, that is to say a distribution of the frequencies use of the different combinations of vehicle and component use parameters.
  • the number of times during which each predetermined combination CP2(1), ..., CP2(M) of vehicle usage parameters and the number of times during which each predetermined combination CP1(1), ..., CP1(N) of usage parameters of the component is used are collected. This can be achieved by incrementing a counter, specific to each combination of parameters, each time each of the usage parameters of the component or of the vehicle belongs to a range of values of the combination considered.
  • the evolution of the wear parameter i.e. of the control parameter representative of wear, is also collected according to the number of kilometers travelled. In one embodiment, in order to reduce the volume of data collected, it may involve collecting an average value of the wear parameter obtained over a predetermined distance traveled, for example, every 100 km.
  • the predictive maintenance method also comprises a step S300 of selecting, from among the plurality of pre-established classes stored in memory, a class for which the data relating to the use of the component and the data relating to the use of the vehicle collected during step S200 are similar to those of the vehicles of the selected class.
  • the selection is made so as to select a class for which the vehicle use and component use profiles are similar using data concerning the distribution of the frequencies of use of the different combinations usage parameters of the component CP1 and different combinations of usage parameters of the vehicle CP2 and data concerning the pre-established classes stored in memory.
  • the data about the pre-established classes may correspond to the position of a centroid for each pre-established class and the class having its nearest centroid is selected.
  • step S400 the data relating to the evolution of the wear parameter of the vehicle collected during the step S200 and the reference data associated with the class selected during the step S300 are compared.
  • each value of the wear parameter collected during step S200 is compared with one or more threshold values defined according to the reference data of the class considered.
  • the threshold values S1 and S2 can be determined from position and/or dispersion characteristics described previously for example.
  • the wear parameter i.e. the control parameter representative of component wear
  • the wear parameter can correspond to the closing time of the injector, for example.
  • step S400 may comprise a sub-step of calculating a moving average from the data relating to the evolution of the wear of the component collected during step S200, here the value average of the wear parameter collected every 100 km, and a sub-step for comparing the value of the sliding average with the average m.
  • a step S450 it is determined whether the behavior of the component of the vehicle 10 is abnormal compared to the components of the vehicles of the selected class. For example, an abnormal behavior of the component is detected when the number of times during which a value representative of the wear parameter collected is outside a reference range.
  • the reference range is defined by the two threshold values S1 and S2 described previously. It will be noted that the reference range, and therefore the threshold values S1, S2, can vary according to the number of kilometers traveled as represented by the dotted curves in FIG. 6.
  • step S450 when abnormal behavior is detected during step S450, a future failure of the component is deduced therefrom.
  • an alert message is then transmitted to the attention of the driver or a maintenance service in order to indicate that maintenance of this component is to be expected.
  • Step S200 can be implemented continuously while steps S300, S400, S450 and S500 can be implemented periodically, depending on the number of kilometers traveled by the vehicle.
  • the step S200 of collecting a set of data from the vehicle can therefore also comprise the collection of data relating to the number of kilometers traveled by the vehicle and the step S300, as well as the successive steps, is implemented. works when a predetermined number of kilometers has been traveled by the vehicle, for example when the number of kilometers traveled by the vehicle since the last iteration of these steps is a number less than 10,000 km, for example.
  • step S300 of selecting a class from among the plurality of classes pre-established by the remote server 20 and stored in memory may comprise: - a first sub-step S310 of selecting a plurality of pre-established classes from among a set of pre-established classes according to the number of kilometers traveled by the vehicle 10 determined during step S200, and
  • the set of classes pre-established by the remote server 20 and stored in memory in the electronic maintenance device can include a plurality of subclasses, each subclass being established for a predefined range of kilometers traveled.
  • subclasses C4.1, C4.2, C4.3, C4.4, C4.5, C4.6, C4.7, C4.8, C4.9 are established for vehicles having driven between 0 and 40000km; subclasses C5.1, C5.2, C5.3, C5.4, C5.5, are established for vehicles having driven between 0 and 50,000 km.
  • Each subclass groups together vehicles having similar vehicle and component use profiles for the predetermined range of kilometers traveled. Similarly, the reference data associated with these sub-classes are calculated for the corresponding ranges of kilometers traveled.
  • a vehicle having traveled a distance of 35,000 km during the implementation of step S300 will be assigned a class selected from the group of subclasses C4,1, C4 ,2, C4.3, C4.4, C4.5, C4.6, C4.7, C4.8, C4.9.
  • the division of the set of pre-established classes into different groups of subclasses according to the number of kilometers traveled by the vehicles makes it possible to implement the unsupervised classification algorithm according to the data currently available. This is particularly advantageous when the vehicles used to collect the data have not all traveled long distances. It is then possible to obtain reference data for different ranges of kilometers traveled, the reference data being more precise for the first ranges of kilometers traveled. Indeed, a greater number of vehicles have covered the first ranges of kilometers as illustrated in FIG. 5 by the width of the boxes symbolizing the number of vehicles included in each subclass.
  • the step S100 of receiving and storing in memory data concerning the pre-established classes and the reference data associated with each class can be regularly updated, in particular in order to refine the model, ie the classes and the associated reference data, when the number of kilometers traveled by the different vehicles increases.
  • the data collected by the computer 12 can also be transmitted to the remote server in order to be taken into account by the unsupervised classification algorithm for establishing the classes and for calculating the reference data associated with these classes.
  • the establishment of the classes then includes a sub-step of selecting all the data collected by the different vehicles according to the number of kilometers traveled.
  • the collected data used by the remote server 20 is advantageously transmitted when a predetermined number of kilometers has been traveled by each vehicle. In the example described here, every 10000 km for example.
  • step S450 if abnormal behavior of the component is not detected, it is deduced therefrom that the component behaves like all the components of the selected class and, during the In step S500, a future behavior of the component can be deduced therefrom by predicting the value of the wear parameter of the component after the vehicle has traveled a determined additional distance.
  • the value of at least one wear parameter of the component can be predicted, for a predetermined mileage, using the reference data obtained for a subclass established for a range of kilometers traveled comprising the predetermined mileage .
  • the subclass considered is chosen so that it includes a majority of vehicles having a wear profile of the vehicle and a wear profile of the component similar to that of the vehicle considered for the number of kilometers currently traveled by the vehicle during the implementation of step S300.
  • Step S100 can then comprise the reception and storage in memory of data concerning the subclasses, and more particularly the associated reference data, to be used for the prediction of the value of the wear parameter at the predetermined mileage as a function of the subclass selected in step S320.
  • the subclass will be associated with -class C4,3 a subclass C10,k established for vehicles having driven between 0 and 100,000 km for which the maximum number of vehicles of subclass C4,3 have a profile of use of the vehicle and use of the component similar to class C10,k vehicles.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)
  • Vehicle Cleaning, Maintenance, Repair, Refitting, And Outriggers (AREA)

Abstract

La présente invention concerne un procédé de maintenance prédictive d'un composant (11) d'un véhicule routier (10) et un dispositif de maintenance prédictive configuré pour mettre en œuvre ledit procédé. Le procédé est mis en œuvre par au moins un calculateur (12) relié au composant (11) et comprend les étapes suivantes : a. collecte d'un ensemble de données du véhicule (S200) comprenant : i. des premières données relatives à l'utilisation de premières combinaisons prédéterminées de paramètres d'usage dudit composant (CP1(1),, CP1(N)), ii. des deuxièmes données relatives à l'utilisation de secondes combinaisons prédéterminées de paramètres d'usage dudit véhicule (CP2(1),..., CP2(M)), iii. des troisièmes données permettant d'établir l'évolution d'au moins un paramètre de contrôle du composant représentatif de l'usure du composant (P3) en fonction du nombre de kilomètres parcourus par le véhicule, b. en fonction des premières et deuxièmes données du véhicule, sélection (S300), parmi une pluralité de classes préétablies de véhicules (C1,1,..., C5,5) ayant des premières données et des deuxièmes données similaires, d'une classe pour laquelle les premières données et les secondes données du véhicule sont similaires à celles des véhicules de la classe sélectionnée, c. comparaison des troisièmes données du véhicule avec des données de référence de la classe sélectionnée (S400), les données de référence étant obtenues à partir de données d'évolution dudit paramètre de contrôle représentatif de l'usure du composant de chacun des véhicules de la classe sélectionnée, d. déduction, en fonction du résultat de la comparaison, d'un comportement futur du composant (S500).

Description

Description
Titre : PROCEDE ET SYSTEME DE MAINTENANCE
PREDICTIVE
Domaine technique
[0001] La présente divulgation relève du domaine de la maintenance prédictive de composants d’un véhicule routier.
Technique antérieure
[0002] La maintenance préventive d’un véhicule routier consiste à réaliser de la maintenance programmée de manière à pouvoir remplacer un composant avant que celui-ci ne soit défectueux. Les opérations de maintenance sont généralement programmées en fonction de durées d’exploitation de composants, généralement exprimées en nombre d’heures de fonctionnement, calculées de manière à permettre un remplacement de la pièce avant que celle-ci ne soit défectueuse.
[0003] Cette méthode n’est pas très performante car elle se base sur des valeurs nominales établies pour un ensemble de composants et ne prend pas en compte l’état réel du composant. Ainsi, des composants sont systématiquement remplacés alors que certains d’entre eux pourraient être encore utilisés.
[0004] De plus, en cas de défaillance soudaine des performances du composant, l’utilisateur ne peut que constater la défaillance de son composant, sans avoir été alerté de la dégradation du composant.
[0005] Le document US20180204393A1 propose de prédire un temps d’utilisation ou une distance pouvant être parcourue par le véhicule avant qu’une opération de maintenance d’un composant, tel un filtre à air, soit nécessaire. Cette prédiction est mise en oeuvre lorsque des valeurs moyennes et/ou écart types de données collectées représentatives d’un encrassement du filtre sont supérieures à des seuils. La prédiction se base sur une variation de la valeur moyenne et/ou de l’écart type de données représentatives de l’encrassement du filtre. Ces seuils peuvent être prédéterminés ou estimés en fonction de paramètres tels que la distance parcourue par le véhicule, une historique de conduite du véhicule, une valeur de calibration obtenue lors de l’installation du filtre par exemple. [0006] Cette méthode présente un inconvénient. Les données qui sont acquises concernant l’encrassement du filtre ne sont pas forcément corrélées à un contexte d’utilisation du composant, en plus d’un contexte d’utilisation du véhicule, ce qui ne permet pas d’avoir une grande précision dans la détection et dans la prédiction qui est faite.
Résumé
[0007] La présente divulgation vient améliorer la situation.
[0008] Un but de la présente divulgation est notamment de prédire un comportement futur, par exemple une défaillance future, du composant avec une meilleure fiabilité.
[0009] Il est proposé un procédé de maintenance prédictive d’un composant d’un véhicule routier, le procédé étant mis en oeuvre par au moins un calculateur relié au composant, le procédé comprenant les étapes suivantes : a. collecte d’un ensemble de données du véhicule comprenant : i. des premières données relatives à l’utilisation de premières combinaisons prédéterminées de paramètres d’usage dudit composant, ii. des deuxièmes données relatives à l’utilisation de secondes combinaisons prédéterminées de paramètres d’usage dudit véhicule, iii. des troisièmes données permettant d’établir l’évolution d’au moins un paramètre de contrôle du composant représentatif de l’usure du composant en fonction du nombre de kilomètres parcourus par le véhicule, b. en fonction des premières et deuxièmes données du véhicule, sélection, parmi une pluralité de classes préétablies de véhicules ayant des premières données et des deuxièmes données similaires, d’une classe pour laquelle les premières données et les secondes données du véhicule sont similaires à celles des véhicules de la classe sélectionnée, c. comparaison des troisièmes données du véhicule avec des données de référence de la classe sélectionnée, les données de référence étant obtenues à partir de données d’évolution dudit paramètre de contrôle représentatif de l’usure du composant de chacun des véhicules de la classe sélectionnée, d. déduction, en fonction du résultat de la comparaison, d’un comportement futur du composant.
[0010] Selon un autre aspect, il est proposé un dispositif de maintenance prédictive d’au moins un composant d’un véhicule routier, le dispositif comprenant :
- au moins un calculateur relié au composant comprenant un processeur et une mémoire stockant :
* une pluralité de classes préétablies de véhicules ayant des premières données relatives à l’utilisation de premières combinaisons prédéterminées de paramètres d’usage du composant et des deuxièmes données relatives à l’utilisation de secondes combinaisons prédéterminées de paramètres d’usage du véhicule similaires pour les véhicules appartenant à une même classe, et
* des données de référence associées à chaque classe, les données de référence étant obtenues à partir de données d’évolution dudit paramètre de contrôle représentatif de l’usure du composant de chacun des véhicules de la classe considérée, le au moins un calculateur étant configuré pour : a. collecter un ensemble de données dudit véhicule comprenant : i. des premières données relatives à l’utilisation de premières combinaisons prédéterminées de paramètres d’usage dudit composant, ii. des deuxièmes données relatives à l’utilisation de secondes combinaisons prédéterminées de paramètres d’usage dudit véhicule, iii. des troisièmes données permettant d’établir l’évolution d’au moins un paramètre de contrôle du composant représentatif de l’usure du composant en fonction du nombre de kilomètres parcourus par le véhicule, b. en fonction des premières et deuxièmes données dudit véhicule, sélectionner, parmi la pluralité de classes préétablies stockée dans la mémoire, une classe pour laquelle les premières données et les deuxièmes données dudit véhicule sont similaires à celles des véhicules de la classe sélectionnée, c. comparer des troisièmes données du véhicule avec les données de référence de la classe sélectionnée stockées dans la mémoire, d. déduire, en fonction du résultat de la comparaison, un comportement futur du composant.
[0011] Selon un autre aspect, il est proposé un programme informatique comportant des instructions pour la mise en oeuvre de tout ou partie d’un procédé tel que défini dans les présentes lorsque ce programme est exécuté par un processeur. Selon un autre aspect, il est proposé un support d’enregistrement non transitoire, lisible par un ordinateur, sur lequel est enregistré un tel programme.
[0012] Les caractéristiques exposées dans les paragraphes suivants peuvent, optionnellement, être mises en oeuvre. Elles peuvent être mises en oeuvre indépendamment les unes des autres ou en combinaison les unes avec les autres :
[0013] - le procédé comprend en outre, à l’issue de l’étape de comparaison, une étape de détection d’un comportement anormal du composant par rapport aux composants des véhicules de la classe sélectionnée et l’étape de déduction d’un comportement futur du composant est une étape de déduction d’une défaillance future du composant ;
[0014] - les données de référence de la classe sélectionnée comprennent des données de dispersion du paramètre de contrôle autour d’une valeur moyenne obtenue pour tous les véhicules de la classe sélectionnée, et l’étape de comparaison comprend la comparaison des valeurs du paramètre de contrôle dudit véhicule pour un nombre de kilomètres parcourus avec les données de dispersion correspondantes ;
[0015] - le procédé comprend en outre l’émission d’un message d’alerte lorsqu’un comportement anormal d’un composant d’un véhicule est détecté à l’issue de l’étape de comparaison ;
[0016] - les premières données comprennent une pluralité de fréquences d’utilisation de chaque combinaison prédéterminée de paramètres d’usage du composant et les deuxièmes données comprennent une pluralité de fréquences d’utilisation de chaque combinaison prédéterminée de paramètres d’usage dudit véhicule ; [0017] - la pluralité de classes préétablies est obtenue par la mise en œuvre d’un algorithme de classification non supervisée à partir des premières et secondes données collectées pour une pluralité de véhicules ;
[0018] - l’étape de collecte d’un ensemble de données du véhicule comprend en outre la collecte de quatrièmes données relatives au nombre de kilomètres parcourus par le véhicule, et l’étape de sélection d’une classe de véhicules comprend :
* la sélection d’une pluralité de classes préétablies parmi un ensemble de classes préétablies en fonction du nombre de kilomètres parcourus par le véhicule, et
* la sélection d’une classe parmi la pluralité de classes en fonction des premières et deuxièmes données dudit véhicule ;
[0019] - le calculateur est configuré pour, à l’issue de la comparaison, détecter un comportement anormal du composant par rapport aux composants des véhicules de la classe sélectionnée et en déduire une défaillance future du composant.
Brève description des dessins
[0020] D’autres caractéristiques, détails et avantages apparaîtront à la lecture de la description détaillée ci-après, et à l’analyse des dessins annexés, sur lesquels :
Fig. 1
[0021] [Fig. 1] représente un système de maintenance prédictive selon un mode de réalisation.
Fig. 2
[0022] [Fig. 2] représente un procédé de maintenance prédictive selon un mode de réalisation.
Fig. 3A
[0023] [Fig. 3A] représente un premier ensemble de données collectées par un véhicule selon un mode de réalisation.
Fig. 3B [0024] [Fig. 3B] représente un deuxième ensemble de données collectées par un véhicule selon un mode de réalisation.
Fig. 3C
[0025] [Fig. 3C] représente un troisième ensemble de données collectées par un véhicule selon un mode de réalisation.
Fig. 4
[0026] [Fig. 4] illustre une combinaison de paramètres d’usage du véhicule.
Fig. 5
[0027] [Fig. 5] représente un ensemble de classes utilisées par le procédé de la figure 2.
Fig. 6
[0028] [Fig. 6] représente l’évolution d’un paramètre de contrôle pour une classe sélectionnée et pour le véhicule concerné.
Description des modes de réalisation
[0029] Les dessins et la description ci-après contiennent, pour l’essentiel, des éléments de caractère certain. Ils pourront donc non seulement servir à mieux faire comprendre la présente divulgation, mais aussi contribuer à sa définition, le cas échéant.
[0030] La figure 1 illustre un système de maintenance prédictive adapté pour mettre en oeuvre le procédé de maintenance prédictive de la figure 2 selon un mode de réalisation. Le système de maintenance prédictive comporte un dispositif de maintenance prédictive installé à bord d’un véhicule routier 10, ici une voiture, et un serveur distant 20 apte à communiquer avec le dispositif de maintenance prédictive installé dans le véhicule. On entend par véhicule routier, tout véhicule doté d’un moteur (généralement à explosion ou électrique) destiné à le mouvoir sur la route et capable de transporter des personnes ou des charges.
[0031] Le véhicule 10 comprend au moins un composant 11, au moins un calculateur 12, au moins un contrôleur électronique 13 du composant et une pluralité de capteurs 14. Le calculateur 12 est relié au composant 11, au contrôleur électronique 13 et à la pluralité de capteurs 14, par exemple, en passant par un bus de communication de données de type CAN (« Controller Area Network », en anglais) ou FlexRAy. Le calculateur 12 peut être configuré pour communiquer directement avec le serveur distant 20, lorsque le calculateur 12 comporte des interfaces de communication adaptées, ou indirectement, par l’intermédiaire d’un autre calculateur comportant des interfaces de communication adaptées. Dans ce cas, les données sont transmises entre les deux calculateurs distincts par le biais du bus de communication de données mentionné précédemment. On notera que le contrôleur électronique 13 du composant peut être distinct (comme illustré ici) ou être intégré dans le calculateur 12.
[0032] Dans l’exemple décrit ici, le calculateur 12 est un contrôleur moteur (« Electronic Control Unit » en anglais) et comprend au moins un processeur, une mémoire et des interfaces de communications avec différents actionneurs et capteurs du véhicule et plus particulièrement du moteur ainsi que des interfaces de communication avec le serveur distant 20. Le contrôleur électronique 13 du composant 12 est configuré pour mettre en œuvre une loi de contrôle prédéterminée en fonction de différents paramètres mesurés par différents capteurs propres au composant mais pas uniquement. Le contrôleur électronique 13 comprend également au moins un processeur, une mémoire et des interfaces de communications avec les différents capteurs le cas échéant.
[0033] En outre, le contrôleur électronique 13, lors du contrôle du composant 11, obtient une mesure d’un paramètre intervenant dans la loi de contrôle et représentatif de l’usure du composant, appelé aussi paramètre de contrôle du composant. Cette valeur est avantageusement périodiquement collectée par le calculateur 12 afin de connaître l’évolution du paramètre d’usure du composant en fonction du nombre de kilomètres parcourus.
[0034] Une partie des capteurs 14 permet d’acquérir des caractéristiques physiques décrivant le comportement dynamique du véhicule 10. Dans un exemple de réalisation, les capteurs 14 permettent d’acquérir des paramètres d’usage du véhicule tels que la vitesse, le couple moteur, la température du moteur, la position de la pédale d’accélération, l’accélération ou la décélération du véhicule, l’angle du volant ou l’angle de braquage par exemple.
[0035] Une autre partie des capteurs 14 peut être utilisée pour obtenir des paramètres d’usage du composant considéré. Avantageusement, les paramètres d’usage du composant sont des paramètres ayant une influence sur l’usure du composant. Les paramètres d’usage du composant peuvent aussi être obtenus par le biais du contrôleur électronique 13 lorsque celui-ci est distinct du calculateur 12 et par le biais du calculateur 12, ici du contrôleur moteur. Il peut s’agir par exemple, dans le cas d’un injecteur de carburant pour véhicule automobile, de paramètres tels que la pression d’injection du carburant, la température du carburant, la quantité de carburant injectée et la vitesse de la pompe à injection. Bien entendu, d’autres types de composants et donc d’autres paramètres d’usage de composant peuvent être considérés.
[0036] Un odomètre peut également être compris parmi les capteurs 14 afin de déterminer le nombre de kilomètres parcourus par le véhicule.
[0037] Le calculateur 12 est configuré pour collecter des données relatives à l’usage du véhicule, à l’usage du composant et à l’évolution de l’usure du composant en fonction du nombre de kilomètres parcourus.
[0038] En particulier, les données relatives à l’usage du véhicule et à l’usage du composant peuvent correspondre à des données relatives à l’utilisation de combinaisons prédéterminées de paramètres d’usage du composant et d’usage du véhicule, respectivement.
[0039] Les données relatives à l’usage du composant collectées peuvent comprendre des fréquences d’utilisation de combinaisons prédéterminées de paramètres d’usage du composant. Comme illustré sur la figure 3A, pour chaque combinaison prédéterminée de paramètres d’usage du composant CP1 (1 ), ..., CP1(N), le calculateur 12 comptabilise le nombre de fois pendant lequel une combinaison particulière de paramètres d’usage du composant a été utilisée de manière similaire à ce qui est décrit dans le passage p. 7, I. 10 à p.8, I. 17 de la demande de brevet déposée sous le numéro FR1900865 au nom du déposant dans le cas de paramètres d’usure d’un injecteur de carburant. [0040] Avantageusement, comme illustré sur la figure 4, chaque paramètre d’usage, A, B, C du composant par exemple, est divisé en une pluralité de plages de valeurs {a1, ..., a20}, {b1, ..., b3}, {c1, ..., c3}, respectivement. Chaque combinaison prédéterminée CP1 (1 ), ..., CP1(N) de paramètres d’usage du composant correspond à une combinaison particulière d’une ou plusieurs plages de valeurs de chacun des paramètres A, B, C, d’usage du composant par exemple CP1(1) = {a1, a2 ; b2 ; c3}, ..., CP1(N) = {a20 ; b1 ; c1}. Les données ainsi collectées permettent d’établir un profil d’usage du composant pour le véhicule considéré.
[0041] Les données relatives à l’usage du véhicule collectées peuvent comprendre des fréquences d’utilisation de combinaisons prédéterminées de paramètres d’usage du véhicule. Comme illustré sur la figure 3B, pour chaque combinaison prédéterminée de paramètres d’usage du véhicule CP2(1), ..., CP2(N), le calculateur 12 comptabilise le nombre de fois pendant lequel une combinaison particulière de paramètres d’usage du véhicule a été utilisée. On notera que les combinaisons de paramètres d’usage du véhicule sont définies de manière similaire à ce qui a été décrit en référence à la figure 4. Il s’agit donc de combinaisons de plages de valeurs des différents paramètres d’usage du véhicule. Les données ainsi collectées permettent d’établir un profil d’usage du véhicule concerné.
[0042] Par ailleurs, les données relatives à l’évolution de l’usure du composant correspondent à des données relatives à l’évolution d’au moins un paramètre d’usure P3 du composant en fonction du nombre de kilomètres parcourus comme illustré de manière schématique en référence à la figure 3C. Dans le cas d’un injecteur de carburant, il peut s’agir par exemple du temps de fermeture de l’injecteur qui est représentatif de l’usure de l’aiguille de l’injecteur.
[0043] Comme cela est visible sur la figure 3C, le paramètre d’usure du composant, i.e. le paramètre de contrôle représentatif de l’usure du composant, évolue en fonction du nombre de kilomètres parcourus. L’évolution du paramètre d’usure est corrélée à la façon dont le véhicule et le composant sont utilisés et donc aux profils d’usage du véhicule et du composant. [0044] Par ailleurs, comme mentionné précédemment, le dispositif de maintenance prédictive comprenant le calculateur 12 est apte à communiquer avec le serveur distant 20. Le serveur distant 20 est configuré pour collecter, pour une pluralité de véhicules, des données relatives à l’usage du véhicule, à l’usage du composant et à l’évolution de l’usure du composant en fonction du nombre de kilomètres parcourus telles que celles décrites précédemment en référence aux figures 3A, 3B et 3C par exemple. En particulier, l’ensemble des données collectées par le serveur distant 20 correspond à des données collectées et transmises par une pluralité de véhicules semblables au véhicule 10 décrit en référence à la figure 1 et comprenant un calculateur 12 relié à un composant 11, un contrôleur électronique 13 et à une pluralité de capteurs 14.
[0045] Le serveur distant 20 est également configuré pour déterminer une pluralité de classes par la mise en œuvre d’un algorithme de classification non supervisée, à partir de données d’usage de composant et d’usage du véhicule collectées tel que décrit précédemment pour une pluralité de véhicules. La mise en œuvre de l’algorithme de classification non supervisée permet d’identifier les véhicules ayant des profils d’usage du composant et d’usage du véhicule similaires. Les profils d’usage du véhicule et d’usage du composant sont associés à la répartition des fréquences d’utilisation des différentes combinaisons CP1 (1 ), ..., CP1(N) et CP2(1), ..., CP2(M) de paramètres d’usage du composant et d’usage du véhicule, respectivement. La classification non-supervisée peut donc se faire à partir des fréquences d’utilisation des combinaisons de paramètres d’usure de composant et d’usure de véhicule collectées pour chaque véhicule par exemple.
[0046] Le serveur distant 20 est aussi configuré pour déterminer des données de référence associées à chacune des classes. Les données de référence sont relatives à l’évolution du paramètre d’usure du composant en fonction du nombre de kilomètres parcourus et sont obtenues à partir de données d’évolution du paramètre d’usure du composant de chacun des véhicules d’une classe.
[0047] Enfin, le serveur distant 20 est configuré pour transmettre au dispositif de maintenance prédictive du véhicule des données concernant les classes préétablies et les données de référence associées destinées à être stockées dans la mémoire du calculateur 12. [0048] Ainsi, le calculateur 12 est capable, à partir des données collectées par le véhicule, i.e. des données relatives à l’usage du véhicule, à l’usage du composant et à l’évolution de l’usure du composant, et des données relatives à la pluralité de classes préétablies stockées dans sa mémoire, y compris les données de référence associées à chacune des classes préétablies, de déduire un comportement futur du composant comme décrit plus en détail en référence à la figure 2. Concernant le comportement futur du composant, il peut s’agir d’une défaillance future du composant, lorsque celui-ci présente un comportement anormal en termes d’usure par rapport aux véhicules de sa classe ou de prédire la valeur du paramètre d’usure du composant par exemple.
[0049] Dans un mode de réalisation, le véhicule 10 peut également comprendre un afficheur (non représenté) relié au calculateur 12 et destiné à afficher un message d’alerte à l’attention du conducteur ou d’un service de maintenance dédié, par exemple lorsque le comportement du composant est anormal en termes d’usure par rapport à des données d’usure recueillies pour des véhicules présentant des paramètres d’usage du composant et du véhicule similaires, afin d’indiquer qu’une maintenance de ce composant est à prévoir.
[0050] La figure 2 décrit plus en détail les étapes du procédé de maintenance prédictive mises en œuvre par le calculateur 12 du dispositif de maintenance prédictive.
[0051] En référence à ce qui a été décrit précédemment, le procédé de maintenance prédictive comprend une étape S100 de réception et de stockage en mémoire de données concernant les classes préétablies par le serveur distant 20 et de données de référence associées à chaque classe.
[0052] Les données concernant les classes préétablies permettent d’identifier des véhicules ayant des profils d’usage du composant et d’usage du véhicule similaires et les données de référence sont obtenues à partir de données d’évolution du paramètre d’usure du composant pour chacun des véhicules de la classe considérée. Ces données de référence peuvent être obtenues par une analyse statistique des données d’évolution collectées pour chacun des véhicules de la classe considérée. Ainsi, les données de référence peuvent comprendre par exemple des caractéristiques de position (par exemple le mode, la médiane, la moyenne arithmétique, les quantiles) et des caractéristiques de dispersion (par exemple l’étendue, l’écart moyen, l’écart interquantiles, la variance, l’écart-type et le coefficient de variation). Dans l’exemple de la figure 6, la valeur moyenne m et l’écart type s sont représentés en fonction du nombre de kilomètres parcourus pour une classe de véhicules particulière.
[0053] Le procédé de maintenance prédictive comprend également une étape S200 de collecte de données relatives à l’usage du véhicule, de données relatives à l’usage du composant et de données relatives à l’évolution de l’usure du composant en fonction du nombre de kilomètres parcourus tel que décrit précédemment en référence aux figures 3A, 3B et 3C par exemple. On rappelle ici que les données relatives à l’usage du véhicule et à l’usage du composant permettent d’établir un profil d’usage du composant et un profil d’usage du véhicule c’est-à-dire une répartition des fréquences d’utilisation des différentes combinaisons de paramètres d’usage du véhicule et du composant.
[0054] En particulier, le nombre de fois pendant lequel chaque combinaison prédéterminée CP2(1), ..., CP2(M) de paramètres d’usage du véhicule et le nombre de fois pendant lequel chaque combinaison prédéterminée CP1 (1 ), ..., CP1(N) de paramètres d’usage du composant est utilisée sont collectés. Cela peut être réalisé en incrémentant un compteur, propre à chaque combinaison de paramètres, chaque fois que chacun des paramètres d’usage du composant ou du véhicule appartient à une plage de valeurs de la combinaison considérée. L’évolution du paramètre d’usure, i.e. du paramètre de contrôle représentatif de l’usure, est également collectée en fonction du nombre de kilomètres parcourus. Dans un mode de réalisation, afin d’alléger le volume de données collectées, il peut s’agir de collecter une valeur moyenne du paramètre d’usure obtenue sur une distance parcourue prédéterminée, par exemple, tous les 100 km.
[0055] Le procédé de maintenance prédictive comprend également une étape S300 de sélection, parmi la pluralité de classes préétablies stockées en mémoire, d’une classe pour laquelle les données relatives à l’usage du composant et les données relatives à l’usage du véhicule collectées lors de l’étape S200 sont similaires à celles des véhicules de la classe sélectionnée. [0056] Plus précisément, la sélection est faite de manière à sélectionner une classe pour laquelle les profils d’usage de véhicule et d’usage de composants sont similaires à l’aide des données concernant la répartition des fréquences d’utilisation des différentes combinaisons de paramètres d’usage du composant CP1 et des différentes combinaisons de paramètres d’usage du véhicule CP2 et des données concernant les classes préétablies stockées en mémoire. Par exemple, les données concernant les classes préétablies peuvent correspondre à la position d’un centroïde pour chaque classe préétablie et la classe ayant son centroïde le plus proche est sélectionné.
[0057] Ensuite, lors d’une étape S400, les données relatives à l’évolution du paramètre d’usure du véhicule collectées lors de l’étape S200 et les données de référence associées à la classe sélectionnée lors de l’étape S300 sont comparées.
[0058] Dans un exemple de réalisation, on compare chaque valeur du paramètre d’usure collecté lors de l’étape S200 à une ou plusieurs valeurs seuil définies en fonction des données de référence de la classe considérée. Les valeurs seuil S1 et S2 peuvent être déterminées à partir de caractéristiques de position et/ou de dispersion décrites précédemment par exemple.
[0059] Dans l’exemple de la figure 6, on vérifie si une valeur du paramètre d’usure collectée pour le véhicule, représentée par une croix sur la figure, est :
- supérieure à une première valeur seuil S1 correspondant à m + s, ou
- inférieure à une seconde valeur seuil S2 correspondant à m - s, m étant la valeur moyenne et s l’écart type, sur l’ensemble des véhicules appartenant à la classe, du paramètre d’usure P3 du composant pour un nombre de kilomètres parcourus donné.
[0060] On rappelle que dans le cas d’un injecteur de carburant, le paramètre d’usure, i.e. le paramètre de contrôle représentatif de l’usure de composant, peut correspondre au temps de fermeture de l’injecteur par exemple.
[0061] De manière alternative ou additionnelle, l’étape S400 peut comprendre une sous-étape de calcul d’une moyenne glissante à partir des données relatives à l’évolution de l’usure du composant collectées lors de l’étape S200, ici la valeur moyenne du paramètre d’usure collectée tous les 100 km, et une sous-étape de comparaison de la valeur de la moyenne glissante avec la moyenne m.
[0062] Ensuite, lors d’une étape S450, on détermine si le comportement du composant du véhicule 10 est anormal par rapport aux composants des véhicules de la classe sélectionnée. Par exemple, on détecte un comportement anormal du composant lorsque le nombre de fois pendant lequel une valeur représentative du paramètre d’usure collecté se trouve hors d’une plage de référence. Dans l’exemple de la figure 6, la plage de référence est définie par les deux valeurs seuil S1 et S2 décrites précédemment. On notera que la plage de référence, et donc les valeurs seuil S1, S2, peuvent varier en fonction du nombre de kilomètres parcourus comme représenté par les courbes en pointillé sur la figure 6.
[0063] Ensuite, lors d’une étape S500, on en déduit un comportement futur du composant.
[0064] Dans un mode de réalisation, lorsqu’un comportement anormal est détecté lors de l’étape S450, on en déduit une défaillance future du composant. Lors de l’étape S600, un message d’alerte est alors émis à l’attention du conducteur ou d’un service de maintenance afin d’indiquer qu’une maintenance de ce composant est à prévoir.
[0065] L’étape S200 peut être mise en oeuvre en continu alors que les étapes S300, S400, S450 et S500 peuvent être mises en oeuvre de manière périodique, en fonction du nombre de kilomètres parcourus par le véhicule.
[0066] L’étape S200 de collecte d’un ensemble de données du véhicule peut donc comprendre en outre la collecte de données relatives au nombre de kilomètres parcourus par le véhicule et l’étape S300, ainsi que les étapes successives, est mise en oeuvre lorsqu’un nombre prédéterminé de kilomètres a été parcouru par le véhicule par exemple lorsque le nombre de kilomètres parcourus par le véhicule depuis la dernière itération de ces étapes est un nombre inférieur à 10000 km par exemple.
[0067] Par ailleurs, dans un mode de réalisation, l’étape S300 de sélection d’une classe parmi la pluralité de classes préétablies par le serveur distant 20 et stockées en mémoire peut comprendre : - une première sous-étape S310 de sélection d’une pluralité de classes préétablies parmi un ensemble de classes préétablies en fonction du nombre de kilomètres parcourus par le véhicule 10 déterminé lors de l’étape S200, et
- une seconde sous-étape S320 de sélection d’une classe parmi la pluralité de classes sélectionnées lors de la sous-étape S310.
[0068] En effet, comme illustré en référence à la figure 5, l’ensemble de classes préétablies par le serveur distant 20 et stockées en mémoire dans le dispositif de maintenance électronique peut comprendre une pluralité de sous-classes, chaque sous-classe étant établie pour une plage de kilomètres parcourus prédéfinie.
[0069] Dans l’exemple de la figure 5, les sous-classes C1,1, C1 ,2, C1 ,3, C1 ,4, C1 ,5, C1 ,6 sont établies pour des véhicules ayant roulé entre 0 et 10000 km ;
- les sous-classes C2,1, C2,2, C2,3, C2,4, C2,5, C2,6 sont établies pour des véhicules ayant roulé entre 0 et 20000 km ;
- les sous-classes C3,1, C3,2, C3,3, C3,4, C3,5, sont établies pour des véhicules ayant roulé entre 0 et 30000 km ;
- les sous-classes C4,1, C4,2, C4,3, C4,4, C4,5, C4,6, C4,7, C4,8, C4,9 sont établies pour des véhicules ayant roulé entre 0 et 40000 km ; les sous-classes C5,1, C5,2, C5,3, C5,4, C5,5, sont établies pour des véhicules ayant roulé entre 0 et 50000 km.
[0070] Chaque sous-classe regroupe des véhicules ayant des profils d’usage de véhicule et de composant similaires pour la plage de kilomètres parcourus prédéterminée. De même, les données de références associées à ces sous- classes sont calculées pour les plages de kilomètres parcourus correspondants.
[0071] Dans l’exemple de la figure 5, un véhicule ayant parcouru une distance de 35000 km lors de la mise en oeuvre de l’étape S300 se verra attribuer une classe sélectionnée parmi le groupe de sous-classes C4,1, C4,2, C4,3, C4,4, C4,5, C4,6, C4,7, C4,8, C4,9.
[0072] Ainsi, la division de l’ensemble de classes préétablies en différents groupes de sous-classes selon le nombre de kilomètres parcourus par les véhicules permet de mettre en oeuvre l’algorithme de classification non-supervisée en fonction des données actuellement disponibles. Cela est particulièrement avantageux lorsque les véhicules utilisés pour collecter les données n’ont pas tous parcourus de grandes distances. Il est alors possible d’obtenir des données de référence pour différentes plages de kilomètres parcourus, les données de référence étant plus précises pour les premières plages de kilomètres parcourus. En effet, un plus grand nombre de véhicules a parcouru les premières plages de kilomètres comme illustré sur la figure 5 par la largeur des cases symbolisant le nombre de véhicules compris dans chaque sous-classe.
[0073] Avantageusement, l’étape S100 de réception et de stockage en mémoire de données concernant les classes préétablies et les données de référence associées à chaque classe peut être régulièrement mise à jour, notamment afin d’affiner le modèle, i.e. les classes et les données de référence associées, lorsque le nombre de kilomètres parcourus par les différents véhicules augmente.
[0074] Par ailleurs, on notera que les données collectées par le calculateur 12 peuvent également être transmises au serveur distant afin d’être prises en compte par l’algorithme de classification non-supervisée pour l’établissement des classes et pour le calcul des données de référence associées à ces classes. L’établissement des classes comprend alors une sous-étape de sélection de l’ensemble des données collectées par les différents véhicules en fonction du nombre de kilomètres parcours. Ainsi, les données collectées utilisées par le serveur distant 20 sont avantageusement transmises lorsqu’un nombre prédéterminé de kilomètres a été parcouru par chaque véhicule. Dans l’exemple décrit ici, tous les 10000 km par exemple.
[0075] Dans une variante de réalisation, lors de l’étape S450, si l’on ne détecte pas un comportement anormal du composant, on en déduit que le composant se comporte comme tous les composants de la classe sélectionnée et, lors de l’étape S500, on peut en déduire un comportement futur du composant en prédisant la valeur du paramètre d’usure du composant après que le véhicule ait parcouru une distance supplémentaire déterminée. En particulier, on peut prédire la valeur d’au moins un paramètre d’usure du composant, pour un kilométrage prédéterminé, à l’aide des données de référence obtenues pour une sous-classe établie pour une plage de kilomètres parcourus comprenant le kilométrage prédéterminé. [0076] De manière avantageuse, la sous-classe considérée est choisie de sorte qu’elle comporte une majorité de véhicules ayant un profil d’usure du véhicule et un profil d’usure du composant similaires à celui du véhicule considéré pour le nombre de kilomètres actuellement parcourus par le véhicule lors de la mise en oeuvre de l’étape S300. L’étape S100 peut alors comprendre la réception et le stockage en mémoire de données concernant les sous-classes, et plus particulièrement les données de référence associées, à utiliser pour la prédiction de la valeur du paramètre d’usure au kilométrage prédéterminé en fonction de la sous-classe sélectionnée lors de l’étape S320. Par exemple, selon l’exemple précédent, si la sous-classe C4,3 a été sélectionnée lors de l’étape S320 et que la valeur du paramètre d’usure doit être prédit pour une distance de 100000 km, on associera à la sous-classe C4,3 une sous-classe C10,k établie pour des véhicules ayant roulé entre 0 et 100000 km pour laquelle le maximum de véhicules de la sous-classe C4,3 ont un profil d’usage du véhicule et d’usage du composant similaire aux véhicules de la classe C10,k.
[0077] Il est ensuite possible, à l’aide du au moins un paramètre d’usure d’en déduire une durée de fin de vie du composant par exemple.

Claims

Revendications
[Revendication 1] Procédé de maintenance prédictive d’un composant (11) d’un véhicule routier (10), le procédé étant mis en œuvre par au moins un calculateur (12) relié au composant (11), le procédé comprenant les étapes suivantes : a. collecte d’un ensemble de données du véhicule (S200) comprenant : i. des premières données relatives à l’utilisation de premières combinaisons prédéterminées de paramètres d’usage dudit composant (CP1 (1 ), ..., CP1(N)), ii. des deuxièmes données relatives à l’utilisation de secondes combinaisons prédéterminées de paramètres d’usage dudit véhicule (CP2(1 ), ..., CP2(M)), iii. des troisièmes données permettant d’établir l’évolution d’au moins un paramètre de contrôle du composant représentatif de l’usure du composant (P3) en fonction du nombre de kilomètres parcourus par le véhicule, b. en fonction des premières et deuxièmes données du véhicule, sélection (S300), parmi une pluralité de classes préétablies de véhicules (C1,1, ..., C5,5) ayant des premières données et des deuxièmes données similaires, d’une classe pour laquelle les premières données et les secondes données du véhicule sont similaires à celles des véhicules de la classe sélectionnée, c. comparaison des troisièmes données du véhicule avec des données de référence de la classe sélectionnée (S400), les données de référence étant obtenues à partir de données d’évolution dudit paramètre de contrôle représentatif de l’usure du composant de chacun des véhicules de la classe sélectionnée, d. déduction, en fonction du résultat de la comparaison, d’un comportement futur du composant (S500).
[Revendication 2] Procédé (100) de maintenance prédictive d’un composant (11) selon la revendication précédente, dans lequel :
- le procédé comprend en outre, à l’issue de l’étape de comparaison, une étape de détection (S450) d’un comportement anormal du composant par rapport aux composants des véhicules de la classe sélectionnée, et
- l’étape de déduction d’un comportement futur du composant (S500) est une étape de déduction d’une défaillance future du composant.
[Revendication 3] Procédé de maintenance prédictive d’un composant (11) selon l’une quelconque des revendications précédentes, dans lequel :
- les données de référence de la classe sélectionnée comprennent des données de dispersion du paramètre de contrôle autour d’une valeur moyenne obtenue pour tous les véhicules de la classe sélectionnée, et
- l’étape de comparaison (S400) comprend la comparaison des valeurs du paramètre de contrôle dudit véhicule pour un nombre de kilomètres parcourus avec les données de dispersion correspondantes.
[Revendication 4] Procédé de maintenance prédictive d’un composant (11) selon la revendication précédente, dans lequel le procédé comprend en outre l’émission d’un message d’alerte (S600) lorsqu’un comportement anormal d’un composant d’un véhicule est détecté à l’issue de l’étape de comparaison.
[Revendication 5] Procédé de maintenance prédictive d’un composant (11) selon l’une quelconque des revendications précédentes, dans lequel :
- les premières données comprennent une pluralité de fréquences d’utilisation de chaque combinaison prédéterminée de paramètres d’usage du composant ;
- les deuxièmes données comprennent une pluralité de fréquences d’utilisation de chaque combinaison prédéterminée de paramètres d’usage dudit véhicule.
[Revendication 6] Procédé de maintenance prédictive d’un composant (11) selon l’une quelconque des revendications précédentes, dans lequel :
- la pluralité de classes préétablies est obtenue par la mise en œuvre d’un algorithme de classification non supervisée à partir des premières et secondes données collectées pour une pluralité de véhicules.
[Revendication 7] Procédé de maintenance prédictive d’un composant (11) selon l’une quelconque des revendications précédentes, dans lequel :
- l’étape de collecte d’un ensemble de données du véhicule (S200) comprend en outre la collecte de quatrièmes données relatives au nombre de kilomètres parcourus par le véhicule,
- l’étape de sélection (S300) d’une classe de véhicules comprend :
* la sélection d’une pluralité de classes préétablies parmi un ensemble de classes préétablies en fonction du nombre de kilomètres parcourus par le véhicule (S310), et
* la sélection d’une classe parmi la pluralité de classes en fonction des premières et deuxièmes données dudit véhicule (S320).
[Revendication 8] Dispositif de maintenance prédictive d’au moins un composant (11 ) d’un véhicule routier (10), le dispositif comprenant : - au moins un calculateur (12) relié au composant (11) comprenant un processeur et une mémoire stockant :
* une pluralité de classes préétablies de véhicules ayant des premières données relatives à l’utilisation de premières combinaisons prédéterminées de paramètres d’usage du composant et des deuxièmes données relatives à l’utilisation de secondes combinaisons prédéterminées de paramètres d’usage du véhicule similaires pour les véhicules appartenant à une même classe, et
* des données de référence associées à chaque classe, les données de référence étant obtenues à partir de données d’évolution dudit paramètre de contrôle représentatif de l’usure du composant de chacun des véhicules de la classe considérée, le au moins un calculateur étant configuré pour : a. collecter un ensemble de données dudit véhicule comprenant : i. des premières données relatives à l’utilisation de premières combinaisons prédéterminées de paramètres d’usage dudit composant, ii. des deuxièmes données relatives à l’utilisation de secondes combinaisons prédéterminées de paramètres d’usage dudit véhicule, iii. des troisièmes données permettant d’établir l’évolution d’au moins un paramètre de contrôle du composant représentatif de l’usure du composant en fonction du nombre de kilomètres parcourus par le véhicule, b. en fonction des premières et deuxièmes données dudit véhicule, sélectionner, parmi la pluralité de classes préétablies stockée dans la mémoire, une classe pour laquelle les premières données et les deuxièmes données dudit véhicule sont similaires à celles des véhicules de la classe sélectionnée, c. comparer des troisièmes données du véhicule avec les données de référence de la classe sélectionnée stockées dans la mémoire, d. déduire, en fonction du résultat de la comparaison, un comportement futur du composant.
[Revendication 9] Dispositif de maintenance prédictive d’au moins un composant (11) d’un véhicule routier (10) selon la revendication 8, dans lequel le calculateur est configuré pour, à l’issue de la comparaison, détecter un comportement anormal du composant par rapport aux composants des véhicules de la classe sélectionnée et en déduire une défaillance future du composant.
[Revendication 10] Programme informatique comportant des instructions pour la mise en oeuvre du procédé selon l’une des revendications 1 à 7 lorsque ce programme est exécuté par un processeur.
[Revendication 11] Support d’enregistrement non transitoire lisible par un ordinateur sur lequel est enregistré un programme pour la mise en oeuvre du procédé selon l’une des revendications 1 à 7 lorsque ce programme est exécuté par un processeur.
PCT/EP2021/066256 2020-07-15 2021-06-16 Procede et systeme de maintenance predictive WO2022012837A1 (fr)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202180049143.XA CN116235123A (zh) 2020-07-15 2021-06-16 预测性维护方法和系统
US18/016,337 US20230315082A1 (en) 2020-07-15 2021-06-16 Predictive maintenance method and system

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2007414A FR3112622B1 (fr) 2020-07-15 2020-07-15 Procédé et système de maintenance prédictive
FRFR2007414 2020-07-15

Publications (1)

Publication Number Publication Date
WO2022012837A1 true WO2022012837A1 (fr) 2022-01-20

Family

ID=72885723

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2021/066256 WO2022012837A1 (fr) 2020-07-15 2021-06-16 Procede et systeme de maintenance predictive

Country Status (4)

Country Link
US (1) US20230315082A1 (fr)
CN (1) CN116235123A (fr)
FR (1) FR3112622B1 (fr)
WO (1) WO2022012837A1 (fr)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0661673A1 (fr) * 1993-12-28 1995-07-05 Valeo Electronique Procédé de gestion de la maintenance d'un véhicule, ordinateur de bord et station de diagnostic associée mettant en oeuvre le procédé
DE10235525A1 (de) * 2001-09-10 2003-04-10 Daimler Chrysler Ag Verfahren und System zur Überwachung des Zustands eines Fahrzeugs
US20180204393A1 (en) 2017-01-18 2018-07-19 Ford Global Technologies, Llc Method for monitoring component life
US20190385386A1 (en) * 2018-02-08 2019-12-19 Geotab Inc. System for telematically providing vehicle component rating
CN111368366A (zh) * 2018-12-06 2020-07-03 比亚迪股份有限公司 车辆零部件健康状态分析的方法和装置、及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0661673A1 (fr) * 1993-12-28 1995-07-05 Valeo Electronique Procédé de gestion de la maintenance d'un véhicule, ordinateur de bord et station de diagnostic associée mettant en oeuvre le procédé
DE10235525A1 (de) * 2001-09-10 2003-04-10 Daimler Chrysler Ag Verfahren und System zur Überwachung des Zustands eines Fahrzeugs
US20180204393A1 (en) 2017-01-18 2018-07-19 Ford Global Technologies, Llc Method for monitoring component life
US20190385386A1 (en) * 2018-02-08 2019-12-19 Geotab Inc. System for telematically providing vehicle component rating
CN111368366A (zh) * 2018-12-06 2020-07-03 比亚迪股份有限公司 车辆零部件健康状态分析的方法和装置、及存储介质

Also Published As

Publication number Publication date
FR3112622B1 (fr) 2022-07-15
FR3112622A1 (fr) 2022-01-21
US20230315082A1 (en) 2023-10-05
CN116235123A (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
EP3039497B1 (fr) Surveillance d'un moteur d'aéronef pour anticiper les opérations de maintenance
CA2746537C (fr) Standardisation de donnees utilisees pour la surveillance d'un moteur d'aeronef
EP3215903B1 (fr) Outil de validation d'un système de surveillance d'un moteur d'aéronef
FR2939924A1 (fr) Identification de defaillances dans un moteur d'aeronef
EP2630548A1 (fr) Procédé et dispositif de surveillance d'une boucle d'asservissement d'un système d'actionnement de géométries variables d'un turboréacteur
FR3042883A1 (fr) Procede d'adaptation automatique des conditions d'etablissement de diagnostic par un systeme de diagnostic embarque
FR3035232A1 (fr) Systeme de surveillance de l'etat de sante d'un moteur et procede de configuration associe
FR3056002B1 (fr) Procede d’analyse de donnees de composants de vehicules
WO2022012837A1 (fr) Procede et systeme de maintenance predictive
WO2020157172A1 (fr) Procédés et dispositifs de maintenance prédictive de composants d'un véhicule routier
EP3947058A1 (fr) Système de nettoyage d'au moins deux capteurs/émetteurs d'un véhicule automobile
FR3091613A1 (fr) Procédé de maintenance automatique d’un véhicule autonome
FR3037170A1 (fr) Procede et systeme de prediction du fonctionnement d'un aeronef par analyse de similarite utilisant des capacites de stockage et de calcul reparties
EP3255442B1 (fr) Méthode de diagnostic d'un ensemble de batteries d'accumulateurs réparties dans une flotte de véhicules automobiles
WO2019122558A1 (fr) Procédé d'accompagnement a la conduite d'un conducteur pour limiter l'usure de composants d'un véhicule automobile
FR3071607A1 (fr) Procede de determination de la frequence et de la phase instantanees d'un signal periodique
FR3096456A1 (fr) Procédé de surveillance d’un composant embarqué dans un véhicule
FR3100362A1 (fr) Procédé de contrôle d’un dispositif de véhicule
FR3048294A1 (fr) Procede de suivi de fiabilite
EP4379486A1 (fr) Procédé de maintenance prédictive frugale, produit programme d'ordinateur et support lisible par ordinateur correspondants
EP1953373B1 (fr) Processus de conception d'un élément organique d'un véhicule automobile et procédé de supervision du fonctionnement de cet élément organique
WO2023099824A1 (fr) Détermination à distance de durées d'utilisation de calculateurs d'un véhicule automobile
FR3035921A1 (fr) Procede d'optimisation du temps d'arret d'un moteur a fonction d'arret et redemarrage automatique
FR3023241A1 (fr) Procede de surveillance d’un systeme d’assistance temporaire en couple d’un moteur thermique
WO2014037645A1 (fr) Procede de detection du sens de positionnement d'un filtre a particules asymetrique

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21732895

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21732895

Country of ref document: EP

Kind code of ref document: A1