[發明專利]用于機動車輛的自適應故障診斷系統

在審

• 申請號: 202010842022.8
• 申請日: 2020-08-20
• 公開（公告）號: CN112415977A
• 公開（公告）日: 2021-02-26
• 發明（設計）人: C·桑卡瓦拉姆;段時鳴;彭筱萌
• 申請（專利權）人: 通用汽車環球科技運作有限責任公司
• 主分類號: G05B23/02
• 分類號: G05B23/02
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 鄭勇

1.一種用于機動車輛的使用診斷系統的自適應方法，所述自適應方法包括：

使用診斷工具收集與機動車輛相關聯的多個未標記的數據；

將所述未標記的數據從所述診斷工具傳輸到中央計算機；

向所述中央計算機提供初始診斷模型和多個標記的訓練數據，所述多個標記的訓練數據與多個先前識別的故障模式和已知健康狀況相關聯；

使用所述中央計算機執行新異性檢測方法，以確定所述未標記的數據是新異數據還是正常數據；

使用所述中央計算機從所述新異數據中選擇信息樣本；

由維修技術人員輸入所述信息樣本的標簽；

使用所述中央計算機將所述標簽從所述信息樣本傳播至相關聯的新異數據，以提供標記的新異數據；以及

使用所述中央計算機更新所述初始診斷模型和所述標記的訓練數據，以包括所述標記的新異數據。

2.根據權利要求1所述的方法，還包括所述中央計算機識別與所述未標記的數據相關聯的至少一個新故障模式，其中所述至少一個新故障模式不同于與所述標記的訓練數據相關聯的先前識別的故障模式。

3.根據權利要求1所述的方法，還包括所述中央計算機識別與所述未標記的數據相關聯的至少一個新故障模式或至少一個新健康狀況，其中所述至少一個新故障模式不同于所述先前識別的故障模式，并且其中所述至少一個新健康狀況不同于所述已知健康狀況。

4.根據權利要求1所述的方法，還包括所述中央計算機在概率設置中使用隨機森林分類器、k-最近鄰分類器和支持向量機分類器來確定所述未標記的數據是新異數據還是正常數據。

5.根據權利要求4所述的方法，其中，響應于所述中央計算機預測所述故障模式或健康狀況具有低置信度，所述中央計算機確定所述未標記的數據是新異數據，并且響應于所述中央計算機預測所述故障模式或健康狀況具有高置信度，所述中央計算機確定所述未標記的數據是正常數據。

6.根據權利要求5所述的方法，其中，所述中央計算機通過執行不確定性選擇算法、多樣性選擇算法和代表性選擇算法來選擇多個信息樣本。

7.根據權利要求1所述的方法，其中所述中央計算機通過使用k-最近鄰圖、ε-近鄰圖和b-匹配圖中的至少一個將所述標簽傳播到所述未標記的數據。

8.根據權利要求1所述的方法，其中所述中央計算機通過使用高斯隨機場、局部和全局一致性以及吸附執行多個半監督學習方法來傳播所述標簽。

9.一種自適應方法，所述自適應方法使用診斷系統來學習機動車輛的新故障方式和故障模式，并且將相關聯的診斷判定傳達給維修技術人員，所述自適應方法包括：

使用診斷工具收集相關聯的車輛的多個未標記的數據；

將所述未標記的數據從所述診斷工具傳輸到中央計算機；

向所述中央計算機提供初始診斷模型和與多個先前識別的故障模式和已知健康狀況相關聯的多個標記的訓練數據；

使用所述中央計算機執行新異性檢測方法，以確定所述未標記的數據是新異數據還是正常數據；

使用所述中央計算機從所述新異數據中選擇多個信息樣本；

由維修技術人員輸入相關聯的信息樣本的標簽；

使用所述中央計算機將所述標簽傳播到相關聯的新異數據，以提供標記的新異數據；以及

響應于所述中央計算機確定以下各項中的至少一項，使用所述中央計算機更新所述標記的訓練數據和所述初始診斷模型，以包括所述標記的新異數據：

新標記的樣本的數量大于數量閾值；

維修技術人員輸入不同于先前識別的故障模式的新故障模式；

維修技術人員已經輸入了不同于所述已知健康狀況的新健康狀況；以及

從最近更新所述標記的訓練數據開始的持續時間長于時間閾值。

10.根據權利要求9所述的方法，進一步包括：

使用所述中央計算機識別對應于所述未標記的數據的所述標記的訓練數據和所述相關聯的先前識別的故障模式；以及

將對應于相關聯的先前識別的故障模式的診斷判定傳輸給維修技術人員。