车辆故障预测的制作方法

本公开涉及用于预测车辆上的故障的技术。

背景技术：

1、现代车辆通常包括车载诊断系统，这是用于自我诊断和报告车辆上的问题的系统。报告问题可以遵循诸如车载诊断ii(obd-ii)之类的标准。车辆可以通过物理端口输出指示问题的消息。obd-ii标准指定16针d形母连接器作为输出消息的端口。该消息可以采用诊断故障代码(dtc)的形式。根据obd-ii，dtc的格式是一个字母后跟四个数字，其组合可以识别车辆的特定问题，例如与车辆部件相关联的故障。

技术实现思路

1、本公开描述了用于在车辆上的故障发生之前(例如，在车辆的obd-ii系统原本会输出诊断故障代码之前)预测这些故障的技术。计算机被编程为从车辆的传感器接收时间序列数据，确定车辆的效率，并基于时间序列数据和效率确定车辆中发生故障的概率。对车辆的效率的测量是车辆每行驶一段距离车辆的能量消耗。在一些情况下，车辆的低效操作可能指示即将发生的故障，从而允许在变成实际故障之前解决即将发生的故障。来自传感器的时间序列数据可以是影响效率的值，例如内部温度、轮胎压力等。时间序列数据的使用可以允许计算机识别低效操作指示即将发生的故障以及即将发生哪个故障的情况。因此，可以比其他情况更早地识别故障或可能的故障。

2、一种计算机包括处理器和存储器，并且所述存储器存储可由处理器执行的指令以从车辆的传感器接收时间序列数据，确定车辆的效率，并基于时间序列数据和效率确定车辆中发生故障的概率。效率是车辆每行驶一段距离车辆的能量消耗。

3、在示例中，指令还可以包括用于响应于概率超过阈值而输出消息的指令。

4、在示例中，指令还可以包括用于确定多个概率的指令，所述多个概率包括具有所述车辆中发生的所述故障的多个相应故障的所述概率。在另一示例中，指令还可以包括用于响应于概率中的至少一个超过阈值而输出消息的指令。

5、在又一示例中，存储器可以存储相应故障的多个阈值，所述阈值可以包括至少两个不同的值，并且指令还可以包括用于响应于概率中的至少一个超过相应阈值而输出消息的指令。

6、在示例中，指令还可以包括用于响应于车辆行程完成的指示来确定概率的指令。在又一示例中，指示可以是关闭车辆或将车辆换挡至驻车中的一者。

7、在又一示例中，指令还可以包括用于确定行程水平度量的指令，该行程水平度量或者适用于作为整体的行程或者指示车辆在行程开始和完成时的状态，并且确定概率可以基于行程水平度量。

8、在示例中，指令还可以包括用于通过执行机器学习程序来确定所述概率的指令，并且所述时间序列数据和所述效率为至所述机器学习程序的输入。在另一示例中，机器学习程序可以包括特征提取程序，并且时间序列数据可以是至特征提取程序的输入。在又一示例中，所述机器学习程序可包括分类程序，并且所述特征提取程序的输出可为至所述分类程序的输入。在又一示例中，效率可以是直接到分类程序的输入。

9、在又另一示例中，指令还可以包括用于确定行程水平度量的指令，所述行程水平度量或者适用于作为整体的所述车辆的行程或者指示所述车辆在所述行程开始和完成时的状态，并且所述行程水平度量可为直接到所述分类程序的输入。

10、在又一示例中，所述机器学习程序可在地面实况故障和训练数据上进行训练，所述训练数据可包括训练时间序列数据和训练效率，并且所述训练数据可与所述地面实况故障成对。在又一示例中，地面实况故障可以是诊断故障代码。

11、在示例中，时间序列数据可以包括车辆部件的温度。

12、在示例中，时间序列数据可以包括车辆的轮胎的轮胎压力。

13、在示例中，故障可以对应于诊断故障代码。

14、在示例中，指令还可以包括用于进行以下操作中的至少一者的指令：将消息输出到所述车辆的屏幕、将所述消息发射到移动装置、或者将所述消息发射到远离所述车辆的服务器。

15、一种方法包括从车辆的传感器接收时间序列数据，确定车辆的效率，并基于时间序列数据和效率确定车辆中发生故障的概率。效率是车辆每行驶一段距离车辆的能量消耗。

技术特征：

1.一种方法，其包括：

2.如权利要求1所述的方法，其还包括响应于所述概率超过阈值而输出消息。

3.如权利要求1所述的方法，其还包括确定多个概率，所述多个概率包括具有所述车辆中发生的所述故障的多个相应故障的所述概率。

4.如权利要求3所述的方法，其还包括响应于所述概率中的至少一个超过所述相应故障的多个阈值中的相应阈值而输出消息，其中所述阈值包括至少两个不同的值。

5.如权利要求1所述的方法，其还包括响应于所述车辆的行程完成的指示来确定所述概率。

6.如权利要求5所述的方法，其还包括确定行程水平度量，所述行程水平度量或者适用于作为整体的所述行程或者指示所述车辆在所述行程开始和所述完成时的状态，其中确定所述概率基于所述行程水平度量。

7.如权利要求1所述的方法，其还包括通过执行机器学习程序来确定所述概率，其中所述时间序列数据和所述效率为至所述机器学习程序的输入。

8.如权利要求7所述的方法，其中所述机器学习程序包括特征提取程序，并且所述时间序列数据为至所述特征提取程序的输入。

9.如权利要求8所述的方法，其中所述机器学习程序包括分类程序，并且所述特征提取程序的输出为至所述分类程序的输入。

10.如权利要求9所述的方法，其中所述效率为直接到所述分类程序的输入。

11.如权利要求9所述的方法，其还包括确定行程水平度量，所述行程水平度量或者适用于作为整体的所述车辆的行程或者指示所述车辆在所述行程开始和完成时的状态，其中所述行程水平度量为直接到所述分类程序的输入。

12.如权利要求7所述的方法，其中所述机器学习程序在地面实况故障和训练数据上进行训练，所述训练数据包括训练时间序列数据和训练效率，所述训练数据与所述地面实况故障成对。

13.如权利要求1所述的方法，其中所述故障对应于诊断故障代码。

14.如权利要求1所述的方法，其还包括以下操作中的至少一者：将消息输出到所述车辆的屏幕、将所述消息发射到移动装置、或者将所述消息发射到远离所述车辆的服务器。

15.一种计算机，其包括处理器和存储器，所述存储器存储指令，所述指令能够由所述处理器执行以执行如权利要求1–14中的一项所述的方法。

技术总结本公开提供“车辆故障预测”。一种计算机包括处理器和存储器，并且所述存储器存储可由处理器执行的指令以从车辆的传感器接收时间序列数据，确定车辆的效率，并基于时间序列数据和效率确定车辆中发生故障的概率。效率是车辆每行驶一段距离车辆的能量消耗。技术研发人员：克里斯·沃尔夫,N·B·蔡斯,迈克尔·W·德格纳受保护的技术使用者：福特全球技术公司技术研发日：技术公布日：2024/4/24