[發(fā)明專利]用于車輛的異常檢測(cè)的方法和系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202211051533.3
• 申請(qǐng)日: 2022-08-31
• 公開(kāi)（公告）號(hào): CN115758556A
• 公開(kāi)（公告）日: 2023-03-07
• 發(fā)明（設(shè)計(jì)）人: 德維什·烏帕德亞;水歡怡;迪米塔爾·費(fèi)尤伍
• 申請(qǐng)（專利權(quán)）人: 福特全球技術(shù)公司
• 主分類號(hào): G06F30/15
• 分類號(hào): G06F30/15;G06F30/27;G06N7/01;G06N20/00;G01M17/007;F02D41/22;G06F111/08
• 代理公司: 北京紀(jì)凱知識(shí)產(chǎn)權(quán)代理有限公司 11245
• 代理人: 董巍;張秀芬

本公開(kāi)提供了“用于車輛的異常檢測(cè)的方法和系統(tǒng)”。提供了用于提高諸如車輛部件的資產(chǎn)中的異常檢測(cè)的準(zhǔn)確性的方法和系統(tǒng)。在一個(gè)示例中，一種方法提供了對(duì)連接的物理資產(chǎn)的連續(xù)健康監(jiān)測(cè)，所述方法包括使用機(jī)器學(xué)習(xí)基于新的連接的數(shù)據(jù)的聚合來(lái)調(diào)適用于所述連接的資產(chǎn)的異常檢測(cè)的閾值和根本原因分析算法；使用連接的數(shù)據(jù)基于高級(jí)統(tǒng)計(jì)和機(jī)器學(xué)習(xí)模型的性能對(duì)其進(jìn)行更新和排名，直到確認(rèn)表現(xiàn)最佳的模型；以及部署所述表現(xiàn)最佳的模型以監(jiān)測(cè)所述連接的物理資產(chǎn)。

技術(shù)領(lǐng)域

本說(shuō)明書(shū)總體上涉及用于監(jiān)測(cè)物理資產(chǎn)的健康狀況的方法和系統(tǒng)，并且更具體地涉及檢測(cè)車輛部件的異常。

背景技術(shù)

預(yù)測(cè)性維護(hù)，也稱為基于狀況的維護(hù)，是一種涉及連續(xù)監(jiān)測(cè)資產(chǎn)(例如，車輛部件)的狀況以確定在某些時(shí)間需要采取的維護(hù)動(dòng)作的策略。故障預(yù)測(cè)、異常檢測(cè)(AD)和剩余使用壽命(RUL)預(yù)測(cè)系統(tǒng)可以持續(xù)監(jiān)測(cè)資產(chǎn)的健康狀況，并在建議維修時(shí)提供通知。為了減少在實(shí)際應(yīng)用中部件劣化的數(shù)量并更快地識(shí)別設(shè)計(jì)缺陷，可以使用預(yù)測(cè)模型來(lái)設(shè)置觸發(fā)維修的AD閾值。例如，Zhang等人在美國(guó)專利申請(qǐng)公開(kāi)第2019/0384257號(hào)中采用的方法包括將學(xué)習(xí)的健康指標(biāo)與回歸模型相結(jié)合以預(yù)測(cè)故障。

在傳統(tǒng)的車輛設(shè)置中，預(yù)測(cè)模型嵌入在車輛中并依賴于本地或車載信息來(lái)建立資產(chǎn)健康狀態(tài)。在連接的車輛系統(tǒng)中，物理資產(chǎn)還可以經(jīng)由物聯(lián)網(wǎng)(IoT)框架連接到基于云的健康監(jiān)測(cè)系統(tǒng)和其他物理資產(chǎn)，其中每個(gè)資產(chǎn)可以向基于云的健康監(jiān)測(cè)系統(tǒng)和其他資產(chǎn)傳輸信息和從其接收信息。因此，預(yù)測(cè)模型可以從在實(shí)地操作的多個(gè)類似車輛接收資產(chǎn)群體信息。類似地，工廠環(huán)境中的資產(chǎn)也可以從工廠中的其他類似機(jī)器以及從其他工廠接收操作信息。因此，可以基于連接的車輛數(shù)據(jù)來(lái)構(gòu)建預(yù)測(cè)模型。例如，Barfield等人在美國(guó)專利第9,881,428號(hào)中教導(dǎo)了通過(guò)評(píng)估來(lái)自多個(gè)車輛的基于云的數(shù)據(jù)來(lái)預(yù)測(cè)車輛中的潛在部件故障。

發(fā)明內(nèi)容

然而，本文的發(fā)明人已經(jīng)認(rèn)識(shí)到使用當(dāng)前預(yù)測(cè)模型來(lái)預(yù)測(cè)資產(chǎn)劣化的潛在問(wèn)題。作為一個(gè)示例，當(dāng)接收到先前在IoT框架中不可用的新信息時(shí)，當(dāng)前的傳統(tǒng)或連接的健康監(jiān)測(cè)系統(tǒng)可能不會(huì)基于新信息連續(xù)地更新其AD預(yù)測(cè)模型、算法和/或檢測(cè)閾值。因此，當(dāng)前的AD模型可能不會(huì)隨著時(shí)間的推移而學(xué)習(xí)和/或演變成更準(zhǔn)確，特別是在發(fā)現(xiàn)可能從連接的數(shù)據(jù)流中變得明顯的新的、先前未知的潛在影響的情況下。即使定期更新AD模型，更新也可能涉及簡(jiǎn)單的平均過(guò)程，所述過(guò)程可能無(wú)法充分捕獲數(shù)據(jù)的變化。另外，AD模型可能容易出現(xiàn)高誤報(bào)率，這可能無(wú)法通過(guò)從更大量車輛收集數(shù)據(jù)來(lái)充分解決。例如，傳統(tǒng)方法可能依賴于用于AD預(yù)測(cè)和固定檢測(cè)閾值的低階參數(shù)或機(jī)械模型，所述低階參數(shù)或機(jī)械模型針對(duì)一組有限的工況進(jìn)行校準(zhǔn)并經(jīng)由可能不表示基本隨機(jī)過(guò)程的可校準(zhǔn)修正因子來(lái)一般化。此外，參數(shù)模型可以依賴于單因子分析而不是多變量分析，并且可以使用濾波和平均技術(shù)來(lái)降低相對(duì)于基于平穩(wěn)性假設(shè)的固定檢測(cè)閾值的靈敏度，即使過(guò)程是異方差的。預(yù)測(cè)模型也可能不提供關(guān)于部件劣化的各個(gè)根本原因的任何信息，因?yàn)榭赡軙?huì)聚合部件劣化的預(yù)期因子以創(chuàng)建可能不適用于車輛系統(tǒng)可能經(jīng)歷的所有狀況的一般模型。

在一個(gè)示例中，上述問(wèn)題可以通過(guò)一種用于對(duì)連接的物理資產(chǎn)進(jìn)行連續(xù)健康監(jiān)測(cè)的方法來(lái)解決，所述方法包括使用機(jī)器學(xué)習(xí)基于新的連接的數(shù)據(jù)的聚合來(lái)調(diào)適用于所述連接的資產(chǎn)的異常檢測(cè)的閾值和根本原因分析算法；使用連接的數(shù)據(jù)基于高級(jí)統(tǒng)計(jì)和機(jī)器學(xué)習(xí)模型的性能對(duì)其進(jìn)行更新和排名，直到確認(rèn)表現(xiàn)最佳的模型；以及部署所述表現(xiàn)最佳的模型以監(jiān)測(cè)所述連接的物理資產(chǎn)。通過(guò)這種方式，機(jī)器學(xué)習(xí)(ML)方法可以與來(lái)自IoT框架的數(shù)據(jù)結(jié)合使用以提供更準(zhǔn)確的AD建模。更具體地，可以通過(guò)使用概率密度函數(shù)并在給定車輛系統(tǒng)的一個(gè)或多個(gè)其他部件的劣化和/或可觀察到的事件的情況下估計(jì)部件的劣化的條件概率來(lái)更新AD度量。