FR3126519A1 - Procédé et dispositif d’identification de composants réparés dans un véhicule - Google Patents
Procédé et dispositif d’identification de composants réparés dans un véhicule 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- Withdrawn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 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.
Arrière-plan technologique
Les véhicules contemporains sont formés d’un grand nombre de composants ou d’organes, chacun susceptible de panne ou de défaut.
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.
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.
Résumé de la présente invention
Un objet de la présente invention est de résoudre au moins l’un des problèmes de l’arrière-plan technologique décrit précédemment.
Un objet de la présente invention est d’améliorer l’identification des composants associés à un défaut constaté sur un véhicule.
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 :
- réception de premières données représentatives de résultat de diagnostic du premier véhicule ;
- 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,
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 :
● 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
● deuxièmes informations représentatives du au moins un deuxième composant pour chaque deuxième véhicule dudit ensemble de deuxièmes véhicules.
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 :
- réception des deuxièmes données, des premières informations et des deuxièmes informations ;
- génération du modèle de prédiction de composants réparés par classification des deuxièmes données en relation avec les premières et deuxièmes informations.
Selon une autre variante, l’identification du au moins un premier composant comprend une classification des premières données.
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.
Selon encore une variante, la classification correspond à une classification par forêts aléatoires.
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 :
- 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 du au moins un premier composant.
Selon une autre variante, les premières données sont reçues d’un dispositif distant via une liaison filaire ou sans fil.
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.
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.
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.
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.
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 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.
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 la présente 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 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 :
Description des exemples de réalisation
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.
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.
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 »).
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.
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.
La illustre schématiquement un environnement pour l’apprentissage d’un modèle de prédiction de composants réparés et pour l’identification de premier(s) composant(s) dans un premier véhicule, selon un exemple de réalisation particulier et non limitatif de la présente invention.
L’environnement 1 de la présente deux parties, à savoir une première partie 101 configurée pour identifier un ou plusieurs premiers composants d’un premier véhicule 11 et une deuxième partie 102 configurée pour l’apprentissage d’un modèle de prédiction de composants réparés, lequel modèle est appris à partir de données d’un ensemble de deuxièmes véhicules 12.
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.
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.
Chaque deuxième véhicule de l’ensemble 12 correspond avantageusement à un véhicule du même type que le premier véhicule 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.
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 , assurant la classification des données de diagnostic selon un modèle de type MLP (de l’anglais « Multi Layers Perceptron » ou en français « Perceptrons multicouches ») par exemple.
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.
Chacune de ces phases comprend une ou plusieurs opérations décrites ci-dessous.
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.
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.
Phase d’apprentissage
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.
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.
Dans une première opération de la phase d’apprentissage, des données sont collectées pour chaque deuxième véhicule de l’ensemble 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 :
- 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 ;
- 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
- 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.
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.
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 »).
Selon un autre exemple, une telle classification 123 est mise en œuvre via la méthode dites des forêts aléatoires.
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.
Phase de production
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.
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.
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.
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.
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®.
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.
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 »).
Selon un autre exemple, le classificateur 111 prend la forme d’une unité mettant en œuvre la méthode dites des forêts aléatoires.
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 :
- des informations représentatives d’un type de chaque premier 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 de chaque premier composant.
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.
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.
La illustre schématiquement la partie 2 densément connectée d’un réseau de neurones, selon un exemple de réalisation particulier et non limitatif de la présente invention.
La partie densément connectée 2 illustrée en comprend par exemple 3 couches 201, 202, 203 de neurones, les neurones d’une couche étant connectés aux neurones d’une autre couche. La partie 2 densément connectée reçoit en entrée des données 21, 22, 23 issues par exemple de la partie convolutive du réseau de neurones (lorsque ce réseau de neurones correspond à un réseau à convolution CNN), ces données étant reçues sous la forme de vecteurs par exemple. Les données 21, 22, 23 correspondent aux données résultant du traitement par la partie convolutive du réseau par exemple des premières données (s’agissant de la phase de production) ou des deuxièmes données (s’agissant de la phase d’apprentissage).
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 »).
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.
La illustre schématiquement une arborescence 3 pour la mise en œuvre d’une classification selon la méthode des forêts aléatoires, selon un exemple de réalisation particulier et non limitatif de la présente invention.
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.
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.
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.
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 . Des exemples d’un tel dispositif 4 comprennent, sans y être limités, un ordinateur, un ordinateur portable, un serveur, un téléphone portable, une tablette ou encore un équipement électronique embarqué tel qu’un ordinateur de bord d’un véhicule ou un calculateur électronique tel qu’une UCE (« Unité de Commande Electronique. Les éléments du dispositif 4, individuellement ou en combinaison, peuvent être intégrés dans un unique circuit intégré, dans plusieurs circuits intégrés, et/ou dans des composants discrets. Le dispositif 4 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 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.
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.
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 :
- 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) ;
- 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 »).
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).
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.
Dans une première étape 51, des premières données représentatives de résultat de diagnostic du premier véhicule sont reçues.
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,
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 :
● 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
● deuxièmes informations représentatives du au moins un deuxième composant pour chaque deuxième véhicule dudit ensemble de deuxièmes véhicules.
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.
La présente invention concerne également un système comprenant le dispositif de la relié en communication avec un véhicule, par exemple automobile.
Claims (10)
- Procédé d’identification de composant dans un premier véhicule (11), ledit procédé étant mis en œuvre par au moins un processeur, ledit procédé comprenant les étapes suivantes :
- 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). - Procédé selon la revendication 1, comprenant en outre une étape d’apprentissage dudit modèle de prédiction (124) de composants réparés, ladite étape d’apprentissage comprenant les étapes suivantes :
- 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. - Procédé selon la revendication 1 ou 2, pour lequel ladite identification (52) dudit au moins un premier composant comprend une classification desdites premières données.
- Procédé selon la revendication 3, pour lequel ladite classification est mise en œuvre selon un modèle de perceptrons multicouches, dit MLP, mis en œuvre par un réseau de neurones (2).
- Procédé selon la revendication 3, pour lequel ladite classification correspond à une classification par forêts aléatoires.
- Procédé selon l’une des revendications 1 à 5, pour lequel ladite identification comprend une détermination de troisièmes informations représentatives dudit au moins un premier composant, lesdites troisièmes informations appartenant à un ensemble d’informations comprenant :
- 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. - Procédé selon l’une des revendications 1 à 6, pour lequel lesdites premières données sont reçues d’un dispositif distant via une liaison filaire ou sans fil.
- 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 (4) configuré pour identifier au moins un premier composant dans un premier véhicule, ledit dispositif (4) comprenant une mémoire (41) associée à au moins un processeur (40) configuré pour la mise en œuvre des étapes du procédé selon l’une quelconque des revendications 1 à 7.
- Système comprenant le dispositif (4) selon la revendication 9 et un véhicule (11) relié en communication audit dispositif (4).
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2108982A FR3126519A1 (fr) | 2021-08-27 | 2021-08-27 | Procédé et dispositif d’identification de composants réparés dans un véhicule |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2108982A FR3126519A1 (fr) | 2021-08-27 | 2021-08-27 | Procédé et dispositif d’identification de composants réparés dans un véhicule |
| FR2108982 | 2021-08-27 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3126519A1 true FR3126519A1 (fr) | 2023-03-03 |
Family
ID=78086519
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2108982A Withdrawn FR3126519A1 (fr) | 2021-08-27 | 2021-08-27 | Procédé et dispositif d’identification de composants réparés dans un véhicule |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3126519A1 (fr) |
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/fr 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 (zh) | 车辆诊断方法、装置及设备 | |
| FR2977046A1 (fr) | Diagnostic perfectionne pour aeronefs | |
| US20060149519A1 (en) | Hybrid vehicle parameters data collection and analysis for failure prediction and pre-emptive maintenance | |
| US11151808B2 (en) | Vehicle fault root cause diagnosis | |
| EP3213213B1 (fr) | Procédé, équipement et système d'aide au diagnostic | |
| CN105468667A (zh) | 用于车辆的诊断方法和调查方法 | |
| WO2017077247A1 (fr) | Système et procédé de surveillance d'une turbomachine avec fusion d'indicateurs pour la synthèse d'une confirmation d'alarme | |
| EP4027269A1 (fr) | Procédé de construction et d'entraînement d'un détecteur de la présence d'anomalies dans un signal temporel, dispositifs et procédé associés | |
| FR3126519A1 (fr) | Procédé et dispositif d’identification de composants réparés dans un véhicule | |
| EP1615179A1 (fr) | Système de configuration d'un calculateur embarqué à bord d'un véhicule automobile | |
| FR3126208A1 (fr) | Assistant d’inspection d’actifs | |
| CN115009296A (zh) | 传感器检测方法、装置、计算机设备和计算机程序产品 | |
| WO2017097429A1 (fr) | Procédé et système de rappel sélectif de véhicules automobiles | |
| WO2021197864A1 (fr) | Dispositifs et procédé de contrôle d'unités de commande électroniques d'un véhicule automobile | |
| WO2021009364A1 (fr) | Procédé d'identification de données aberrantes dans d'un jeu de données d'entrée acquises par au moins un capteur | |
| FR3064390A1 (fr) | Vehicule automobile equipe d’un ordinateur de bord et d’un outil de diagnostic | |
| FR3144886A1 (fr) | Procédé et dispositif de classification de demande de prise en charge de réparation pour véhicule | |
| FR3120724A1 (fr) | Procédé et dispositif de prédiction de panne d’au moins composant d’un véhicule | |
| FR3134912A1 (fr) | Procédé et dispositif de détermination de valeurs numériques représentatives de critères d’évaluation de données d’entrée | |
| US12012110B1 (en) | Systems and methods for intelligently transforming data to generate improved output data using a probabilistic multi-application network | |
| FR3141265A1 (fr) | Procédé et dispositif de classification de demande de prise en charge de réparation pour véhicule | |
| FR3136882A1 (fr) | Procédé et dispositif de prédiction d’une capacité à rouler d’un véhicule à la suite d’un accident | |
| FR3052262A1 (fr) | Methode de diagnostic d'un ensemble de batteries d'accumulateurs reparties dans une flotte de vehicules automobiles | |
| US20240221435A1 (en) | System and method for vehicle remote diagnostics | |
| FR3124998A1 (fr) | Procédé, dispositif et système de contrôle de système d’aide à la conduite embarqué d’un véhicule |
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 |