随着技术的进步,车辆监测已经从过去的偶尔遇到的情况,发展成为许多汽车中的一个选项。即使是在没有考虑到连接性的汽车制造中,也有设备可以通过车辆的诊断端口连接,并能够传输车辆操作的实时数据。这些设备几乎可以与过去25年内制造的任何汽车一起工作。在单个车辆上,这些信息最多只能引起兴趣,但并不能用来做出广泛适用的推断。在一系列车辆中,这些信息可能具有预测价值,并有助于做出决策。在更大规模的类似车辆集合中,有潜力做出丰富的推断。车辆维护通常基于建议和一般规则。有了额外的数据,这些周期可以根据车辆的实际状态进行调整;对于显示出特定系统更高故障风险的车辆,可以提前安排,或者如果指标显示对系统的维护还为时过早,则可以延迟。在可能的情况下,可以实施实践,以促进汽车内某些系统的更长时间使用。
这个系统的最终目标是节省资源。资源包括燃料、维修部件以及诊断问题所涉及的努力。它还可以在估算车辆未来维护成本方面发挥作用,并在决定是保留还是更换车辆时做出决策。货币成本是在比较资源成本时可以考虑的成本函数之一。
为什么单独行驶的里程不是一个充分的指标?行驶里程是一个重要的指标,但并不一定是一个充分的指标。让看看车辆内的一个特定系统;启动器。启动器是一个电动机,它启动发动机部件的运动,以便它开始产生自己的动力。一旦发动机运行,启动器就不再做任何事情。启动器经历的磨损和撕裂的一个方面是汽车启动的次数。想象两辆相同的车辆,一辆通常进行50英里的旅行,另一辆通常进行5英里的旅行。对于1000英里的使用,进行50英里旅行的车辆使用了20次启动器,而进行5英里旅行的车辆使用了200次启动器。因为车辆是复杂的机器,有很多其他方式,两辆根据一个指标有类似使用的车辆可能在组件受到的压力或磨损方面存在差异。
可能值得考虑的指标有哪些?有许多车辆外部的条件可能会影响故障,可能想要记录。温度、道路条件以及暴露在元素中,如雨或靠近含盐的水体,可能会在很长一段时间内影响各种系统。将这些外部元素与操作数据一起保存可能是有帮助的。不知道所有影响某些部件的因素。将让机器学习发现存在的关系的。
对于内部条件,汽车已经有许多传感器将会有用。一些信息需要手动捕获,例如汽车计算机未监控的系统的故障(轮胎、悬挂等)。还有一些问题条件不是故障(汽车仍然可以驾驶),但在它们变成故障之前需要解决,以解决问题条件带来的效率低下(比正常消耗更多的燃料,车辆排放的差异,更高的操作温度)。
车辆的传感器提供了了解汽车各个部分状态的测量。但传感器也可能失败并提供错误的信息。希望能够识别出这种情况。各种传感器之间可能有一定的关系,如果测量值不一致,传感器故障可能是可以检测到的。例如,如果燃油水平传感器开始提供显著增加的读数,而发动机转速读数和速度非零,则燃油水平传感器可能存在问题。
与其只将原始传感器数据投向机器学习算法,可能还想要提取或计算一些其他特征。对于某些目的,可能还有一些数据是噪音。有一个平衡行为,既想要有足够高分辨率的数据来进行推断,同时也想要在可能的情况下用小数据集进行推断。倾向于以可能高于需要的分辨率捕获数据,然后在使用之前将其减少。可以从高分辨率数据中产生低分辨率数据。如果选择了一个分辨率,后来发现分辨率不够,仍然有高分辨率数据可以从中做出不同的选择。由于可能需要收集一段时间的数据,才能有足够的数据来充分训练机器学习代理,不想在收集了很长时间的数据后发现分辨率不够。从不需要的数据中恢复过来比从没有足够的数据中恢复过来要容易得多。特别是当需要大量的时间来收集这些数据时。
可能还可以通过平均值、总和、导数和标准偏差从记录的数据中计算出新的信息。一些传感器的滚动平均值也可能有助于清除数据中的一些噪音。
数据需要被标记才能有用。对于初始标签,需要使用一些传感器的正常读数的建议。对于许多系统来说,“工作”和“失败”并不是唯一合适的标签。还有一些系统可能在性能下降的情况下仍然可以工作(例如,电池不能保持那么多的电荷)。许多车辆还会在检测到问题时将传感器读数标记为问题并保存;当检查发动机灯亮起时,传感器的读数会与问题代码一起保存。
没有在车辆中看到过这些,但认为振动传感器也可以提供有用的信息。有时,正在发展的车辆问题是通过车辆发出的声音的变化来识别的(声音本身就是振动)。相信,通过放置一些位置良好的振动传感器,可以学会将某些类型的振动与某些类型的问题联系起来。一些预期可以检测到的问题包括检测制动盘的翘曲和轮胎的不平衡。相信其他旋转部件的问题也是可以检测到的。这是一种需要通过收集振动数据并将其与其他传感器和性能数据相关联来验证的信念。一个真实世界中使用振动传感器诊断问题的例子,SpaceEx能够使用从振动传感器记录的信息来检测失败发射的原因;一个第三方提供的部件在发射过程中失败了。这些信息帮助他们缩小了失败的原因,进一步的测试表明,来自特定供应商的问题部件没有达到所需的规格。