FR3120724A1 - Procédé et dispositif de prédiction de panne d’au moins composant d’un véhicule - Google Patents
Procédé et dispositif de prédiction de panne d’au moins composant d’un véhicule Download PDFInfo
- Publication number
- FR3120724A1 FR3120724A1 FR2102319A FR2102319A FR3120724A1 FR 3120724 A1 FR3120724 A1 FR 3120724A1 FR 2102319 A FR2102319 A FR 2102319A FR 2102319 A FR2102319 A FR 2102319A FR 3120724 A1 FR3120724 A1 FR 3120724A1
- Authority
- FR
- France
- Prior art keywords
- vehicle
- indicators
- vehicles
- failure
- indicator
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000015556 catabolic process Effects 0.000 claims description 24
- 239000007858 starting material Substances 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 7
- 238000009529 body temperature measurement Methods 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 230000008033 biological extinction Effects 0.000 claims 2
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000004891 communication Methods 0.000 description 25
- 230000007547 defect Effects 0.000 description 15
- 238000012423 maintenance Methods 0.000 description 7
- 210000000056 organ Anatomy 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 208000032953 Device battery issue Diseases 0.000 description 4
- 230000007774 longterm Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 1
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 1
- 241000897276 Termes Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
Abstract
L’invention concerne un procédé et un dispositif de prédiction d’une panne d’un ou plusieurs composants d’un véhicule (10). A cet effet, un ensemble de premiers indicateurs associés au premier véhicule est collecté et transmis à un serveur (101). La probabilité qu’une panne de ce ou ces composants survienne est prédite en alimentant un modèle de prédication de panne avec ces premiers indicateurs. Le modèle de prédiction de panne correspond avantageusement à un modèle obtenu lors d’une phase d’apprentissage d’une méthode d’apprentissage machine. Figure pour l’abrégé : Figure 1
Description
L’invention concerne les procédés et dispositifs de prédiction de panne d’un ou plusieurs composants d’un véhicule, notamment un véhicule automobile. L’invention concerne également un procédé et un dispositif de maintenance prédictive d’un véhicule.
Arrière-plan technologique
Les véhicules contemporains sont formés d’un grand nombre de composants ou d’organes, chacun susceptible de panne ou de défaut.
Lorsque le conducteur d’un véhicule est confronté à un défaut ou à une panne d’un ou plusieurs composants de son véhicule, ce dernier doit alors prendre contact avec un centre spécialisé pour déterminer si la panne ou le défaut constaté nécessite une opération de maintenance corrective pour corriger la panne ou le défaut après apparition de cette dernière ou de ce dernier. Une telle maintenance corrective s’accompagne le plus souvent d’une intervention ou d’une réparation dans un garage par exemple. Une telle maintenance corrective est synonyme de coûts engendrés par la maintenance corrective et de gêne occasionnée par l’immobilisation du véhicule pendant une durée allant parfois jusqu’à plusieurs jours.
Pour limiter les risques de panne ou de défaut et prévenir les problèmes associés, des opérations de maintenance préventive des véhicules sont planifiées. Cependant, ces opérations de maintenance ne garantisse pas qu’un organe du véhicule rencontre un défaut ou subisse une panne après coup.
Un objet de la présente invention est d’améliorer la prévention des pannes ou défauts d’organe(s) d’un véhicule.
Un autre objet de la présente invention est d’améliorer la prédiction des pannes ou défauts d’organe(s) d’un véhicule.
Selon un premier aspect, l’invention concerne un procédé de prédiction de panne d’au moins un composant d’un premier véhicule, le procédé comprenant les étapes suivantes :
- collecte de premiers indicateurs associés au premier véhicule et mesurés par le premier véhicule ;
- prédiction d’une probabilité de panne du au moins un composant en alimentant un modèle de prédiction de panne avec les premiers indicateurs,
le modèle de prédiction de panne ayant été appris dans une phase dite d’apprentissage préalable à la collecte et à la prédiction à partir de :
● deuxièmes indicateurs associés à chaque deuxième véhicule d’un ensemble de deuxièmes véhicules et mesurés par chaque deuxième véhicule,
● premières données identifiant une première partie de l’ensemble de deuxièmes véhicules pour lesquels est survenue la panne du au moins composant, et
● premières données identifiant une première partie de l’ensemble de deuxièmes véhicules pour lesquels est survenue la panne du au moins composant, et
● deuxièmes données identifiant une deuxième partie de l’ensemble de deuxièmes véhicules pour lesquels la panne du au moins composant n’est pas survenue, la première partie et la deuxième partie formant l’ensemble de deuxièmes véhicules,
les deuxièmes indicateurs et les premières et deuxièmes données ayant été collectées pour la phase d’apprentissage.
Selon une variante, le procédé comprend en outre une étape d’apprentissage du modèle de prédiction de panne, l’étape d’apprentissage comprenant les étapes suivantes :
- identification de chaque deuxième véhicule de la première partie à partir de données représentatives de déclaration d’un évènement correspondant à la panne ;
- identification de chaque deuxième véhicule de la deuxième partie à partir de données représentatives de configuration de chaque deuxième véhicule, la configuration de chaque deuxième véhicule correspondant à une configuration des deuxièmes véhicules de la première partie ;
- collecte des deuxièmes indicateurs ;
- génération d’un premier ensemble de deuxièmes indicateurs et d’un deuxième ensemble de deuxièmes indicateurs, le premier ensemble comprenant les deuxièmes indicateurs associés aux deuxièmes véhicules de la première partie et le deuxième ensemble comprenant les deuxièmes indicateurs associés aux deuxièmes véhicules de la deuxième partie ;
- génération du modèle de prédiction de panne par classification des deuxièmes indicateurs du premier ensemble et des deuxièmes indicateurs du deuxième ensemble.
Selon une autre variante, les premiers indicateurs sont transmis par le premier véhicule via une liaison sans fil à destination d’un dispositif distant et les deuxièmes indicateurs sont transmis par chaque deuxième véhicule via la liaison sans fil à destination du dispositif distant.
Selon une variante supplémentaire, le au moins un composant correspond à une batterie de démarrage.
Selon encore une variante, les premiers et deuxièmes indicateurs appartiennent à un ensemble d’indicateurs comprenant :
- indicateur représentatif d’un code défaut ;
- indicateur représentatif d’une décharge de la batterie ;
- indicateur représentatif d’une durée de trajet ;
- indicateur représentatif d’une distance de trajet ;
- indicateur représentatif d’un intervalle temporel entre une extinction d’un moteur et l’allumage du moteur suivant l’extinction ;
- indicateur représentatif d’une durée d’allumage des feux de détresse moteur éteint ;
- indicateur représentatif d’une durée d’allumage des feux antibrouillard moteur éteint ;
- indicateur représentatif d’une mesure de température extérieure au démarrage du moteur ;
- indicateur représentatif d’un nombre de trajets parcourus ;
- indicateur représentatif d’une mesure de température moteur au démarrage du moteur ;
- indicateur représentatif d’un nombre de démarrages du moteur.
Selon une variante additionnelle, le procédé comprend en outre une étape de traitement d’au moins une partie des premiers indicateurs en fonction de règles de traitement déterminées pour déterminer au moins un premier indicateur additionnel.
Selon une autre variante, le procédé comprend en outre une étape de transmission de données représentatives d’une alerte lorsque la prédiction de panne atteint un seuil déterminé.
Selon un deuxième aspect, l’invention concerne un dispositif de prédiction de panne d’au moins un composant d’un véhicule, le dispositif comprenant une mémoire associée à un processeur configuré pour la mise en œuvre des étapes du procédé selon le premier aspect de l’invention.
Selon un troisième aspect, l’invention concerne un véhicule, par exemple de type automobile, comprenant un dispositif tel que décrit ci-dessus selon le deuxième aspect de l’invention.
Selon un quatrième aspect, l’invention concerne un programme d’ordinateur qui comporte des instructions adaptées pour l’exécution des étapes du procédé selon le premier aspect de l’invention, ceci notamment lorsque le programme d’ordinateur est exécuté par au moins un processeur.
Un tel programme d’ordinateur peut utiliser n’importe quel langage de programmation, et être sous la forme d’un code source, d’un code objet, ou d’un code intermédiaire entre un code source et un code objet, tel que dans une forme partiellement compilée, ou dans n’importe quelle autre forme souhaitable.
Selon un cinquième aspect, l’invention concerne un support d’enregistrement lisible par un ordinateur sur lequel est enregistré un programme d’ordinateur comprenant des instructions pour l’exécution des étapes du procédé selon le premier aspect de l’invention.
D’une part, le support d’enregistrement peut être n'importe quel entité ou dispositif capable de stocker le programme. Par exemple, le support peut comporter un moyen de stockage, tel qu'une mémoire ROM, un CD-ROM ou une mémoire ROM de type circuit microélectronique, ou encore un moyen d'enregistrement magnétique ou un disque dur.
D'autre part, ce support d’enregistrement peut également être un support transmissible tel qu'un signal électrique ou optique, un tel signal pouvant être acheminé via un câble électrique ou optique, par radio classique ou hertzienne ou par faisceau laser autodirigé ou par d'autres moyens. Le programme d’ordinateur selon l'invention peut être en particulier téléchargé sur un réseau de type Internet.
Alternativement, le support d'enregistrement peut être un circuit intégré dans lequel le programme d’ordinateur est incorporé, le circuit intégré étant adapté pour exécuter ou pour être utilisé dans l'exécution du procédé en question.
Brève description des figures
D’autres caractéristiques et avantages de l’invention ressortiront de la description des modes de réalisation non limitatifs de l’invention ci-après, en référence aux figures 1 à 3 annexées, sur lesquelles :
Un procédé et un dispositif de prédiction de panne d’un ou plusieurs composants d’un véhicule vont maintenant être décrits dans ce qui va suivre en référence conjointement aux figures 1 à 3. Des mêmes éléments sont identifiés avec des mêmes signes de référence tout au long de la description qui va suivre.
Selon un exemple particulier et non limitatif de réalisation de l’invention, la prédiction d’une panne d’un ou plusieurs composants d’un premier véhicule, par exemple d’une batterie de démarrage (aussi appelée batterie 12 V), comprend la collecte de premiers indicateurs associés au premier véhicule, ces premiers indicateurs étant mesurés par le premier véhicule et par exemple transmis à un serveur du « cloud » (ou « nuage » en français) via une liaison ou une connexion sans fil. La probabilité qu’une panne de ce ou ces composants survienne est prédite en alimentant un modèle de prédication de panne avec ces premiers indicateurs, par exemple au fur et à mesure de la collecte de ces premiers indicateurs. Le modèle de prédiction de panne correspond avantageusement à un modèle obtenu lors d’une phase d’apprentissage d’une méthode d’apprentissage machine (de l’anglais « machine learning »), aussi appelée méthode d’apprentissage automatique. Le modèle est avantageusement appris ou entrainé lors de cette phase d’apprentissage à partir de données associées à un ensemble de deuxième véhicules (par exemple quelques dizaines, centaines ou milliers de deuxièmes véhicules), ces données comprenant par exemple des deuxièmes indicateurs obtenus de chacun de ces deuxièmes véhicules, des premières données identifiant un premier sous-ensemble de l’ensemble de véhicules comprenant les deuxièmes véhicules ayant connus une panne de ce ou ces composants et des deuxièmes données identifiant un deuxième sous-ensemble de l’ensemble de deuxièmes véhicules et complémentaire du premier sous-ensemble, le deuxième sous-ensemble comprenant les deuxièmes véhicules n’ayant pas connu de panne pour ce ou ces composants.
Une panne correspond par exemple à une défaillance d’un composant ou d’un organe du véhicule, c’est-à-dire à un défaut de fonctionnement entrainant un arrêt du fonctionnement du composant ou de l’organe en question. Une panne correspond également à un fonctionnement dégradé du composant ou de l’organe en question par rapport à un fonctionnement normal, par exemple un fonctionnement ou seulement une partie des services que rend le composant ou l’organe en fonctionnement normal est rendu.
La mise en œuvre d’une méthode d’apprentissage machine permet d’estimer de manière plus fiable et en temps réel le risque de panne associé à un composant d’un véhicule en fonction d’indicateurs reçus de ce véhicule et représentatifs de l’utilisation réelle qui est faite de ce véhicule et/ou de l’environnement de ce véhicule, sur la base d’un modèle appris à partir de mêmes indicateurs d’un ensemble d’autres véhicules ayant connu des pannes de ce composant et d’un ensemble d’autres véhicules n’ayant pas connu cette panne de ce composant.
Un tel avantage est obtenu par la détermination, lors d’une phase d’apprentissage, de la corrélation entre les indicateurs obtenus d’un ensemble de véhicules et représentant l’utilisation réelle qui est faite de ces véhicules avec un ensemble de pannes identifiées pour ces véhicules.
La prédiction du risque de panne permet d’anticiper le problème et potentiellement de le corriger avant son apparition, améliorant la prévention de la panne.
Le premier véhicule 10 correspond par exemple à un véhicule à moteur thermique, à moteur(s) électrique(s) ou encore un véhicule hybride avec un moteur thermique et un ou plusieurs moteurs électriques. Le véhicule 10 correspond ainsi par exemple à un véhicule terrestre, par exemple une automobile, un camion, un car, une moto.
Le premier véhicule 10 embarque également avantageusement un système de communication configuré pour communiquer avec un ou plusieurs dispositifs distants 101 via une infrastructure d’un réseau de communication sans fil. Le dispositif distant 101 correspond avantageusement à un dispositif configuré pour traiter des données, par exemple des données stockées en mémoire du dispositif distant 101 et/ou des données reçues du véhicule 10. Le dispositif distant 101 correspond par exemple à un serveur du « cloud » 100.
Le système de communication du premier véhicule 10 comprend par exemple une ou plusieurs antennes de communication reliées à une unité de contrôle télématique, dite TCU (de l’anglais « Telematic Control Unit »), elle-même reliée à un ou plusieurs calculateurs du système embarqué du premier véhicule 10. La ou les antennes, l’unité TCU et le ou les calculateurs forment par exemple une architecture multiplexée pour la réalisation de différents services utiles pour le bon fonctionnement du premier véhicule 10 et pour assister le conducteur et/ou les passagers du premier véhicule 10 dans le contrôle du premier véhicule 10 et/ou pour établir un diagnostic sur le fonctionnement d’un ou plusieurs composants du premier véhicule 10. Le ou les calculateurs et l’unité TCU communiquent et échangent des données entre eux par l’intermédiaire d’un ou plusieurs bus informatiques, par exemple un bus de communication de type bus de données CAN (de l’anglais « Controller Area Network » ou en français « Réseau de contrôleurs »), CAN FD (de l’anglais « Controller Area Network Flexible Data-Rate » ou en français « Réseau de contrôleurs à débit de données flexible »), FlexRay (selon la norme ISO 17458) ou Ethernet (selon la norme ISO/IEC 802-3).
L’infrastructure de communication mobile permettant la communication sans fil de données entre le premier véhicule 10 et le dispositif distant 101 comprend par exemple ou plusieurs équipements de communication 110 de type antenne relais (réseau cellulaire) ou unité bord de route, dite UBR. Dans un mode de communication utilisant une telle architecture réseau, les données sont par exemple transmises par le premier véhicule 10 au dispositif distant 101 du « cloud » 100 via une antenne relais 110 (l’antenne 110 étant par exemple relié au « cloud » 100 via une liaison filaire).
Le système de communication sans fil permettant l’échange de données entre le premier véhicule 10 et le dispositif distant 101 correspond par exemple à :
- un système de communication véhicule à infrastructure V2I (de l’anglais « vehicle-to-infrastructure »), par exemple basé sur les standards 3GPP LTE-V ou IEEE 802.11p de ITS G5 ; ou
- un système de communication de type réseau cellulaire, par exemple un réseau de type LTE (de l’anglais « Long-Term Evolution » ou en français « Evolution à long terme »), LTE-Advanced (ou en français LTE-avancé) aussi appelé LTE 3G, 4G ou 5G ; ou
- un système de communication de type Wifi selon IEEE 802.11, par exemple selon IEEE 802.11n ou ou IEEE 802.11ac.
Un processus de prédiction de panne d’un ou plusieurs composants du premier véhicule 10 est avantageusement mis en œuvre par un système comprenant le véhicule 10 (c’est-à-dire par un ou plusieurs dispositifs embarqués dans le véhicule 10, par exemple un ou plusieurs calculateurs) et le dispositif distant 101 relié en communication avec le véhicule 10 via une connexion ou une liaison sans fil.
Le processus de prédiction de panne présenté ci-dessous est décrit en regard d’un exemple particulier et non-limitatif relatif à la prédiction d’une panne d’une batterie de démarrage du premier véhicule 10.
Bien entendu, un tel processus de prédiction de panne s’applique à tout composant ou organe d’un véhicule, par exemple une batterie de traction, un système ADAS (de l’anglais « Advanced Driver-Assistance System » ou en français « Système d’aide à la conduite avancé »), un alternateur, un démarreur, un ou plusieurs calculateurs, etc.
Le processus de prédiction comprend avantageusement deux phases, chacune de ces phases comprenant une ou plusieurs opérations.
La première phase correspond à une phase dite d’apprentissage ou d’entrainement d’un ou plusieurs modèles de prédiction et la deuxième phase correspond à une phase dite de production ou de prédiction basée sur le ou les modèles appris dans la phase d’apprentissage et de données alimentant le ou les modèles appris.
La première phase et la deuxième phase sont par exemple mises en œuvre par le dispositif distant 101.
Selon une variante de réalisation, la première phase est mise en œuvre par le dispositif distant 101 (ou par un serveur hors « cloud », par exemple un serveur hébergé dans un centre (par exemple un bureau d’étude) adapté pour faire l’apprentissage) et la deuxième phase par le premier véhicule 10, par exemple par un calculateur du système embarqué du premier véhicule 10.
Selon une autre variante de réalisation, l’apprentissage est mis en œuvre dans la première phase et les paramètres du ou des modèles de prédiction sont affinés en temps réel à partir des données (dont les premiers indicateurs) reçues pendant la deuxième phase par un ou plusieurs premiers véhicules.
Phase d’apprentissage
L’apprentissage mis en œuvre dans la première phase correspond avantageusement à un apprentissage supervisé à partir d’un ensemble de données associées à un ensemble ou groupe de deuxièmes véhicules comprenant par exemple quelques dizaines, quelques centaines, des milliers ou des dizaines/centaines de milliers de deuxièmes véhicules. Selon une variante de réalisation, l’apprentissage mis en œuvre dans la première phase correspond à un apprentissage non supervisé à partir de l’ensemble de données associées à l’ensemble de deuxièmes véhicules.
Selon un exemple particulier, les deuxièmes véhicules compris dans l’ensemble de deuxièmes véhicules possèdent tous la même configuration ou une configuration similaire, c’est-à-dire qu’ils correspondent tous à un même type de véhicule (par exemple une même série d’un modèle particulier de véhicule) avec des composants ou organes identiques ou similaires (même version par exemple).
Dans une première opération de la phase d’apprentissage, le dispositif distant 101 collecte un ensemble de deuxièmes indicateurs émis par chacun des deuxièmes véhicules de l’ensemble. Les deuxièmes indicateurs sont par exemple transmis par chaque deuxième véhicule via l’infrastructure réseau sans fil décrite ci-dessus à destination du dispositif distant 101. Les deuxièmes indicateurs correspondent par exemple à une partie ou à l’ensemble des signaux véhicule émis par les capteurs embarqués dans chaque deuxième véhicule. Ces deuxièmes indicateurs sont par exemple transmis à chaque occurrence, ou de manière continue à une fréquence déterminée, d’un évènement détecté par un capteur ou un calculateur embarqué dans chaque deuxième véhicule. Les deuxièmes indicateurs reportés au dispositif distant correspondent par exemple aux indicateurs d’une liste déterminée et stockée en mémoire d’un calculateur du système embarqué de chaque deuxième véhicule qui fait une sélection des deuxièmes indicateurs à transmettre parmi l’ensemble des deuxièmes indicateurs que chaque deuxième véhicule détecte ou mesure.
Selon une variante de réalisation, les deuxièmes indicateurs transmis au dispositif distant 101 par chaque deuxième véhicule correspondent à tous les évènements détectés par chaque deuxième véhicule, le dispositif distant effectuant postérieurement une sélection parmi l’ensemble des deuxièmes indicateurs reçus pour n’utiliser que ceux définis pour être utiliser dans l’apprentissage du modèle de prédiction de panne de la batterie de démarrage.
La collecte des deuxièmes indicateurs est par exemple mise en œuvre sur un intervalle temporel déterminé correspondant par exemple à plusieurs mois ou plusieurs années d’utilisation des deuxièmes véhicules, par exemple en temps réel.
Ces deuxièmes indicateurs reçus de l’ensemble de deuxièmes véhicules pendant l’intervalle temporel déterminé sont avantageusement stockés en mémoire du dispositif distant 101 ou d’un dispositif distant dédié à la collecte et au stockage de ces deuxièmes indicateurs et connectés au dispositif distant 101, par exemple via une liaison filaire.
Selon une variante de réalisation, une information représentative de l’instant temporel auquel chaque deuxième indicateur a été détecté, mesuré ou transmis est associé audit chaque deuxième indicateur. Dit autrement, chaque deuxième indicateur est horodaté.
Les deuxièmes indicateurs appartiennent par exemple à l’ensemble d’indicateurs suivants, les deuxièmes indicateurs sélectionnées correspondant à tout ou partie des indicateurs suivants selon toute combinaison possible :
- indicateur représentatif d’un code défaut, aussi appelé code DTC (de l’anglais « Diagnostic Trouble Code » ou en français « Code défaut de diagnostic ») ;
- indicateur représentatif d’une décharge de la batterie ;
- indicateur représentatif d’une durée de chaque trajet effectué par le véhicule ;
- indicateur représentatif d’une distance de chaque trajet effectué par le véhicule ;
- indicateur représentatif d’un intervalle temporel entre une extinction d’un moteur et l’allumage du moteur suivant l’extinction ;
- indicateur représentatif d’une durée d’allumage des feux de détresse moteur éteint ;
- indicateur représentatif d’une durée d’allumage des feux antibrouillard moteur éteint ;
- indicateur représentatif d’une mesure de température extérieure au démarrage du moteur ;
- indicateur représentatif d’un nombre de trajets parcourus ;
- indicateur représentatif d’une mesure de température moteur au démarrage du moteur ;
- indicateur représentatif d’un nombre de démarrages du moteur.
Selon une variante de réalisation, un ou plusieurs des deuxièmes indicateurs listés ci-dessus sont exploités ou traités pour en déduire un ou plusieurs deuxièmes indicateurs additionnels représentatifs de l’état de la batterie de démarrage. Ce ou ces deuxièmes indicateurs servent par exemple à alimenter des règles ou des formules déterminées permettant de déterminer le ou les deuxièmes indicateurs additionnels.
Dans une deuxième opération de la phase d’apprentissage, le dispositif distant 101 identifie les deuxièmes véhicules de l’ensemble qui ont eu une ou plusieurs pannes / défauts de la batterie de démarrage. Ces deuxièmes véhicules forment une première partie de l’ensemble de deuxièmes véhicules. Ces deuxièmes véhicules sont par exemple identifiés à partir de données reçus d’un ou plusieurs serveurs 102 associés à des services après-vente fournis par une ou plusieurs entreprises, une ou plusieurs entreprises assurant la réparation des véhicules (garage automobile par exemple) qui permettent la mise à jour d’une base de données relatives aux véhicules en panne ou rencontrant un défaut d’un ou plusieurs de leurs composants / organes. Le ou les serveurs 102 transmettent par exemple un ensemble de données identifiants chaque deuxième véhicule pour laquelle une panne (ou un défaut) de la batterie de démarrage a été constatée ou reportée. L’ensemble de données comprend avantageusement pour chaque deuxième véhicule et pour chaque panne identifiée la date à laquelle la panne a été identifiée ou reportée. L’ensemble de données comprend en outre avantageusement un identifiant de chaque deuxième véhicule permettant de déterminer une ou plusieurs des informations suivantes :
- le type de véhicule ;
- le modèle du véhicule ;
- la marque du véhicule ;
- la configuration matérielle et logicielle du véhicule.
L’identifiant de chaque deuxième véhicule correspond par exemple au numéro dit VIN (de l’anglais « Vehicle Identification Number » ou en français « Numéro d’identification de véhicule »).
Dans une troisième opération de la phase d’apprentissage, le dispositif distant 101 identifie les deuxièmes véhicules de l’ensemble qui n’ont pas connu de panne de la batterie de démarrage, c’est-à-dire les deuxièmes véhicules pour lesquels aucune panne de la batterie de démarrage n’a été reportée ou identifiée par les services après-vente. Ces deuxièmes véhicules forment une deuxième partie de l’ensemble de deuxièmes véhicules, la première partie et la deuxième partie formant l’ensemble de deuxièmes véhicules de manière complémentaire.
Les deuxièmes véhicules de la deuxième partie sont par exemple identifiés à partir de données reçus d’un ou plusieurs serveurs 102 d’un constructeur automobile, les deuxièmes véhicules de la deuxième partie étant sélectionnés en ce que leur configuration corresponde à celle des deuxièmes véhicules de la première partie.
Les deuxièmes véhicules de la deuxième partie sont par exemple identifiés à partir de leur numéro VIN.
Ainsi et de manière avantageuse, la première partie de l’ensemble de deuxièmes véhicules et la deuxième partie de l’ensemble de deuxièmes véhicules forment des parties cohérentes entre elles en ce que les deuxièmes véhicules qui les composent ont une configuration identique ou similaire (par exemple même marque et même modèle, ou encore même marque, même modèle et même niveau d’équipement).
Dans une quatrième opération de la phase d’apprentissage, les deuxièmes indicateurs sont regroupés dans deux ensembles d’indicateurs. Un premier ensemble de deuxièmes indicateurs regroupe les deuxièmes indicateurs collectés à la première opération et correspondant au deuxièmes véhicules de la première partie de l’ensemble de deuxièmes véhicules (c’est-à-dire les deuxièmes véhicules ayant eu une panne de la batterie de démarrage). Un deuxième ensemble de deuxièmes indicateurs regroupe les deuxièmes indicateurs collectés à la première opération et correspondant au deuxièmes véhicules de la deuxième partie de l’ensemble de deuxièmes véhicules (c’est-à-dire les deuxièmes véhicules n’ayant pas connu de panne de la batterie de démarrage).
Dans une cinquième opération de la phase d’apprentissage, le ou les modèles de prédiction de panne de la batterie est/sont généré(s) ou entrainé(s) par classification des deuxièmes indicateurs du premier ensemble et du deuxième ensemble de deuxièmes indicateurs.
Lorsque la phase de prédiction est mise en œuvre par le premier véhicule 10, les paramètres définissant chaque modèle de prédiction obtenu à la cinquième opération sont transmis par le dispositif distant 101 au premier véhicule 10 qui les stocke en mémoire associée à un calculateur du système embarqué pour la mise en œuvre par ce calculateur de la phase de prédiction.
Une telle phase d’apprentissage permet ainsi de croiser les données issues des deuxièmes véhicules (c’est-à-dire les deuxièmes indicateurs) avec des données obtenues de services après-vente (données sur les pannes / défauts rencontrées par ces deuxièmes véhicules).
Phase de prédiction
Dans une première opération de la phase de prédiction, le dispositif en charge de la phase de prédiction (c’est-à-dire le dispositif distant 101 ou un ou plusieurs calculateurs du système embarqué du premier véhicule 10) collecte un ensemble de premiers indicateurs. Les premiers indicateurs correspondent par exemple aux deuxièmes indicateurs ayant été utilisés dans la phase d’apprentissage.
Les premiers indicateurs sont par exemple transmis par le premier véhicule 10 au dispositif distant 101 via l’infrastructure de réseau sans fil au fil du temps lorsqu’un évènement associé à un premier indicateur survient et est détecté ou mesuré par le premier véhicule 10.
Lorsque la phase de prédiction est mise en œuvre par le premier véhicule 10, les premiers indicateurs sont stockés dans une mémoire associée au calculateur du système embarqué du premier véhicule 10, ou dans un serveur du « cloud » auquel est connecté le premier véhicule 10.
Selon une variante de réalisation, une information représentative de l’instant temporel auquel chaque premier indicateur a été détecté, mesuré ou transmis est associé audit chaque premier indicateur. Dit autrement, chaque premier indicateur est horodaté.
Lorsque la phase de prédiction est mise en œuvre par le dispositif distant, le premier véhicule 10 transmet, selon une variante de réalisation, son numéro d’identification, par exemple son numéro VIN.
La collecte des premiers indicateurs est similaire à la collecte des deuxièmes indicateurs.
Selon une variante de réalisation, un ou plusieurs des premiers indicateurs collectés sont exploités ou traités pour en déduire un ou plusieurs premiers indicateurs additionnels représentatifs de l’état de la batterie de démarrage, tout comme pour les deuxièmes indicateurs additionnels. Ce ou ces premiers indicateurs servent par exemple à alimenter des règles ou des formules déterminées permettant de déterminer le ou les premiers indicateurs additionnels.
Dans une deuxième opération de la phase de prédiction, les premiers indicateurs et les premiers indicateurs additionnels, le cas échéant, sont utilisés pour alimenter le ou les modèles de prédiction appris ou entrainés pendant la phase d’apprentissage. Il ressort de ce ou ces modèles une information représentative d’une prédiction de la probabilité que la batterie de démarrage rencontre une panne ou un défaut.
Dans une troisième opération optionnelle de la phase de prédiction, la valeur de probabilité obtenue à la deuxième opération est comparée à une ou plusieurs valeurs seuil. Lorsque la probabilité de panne atteint une des valeurs seuil (par exemple 60 %, 70 %, 80 %, 90 %), une alerte est générée.
Lorsque la phase de prédiction est mise en œuvre par le dispositif distant 101, les données représentatives de l’alerte de l’atteinte d’un seuil sont par exemple transmises :
- au premier véhicule 10 pour alerter le conducteur du risque de panne et/ou l’informer de la procédure à suivre pour prévenir la panne ; et/ou
- à un serveur associé à un service après-vente en charge de prendre contact avec le premier véhicule 10 (ou son propriétaire) pour l’accompagner dans les mesures à prendre pour prévenir la panne ou le défaut.
Lorsque la phase de prédiction est mise en œuvre par le premier véhicule 10, les données représentatives de l’alerte de l’atteinte d’un seuil sont par exemple transmises :
- à destination du conducteur ou du propriétaire du premier véhicule 10 pour l’alerter du risque de panne et/ou l’informer de la procédure à suivre pour prévenir la panne ; ces données sont par exemple transmises à un dispositif d’affichage intégré au premier véhicule 10 et/ou à un dispositif distant tel qu’un téléphone intelligent (de l’anglais « smartphone » ; et/ou
- à un serveur associé à un service après-vente en charge de prendre contact avec le premier véhicule 10 (ou son propriétaire) pour l’accompagner dans les mesures à prendre pour prévenir la panne ou le défaut.
Dans une quatrième opération optionnelle de la phase de prédiction, l’information représentative de la prédiction obtenue dans la deuxième opération est transmise à un ou plusieurs serveurs, par exemple à des fins statistiques, à des fins d’amélioration de la qualité et/ou à des fins de fourniture de services adaptés pour le ou les utilisateurs du premier véhicule 10.
La phase de prédiction est avantageusement mise en œuvre dans chaque premier véhicule d’un ensemble ou groupe de premiers véhicules comprenant plusieurs premiers véhicules, par exemple des dizaines, centaines ou milliers de premiers véhicules. Selon cet exemple, les données obtenues de ces premiers véhicules (premiers indicateurs, données de panne) sont utilisées pour enrichir en temps réel le ou les modèles de prédiction appris et affiner les paramètres de ce ou ces modèles de prédictions. Les données obtenues pendant la phase de prédiction sont ainsi également utilisées en temps réel pour un apprentissage continue ou temps réel du ou des modèles de prédiction, selon cet exemple particulier.
Selon un exemple de réalisation particulier, la phase d’apprentissage est mise en œuvre à partir de données et d’indicateurs d’un grand nombre de véhicules aux configurations différentes et/ou pour des pannes ou défauts relatifs à différents organes ou composants de ces véhicules. Selon cet exemple, tous les indicateurs fournis par les véhicules sont utilisés, sans se limiter aux indicateurs identifiés pour un composant particulier. Plusieurs niveaux de classification sont réalisés dans la phase d’apprentissage, en fonction des composants touchés par les pannes, en fonction du type de panne, en fonction du type de véhicule. Un ou plusieurs modèles de prédiction sont générés selon cet exemple et utilisés lors de la phase de prédiction.
Le dispositif 2 est par exemple configuré pour la mise en œuvre des opérations décrites en regard de la et/ou des étapes du procédé décrit en regard de la . Des exemples d’un tel dispositif 2 comprennent, sans y être limités, un équipement électronique embarqué tel qu’un ordinateur de bord d’un véhicule, un calculateur électronique tel qu’une UCE (« Unité de Commande Electronique »), une unité de contrôle télématique, dite TCU (de l’anglais « Telematic Control Unit »), un téléphone intelligent, une tablette, un ordinateur portable, un serveur, ou une combinaison de plusieurs des dispositifs énumérés ci-avant. Les éléments du dispositif 2, individuellement ou en combinaison, peuvent être intégrés dans un unique circuit intégré, dans plusieurs circuits intégrés, et/ou dans des composants discrets. Le dispositif 2 peut être réalisé sous la forme de circuits électroniques ou de modules logiciels (ou informatiques) ou encore d’une combinaison de circuits électroniques et de modules logiciels.
Le dispositif 2 comprend un (ou plusieurs) processeur(s) 20 configurés pour exécuter des instructions pour la réalisation des étapes du procédé et/ou pour l’exécution des instructions du ou des logiciels embarqués dans le dispositif 2. Le processeur 20 peut inclure de la mémoire intégrée, une interface d’entrée/sortie, et différents circuits connus de l’homme du métier. Le dispositif 2 comprend en outre au moins une mémoire 21 correspondant par exemple une mémoire volatile et/ou non volatile et/ou comprend un dispositif de stockage mémoire qui peut comprendre de la mémoire volatile et/ou non volatile, telle que EEPROM, ROM, PROM, RAM, DRAM, SRAM, flash, disque magnétique ou optique.
Le code informatique du ou des logiciels embarqués comprenant les instructions à charger et exécuter par le processeur est par exemple stocké sur la mémoire 21.
Selon différents modes de réalisation particuliers, le dispositif 2 est couplé en communication avec d’autres dispositifs ou systèmes similaires et/ou avec des dispositifs de communication, par exemple une TCU (de l’anglais « Telematic Control Unit » ou en français « Unité de Contrôle Télématique »), par exemple par l’intermédiaire d’un bus de communication ou au travers de ports d’entrée / sortie dédiés.
Selon un mode de réalisation particulier et non limitatif, le dispositif 2 comprend un bloc 22 d’éléments d’interface pour communiquer avec des dispositifs externes, par exemple un serveur distant ou le « cloud », une unité TCU. Les éléments d’interface du bloc 22 comprennent une ou plusieurs des interfaces suivantes :
- interface radiofréquence RF, par exemple de type Bluetooth® ou Wi-Fi®, LTE (de l’anglais « Long-Term Evolution » ou en français « Evolution à long terme »), LTE-Advanced (ou en français LTE-avancé) ;
- interface USB (de l’anglais « Universal Serial Bus » ou « Bus Universel en Série » en français) ;
- interface HDMI (de l’anglais « High Definition Multimedia Interface », ou « Interface Multimedia Haute Definition » en français) ;
- interface LIN (de l’anglais « Local Interconnect Network », ou en français « Réseau interconnecté local »).
Des données sont par exemples chargées vers le dispositif 2 via l’interface du bloc 22 en utilisant un réseau Wi-Fi® tel que selon IEEE 802.11, un réseau ITS G5 basé sur IEEE 802.11p ou un réseau mobile tel qu’un réseau 4G (ou LTE Advanced selon 3GPP release 10 – version 10) ou 5G, par exemple un réseau LTE-V2X.
Selon un autre mode de réalisation particulier, le dispositif 2 comprend une interface de communication 23 qui permet d’établir une communication avec d’autres dispositifs (tels que d’autres calculateurs du système embarqué ou d’autres serveurs) via un canal de communication 230. L’interface de communication 23 correspond par exemple à un transmetteur configuré pour transmettre et recevoir des informations et/ou des données via le canal de communication 230. L’interface de communication 23 correspond par exemple à un réseau filaire de type CAN (de l’anglais « Controller Area Network » ou en français « Réseau de contrôleurs »), CAN FD (de l’anglais « Controller Area Network Flexible Data-Rate » ou en français « Réseau de contrôleurs à débit de données flexible »), FlexRay (standardisé par la norme ISO 17458) ou Ethernet (standardisé par la norme ISO/IEC 802-3).
Selon un mode de réalisation particulier supplémentaire, le dispositif 2 peut fournir des signaux de sortie à un ou plusieurs dispositifs externes, tels qu’un écran d’affichage, un ou des haut-parleurs et/ou d’autres périphériques (système de projection) via respectivement des interfaces de sortie adaptées. Selon une variante, l’un ou l’autre des dispositifs externes est intégré au dispositif 2. L’écran d’affichage correspond par exemple à un écran, tactile ou non.
Dans une première étape 31, des premiers indicateurs associés au premier véhicule et mesurés par le premier véhicule sont collectés. Ces premiers indicateurs sont par exemple stockés en mémoire d’un calculateur du premier véhicule et/ou transmis par le premier véhicule à destination du dispositif distant pour être stocké dans ce dispositif distant. Les premiers indicateurs correspondent à tout ou partie d’évènements détectés par le système embarqué du premier véhicule, ces premiers indicateurs correspondant à tout ou partie des signaux véhicule.
Dans une deuxième étape 32, la prédiction d’une probabilité de panne du ou des composants est mise en œuvre en alimentant un modèle de prédiction de panne avec les premiers indicateurs collectés à la première étape. Le modèle de prédiction de panne correspond avantageusement à un modèle de prédiction appris ou entrainé lors d’une phase d’apprentissage mise en œuvre avant la première étape 31 et la deuxième étape 32. Un tel modèle est par exemple appris selon toute méthode d’apprentissage connue à partir de deuxièmes indicateurs associés à chaque deuxième véhicule d’un ensemble de deuxièmes véhicules et mesurés par chaque deuxième véhicule, premières données identifiant une première partie de l’ensemble de deuxièmes véhicules pour lesquels est survenue la panne du au moins composant, et de deuxièmes données identifiant une deuxième partie de l’ensemble de deuxièmes véhicules pour lesquels la panne du au moins composant n’est pas survenue, la première partie et la deuxième partie formant l’ensemble de deuxièmes véhicules.
Selon une variante de réalisation, les variantes et exemples des opérations décrits en relation avec la s’appliquent aux étapes du procédé de la .
La première étape 31 et la deuxième étape 32 sont par exemple réitérées pour chaque premier véhicule d’un ensemble (ou d’un groupe) comprenant plusieurs premiers véhicules.
Bien entendu, l’invention ne se limite pas aux modes de réalisation décrits ci-avant mais s’étend à un procédé d’alerte d’une panne avant que la panne ne survienne et le dispositif configuré pour la mise en œuvre d’un tel procédé.
L’invention concerne également un véhicule, par exemple automobile ou plus généralement un véhicule autonome à moteur terrestre, comprenant le dispositif 2 de la .
L’invention concerne également un système comprenant le dispositif 2 de la (ou un ensemble de dispositifs 2) embarqué(s) dans un véhicule et un dispositif distant, par exemple le dispositif distant 101, le ou les dispositifs 2 étant reliés en communication sans fil avec le dispositif distant 101.
Claims (10)
- Procédé de prédiction de panne d’au moins un composant d’un premier véhicule (10), ledit procédé comprenant les étapes suivantes :
- collecte (31) de premiers indicateurs associés audit premier véhicule (10) et mesurés par ledit premier véhicule (10) ;
- prédiction (32) d’une probabilité de panne dudit au moins un composant en alimentant un modèle de prédiction de panne avec lesdits premiers indicateurs,
ledit modèle de prédiction de panne ayant été appris dans une phase dite d’apprentissage préalable à ladite collecte et à ladite prédiction à partir de :
● deuxièmes indicateurs associés à chaque deuxième véhicule d’un ensemble de deuxièmes véhicules et mesurés par ledit chaque deuxième véhicule,
● premières données identifiant une première partie dudit ensemble de deuxièmes véhicules pour lesquels est survenue ladite panne dudit au moins composant, et
● deuxièmes données identifiant une deuxième partie dudit ensemble de deuxièmes véhicules pour lesquels ladite panne dudit au moins composant n’est pas survenue, la première partie et la deuxième partie formant ledit ensemble de deuxièmes véhicules,
lesdits deuxièmes indicateurs et lesdites premières et deuxièmes données ayant été collectées pour ladite phase d’apprentissage. - Procédé selon la revendication 1, comprenant en outre une étape d’apprentissage dudit modèle de prédiction de panne, ladite étape d’apprentissage comprenant les étapes suivantes :
- identification de chaque deuxième véhicule de ladite première partie à partir de données représentatives de déclaration d’un évènement correspondant à ladite panne ;
- identification de chaque deuxième véhicule de ladite deuxième partie à partir de données représentatives de configuration dudit chaque deuxième véhicule, la configuration dudit chaque deuxième véhicule correspondant à une configuration des deuxièmes véhicules de ladite première partie ;
- collecte desdits deuxièmes indicateurs ;
- génération d’un premier ensemble de deuxièmes indicateurs et d’un deuxième ensemble de deuxièmes indicateurs, le premier ensemble comprenant les deuxièmes indicateurs associés aux deuxièmes véhicules de ladite première partie et le deuxième ensemble comprenant les deuxièmes indicateurs associés aux deuxièmes véhicules de ladite deuxième partie ;
- génération dudit modèle de prédiction de panne par classification desdits deuxièmes indicateurs du premier ensemble et desdits deuxièmes indicateurs du deuxième ensemble. - Procédé selon la revendication 1 ou 2, pour lequel lesdits premiers indicateurs sont transmis par ledit premier véhicule (10) via une liaison sans fil à destination d’un dispositif distant (101) et lesdits deuxièmes indicateurs sont transmis par chaque deuxième véhicule via ladite liaison sans fil à destination dudit dispositif distant (101).
- Procédé selon l’une des revendications 1 à 3, pour lequel ledit au moins un composant correspond à une batterie de démarrage.
- Procédé selon la revendication 4, pour lequel lesdits premiers et deuxièmes indicateurs appartiennent à un ensemble d’indicateurs comprenant :
- indicateur représentatif d’un code défaut ;
- indicateur représentatif d’une décharge de la batterie ;
- indicateur représentatif d’une durée de trajet ;
- indicateur représentatif d’une distance de trajet ;
- indicateur représentatif d’un intervalle temporel entre une extinction d’un moteur et l’allumage dudit moteur suivant ladite extinction ;
- indicateur représentatif d’une durée d’allumage des feux de détresse moteur éteint ;
- indicateur représentatif d’une durée d’allumage des feux antibrouillard moteur éteint ;
- indicateur représentatif d’une mesure de température extérieure au démarrage du moteur ;
- indicateur représentatif d’un nombre de trajets parcourus ;
- indicateur représentatif d’une mesure de température moteur au démarrage du moteur ;
- indicateur représentatif d’un nombre de démarrages du moteur. - Procédé selon l’une des revendications 1 à 5, comprenant en outre une étape de traitement d’au moins une partie des premiers indicateurs en fonction de règles de traitement déterminées pour déterminer au moins un premier indicateur additionnel.
- Procédé selon l’une des revendications 1 à 6, comprenant en outre une étape de transmission de données représentatives d’une alerte lorsque ladite prédiction de panne atteint un seuil déterminé.
- Programme d’ordinateur comportant des instructions pour la mise en œuvre du procédé selon l’une quelconque des revendications précédentes, lorsque ces instructions sont exécutées par un processeur.
- Dispositif (2) de prédiction de panne d’au moins un composant d’un premier véhicule, ledit dispositif (2) comprenant une mémoire (21) associée à au moins un processeur (20) configuré pour la mise en œuvre des étapes du procédé selon l’une quelconque des revendications 1 à 7.
- Véhicule (10) comprenant le dispositif (2) selon la revendication 9.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR2102319A FR3120724A1 (fr) | 2021-03-10 | 2021-03-10 | Procédé et dispositif de prédiction de panne d’au moins composant d’un véhicule |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR2102319 | 2021-03-10 | ||
FR2102319A FR3120724A1 (fr) | 2021-03-10 | 2021-03-10 | Procédé et dispositif de prédiction de panne d’au moins composant d’un véhicule |
Publications (1)
Publication Number | Publication Date |
---|---|
FR3120724A1 true FR3120724A1 (fr) | 2022-09-16 |
Family
ID=75690498
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
FR2102319A Withdrawn FR3120724A1 (fr) | 2021-03-10 | 2021-03-10 | Procédé et dispositif de prédiction de panne d’au moins composant d’un véhicule |
Country Status (1)
Country | Link |
---|---|
FR (1) | FR3120724A1 (fr) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170352204A1 (en) * | 2016-06-02 | 2017-12-07 | Airbus Operations (S.A.S.) | Predicting failures in an aircraft |
WO2018069853A1 (fr) * | 2016-10-12 | 2018-04-19 | Harman International Industries, Incorporated | Systèmes et procédés de détection de panne prédictive dans un véhicule |
FR3098942A1 (fr) * | 2019-07-17 | 2021-01-22 | Safran Aircraft Engines | Procédé, dispositif, programme d’ordinateur de prédiction de panne/ anomalie de démarrage d’aéronef |
-
2021
- 2021-03-10 FR FR2102319A patent/FR3120724A1/fr not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170352204A1 (en) * | 2016-06-02 | 2017-12-07 | Airbus Operations (S.A.S.) | Predicting failures in an aircraft |
WO2018069853A1 (fr) * | 2016-10-12 | 2018-04-19 | Harman International Industries, Incorporated | Systèmes et procédés de détection de panne prédictive dans un véhicule |
FR3098942A1 (fr) * | 2019-07-17 | 2021-01-22 | Safran Aircraft Engines | Procédé, dispositif, programme d’ordinateur de prédiction de panne/ anomalie de démarrage d’aéronef |
Non-Patent Citations (1)
Title |
---|
SREERUPA DAS ET AL: "An open architecture for enabling CBM/PHM capabilities in ground vehicles", PROGNOSTICS AND HEALTH MANAGEMENT (PHM), 2012 IEEE CONFERENCE ON, IEEE, 18 June 2012 (2012-06-18), pages 1 - 8, XP032235531, ISBN: 978-1-4673-0356-9, DOI: 10.1109/ICPHM.2012.6299529 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220343782A1 (en) | Systems and methods for delivering vehicle-specific educational content for a critical event | |
FR3120724A1 (fr) | Procédé et dispositif de prédiction de panne d’au moins composant d’un véhicule | |
FR3100203A1 (fr) | Procédé et dispositif d’alerte d’évènement pour véhicule | |
EP4313659A1 (fr) | Procédé et dispositif de contrôle de témoins d'une interface homme-machine pour véhicule | |
FR3122059A1 (fr) | Procédé, dispositif et système de communication de données d’évènement pour véhicule | |
FR2990040A1 (fr) | Procede et systeme d'assistance a la maintenance d'un vehicule | |
FR3142581A1 (fr) | Procédé et dispositif de prédiction d’un niveau de risque d’apparition de buée à l’intérieur d’un véhicule | |
FR3122009A1 (fr) | Procédé, dispositif et système de prédiction d’une opération de maintenance pour véhicule | |
FR3112622A1 (fr) | Procédé et système de maintenance prédictive | |
FR3124998A1 (fr) | Procédé, dispositif et système de contrôle de système d’aide à la conduite embarqué d’un véhicule | |
FR3138554A1 (fr) | Procédé et dispositif de communication de données de carburant d’un véhicule | |
FR3119918A1 (fr) | Procédé et dispositif de traçabilité de maintenances périodiques réalisées sur un véhicule | |
FR3138401A1 (fr) | Procédé et dispositif de contrôle de système d’aide à la conduite d’un véhicule en fonction d’un niveau de performance des pneumatiques | |
FR3126519A1 (fr) | Procédé et dispositif d’identification de composants réparés dans un véhicule | |
FR3119903A1 (fr) | Procédé et dispositif de contrôle d’un ensemble de calculateurs d’un véhicule | |
FR3138534A1 (fr) | Procédé et dispositif de contrôle de système d’aide à la conduite d’un véhicule en fonction d’un niveau d’usure des plaquettes de frein | |
FR3138533A1 (fr) | Procédé et dispositif de contrôle de système d’aide à la conduite d’un véhicule en fonction d’un niveau de performance des amortisseurs | |
FR3136882A1 (fr) | Procédé et dispositif de prédiction d’une capacité à rouler d’un véhicule à la suite d’un accident | |
FR3085145A1 (fr) | Procede et dispositif de controle du fonctionnement d’un module de communication directe par voie d’ondes d’un vehicule, par declenchement d’une reaction | |
FR3122931A1 (fr) | Procédé et dispositif de contrôle d’un ensemble de calculateurs d’un véhicule | |
FR3125151A1 (fr) | Procédé et dispositif de contrôle d’un véhicule à partir d’une prédiction d’intention d’un piéton de traverser une route | |
WO2022184986A1 (fr) | Procédé et dispositif de détermination d'une vitesse réglementaire sur une portion de route pour véhicule | |
FR3139534A1 (fr) | Procédé et dispositif de sélection d’une borne de recharge pour véhicule électrique | |
FR3122306A1 (fr) | Procédé, dispositif et système de contrôle d’un système embarqué d’un véhicule | |
FR3056001B1 (fr) | Procede d’evaluation de l’etat d’usure d’un vehicule |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PLFP | Fee payment |
Year of fee payment: 2 |
|
PLSC | Publication of the preliminary search report |
Effective date: 20220916 |
|
ST | Notification of lapse |
Effective date: 20231105 |