CN112396177A - 汽车预测性维修 - Google Patents
汽车预测性维修 Download PDFInfo
- Publication number
- CN112396177A CN112396177A CN202010794129.XA CN202010794129A CN112396177A CN 112396177 A CN112396177 A CN 112396177A CN 202010794129 A CN202010794129 A CN 202010794129A CN 112396177 A CN112396177 A CN 112396177A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- neural network
- sensor
- sensor data
- artificial neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000008439 repair process Effects 0.000 title claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 109
- 238000012421 spiking Methods 0.000 claims abstract description 7
- 238000013500 data storage Methods 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 23
- 230000015654 memory Effects 0.000 claims description 21
- 238000010801 machine learning Methods 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 12
- 230000007257 malfunction Effects 0.000 claims description 7
- 230000033001 locomotion Effects 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 description 25
- 238000012423 maintenance Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 15
- 238000012545 processing Methods 0.000 description 13
- 230000004913 activation Effects 0.000 description 12
- 238000003860 storage Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 241000699670 Mus sp. Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000000946 synaptic effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60S—SERVICING, CLEANING, REPAIRING, SUPPORTING, LIFTING, OR MANOEUVRING OF VEHICLES, NOT OTHERWISE PROVIDED FOR
- B60S5/00—Servicing, maintaining, repairing, or refitting of vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- 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
- G07C5/0841—Registering 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
- G07C5/0841—Registering performance data
- G07C5/085—Registering performance data using electronic data carriers
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及汽车预测性维修。例如，一或多个传感器被配置成在所述车辆在道路上运行期间生成传感器数据流。人工神经网络ANN被配置成接收所述传感器数据流并且基于所述传感器数据流预测维修服务。例如，可以使用在所述车辆离开工厂或维修服务设施的预定时间段内收集的所述传感器数据流来训练所述人工神经网络。所述车辆可以被认为在此时间段期间在正常状况下运行，使得可以训练所述ANN以检测偏离所述传感器数据流的正常模式的异常。例如，所述ANN可以是尖峰神经网络SNN。
Description
技术领域
在本文中公开的至少一些实施例总体上涉及车辆的维修服务，更具体地但不限于涉及对机动车辆的维修时间的预测性确定。
背景技术
汽车维修通常基于预定的操作里程碑来安排。例如，可以每三个月或六个月或在预定的行驶距离(例如，3000英里、6000英里或15000英里)之后安排一次例行维修服务。
当机动车辆的组件在车辆运行期间发生故障或失灵时，此些事故可能是安全隐患。在此些事故发生之后，将在不方便的时间不久安排车辆服务的行程。
自主驾驶技术领域的最新发展允许计算***至少在某些条件下操作机动车辆的控制元件，而无需车辆的操作员的帮助。
例如，传感器(例如，相机和雷达)可以安装在机动车辆上以检测在道路上行驶的车辆的周围环境的状况。安装在车辆上的计算***分析传感器输入以标识状况并且生成控制信号或命令，在无论是否有来自车辆的操作员的任何输入的情况下自主调整车辆的方向和/或速度。
在一些布置中，当计算***识别出计算***可能无法以安全方式继续操作车辆的情况时，计算***警告车辆的操作员并且请求操作员接管对车辆的控制并手动驱动，而不是允许计算***自主地驱动车辆。
2017年1月3日公开的题为“电驱动车辆的电子控制设备”的美国专利第9,533,579号公开了一种具有自诊断功能的车辆电子控制设备。
自主驾驶和/或高级驾驶员辅助***(ADAS)通常涉及用于标识在传感器输入中捕获的事件和/或物体的人工神经网络(ANN)。
通常，人工神经网络(ANN)使用神经元网络来处理到网络的输入并且从网络生成输出。
例如，网络中的每个神经元均接收一组输入。神经元的一些输入可以是网络中某些神经元的输出；神经元的一些输入可以是提供到神经网络的输入。网络中的神经元之间的输入/输出关系表示网络中的神经元的连通性。
例如，每个神经元可以分别具有偏倚、激活函数和用于其输入的一组突触权重。激活函数可以是阶跃函数、线性函数、对数-S形函数等形式。网络中的不同神经元可以具有不同的激活函数。
例如，每个神经元可以生成其输入和其偏倚的加权和，然后产生输出，所述输出是使用神经元的激活函数计算的加权和的函数。
ANN的输入和输出之间的关系通常由ANN模型定义，所述ANN模型包含表示网络中神经元的连通性以及每个神经元的偏倚、激活函数和突触权重的数据。使用给定的ANN模型，计算装置从给定的一组网络的输入计算网络的输出。
例如，到ANN网络的输入可以基于相机输入生成；并且来自ANN网络的输出可以是例如事件或物体的项目的标识。
尖峰神经网络(SNN)是一种模拟自然神经网络的ANN。当神经元的激活水平足够高时，SNN神经元产生作为输出的尖峰。SNN神经元的激活水平模拟天然神经元的膜电位。SNN神经元的输出/尖峰可以改变接收输出的其它神经元的激活水平。SNN神经元的当前激活水平作为时间函数通常使用微分方程进行建模，并且考虑SNN神经元的状态。来自其它神经元的传入尖峰可以推动神经元的激活水平更高，以达到尖峰的阈值。一旦神经元尖峰，其激活水平被复位。在尖峰之前，SNN神经元的激活水平可以随时间衰减，这由微分方程控制。SNN神经元行为中的时间元素使SNN适合处理时空数据。SNN的连通性通常是稀疏的，这有利于减少计算工作量。
通常，可以使用监督方法来训练ANN，其中调整ANN中的参数，以最小化或减小由各个输入产生的已知输出和通过将输入应用到ANN生成的计算输出之间的误差。监督学习/训练方法的实例包含强化学习和纠错学习。
可替代地或组合地，可以使用无监督的方法来训练ANN，其中在训练完成之前未知由给定的一组输入产生的精确输出。ANN可以被训练成将项目分类成多个类别，或将数据点分类成聚类。
多种训练算法可以被采用用于复杂的机器学习/训练范例。
发明内容
在一个方面中，本申请提供了一种车辆，其包括：至少一个传感器，其被配置成在所述车辆在道路上运行期间生成传感器数据流；以及人工神经网络，其被配置成接收所述传感器数据流并且基于所述传感器数据流预测维修服务。
在另一个方面中，本申请提供了一种车辆的数据存储装置，其包括：非易失性存储器；通信接口，其被配置成从配置在所述车辆上的至少一个传感器接收传感器数据流；以及人工神经网络，其被配置成基于所述传感器数据流预测维修服务。
在另一个方面中，本申请提供了一种方法，其包括：在车辆在道路上运行期间，由安装在所述车辆中的传感器生成传感器数据流；将所述传感器数据流提供到人工神经网络；以及经由所述人工神经网络并且基于所述传感器数据流生成维修服务的预测。
附图说明
在附图中通过实例而非限制的方式示出了实施例，在附图中相似的附图标记指示类似的元件。
图1展示了根据一些实施例的***，其中车辆被配置成有数据存储装置以收集和处理传感器数据。
图2展示了根据一个实施例的具有数据存储装置的自主车辆。
图3至5示出了根据一些实施例的用于维修服务预测的人工神经网络的训练。
图6展示了根据一个实施例的预测性维修的方法。
具体实施方式
本文中公开的至少一些实施例提供了用于处理在机动车辆或具有或不具有高级驾驶员辅助***(ADAS)的另一车辆中生成的传感器数据的***、方法和设备，以便于预测性维修。
在车辆运行期间，机动车辆组件发生故障或失灵之前，可以指示所述组件是否需要更换或维修。此些指示对于典型的驾驶员或乘客可能是不明显的。然而，可以收集和分析传感器数据以预测组件失效的概率。所述预测可以用于安排维修服务，这可以减少或消除车辆在道路上运行期间车辆的组件发生故障或失灵的事故的可能。此外，预测允许在方便的时间安排服务行程。
例如，传感器可以安装在汽车***中以在其例行操作期间收集数据；传感器数据可以用于预测组件是否需要更换或维修以及需要多久。传感器数据可以作为输入提供给人工智能(AI)***的人工神经网络(ANN)(例如，尖峰神经网络(SNN))，以在预期车辆正常运行的时间段内训练其自身(例如，使用无监督机器学习技术)。训练为驾驶员、乘客或车辆用户的特定操作环境以及车辆乘员的个性化操作习惯定制神经网络。随后，当运行数据偏离正常模式时，人工神经网络可以检测异常状况。AI***可一用于建议维修服务和/或标识可能需要更换或维修的组件。
图1展示了根据一些实施例的***，其中车辆被配置成有数据存储装置以收集和处理传感器数据。
图1的***包含具有数据存储装置101的车辆111。任选地，车辆111具有高级驾驶员辅助***(ADAS)105和向ADAS 105和/或数据存储装置101提供传感器数据输入的一或多个传感器103。数据存储装置101被配置成基于由传感器103收集的数据使用人工神经网络ANN 125预测/标识对维修服务的需求。ADAS 105可以被省略而不影响预测性维修特征。在一些实施方案中，由传感器103生成的数据的至少一部分在ADAS 105中用于驾驶员辅助以及在ANN 125中用于维修预测。任选地，ANN 124的输出均可以用于数据存储装置101和ADAS105。
传感器103可以包含数码相机、激光雷达、雷达、超声声纳、制动传感器、速度传感器、加速度传感器、气囊传感器、GPS(全球定位***)接收器、音频传感器/麦克风、振动传感器、力/应力传感器、变形传感器、运动传感器、温度传感器等。一些传感器103可以主要被配置成监测车辆111的环境；并且其它传感器103可以主要被配置成监测车辆111的一或多个组件的运行状况，例如内燃机、排气***、电动机、制动器、轮胎、电池等。
作为时间函数的传感器103的输出作为传感器数据流被提供给ADAS 105和/或ANN125，以提供驾驶员辅助(例如，自主驾驶)和维修预测。
例如，车辆111可以具有经由无线信号113和通信网络117与远程服务器119通信的无线通信装置。远程服务器119通常被配置在远离车辆111在其上运行的道路102的位置。例如，车辆111可以将一些传感器数据121提供给服务器119并且从服务器119接收ANN 125的更新。
通信网络117的一个实例是具有一或多个基站(例如，115)以接收无线信号(例如，113)的蜂窝电话网络。通信网络117的另一实例是因特网，其中在接入点(例如，115)中接收由车辆113传输的无线局域网信号(例如，113)，以进一步与服务器119通信。在一些实施方案中，车辆111使用到卫星109的通信链路107或通信气球以与服务器119通信。
服务器119还可以与一或多个维修服务设施(例如，127)通信，以接收车辆(例如，111)的维修服务数据123。维修服务数据123可以包含车辆(例如，111)的组件的检查记录和/或服务记录。例如，检查记录和/或服务记录可以指示在维修服务设施(例如，127)处进行服务期间所检查的组件的磨损和消耗程度，失效或失灵组件的标识等。在服务之前的时间段中的车辆(例如，111)的传感器数据121和维修服务数据123可以用于训练ANN 125以预测组件需要维修服务的概率。更新的ANN 125可以用于基于在最近时间段中接收的传感器数据121预测和建议车辆111的维修服务。可替代地，更新的ANN 125可以被传输到车辆111；并且车辆111可以在车辆111的例行操作期间使用从传感器103生成的数据来预测和建议维修服务。
车辆111的数据存储装置101可以被配置成记录可以在ANN中用于预测维修的时间段的传感器数据。维修预测通常是相对较长的时间段(例如，几天、几周和/或几个月)。相反，为检查涉及自主车辆的事故、碰撞或接近碰撞而记录的传感器数据通常是短时间段(例如，30秒到几分钟)。因此，被配置成记录用于检查/分析事故或碰撞的传感器数据的典型黑盒子数据记录器不足以进行预测性维修。
任选地，数据存储装置101存储导致到维修服务设施(例如，127)的行程的时间段的传感器数据。维修服务设施(例如，127)可以从数据存储装置101下载传感器数据121，并且将传感器数据121和相应的维修服务数据123提供给服务器119，以便于ANN 125的训练。
任选地或组合地，数据存储装置101被配置有机器学习模块以定制和/或训练安装在车辆111中的ANN 125进行预测性维修。
例如，数据存储装置101的机器学习模块可以用于校准ANN 125，以说明车辆111正在运行的典型/日常环境和/或车辆111的驾驶员的驾驶偏好/习惯。
例如，在车辆预期在具有健康组件的典型/日常环境下运行的时间段期间，由传感器103生成的传感器数据可以用于训练ANN 125以识别表示无故障运行的传感器数据的模式。对于不同的车辆(例如，111)，此些模式可以基于它们的例行操作环境和它们的驾驶员的驾驶习惯/特性而变化。所述训练允许ANN 125检测与所识别的正常模式的偏差并且报告异常以进行维修预测。
例如，ANN 125可以包含SNN，所述SNN被配置成对传感器数据的基于时间的变化进行分类和/或检测在正常/健康状况下但在个性化环境(例如，驾驶员/乘客的日常路线)中操作和/或在个性化驾驶习惯/模式下操作的车辆111的传感器数据的已知模式的偏差。
图2展示了根据一个实施例的具有数据存储装置101的自主车辆111。例如，图1的***中的车辆111可以使用图2的自主车辆111来实现。
图2的车辆111被配置成具有高级驾驶员辅助***(ADAS)105。车辆111的ADAS105可以具有用于对象检测、识别、标识和/或分类的人工神经网络(ANN)125。ANN 125和/或另一神经网络(例如，配置在数据存储装置101中)可以用于预测车辆111的组件需要维修服务(例如，修理、更换或调整)的概率。
优选地，数据存储装置101被配置成至少部分地处理用于预测性维修的传感器数据，同时减少处理器133上的计算负担，所述处理器133的任务是操作ADAS 105和/或其它组件，例如信息娱乐***149。
车辆111通常包含信息娱乐***149、通信装置139、一或多个传感器103以及连接到车辆111的一些控制器的计算机***131，例如用于车辆111的方向的转向控制器141、用于车辆111的停止的制动控制器143、用于车辆111的速度的加速控制器145等，图1的***中的车辆111具有类似的配置和/或类似的组件。
ADAS 105的运行需要一些传感器103；并且一些传感器103用于收集与车辆111的组件的健康相关的数据，这些数据可能不在ADAS 105中使用。任选地，由传感器103生成的传感器数据还可以用于预测组件即将失效的可能性。此些预测可以在ADAS 105中用于采取紧急动作以使车辆处于安全状态(例如，通过降低速度和/或停车)。
车辆111的计算机***131包含一或多个处理器133、数据存储装置101和存储固件(或软件)147的存储器135，包含用于ADAS 105的计算机指令和数据模型。
车辆的一或多个传感器103可以包含可见光相机、红外相机、激光雷达，雷达或声纳***、***传感器、全球定位***(GPS)接收器、卫星定位***接收器，制动传感器和/或气囊传感器。此外，传感器103可以包含：被配置成监测来自车辆111中的各种组件和位置的噪声的音频传感器(例如，麦克风)、振动传感器、压力传感器、力传感器、应力传感器和/或被配置成测量车辆111的组件上的负载的变形传感器、测量车辆111的一些组件的运动的加速度计和/或陀螺仪传感器等。此些传感器可以用于监测组件的运行状态和/或健康状况，以进行预测性维修。
传感器103可以向计算机***131提供实时传感器数据流。由车辆111的传感器103生成的传感器数据可以包含使用使用人眼可见的光成像的相机，或使用红外光成像的相机、或声纳、雷达或LIDAR***捕获物体的图像。从车辆的至少一个传感器获得的图像数据是用于记录在数据存储装置101中和/或作为输入到ANN 125的收集的传感器数据的一部分。例如，可以使用相机来获得车辆111行驶的道路信息，所述道路信息可以由ANN 125处理以生成用于车辆111的控制信号。例如，相机可以被用于监测车辆111的组件的操作状态/健康状况，其可以由ANN 125处理以预测或安排维修服务。
由车辆111的传感器103生成的传感器数据可以包含捕获在车辆111上的位置处的声音的特性的音频流，例如靠近发动机、发动机、传输***、车轮、门、窗户等的位置。从车辆111的至少一个传感器103获得的音频数据可以是用于记录在数据存储装置101中和/或作为输入到ANN 125的收集的传感器数据的一部分。例如，音频流可以用于监测车辆111的组件(例如，内燃机、排气***、电动机、制动器)的运行状态/健康状况，其可以由ANN 125处理以预测或安排维修服务。
信息娱乐***149可以用于呈现预测的或安排的维修服务。任选地，通信装置139可以建立到车辆111的驾驶员的移动装置的连接，以通知驾驶员推荐的维修服务和/或推荐的服务数据，以安排预约等。
当车辆111被配置有ADAS 105时，ADAS 105的输出可以用于在自主驾驶期间控制(例如，141、143、145)车辆111的加速度、车辆111的速度和/或车辆111的方向。
图3至5示出了根据一些实施例的用于维修服务预测的人工神经网络的训练。
在图3中，使用监督机器学习模块171来训练人工神经网络125，以最小化由传感器数据121生成的服务预测129和维修服务数据123之间的差异。
例如，维修服务数据123可以标志作为时间函数的组件的测量的磨损和消耗，以预测到推荐服务的时间。传感器数据121可以用于ANN 125中，以生成到推荐服务的预测时间。监督机器学习模块171可以调整人工神经网络125，以减小/最小化基于传感器数据121预测的时间和从磨损和消耗的测量计算的时间之间的差异。
例如，维修服务数据123可以标识在维修服务设施127中被更换或修理的组件。在组件的更换或修理之前记录时间段的传感器数据121可以用于计算更换或修理的时间。此外，可以在ANN 125中使用在更换或修复之前的时间段中的传感器数据流的分段来生成对更换或修复时间的预测。监督学习171可以用于调整ANN 125，以减少更换或修复的预测时间和更换或修复的实际时间。
图2的监督学习171可以基于车辆总体的传感器数据及其维修服务数据123应用于服务器119中，以生成用于车辆总体的通用ANN。
图2的监督学习171可以基于车辆的传感器数据及其维修服务数据123应用于车辆111中，以生成用于车辆总体的定制/个性化ANN。例如，通用ANN最初可以在车辆111中使用；并且车辆111的传感器数据及其维修服务数据123可以用于进一步训练车辆的ANN 125，用于在车辆111中对ANN 125进行定制/个性化。
在图4中，无监督机器学习的模块175用于训练或改进人工神经网络125以便于异常检测173。无监督机器学习模块175被配置成调整在传感器数据121中的ANN(例如，SNN)分类、聚类或识别模式，使得可以使用与最近时间段中生成的传感器数据121中的分类、聚类或识别模式的偏差程度来发信号通知异常的检测173。异常检测173允许车辆111被安排用于维修服务设施127中的检查。任选地，在检查之后，维修服务数据123可以用于应用监督学习171以生成对服务的更精确预测，如图3中所示。
通常，可以假设车辆111在一定时间段内在正常/健康状态中运行。例如，在新的车辆111开始交付服务之后，可以假定车辆111在至少一段时间(例如几个月)内提供无故障服务。例如，在更换或修理组件之后的时间段之后，可以假定组件在至少一段时间(例如，几个月或一年)内提供无故障服务。因此，在此时间段期间获得的传感器数据121可以被预先分类为“正常”，以使用如图4中的无监督学习175或如图5中的监督学习171训练ANN 125。
例如，在车辆111或组件的“正常”服务时间段期间传感器数据121经由无监督学习175被收集到多个聚类中。不同的聚类可以对应于不同类型的正常状况(例如，在不同路线上行驶，在具有不同表面状况的道路上，在具有不同天气状况的日子，在一天的不同时间段中，一周中的不同天，驾驶员的驾驶习惯的不同情绪)。当随后传感器数据121被分类到“正常”聚类之外时，检测到异常。
任选地，监督机器学习171可以用于训练ANN 125，如图5中所示。在车辆111或组件的“正常”服务期间，预期分类177可以用于标记传感器数据121。监督学习171可以用于最小化根据传感器数据121和预期分类177使用ANN 125作出的预测179之间的分类差异。此外，当传感器数据121已知为“异常”时(例如，在维修服务设施127中或由车辆111的用户、驾驶员或乘客作出的诊断之后)，预期分类177被更改为“异常”，以进一步训练ANN 125来直接识别异常(例如，代替依赖于与已知的“正常”聚类的偏差来推断异常)。
因此，ANN 125可以被训练以标识异常传感器数据并且估计异常的严重程度以安排维修服务。
图6展示了根据一个实施例的预测性维修的方法。例如，图6的方法可以在在车辆111中的图1或2的数据存储装置101中或在图2的车辆111中的计算机***131中实现。
在框201处，在车辆111在道路102上运行期间，安装在车辆111中的传感器(例如，103)生成传感器数据流(例如，121)。
在框203处，传感器数据流(例如，121)被提供到人工神经网络(ANN)125。例如，ANN125可以包含尖峰神经网络(SNN)。
在框205处，人工神经网络(ANN)125基于传感器数据流(例如，121)生成维修服务的预测。
在框207处，配置在车辆上的数据存储装置101存储传感器数据流(例如，121)的至少一部分。
在框209处，使用从车辆离开工厂或维修服务设施127的预定时间段内收集的传感器数据流(例如，121)来训练人工神经网络(ANN)。
例如，人工神经网络(ANN)可以被配置成标识在维修服务中需要修理或更换的车辆111的组件和/或识别组件的失效或失灵的预测时间段，或在组件的失效或失灵之前的组件的被推荐的维修服务的建议时间段。因此，当车辆111在道路102上运行时，预测的维修服务的性能可以避免组件的失效或失灵事件。
例如，传感器103可以是安装在组件附近的麦克风、附接到组件的振动传感器、安装在组件中的压力传感器、安装在组件上或附接到组件的力或应力传感器、附接到组件的变形传感器、配置成测量组件的运动参数的加速度计。
任选地，数据存储装置101、车辆111的计算机***131和/或远离车辆的服务器119可以具有机器学习模块，所述机器学习模块被配置成在假设车辆111处于健康状态的时间段期间训练人工神经网络(ANN)125，例如从车辆111离开工厂或维修服务设施127的预定时间段。
例如，机器学习模块可以使用无监督机器学习175来训练ANN 125以识别/分类传感器数据121的正常模式，从而具有基于与正常模式的偏差来检测异常的能力，如图4中所示。可替代地，可以使用监督机器学习171，如图3或5中所示。
例如，无监督机器学习175可以由数据存储装置101或车辆111的计算机***131在已知车辆和/或组件没有故障或劣化地运行的预定时间段期间应用。
可替代地或组合地，存储在车辆111的数据存储装置101中的一些传感器数据121可以上传到服务器119用于训练ANN 125。
服务器119、计算机***131和/或数据存储装置101均可以实现为一或多个数据处理***。
本公开包含执行上述方法的方法和设备，包含执行这些方法的数据处理***，以及含有当在数据处理***上执行使***执行这些方法的指令的计算机可读介质。
典型的数据处理***可以包含互连微处理器和存储器的互连(例如，总线和***核心逻辑)。微处理器通常联接到高速缓冲存储器。
互连将微处理器和存储器互连在一起，并且还经由I/O控制器将它们互连到输入/输出(I/O)装置。I/O装置可以包含显示装置和/或***装置，例如鼠标、键盘、调制解调器、网络接口、打印机、扫描仪、相机和本领域已知的其它装置。在一个实施例中，当数据处理***是服务器***时，例如打印机、扫描仪、鼠标和/或键盘的一些I/O装置是任选的。
互连可以包含通过各种网桥、控制器和/或适配器彼此连接的一或多个总线。在一个实施例中，I/O控制器包含用于控制USB***设备的USB(通用串行总线)适配器，和/或用于控制IEEE-1394***设备的IEEE-1394总线适配器。
存储器可以包含一或多个：ROM(只读存储器)、易失性RAM(随机存取存储器)和非易失性存储器，例如硬盘驱动器、闪存等。
易失性RAM通常实现为动态RAM(DRAM)，其需要持续供电以刷新或维持存储器中的数据。非易失性存储器通常是磁硬盘驱动器、磁光盘驱动器、光盘驱动器(例如，DVD RAM)或即使在从***断电之后仍维持数据的其它类型的存储器***。非易失性存储器也可以是随机存取存储器。
非易失性存储器可以是直接联接到数据处理***中其余组件的本地装置。还可以使用远离***的非易失性存储器，例如通过例如调制解调器或以太网接口的网络接口联接到数据处理***的网络存储装置。
在本公开中，一些功能和操作被描述为由软件代码执行或引起，以简化描述。然而，此些表达式也被用于指定由例如微处理器的处理器执行代码/指令而产生的函数。
可替代地或组合地，这里所描述的功能和操作可以使用具有或不具有软件指令的专用电路来实现，例如使用专用集成电路(ASIC)或现场可编程门阵列(FPGA)。实施例可以使用没有软件指令的硬连线电路来实现，或与软件指令结合来实现。因此，所述技术既不限于硬件电路和软件的任何特定组合，也不限于由数据处理***执行的指令的任何特定源。
尽管一个实施例可以在全功能计算机和计算机***中实现，但是各种实施例能够作为各种形式的计算产品来分发，并且能够被应用，而不管用于实际实现分发的机器或计算机可读介质的特定类型。
所公开的至少一些方面可以至少部分地呈现在软件中。也就是说，所述技术可以在计算机***或其它数据处理***中响应于其处理器(例如微处理器)执行含有在存储器(例如ROM、易失性RAM、非易失性存储器、高速缓存或远程存储装置)中的指令序列来执行。
被执行以实现实施例的例程可以被实现为操作***或被称为“计算机程序”的特定应用、组件、程序、物体、模块或指令序列的一部分。计算机程序通常包含在计算机中的各种存储器和存储装置中在不同时间设定的一或多个指令，并且当由计算机中的一或多个处理器读取和执行时，使计算机执行执行涉及各个方面的元件所必需的操作。
机器可读介质可以用于存储当数据处理***执行时使***执行各种方法的软件和数据。可执行软件和数据可以存储在各种位置，包含例如ROM、易失性RAM、非易失性存储器和/或高速缓存。此软件和/或数据的部分可以存储在这些存储装置中的任何一个中。此外，数据和指令可以从集中式服务器或对等网络获得。数据和指令的不同部分可以在不同时间、在不同通信会话中或在相同通信会话中从不同的集中式服务器和/或对等网络获得。数据和指令可以在执行应用程序之前被完整地获得。可替代地，当需要执行时，可以及时动态地获得数据和指令的部分。因此，数据和指令不需要在特定时间全部在机器可读介质上。
计算机可读介质的实例包含但不限于非暂时性、可记录和不可记录类型的介质，例如易失性和非易失性存储器装置、只读存储器(ROM)、随机存取存储器(RAM)、闪存装置、软盘和其它可移动盘、磁盘存储介质、光存储介质(例如，光盘只读存储器(CD ROM)、数字多功能盘(DVD)等)等。计算机可读介质可以存储指令。
所述指令还可以呈现在用于电、光、声或其它形式的传播信号(例如载波、红外信号、数字信号等)的数字和模拟通信链路中。然而，例如载波、红外信号、数字信号等的传播信号不是有形的机器可读介质，并且不被配置成存储指令。
通常，机器可读介质包含以机器(例如，计算机、网络装置、个人数字助理、制造工具、具有一组一或多个处理器的任何装置等)可访问的形式提供(即，存储和/或传输)信息的任何机制。
在各种实施例中，硬连线电路可以与软件指令结合使用以实现所述技术。因此，所述技术既不限于硬件电路和软件的任何特定组合，也不限于由数据处理***执行的指令的任何特定源。
以上描述和附图是说明性的，不应被解释为限制性的。描述了许多具体细节以提供透彻的理解。然而，在某些情况下，为了避免模糊描述而不描述公知的或常规的细节。对本公开中的一个或实施例的引用不一定是对同一实施例的引用；并且，此些引用至少意味着一个。
在前述说明书中，已经参考其具体示范性实施例描述了本公开。显然，在不脱离在所附权利要求中阐述的更宽范围和精神的情况下，可以对其进行各种修改。因此，说明书和附图被认为是说明性的而不是限制性的。
Claims (20)
1.一种车辆，其包括：
至少一个传感器，其被配置成在所述车辆在道路上运行期间生成传感器数据流；以及
人工神经网络，其被配置成接收所述传感器数据流并且基于所述传感器数据流预测维修服务。
2.根据权利要求1所述的车辆，其进一步包括：
数据存储装置，其被配置成存储所述传感器数据流的至少一部分。
3.根据权利要求2所述的车辆，其中所述人工神经网络进一步被配置成标识所述车辆的在所述维修服务中需要修理或更换的组件。
4.根据权利要求3所述的车辆，其中所述人工神经网络进一步被配置成标识所述组件失效或失灵的预测时间段。
5.根据权利要求3所述的车辆，其中所述人工神经网络进一步被配置成标识所述组件的所述维修服务的时间段。
6.根据权利要求3所述的车辆，其中所述至少一个传感器包含安装在所述组件附近的麦克风。
7.根据权利要求3所述的车辆，其中所述至少一个传感器包含附接到所述组件的振动传感器。
8.根据权利要求3所述的车辆，其中所述至少一个传感器包含安装在所述组件中的压力传感器。
9.根据权利要求3所述的车辆，其中所述至少一个传感器包含安装在所述组件上的力传感器。
10.根据权利要求3所述的车辆，其中所述至少一个传感器包含附接到所述组件的应力传感器。
11.根据权利要求3所述的车辆，其中所述至少一个传感器包含附接到所述组件的变形传感器。
12.根据权利要求3所述的车辆，其中所述至少一个传感器包含配置成测量所述组件的运动参数的加速度计。
13.根据权利要求1所述的车辆，其进一步包括：
机器学习模块，其被配置成在假设所述车辆处于健康状态的时间段期间训练所述人工神经网络。
14.根据权利要求1所述的车辆，其中所述人工神经网络包含尖峰神经网络。
15.一种车辆的数据存储装置，其包括：
非易失性存储器；
通信接口，其被配置成从配置在所述车辆上的至少一个传感器接收传感器数据流；以及
人工神经网络，其被配置成基于所述传感器数据流预测维修服务。
16.根据权利要求15所述的数据存储装置，其中所述人工神经网络被配置成经由无监督机器学习进行自训练以检测异常。
17.根据权利要求16所述的数据存储装置，其中所述人工神经网络包含尖峰神经网络。
18.一种方法，其包括：
在车辆在道路上运行期间，由安装在所述车辆中的传感器生成传感器数据流；
将所述传感器数据流提供到人工神经网络；以及
经由所述人工神经网络并且基于所述传感器数据流生成维修服务的预测。
19.根据权利要求18所述的方法，其进一步包括：
使用在所述车辆离开工厂或维修服务设施的预定时间段内收集的所述传感器数据流来训练所述人工神经网络。
20.根据权利要求19所述的方法，其中所述训练基于在所述预定时间段内收集的所述传感器数据流正常的分类；所述人工神经网络被配置成检测异常；以及所述人工神经网络包含尖峰神经网络。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US16/538,006 | 2019-08-12 | ||
| US16/538,006 US20210049839A1 (en) | 2019-08-12 | 2019-08-12 | Automotive predictive maintenance |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112396177A true CN112396177A (zh) | 2021-02-23 |
Family
ID=74567380
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010794129.XA Pending CN112396177A (zh) | 2019-08-12 | 2020-08-10 | 汽车预测性维修 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20210049839A1 (zh) |
| CN (1) | CN112396177A (zh) |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11348053B2 (en) | 2015-05-20 | 2022-05-31 | Continental Automotive Systems, Inc. | Generating predictive information associated with vehicle products/services |
| US11748626B2 (en) | 2019-08-12 | 2023-09-05 | Micron Technology, Inc. | Storage devices with neural network accelerators for 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 |
| 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 |
| US11853863B2 (en) | 2019-08-12 | 2023-12-26 | Micron Technology, Inc. | Predictive maintenance of automotive tires |
| 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 |
| US11702086B2 (en) | 2019-08-21 | 2023-07-18 | Micron Technology, Inc. | Intelligent recording of errant vehicle behaviors |
| US11361552B2 (en) | 2019-08-21 | 2022-06-14 | Micron Technology, Inc. | Security operations of parked vehicles |
| US11498388B2 (en) | 2019-08-21 | 2022-11-15 | Micron Technology, Inc. | Intelligent climate control in vehicles |
| US11435946B2 (en) | 2019-09-05 | 2022-09-06 | Micron Technology, Inc. | Intelligent wear leveling with reduced write-amplification for data storage devices configured on autonomous vehicles |
| US11409654B2 (en) | 2019-09-05 | 2022-08-09 | Micron Technology, Inc. | Intelligent optimization of caching operations in a data storage device |
| US11693562B2 (en) | 2019-09-05 | 2023-07-04 | Micron Technology, Inc. | Bandwidth optimization for different types of operations scheduled in a data storage device |
| US11436076B2 (en) | 2019-09-05 | 2022-09-06 | Micron Technology, Inc. | Predictive management of failing portions in a data storage device |
| US11650746B2 (en) | 2019-09-05 | 2023-05-16 | Micron Technology, Inc. | Intelligent write-amplification reduction for data storage devices configured on autonomous vehicles |
| US11250648B2 (en) | 2019-12-18 | 2022-02-15 | Micron Technology, Inc. | Predictive maintenance of automotive transmission |
| US11531339B2 (en) | 2020-02-14 | 2022-12-20 | Micron Technology, Inc. | Monitoring of drive by wire sensors in vehicles |
| US11709625B2 (en) | 2020-02-14 | 2023-07-25 | Micron Technology, Inc. | Optimization of power usage of data storage devices |
| US11620476B2 (en) * | 2020-05-14 | 2023-04-04 | Micron Technology, Inc. | Methods and apparatus for performing analytics on image data |
| JP7227997B2 (ja) * | 2021-03-12 | 2023-02-22 | 本田技研工業株式会社 | 決定装置、決定方法、及びプログラム |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102024999A (zh) * | 2010-11-16 | 2011-04-20 | 上海交通大学 | 电动车行动力管理*** |
| CN104777762A (zh) * | 2015-03-24 | 2015-07-15 | 惠州Tcl移动通信有限公司 | 一种车载***监测方法及其终端 |
| CN105531724A (zh) * | 2013-08-13 | 2016-04-27 | 高通股份有限公司 | 用于调制神经设备的训练的方法和装置 |
| US20160349330A1 (en) * | 2015-06-01 | 2016-12-01 | Verizon Patent And Licensing Inc. | Systems and methods for determining vehicle battery health |
| CN106203642A (zh) * | 2016-07-18 | 2016-12-07 | 王力 | 一种电力机车故障预测及健康管理的方法 |
| CN107134128A (zh) * | 2017-06-02 | 2017-09-05 | 南京星顿医疗科技有限公司 | 罐车操作平台监控及车辆引导定位***及其使用方法 |
| US20180304716A1 (en) * | 2017-04-21 | 2018-10-25 | C.R.F. Società Consortile Per Azioni | Elastic support with an integrated load sensor for suspension systems of a motor-vehicle |
| CN109061224A (zh) * | 2018-05-08 | 2018-12-21 | 株洲科盟车辆配件有限责任公司 | 列车车轴监测方法、装置和*** |
| CN109443766A (zh) * | 2018-09-10 | 2019-03-08 | 中国人民解放***箭军工程大学 | 一种重载车辆变速箱齿轮安全性分析方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111127293B (zh) * | 2018-10-31 | 2024-04-26 | 伊姆西Ip控股有限责任公司 | 用于处理数据的方法、设备和计算机程序产品 |
| EP3941800B1 (en) * | 2019-03-22 | 2023-06-07 | Volvo Truck Corporation | A method and a system for predicting maintenance/replacement period for a component of a vehicle |
-
2019
- 2019-08-12 US US16/538,006 patent/US20210049839A1/en not_active Abandoned
-
2020
- 2020-08-10 CN CN202010794129.XA patent/CN112396177A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102024999A (zh) * | 2010-11-16 | 2011-04-20 | 上海交通大学 | 电动车行动力管理*** |
| CN105531724A (zh) * | 2013-08-13 | 2016-04-27 | 高通股份有限公司 | 用于调制神经设备的训练的方法和装置 |
| CN104777762A (zh) * | 2015-03-24 | 2015-07-15 | 惠州Tcl移动通信有限公司 | 一种车载***监测方法及其终端 |
| US20160349330A1 (en) * | 2015-06-01 | 2016-12-01 | Verizon Patent And Licensing Inc. | Systems and methods for determining vehicle battery health |
| CN106203642A (zh) * | 2016-07-18 | 2016-12-07 | 王力 | 一种电力机车故障预测及健康管理的方法 |
| US20180304716A1 (en) * | 2017-04-21 | 2018-10-25 | C.R.F. Società Consortile Per Azioni | Elastic support with an integrated load sensor for suspension systems of a motor-vehicle |
| CN107134128A (zh) * | 2017-06-02 | 2017-09-05 | 南京星顿医疗科技有限公司 | 罐车操作平台监控及车辆引导定位***及其使用方法 |
| WO2018219224A1 (zh) * | 2017-06-02 | 2018-12-06 | 南京星顿医疗科技有限公司 | 罐车操作平台监控及车辆引导定位***及其使用方法 |
| CN109061224A (zh) * | 2018-05-08 | 2018-12-21 | 株洲科盟车辆配件有限责任公司 | 列车车轴监测方法、装置和*** |
| CN109443766A (zh) * | 2018-09-10 | 2019-03-08 | 中国人民解放***箭军工程大学 | 一种重载车辆变速箱齿轮安全性分析方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20210049839A1 (en) | 2021-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112396177A (zh) | 汽车预测性维修 | |
| US11748626B2 (en) | Storage devices with neural network accelerators for automotive predictive maintenance | |
| US11361552B2 (en) | Security operations of parked vehicles | |
| US11853863B2 (en) | Predictive maintenance of automotive tires | |
| US10993647B2 (en) | Drowsiness detection for vehicle control | |
| US11586194B2 (en) | Storage and access of neural network models of automotive predictive maintenance | |
| US11702086B2 (en) | Intelligent recording of errant vehicle behaviors | |
| US11586943B2 (en) | Storage and access of neural network inputs in automotive predictive maintenance | |
| CN113269952B (zh) | 车辆的预测性维护的方法、数据存储装置及车辆 | |
| US20230060300A1 (en) | Method and system for analyzing the control of a vehicle | |
| CN112464972A (zh) | 汽车动力系的预测性维护 | |
| US11775816B2 (en) | Storage and access of neural network outputs in automotive predictive maintenance | |
| US20230041045A1 (en) | Determining autonomous vehicle status based on mapping of crowdsourced object data | |
| US20210049480A1 (en) | Predictive maintenance of automotive battery | |
| US11635893B2 (en) | Communications between processors and storage devices in automotive predictive maintenance implemented via artificial neural networks | |
| US20210049444A1 (en) | Predictive maintenance of automotive engines | |
| US20210053574A1 (en) | Monitoring controller area network bus for vehicle control | |
| US20210049834A1 (en) | Predictive maintenance of automotive lighting | |
| CN112977300A (zh) | 汽车变速器的预测性维护 | |
| CN112446479A (zh) | 用于配置在自主车辆上的数据存储装置的智能写入放大减小 | |
| CN112406458A (zh) | 车辆中的智能气候控制 | |
| CN113971117A (zh) | 用于机器自动化中的组件的预测性维护 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |