CN104536435B - 一种线控***网络在线诊断方法 - Google Patents

一种线控***网络在线诊断方法 Download PDF

Info

Publication number
CN104536435B
CN104536435B CN201410795268.9A CN201410795268A CN104536435B CN 104536435 B CN104536435 B CN 104536435B CN 201410795268 A CN201410795268 A CN 201410795268A CN 104536435 B CN104536435 B CN 104536435B
Authority
CN
China
Prior art keywords
network
fuzzy
control system
health degree
line control
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201410795268.9A
Other languages
English (en)
Other versions
CN104536435A (zh
Inventor
李芳�
王丽芳
廖承林
吴艳
苏笑然
郭彦杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Electrical Engineering of CAS
Original Assignee
Institute of Electrical Engineering of CAS
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 Institute of Electrical Engineering of CAS filed Critical Institute of Electrical Engineering of CAS
Priority to CN201410795268.9A priority Critical patent/CN104536435B/zh
Publication of CN104536435A publication Critical patent/CN104536435A/zh
Application granted granted Critical
Publication of CN104536435B publication Critical patent/CN104536435B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Maintenance And Management Of Digital Transmission (AREA)
  • Small-Scale Networks (AREA)

Abstract

本发明涉及一种线控***网络在线诊断方法，该方法首先构建一个包括两个自适应神经模糊推理***的模型，以故障环境下得到的线控***网络状态参数作为样本数据输入，使用混合学习算法对两个自适应神经模糊推理***进行离线训练，分别提取出模糊控制规则，然后将模糊控制规则转化成查询表，生成网络健康度计算函数和网络故障原因判定函数，加入线控***的控制器节点中，形成基于自适应神经模糊推理***的线控***在线诊断算法，对线控***网络健康度和故障原因进行在线诊断。

Description

一种线控***网络在线诊断方法
技术领域
本发明涉及一种基于自适应神经模糊推理***的线控***网络在线诊断方法。
背景技术
随着现代电子技术的不断发展，汽车电子正向智能化控制的方向发展，并采用总线将各种汽车电子控制模块连接成为车载网络，可以不需要传统的机械机构传递控制信号，而是利用电子手段来驾驶汽车，这一电子手段就是线控技术。线控技术的不断应用为汽车内部通信带来便利与智能化的同时，也给汽车电子的发展带来了新的挑战。由于直接关系到汽车的安全性，它对于所包含的每个部件的可靠性都要求极高，尤其包括起到关键传输作用的总线通信技术，在线控技术中总线通信技术较多采用基于时间触发的FlexRay总线。
网络的在线诊断就是从总线通信的角度对总线的运行情况进行实时的诊断，对于线控***网络来说，一个合理的在线诊断策略对于保持线控***正常的通信过程，以及***的可靠性和安全性都是很有必要的。目前在车辆上已经集成了在线诊断***(OBD)，对检测到的错误以故障码(DTC)的形式进行存储，然而只有非常明显的网络故障才会被检测出来，比如总线短路断路、通信停止等情况。这就可能出现一种情况，即使总线上有错误存在，但是只要这些错误不影响正常的通信，错误数量就是在可接受范围内，传统的在线诊断***就无法发现这些隐含的故障，这些问题逐步累积，很有可能导致***无法正常通信。
针对传统在线诊断***无法解决的问题，国内外学者从数据融合、网络管理与诊断协议、诊断算法等多种角度展开研究，如文献“CAN_FlexRay总线***网络管理与诊断协议的研究”(张参参，硕士论文，合肥工业大学)设计了CAN-FlexRay网关网络管理策略，可以对节点超时、消息超时等进行诊断，然而该诊断策略仅停留在监测层面，并未对故障数据做进一步的处理，不能够分析故障原因。文献“Diagnostic Fusion for Time-TriggeredAutomotive Networks”(Utsav Drolia等，Carnegie Mellon University，2012IEEE 14thInternational Symposium on High-Assurance Systems Engineering)中设计了基于神经网络的FlexRay总线***诊断方法，可以对FlexRay总线的错误情况进行分类诊断，然而该方法所设计的神经网络算法仅得到了网络故障原因，不能对当前网络运行状态给出一个定性判定，如当前网络存在潜在危险，或者当前网络虽然有错误，但是仍可运行等，从而为故障处理模块提供依据。目前还没有见到可以根据历史数据和当前监测到的数据，同时并高效的给出网络运行状态以及网络故障原因的在线诊断方法。
发明内容
本发明的目的是针对采用时间触发总线的FlexRay线控***，提出一种基于自适应神经模糊***的在线诊断方法，监管网络的实时运行情况，并对故障原因进行判定。该方法能够及时的发现线控***网络中潜在的问题，判断线控***网络运行状态，对于提高线控***网络通信技术的可靠性与实时性起到积极的作用。
本发明从网络运行状态判定和故障原因判定两个方面对FlexRay网络***进行全面实时诊断。引入“网络健康度”这个概念来代表网络的运行状态，但是“健康”还是“不健康”是一个模糊的概念，另外故障原因判定也是一个模糊的概念，由于故障的表现形态会有相似之处，如不论“内部错误”还是“外部干扰”错误帧都有可能增加，判别出“内部错误”还是“外部干扰”也是一个模糊的概念。如果要从具体的数据中最终得到模糊的概念，就必须借助模糊推理***。模糊推理***不依赖精确数学分析，从人类专家的经验知识和推理过程中提出If-Then规则建立起模糊模型，以此为基础设计模糊控制***。然而，仅仅依靠人类知识，很难选择出适当的隶属度函数的形状和个数。如果利用自适应神经模糊推理***，把历史数据进行离线的训练，然后把训练得到的模糊控制规则嵌入到模糊控制模块中，就能够最大限度的减少训练误差，提高***的精确度和可靠性。
实现上述目的的技术方案是：
基于自适应神经模糊推理***的线控***网络在线诊断方法，包括以下步骤：
步骤一：构建FlexRay总线通信的线控***网络，提取在故障环境下的网络运行状态参数；
步骤二：在Matlab/Simulink中构建两个自适应神经模糊推理***，以网络运行状态参数得到的样本数据作为输入，使用混合学习算法对两个自适应神经模糊推理***进行离线训练，分别提取出网络健康度和网络故障原因的模糊控制规则；
步骤三：将模糊控制规则转换为查询表，生成网络在线诊断函数，包括网络健康度计算函数和网络故障原因判定函数，嵌入到线控***网络控制器节点中，最终得到线控***网络在线诊断结果。
所述的步骤一进一步包含以下步骤：
步骤A：选择两个节点的通信方式，其中节点一植入μC/OS-II操作***，在FlexRay底层通信的基础上进行多任务的处理，节点二利用查询法进行状态参数的统计；
步骤B：通过在FlexRay总线上加入随机信号干扰，电磁干扰，制造物理故障等不同的故障环境，提取FlexRay通信过程中出现各时槽的状态和网络状态参数。
所述的步骤二进一步包含以下步骤：
步骤A：在提取的网络状态参数中，选择三个在线诊断的指标，网络中信号的周期，丢包的个数和错误的情况为在线诊断的指标。对这三个指标选取多组数据，并且对所选数据进行标准化处理，使其特征值映射到[0，1]区间上；
步骤B：选定两个自适应神经模糊推理***(ANFIS)构造的模糊神经网络的输入量为周期，丢包个数和错误情况，输出量分别为网络健康度和网络故障原因。两个自适应神经模糊推理***输入量维数为3，输入量的模糊分割数为5，各输入分量的隶属度函数为高斯函数；
步骤C：在两个自适应神经模糊推理***中，将隶属度函数相乘，计算各条规则的适用度，适用度经过归一化运算后，计算出各模糊规则的输出，并得到***的输出，分别为网络健康度和网络故障原因；
步骤D：采用混合学习算法，以网络的状态参数得到的样本数据作为输入进行离线训练，确定结论参数，分别提取出两个自适应神经模糊推理***的模糊控制规则；
步骤E：将生成的网络健康度和网络故障原因模糊控制规则直接嵌入到Matlab/Simulink中的Fuzzy Logic controller控制模块中，得到两个模糊推理***。
所述的步骤三进一步包含以下步骤：
步骤A：把两个模糊推理***分别看成一个黑箱，输入输出映射关系转化为查询表，再利用Matlab/Simulink中针对Freescale系列单片机的自动代码生成工具把查询表生成网络健康度计算函数和网络故障原因判定函数。这种方式比直接将模糊推理***进行自动代码生成效率更高，而且更节省资源；
步骤B：将生成的在线诊断函数包括网络健康度计算函数和网络故障原因判定函数，直接嵌入到线控***网络控制器节点中，通过函数调用，就可以在网络出现异常情况时得到线控***在线诊断的结果。
本发明的有益效果：
本发明基于自适应神经模糊推理***的线控***网络在线诊断算法，通过采集网络故障状态时的参数作为样本，采用混合学习算法进行离线训练，得到网络在线诊断算法之后再嵌入网络控制器节点中进行在线诊断，能够有效的根据网络运行过程中的状态参数获得网络的健康度和故障原因，实时的监控网路的运行状态，从而在通信终止之前及时的发现网络中潜在的问题，有效的提高线控***网络通信的可靠性。
附图说明
图1是本发明线控***网络在线诊断方法的主流程图；
图2是本发明线控***网络故障数据样本举例；
图3是本发明自适应神经模糊推理***的流程图；
图4是本发明针对网络健康度的自适应神经模糊推理***结构图；
图5是本发明自适应神经模糊推理***离线训练误差变化图；
图6是本发明线控***网络健康度变化图；
图7是本发明线控***全周期网络在线诊断图。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步说明。
图1为本发明基于自适应神经模糊推理***的线控***网络在线诊断方法，首先通过采集FlexRay网络故障状态时的参数作为样本，离线构建两个自适应神经模糊推理模型，并生成相应的网络健康度和网络故障原因模糊控制规则。进一步的，将模糊控制规则转换为查询表，生成网络在线诊断函数，包括网络健康度计算函数和网络故障原因判定函数，将网络在线诊断函数嵌入到网络控制器中，便可进行在线诊断，根据网络运行过程中的状态参数获得网络的健康度和网络故障原因，实时监控网络的运行状态。
以线控转向***为例，基于FlexRay总线构建包含两个节点的线控***网络，其中节点一为线控转向***的转向盘控制器节点，节点二为线控转向***的转向执行机构控制器节点，两个节点之间通过FlexRay总线进行通信。本实施实例中，采用飞思卡尔MC9S12XF512系列单片机作为FlexRay通信节点。
基于自适应神经模糊推理***的线控***网络在线诊断方法主要包括三个步骤：
步骤一：在线控***网络中对转向盘控制器节点和转向执行机构控制器节点中的FlexRay协议寄存器进行合理配置，在故障环境下通过自定义的函数提取网络运行状态参数，如信号周期、丢包个数、错误情况等，为自适应神经模糊推理***离线训练提供样本。
具体步骤如下：
步骤A：选择两个节点互相通信，其中节点一转向盘控制器节点植入μC/OS-II操作***，根据μC/OS-II的文件结构，对OS_CPU.H，OS_CPU_A.ASM，OS_CPU_C.C文件进行修改，在FlexRay底层通信的基础上利用中断方式来实现多任务调度；节点二转向执行机构控制器节点利用查询法读取相关的状态寄存器的数据，分析通信过程中各时槽的状态，提取出信号的周期，丢包的个数，错误的情况等网络状态参数。
步骤B：通过在FlexRay总线上加入随机信号干扰，电磁干扰，制造物理故障等不同的故障环境，提取FlexRay通信过程中各时槽状态和网络状态参数，作为历史数据，为下一步的离线训练提供样本。图2为线控***网络故障数据样本举例，反映了消息周期与错误情况随时间的变化情况。
步骤二：如图3所示，在自适应神经模糊推理***的流程图中，在Matlab/Simulink环境中构建两个自适应神经模糊推理***，使用混合学习算法，以第一步所得到的网络状态参数作为历史数据输入进行离线训练，对两个自适应神经模糊推理***进行单独训练，提取出自适应神经模糊推理***的模糊控制规则。
具体步骤如下：
步骤A：在提取的网络状态参数中，选择网络中信号的周期，丢包的个数和错误的情况为三个在线诊断指标。对这三个指标数据进行标准化处理，使其特征值映射到[0，1]区间上；
步骤B：选定两个自适应神经模糊推理***(ANFIS)构造的模糊神经网络的输入量为周期，丢包个数和错误情况，两个自适应神经模糊推理***输入量维数为3，输入量的模糊分割数为5。输出量分别为网络健康度和网络故障原因，其中网络健康度基本论域为[0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1]，当网络通信正常时，网络健康度为1，当网络通信已经停止时，网络健康度为0，其它网络通信异常状态时，网络健康度在0-1范围内对应取值。网络故障原因基本论域为[0,1,2,3]，当网络通信正常时，网络故障原因为0，当网络通信异常是由于控制器软件的内部错误造成的，网络故障原因为1，当网络通信异常是由于外部电磁干扰等造成的，网络故障原因为2，当网络通信异常是由于物理故障等造成的，网络故障原因为3。图4所示是本发明针对网络健康度的自适应神经模糊推理***结构图。
各输入分量的隶属度函数为高斯函数：
其中，i＝1，2，3；j＝1，2，3，4，5；aij和cij为隶属度函数的宽度和中心，xi为网络的给定参数。该自适应神经模糊推理***共包含125条模糊控制规则，其模糊控制集如下：
规则1：if(x1is A11)and(x2is A21)and(x3is A31)then f1＝p10+p11x1+p12x2+p13x3
规则2：if(x1is A12)and(x2is A22)and(x3is A32)then f2＝p20+p21x1+p22x2+p23x3
规则3：if(x1is A12)and(x2is A22)and(x3is A33)then f3＝p30+p31x1+p32x2+p33x3
……
规则125：
if(x1is A15)and(x2is A25)and(x3is A35)then f125＝p125，0+p125，1x1+p125，2x2+p125， 3x3
其中pkm为结论参数(k＝1，2，3...125,m＝0，1，2，3)，fk(k＝1，2，3...125)为对应于每条模糊规则的输出。
步骤C：在两个自适应神经模糊推理***中，将隶属度函数相乘，计算各条规则的适用度wk，适用度经过归一化运算后得到最终***的输出为f：
wk＝Ak1(x1)×Ak2(x2)×Ak3(x3)
令x0＝1，k＝1，2，3...125，m＝0，1，2，3。给定参数aij和cij，整个网络中需要学习的参数就只有结论参数pkm；
两个自适应神经模糊推理***的输出分别为网络健康度和网络故障原因。
步骤D：利用混合学习算法对两个自适应神经模糊推理***进行单独训练，以确定结论参数pkm，提取出两个自适应神经模糊推理***的模糊控制规则。混合学习算法包含最小二乘法和反向传播算法。***的输出首先可以表示为：
f＝B·X
其中，列向量X为结论向量，应用最小二乘法可以得到均方误差最小(min||BX-f||)意义下的结论向量的最佳估计X*：
X*＝(BTB)-1BTf
然后，当有N组输入数据时，设***的误差函数为：
式中t＝1，2，3...N，ft为实际输出，fdt为期望输出。当结论向量固定的时候，采用前馈神经网络中的BP算法，将误差由输出端反向传到输入端，用梯度下降法，更新前提参数cij和aij，从而改变隶属函数的形状，直到训练误差值小于预先设定的阈值。训练误差如图5所示；
式中，i＝1，2，3，j＝1，2，3，4，5，β>0为学习效率。
步骤E：将生成的网络健康度和网络故障原因模糊控制规则直接嵌入到Matlab/Simulink中的Fuzzy Logic controller控制模块中，得到两个模糊推理***。
步骤三：将两个模糊推理***都训练完毕后，将***中的模糊推理规则转换为查询表，并通过自动代码生成工具生成在线诊断函数，包括网络健康度计算函数和网络故障原因判定函数，这两个函数可直接嵌入到线控***网络中节点控制器中，进行线控***网络在线诊断。
具体步骤如下：
步骤A：把两个模糊推理***分别看成一个黑箱，输入输出映射关系转化为查询表，再利用Matlab/Simulink中针对Freescale系列单片机的自动代码生成工具把查询表生成在线诊断函数，包括网络健康度计算函数和网络故障原因判定函数。这种方式比直接将模糊推理***进行自动代码生成效率更高，而且更节省资源；
步骤B：将生成的在线诊断函数，包括网络健康度计算函数和网络故障原因判定函数，直接嵌入到线控***网络控制器节点中，通过函数调用，就可以在网络出现异常情况时得到线控***在线诊断的结果。如图6所示，在线控***FlexRay网络没有外加任何外部干扰影响时，总线运行状态正常，网络的健康度也保持在1，但是当***加入外部干扰时，网络的健康度也随着发生下降。可知，当网络的健康度低于1时，网络内部就已经存在一些错误的情况，只是累积的错误数目不足以使通信终止。
图7所示为一个更全面的基于FlexRay网络全周期在线诊断图，当出现消息帧数目减少或增多，以及错误帧数目较多时，网络在线诊断算法将根据当前消息的周期、网络丢包个数、网络的错误帧数目进行网络健康度判断，在网络出现异常情况时网络健康度将出现下降，同时可以判别出当前网络异常原因为内部错误、外部干扰或是物理故障。
本发明是对线控***的网络进行在线的诊断，通过网络的健康度来判断总线通信的状态，从而及时的发现网络中潜在的问题，分析网络异常原因，并进行纠正使网络回到正常的状态，有效的提高了线控***网络通信的可靠性。

Claims (2)

1.一种线控***网络在线诊断方法，其特征在于，所述的线控***网络在线诊断方法包括以下步骤：
步骤一：构建FlexRay总线通信的线控***网络，通过在FlexRay总线上加入随机信号干扰，电磁干扰，制造物理故障，模拟不同的故障环境，提取在故障环境下的FlexRay网络运行网络状态参数，包括信号周期，丢包个数和错误情况；步骤二：在Matlab/Simulink中构建两个自适应神经模糊推理***，以步骤一得到的FlexRay网络运行状态参数样本数据作为输入，使用混合学习算法对两个自适应神经模糊推理***进行离线训练，分别提取出网络健康度和网络故障原因的模糊控制规则，具体包括以下步骤：
步骤A：在提取的网络状态参数中，选择三个在线诊断的指标，网络中信号的周期，丢包的个数和错误的情况为在线诊断的指标；对这三个指标选取多组数据，并且对所选数据进行标准化处理，使其特征值映射到[0，1]区间上；
步骤B：选定两个自适应神经模糊推理***(ANFIS)构造的模糊神经网络的输入量为周期，丢包个数和错误情况，输出量分别为网络健康度和网络故障原因；两个自适应神经模糊推理***输入量维数为3，输入量的模糊分割数为5，各输入分量的隶属度函数为高斯函数；
步骤C：在两个自适应神经模糊推理***中，将隶属度函数相乘，计算各条规则的适用度，所述适用度经过归一化运算后，计算出各模糊规则的输出，并得到***的输出，分别为网络健康度和网络故障原因；
步骤D：采用混合学习算法，以网络的状态参数得到的样本数据作为输入进行离线训练，确定结论参数，分别提取出两个自适应神经模糊推理***的模糊控制规则；
步骤E：将生成的网络健康度和网络故障原因模糊控制规则直接嵌入到Matlab/Simulink中的Fuzzy Logic controller控制模块中，得到两个模糊推理***；
步骤三：将模糊控制规则转换为查询表，生成网络在线诊断函数，包括网络健康度计算函数和网络故障原因判定函数，嵌入到线控***网络控制器节点中，最终得到线控***网络在线诊断结果。
2.根据权利要求1所述的线控***网络在线诊断方法，其特征在于，所述的步骤二的步骤B具有以下特征：
选定两个自适应神经模糊推理***(ANFIS)构造的模糊神经网络的输入量为周期，丢包个数和错误情况，两个自适应神经模糊推理***输入量维数为3，输入量的模糊分割数为5；输出量分别为网络健康度和网络故障原因，其中网络健康度基本论域为[0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1]，当网络通信正常时，网络健康度为1，当网络通信已经停止时，网络健康度为0，其它网络通信异常状态时，网络健康度在0-1范围内对应取值；网络故障原因基本论域为[0,1,2,3]，当网络通信正常时，网络故障原因为0，当网络通信异常是由于控制器软件的内部错误造成的，网络故障原因为1，当网络通信异常是由于外部电磁干扰造成的，网络故障原因为2，当网络通信异常是由于物理故障造成的，网络故障原因为3。
CN201410795268.9A 2014-12-18 2014-12-18 一种线控***网络在线诊断方法 Active CN104536435B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410795268.9A CN104536435B (zh) 2014-12-18 2014-12-18 一种线控***网络在线诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410795268.9A CN104536435B (zh) 2014-12-18 2014-12-18 一种线控***网络在线诊断方法

Publications (2)

Publication Number Publication Date
CN104536435A CN104536435A (zh) 2015-04-22
CN104536435B true CN104536435B (zh) 2017-06-30

Family

ID=52851977

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410795268.9A Active CN104536435B (zh) 2014-12-18 2014-12-18 一种线控***网络在线诊断方法

Country Status (1)

Country Link
CN (1) CN104536435B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11853863B2 (en) 2019-08-12 2023-12-26 Micron Technology, Inc. Predictive maintenance of automotive tires

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105721199B (zh) * 2016-01-18 2019-06-07 中国石油大学(华东) 一种基于核密度估计与模糊推理***的实时云服务瓶颈检测方法
EP3258332B1 (en) * 2016-06-13 2018-12-12 ABB Schweiz AG Method for assessing health conditions of industrial equipment
CN106597178B (zh) * 2017-01-18 2019-07-19 重庆水利电力职业技术学院 一种继电保护测试装置lpa的anfis数字预畸方法
CN110149265B (zh) * 2018-03-14 2021-10-26 腾讯科技（深圳）有限公司 消息展现方法、装置和计算机设备
CN109088754A (zh) * 2018-07-31 2018-12-25 北京航空航天大学 一种通信网络性能故障致因与特征参数关联关系分析方法
CN109101010B (zh) * 2018-09-30 2021-06-11 深圳市元征科技股份有限公司 一种汽车故障诊断方法及相关设备
US11635893B2 (en) 2019-08-12 2023-04-25 Micron Technology, Inc. Communications between processors and storage devices in automotive predictive maintenance implemented via artificial neural networks
US11748626B2 (en) 2019-08-12 2023-09-05 Micron Technology, Inc. Storage devices with neural network accelerators for automotive predictive maintenance
US11586943B2 (en) 2019-08-12 2023-02-21 Micron Technology, Inc. Storage and access of neural network inputs in automotive predictive maintenance
US11775816B2 (en) 2019-08-12 2023-10-03 Micron Technology, Inc. Storage and access of neural network outputs in automotive predictive maintenance
US11586194B2 (en) 2019-08-12 2023-02-21 Micron Technology, Inc. Storage and access of neural network models of automotive predictive maintenance
US11702086B2 (en) 2019-08-21 2023-07-18 Micron Technology, Inc. Intelligent recording of errant vehicle behaviors
US11498388B2 (en) 2019-08-21 2022-11-15 Micron Technology, Inc. Intelligent climate control in vehicles
US11650746B2 (en) 2019-09-05 2023-05-16 Micron Technology, Inc. Intelligent write-amplification reduction for data storage devices configured on autonomous vehicles
US11693562B2 (en) 2019-09-05 2023-07-04 Micron Technology, Inc. Bandwidth optimization for different types of operations scheduled in a data storage device
US11250648B2 (en) 2019-12-18 2022-02-15 Micron Technology, Inc. Predictive maintenance of automotive transmission
US11709625B2 (en) 2020-02-14 2023-07-25 Micron Technology, Inc. Optimization of power usage of data storage devices
US11531339B2 (en) 2020-02-14 2022-12-20 Micron Technology, Inc. Monitoring of drive by wire sensors in vehicles
CN113780592B (zh) * 2021-08-28 2022-05-03 特斯联科技集团有限公司 智慧城市空中数据链管理***、方法及计算机程序产品

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007120960A (ja) * 2005-10-25 2007-05-17 Honda Motor Co Ltd サブ電源の故障診断装置
CN102868583A (zh) * 2012-06-06 2013-01-09 浙江吉利汽车研究院有限公司杭州分公司 一种具有故障诊断功能的FlexRay总线节
CN104155574A (zh) * 2014-07-31 2014-11-19 国网湖北省电力公司武汉供电公司 基于自适应神经模糊推理***的配电网故障分类方法
CN104202200A (zh) * 2014-09-15 2014-12-10 中国科学院电工研究所 一种基于FlexRay总线的网络在线诊断装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007120960A (ja) * 2005-10-25 2007-05-17 Honda Motor Co Ltd サブ電源の故障診断装置
CN102868583A (zh) * 2012-06-06 2013-01-09 浙江吉利汽车研究院有限公司杭州分公司 一种具有故障诊断功能的FlexRay总线节
CN104155574A (zh) * 2014-07-31 2014-11-19 国网湖北省电力公司武汉供电公司 基于自适应神经模糊推理***的配电网故障分类方法
CN104202200A (zh) * 2014-09-15 2014-12-10 中国科学院电工研究所 一种基于FlexRay总线的网络在线诊断装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于FlexRay总线的线控转向***通信网络;段建民，朱亮，于涌川;《仪表技术与传感器》;20091231(第12期);第43-45页 *
基于自适应模糊神经网络的多模型在线故障诊断;师黎;《自动化仪表》;20040731;第25卷(第7期);第10-15页 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11853863B2 (en) 2019-08-12 2023-12-26 Micron Technology, Inc. Predictive maintenance of automotive tires

Also Published As

Publication number Publication date
CN104536435A (zh) 2015-04-22

Similar Documents

Publication Publication Date Title
CN104536435B (zh) 一种线控***网络在线诊断方法
Cai et al. Bayesian networks in fault diagnosis
CN108303264B (zh) 一种基于云的车辆故障诊断方法、装置及其***
CN114585983B (zh) 用于检测设备的异常运行状态的方法、装置和***
CN109163913A (zh) 一种汽车故障诊断方法及相关设备
CN112249002B (zh) 一种基于td3的启发式串并联混合动力能量管理方法
CN104698839B (zh) 一种基于信息交互的多智能体故障检测与补偿控制方法
Suwatthikul et al. In-vehicle network level fault diagnostics using fuzzy inference systems
CN107367693A (zh) 一种电动汽车动力电池soc检测***
WO2020121849A1 (ja) 判定装置、判定プログラム、判定方法及びニューラルネットワークモデルの生成方法
CN110188837A (zh) 一种基于模糊神经的mvb网络故障诊断方法
Wang et al. Research on interactive multi‐model fault diagnosis method of Li‐ion battery based on noise suppression
CN109886439A (zh) 电控车辆远程诊断***及其诊断方法
CN116451121A (zh) 一种道岔故障诊断方法、***、设备和介质
Ebner et al. Model-based dependability analysis of fail-operational electric drivetrains
Wu et al. Semigroup of fuzzy automata and its application for fast accurate fault diagnosis on machine and anti-fatigue control
Fan et al. A Bayesian framework to integrate knowledge-based and data-driven inference tools for reliable yield diagnoses
Guo et al. Detection and diagnosis of long-term cyber-attacks for predictive energy management system in hevs
CN110018678B (zh) 一种网联汽车控制***的故障诊断方法
Schwall et al. Multi-modal diagnostics for vehicle fault detection
Zhang Model-Based Fault Diagnosis For Automotive Functional Safety
Yang Framework of Electric Vehicle Fault Diagnosis System Based on Diagnostic Communication
Bock et al. Analytical test effort estimation for multisensor driver assistance systems
Wang et al. Research on Fault Diagnosis Based on Dynamic causality diagram and Fuzzy Reasoning Fusion Method
Zaki et al. Detecting faults in heterogeneous and dynamic systems using DSP and an agent-based architecture

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant