FR3126519A1 - Method and device for identifying repaired components in a vehicle - Google Patents
Method and device for identifying repaired components in a vehicle Download PDFInfo
- Publication number
- FR3126519A1 FR3126519A1 FR2108982A FR2108982A FR3126519A1 FR 3126519 A1 FR3126519 A1 FR 3126519A1 FR 2108982 A FR2108982 A FR 2108982A FR 2108982 A FR2108982 A FR 2108982A FR 3126519 A1 FR3126519 A1 FR 3126519A1
- Authority
- FR
- France
- Prior art keywords
- vehicle
- component
- data
- information
- repaired
- 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- Withdrawn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 48
- 230000015556 catabolic process Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000003066 decision tree Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 210000000056 organ Anatomy 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 2
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 2
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000009007 Diagnostic Kit Methods 0.000 description 1
- 241000897276 Termes Species 0.000 description 1
- 125000002015 acyclic group Chemical group 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- QVFWZNCVPCJQOP-UHFFFAOYSA-N chloralodol Chemical compound CC(O)(C)CC(C)OC(O)C(Cl)(Cl)Cl QVFWZNCVPCJQOP-UHFFFAOYSA-N 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
La présente invention concerne un procédé et un dispositif d’identification de premiers composants ayant été réparés dans un premier véhicule (11). L’identification des premiers composants comprend la réception de premières données représentatives de résultat(s) de diagnostics (100) du premier véhicule (11). L’identification des premiers composants est obtenue en alimentant un modèle de prédiction (124) de composant réparé avec les premières données reçues. Un tel modèle de prédiction a avantageusement été appris lors d’une phase d’apprentissage préalable à partir de deuxièmes données représentatives de résultat de diagnostic de chaque deuxième véhicule d’un ensemble de deuxièmes véhicules (12). Figure pour l’abrégé : Figure 1The present invention relates to a method and a device for identifying first components that have been repaired in a first vehicle (11). Identifying the first components includes receiving first data representative of diagnostic result(s) (100) from the first vehicle (11). The identification of the first components is obtained by feeding a repaired component prediction model (124) with the first data received. Such a prediction model has advantageously been learned during a prior learning phase from second data representative of the diagnostic result of each second vehicle of a set of second vehicles (12). Figure for abstract: Figure 1
Description
La présente invention concerne les procédés et dispositifs d’identification de composant(s) associés à une réparation dans un véhicule, notamment un véhicule automobile. La présente invention concerne également un procédé et un dispositif de détermination d’informations représentatives d’un ou plusieurs composants associés à un défaut détecté dans un diagnostic d’un véhicule.The present invention relates to methods and devices for identifying component(s) associated with a repair in a vehicle, in particular a motor vehicle. The present invention also relates to a method and a device for determining information representative of one or more components associated with a fault detected in a diagnosis of a vehicle.
Arrière-plan technologiqueTechnology background
Les véhicules contemporains sont formés d’un grand nombre de composants ou d’organes, chacun susceptible de panne ou de défaut.Contemporary vehicles are made up of a large number of components or organs, each susceptible to breakdown or defect.
Pour contrôler le bon fonctionnement d’un véhicule, par exemple automobile, il est connu d’effectuer un diagnostic via un outil adapté à cet effet. Un tel outil correspond à un ordinateur et est parfois appelé valise de diagnostic de véhicule. Lorsqu’il est branché au véhicule, l’outil de diagnostic récupère des données sur le fonctionnement du véhicule. En comparant ces données avec des données de référence fournies par le constructeur du véhicule, il est possible d’identifier d’éventuels défauts, de diagnostiquer une panne ou de prévenir un défaut ou une casse d’un ou plusieurs composants.To check the correct operation of a vehicle, for example an automobile, it is known to carry out a diagnosis via a tool adapted for this purpose. Such a tool corresponds to a computer and is sometimes called a vehicle diagnostic kit. When plugged into the vehicle, the diagnostic tool collects data on the operation of the vehicle. By comparing this data with reference data provided by the vehicle manufacturer, it is possible to identify any faults, diagnose a fault or prevent a fault or breakage of one or more components.
La difficulté qui se pose, notamment pour les personnes en charge de l’entretien des véhicules, est de pouvoir identifier rapidement et simplement le ou les composants du véhicule ayant été réparés.The difficulty that arises, especially for people in charge of vehicle maintenance, is to be able to quickly and simply identify the component or components of the vehicle that have been repaired.
Résumé de la présente inventionSummary of the present invention
Un objet de la présente invention est de résoudre au moins l’un des problèmes de l’arrière-plan technologique décrit précédemment.An object of the present invention is to solve at least one of the problems of the technological background described above.
Un objet de la présente invention est d’améliorer l’identification des composants associés à un défaut constaté sur un véhicule.An object of the present invention is to improve the identification of the components associated with a fault observed on a vehicle.
Selon un premier aspect, la présente invention concerne un procédé d’identification de composant dans un premier véhicule, ledit procédé étant mis en œuvre par au moins un processeur, le procédé comprenant les étapes suivantes :According to a first aspect, the present invention relates to a component identification method in a first vehicle, said method being implemented by at least one processor, the method comprising the following steps:
- réception de premières données représentatives de résultat de diagnostic du premier véhicule ;- reception of first data representative of the diagnostic result of the first vehicle;
- identification d’au moins un premier composant du premier véhicule en alimentant un modèle de prédiction de composants réparés avec les premières données, chaque premier composant correspondant à un composant réparé suite à une panne,- identification of at least a first component of the first vehicle by feeding a repaired component prediction model with the first data, each first component corresponding to a component repaired following a breakdown,
le modèle de prédiction de composants réparés ayant été appris dans une phase dite d’apprentissage préalable à la réception et à l’identification à partir de :the repaired component prediction model having been learned in a so-called learning phase prior to receipt and identification from:
● deuxièmes données représentatives de résultat de diagnostic de chaque deuxième véhicule d’un ensemble de deuxièmes véhicules ;● second data representative of the diagnostic result of each second vehicle of a set of second vehicles;
● premières informations représentatives d’au moins une requête de réparation d’au moins un deuxième composant dans chaque deuxième véhicule de l’ensemble de deuxièmes véhicules ; et● first information representative of at least one repair request for at least one second component in each second vehicle of the set of second vehicles; And
● deuxièmes informations représentatives du au moins un deuxième composant pour chaque deuxième véhicule dudit ensemble de deuxièmes véhicules.● second information representing the at least one second component for each second vehicle of said set of second vehicles.
Selon une variante, le procédé comprend en outre une étape d’apprentissage du modèle de prédiction de composants réparés, l’étape d’apprentissage comprenant les étapes suivantes :According to a variant, the method further comprises a step of learning the repaired component prediction model, the learning step comprising the following steps:
- réception des deuxièmes données, des premières informations et des deuxièmes informations ;- receiving the second data, the first information and the second information;
- génération du modèle de prédiction de composants réparés par classification des deuxièmes données en relation avec les premières et deuxièmes informations.- generation of the repaired component prediction model by classifying the second data in relation to the first and second information.
Selon une autre variante, l’identification du au moins un premier composant comprend une classification des premières données.According to another variant, the identification of the at least one first component comprises a classification of the first data.
Selon une variante supplémentaire, la classification est mise en œuvre selon un modèle de perceptrons multicouches, dit MLP, mis en œuvre par un réseau de neurones.According to an additional variant, the classification is implemented according to a model of multilayer perceptrons, known as MLP, implemented by a neural network.
Selon encore une variante, la classification correspond à une classification par forêts aléatoires.According to yet another variant, the classification corresponds to a classification by random forests.
Selon une variante additionnelle, l’identification comprend une détermination de troisièmes informations représentatives du au moins un premier composant, les troisièmes informations appartenant à un ensemble d’informations comprenant :According to an additional variant, the identification comprises a determination of third information representative of at least one first component, the third information belonging to a set of information comprising:
- des informations représentatives d’un type de composant ;- information representative of a type of component;
- des informations représentatives d’un ordre de réparation d’un composant dans une séquence d’une pluralité de composants à réparer ;- information representative of a repair order for a component in a sequence of a plurality of components to be repaired;
- des informations représentatives d’un temps nécessaire à la réparation du au moins un premier composant.- information representative of a time required to repair the at least one first component.
Selon une autre variante, les premières données sont reçues d’un dispositif distant via une liaison filaire ou sans fil.According to another variant, the first data is received from a remote device via a wired or wireless link.
Selon un deuxième aspect, la présente invention concerne un dispositif configuré pour identifier au moins un premier composant dans un premier 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 la présente invention.According to a second aspect, the present invention relates to a device configured to identify at least a first component in a first vehicle, the device comprising a memory associated with a processor configured for the implementation of the steps of the method according to the first aspect of the present invention. invention.
Selon un troisième aspect, la présente invention concerne un véhicule, par exemple de type automobile, comprenant un dispositif tel que décrit ci-dessus selon le deuxième aspect de la présente invention.According to a third aspect, the present invention relates to a vehicle, for example of the automobile type, comprising a device as described above according to the second aspect of the present invention.
Selon un quatrième aspect, la présente invention concerne un système comprenant un dispositif tel que décrit ci-dessus selon le deuxième aspect de la présente invention et un véhicule relié en communication au dispositif tel que décrit ci-dessus selon le deuxième aspect de la présente invention.According to a fourth aspect, the present invention relates to a system comprising a device as described above according to the second aspect of the present invention and a vehicle connected in communication to the device as described above according to the second aspect of the present invention .
Selon un cinquième aspect, la présente invention concerne un programme d’ordinateur qui comporte des instructions adaptées pour l’exécution des étapes du procédé selon le premier aspect de la présente invention, ceci notamment lorsque le programme d’ordinateur est exécuté par au moins un processeur.According to a fifth aspect, the present invention relates to a computer program which comprises instructions adapted for the execution of the steps of the method according to the first aspect of the present invention, this in particular when the computer program is executed by at least one processor.
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.Such a computer program can use any programming language, and be in the form of source code, object code, or intermediate code between source code and object code, such as in a partially compiled form, or in any other desirable form.
Selon un sixième aspect, la présente 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 la présente invention.According to a sixth aspect, the present invention relates to a computer-readable recording medium on which is recorded a computer program comprising instructions for the execution of the steps of the method according to the first aspect of the present 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.On the one hand, the recording medium can be any entity or device capable of storing the program. For example, the medium may comprise a storage means, such as a ROM memory, a CD-ROM or a ROM memory of the microelectronic circuit type, or even a magnetic recording means or a hard disk.
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 la présente invention peut être en particulier téléchargé sur un réseau de type Internet.On the other hand, this recording medium can also be a transmissible medium such as an electrical or optical signal, such a signal being able to be conveyed via an electrical or optical cable, by conventional or hertzian radio or by self-directed laser beam or by other ways. The computer program according to the present invention can in particular be downloaded from an Internet-type network.
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.Alternatively, the recording medium may be an integrated circuit in which the computer program is incorporated, the integrated circuit being adapted to execute or to be used in the execution of the method in question.
Brève description des figuresBrief description of figures
D’autres caractéristiques et avantages de la présente invention ressortiront de la description des exemples de réalisation particuliers et non limitatifs de la présente invention ci-après, en référence aux figures 1 à 5 annexées, sur lesquelles :Other characteristics and advantages of the present invention will emerge from the description of the particular and non-limiting examples of embodiments of the present invention below, with reference to the appended FIGS. 1 to 5, in which:
Description des exemples de réalisationDescription of the examples of realization
Un procédé et un dispositif d’identification de composant(s) dans un premier véhicule vont maintenant être décrits dans ce qui va suivre en référence conjointement aux figures 1 à 5. Des mêmes éléments sont identifiés avec des mêmes signes de référence tout au long de la description qui va suivre.A method and a component identification device (s) in a first vehicle will now be described in what will follow with reference to Figures 1 to 5. The same elements are identified with the same reference signs throughout the description that follows.
Selon un exemple particulier et non limitatif de réalisation de la présente invention, l’identification d’un ou plusieurs premiers composants d’un premier véhicule, chaque premier composant ayant subi une réparation ou ayant été associé à une réparation, comprend la réception, par exemple par un ou plusieurs processeurs d’un dispositif de calcul (par exemple un serveur, un ordinateur ou un calculateur), de premières données représentatives de résultat(s) d’un ou plusieurs diagnostics du premier véhicule. Un ou plusieurs premiers composants du premier véhicule ayant été réparés ou ayant été associés à une réparation sont identifiés en alimentant un modèle de prédiction de composant réparé avec les premières données reçues. Un tel modèle de prédiction a avantageusement été appris lors d’une phase d’apprentissage préalable à partir de deuxièmes données représentatives de résultat de diagnostic de chaque deuxième véhicule d’un ensemble de deuxièmes véhicules, premières informations représentatives d’au moins une requête de réparation d’au moins un deuxième composant dans chaque deuxième véhicule de l’ensemble de deuxièmes véhicules et de deuxièmes informations représentatives du au moins un deuxième composant pour chaque deuxième véhicule dudit ensemble de deuxièmes véhicules. L’ensemble de deuxièmes véhicules correspond par exemple à un ensemble de véhicules dont les données et informations ont été collectées alors que ces véhicules étaient sous garantie, le volume et le type d’informations disponibles pour ces véhicules étant plus importants que pour les véhicules hors garantie.According to a particular and non-limiting embodiment of the present invention, the identification of one or more first components of a first vehicle, each first component having undergone a repair or having been associated with a repair, comprises the reception, by example by one or more processors of a computing device (for example a server, a computer or a calculator), first data representative of result(s) of one or more diagnoses of the first vehicle. One or more first components of the first vehicle that have been repaired or have been associated with a repair are identified by feeding a repaired component prediction model with the first data received. Such a prediction model has advantageously been learned during a prior learning phase from second data representative of the diagnostic result of each second vehicle of a set of second vehicles, first information representative of at least one request for repair of at least one second component in each second vehicle of the set of second vehicles and second information representative of the at least one second component for each second vehicle of said set of second vehicles. The set of second vehicles corresponds for example to a set of vehicles whose data and information were collected while these vehicles were under warranty, the volume and type of information available for these vehicles being greater than for vehicles outside guarantee.
L’identification du ou des premiers composants est mise en œuvre par une méthode d’apprentissage automatique, dite aussi d’apprentissage machine (de l’anglais « machine learning »).The identification of the first component(s) is implemented by an automatic learning method, also known as machine learning.
L’utilisation d’un modèle appris, par exemple à partir d’un grand nombre de véhicules pour lesquels les informations disponibles sont plus complètes, notamment sur les composants ou organes associés à des pannes identifiées, permet d’identifier les composants ou organes qui ont été réparés sur un véhicule à partir des données de diagnostic de ce véhicule.The use of a learned model, for example from a large number of vehicles for which the information available is more complete, in particular on the components or units associated with identified failures, makes it possible to identify the components or units which have been repaired on a vehicle based on that vehicle's diagnostic data.
Cela permet par exemple de récupérer l’historique des pièces réparées pour un véhicule, en absence de toute information à ce sujet, à partir des données de diagnostic de ce véhicule obtenues par exemple à partir d’un ordinateur de diagnostic.This makes it possible, for example, to retrieve the history of repaired parts for a vehicle, in the absence of any information on this subject, from the diagnostic data of this vehicle obtained for example from a diagnostic computer.
La
L’environnement 1 de la
Le ou les premiers composants correspondent à des composants qui ont été réparés ou associés à une réparation à une date antérieure à la date à laquelle l’identification de ce ou ces premiers composants est mise en œuvre.The first component(s) correspond to components that were repaired or associated with a repair on a date prior to the date on which the identification of this or these first component(s) is implemented.
Le premier véhicule 11 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 premier véhicule 11 correspond ainsi par exemple à un véhicule terrestre, par exemple une automobile, un camion, un car.The first vehicle 11 corresponds for example to a vehicle with a combustion engine, with electric motor(s) or else a hybrid vehicle with a combustion engine and one or more electric motors. The first vehicle 11 thus corresponds for example to a land vehicle, for example an automobile, a truck, a coach.
Chaque deuxième véhicule de l’ensemble 12 correspond avantageusement à un véhicule du même type que le premier véhicule 11.Each second vehicle of the set 12 advantageously corresponds to a vehicle of the same type as the first vehicle 11.
Un processus d’identification d’un ou plusieurs premiers composants du premier véhicule 11 est avantageusement mis en œuvre dans un dispositif de calcul, par exemple un ordinateur ou un serveur, par exemple un serveur du « cloud » (ou « nuage » en français). Selon une variante de réalisation, le processus d’identification est mis en œuvre par un calculateur du premier véhicule 11.A process for identifying one or more first components of the first vehicle 11 is advantageously implemented in a computing device, for example a computer or a server, for example a "cloud" server (or "cloud" in French ). According to a variant embodiment, the identification process is implemented by a computer of the first vehicle 11.
Un tel processus est avantageusement mis en œuvre sous la forme d’une méthode d’apprentissage automatique ou d’apprentissage machine. Une telle méthode d’apprentissage automatique est par exemple mise en œuvre par un réseau de neurones, par exemple un réseau de neurones de type réseau neuronal convolutif, également appelé réseau de neurones convolutifs ou réseau de neurones à convolution et noté CNN ou ConvNet (de l’anglais « Convolutional Neural Networks »). Un tel réseau correspond à un réseau de neurones artificiels acycliques (de l’anglais « feed-forward »). Un tel réseau neuronal convolutif comprend une partie convolutive mettant en œuvre une ou plusieurs couches de convolution et une partie densément connectée mettant par exemple en œuvre une ou plusieurs couches de neurones densément connectées (ou entièrement connectés), tel qu’illustré par la
Selon une variante de réalisation, la classification des données de diagnostic est réalisée selon la méthode dite de forêts aléatoires (de l’anglais « Random Forest »), aussi connue sous le nom de forêts d’arbres décisionnels, cette méthode étant connue de l’homme du métier et est par exemple décrite dans le document intitulé « Random Decision Forests » de Tin Kam Ho et publié dans « Proceedings of the 3rd International Conference on Document Analysis and Recognition » en août 1995. Une telle variante est illustrée par la
Le processus d’identification du ou des premiers composants est mis en œuvre dans une phase dite de production, de prédiction ou d’exploitation de la méthode d’apprentissage, une telle phase utilisant un ou plusieurs modèles de prédiction de composant(s) réparés appris dans une phase dite d’apprentissage de ce ou ces modèles. La phase d’apprentissage est une phase préalable à la phase de production, le ou les modèles étant appris ou générés lors de cette phase d’apprentissage.The process of identifying the first component(s) is implemented in a so-called production, prediction or exploitation phase of the learning method, such a phase using one or more repaired component(s) prediction models learned in a so-called learning phase of this or these models. The learning phase is a preliminary phase to the production phase, the model(s) being learned or generated during this learning phase.
Chacune de ces phases comprend une ou plusieurs opérations décrites ci-dessous.Each of these phases includes one or more operations described below.
La première phase et la deuxième phase sont par exemple mises en œuvre par un même dispositif distant du premier véhicule 11, par exemple un ordinateur ou un serveur.The first phase and the second phase are for example implemented by the same device remote from the first vehicle 11, for example a computer or a server.
Selon une variante de réalisation, la phase d’apprentissage est mise en œuvre par un serveur (par exemple un serveur du « cloud » ou un serveur hébergé dans un centre (par exemple un bureau d’étude du constructeur du premier véhicule) adapté pour faire l’apprentissage) et la phase de production est mise en œuvre par un dispositif différent, par exemple un ordinateur, un autre serveur ou un calculateur du système embarqué du premier véhicule 11.According to a variant embodiment, the learning phase is implemented by a server (for example a "cloud" server or a server hosted in a center (for example a design office of the manufacturer of the first vehicle) suitable for learning) and the production phase is implemented by a different device, for example a computer, another server or a computer of the on-board system of the first vehicle 11.
Phase d’apprentissageLearning stage
L’apprentissage mis en œuvre correspond par exemple à un apprentissage non-supervisé à partir d’un ensemble de données associées à l’ensemble de deuxièmes véhicules 12, lequel ensemble comprend 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 supervisé à partir de l’ensemble de données associées à l’ensemble de deuxièmes véhicules 12.The learning implemented corresponds for example to unsupervised learning from a set of data associated with the set of second vehicles 12, which set comprises for example a few tens, a few hundreds, thousands or tens/ hundreds of thousands of second vehicles. According to a variant embodiment, the learning implemented in the first phase corresponds to supervised learning from the set of data associated with the set of second vehicles 12.
L’ensemble de deuxièmes véhicules 12 correspond à un ensemble de véhicules dont le suivi est plus régulier et plus complet que le suivi du premier véhicule 11. Chaque deuxième véhicule de l’ensemble 12 correspond par exemple à un véhicule sous garantie constructeur, une telle garantie étant valable pendant une durée déterminée en début de vie du véhicule (par exemple pendant 1 ou 2 années). L’ensemble de deuxièmes véhicules 12 correspond par exemple à un ensemble comprenant des deuxièmes véhicules ayant chacun connu une panne d’un ou plusieurs deuxièmes composants, ce ou ces deuxièmes composants ayant fait l’objet d’une réparation, par exemple dans un garage automobile ou en atelier.The set of second vehicles 12 corresponds to a set of vehicles whose monitoring is more regular and more complete than the monitoring of the first vehicle 11. Each second vehicle of the set 12 corresponds for example to a vehicle under manufacturer's warranty, such a warranty being valid for a fixed period at the start of the life of the vehicle (for example for 1 or 2 years). The set of second vehicles 12 corresponds for example to a set comprising second vehicles each having experienced a breakdown of one or more second components, this or these second components having been repaired, for example in a garage automobile or in the workshop.
Dans une première opération de la phase d’apprentissage, des données sont collectées pour chaque deuxième véhicule de l’ensemble 12.In a first operation of the learning phase, data is collected for each second vehicle of set 12.
Les données collectées pour ces deuxièmes véhicules 12 et utilisées pour l’apprentissage du ou des modèles de prédiction de composant(s) réparé(s) comprennent avantageusement les données ou informations suivantes :The data collected for these second vehicles 12 and used for learning the repaired component(s) prediction model(s) advantageously includes the following data or information:
- des données (dites deuxièmes données) représentatives de résultat de diagnostic(s) réalisé(s) pour chacun des deuxièmes véhicules de l’ensemble 12. Ces deuxièmes données sont par exemple obtenues d’un outil de diagnostic 100, par exemple en connectant cet outil 100 à chaque deuxième véhicule via une liaison filaire ou sans fil, par exemple via une liaison de type OBD (de l’anglais « On Board Diagnostics » ou en français « Diagnostic embarqué »). Les deuxièmes données mesurées par l’outil de diagnostic 100 sont avantageusement transmises à une base de données 120 hébergée dans un dispositif distant. Ces deuxièmes données sont par exemple associées à un identifiant du deuxième véhicule qu’elles concernent, un tel identifiant correspondant par exemple au numéro VIN (de l’anglais « Vehicle Identification Number » ou en français « Numéro d’identification du véhicule »). L’identifiant d’un véhicule permet par exemple de déterminer une ou plusieurs des informations suivantes : le type de véhicule, le modèle du véhicule, la marque du véhicule et/ou la configuration matérielle et logicielle du véhicule. Les deuxièmes données sont par exemple représentatives de l’état de fonctionnement des éléments ou composants du système de freinage, des organes de sécurité du véhicule, du système d’admission du véhicule, du système de liaison du véhicule au sol (les pneus), du système d’éclairage du véhicule, des indicateurs de maintenance, d’un ou plusieurs systèmes ADAS embarqués (de l’anglais « Advanced Driver-Assistance System » ou en français « Système d’aide à la conduite avancé »). Les deuxièmes données comprennent par exemple le kilométrage réel lors du diagnostic, l’état de fonctionnement des sondes et appareils de mesure et les codes d’erreurs ou de défauts, aussi appelés codes DTC (de l’anglais « Diagnostic Trouble Code » ou en français « Code défaut de diagnostic »), liés à un défaut quelconque d’un organe ou d’un composant ;- data (called second data) representative of diagnostic result(s) carried out for each of the second vehicles of the set 12. These second data are for example obtained from a diagnostic tool 100, for example by connecting this tool 100 to each second vehicle via a wired or wireless link, for example via an OBD type link (from the English “On Board Diagnostics” or in French “On-board diagnostics”). The second data measured by the diagnostic tool 100 are advantageously transmitted to a database 120 hosted in a remote device. These second data are for example associated with an identifier of the second vehicle that they concern, such an identifier corresponding for example to the VIN number (from the English “Vehicle Identification Number” or in French “Number of identification of the vehicle”). The identifier of a vehicle makes it possible, for example, to determine one or more of the following information: the type of vehicle, the model of the vehicle, the brand of the vehicle and/or the hardware and software configuration of the vehicle. The second data are for example representative of the operating state of the elements or components of the braking system, of the vehicle's safety devices, of the vehicle's intake system, of the vehicle's connection system to the ground (the tires), the vehicle's lighting system, maintenance indicators, one or more on-board ADAS systems (from English "Advanced Driver-Assistance System" or in French "Advanced Driving Assistance System"). The second data includes, for example, the actual mileage during the diagnosis, the operating status of the probes and measuring devices and the error or fault codes, also called DTC codes (from the English "Diagnostic Trouble Code" or in French "Diagnostic fault code"), related to any defect of an organ or component;
- des données (dites premières informations) représentatives d’au moins une requête de réparation d’au moins un deuxième composant pour un ou plusieurs deuxièmes véhicules de l’ensemble 12. Une telle requête de réparation correspond par exemple à une demande de crédit. Une panne associée à un composant d’un deuxième véhicule de l’ensemble 12 est par exemple enregistrée dans une base de données 121 sous la forme d’une demande de prise en charge de la panne, dite demande de crédit. Une telle demande de crédit est par exemple entrée dans la base de données 121 et associée au deuxième véhicule concerné par un opérateur auprès duquel la panne ou le défaut du composant est reporté. La panne ou le défaut est par exemple reporté par le propriétaire du véhicule concerné ou par une entreprise assurant la réparation des véhicules (garage automobile ou concession automobile du constructeur par exemple). La base de données 121 stocke par exemple en regard de chaque identifiant de deuxième véhicule de l’ensemble 12 une information représentative de panne (par exemple une information indiquant qu’une demande de crédit a été effectuée), une telle demande de crédit identifiant le ou les deuxièmes composants du deuxième véhicule concernés par la panne avec optionnellement une ou plusieurs informations telles que la date d’occurrence ou de remontée de la panne, l’identifiant de la personne ou de l’entreprise ayant reporté la panne, etc. Les identifiants et les informations associées sont par exemple enregistrées dans la base de données 121 sous la forme d’une table de correspondance, dite LUT (de l’anglais « Look-Up Table ») associant à chaque deuxième véhicule (identifié par exemple par son numéro VIN) de l’ensemble 12 des premières informations représentatives d’une ou plusieurs requêtes de réparation (aussi appelées remontées de panne ou demande de crédit) ; et- data (called first information) representative of at least one repair request for at least one second component for one or more second vehicles of the set 12. Such a repair request corresponds for example to a credit request. A breakdown associated with a component of a second vehicle of the set 12 is for example recorded in a database 121 in the form of a request to take charge of the breakdown, called a credit request. Such a credit request is, for example, entered into the database 121 and associated with the second vehicle concerned by an operator to whom the breakdown or defect of the component is reported. The breakdown or defect is, for example, reported by the owner of the vehicle concerned or by a company providing vehicle repair (car garage or car dealership of the manufacturer, for example). The database 121 stores, for example, next to each identifier of the second vehicle of the set 12, information representing a breakdown (for example information indicating that a credit application has been made), such a credit application identifying the or the second components of the second vehicle concerned by the breakdown with optionally one or more information such as the date of occurrence or escalation of the breakdown, the identifier of the person or of the company having reported the breakdown, etc. The identifiers and the associated information are for example recorded in the database 121 in the form of a correspondence table, called LUT (from the English “Look-Up Table”) associating with each second vehicle (identified for example by its VIN number) of the set 12 of the first information representative of one or more repair requests (also called breakdown feedback or credit request); And
- des données (dites deuxièmes informations) représentatives du ou des deuxièmes composants identifiés dans la demande de crédit. Ces deuxièmes informations sont par exemple stockées dans une base de données 122 sous par exemple la forme d’une table LUT mettant en correspondance certaines informations ou caractéristiques de chaque deuxième composant ayant fait l’objet d’une remontée de panne (donc de réparation) en regard de chaque deuxième composant (identifié par un identifiant unique). Ces deuxièmes informations comprennent par exemple le type du deuxième composant, l’ordre dans lequel ce deuxième composant a été réparée lorsque la panne identifiée a entrainé la réparation de plusieurs composants formant une séquence déterminée, la durée d’intervention nécessaire à la réparation du deuxième composant, etc.- data (called second information) representative of the second component(s) identified in the credit application. This second information is for example stored in a database 122, for example in the form of a LUT table matching certain information or characteristics of each second component having been the subject of a failure report (therefore repair) next to each second component (identified by a unique identifier). This second information comprises, for example, the type of the second component, the order in which this second component was repaired when the identified failure led to the repair of several components forming a determined sequence, the duration of intervention necessary for the repair of the second component, etc
Dans une deuxième opération de la phase d’apprentissage, le ou les modèles de prédiction de composants réparés 124 est/sont généré(s) ou entrainé(s) par classification des deuxièmes données en relation avec les premières et deuxièmes informations. Une telle classification permet d’établir des liens ou des associations entre les deuxièmes données (issues des diagnostics réalisés sur les deuxièmes véhicules) et les deuxièmes composants ayant fait l’objet d’une réparation. Une telle classification est avantageusement mise en œuvre par un classificateur 123.In a second operation of the learning phase, the repaired component prediction model(s) 124 is/are generated or trained by classification of the second data in relation to the first and second information. Such a classification makes it possible to establish links or associations between the second data (resulting from the diagnoses carried out on the second vehicles) and the second components having been the subject of a repair. Such a classification is advantageously implemented by a classifier 123.
Le classificateur 123 prend par exemple la forme d’une ou plusieurs couches de neurones densément connectées (ou entièrement connectés) d’un réseau de neurones, selon un modèle de type MLP (de l’anglais « Multi Layers Perceptron » ou en français « Perceptrons multicouches »).The classifier 123 takes for example the form of one or more layers of densely connected (or fully connected) neurons of a neural network, according to an MLP type model (from the English “Multi Layers Perceptron” or in French “ Multilayer perceptrons”).
Selon un autre exemple, une telle classification 123 est mise en œuvre via la méthode dites des forêts aléatoires.According to another example, such a classification 123 is implemented via the so-called random forest method.
Une telle phase d’apprentissage permet ainsi de déterminer un ou plusieurs modèles établissant des probabilités sur les composants d’un véhicule à réparer en fonction des données de diagnostic de ce véhicule.Such a learning phase thus makes it possible to determine one or more models establishing probabilities on the components of a vehicle to be repaired according to the diagnostic data of this vehicle.
Phase de productionproduction stage
Dans une première opération de la phase de production, des premières données sont collectées à partir du premier véhicule 11. Ces premières données sont similaires aux deuxièmes données collectées depuis les deuxièmes véhicules de l’ensemble 12. Ainsi, ces premières données sont représentatives de résultat de diagnostic(s) réalisé(s) pour le premier véhicule 11. Ces premières données sont par exemple obtenues d’un outil de diagnostic 100, par exemple en connectant cet outil 100 au premier véhicule 11 via une liaison filaire ou sans fil, par exemple via une liaison de type OBD.In a first operation of the production phase, first data is collected from the first vehicle 11. This first data is similar to the second data collected from the second vehicles of the set 12. Thus, this first data is representative of result diagnostic(s) carried out for the first vehicle 11. These first data are for example obtained from a diagnostic tool 100, for example by connecting this tool 100 to the first vehicle 11 via a wired or wireless link, by example via an OBD type link.
Les premières données mesurées par l’outil de diagnostic 100 sont avantageusement transmises à une base de données 110 hébergée dans un dispositif distant. Ce dispositif distant correspond par exemple à un ordinateur ou à un serveur, différent ou identique du dispositif distant hébergeant au moins l’une des bases de données 120, 121, 122.The first data measured by the diagnostic tool 100 are advantageously transmitted to a database 110 hosted in a remote device. This remote device corresponds for example to a computer or to a server, different or identical to the remote device hosting at least one of the databases 120, 121, 122.
Ces premières données sont par exemple associées à un identifiant du premier véhicule 11 qui correspond par exemple au numéro VIN du premier véhicule 11 et qui permet par exemple de déterminer le type du premier véhicule 11, ce qui permet par exemple de déterminer de quel ensemble 12 ce premier véhicule 11 se rapproche pour par exemple sélectionner le ou les modèles de prédictions appris sur des deuxièmes véhicules similaires au premier véhicule 11.These first data are for example associated with an identifier of the first vehicle 11 which corresponds for example to the VIN number of the first vehicle 11 and which makes it possible, for example, to determine the type of the first vehicle 11, which makes it possible, for example, to determine from which set 12 this first vehicle 11 approaches for example to select the prediction model(s) learned on second vehicles similar to the first vehicle 11.
Les premières données du premier véhicule 11 permettent par exemple d’obtenir les informations relatives à l’état de fonctionnement des systèmes embarqués du premier véhicule 11 tels que le système de freinage, le système de sécurité du véhicule, le système d’admission du véhicule, le système de liaison du véhicule au sol (les pneus), le système d’éclairage du véhicule, des indicateurs de maintenance et/ou un ou plusieurs systèmes ADAS embarqués (de l’anglais « Advanced Driver-Assistance System » ou en français « Système d’aide à la conduite avancé »). Les premières données comprennent par exemple le kilométrage réel lors du diagnostic, l’état de fonctionnement des sondes et appareils de mesure et les codes d’erreurs ou de défauts remontés par le système embarqué du premier véhicule 11.The first data of the first vehicle 11 make it possible, for example, to obtain information relating to the operating state of the on-board systems of the first vehicle 11 such as the braking system, the vehicle security system, the vehicle admission system , the vehicle's ground connection system (the tires), the vehicle's lighting system, maintenance indicators and/or one or more on-board ADAS systems (from the English "Advanced Driver-Assistance System" or in French “Advanced driver assistance system”). The first data includes, for example, the actual mileage during the diagnosis, the operating status of the sensors and measuring devices and the error or fault codes reported by the on-board system of the first vehicle 11.
Lorsque la phase de production est mise en œuvre par un calculateur du premier véhicule 11, les premières données sont transmises par l’outil 100 au premier véhicule 11, par exemple via une liaison filaire ou une liaison sans fil de type Wifi® ou Bluetooth®.When the production phase is implemented by a computer of the first vehicle 11, the first data is transmitted by the tool 100 to the first vehicle 11, for example via a wired connection or a wireless connection of the Wifi® or Bluetooth® type. .
Dans une deuxième opération de la phase de production, les premières données sont transmises au modèle de prédiction de composants réparés 124 pour alimenter ce dernier. Un classificateur 111, par exemple identique au classificateur 123, met en œuvre une classification des premières données sur la base du ou des modèles de prédiction appris 124.In a second operation of the production phase, the first data is transmitted to the repaired component prediction model 124 to feed the latter. A classifier 111, for example identical to the classifier 123, implements a classification of the first data on the basis of the learned prediction model(s) 124.
Le classificateur 111 prend par exemple la forme d’une ou plusieurs couches de neurones densément connectées (ou entièrement connectés) d’un réseau de neurones, selon un modèle de type MLP (de l’anglais « Multi Layers Perceptron » ou en français « Perceptrons multicouches »).The classifier 111 takes for example the form of one or more layers of densely connected (or fully connected) neurons of a neural network, according to a model of the MLP type (from the English “Multi Layers Perceptron” or in French “ Multilayer perceptrons”).
Selon un autre exemple, le classificateur 111 prend la forme d’une unité mettant en œuvre la méthode dites des forêts aléatoires.According to another example, the classifier 111 takes the form of a unit implementing the so-called random forest method.
En sortie de la classification 111 sont obtenues une ou plusieurs probabilités d’appartenances à une ou plusieurs classes, chaque classe identifiant un ou plusieurs premiers composants du premier véhicule ayant été réparés selon la probabilité associée à la classe. Des troisièmes informations complémentaires à l’identification du ou des premiers composants identifiés comme ayant été réparés sont par exemple également obtenues en sortie de la classification. Ces troisièmes informations comprennent par exemple une ou plusieurs des données ou informations suivantes, selon toutes combinaisons possibles :At the output of the classification 111 are obtained one or more probabilities of belonging to one or more classes, each class identifying one or more first components of the first vehicle having been repaired according to the probability associated with the class. Third information complementary to the identification of the first component(s) identified as having been repaired is for example also obtained at the output of the classification. This third information includes, for example, one or more of the following data or information, in any possible combination:
- des informations représentatives d’un type de chaque premier composant ;- information representative of a type of each first component;
- des informations représentatives d’un ordre de réparation d’un composant dans une séquence d’une pluralité de composants à réparer ;- information representative of a repair order for a component in a sequence of a plurality of components to be repaired;
- des informations représentatives d’un temps nécessaire à la réparation de chaque premier composant.- information representative of the time required to repair each first component.
Dans une troisième opération optionnelle, les identifiants du ou des premiers composants, avec optionnellement les troisièmes informations associées, sont affichées sur un écran d’affichage.In a third optional operation, the identifiers of the first component or components, with optional third associated information, are displayed on a display screen.
La phase de production permet ainsi de déterminer quels composants du premiers véhicules ont été réparés sur la base des données de diagnostic. Cela permet de reconstruire l’historique d’entretien ou de maintenance du véhicule en l’absence de données sur les composants ayant fait l’objet d’une réparation.The production phase thus makes it possible to determine which components of the first vehicles have been repaired on the basis of the diagnostic data. This makes it possible to reconstruct the service or maintenance history of the vehicle in the absence of data on the components that have been repaired.
La
La partie densément connectée 2 illustrée en
Cette partie densément connectée 2 met avantageusement en œuvre la classification des premières ou deuxièmes données selon le modèle de type MLP (de l’anglais « Multi Layers Perceptron » ou en français « Perceptrons multicouches »).This densely connected part 2 advantageously implements the classification of the first or second data according to the MLP type model (from the English “Multi Layers Perceptron” or in French “Perceptrons multicouches”).
La sortie de la partie 2 densément connectée comprend un nombre déterminé de neurones 24, 25, par exemple 2, 5, 10 ou plus, chaque neurone de la sortie correspondant à une classe représentative d’un ou plusieurs identifiants de composant ou organe de véhicule.The output of the densely connected part 2 comprises a determined number of neurons 24, 25, for example 2, 5, 10 or more, each neuron of the output corresponding to a class representative of one or more vehicle component or organ identifiers .
La
L’arborescence 3 comprend un nombre déterminé d’arbres décisionnels 31, 32, 33, par exemple 10, 50, 100, 500 ou plus d’arbres. Ces arbres décisionnels 31 à 33 reçoivent en entrée des sous-ensembles des premières ou des deuxièmes données 30 à classifier. Un modèle d’apprentissage est par exemple associé à chacun de ces arbres décisionnels 31 à 33, les modèles d’apprentissage résultant de la phase d’apprentissage comme décrit en regard de la
Chaque arbre décisionnel 31 à 33 fournit en sortie une prédiction d’appartenance à une classe 311, 321, 331 associée à chaque arbre décisionnel 31, 32, 33 respectivement.Each decision tree 31 to 33 outputs a prediction of belonging to a class 311, 321, 331 associated with each decision tree 31, 32, 33 respectively.
Les sorties 311, 321, 331 sont soumises à une opération dite de vote 34 (de l’anglais « voting ») pour déterminer la classe la plus probable 340, laquelle comprend le ou les identifiants des composants ou organes du premier véhicule 11 ayant fait l’objet de réparation.The outputs 311, 321, 331 are subjected to a so-called voting operation 34 to determine the most probable class 340, which comprises the identifier(s) of the components or organs of the first vehicle 11 having the object of repair.
Une telle méthode de classification est connue de l’homme du métier et a formellement été proposée en 2001 par Leo Breiman et Adele Cuttler, notamment dans le document intitulé « Random Forests » et publié par Leo Breiman en janvier 2001.Such a classification method is known to those skilled in the art and was formally proposed in 2001 by Leo Breiman and Adele Cuttler, in particular in the document entitled "Random Forests" and published by Leo Breiman in January 2001.
Le dispositif 4 est par exemple configuré pour la mise en œuvre des opérations décrites en regard des figures 1, 2, et 3 et/ou des étapes du procédé décrit en regard de la
Le dispositif 4 comprend un (ou plusieurs) processeur(s) 40 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 4. Le processeur 40 peut inclure de la mémoire intégrée, une interface d’entrée/sortie, et différents circuits connus de l’homme du métier. Le dispositif 4 comprend en outre au moins une mémoire 41 correspondant par exemple à 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.The device 4 comprises one (or more) processor(s) 40 configured to execute instructions for carrying out the steps of the method and/or for executing the instructions of the software or software embedded in the device 4. The processor 40 can include integrated memory, an input/output interface, and various circuits known to those skilled in the art. The device 4 further comprises at least one memory 41 corresponding for example to a volatile and/or non-volatile memory and/or comprises a memory storage device which can comprise volatile and/or non-volatile memory, such as EEPROM, ROM , PROM, RAM, DRAM, SRAM, flash, magnetic or optical disk.
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 41.The computer code of the on-board software or software comprising the instructions to be loaded and executed by the processor is for example stored on the memory 41.
Selon un exemple de réalisation particulier et non limitatif, le dispositif 4 comprend un bloc 42 d’éléments d’interface pour communiquer avec des dispositifs externes, par exemple un serveur distant ou le « cloud », d’autres nœuds du réseau ad hoc. Les éléments d’interface du bloc 42 comprennent une ou plusieurs des interfaces suivantes :According to a particular and non-limiting embodiment, the device 4 comprises a block 42 of interface elements for communicating with external devices, for example a remote server or the “cloud”, other nodes of the ad hoc network. Block 42 interface elements include one or more of the following interfaces:
- interface radiofréquence RF, par exemple de type Wi-Fi® (selon IEEE 802.11), par exemple dans les bandes de fréquence à 2,4 ou 5 GHz, ou de type Bluetooth® (selon IEEE 802.15.1), dans la bande de fréquence à 2,4 GHz, ou de type Sigfox utilisant une technologie radio UBN (de l’anglais Ultra Narrow Band, en français bande ultra étroite), ou LoRa dans la bande de fréquence 868 MHz, LTE (de l’anglais « Long-Term Evolution » ou en français « Evolution à long terme »), LTE-Advanced (ou en français LTE-avancé) ;- RF radio frequency interface, for example of the Wi-Fi® type (according to IEEE 802.11), for example in the 2.4 or 5 GHz frequency bands, or of the Bluetooth® type (according to IEEE 802.15.1), in the band frequency at 2.4 GHz, or of the Sigfox type using UBN radio technology (Ultra Narrow Band, in French ultra narrow band), or LoRa in the 868 MHz frequency band, LTE (from English " Long-Term Evolution” or in French “Evolution à long terme”), LTE-Advanced (or in French LTE-advanced);
- interface USB (de l’anglais « Universal Serial Bus » ou « Bus Universel en Série » en français) ;- USB interface (from the English "Universal Serial Bus" or "Universal Serial Bus" in French);
- interface HDMI (de l’anglais « High Definition Multimedia Interface », ou « Interface Multimedia Haute Definition » en français) ;- HDMI interface (from the English “High Definition Multimedia Interface”, or “Interface Multimedia Haute Definition” in French);
- interface LIN (de l’anglais « Local Interconnect Network », ou en français « Réseau interconnecté local »).- LIN interface (from English “Local Interconnect Network”, or in French “Réseau interconnecté local”).
Selon un autre exemple de réalisation particulier et non limitatif, le dispositif 4 comprend une interface de communication 43 qui permet d’établir une communication avec d’autres dispositifs (tels que d’autres calculateurs du système embarqué) via un canal de communication 430. L’interface de communication 43 correspond par exemple à un transmetteur configuré pour transmettre et recevoir des informations et/ou des données via le canal de communication 430. L’interface de communication 43 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).According to another particular and non-limiting example of embodiment, the device 4 comprises a communication interface 43 which makes it possible to establish communication with other devices (such as other computers of the on-board system) via a communication channel 430. The communication interface 43 corresponds for example to a transmitter configured to transmit and receive information and/or data via the communication channel 430. The communication interface 43 corresponds for example to a CAN-type wired network (of the 'English "Controller Area Network" or in French "Réseau de Contrôleurs"), CAN FD (from English "Controller Area Network Flexible Data-Rate" or in French "Réseau de Contrôleurs à Flow de Data Flexible"), FlexRay ( standardized by ISO 17458) or Ethernet (standardized by ISO/IEC 802-3).
Selon un exemple de réalisation particulier et non limitatif, le dispositif 4 peut fournir des signaux de sortie à un ou plusieurs dispositifs externes, tels qu’un écran d’affichage, tactile ou non, un ou des haut-parleurs et/ou d’autres périphériques (système de projection) via des interfaces de sortie respectives.According to a particular and non-limiting example of embodiment, the device 4 can supply output signals to one or more external devices, such as a display screen, touch-sensitive or not, one or more loudspeakers and/or other devices (projection system) through respective output interfaces.
Dans une première étape 51, des premières données représentatives de résultat de diagnostic du premier véhicule sont reçues.In a first step 51, first data representative of the diagnostic result of the first vehicle are received.
Dans une deuxième étape 52, au moins un premier composant du premier véhicule est identifié en alimentant un modèle de prédiction de composants réparés avec les premières données, chaque premier composant correspondant à un composant réparé suite à une panne,In a second step 52, at least one first component of the first vehicle is identified by feeding a repaired component prediction model with the first data, each first component corresponding to a component repaired following a breakdown,
le modèle de prédiction de composants réparés ayant été appris dans une phase dite d’apprentissage préalable à la réception et à l’identification à partir de :the repaired component prediction model having been learned in a so-called learning phase prior to receipt and identification from:
● deuxièmes données représentatives de résultat de diagnostic de chaque deuxième véhicule d’un ensemble de deuxièmes véhicules ;● second data representative of the diagnostic result of each second vehicle of a set of second vehicles;
● premières informations représentatives d’au moins une requête de réparation d’au moins un deuxième composant dans chaque deuxième véhicule de l’ensemble de deuxièmes véhicules ; et● first information representative of at least one repair request for at least one second component in each second vehicle of the set of second vehicles; And
● deuxièmes informations représentatives du au moins un deuxième composant pour chaque deuxième véhicule dudit ensemble de deuxièmes véhicules.● second information representing the at least one second component for each second vehicle of said set of second vehicles.
Selon une variante, les variantes et exemples des opérations décrits en relation avec les figures 1, 2 et 3 s’appliquent aux étapes du procédé de la
Bien entendu, la présente invention ne se limite pas aux exemples de réalisation décrits ci-avant mais s’étend à un procédé de traitement de données de diagnostics qui inclurait des étapes secondaires sans pour cela sortir de la portée de la présente invention. Il en serait de même d’un dispositif configuré pour la mise en œuvre d’un tel procédé.Of course, the present invention is not limited to the exemplary embodiments described above but extends to a diagnostic data processing method which would include secondary steps without thereby departing from the scope of the present invention. The same would apply to a device configured for the implementation of such a method.
La présente invention concerne également un système comprenant le dispositif de la
Claims (10)
- réception (51) de premières données représentatives de résultat de diagnostic dudit premier véhicule (11) ;
- identification (52) d’au moins un premier composant dudit premier véhicule en alimentant un modèle de prédiction (124) de composants réparés avec lesdites premières données, chaque premier composant correspondant à un composant réparé suite à une panne,
ledit modèle de prédiction (124) de composants réparés ayant été appris dans une phase dite d’apprentissage préalable à ladite réception et à ladite identification à partir de :
● deuxièmes données représentatives de résultat de diagnostic de chaque deuxième véhicule d’un ensemble de deuxièmes véhicules (12) ;
● premières informations représentatives d’au moins une requête de réparation d’au moins un deuxième composant dans chaque deuxième véhicule dudit ensemble de deuxièmes véhicules (12) ; et
● deuxièmes informations représentatives dudit au moins un deuxième composant pour chaque deuxième véhicule dudit ensemble de deuxièmes véhicules (12).Component identification method in a first vehicle (11), said method being implemented by at least one processor, said method comprising the following steps:
- reception (51) of first data representative of the diagnostic result of said first vehicle (11);
- identification (52) of at least a first component of said first vehicle by feeding a prediction model (124) of repaired components with said first data, each first component corresponding to a component repaired following a breakdown,
said prediction model (124) of repaired components having been learned in a so-called learning phase prior to said reception and said identification from:
● second data representative of diagnostic result of each second vehicle of a set of second vehicles (12);
● first information representative of at least one repair request for at least one second component in each second vehicle of said set of second vehicles (12); And
● second information representative of said at least one second component for each second vehicle of said set of second vehicles (12).
- réception desdites deuxièmes données, desdites premières informations et desdites deuxièmes informations ;
- génération dudit modèle de prédiction de composants réparés par classification desdites deuxièmes données en relation avec lesdites premières et deuxièmes informations.A method according to claim 1, further comprising a step of training said predictive model (124) of repaired components, said training step comprising the steps of:
- receiving said second data, said first information and said second information;
- generation of said repaired component prediction model by classifying said second data in relation to said first and second information.
- des informations représentatives d’un type de composant ;
- des informations représentatives d’un ordre de réparation d’un composant dans une séquence d’une pluralité de composants à réparer ;
- des informations représentatives d’un temps nécessaire à la réparation dudit au moins un premier composant.Method according to one of Claims 1 to 5, for which said identification comprises a determination of third information representative of said at least one first component, said third information belonging to a set of information comprising:
- information representative of a type of component;
- information representative of a repair order for a component in a sequence of a plurality of components to be repaired;
- information representative of a time required to repair said at least one first component.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2108982A FR3126519A1 (en) | 2021-08-27 | 2021-08-27 | Method and device for identifying repaired components in a vehicle |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2108982A FR3126519A1 (en) | 2021-08-27 | 2021-08-27 | Method and device for identifying repaired components in a vehicle |
| FR2108982 | 2021-08-27 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3126519A1 true FR3126519A1 (en) | 2023-03-03 |
Family
ID=78086519
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2108982A Withdrawn FR3126519A1 (en) | 2021-08-27 | 2021-08-27 | Method and device for identifying repaired components in a vehicle |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3126519A1 (en) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150254719A1 (en) * | 2014-03-05 | 2015-09-10 | Hti, Ip, L.L.C. | Prediction of Vehicle Transactions and Targeted Advertising Using Vehicle Telematics |
| US20160035150A1 (en) * | 2014-07-30 | 2016-02-04 | Verizon Patent And Licensing Inc. | Analysis of vehicle data to predict component failure |
| US20180315260A1 (en) * | 2017-05-01 | 2018-11-01 | PiMios, LLC | Automotive diagnostics using supervised learning models |
| US20190213605A1 (en) * | 2016-09-26 | 2019-07-11 | Harman International Industries, Incorporated | Systems and methods for prediction of automotive warranty fraud |
-
2021
- 2021-08-27 FR FR2108982A patent/FR3126519A1/en not_active Withdrawn
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150254719A1 (en) * | 2014-03-05 | 2015-09-10 | Hti, Ip, L.L.C. | Prediction of Vehicle Transactions and Targeted Advertising Using Vehicle Telematics |
| US20160035150A1 (en) * | 2014-07-30 | 2016-02-04 | Verizon Patent And Licensing Inc. | Analysis of vehicle data to predict component failure |
| US20190213605A1 (en) * | 2016-09-26 | 2019-07-11 | Harman International Industries, Incorporated | Systems and methods for prediction of automotive warranty fraud |
| US20180315260A1 (en) * | 2017-05-01 | 2018-11-01 | PiMios, LLC | Automotive diagnostics using supervised learning models |
Non-Patent Citations (2)
| Title |
|---|
| TIN KAM HO: "Random decision forests", DOCUMENT ANALYSIS AND RECOGNITION, 1995., PROCEEDINGS OF THE THIRD INT ERNATIONAL CONFERENCE ON MONTREAL, QUE., CANADA 14-16 AUG. 1995, LOS ALAMITOS, CA, USA,IEEE COMPUT. SOC, US, vol. 1, 14 August 1995 (1995-08-14), pages 278 - 282, XP010230935, ISBN: 978-0-8186-7128-9 * |
| TIN KAM HO: "Random Décision Forests", PROCEEDINGS OF THE 3RD INTERNATIONAL CONFÉRENCE ON DOCUMENT ANALYSIS AND RÉCOGNITION, August 1995 (1995-08-01) |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108563214B (en) | Vehicle diagnosis method, device and equipment | |
| FR2977046A1 (en) | ADVANCED DIAGNOSTIC FOR AIRCRAFT | |
| US20060149519A1 (en) | Hybrid vehicle parameters data collection and analysis for failure prediction and pre-emptive maintenance | |
| CN111284426B (en) | Vehicle fault root cause diagnosis | |
| EP3213213B1 (en) | Diagnostic aid method, device and system | |
| WO2017077247A1 (en) | System and method for monitoring a turbomachine, with indicator merging for the synthesis of an alarm confirmation | |
| WO2023186371A1 (en) | Method and system for estimating the remaining useful life of tyres for transport vehicles on the basis of telematic data | |
| EP4027269A1 (en) | Method for construction and for driving a detector of the presence of anomalies in a time signal, associated devices and method | |
| FR3126519A1 (en) | Method and device for identifying repaired components in a vehicle | |
| EP1615179A1 (en) | System for configuring a vehicle on-board computer | |
| FR3126208A1 (en) | ASSET INSPECTION ASSISTANT | |
| CN115009296A (en) | Sensor detection method, sensor detection device, computer equipment and computer program product | |
| WO2017097429A1 (en) | Method and system for selective recall of motor vehicles | |
| WO2021197864A1 (en) | Devices and method for managing electronic control units of a motor vehicle | |
| WO2021009364A1 (en) | Method for identifying outlier data in a set of input data acquired by at least one sensor | |
| FR3064390A1 (en) | MOTOR VEHICLE EQUIPPED WITH A COMPUTER ON THE BOARD AND A DIAGNOSTIC TOOL | |
| EP3255442B1 (en) | Method for diagnosing a set of accumulator batteries distributed in a fleet of motor vehicles | |
| FR3120724A1 (en) | Method and device for predicting failure of at least one component of a vehicle | |
| FR3134912A1 (en) | Method and device for determining numerical values representative of criteria for evaluating input data | |
| US12012110B1 (en) | Systems and methods for intelligently transforming data to generate improved output data using a probabilistic multi-application network | |
| FR3141265A1 (en) | Method and device for classifying vehicle repair support requests | |
| FR3136882A1 (en) | Method and device for predicting the driving ability of a vehicle following an accident | |
| US20240221435A1 (en) | System and method for vehicle remote diagnostics | |
| FR3124998A1 (en) | Method, device and system for controlling an on-board driver assistance system of a vehicle | |
| US20230133248A1 (en) | Utilization-specific vehicle selection and parameter adjustment |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20230303 |
|
| ST | Notification of lapse |
Effective date: 20240406 |