用于分析和检测机器传感器故障的预测分析系统和方法与流程

本发明总体上涉及一种用于分析和检测车辆传感器故障的预测分析系统和方法。

背景技术

在机器运行期间，检测或预测机器故障的能力在诸如卡车运输、挖掘、海运、建筑、林业和农业应用等的或者减少机器停机时间的关键应用中是必不可少的。为了解决这些问题，已经采用了各种故障检测和诊断方法。

例如，许多常规方法利用以下三种众所周知的检测方法：基于知识的检测，基于模型的检测和基于信号的检测，其中的每一种应用不同的检测方法。通过基于知识的检测，传感器读数分类为时间数列并标注以允许信息被关联以用于进一步检测。这种方法的缺点包括无法精确检测单个传感器故障以及传感器带宽降低。另一方面，基于模型的检测包括以相关联的“模型”的形式生成虚拟传感器，模型在机器运行期间与机器性能相比较。类似于基于知识的检测，该方法的缺点包括传感器带宽降低以及关联处理的增加。此外，虽然基于信号的检测是一种广泛使用的检测方法，其专注于频域分析，但其精确捕获传感器故障的能力也受到限制。

因此，为了克服与现有技术相关联的限制和缺点，本领域需要一种新的、改进的检测方法以提供增加的传感器带宽以及更精确的数据分析。

技术实现要素：

根据一个实施例，公开了一种用于执行预测分析和诊断的系统。该系统包括通信地耦合到车辆电子单元的多个传感器。多个传感器中的每一个配置为生成指示第一感测状况的至少一个第一信号和指示第二感测状况的至少一个第二信号。远程中央处理系统耦合到车辆电子单元。远程中央处理系统包括远程处理器和远程数据存储装置，其中远程中央处理系统被配置为接收至少一个第一信号和至少一个第二信号中的每一个。预测诊断单元布置在远程数据存储装置中并且包括机器可读指令，所述机器可读指令在由远程处理器执行时使系统执行如下操作：将第二信号划分为预定数量的连续时间间隔；基于划分的第二信号和存储的第一信号之间的比较分析来生成相似度值；以及部分地基于相似度值的被计算出的平均值来确定机器部件的估计故障程度。

附图说明

图1是根据一实施例的预测分析系统的框图；

图2a是根据一实施例布置在图1的预测分析系统中的诊断单元的框图；

图2b是根据一实施例布置在图1的预测分析系统中的诊断单元的框图；

图3是根据一实施例的用于执行预测分析诊断的方法的流程图；

图4是利用图1的系统测量的基准信号和故障分析信号的图示；

图5是气体注入系统的示意图，根据一实施例的图1的预测分析系统被使用在其中；

图6a是利用图1的系统测量的基准信号和故障分析信号的图示；

图6b是利用图1的系统测量的基准信号和故障分析信号的图示。

其中在上述附图中，相同的附图标记用于表示相同的元件。

具体实施方式

在图1中，根据一个实施例示出了用于预测和/或诊断机器传感器故障的预测分析系统。如将在此讨论的那样，预测分析系统100可以用于预测或诊断布置在农用车辆或附接到其上的器具上的一个或更多个传感器或其它电气部件的故障。在一些实施例中，预测分析系统100可以包括经由网络106和无线基础设施108通信地耦合到车辆电子单元104的中央电子处理系统102。

中央电子处理系统102可以包括远程数据处理器122、远程数据存储装置124和耦合到远程数据总线126的远程通信接口128，并且可以由通用计算机或服务器执行，所述通用计算机或服务器使用存储在远程数据存储装置124中的软件模块编程。远程数据处理器122可以包括微处理器、微控制器、中央处理单、可编程逻辑阵列、专用集成电路(asic)，逻辑电路、算术逻辑单元或用于处理、存储、检索或操纵电子数据的另一数据处理系统。

远程数据存储装置124包括电子存储器、非易失性随机存取存储器、光存储装置、磁存储装置或用于存储和访问在任何可记录、可重写或可读的电子、光学或磁存储介质上的电子数据的另一装置。例如，远程数据存储装置124可以存储以下软件模块、数据结构或文件中的一个或更多个：诊断单元125和诊断数据库127，如将参照图2a和图2b进一步详细讨论的那样。

远程通信接口128可以包括用于经由通信网络106通信、传送或接收数据的收发器或其他装置。在一个实施例中，通信网络106可以包括因特网、公共交换电话网络(pstn)或其它公共或专用电子通信网络106，或支持去往或来自无线基础设施108的通信的通信链路(例如，电信线路或微波链路)。

无线基础设施108支持车辆电子单元104与中央电子处理系统102之间的无线通信。无线基础设施108可以包括以下各项中的一个或更多个：能够经由网关、因特网服务提供商或其他方式通过通信网络106进行通信的一个或更多个无线基站；一个或更多个卫星收发器；卫星下行链路接收器，卫星上行链路发射器；卫星通信系统；蜂窝基础设施网络；集群系统；点对多点通信系统；点对点通信链路；陆基无线通信网络等。

车辆电子单元104可以包括车辆数据处理器154、车辆数据存储装置156、车辆无线通信装置158、用户接口160和车辆数据总线162，它们每个都与主数据总线164通信地连接。如所描绘的，各种装置(即，车辆数据存储装置156、车辆无线通信装置158、用户接口160和车辆数据总线162)可以通过主数据总线164将信息(例如传感器信号)传送到车辆数据处理器154。本地控制器166可以耦合到车辆数据总线162并且可以被配置为接收和处理来自每个传感器168的多个传感器数据信号。

车辆数据处理器154管理经由网络106和无线基础设施108去往中央电子处理系统102和来自中央电子处理系统102数据的传送。例如，车辆数据处理器154收集并处理来自主数据总线164的数据(例如表示一个或更多条件或特性的传感器数据)以用于在向前或向后方向(即，去往处理系统102或来自处理系统102)的传输。在各种实施例中，车辆数据处理器154可以包括微处理器、微控制器、中央处理单元、可编程逻辑阵列、专用集成电路、逻辑电路、算术逻辑单元或用于处理、存储、检索或操纵电子数据另一数据处理系统。

车辆数据存储装置156存储由车辆数据处理器154或车辆数据总线162访问的信息和数据。车辆数据存储装置156可以包括电子存储器、非易失性随机存取存储器、光学存储装置、磁存储装置或用于存储和访问在任何可记录、可重写或可读的电子、光学或磁存储介质上的电子数据的另一装置。例如，车辆数据存储装置156可以包括一个或更多个软件模块，软件模块记录和存储由传感器168、或其他耦合到车辆数据总线162或能够与车辆数据总线162通信的网络装置、或者用于发送或测量车辆电子装置146、车辆系统或车辆部件的参数、状况或状态的其它传感器或测量装置收集的数据。传感器168可以包括各种传感器，例如转向传感器、制动传感器、定位传感器、压力传感器，位置传感器或能够生成系统诊断数据的其他合适的传感装置。

现在参考图2a和图2b，示出了根据一个实施例参照图1讨论的诊断单元125的框图。在一些实施例中，诊断单元125可以包括数据采集模块202、比较模块204和与诊断数据库127通信的故障分析模块208。这里使用的术语模块可以包括用于执行一个或更多个功能的硬件和/或软件系统。每个模块可以以各种合适的配置来实现，并且不应该限于在此例示的任何特定实施方式，除非明确地指出这些限制。此外，在这里描述的各种实施例中，每个模块对应于限定的功能；然而，应该理解的是，在其他设想的实施例中，每个功能可以被分配给多于一个的模块。同样地，在其他实施例中，多个限定的功能可以由执行该多个功能、可能与其它功能并存地、的单个模块实施，或者在不同于在此的示例中具体示出的一组模块之中分配。

数据采集模块202通过网络106接收从耦合到车辆数据总线162的每个传感器168发送的多个数据信号(即，基准信号和故障分析信号)。在一些实施例中，数据采集模块202可包括通信地耦合到矢量化单元214的划分单元212，用于对接收到的信号进行采样和数字化。划分单元212可以包括采样和保持电路232(图2b)，其被配置为对由数据采集模块202接收到的多个数据信号进行采样和保持。例如，接收到的信号可以在预定采样时段期间由采样和保持电路232采样并保持在多个点。多个采样时段可以是连续或分散的时间窗口，多个采样时段中的每一个都可以与车辆发动机的燃料喷射时段相关。在其他实施例中，划分单元212可以进一步包括缓冲器、滤波器或其他合适的信号处理元件，以提供接收到的数据信号的改善的信号质量。

划分单元212的输出被馈送到矢量化单元214，矢量化单元214在一些实施例中可以包括a/d转换器234以将保持的信号(例如，基准信号和故障分析信号)的每一个转换成数字样本以生成一系列矢量。

比较模块206比较由矢量化单元214从基准信号和故障分析信号中的每一个生成的至少两个矢量以确定相似度值，并生成相似度矩阵以存储确定的相似度值。比较模块206另外被配置为计算应用于每个相似度值的权重比，以考虑两个矢量的维数相同但呈现不同波形特征的情况(例如参考图6a和6b)。

故障分析模块208接收由比较模块206生成的相似度值和权重比，并确定量化故障程度，量化故障程度是指示基准信号和故障分析信号之间的偏差量的数值。例如，故障分析模块208基于对基准信号和故障分析信号的比较分析来预测各种机器部件(例如传感器168)的故障程度。在一些实施例中，故障分析模块208可以包括分类器单元216，分类器单元被配置为对与预期事件(例如，基于先前的信号测量结果表征的良好信号模式或不良信号模式)相关的数据组进行分类。

现在参考图3，示出了根据一个实施例的用于执行预测分析诊断的方法300的流程图。在步骤302，在运行之前，一旦在车辆启动期间达到稳态状况，则通过多个传感器168中的一个或更多个来测量至少一个基准信号。例如，响应于触发事件(例如经由控制信号激活燃料喷射器)，数据采集模块202接收并采样从车辆数据总线162经由车辆数据处理器154通过网络106传输的基准信号。

在其他实施例中，可以在制造期间获得并存储基准数据。一旦被接收，数据采集模块202以预定的时间间隔捕获基准信号，并且将捕获的信号的数字化采样(即矢量化表示)存储在远程数据处理器122的诊断数据库127中。所述预定的时间间隔可以例如与发动机的燃料喷射时段相关。例如，可以在连续的时间间隔期间捕获基准信号，使得连续的多组信号(例如，基准信号1，基准信号2和基准信号3)被捕获并存储在诊断数据库127中。此外，由于基准信号是在稳态状况下捕获的，所以信号中的每一个都应该表现出相似的波形特征。

在操作中，并且在步骤304中，多个故障分析信号被测量并经由网络106发送到中央处理系统102。多个故障分析信号由数据采集模块202的划分单元212接收和采样。可以通过在可能具有相同或不同持续时间的各种时间间隔(例如参考图4)期间提取多个采样来获得故障分析信号的每个划分段。类似于基准信号，在一些实施例中，可响应于燃料喷射系统的激活来触发故障分析信号的测量。在其他实施例中，可响应于操作员的输入来触发故障分析信号的测量，这可能进而导致接收到的信号中的相位延迟。如图4所示，每个采样时间窗口(例如，t1-t4)可以具有与基准信号的采样时间窗口相同的持续时间，以确保计算的准确性。每个时间窗口包括代表相位模式和振幅模式的多个矢量。

接下来在步骤306中，如参考图4所讨论的那样，比较模块206将故障分析信号的每个采样段与存储的基准信号(例如，基准信号1-3)进行比较。首先，利用在比较模块206上实施的算法(例如矢量空间算法)来确定由矢量化单元214生成的至少两个矢量之间的角度。具体地，计算基准信号和故障分析信号中的每个的至少两个矢量之间的余弦相似度以识别信号故障模式。余弦相似度函数根据以下公式确定：

其中d和q是基准信号和故障分析信号中的每一个的矢量化表示，而simθ(d，q)是矢量d和q之间角度的余弦。换句话说，d和q表示每个时间间隔内的多个数据点(即矢量)。

例如，在0度处，矢量d和q将具有最大相似度，其对应于测量的余弦值1，而在180度处，矢量d和q将具有最小相似度，其对应于测量的余弦值为-1。最大相似度表明基准信号和故障分析信号表现出基本上相似的特征，并且最小相似度表明信号具有区别的特征。在308处，由比较模块206生成相似度矩阵。每个相似度矩阵将包括基于基准信号和故障分析信号确定的行值和列值。例如，基于将故障分析信号划分为的采样段的数量(例如，n＝4)来确定行值，并且基于针对每个基准信号计算的相似度值的数量来确定列值(例如，m＝3)。

一旦确定了相似度值，则在310中计算权重比α并且权重比α用于考虑d和q的维数相等但实际上测量的信号具有不同特性的情况(例如参考图6a和6b)。根据以下等式基于均方根(rms)计算权重比d：

其中rms值部分地基于从时间t＝a到t＝b的积分值利用以下公式计算来确定：

一旦权重比被确定，在312中，做出关于是否将使用计算出的权重比的决定。例如，如果α(即权重比)大于1，则α的倒数用于确定量化的故障程度。

在314中，由故障分析模块208根据以下等式计算量化的故障程度(dof)：

dof＝(simθ(d，q))*(α)(4).

然后在316处计算返回的dof值，该返回的dof值是针对故障分析信号的每个样本计算的dof值的总和平均值(即，平均值)(即，返回dof＝avg(dof1，dof2，dof3，dof4，...dofn))来减少计算误差。最后在318处，将dof与阈值进行比较，该阈值可以由用户经验确定或基于通过先前数据库生成的推荐值来确定。例如，高于阈值的返回dof值指示良好的信号状况，而低于阈值的返回dof值指示故障已经发生或即将发生。响应于故障指示，将给出警告信号，警告信号可以显示在车辆电子单元104的用户界面160上供操作员查看。

参照图5，示出了利用本公开的预测分析系统100的气体注入系统500的示意图。气体注入系统500可以包括经由歧管线路502联接到多个气体喷射器504的压力调节器503。在该示例性实施例中，如果在歧管线路502上经历压力泄漏，则会发生压力下降，从而导致参考图1讨论的传感器168产生的输出信号的变化。在图6a和6b中，示出了示例性的基准信号和故障分析信号轨迹602，604。在图6a和6b两者中，使用基准信号和故障分析信号的每个间隔100个样本来计算每个dof值。在图6a中，例如，在没有噪声的情况下测量每个信号轨迹，计算出约为0.9715的量化故障程度(dof)值。

在图6b中，每个信号612和614用约为原始压力信号的1/10的噪声级进行测量，计算出约为0.9874的量化故障程度(dof)值。如参考图3所讨论的，由于在图6a和6b两者中的轨迹的相似度，应计算权重比以考虑每条曲线的区别特性，该区别特性不会由相似度值(simθ(d，q))的单独计算来捕获。

在不以任何方式限制权利要求的范围、理解或应用的情况下，这里公开的示例实施例中的一个或更多个的技术效果是用于分析和检测车辆传感器故障的预测分析系统和方法。尽管已经在附图和前面的描述中详细地图示和描述了本公开，但是这样的图示和描述在特性上不是限制性的，应该理解，已经示出和描述了说明性实施例，并且希望保护在本公开的精神内所有的变化和修改。本公开的替代实施例可能不包括所描述的所有特征，但仍然受益于这些特征的至少一些优点。本领域的普通技术人员可以设计他们自己的实现方式，这些实现方式并入本公开的一个或更多个特征并落入所附权利要求的精神和范围内。