CN115758556A - 用于车辆的异常检测的方法和*** - Google Patents
用于车辆的异常检测的方法和*** Download PDFInfo
- Publication number
- CN115758556A CN115758556A CN202211051533.3A CN202211051533A CN115758556A CN 115758556 A CN115758556 A CN 115758556A CN 202211051533 A CN202211051533 A CN 202211051533A CN 115758556 A CN115758556 A CN 115758556A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- data
- degradation
- probability
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- 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]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
- H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
-
- 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
-
- 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
- G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
- G05B23/0254—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 model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- 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
- G05B23/0297—Reconfiguration of monitoring system, e.g. use of virtual sensors; change monitoring method as a response to monitoring results
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本公开提供了“用于车辆的异常检测的方法和***”。提供了用于提高诸如车辆部件的资产中的异常检测的准确性的方法和***。在一个示例中,一种方法提供了对连接的物理资产的连续健康监测,所述方法包括使用机器学习基于新的连接的数据的聚合来调适用于所述连接的资产的异常检测的阈值和根本原因分析算法;使用连接的数据基于高级统计和机器学习模型的性能对其进行更新和排名,直到确认表现最佳的模型;以及部署所述表现最佳的模型以监测所述连接的物理资产。
Description
技术领域
本说明书总体上涉及用于监测物理资产的健康状况的方法和***,并且更具体地涉及检测车辆部件的异常。
背景技术
预测性维护,也称为基于状况的维护,是一种涉及连续监测资产(例如,车辆部件)的状况以确定在某些时间需要采取的维护动作的策略。故障预测、异常检测(AD)和剩余使用寿命(RUL)预测***可以持续监测资产的健康状况,并在建议维修时提供通知。为了减少在实际应用中部件劣化的数量并更快地识别设计缺陷,可以使用预测模型来设置触发维修的AD阈值。例如,Zhang等人在美国专利申请公开第2019/0384257号中采用的方法包括将学习的健康指标与回归模型相结合以预测故障。
在传统的车辆设置中,预测模型嵌入在车辆中并依赖于本地或车载信息来建立资产健康状态。在连接的车辆***中,物理资产还可以经由物联网(IoT)框架连接到基于云的健康监测***和其他物理资产,其中每个资产可以向基于云的健康监测***和其他资产传输信息和从其接收信息。因此,预测模型可以从在实地操作的多个类似车辆接收资产群体信息。类似地,工厂环境中的资产也可以从工厂中的其他类似机器以及从其他工厂接收操作信息。因此,可以基于连接的车辆数据来构建预测模型。例如,Barfield等人在美国专利第9,881,428号中教导了通过评估来自多个车辆的基于云的数据来预测车辆中的潜在部件故障。
发明内容
然而,本文的发明人已经认识到使用当前预测模型来预测资产劣化的潜在问题。作为一个示例,当接收到先前在IoT框架中不可用的新信息时,当前的传统或连接的健康监测***可能不会基于新信息连续地更新其AD预测模型、算法和/或检测阈值。因此,当前的AD模型可能不会随着时间的推移而学***均过程,所述过程可能无法充分捕获数据的变化。另外,AD模型可能容易出现高误报率,这可能无法通过从更大量车辆收集数据来充分解决。例如,传统方法可能依赖于用于AD预测和固定检测阈值的低阶参数或机械模型,所述低阶参数或机械模型针对一组有限的工况进行校准并经由可能不表示基本随机过程的可校准修正因子来一般化。此外,参数模型可以依赖于单因子分析而不是多变量分析,并且可以使用滤波和平均技术来降低相对于基于平稳性假设的固定检测阈值的灵敏度,即使过程是异方差的。预测模型也可能不提供关于部件劣化的各个根本原因的任何信息,因为可能会聚合部件劣化的预期因子以创建可能不适用于车辆***可能经历的所有状况的一般模型。
在一个示例中,上述问题可以通过一种用于对连接的物理资产进行连续健康监测的方法来解决,所述方法包括使用机器学习基于新的连接的数据的聚合来调适用于所述连接的资产的异常检测的阈值和根本原因分析算法;使用连接的数据基于高级统计和机器学习模型的性能对其进行更新和排名,直到确认表现最佳的模型;以及部署所述表现最佳的模型以监测所述连接的物理资产。通过这种方式,机器学习(ML)方法可以与来自IoT框架的数据结合使用以提供更准确的AD建模。更具体地,可以通过使用概率密度函数并在给定车辆***的一个或多个其他部件的劣化和/或可观察到的事件的情况下估计部件的劣化的条件概率来更新AD度量。
作为一个示例,燃料喷射器的劣化可能是失火的原因,由此发生失火的概率可以取决于发生失火的边际概率,而不管其他状况如何(例如,基于随时间推移从多个车辆收集的失火数据),以及在给定燃料喷射器的在前的劣化的情况下发生失火的条件概率(例如,基于随时间推移从多个车辆收集的失火数据和燃料喷射器劣化数据)。因此,在给定其他劣化数据(在来自IoT框架的数据变得可用时具有所述数据)的情况下,通过使用并连续更新失火的边际概率和失火的条件概率两者,可以提高失火AD模型的准确性。此外,可以根据从连接的车辆资产接收的失火数据创建多个失火AD模型,所述多个失火AD模型可以基于新的失火数据连续地重新排名(例如,重新排名)以选择表现最佳的失火AD模型,其中表现最佳的失火AD模型的AD阈值可以用于触发维修通知。由于连续更新边际概率和条件概率并对多个AD模型进行重新排名,可以降低AD和RUL预测模型中的误报率和漏报率。连续更新边际概率和条件概率并对多个AD模型进行重新排名的优点是可以使用任何数量或类型的统计和/或机器学习模型,所述模型可以学习和演变,并且随时间推移而竞争。本文公开的方法的附加优点是,通过连续更新边际概率和条件概率,AD建模可以建立根本原因,所述根本原因允许AD预测模型基于根本原因来预测性地评估车辆部件的未来健康状况和性能(例如,RUL)。
应当理解,提供以上发明内容是为了以简化的形式介绍在具体实施方式中进一步描述的一系列概念。其并不意味着确定所要求保护的主题的关键或必要特征,主题的范围由具体实施方式之后的权利要求唯一地限定。此外,所要求保护的主题不限于解决上文或本公开的任何部分中提及的任何缺点的实施方式。
附图说明
图1示出了混合动力车辆中包括的发动机的示意图。
图2示意性地示出了示例性车辆推进***。
图3是示出了用于异常检测的车辆部件的受监测健康度量的图。
图4示出了用于利用连接的车辆数据进行异常检测的示例性***。
图5是示出了用于基于连接的车辆数据更新AD预测模型的示例性方法的流程图。
图6是示出了用于基于连接的车辆数据对异常检测模型进行排名的示例性方法的流程图。
图7A是示出了用于更新车辆部件的完全劣化的边际概率的示例性方法的流程图。
图7B是示出了用于基于车辆部件的完全劣化的条件概率来构建和/或更新AD模型的示例性方法的流程图。
图8是示出了使用概率密度估计进行群体中的基于云的AD趋势评估/发现的图示。
图9是用于对预测模型进行排序的受试者工作特征(ROC)曲线的曲线的图。
图10是示出了用于基于异常检测来标记部件的潜在劣化的示例性方法的流程图。
具体实施方式
以下描述涉及用于基于从连接的车辆***接收的数据来连续地更新多个异常检测(AD)模型和AD阈值并对更新的AD模型进行排名以确定一个或多个表现最佳的模型的***和方法。
车辆的部件可以由多个供应商供应,其中来自多个供应商中的一个供应商的部件中的设计缺陷可能出现在车辆群体的子集中。设计缺陷通常是在实际应用中出现一些(大量)劣化之后通过召回来解决,从而导致额外的服务行程和驾驶员的挫败感。为了减少实际应用中劣化的次数,可以使用AD模型来预测何时可能发生部件的劣化并向车辆的驾驶员提供进行维修的请求的通知。
AD模型可以嵌入车辆的存储器中并由车辆的控制器访问。AD模型可以建立AD阈值,其中AD阈值是用于标记车辆的部件的异常行为的度量。该度量可以直接测量或从其他信号导出。在一个示例中,该度量是时间,其中AD阈值是在部件的寿命中经过的时间量。在其他示例中,可以使用不同的度量,诸如已经使用或激活部件的次数,或部件的转数,或涉及部件的事件发生的实例数,或者不同的度量。当达到AD阈值时,向车辆的驾驶员提供维修车辆的通知。在一个示例中,基于历史/统计数据、维修数据、保修数据、测试数据或由车辆的制造商或经销商收集的其他数据来建立AD阈值,由此AD阈值是固定的并且不随时间推移而变化。
车辆可以在连接的车辆***内操作,其中控制器可以经由车辆的无线调制解调器与连接的车辆***的多个其他车辆以及一个或多个基于云的服务(诸如基于云的健康监测***)通信。如下面更详细描述的,如果车辆在连接的车辆***内操作,则可以由AD模型基于从包括部件的连接的车辆***的其他车辆接收的数据来更新AD阈值。例如,AD模型可以基于对应的多个车辆的多个类似的燃料喷射器的劣化数据来更新车辆的燃料喷射器的AD阈值。如果劣化数据显示燃料喷射器劣化增加(例如,由于来自供应商的燃料喷射器的子群体的设计缺陷),则可以降低AD阈值,或者如果劣化数据显示燃料喷射器劣化减少(例如,由于来自供应商的燃料喷射器的子群体的设计改进),则可以提高AD阈值。
AD模型可以在部署之前由车辆的制造商创建和校准,其中部署前校准可以包括设置初始AD阈值和/或AD度量(例如,性能变量)并应用滤波和/或平均技术以降低相对于初始AD阈值的灵敏度。然而,传统上,初始AD阈值是基于样本统计(例如,新车辆)而不是群体统计(例如,实际应用中的所有车辆)来建立的,并且当数据可能是异方差(例如,其中数据的可变性可能随时间推移而变化,这可能会生成增加数量的误报和/或漏报)时,滤波和/或平均技术可以假设强平稳性。
为了减少误报和/或漏报的数量,提出了基于从连接的车辆***接收的劣化数据来连续地调整(例如,更新)AD度量和/或AD阈值的方法。另外,可以使用具有不同AD度量和/或AD阈值的多个模型,其中可以基于一个或多个排名算法来选择多个模型中的表现最佳的模型,如下所述。
车辆可以在车辆推进***(诸如图2的车辆推进***)内包括发动机(诸如图1中描绘的发动机)。车辆的部件的估计使用寿命可以用各种健康监测度量(例如,AD阈值)绘制在随时间变化的图中,诸如在图3所示的图中。可以经由基于云的AD服务器***(诸如图4的AD服务器***401)从一个或多个制造数据库和/或连接的车辆***收集部件的劣化数据。可以根据程序(诸如由图5的方法500描述的程序)来对一个或多个AD模型进行创建、更新和排名。可以根据程序(诸如由图6的方法600描述的程序)来基于新数据对AD模型进行周期性或连续的重新排名,其可以涉及对受试者工作特征(ROC)曲线(诸如图9所示的ROC曲线)进行排名。可以基于将在部件中检测到异常的边际概率和条件概率的计算来更新AD模型。当接收到每个异常检测情况时,可以使用概率密度函数来估计在部件中检测到异常的边际概率,如图7A的方法700中所述。一旦已经确定了在一系列连接的部件中发生异常的边际概率,就可以根据贝叶斯定理使用程序(诸如由图7B的方法750描述的程序)来计算在部件中检测到异常的条件(后验)概率。概率密度估计还可以用于识别连接的车辆数据中的趋势和/或新模态,如参考图8所述。如果AD模型预测车辆的部件中的异常,则所述部件可以由所述车辆的控制器标记,使得可以向所述车辆的驾驶员通知进行维修的请求。
图1示出了可以从发动机***8和/或车载能量存储装置得到推进动力的混合动力车辆***6的示意性描绘。能量转换装置(诸如发电机)可以***作以从车辆运动和/或发动机操作吸收能量,然后将所吸收能量转化为适合于供能量存储装置存储的能量形式。
发动机***8可以包括具有多个气缸30的发动机10。发动机10包括发动机进气口23和发动机排气口25。发动机进气口23包括经由进气通道42流体地联接到发动机进气歧管44的进气节气门62。空气可以经由空气滤清器52进入进气通道42。发动机排气口25包括排气歧管48,所述排气歧管通向将排气引导到大气的排气通道35。发动机排气口25可以包括一个或多个排放控制装置70,所述一个或多个排放控制装置安装在紧密联接位置处或远侧车身底部位置处。一个或多个排放控制装置可以包括三元催化器、稀NOx捕集器、柴油微粒过滤器、氧化催化器等。应理解,其他部件(诸如多种阀和传感器)可以包括在发动机中,如本文中进一步详细描述的。在其中发动机***8是增压发动机***的一些实施例中,发动机***还可以包括增压装置,诸如涡轮增压器(未示出)。
车辆***6还可以包括控制***14。控制***14被示出为从多个传感器16(本文描述了其各种示例)接收信息并且将控制信号发送到多个致动器81(本文描述了其各种示例)。作为一个示例,传感器16可以包括位于排放控制装置上游的排气传感器126、温度传感器128和压力传感器129。诸如附加的压力传感器、温度传感器、空燃比传感器和成分传感器的其他传感器可以联接到车辆***6中的各种位置。作为另一示例,致动器可以包括节气门62。
控制器12可以被配置为常规微型计算机,其包括微处理器单元、输入/输出端口、只读存储器、随机存取存储器、保活存储器、控制器局域网(CAN)总线等。控制器12可被配置为动力传动***控制模块(PCM)。控制器可以在睡眠模式与唤醒模式之间转变以得到附加的能量效率。控制器可以从各种传感器接收输入数据,处理输入数据,并且响应于处理的输入数据,基于与一个或多个程序相对应的指令或编程在指令中的代码来触发各种致动器。
在一些示例中,混合动力车辆6包括一个或多个车轮59可用的多个扭矩源。在其他示例中,车辆6是仅具有发动机的常规车辆或仅具有电机的电动车辆。在所示示例中,车辆6包括发动机10和电机51。电机51可以是马达或马达/发电机。当一个或多个离合器56被接合时,发动机10的曲轴和电机51可以经由变速器54连接到车轮59。在所描绘的示例中,第一离合器56被设置在曲轴与电机51之间,并且第二离合器56被设置在电机51与变速器54之间。控制器12可以将信号发送到每个离合器56的致动器来使离合器接合或脱离,以便将曲轴与电机51以及连接到其的部件连接或断开,和/或将电机51与变速器54以及连接到其的部件连接或断开。变速器54可以是齿轮箱、行星齿轮***或另一种类型的变速器。动力传动***可以以各种方式配置,所述方式包括并联、串联或串并联混合动力车辆。
电机51从牵引电池61接收电力,以将扭矩提供到车轮59。电机51还可以操作为发电机,以例如在制动操作期间提供电力以对电池61进行充电。
图2示出了示例性车辆推进***200,所述车辆推进***为图1的混合动力车辆***6的非限制性示例。车辆推进***200包括燃料燃烧发动机210和马达220。作为非限制性示例,发动机210包括内燃发动机,并且马达220包括电动马达。发动机210可以为图1的发动机10的非限制性示例,并且马达220可以为图1的电机51的非限制性示例。马达220可以被配置为利用或消耗与发动机210不同的能源。例如,发动机210可以消耗液体燃料(例如,汽油)来产生发动机输出,而马达220可以消耗电能来产生马达输出。因而,具有推进***200的车辆可称为混合动力电动车辆(HEV)。
根据车辆推进***遇到的工况,车辆推进***200可以利用各种不同的操作模式。这些模式中的一些模式可以使得发动机210能够维持在发动机处停止燃料燃烧的关闭状态(即,设定为停用状态)。例如,在选定工况下,当发动机210停用时,马达220可以经由驱动轮230来推进车辆,如箭头222所示,这在本文中被称为纯电动操作。
在其他工况期间,发动机210可以设定到停用状态(如上所述),而马达220可以操作来给能量存储装置250充电。例如,马达220可以从驱动轮230接收车轮扭矩,如箭头222所指示,其中马达可以将车辆的动能转换成电能以存储在能量存储装置250处,如箭头224所指示。该操作可被称为车辆的再生制动。因此,在一些示例中,马达220能提供发电机功能。然而,在其他示例中,发电机260可以替代地从驱动轮230接收车轮扭矩,其中发电机可以将车辆的动能转换成电能以存储在能量存储装置250处,如箭头262所示。在一些示例中,发动机210可以在再生制动期间停用,并且驱动轮230处的牵引力可能为负,使得马达220可以反向旋转并且对能量存储装置250进行再充电。因此,再生制动可以有别于纯电动操作,在纯电动操作中,马达220可以在驱动轮230处提供正牵引力,从而在发动机210停用时降低能量存储装置250的SOC。
在另外的其他工况期间,发动机210可以通过燃烧从燃料***240接收的燃料来操作,如箭头242所示。例如,当马达220停用时,发动机210可以操作以经由驱动轮230来推进车辆,如箭头212所示,诸如在电荷维持操作期间。在其他工况期间,发动机210和马达220两者可以各自操作以经由驱动轮230来推进车辆,分别如箭头212和222所示。发动机和马达两者可选择性地推进车辆的配置可被称为并联型车辆推进***或混合动力推进装置。应注意,在一些示例中,马达220可以经由第一组驱动轮来推进车辆,并且发动机210可以经由第二组驱动轮来推进车辆。
在其他示例中,车辆推进***200可以被配置为串联型车辆推进***,其中发动机不直接推进驱动轮。而是,可以操作发动机210以对马达220提供动力,马达继而可以经由驱动轮230推进车辆,如箭头222所指示。例如,在选定工况期间,发动机210可以驱动发电机260,如箭头216所示,所述发电机进而可以向马达220(如箭头214所示)或能量存储装置250(如箭头262所示)中的一者或多者供应电能。作为另一示例,发动机210可以操作以驱动马达220,所述马达进而可以提供发电机功能以将发动机输出转换成电能,其中电能可以存储在能量存储装置250处以供马达随后使用。
在将于下文进一步详细讨论的其他示例中,马达220可以被配置为使用经由能量存储装置250提供的能量使发动机在前向取向(例如,默认取向)或反向取向上不加燃料地旋转,由箭头286例示。
燃料***240可以包括用于将燃料存储在车辆上的一个或多个燃料存储箱244。例如,燃料箱244可以存储一种或多种液体燃料,包括但不限于:汽油、柴油和醇类燃料。在一些示例中,燃料可作为两种或更多种不同燃料的共混物存储在车辆上。例如,燃料箱244可以被配置为存储柴油和生物柴油的共混物、汽油与乙醇(例如,E10、E85等)或汽油与甲醇的共混物(例如,M10、M85等),由此这些燃料或燃料共混物可以被输送到发动机210,如箭头242所示。还可以向发动机210供应其他合适的燃料或燃料共混物,其中它们可以在发动机处燃烧以产生发动机输出。发动机输出可以用于推进车辆,如箭头212所示,或者经由马达220或发电机260对能量存储装置250再充电。
在一些示例中,能量存储装置250可以被配置为存储电能,所述电能可以被供应到驻留在车辆上的其他电负载(除了马达之外),包括车厢加热和空调、发动机起动、前照灯、车厢音频和视频***等。作为非限制性示例,能量存储装置250可以包括一个或多个电池和/或电容器。在一些示例中,增加从能量存储装置250供应的电能可能减小纯电动操作里程,如下文将更详细地描述。
控制***290可以与发动机210、马达220、燃料***240、能量存储装置250和发电机260中的一者或多者通信。在一些示例中,控制***290的使用可以类似于图1的控制器12。控制***290可以从发动机210、马达220、燃料***240、能量存储装置250和发电机260中的一者或多者接收传感反馈信息。此外,控制***290可以响应于该传感反馈而向发动机210、马达220、燃料***240、能量存储装置250和发电机260中的一者或多者发送控制信号。在一些示例中,控制***290可以从车辆操作员202接收对操作员请求的车辆推进***的输出的指示。例如,控制***290可以从与踏板292通信的踏板位置传感器294接收传感反馈。踏板292可以示意性地指代制动踏板和/或加速踏板。此外,在一些示例中,控制***290可以与远程发动机起动接收器295(或收发器)通信,所述远程发动机起动接收器(或收发器)从具有远程起动按钮205的钥匙扣204接收无线信号206。在其他示例(未示出)中,可经由蜂窝电话或基于智能手机的***发起远程发动机起动,其中用户的蜂窝电话向服务器发送数据并且服务器与车辆通信以起动发动机。
在一些示例中,另外或替代地,车辆推进***200可以被配置为自主地操作(例如,无需人类车辆操作员)。因而,控制***290可以基于估计的当前驾驶条件来确定一个或多个期望的操作发动机条件。
能量存储装置250可以周期性地从驻留在车辆外部的电源280(例如,并非车辆的一部分)接收电能,如箭头284所指示。作为非限制性示例,车辆推进***200可以被配置为插电式混合动力电动车辆(HEV),由此电能可以经由电能传输电缆282从电源280供应到能量存储装置250。在从电源280给能量存储装置250再充电的操作期间,电传输电缆282可以将能量存储装置250与电源280电耦合。当操作车辆推进***以推进车辆时,电传输电缆282可以在电源280与能量存储装置250之间断开。控制***290可以识别和/或控制存储在能量存储装置处的电能的量,所述电能的量可以被称为荷电状态(SOC)。
在其他示例中,可以省略电传输电缆282,其中可以在能量存储装置250处从电源280无线地接收电能。例如,能量存储装置250可以经由电磁感应、无线电波和电磁共振中的一者或多者从电源280接收电能。因而,应当理解,可以使用任何合适的方法从不构成车辆的一部分的电源给能量存储装置250再充电。通过这种方式,马达220可以通过利用除了发动机210所利用的燃料之外的能源来推进车辆。
燃料***240可以周期性地从驻留在车辆外部的燃料源接收燃料。作为非限制性示例,车辆推进***200可以通过经由燃料分配装置270接收燃料来进行燃料补给,如箭头272所指示。在一些示例中,燃料箱244可以被配置为存储从燃料分配装置270接收的燃料,直到燃料被供应到发动机210以用于燃烧为止。在一些示例中,控制***290可以经由燃料水平传感器接收对存储在燃料箱244处的燃料的水平的指示。存储在燃料箱244处的燃料的水平(例如,如由燃料水平传感器识别的)可以例如经由车辆仪表板296中的燃料量表或指示传送给车辆操作员。
车辆推进***200还可以包括环境温度/湿度传感器298,和侧倾稳定性控制传感器,诸如横向和/或纵向和/或横摆率传感器299。车辆仪表板296可以包括指示灯和/或基于文本的显示器,在显示器中向操作员显示消息。车辆仪表板296还可以包括用于接收操作员输入的各种输入部分,诸如按钮、触摸屏、语音输入/识别等。例如,车辆仪表板296可以包括燃料补给按钮297,所述燃料补给按钮可以由车辆操作员手动地致动或按下以发起燃料补给。例如,如下面更详细描述的,响应于车辆操作员致动燃料补给按钮297,车辆中的燃料箱可以被减压使得可以执行燃料补给。
控制***290可以使用如本领域已知的适当通信技术通信地耦合到其他车辆或基础设施。例如,控制***290可以经由无线网络231联接到其他车辆或基础设施,所述无线网络可以包括Wi-Fi、蓝牙、某类型的蜂窝服务、无线数据传输协议等等。控制***290可以经由车辆对车辆(V2V)、车辆对基础设施对车辆(V2I2V)和/或车辆对基础设施(V2I或V2X)技术来广播(和接收)关于车辆数据、车辆诊断、交通状况、车辆位置信息、车辆操作程序等的信息。车辆之间的通信以及在车辆之间交换的信息在车辆之间可以是直接的,或者可以是多跳的。在一些示例中,可使用更远程通信(例如,WiMax)来取代V2V或V2I2V或者与其联合以将覆盖区域扩展数英里。在其他示例中,车辆控制***290可以经由无线网络231和互联网(例如云)通信地耦合到其他车辆或基础设施,如本领域公知的。V2V通信装置的一个示例可以包括专用短程通信(DSRC)网络,所述DSRC网络可以允许阈值接近度(例如,5,000英尺)内的车辆在没有互联网连接的情况下进行通信(例如,传输信息)。
无线网络231可以包括一个或多个计算***(例如,服务器),所述计算***包括存储器和一个或多个处理器。存储器可以被配置为存储如本文所述的各种异常检测/剩余使用寿命确定模型,以及提供给其的各种数据,包括从多个车辆获得的车辆操作/传感器数据。处理器可以执行存储在存储器中的指令,以便将车辆操作/传感器数据输入到各种模型中,基于模型的输出来调整AD阈值,对模型进行排序等,如下所述。
车辆推进***200还可以包括可以与车辆操作员交互的车载导航***232(例如,全球定位***)。导航***232可以包括用于辅助估计车辆速度、车辆海拔、车辆定位/位置等的一个或多个位置传感器。此信息可用于推断出发动机操作参数,诸如当地大气压力。如上文所讨论,控制***290还可以被配置为经由互联网或其他通信网络接收信息。从GPS接收的信息可以与可经由互联网获得的信息进行交叉参考,以确定当地天气条件、当地车辆法规等。
在一些示例中,车辆推进***200可以包括一个或多个车载相机235。例如,车载相机235可以将照片和/或视频图像传送到控制***290。在一些示例中,车载相机可用于例如记录车辆的预定半径内的图像。车载相机235可以被布置在车辆的外表面上,使得车辆周围和/或附近的区域可以被可视化。
车辆具有在多种条件下劣化的部件,并且制造商开发具有预测车辆部件何时可能劣化的阈值的模型。模型可以用于通知操作员,因此可以维修车辆。然而,阈值可以基于在新车辆上测试或在有限条件下测试的经验模型等,因此阈值可能导致对劣化的误报或漏报确定。误报和漏报给车辆操作员带来不便,包括但不限于没有通知的部件劣化、始终不正确的劣化通知以及频繁的维修。
例如,图3显示了示出车辆中的燃料喷射器部件的预期寿命和非预期寿命的两个示例的图300。图300包括绘制在y轴上的部件健康度量和绘制在x轴上的部件操作时间。图300示出了用于随时间监测部件健康状况的固定阈值。图300包括曲线302,其是显示部件健康度量(例如,失火事件的数量)随时间的变化的曲线。燃料喷射器的部件劣化的度量可以包括失火事件,其中失火事件随时间的增加可以指示燃料喷射器劣化。在一个示例中,燃料喷射器劣化可能导致在错误的时间喷射,从而导致不完全燃烧。基于部件的传感器读数和操作数据,可以应用模型来确定部件的性能监测中的固定阈值。图300可以示出部件的健康指数,使得可以在时间窗口内检测到部件的劣化和异常行为。
第一阈值304可以表示当车辆部件(例如,燃料喷射器)是新的时预期的失火水平。第二阈值306可以表示车辆部件的正常操作的上限,这意味着如果如曲线302所示的健康度量在第一阈值304与第二阈值306之间,则可以认为车辆部件处于正常操作范围(例如,不表现出超出正常磨损的劣化)。
图300可以包括在监测车辆部件的健康状况时的时间跨度的分区,其表示车辆部件健康数据可以处于某些阈值的时间窗口。车辆部件健康数据可以以时间增量记录,包括但不限于毫秒、秒、分钟或小时。
第一时间跨度314可以表示车辆部件处于正常健康状况的时间,也就是任何时间曲线302低于第二阈值306。第二时间跨度316可以表示车辆部件健康偏离正常的时间,也就是任何时间曲线302超过固定阈值306。第一时间跨度314和第二时间跨度316可以在图300上通过第一时间标记318进行划分,所述第一时间标记可以表示曲线302超过第二阈值306的时间。
可以记录车辆部件健康数据的重要数据点以在监测车辆部件健康状况中进行多个动作。动作可以包括发送通知、修改部件操作等。车辆操作员可以接收作为关于响应于车辆部件健康状况而改变车辆操作的通知的建议。可以经由人机界面(HMI)、电话应用程序等传送建议。在一个示例中,关于劣化的燃料喷射器的重要部件健康数据可能导致车辆操作员接收降低其加速速率以延长燃料喷射器的RUL的建议。
第一兴趣点330可以在图300上表示为曲线302超过第二阈值306时的数据点。兴趣点330以及稍后将讨论的后续兴趣点可以被记录为用于预测模型的重要数据,并且可以将所述数据传送到用于多个本地车辆部件的预测模型以及用于连接的车辆群体中的车辆的车辆部件的预测模型。
图300还包括第一固定AD阈值308和第二固定AD阈值310,其中任一者都可以用于监测车辆部件的健康状况。第一固定AD阈值308和第二固定AD阈值310是固定异常阈值的可能实施方式的不同示例。当曲线302上的数据点超过异常阈值时(例如,当预测到将检测到异常时),可以向车辆操作员发送通知,使得可以修理或维修车辆。
曲线302上的跳跃340可以指示突然且显著的车辆部件健康劣化。在一个示例中,燃料喷射器中的损坏的导线可能导致失火事件显著增加。
第二兴趣点332可以在图300的使用第一固定AD阈值308的实施例上表示为曲线302超过所述阈值时的数据点。在一些实施例中,预测模型可以使用曲线302上的直到第二兴趣点332的数据来预测车辆部件的RUL。
第二时间标记320可以在图300的使用第一固定AD阈值308的实施例上表示为车辆部件在标称操作下可能经历完全劣化的时间的指示符。当预测模型生成预期的RUL时,一旦曲线302超过固定的AD阈值,就可以生成第二时间标记320。
在图300的使用第二固定AD阈值310的替代实施例中,第三兴趣点334可以在图300上表示为曲线302超过所述阈值时的数据点。如上所述,预测模型可以使用曲线302上的直到该实施例中的第三兴趣点334的数据来预测车辆部件的RUL。
在一个示例中,车辆部件的RUL可以反映曲线336,其中车辆部件可能由于跳跃340而经历加速劣化。第三时间标记322可以表示曲线336的示例中的车辆部件经历完全劣化的时间,其早于由第二时间标记320表示的预测时间。在图300的使用第二固定AD阈值310的实施例中,车辆操作员可能在部件经历完全劣化之前太晚接收到关于部件的健康状况的通知。
在一个示例中,车辆部件的RUL可以反映曲线338,其中车辆部件可能由于有利条件而经历延长的RUL。第四时间标记324可以表示曲线338的示例中的车辆部件经历完全劣化的时间,其晚于由第二时间标记320表示的预测时间。在图300的使用第一固定AD阈值308的实施例中,车辆操作员可能由于跳跃340过早接收到关于部件的健康状况的通知,所述跳跃可能是由多个异常或外来状况引起的。由于误报,车辆操作员可能会为随时间增加的维修量付费。
完全劣化阈值312可以表示车辆部件的完全劣化,这意味着如果曲线302上的数据点达到完全劣化阈值312,则车辆部件可能不再像制造的那样起作用。在一个示例中,操作期间的失火事件的数量可能达到完全劣化阈值312,从而指示燃料喷射器应被维修或更换,因为它根据模型不再起作用。
当确定AD模型的固定AD阈值时,存在误报和/或漏报的可能性可能很高。AD阈值可能太低,这意味着误报增加,或者太高,意味着漏报增加。传统上,一旦将模型和固定AD阈值部署到车辆***,即使来自与车辆通信的连接的车辆群体的数据指示模型可以通过调整AD阈值来提高准确性,也无法调整阈值。异常的车辆部件行为可能因因果应激源的存在而加剧,并且在移除任何因果应激源后可能会在操作期间恢复正常的部件健康状况。在一个示例中,燃料喷射器可能具有故障的O形环,从而导致燃料泄漏,并且车辆操作员可以使燃料喷射器得到维修,从而使燃料喷射器的部件健康状况恢复到正常状态,直到图300的阈值。
因此,如图3所示,固定的异常或劣化阈值可能导致不期望数量的部件劣化的误报和/或漏报指示。如下面将更详细描述的,本公开通过利用来自连接的车辆、维修厂等的数据提供对初始异常阈值的实时更新来解决这个问题。另外,根据本文公开的实施例,可以基于通过在给定一个或多个相关部件的在前的劣化的情况下估计部件劣化的条件概率而创建的概率密度函数来更新异常阈值。此外,可以创建各种AD模型,可以基于根据更新的条件概率对AD模型的排名来从所述各种AD模型中选择表现最佳的模型,其中排名可以随着接收到新的劣化数据而改变。
现在转向图4,其示意性地示出了用于利用来自云网络410的连接的车辆数据和资源的异常检测的***400。***400可以通过在接收到新数据时更新模型来促进更准确的AD建模,从而减少误报和漏报。当***400的AD模型应用于本地车辆部件时,车辆操作员可以接收关于本地车辆中的车辆部件的健康状况的更准确的信息,这可以导致随时间的维修成本降低。
***400包括异常检测(AD)服务器***401。服务器***401可以包括资源(例如,存储器、处理器),所述资源可以被分配来存储多个AD模型并且存储和执行指令以便基于从多个车辆收集的车辆数据来更新AD模型中的一个或多个。服务器***401包括通信模块、存储器和处理器以存储和更新本文描述的异常模型。通信模块可以促进电子数据在一个或多个***内和/或之间的传输。可以使用一种或多种协议来实施经由通信模块的通信。通信模块可以是有线接口(例如,数据总线、通用串行总线(USB)连接等)和/或无线接口(例如,射频、红外、近场通信(NFC)等)。例如,通信模块可以使用任何过去、现在或未来的通信协议(例如,BLUETOOTHTM、USB 2.0、USB 3.0等)经由有线局域网(LAN)、无线LAN、广域网(WAN)等进行通信。
存储器可以包括一个或多个数据存储结构,诸如光学存储器装置、磁存储器装置或固态存储器装置,以用于存储由服务器***401的处理器执行以执行本文所公开的各种功能的程序和例程。存储器可以包括任何期望类型的易失性和/或非易失性存储器,诸如例如静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、快闪存储器、只读存储器(ROM)等。例如,处理器可以是任何合适的处理器、处理单元或微处理器。处理器可以是多处理器***,并且因此可以包括彼此相同或类似并且经由互连总线通信地耦合的一个或多个附加处理器。
***400包括存储可以用于初始化、然后更新一个或多个AD模型的数据的一个或多个数据库。如图所示,***400包括第一数据库402、第二数据库404和第三数据库406。在一个示例中,第一数据库402是工程数据库,其存储关于车辆部件的制造数据,包括但不限于用于预测模型的部件历史数据、车辆历史数据和制造商默认数据。在一个示例中,第二数据库404是保修数据库,其存储关于车辆部件的保修数据,包括但不限于预期寿命数据、RUL时间数据和历史保修数据。在一个示例中,第三数据库406是经销店和维修数据库,其存储关于车辆部件的数据,包括但不限于部件维修频率数据、维修前后的部件健康数据以及经销店路测数据。数据库可以包括与车辆部件异常检测相关的因果数据,以帮助预测模型监测车辆部件健康状况。另外或替代地,可以在车辆部件的异常检测中使用更多或更少的数据库。在替代实施例中,数据库402、404和406可以包括不同类型的数据,诸如驾驶员行为数据和/或地理数据。
服务器***401可以聚合来自数据库402、404和406的数据,以评估可以基于来自开发人员和制造商的初始测试数据和历史数据开发并由服务器***401存储或部署的初步或基础预测模型。服务器***401可以将基础预测模型的性能与当前连接的车辆数据进行比较,以检测新的数据行为、部件数据中的新趋势等。服务器***401可以经由网络410空中传送数据,包括但不限于基础预测模型和来自数据库402、404和406的聚合数据,以更新连接的车辆群体中的车辆***并更新开发数据库408。
开发数据库408可以存储对所部署模型的更新,并且制造商可以从开发数据库408接收更新。开发数据库408可以诸如经由网络410存储来自连接的***中的多个车辆群体中的一个或多个的车辆部件数据。在一个示例中,开发数据库408表示来自不同制造商的多个数据库。车辆可以包括来自多个制造商的部件,其中每个制造商具有部件的数据库。开发数据库408还可以存储预测模型开发人员用于开发和更新RUL模型、AD模型等的数据,并且包含所述模型。使用来自开发数据库408的数据,开发人员可以通过定义用于车辆部件的阈值检测的初始度量来生成多个模型,包括但不限于经验模型、物理模型和机器学习模型。可以使用已知的测试用例、条件和噪声因子来测试模型和初始度量。使用测试的结果,开发人员可以创建在AD模型的初始部署期间使用的初始AD阈值。当开发人员使用来自开发数据库408的数据来更新AD模型时,可以使用与维修、保修、召回、罚款等相关的数据来测试更新的模型以进行重新部署。
服务器***401、数据库402、404和406、开发数据库408以及多个车辆420可以通过合适的网络(诸如网络410)进行通信。此外,本文描述的装置中的一者或多者可以通过云或其他计算机网络来实施。例如,服务器***401在图4中示出为构成单个实体,但是应当理解,服务器***401可以跨多个装置(诸如跨多个服务器)分布。
部署的模型(例如,部署在多个车辆420中的一个或多个上)的示例在图4中可视地表示为部署模型430,其可以在来自开发数据库408的模型的初始部署时建模。在一个示例中,为燃料喷射器创建部署模型430,其中针对燃料喷射器的制造商数据对连接的车辆群体中的燃料喷射器的历史数据进行建模以创建阈值(由在部署模型430的视觉表示中所描绘的曲线的竖线示出),以在燃料喷射器的整个寿命期间检测操作异常。然后可以将部署模型部署到与具有用于健康监测的预测模型的部件相对应的车辆。
服务器***401可以从多个车辆420接收数据的批量更新。所接收的数据可以用于更新车辆部件的密度估计,并且分布数据440是示例性聚合数据的可视化。分布数据440可以用于使用条件概率来更新AD模型,如下面将更详细描述的。服务器***401可以被配置为在新数据被聚合时修改分布,并且如果数据指示初始异常阈值太高或太低,则服务器***401可以更新对应的AD模型,从而降低车辆的误报和漏报率。例如,服务器***401可以使用更新的分布数据来修改AD阈值。分布数据440的变化可以在更新的部署模型450中表示,其中AD阈值可以基于更新的数据而改变。
例如,在更新的部署模型450中,概率分布曲线452可以指示燃料喷射器的正常群体中发生燃料喷射器劣化的概率(例如,平均10年),并且概率分布曲线454可以指示在由一个供应商供应的燃料喷射器的子群体中发生燃料喷射器的劣化的概率,其中所述子群体的燃料喷射器包括缩短所述子群体的燃料喷射器的RUL(例如,缩短到4年)的设计缺陷。在更新的部署模型450下,基于部署前数据,在位置458处建立AD阈值,这意味着对于总群体,可以预测在大约7年时发生(例如,检测到)异常。然而,当AD模型从连接的车辆***接收到新的劣化数据时,子群体的燃料喷射器的劣化的概率可以改变,如由更新的概率分布曲线456(例如,先前是概率分布曲线454)所反映的。基于更新的概率分布曲线456,可以更新AD模型以将AD阈值改变到位置460,从而反映可以预测在大约8.5年时发生异常。AD阈值的放置可以寻求最大化燃料喷射器的平均寿命(之后发出维修通知),同时最小化在有缺陷的燃料喷射器的小子群体的实际应用中劣化的喷射器的数量。
更新的部署模型450可以被分布到多个车辆420和/或开发数据库408。应当理解,分布数据440和更新的部署模型450在视觉上表示以帮助清楚地讨论分布数据440和更新的模型450,并且分布数据440和更新的部署模型450可以在不脱离本公开的范围的情况下采取其他形式。此外,虽然分布数据440和更新的部署模型450与服务器***401分开示出,但是应当理解,分布数据440和更新的部署模型450可以存储在服务器***401、本文公开的任何数据库(例如,数据库402、404、406、开发数据库408)和/或其组合上。
现在转向图5,示出了用于开发和更新AD模型以监测车辆部件健康状况的示例性方法500,其中假设了连接的数据可用性。连接的数据可用性可以包括使用V2V、V2I、云网络等与车辆群体或多个数据库和/或服务器的通信。用于执行方法500的至少一部分的指令可以存储在服务器***(诸如图4的服务器***401)上并由其执行。
在502处,方法500包括在初始开发期间定义一个或多个顶部AD模型。每个AD模型可以特定于特定的车辆部件(例如,燃料喷射器、氧传感器、散热器)或车辆***或子***。此外,可以针对特定车辆部件、子***或***开发一个以上的AD模型。例如,特定于燃料喷射器的第一AD模型可以是支持向量机(SVM)模型,而特定于燃料喷射器的第二AD模型可以是决策树模型。通过为每个车辆部件生成多个模型,可以在部署模型之后识别最适合检测异常的模型,如下面更详细地解释的。AD模型可以是合适的机器学习和/或基于物理的模型,包括但不限于SVM、决策树、朴素贝叶斯(NB)分类器、随机森林、k最近邻(KNN)、具有噪声的基于密度的聚类算法(DBSCAN)、高斯过程回归(GPR)、距离度量等。如下面更详细所述,可对模型进行排名以确定表现最佳的模型。
可以定义顶部模型的特征,并且可以将降维应用于顶部模型以减少建模误差(例如,过度拟合)。降维技术可以包括主分量分析(PCA)、变分自编码器(VAE)等。
在504处,可以选择子群体来更新AD模型。可以基于诸如地理、品牌、型号/类型等参数将车辆聚类为子群体。在一些实施例中,可以使用监督或无监督学习来对子群体进行聚类。在一个示例中,由于AD模型可以部署到的车辆群体中的大量数据样本,可以经由无监督学习来更新AD模型。
在506处,用部署前校准初始化AD模型。在初始部署时,每个AD模型可以包括一个或多个触发、标志和/或阈值,当与本地车辆数据进行比较时,所述触发、标志和/或阈值可以用于指示车辆零件的异常行为。可以基于从已知用例和历史/统计数据编译的信息来确定部署前校准(例如,触发、标志、阈值等)。例如,如上面参考图4所述,历史/统计数据可以包括研究和工程数据、制造商默认数据、保修数据、维修/经销店数据、测试数据和路测数据等。
在508处,监测连接的数据流,并且在510处,基于连接的数据流监测AD模型/***性能。在一个示例中,监测所述AD***的所述性能包括监测对总车辆群体和所述总车辆群体内的多个车辆子群体的多个不同车辆部件的异常的检测。例如,总车辆群体中的车辆的车辆***(例如,发动机***、燃料***等)可以包括多个部件,其中多个部件中的每个部件可以通过多个AD模型建模。可以针对部件选择多个AD模型中表现最佳的模型(例如,作为先前排名的结果)的AD阈值,其中当达到AD阈值(例如,10年)时,通知车辆的驾驶员将所述车辆送去维修。在监测连接的数据流以获取AD***性能时,当达到总车辆群体(和车辆子群体)的车辆的AD阈值时,接收到部件的异常数据。
在一个示例中,当驾驶员被通知并且将车辆送去维修并且部件被检查和/或更换时,可以接收到异常数据。异常可能得到验证(例如,真阳性),或者异常可能未得到验证(例如,误报)。在另一个示例中,当驾驶员被通知并且未将车辆送去维修时,可以接收到异常数据,并且在实际应用中出现部件的完全劣化。当部件的RUL接近0(例如,真阴性)时,可能发生部件的完全劣化,或者当部件的RUL大于或小于0(例如,漏报)时,可能发生部件的完全劣化。因此,当聚合异常和劣化数据时,可以评估AD***的性能。当劣化数据指示部件的AD模型的准确性高时,可以维持该模型的AD阈值。当劣化数据指示部件的AD模型的准确性不高时,可以对与部件相关联的多个AD模型进行重新排名,由此可以选择具有不同AD阈值的不同AD模型。
在512处,对AD模型进行排名。在一个示例中,基于受试者工作特征(ROC)曲线对AD模型进行排名。例如,可以针对多个模型构建ROC曲线,其中每个ROC曲线对应于多个模型中的一个模型。对于每个模型,对应的二维ROC曲线由(x,y)坐标点定义,其中每个(x,y)坐标点对应于检测阈值,并且其中x是误报率并且y是检测阈值位置处的真阳性率。简要地参考图9,示出了示例性ROC曲线图900,其包括表示第一模型的ROC曲线904、表示第二模型的ROC曲线906和表示第三模型的ROC曲线908,以上曲线均针对机会线902绘制,该机会线表示其中真阳性或误报的可能性相等的最差模型。示出了表示第一模型的单个检测阈值的ROC曲线904的示例性点910,其中单个检测阈值的误报率为0.2,并且单个检测阈值的真阳性率为0.6。ROC曲线下的面积可以用作在候选模型之间进行选择的标准,其中点912表示100%的可检测性(例如,与点912相交的理论ROC曲线下的面积等于1.0)。因此,在示例性ROC曲线图900中,可以选择对应于ROC曲线908的第三模型作为最佳模型,因为ROC曲线908下的面积最接近。
返回到图5,在514处,更新条件分布、AD模型和AD检测阈值。当从连接的车辆***接收的异常数据指示AD模型的准确性不高时,除了对多个AD模型进行重新排名以选择新的表现最佳的模型之外,还可以更新AD模型和对应的阈值,使得AD模型可以从异常(和劣化)数据中学习并演变。更新AD模型可能取决于所使用的模型类型。例如,可以基于新的异常数据来调整ML模型的多个权重,或者可以调整回归模型以包括与新的异常数据相对应的新数据点。另外,AD模型可以依赖于条件概率,由此更新AD模型可以包括更新条件概率,如下面关于图7A至图7B详细描述的。
在516处,将更新的模型和阈值参数无线地传输到适用的车辆部件。一旦更新了模型和阈值参数,车辆群体中的本地车辆就可以经由云网络和/或车辆群体中的其他车辆接收更新。
现在转向图6,其示出了用于在连接的车辆数据可用时对资产的AD模型进行排名的示例性方法600。用于执行方法600的指令可以存储在服务器***(诸如图4的服务器***401)上并由其执行。在一个示例中,方法600作为上面描述的方法500的一部分执行。
在602处,方法600包括对连接的车辆群体中的车辆进行分类。方法600可以使用车辆分类法通过按车辆类别对车辆进行分类来对连接的车辆群体中的车辆进行分类。包括但不限于燃料混合、地理、环境事件和交通模式的多个条件可以是在监测车辆***的健康度量时区分部件行为的因子。对于AD模型,车辆类别分类可以促进基于车辆类别之间的差异来划分车辆部件行为以及隔离车辆部件劣化的根本原因。在一个示例中,车辆分类法的特性可以包括品牌、型号、动力传动***、传动系、轴距和操作区域条件,所述操作区域条件还可以包括环境温度、湿度、交通模式和海拔高度。
在604处,部署资产和模型(例如,AD模型)。可以相对于图5的方法500部署资产和模型。可以相对于车辆分类法中的特定分类级别开发具有变化的模型,并且将所述模型分配给所述分类级别适用的车辆。
在606处,发出已经达到资产的AD阈值的通知,由此向对应车辆的驾驶员发出通知以将车辆带去维修。在一个示例中,可以用异常数据(例如,来自车辆维修的真异常或假异常信息)来更新(例如,车辆中的)部件的一个或多个AD模型。在另一个示例中,还通知基于云的健康监测***,由此可以更新一个或多个基于云的AD模型。在608处,方法600包括确定通知是否被忽略。如果在608处确定通知未被忽略,则方法600前进到610。在610处,方法600包括确定是否检测到异常,由此异常数据为真阳性,如上文参考图5的方法500所述。在一个示例中,方法600可以默认将异常指定为真阳性。如果在610处确定检测到异常,则方法600前进到612。在612处,方法600包括调整一个或多个AD模型的真阳性率。
在614处,根据上文参考图5描述的排名程序对AD模型进行重新排名。在排名期间,按照每个AD模型的异常发生概率以降序对AD模型进行排名(例如,报告所标记的异常发生的最高概率的AD模型在表现最佳的模型的排名中被排名为表现较好的模型)。
返回610,如果确定未检测到异常,则方法600前进到616。在616处,方法600包括将异常指定为误报,并且在618处,调整误报率。
在620处,对AD模型进行重新排名。在排名期间,按照每个AD模型的异常发生概率以升序对AD模型进行排名(例如,报告所标记的异常未发生的最高概率的AD模型在表现最佳的模型的排名中被排名为表现较好的模型)。
返回608,如果确定通知被忽略,则方法600前进到622。在622处,方法600包括维持正常操作参数并继续使用车辆部件。
在624处,监测车辆部件,直到记录到车辆部件的劣化。在一个示例中,劣化是完全劣化,其中车辆部件在实际应用中失去功能。在另一个示例中,劣化是部分劣化,其中部件仍然可以起作用,但是功能性较低,使得车辆的性能受到影响。在626处,方法600包括确定在达到部件的预测RUL之后是否发生劣化。如果在626处确定在达到部件的预测RUL之前或之时发生了车辆部件的劣化,则方法600前进到628。在628处,方法600包括对AD模型进行重新排名,其中按照每个AD模型的异常发生概率以降序对AD模型进行排名(例如,报告所标记的异常发生的最高概率的AD模型在表现最佳的模型的列表中被排名为表现较好的模型)。
替代地,在626处确定在达到部件的预测RUL之后很久才发生了车辆部件的劣化,则方法600前进到630。在630处,方法600包括对AD模型进行重新排名,其中按照每个AD模型的异常发生概率以升序对AD模型进行排名(例如,报告所标记的异常未发生的最高概率的AD模型在表现最佳的模型的列表中被排名为表现较好的模型)。
例如,车辆部件可能在预测RUL之前或之后经历完全劣化。在一个示例中,车辆部件在所述预测RUL之前经历完全劣化,并且报告在预测时间之前发生异常的最高概率的AD模型在顶部模型的列表中被排名为较高模型。在另一个示例中,车辆部件在所述预测RUL之后经历完全劣化,并且报告在预测RUL之前或之时未发生异常的最高概率的AD模型在顶部模型的列表中被排名为较高模型。
在632处,将车辆部件劣化数据中继给制造商。在634处,可以调整制造方法和AD阈值,并且方法600结束。
虽然可以通过增加由AD模型考虑的异常和/或劣化数据的量(例如,来自连接的车辆***)并允许AD模型基于准确性进行竞争来减少AD模型的误报和漏报异常,但是通过将异常数据表示为概率分布而不是标量数据点,可以另外提高AD模型的准确性。更具体地,当聚合异常数据时,通过对经由对与异常数据(包括劣化数据)相关联的概率分布求和而生成的概率密度函数进行积分与通过经由加除平均过程计算运行平均健康指数值相比,可以更准确地估计使由AD模型用于设置AD阈值的概率。这样做的一个原因是,当由于添加新的个体健康指数值而调整运行平均健康指数值时,新的健康指数值与在较早时间聚合的个体健康指数值相等地加权,由此所述劣化中的演化趋势可能模糊不清。此外,可能无法捕获更大群体的真实分布。此外,概率密度函数可以提供对跨大样本的部件的行为的理解,并且因此基于概率密度函数的更新可以反映广泛的操作域上的趋势,并且因此可以是对诸如异常或劣化的结果的较好的估计函数。通过使用概率密度函数来指导单独车辆的AD阈值的放置,可以相对于初始校准并且特别是针对可能不反映资产部署后的地面实况的静态AD阈值来以更大的置信度针对真实行为来调整AD阈值。在一个示例中,概率分布基于边际概率(例如,在第一车辆部件中检测到异常的概率)。在异常数据可用于第二车辆部件的情况下,其中第二车辆部件的异常或劣化可能导致在第一车辆部件中检测到异常,概率分布可以基于条件概率(例如,在给定第二车辆部件的在前的异常/劣化的情况下检测到所述第一车辆部件的异常的概率,其中所述第二车辆部件的所述异常/劣化是所述第一车辆部件中的所述异常的原因)。在其他示例中,概率分布可以基于边际概率和条件概率两者。下面参考图7A和图7B描述边际概率和条件概率的计算和更新。
现在转向图7A,示出了用于更新异常发生的边际(例如,先验)概率的示例性方法700。例如,第一异常可能是第二异常的原因,或第三异常的结果,或两者。如果报告了在第一异常与第二和/或第三异常之间建立因果关系的信息,则可以基于因果关系来计算异常发生的条件(例如,后验)概率。条件概率和边际概率可以用于计算异常发生的总体概率,其中总体概率比边际概率更准确,如下面参考图7B所描述的。用于执行方法700的指令可以存储在服务器***(诸如图4的服务器***401)上并由其执行。在一个示例中,方法700作为上面描述的方法500的一部分执行。
在702处,方法700包括从云网络(例如,从连接的车辆***)接收单独的异常情况。当接收到异常情况时,可以收集关于异常发生的频率的数据。所述数据可以用于生成和/或更新概率密度函数f(X),其中X是接收到的异常情况。在一个示例中,使用核密度估计(KDE)来估计概率密度函数。例如,可以将所报告的每个异常情况绘制为内核,其中内核具有分配的概率密度和分配的数据分布。在一个示例中,数据分布是基于标准偏差(例如,2.25)的高斯分布。在其他示例中,数据分布可以是Epanechnikov分布、或三角形分布、或均匀分布或不同的分布。当将每个新的异常情况添加到概率密度函数的曲线图时,对内核进行求和以产生KDE,其中KDE是最佳拟合劣化数据的曲线。当报告每个新的异常数据时,KDE可能会随时间变化。通过使用KDE来估计概率密度函数f(X)而不是对异常数据进行平均化的平均方法来计算异常发生的边际概率的一个优点是概率估计偏向于最近的数据,由此可以识别可能是演变趋势的指标的移位分布。
例如,简要地参考图8,部件群体图800示出了示例性概率密度图802,其中绘制了概率密度函数f(X),其中经由KDE估计概率密度函数。在图802中,多个检测到的异常情况被绘制为多条虚线810。每条虚线810指示表示从云806(例如,包括连接的车辆***)接收的不同异常情况的内核。曲线图802的x轴可以是性能度量。例如,性能度量可以是以天为单位测量的时间。每个内核被描绘为具有高斯分布的概率曲线,其中概率曲线的峰值表示高斯分布的均值或预期值。例如,由内核820的峰值表示的异常发生在时间20(例如,在20天之后),如虚线822所指示。
概率密度函数f(X)由实线812示出,其表示由多条虚线810指示的每个内核的概率曲线的加权和。实线812的每个峰值可以表示给定群体的车辆部件(例如,聚类在峰值下的内核)的平均劣化时间。在图802中,可以识别具有不同平均异常检测度量的至少两个不同的车辆部件群体,其被示出为由虚线814隔离。第一车辆部件群体830(例如,来自第一供应商)具有在时间20左右发生异常(例如,劣化)的最高概率,而第二车辆部件群体832(例如,来自第二供应商)具有在时间40与时间70之间发生异常(例如,劣化)的最高概率。第二图804示出了第一群体和第二群体的分布,其中正常数据816的分布可以对应于图802的第一车辆部件群体830,并且不正常数据818的分布可以对应于图802的第二车辆部件群体832。在一个示例中,不正常数据818的分布可以表示新趋势,其中不正常数据818的分布先前不存在,或者先前不存在所指示的分布。因此,通过使用KDE来估计概率密度函数f(X),可以检测和表征车辆部件的移位群体,由此可以识别新的缺陷车辆部件群体的根本原因。
返回到图7A,在704处,方法700包括基于所接收的异常情况来更新概率密度函数,如上所述。对应于接收到的异常情况绘制内核,并且更新所有内核的总和,这改变拟合求和的内核的曲线的形状,从而产生调整后的概率函数。概率密度函数可以在每次接收到数据时更新,或者它可以在接收到一批异常数据之后更新。
在706处,方法700包括使用更新的概率密度函数来计算(例如,更新计算)接收到的异常情况发生的边际概率。所述概率密度函数可以表示为f(X),其中X是接收到的异常情况。当绘制时,概率密度函数f(X)产生表示在给定车辆群体的健康指数值a与健康指数值b之间在车辆部件中检测到异常的概率分布的曲线。可以通过对概率密度函数进行积分来计算接收到的异常情况发生的边际概率,例如,0.0与1.0之间的标量值,如下面的方程(1)所示:
在708处,将边际概率存储在基于云的健康监测***(诸如图4的AD服务器***401)中(例如,以由其他车辆的AD模型访问或在全局AD模型中使用)。如下所述,在给定其他车辆部件的异常数据的情况下,边际概率可以用于计算异常情况X发生的后验结果|原因条件概率。
现在转向图7B,示出了用于使用基于车辆群体数据的更新的条件概率来更新一个或多个AD模型的示例性方法750,其中所述一个或多个AD模型可以用于基于对将在车辆部件中检测到异常的概率的计算来建立用于一个或多个零件群体的AD阈值。异常行为(E=结果)可能会增强,或者在存在一个或多个特定先兆原因(C=原因)的情况下,发生的概率可能会增加。另外,一种结果可能具有带有不同程度的影响的一个或多个原因。因此,对这些原因的存在的了解可以允许更好地预测结果的发生。即使个体资产可能未示出原因的存在,也可以通过针对一个或多个原因的存在对被监测的资产群体进行采样而使因果信息可用。所述信息可以用于更新对结果的发生的估计。因此,对在第一零件中检测到异常的概率的计算可以包括估计在第一零件中检测到异常的边际概率,以及在给定在同一车辆***的一个或多个不同的第二零件中检测到异常的情况下在第一零件中检测到异常的条件概率两者。在一些示例中,在给定在一个或多个不同的第二零件中的第二零件中检测到异常的情况下估计在第一零件中检测到异常的条件概率可包括在给定在第一零件中检测到异常的情况下估计在第二零件中检测到异常的条件概率,如下所述。用于执行方法750的指令可以存储在服务器***(诸如图4的AD服务器***401)上并由其执行。在一个示例中,方法750作为上面描述的方法500的一部分执行。
在752处,方法750包括选择车辆部件来分析异常检测。在一个示例中,可以选择燃料喷射器进行AD分析。
在754处,方法750包括识别车辆部件的异常的可能原因和/或结果以创建因果对。例如,燃料喷射器的劣化可能导致失火,或者喷射器喷嘴或喷射器螺线管的劣化可能导致燃料喷射器的劣化。因此,第一因果对可以包括燃料喷射器劣化作为原因并且失火作为结果,并且第二因果对可以包括喷射器喷嘴或喷射器螺线管作为原因并且燃料喷射器劣化作为结果。在函数式语言中,异常情况X可以是第二异常情况Y的原因C,由此当描述异常情况X发生的条件概率时,P(X)可以表示为P(C)。在另一示例中,异常情况X可以是第二异常情况Y的结果E,由此当描述异常情况X发生的条件概率时,P(X)可以表示为P(E)。
在756处,方法750包括从云接收每个因果对的异常数据。例如,异常数据可以包括作为原因的异常情况和/或作为结果的异常情况(例如,燃料喷射器劣化数据、失火数据、喷射器喷嘴或喷射器螺线管劣化数据等)。
在一些示例中,异常数据可以另外包括从自连接的车辆***收集并存储在云中的聚合数据生成的数据,诸如更新的概率密度函数和/或更新的边际概率(例如,其已经根据方法诸如图7A中所述的方法700更新并存储在云中)。例如,如果因果对包括燃料喷射器劣化作为原因并且失火作为结果,则异常数据可以包括燃料喷射器劣化的概率密度函数和燃料喷射器劣化发生的边际概率(例如,P(C));以及失火的概率密度函数和失火发生的边际概率(例如,P(E))。类似地,如果第二因果对包括喷射器喷嘴或喷射器螺线管劣化作为原因并且燃料喷射器劣化作为结果,则异常数据可以包括喷射器喷嘴或喷射器螺线管劣化的更新的概率密度函数和喷射器喷嘴或喷射器螺线管发生的更新的边际概率(例如,P(C))。
在760处,方法750包括基于从云网络或连接的车辆***中的其他车辆接收的异常数据来更新车辆部件的一个或多个AD模型的一个或多个概率密度函数。一个或多个概率密度函数可以基于聚合的边际概率或聚合的条件概率或两者。
在762处,方法750包括针对所识别的每个因果对,从云网络接收在给定结果的情况下原因发生的条件概率,所述条件概率表示为P(C|E)。条件概率P(C|E)用于异常检测并建立影响车辆部件的健康状态的因果关系。例如,P(C|E)可以是给定失火数据的情况下燃料喷射器劣化的概率。在一个示例中,条件概率P(C|E)是根据存储的数据确定的,所述存储的数据包括由车辆或车辆部件的制造商收集的历史和/或统计数据。历史和/或统计数据可以包括测试数据、经销店维修数据、质量数据等。例如,历史和/或统计数据可包括存储在工程数据库(例如,图4的工程数据库402)中的数据,诸如用于预测模型的关于车辆部件的制造数据、部件历史数据、车辆历史数据和/或制造商默认数据。历史和/或统计数据可以包括存储在保修数据库中的数据,诸如预期寿命数据、RUL时间数据和历史保修数据。历史和/或统计数据可以包括存储在经销店和维修数据库中的数据,诸如部件维修频率数据、维修前后的部件健康数据、经销店路测数据等。在另一个示例中,可以基于从云接收的异常数据来估计条件概率P(C|E)。条件概率P(C|E)用于确定车辆部件的劣化的根本原因。
在764处,方法750包括对于每个条件概率P(C|E),计算在给定原因的情况下结果发生的条件概率,表示为P(E|C)。例如,条件概率P(E|C)可以是在给定在前的燃料喷射器劣化的情况下燃料喷射器失火的概率。可以基于在762处接收的P(C|E)以及来自在756处接收的更新的异常数据的P(C)和P(E)(例如,根据如参考图7A所述的概率密度函数确定)经由如下贝叶斯概率方程来计算条件概率P(E|C):
在766处,方法750包括使用P(E|C)值来更新一个或多个AD模型。在一个示例中,基于P(E|C)值更新一个或多个AD模型包括更新一个或多个AD模型的条件概率密度函数。更新一个或多个AD模型还可以包括更新一个或多个AD模型的AD阈值。在一个示例中,使用以下公式根据平均方法来更新性能度量:
Yk←θkYk+(1-θk)Yk-1 (3)
其中Yk是性能度量的调整后的AD阈值,其基于性能度量的当前AD阈值Yk与性能度量的调整后的AD阈值的先前值Yk-1的加权和。例如,Yk可以是按照RUL模型预测燃料喷射器发生故障的阈值时间。当检测到新的燃料喷射器劣化时(例如,在连接的车队的车辆中),新的燃料喷射器劣化发生的时间变为当前Yk,并且阈值时间变为新的Yk-1。因此,更新的Yk成为性能度量的新的调整后的AD阈值。
然而,虽然更新AD阈值的传统方法可以使用θk(例如,对于所有k,θk=θ)的可校准常数值,但是在所提出的方法中,根据如上面在764处计算的当前贝叶斯更新P(E|C)来调整当前加权因子θk,如下:
因此,随着以给定原因为条件的结果的概率增加,θk接近1,并且性能度量的更新的AD阈值Y更偏向于当前异常数据。
一旦已经更新了一个或多个AD模型,就可以从一个或多个AD模型中选择一个或多个表现最佳的模型,其中一个或多个表现最佳的模型是以最高准确性预测部件劣化的AD模型。
在768处,方法750包括基于受试者工作特征(ROC)曲线对模型类型进行排名,其中计算每条曲线下方的面积并对其进行排名以确定一个或多个顶部模型,如上文关于图9所述,并且方法750结束。
现在参考图10,流程图1000示出了用于基于异常检测来标记车辆的部件的潜在劣化的示例性方法。用于执行方法1000的指令可以存储在车辆的控制器连同基于云的服务器***(诸如图4的AD服务器***401)上并由其执行。
在1002处,方法1000包括估计和/或测量车辆工况。例如,车辆工况可以包括但不限于车辆的发动机的状态(例如,发动机是否开启),以及车辆的变速器的一个或多个挡位的接合(例如,车辆是否正在移动)。车辆工况可以包括发动机转速和负载、车辆速度、变速器油温、排气流率、质量空气流率、冷却剂温度、冷却剂流率、发动机油压(例如,油道压力)、一个或多个进气门和/或排气门的操作模式、电动马达转速、电池电量、发动机扭矩输出、车轮扭矩等。在一个示例中,车辆是混合动力电动车辆,并且估计和/或测量车辆工况包括确定车辆是由发动机还是电动马达提供动力。估计和/或测量车辆工况还可以包括确定车辆的燃料***的状态(诸如燃料箱中的燃料水平)、确定燃料***的一个或多个阀的状态等。
在1003处,方法1000包括将车辆数据发送到基于云的服务器(例如,图4的AD服务器401)。车辆数据可以包括车辆的实时传感器和事件数据,如经由车辆传感器(诸如上面参考图1描述的传感器16)测量的。车辆数据还可以包括诊断故障代码(DTC),其可以由控制器执行的一个或多个诊断程序触发。在一些示例中,车辆数据可以被自动发送到基于云的服务器的健康监测***,而在其他示例中,车辆数据可以由健康监测***请求。例如,关于车辆部件的DTC可以自动发送到健康监测***,并且响应于接收到DTC,健康监测***可以请求关于包括车辆部件的车辆***的劣化前状况的信息。在一个示例中,实时地连续发送车辆数据。
在1004处,方法1000包括确定是否已经调整了异常检测阈值。如上面关于图5至图7B所解释,异常检测阈值可以与给定车辆部件的一个或多个AD模型相关联。在部署一个或多个AD模型之后(例如,其中对车辆数据(诸如在1003处收集的车辆数据)执行AD模型以确定车辆部件是否表现出劣化迹象),一个或多个AD模型可以被评估(例如,根据图6至图7B的方法)以确定与一个或多个AD模型相关联的初始/校准的AD阈值是否仍然准确,或者是否应更新AD阈值。如关于图5所解释,如果更新了AD模型和/或AD阈值,则可以将更新的AD模型和/或AD阈值从AD服务器推出到连接的资产(例如,多个车辆)。因此,车辆控制器可以确定在车辆处本地使用的AD阈值最近是否已经更新。如果在1004处确定已经调整了异常检测阈值,则方法1000前进到1008。在1008处,方法1000包括修改车辆类别的变量以反映对异常检测阈值的调整。在1010处,方法1000包括响应于接收到应更新AD阈值的指示而更新车辆异常阈值,并且在1011处,方法1000包括将车辆健康指数发送到基于云的服务器。在一些实施例中,车辆健康指数可以用于调整车辆类别的RUL模型。替代地,如果在1004处确定尚未调整异常检测阈值,则方法1000前进到1006。在1006处,方法1000包括维持车辆类别的变量,从而反映未对异常检测阈值进行调整。
一旦已经修改或维持了车辆类别的变量,方法1000就前进到1012。在1012处,方法1000包括确定部件健康数据是否超过AD阈值。例如,部件连续使用的时间量可能超过阈值时间量,由此可以推断出部件的劣化可能即将发生。如果在1012处确定部件健康数据已经超过AD阈值,则方法1000前进到1014。在1014处,标记部件的潜在劣化。例如,可以设置DTC,或者可以设置不同类型的诊断代码。如果在1012处确定部件健康数据尚未超过AD阈值,则方法1000前进到1016。在1016处,不标记部件的潜在劣化。AD阈值可以是初始/校准阈值,或者AD阈值可以是调整后的AD阈值。应当理解,车辆可以存储多个AD阈值,每个阈值特定于不同的车辆部件,并且可以将适当的车辆数据(例如,失火数据、温度数据、压力数据、后处理数据、排气成分数据等)与每个AD阈值进行比较,以便确定每个不同车辆部件的健康状况。
因此,来自IoT框架(诸如连接的车辆车队)的数据可以与机器学***均方法来调整多个部件的AD阈值,按照AD模型和阈值可以更容易地捕获异常的趋势数据。通过提高AD模型的准确性并维持车辆中的更新的AD阈值,可以向驾驶员发送通知以使车辆在适当的时间进行维修,其中适当的时间使车辆的一个或多个部件的使用寿命最大化并且使实际应用中的部件劣化率最小化。此外,概率密度函数和条件概率可以用于改进部件劣化的根本原因分析。本文提供的***和方法的附加优点是可以使用不同类型的多个统计和/或机器学习模型,所述多个统计和/或机器学习模型可以随着时间的推移而竞争和演变以不断提高AD模型的准确性。
使用连接的车辆数据基于边际概率密度函数和条件概率密度函数来连续更新AD模型和AD阈值的技术效果是可以提高AD模型和AD阈值的准确性,从而使车辆部件的使用寿命最大化。
本公开还提供了对一种用于对连接的物理资产进行连续健康监测的方法的支持,所述方法包括:使用机器学习基于新的连接的数据的聚合来调适用于所述连接的物理资产的异常检测的阈值和根本原因分析算法;使用连接的数据基于高级统计和机器学习模型的性能对其进行更新和排名,直到确认表现最佳的模型;以及部署所述表现最佳的模型以监测所述连接的物理资产。在该方法的第一示例中,所述连接的物理资产包括连接的车辆***的多个车辆的车辆部件,并且所述高级统计和机器学习模型是用于建立所述车辆部件的健康指数的异常检测(AD)模型。在任选地包括所述第一示例的该方法的第二示例中,所述连接的车辆***是基于云的***,所述基于云的***还包括工程/质量数据库、保修数据库、经销商/维修数据库和开发数据库中的至少一者。在任选地包括所述第一示例和第二示例中的一者或两者的该方法的第三示例中,更新所述高级统计和机器学习模型还包括调整所述高级统计和机器学习模型中的每个模型的异常检测(AD)阈值,以使异常的误报总数和/或所述异常的漏报总数最小化。在任选地包括所述第一示例至第三示例中的一者或多者或每一者的该方法的第四示例中,更新所述高级统计和机器学习模型还包括用部署前校准来初始化所述高级统计和机器学习模型。在任选地包括所述第一示例至所述第四示例中的一者或多者或每一者的所述方法的第五示例中,更新所述高级统计和机器学习模型还包括:更新第一资产的第一劣化的边际概率;在给定第二资产的第二劣化的情况下更新所述第一资产的所述第一劣化的第一条件概率,所述第二劣化在所述第一劣化之前发生;在给定所述第一资产的所述第一劣化的情况下更新所述第二资产的所述第二劣化的第二条件概率;基于所述第一条件概率来估计所述第一资产的健康状态;以及响应于所述第二条件概率超过阈值概率,将所述第二劣化识别为所述第一劣化的根本原因。在任选地包括所述第一示例至第五示例中的一者或多者或每一者的所述方法的第六示例中,基于所述高级统计和机器学习模型的性能对其进行排名还包括:计算所述高级统计和机器学习模型中的每个模型的受试者工作特征(ROC)曲线下的面积,其中所述面积指示每个模型的成功概率;以及基于每个模型的所述成功概率对所述高级统计和机器学习模型进行排名。在任选地包括第一示例至第六示例中的一者或多者或每一者的所述方法的第七示例中,基于所述高级统计和机器学习模型的性能对其进行排名还包括:在第一状况下,当响应于预测到异常而检查所述连接的物理资产中的资产时:响应于所述异常为真阳性,按所述异常发生的概率以降序对所述高级统计和机器学习模型进行重新排名和排名;响应于所述异常为误报,按所述异常发生的概率以升序对所述高级统计和机器学习模型进行重新排名和排名;以及在第二状况下,当响应于预测到所述异常而未检查所述连接的物理资产中的所述资产时:响应于所述资产在所述资产的使用寿命的预测结束的阈值时间内劣化,按所述异常发生的所述概率以降序对所述高级统计和机器学习模型进行重新排名和排名;响应于所述资产在所述资产的所述使用寿命的所述预测结束之后的所述阈值时间之外劣化,按所述异常发生的所述概率以升序对所述高级统计和机器学习模型进行重新排名和排名;响应于所述资产在所述资产的所述使用寿命的所述预测结束之前的所述阈值时间之外劣化:按所述异常发生的所述概率以降序对所述高级统计和机器学习模型进行重新排名和排名。在任选地包括第一示例至第七示例中的一者或多者或每一者的所述方法的第八示例中,所述高级统计和机器学习模型存储在车辆中,并且由所述车辆的控制器基于存储在所述控制器的非暂时性存储器中的指令进行更新和排名。在任选地包括所述第一示例至所述第八示例中的一者或多者或每一者的所述方法的第九示例中,所述高级统计和机器学习模型存储在基于云的健康监测***中,并且由所述基于云的健康监测***的应用程序进行更新和排名,其中所述连接的物理资产包括多个车辆,并且其中所述表现最佳的模型部署在每个车辆的相应控制器中。
本公开还提供了对一种***的支持,所述***包括:处理器和存储在非暂时性存储器上的指令,所述指令在执行时使得所述处理器:响应于接收到车辆的第一车辆部件的第一劣化数据:基于所述第一劣化数据更新概率密度函数,所述概率密度函数指示所述第一车辆部件随时间推移发生劣化的概率分布;基于所述更新的概率密度函数更新所述第一车辆部件的异常检测(AD)模型;以及将所述更新的AD模型发送到所述车辆和/或多个附加车辆。在所述***的第一示例中,接收所述第一劣化数据包括从连接的车辆***内的其他类似车辆接收所述第一车辆部件的数据。在任选地包括所述第一示例的所述***的第二示例中,其包括存储在所述非暂时性存储器上的另外的指令,所述另外的指令在执行时使得所述处理器使用核密度估计(KDE)更新所述概率密度函数,其中根据所述第一劣化数据创建新的内核,并且其中通过更新所述概率密度函数的多个内核的加权和来更新所述概率密度函数。在任选地包括第一示例和第二示例中的一者或两者的所述***的第三示例中,所述KDE用于将不正常数据与正常数据隔离以识别车辆部件群体中的趋势和/或检测车辆部件子群体之间的质量差异。在任选地包括所述第一示例至第三示例中的一者或多者或每一者的所述***的第四示例中,更新所述概率密度函数还包括:使用所述概率密度函数计算所述第一车辆部件的劣化的边际概率;在给定第二车辆部件的第二劣化数据的情况下计算所述第一车辆部件发生所述劣化的条件概率;基于在给定所述第二劣化数据的情况下所述第一车辆部件发生所述劣化的所述条件概率来更新所述概率密度函数。在任选地包括所述第一示例至第四示例中的一者或多者或每一者的所述***的第五示例中,其包括存储在非暂时性存储器上的另外的指令,所述另外的指令在执行时使得所述处理器基于在给定第一劣化数据的情况下所述第二车辆部件发生第二劣化的边际概率和条件概率使用贝叶斯定理来在给定第二劣化数据的情况下计算所述第一车辆部件发生劣化的条件概率。在任选地包括第一示例至第五示例中的一者或多者或每一者的所述***的第六示例中,在给定所述第一劣化数据的情况下所述第二车辆部件发生所述第二劣化的所述条件概率存储在所述车辆的制造商的数据库中并且从基于云的服务器接收。在任选地包括所述第一示例至第六示例中的一者或多者或每一者的所述***的第七示例中,更新AD模型包括更新所述AD模型的AD阈值。
本公开还提供了对一种方法的支持,所述方法包括:使用车辆分类法将连接的车辆群体中的车辆分类为车辆类别;为所述连接的车辆群体的车辆类别的连接的物理资产生成多个异常检测(AD)模型,当达到所述多个AD模型中的AD模型的AD阈值时,所述AD模型与所述连接的物理资产相关联,所述连接的物理资产是所述车辆类别的车辆的一部分:通知所述车辆的驾驶员使车辆进行维修;响应于在维修期间检测到异常,调整所述AD模型的真阳性率,并对所述多个AD模型进行重新排名,响应于在维修期间未检测到异常,调整所述AD模型的误报率,并对所述多个AD模型进行重新排名;响应于所述驾驶员未维修所述车辆:监测所述连接的物理资产直到发生劣化,响应于在所述连接的物理资产的使用寿命的预测结束时发生所述劣化,对所述多个AD模型进行重新排名;响应于在所述连接的物理资产的使用寿命的预测结束之前或之后发生所述劣化:对所述多个AD模型进行重新排名,并且将连接的车辆资产劣化数据中继到所述资产的制造商。在所述方法的第一示例中,所述车辆分类法是基于所述连接的车辆群体中的车辆的品牌、型号、动力传动***、传动系和轴距中的至少一者,以及所述连接的车辆群体中的所述车辆的操作区域的环境温度、湿度、海拔高度和一组交通模式中的至少一者。应当注意,本文所包括的示例性控制和估计程序可以与各种发动机和/或车辆***配置一起使用。本文所公开的控制方法和程序可以作为可执行指令存储在非暂时性存储器中,并且可以由包括控制器的控制***结合各种传感器、致动器和其他发动机硬件来执行。本文所述的具体程序可表示任何数量的处理策略(诸如事件驱动的、中断驱动的、多任务、多线程等)中的一者或多者。因而,示出的各种动作、操作和/或功能可按示出的顺序执行、并行执行,或者在一些情况下被省略。同样,处理顺序不一定是实现本文描述的示例性实施例的特征和优点所必需的,而是为了便于说明和描述而提供。可以根据所使用的特定策略而重复地执行示出的动作、操作和/或功能中的一者或多者。另外,所描述的动作、操作和/或功能可图形地表示将被编程到发动机控制***中的计算机可读存储介质的非暂时性存储器中的代码,其中所描述的动作通过结合电子控制器在包括各种发动机硬件部件的***中执行指令来实施。
应当理解,本文中公开的配置和程序本质上是示例性的,并且这些特定的实施例不应被视为具有限制意义,因为众多变化是可能的。例如,以上技术可应用于V型6缸、直列4缸、直列6缸、V型12缸、对置4缸和其他发动机类型。此外,除非明确地相反指出,否则术语“第一”、“第二”、“第三”等不意图表示任何顺序、位置、数量或重要性,而是仅用作标记以区分一个元件与另一个元件。本公开的主题包括本文公开的各种***和配置以及其他特征、功能和/或性质的所有新颖且非显而易见的组合和子组合。
如本文所使用,除非另有指定,否则术语“约”被解释为表示所述范围的±5%。
所附权利要求特别地指出被视为新颖且非显而易见的某些组合和子组合。这些权利要求可指代“一个”要素或“第一”要素或其等同物。这些权利要求应理解为包括一个或多个此类要素的结合,既不要求也不排除两个或更多个此类要素。所公开特征、功能、要素和/或性质的其他组合和子组合可通过修正本权利要求或通过在此申请或相关申请中呈现新的权利要求来要求保护。此类权利要求与原始权利要求相比无论在范围上更宽、更窄、等同或不同,也都被视为包括在本公开的主题内。
Claims (15)
1.一种用于对连接的物理资产进行连续健康监测的方法,其包括:
使用机器学习基于新的连接的数据的聚合来调适用于所述连接的物理资产的异常检测的阈值和根本原因分析算法;
使用连接的数据基于高级统计和机器学习模型的性能对其进行更新和排名(514),直到确认表现最佳的模型;以及
部署所述表现最佳的模型(604)以监测所述连接的物理资产。
2.如权利要求1所述的方法,其中所述连接的物理资产包括连接的车辆***的多个车辆的车辆部件,并且所述高级统计和机器学习模型是用于建立所述车辆部件的健康指数的异常检测(AD)模型(502)。
3.如权利要求2所述的方法,其中所述连接的车辆***是基于云的***,所述基于云的***还包括工程/质量数据库、保修数据库、经销商/维修数据库和开发数据库中的至少一者。
4.如权利要求2所述的方法,其中更新所述高级统计和机器学习模型还包括调整所述高级统计和机器学习模型中的每个模型的异常检测(AD)阈值,以使异常的误报总数(618)和/或所述异常的漏报总数最小化。
5.如权利要求1所述的方法,其中更新所述高级统计和机器学习模型还包括用部署前校准来初始化所述高级统计和机器学习模型(506)。
6.如权利要求1所述的方法,其中更新所述高级统计和机器学习模型还包括:
更新第一资产的第一劣化的边际概率(706);
在给定第二资产的第二劣化的情况下更新所述第一资产的所述第一劣化的第一条件概率,所述第二劣化在所述第一劣化之前发生(764);
在给定所述第一资产的所述第一劣化的情况下更新所述第二资产的所述第二劣化的第二条件概率(764);
基于所述第一条件概率来估计所述第一资产的健康状态;以及
响应于所述第二条件概率超过阈值概率,将所述第二劣化识别为所述第一劣化的根本原因。
7.如权利要求1所述的方法,其中基于所述高级统计和机器学习模型的性能对其进行排名还包括:
计算所述高级统计和机器学习模型中的每个模型的受试者工作特征(ROC)曲线下的面积,其中所述面积指示每个模型的成功概率(768);以及
基于每个模型的所述成功概率对所述高级统计和机器学习模型进行排名(768)。
8.如权利要求1所述的方法,其中基于所述高级统计和机器学习模型的性能对其进行排名还包括:
在第一状况下,当响应于预测到异常而检查所述连接的物理资产中的资产时:
响应于所述异常为真阳性,按所述异常发生的概率以降序对所述高级统计和机器学习模型进行重新排名和排名(614);
响应于所述异常为误报,按所述异常发生的概率以升序对所述高级统计和机器学习模型进行重新排名和排名(620);以及
在第二状况下,当响应于预测到所述异常而未检查所述连接的物理资产中的所述资产时:
响应于所述资产在所述资产的使用寿命的预测结束的阈值时间内劣化,按所述异常发生的所述概率以降序对所述高级统计和机器学习模型进行重新排名和排名(628);
响应于所述资产在所述资产的所述使用寿命的所述预测结束之后的所述阈值时间之外劣化,按所述异常发生的所述概率以升序对所述高级统计和机器学习模型进行重新排名和排名(630);
响应于所述资产在所述资产的所述使用寿命的所述预测结束之前的所述阈值时间之外劣化:
按所述异常发生的所述概率以降序对所述高级统计和机器学习模型进行重新排名和排名(630)。
9.如权利要求1所述的方法,其中所述高级统计和机器学习模型存储在车辆中,并且由所述车辆的控制器基于存储在所述控制器的非暂时性存储器中的指令进行更新和排名。
10.如权利要求1所述的方法,其中所述高级统计和机器学习模型存储在基于云的健康监测***中,并且由所述基于云的健康监测***的应用程序进行更新和排名,其中所述连接的物理资产包括多个车辆,并且其中所述表现最佳的模型部署在每个车辆的相应控制器中。
11.一种***,其包括:
处理器和存储在非暂时性存储器上的指令,所述指令在执行时使得所述处理器:
响应于接收到车辆(200)的第一车辆部件的第一劣化数据:
基于所述第一劣化数据更新概率密度函数(452、454),所述概率密度函数指示所述第一车辆部件随时间推移发生劣化的概率分布;
基于所述更新的概率密度函数(450)更新所述第一车辆部件的异常检测(AD)模型;以及
将所述更新的AD模型发送到所述车辆和/或多个附加车辆(420)。
12.如权利要求11所述的***,其中接收所述第一劣化数据包括从连接的车辆***内的其他类似车辆接收所述第一车辆部件的数据。
13.如权利要求11所述的***,其包括存储在所述非暂时性存储器上的另外的指令,所述另外的指令在执行时使得所述处理器使用核密度估计(KDE)更新所述概率密度函数(430),其中根据所述第一劣化数据创建新的内核,并且其中通过更新所述概率密度函数的多个内核的加权和来更新所述概率密度函数(450)。
14.如权利要求13所述的***,其中所述KDE用于将不正常数据与正常数据隔离以识别车辆部件群体中的趋势和/或检测车辆部件子群体之间的质量差异。
15.如权利要求11所述的***,其中更新所述概率密度函数还包括:
使用所述概率密度函数计算所述第一车辆部件的劣化的边际概率(706);
在给定第二车辆部件的第二劣化数据的情况下计算所述第一车辆部件发生所述劣化的条件概率(764);
基于在给定所述第二劣化数据的情况下所述第一车辆部件发生所述劣化的所述条件概率来更新所述概率密度函数(766)。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/446,707 | 2021-09-01 | ||
US17/446,707 US11914358B2 (en) | 2021-09-01 | 2021-09-01 | Methods and systems for anomaly detection of a vehicle |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115758556A true CN115758556A (zh) | 2023-03-07 |
Family
ID=85175107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211051533.3A Pending CN115758556A (zh) | 2021-09-01 | 2022-08-31 | 用于车辆的异常检测的方法和*** |
Country Status (3)
Country | Link |
---|---|
US (1) | US11914358B2 (zh) |
CN (1) | CN115758556A (zh) |
DE (1) | DE102022121822A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116432543A (zh) * | 2023-06-13 | 2023-07-14 | 湖南大学 | 功率半导体模块剩余寿命预测方法、终端设备及存储介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11722865B2 (en) * | 2021-10-11 | 2023-08-08 | Qualcomm Incorporated | Vehicle-to-everything (V2X) information verification for misbehavior detection |
CA3239376A1 (en) * | 2021-12-06 | 2023-06-15 | Apeksha Kumavat | Method and system for operating an autonomous agent with a remote operator |
US20230360531A1 (en) * | 2022-05-07 | 2023-11-09 | Autotalks Ltd. | System and method for adaptive v2x applications |
Family Cites Families (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8050874B2 (en) | 2004-06-14 | 2011-11-01 | Papadimitriou Wanda G | Autonomous remaining useful life estimation |
US8762165B2 (en) | 2006-06-14 | 2014-06-24 | Bosch Automotive Service Solutions Llc | Optimizing test procedures for a subject under test |
DE102008022459A1 (de) | 2008-05-08 | 2009-11-12 | Mtu Aero Engines Gmbh | Vorrichtung und Verfahren zur Überwachung einer Gasturbine |
WO2010033106A1 (en) | 2008-09-16 | 2010-03-25 | The Boeing Company | Method and system using linear programming for estimating test costs for bayesian diagnostic models |
US8732112B2 (en) | 2011-12-19 | 2014-05-20 | GM Global Technology Operations LLC | Method and system for root cause analysis and quality monitoring of system-level faults |
US9544205B2 (en) | 2013-04-09 | 2017-01-10 | Twin Prime, Inc. | Cognitive data delivery optimizing system |
US9881428B2 (en) * | 2014-07-30 | 2018-01-30 | Verizon Patent And Licensing Inc. | Analysis of vehicle data to predict component failure |
EP3156870B1 (en) | 2015-10-15 | 2022-06-01 | Tata Consultancy Services Limited | Systems and methods for predictive reliability mining |
US10572221B2 (en) | 2016-10-20 | 2020-02-25 | Cortical.Io Ag | Methods and systems for identifying a level of similarity between a plurality of data representations |
US10665039B2 (en) * | 2016-12-09 | 2020-05-26 | Traffilog Ltd. | Distributed monitoring and control of a vehicle |
EP3615899A4 (en) * | 2017-04-26 | 2021-01-13 | Augury Systems Ltd. | SYSTEMS AND METHODS FOR MONITORING MECHANICAL AND ELECTRICAL MACHINERY |
US11657270B2 (en) | 2017-09-28 | 2023-05-23 | Agency For Science, Technology And Research | Self-assessing deep representational units |
US10733813B2 (en) | 2017-11-01 | 2020-08-04 | International Business Machines Corporation | Managing anomaly detection models for fleets of industrial equipment |
US11042145B2 (en) * | 2018-06-13 | 2021-06-22 | Hitachi, Ltd. | Automatic health indicator learning using reinforcement learning for predictive maintenance |
US11119472B2 (en) * | 2018-09-28 | 2021-09-14 | Uptake Technologies, Inc. | Computer system and method for evaluating an event prediction model |
US11840244B2 (en) | 2018-12-21 | 2023-12-12 | Upstream Security, Ltd. | System and method for detecting behavioral anomalies among fleets of connected vehicles |
US11232368B2 (en) | 2019-02-20 | 2022-01-25 | Accenture Global Solutions Limited | System for predicting equipment failure events and optimizing manufacturing operations |
WO2020178811A1 (en) * | 2019-03-04 | 2020-09-10 | Saferide Technologies Ltd | A system and method for labeling bits of controller area network (can) messages |
CN112414714A (zh) * | 2020-11-05 | 2021-02-26 | 苏州大学 | 基于自适应流形概率分布的轴承故障诊断方法 |
-
2021
- 2021-09-01 US US17/446,707 patent/US11914358B2/en active Active
-
2022
- 2022-08-29 DE DE102022121822.8A patent/DE102022121822A1/de active Pending
- 2022-08-31 CN CN202211051533.3A patent/CN115758556A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116432543A (zh) * | 2023-06-13 | 2023-07-14 | 湖南大学 | 功率半导体模块剩余寿命预测方法、终端设备及存储介质 |
CN116432543B (zh) * | 2023-06-13 | 2023-09-05 | 湖南大学 | 功率半导体模块剩余寿命预测方法、终端设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
DE102022121822A1 (de) | 2023-03-02 |
US11914358B2 (en) | 2024-02-27 |
US20230063601A1 (en) | 2023-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230068432A1 (en) | Methods and systems for estimating a remaining useful life of an asset | |
US11914358B2 (en) | Methods and systems for anomaly detection of a vehicle | |
US11072258B2 (en) | Method for predicting battery life | |
US11847873B2 (en) | Systems and methods for in-vehicle predictive failure detection | |
US11625958B2 (en) | Assessing historical telematic vehicle component maintenance records to identify predictive indicators of maintenance events | |
JP6830540B2 (ja) | クラウドベースの車両故障診断方法、装置およびシステム | |
US9047722B2 (en) | Vehicle location and fault diagnostic systems and methods | |
JP4369825B2 (ja) | 車両故障診断装置および車載端末 | |
US20190287079A1 (en) | Sensor-based digital twin system for vehicular analysis | |
US20210284179A1 (en) | Vehicle health calibration | |
US20150142257A1 (en) | Methods and Systems for Providing Vehicle Repair Information | |
US11210870B2 (en) | On-board diagnostic monitor planning and execution | |
CN107015550B (zh) | 诊断测试执行控制***和方法 | |
US10316812B2 (en) | Hierarchical fault diagnosis and prognosis of a system | |
Mesgarpour et al. | Overview of telematics-based prognostics and health management systems for commercial vehicles | |
CN110895414B (zh) | 用于确定并监视额外燃料消耗的原因的方法和*** | |
Panda et al. | ML-based vehicle downtime reduction: A case of air compressor failure detection | |
Holland et al. | PHM for automotive manufacturing & vehicle applications | |
US20220284740A1 (en) | Method for determining the operating state of vehicle components | |
KR20160124044A (ko) | 차량운행정보를 제공하는 방법 및 장치 | |
CN109311395B (zh) | 用于估计车辆的能量存储***的状态的方法和装置 | |
CN110857095B (zh) | 用于确定额外燃料消耗的原因的方法和*** | |
Du et al. | Development of robust fault signatures for battery and starter failure prognosis | |
RU2798078C2 (ru) | Способ и система для определения и мониторинга причины чрезмерного расхода топлива | |
US20240109540A1 (en) | Verification of the origin of abnormal driving |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |