本公开涉及汽车车辆传感器，并且具体涉及在排气系统中使用的氧传感器。
汽车系统采用多种不同类型的传感器和致动器。传感器类型包括压力、温度、位置、加速度、化学成分、质量流量、电压和电流等。致动器类型包括燃料喷射器、节气门叶片、涡轮废气门、CAM相位器、火花塞、燃料泵、排气再循环、主动燃料管理、可变升程凸轮、交流发电机和电流，以及可变几何形状涡轮等。虽然传感器和致动器初始是设置为最佳操作条件或正常操作条件，但是却会发生“退化”并最终失效。如本文所用，术语“传感器”也适用于致动器。
以氧传感器为例，在具有汽油发动机的汽车应用中，针对柴油发动机和汽油发动机存在有严格的排放限制。在排放方面，汽油发动机表现得更为出色，归结其原因在于：汽油发动机采用的是将大约99％的发动机输出排放转化为排气尾管中的环保成分的催化转化器。维持具有化学计量比下的平均排放成分的发动机输出排放是相当重要的。使用氧传感器来确定排气排放是在稀化学计量比下还是浓化学计量比下是已知的。无论是稀的还是浓的，发动机控制器随后都采用闭环燃料控制来改变燃料控制，进而以相反的方式驱动系统。例如，如果氧传感器指示出系统是稀的，则燃料控制系统将系统调整为浓的。
一种失效被称作稀到浓的缓慢，其中燃料控制系统指导从浓到稀的改变，以期望氧传感器将指示出预定时间和形状的改变。然而，当传感器发生退化或失效时，由于指示出该改变的时间比预期时间更长(比原始系统最佳水平下的时间更长)，因此，控制系统如同传感器正确地操作那样对延时做出反应，并且响应性地做出过度补偿和补偿不足。基于氧传感器的标称性能或预期性能，对控制系统进行调整。当氧传感器退化到标称性能以下时，系统的排放性能可发生退化。传感器信号可以被馈送到故障指示器，此故障指示器借助于传感器照明信号来指示出现了问题，然而，该系统对于正在退化但尚未失效的传感器基本上没有留有任何余地。
上述传感器和致动器具有类似的退化和失效方式。因此，尽管当前的汽车传感器和致动器实现了其预期目的，但仍需要一种用于确定传感器及致动器故障并缓解退化的新型改进系统和方法。
技术实现要素：
根据若干方面，一种检测和缓解汽车系统中的传感器退化的方法包括：从至少一个输出与车辆系统的操作参数相关的信号数据的装置收集输出信号数据；与来自标称操作装置的信号数据相比，分析输出信号数据的模式；识别出模式何时超过指示至少一个装置正在退化条件下操作的阈值水平；以及修改控制信号以改变车辆系统的操作参数。
在本公开的其他方面，该方法包括使用人工智能程序来分析输出信号数据的模式。
在本公开的另一方面，该方法包括将损坏数据导入到至少一个装置中。
在本公开的另一方面，该方法包括从人工智能故障预测器中的至少一个装置收集损坏数据和输出信号数据。
在本公开的另一方面，该方法包括识别损坏数据与输出信号数据的偏差范围。
在本公开的另一方面中，该方法包括使用人工智能补偿模块来生成对系统控制信号的改变，并且应用改变来维持至少一个装置的信号控制。
在本公开的另一方面，该方法包括将至少一个装置与用于故意损坏输出信号数据的故障箱连通。
在本公开的另一方面，该方法包括改变故障箱中的至少一个设置以模拟至少一个装置的退化。
在本公开的另一方面，该至少一个装置限定以下中的一个：用于确定压力、温度、位置、加速度、化学成分、质量流量、电压或电流的传感器；以及用于以下中的一个的致动器：燃料喷射器、节气门叶片、涡轮废气门、CAM相位器、火花塞、燃料泵、排气再循环装置、主动燃料管理装置、可变升程凸轮、交流发电机电流、电流以及可变几何形状涡轮等。
在本公开的另一方面，该方法包括识别出模式何时超过指示至少一个装置正在失效条件下操作的第二阈值水平；以及输出装置失效信号。
根据若干方面，一种检测和缓解汽车系统中的传感器退化的方法包括：从输出与车辆系统的操作参数相关的信号数据的传感器和致动器中的至少一个收集输出信号数据；将传感器或致动器与用于故意损坏输出信号数据的故障箱连通；采用人工智能程序，与来自标称操作传感器或致动器的信号数据相比，分析输出信号数据的模式；识别出模式的统计范围何时超过第一阈值水平；以及修改控制信号以改变车辆系统的操作参数。
在本公开的另一方面，该方法包括从与每一个不同的故障箱设置下的输出信号数据相关的传感器或致动器输出信号数据中识别出多个输出信号数据集。
在本公开的另一方面，该方法包括：将来自传感器或致动器的具有第一+-4Σ(σ)范围的第一输出信号数据集与使用人工智能模式识别程序所分析的输出信号数据集进行比较，其中该输出信号数据集定义具有比第一输出信号数据集更窄的+-4Σ范围的第二输出信号数据集；以及设置失效阈值。
在本公开的另一方面，该方法包括：为每一个不同的故障箱设置生成传感器或致动器诊断通过概率；并形成传感器或致动器诊断通过曲线的概率。
在本公开的另一方面，该方法包括缩小输出信号数据中的变化范围。
在本公开的另一方面，该方法包括：在分析步骤之前，将来自传感器和致动器中的至少一个的输出信号数据与来自至少一个其他传感器或致动器的输出信号数据进行组合。
在本公开的另一方面，该方法包括将来自人工智能故障预测器的输出传送到故障箱设置模块，该故障箱设置模块具有用于传感器和致动器中的每一个的预定义和保存的条件数据，该条件数据用作第一阈值以生成装置故障信号，而该装置故障信号用作第二阈值以生成装置失效信号。
根据若干方面，一种检测和缓解汽车系统中的传感器退化的系统包括：从输出与车辆系统的操作参数相关的信号数据的传感器和致动器中的至少一个收集的输出信号数据集；故障箱接收输出信号数据集并且用于故意损坏输出信号数据集。与来自标称操作传感器或致动器的输出信号数据集相比，人工智能程序分析输出信号数据集的模式。将第一阈值水平应用于来自人工智能程序的输出。当超过用于改变车辆系统的操作参数的第一阈值水平时，生成控制信号。
在本公开的另一方面，人工智能补偿模块生成对控制信号的改变，并应用改变来维持传感器和致动器中的至少一个的信号控制。
在本公开的另一方面，人工智能故障预测器用于收集来自传感器和致动器中的至少一个的操作数据和损坏数据输出，并且将操作数据和损坏数据输出与最佳传感器输出数据进行比较并识别出传感器和致动器中的至少一个与最佳输出数据的偏差范围。
根据本文提供的描述，其他应用领域将变得显而易见。应该理解的是，描述和具体示例仅用于说明的目的，而不意图限制本公开的范围。
附图说明
本文描述的附图仅用于说明的目的，并不意图以任何方式限制本公开的范围。
图1是根据示例性实施例的检测和缓解排气传感器上发生的传感器退化的系统和方法的流程图；
图2是描绘了根据示例性实施例的未修正和修正的目标空气流量比相对于时间的曲线图；
图3是描绘了在使用和不使用本公开的人工智能模式识别程序的情况下随时间变化的允许排气排放标准的百分比的曲线图；
图4是描绘了在使用和不使用本公开的人工智能模式识别程序的情况下来自排气AFR传感器的与稀到浓时间相关的输出信号数据集相对于各种故障箱设置的曲线图；并且
图5是描述了在使用和不使用本公开的人工智能模式识别程序的情况下在图4的每一个故障箱设置下的传感器诊断通过概率的曲线图。
具体实施方式
以下描述在本质上仅仅是示例性的，并不意图限制本公开、应用或用途。
参考图1，描绘了检测和缓解传感器退化的系统和方法10，用于研发汽车的示例性排气空燃比(AFR)传感器或车辆传感器的控制系统。检测和缓解传感器上发生的传感器退化的系统和方法10包括环境空气进气口12，该环境空气进气口12将环境空气供给到混合燃烧室14中。燃料喷射器16以喷洒模式18将燃料喷射到混合燃烧室14中，并在混合燃烧室14中点燃燃料和空气混合物。众所周知，通常是通过催化转化器22从混合燃烧室14中排出燃烧后的排气20。
排气AFR传感器24位于燃烧后的排气20的流动流中。重点之处在于，作为燃烧后的排气20的发动机输出排放具有处于化学计量比下的平均排放成分。排气AFR传感器24用于确定排气排放是在稀化学计量比下还是在浓化学计量比下。例如，如果来自排气AFR传感器24的输出指示出系统是稀的，则发动机控制单元(ECU)26经由燃料喷射器16来改变燃料流，从而将系统调节为浓的。发动机控制单元(ECU)26采用闭环燃料控制系统来改变燃料控制，进而以排气AFR传感器24的输出所指示的相反方式来驱动系统。发动机控制单元(ECU)26包括与燃料喷射器16连通的燃料控制模块28，而燃料控制模块28将燃料流引导通过燃料喷射器16。排气AFR传感器24与传感器故障箱30连通，传感器故障箱30初始用于通过故意损坏来自AFR传感器24的输出信号来对系统加以训练。然后，使用保存在随机存取存储器(RAM)装置中的人工智能程序，将损坏信号与标称操作参数下的传感器操作进行比较。传感器故障箱30与人工智能补偿模块32和人工智能故障预测器34中的每一个连通。
正好在传感器故障箱30做出损坏信号改变时，人工智能补偿模块32也生成对引导至燃料控制模块28的控制信号的改变，这些改变维持AFR传感器24的信号控制。因此，由人工智能补偿模块32生成的信号允许AFR传感器24在目前将会被认为是故障状态或条件的情况下继续操作，这由此扩大了AFR传感器24的操作和寿命的可操作范围。当对氧传感器或其他传感器进行诊断性开发测试并控制系统对于这些传感器的稳健性时，传感器故障箱30也可以被改变或调整来模拟发生退化的传感器。类似地对致动器进行评估。
人工智能故障预测器34收集从排气AFR传感器24输出的操作数据和损坏数据。此数据与最佳传感器输出数据进行对比，以识别出排气AFR传感器24与最佳输出数据的偏差范围。
将来自人工智能故障预测器34的输出传送到故障箱设置模块36。故障箱设置模块36为每一个传感器和致动器提供预定义和保存的条件数据，该条件数据被用作阈值或触发项以生成“传感器故障”或致动器失效信号。例如，排气AFR传感器24的数据在其之上被视为故障或失效的水平被保存在存储器或查找表中，并与来自人工智能故障预测器34的信号输出进行对比，并且当传感器输出高于该故障或失效水平时，生成传感器故障信号。可以将传感器故障信号传送到控制模块，而控制模块点亮例如发动机检查灯。
ECU 26还包括输入模块38，输入模块38收集来自车辆的其他传感器和致动器的传感器和致动器输出数据，并且协调出哪个数据与目标传感器或致动器输出数据(例如，来自排气AFR传感器24的输出数据)相关。对于排气AFR传感器24的示例而言，这样的数据可以包括空气温度、空气压力、湿度等。ECU 26协调来自输入模块38的相关数据，以便输入到燃料控制模块28。ECU 26还协调来自输入模块38的相关数据以输入到人工智能补偿模块32，从而允许所有相关数据与人工智能程序相结合地用来计算出对引导到燃料控制模块28的控制信号的改变，其中这些改变维持AFR传感器24的信号控制。
对于排气AFR传感器24的示例而言，将人工智能模式识别程序40应用于来自排气AFR传感器24的传感器输出，从而对被视为传感器控制系统ECU 26响应于氧传感器性能水平而形成燃料控制改变的模式进行分类。由人工智能模式识别程序40进行评估的“模式”包括但不限于输出信号频率、输出信号幅度、输出信号几何形状等。例如，如果与保存在存储器或RAM中的标称传感器输出信号幅度相比，输出信号幅度随时间的流逝有所减小或增大，则人工智能模式识别程序40首先识别出已经出现了超过预定阈值的改变(这表明了信号退化)，然后再识别出此改变本身如何随时间的流逝而变化，这样便提供了对输出信号幅度的退化的持续性识别，直到达到了表明已经发生传感器或致动器失效的第二阈值为止。
应用识别出何时将观察到的模式分类为传感器故障或传感器退化的第一预定阈值数据和第二预定阈值数据。在氧传感器或排气AFR传感器24的上述示例中，将传感器性能水平的改变与标称的或新的排气AFR传感器的预测或已知传感器输出模式进行对比，从而预测出排气AFR传感器24何时退化或失效。人工智能模式识别程序40还可以用来基于随时间流逝的排放退化以及传感器故障箱设置如何对性能进行表征来预测出传感器性能。如果所观察到的传感器输出的模式超过了预定阈值，则传感器将被视为“故障”，系统警告(如发动机检查灯)将会亮起。
人工智能模式识别程序40的功能如下。接收传感器或致动器输出信号并识别出信号的模式。将该信号模式与存储在存储器或查找表中的相同类型的标称或新传感器或致动器的信号模式进行比较。接收到的输出信号的模式与所保存的输出信号的模式之间的差异(其处于预定统计范围内并被进一步确定为处于退化的但可接受的范围内)应用在系统控制器中以根据需要改变系统控制参数，从而允许传感器或致动器继续操作。接收到的输出信号的模式与所保存的输出信号的模式之间的差异(其落在定义了退化范围的预定统计范围之外)指示传感器或致动器失效，而这触发了传感器或致动器失效信号。如本文所述，来自多个其他传感器和致动器的信号也可以包括在分析中，这样使得可以将其他传感器或致动器信号进行组合来增强传感器或致动器的允许操作范围。
参考图2并且再次参考图1，曲线图42表示y轴上的空气流量比44与x轴上的时间(例如，以秒为单位)。第一曲线48表示可以包括传感器退化的随时间变化的传感器输出信号。第二曲线50表示定义新的或最佳的传感器输出的空气流量比目标。在将人工智能模式识别程序40应用于来自排气AFR传感器24的传感器输出以对所识别的模式进行分类之后，传感器控制系统ECU 26响应于传感器性能水平来形成或修改燃料控制改变，由此将空气流量比改变来更紧密地匹配目标或第二曲线50。第三曲线52表示基于来自排气AFR传感器24的使用人工智能模式识别程序40修改的实际输出信号数据来对燃料喷射器16进行操作改变之后得到的系统空气流量比。显然，由第三曲线52表示的空气流量比与第二曲线50的目标值非常相似。
参考图3并再次参考图2，曲线图54识别出了随时间58变化的允许排气排放标准56的百分比。输出曲线60呈现了在没有使用本公开的人工智能模式识别程序40的情况下的排气AFR传感器24的输出信号，其识别出输出曲线60超过130％的最大允许排放水平，其中线条62与输出曲线60在点64处相交。当使用人工智能模式识别程序40的模式识别识别出了排气AFR传感器24的输出发生了性能改变时，燃料控制系统ECU 26命令改变。燃料控制模块28引导燃料喷射器16的输出的改变，直到由修改后的输出曲线66表示的来自排气AFR传感器24的第二输出信号没有超过表示100％的排放水平的线条68。即使在排气AFR传感器24的退化条件下，燃料喷射器16的控制也允许满足100％排放标准的系统操作继续进行。
参考图4并且再次参考图1至图3，曲线图70呈现的是来自排气AFR传感器24的与稀到浓时间72相关的多个输出信号数据集与不同的故障箱设置74。来自排气AFR传感器24的未经修改的输出信号数据集76具有+-4Σ(σ)范围78。当使用人工智能模式识别程序40分析输出数据时，来自排气AFR传感器24的修改后的输出信号数据集80具有比输出信号数据集76更窄的+-4Σ范围82。当对应用多个不同的故障箱设置(包括1.00、1.20、1.40、1.60、1.80、2.00、2.20和2.40)的输出信号数据集进行分析时，排气AFR传感器24的数据表明：在2.00的故障箱设置处，排放达到了由图4中右侧的垂直轴线所提供的最大允许1.3x排放标准84，其由排放曲线88上的点86识别出。为了在+-2Σ范围内确定故障设置将设置在2.00的故障箱设置下，失效阈值被设置在由-2σ阈值处的160ms时间线条90指出的160ms处。
参考图5并再次参考图4，曲线图92呈现了在图4的各种故障箱设置的每一个故障箱设置下的传感器诊断通过概率94。传感器诊断通过曲线98的概率指出，如果在1.80的故障箱设置下(其低于在2.00的故障箱设置下达到的1.30x排放标准)没有使用人工智能模式识别程序40，则在点100处指示的传感器诊断通过概率大约为25％，因此传感器诊断失效概率大约为75％。
继续参考图4和图5，通过使用人工智能模式识别程序40对来自排气AFR传感器24的相同数据进行再处理，缩小了每一个故障箱设置下的变化±4σ范围。呈现来自排气AFR传感器24的各种故障箱设置的每一个修改后的输出信号数据集80，此输出信号数据集具有缩小变化±4σ范围82。通过使用每一个传感器输出故障箱设置的缩小变化±4σ范围82，传感器失效阈值在相同的1.30x排放标准下从160ms增加到210ms，并且在-2σ阈值下，故障箱设置为2.00。
与传感器诊断通过曲线98的概率相比，传感器诊断通过曲线102的修改概率向右侧移动并且具有更陡的过渡斜率。在相同的1.80故障箱设置下，在传感器诊断通过曲线102的修改概率上的点104处指示出传感器诊断通过概率大约为99.99％。因此，应用于相同的传感器输出数据并且在相同的故障箱设置下的人工智能模式识别程序40通过缩小传感器数据中的变化范围来减少预测的传感器诊断失效的数量。
来自人工智能模式识别程序40的输出也可以用作预测工具。如本文中之前所述，来自人工智能故障预测器34的输出被传送到故障箱设置模块36，而故障箱设置模块36为每一个传感器和致动器提供预定义和保存的条件数据，该条件数据被用作阈值或触发项以生成“传感器故障”或致动器失效信号。在已知传感器和致动器退化曲线中表示的数据(例如可从每一个传感器或致动器的供应商处获得)保存在各种查找表中，以供人工智能故障预测器34访问。退化曲线中的数据识别出新或标称失效的传感器和致动器操作输出范围。
当传感器或致动器达到传感器或致动器故障条件的预定百分比时，便会产生预期失效点。例如，传感器或致动器故障条件的预定百分比将在可测量的车辆操作条件下达到，譬如，在当前总里程值下或者在自传感器或致动器启动以后所行驶的距离下。鉴于当前的总里程值以及传感器或致动器故障条件的预定百分比的值，可以预测预期失效点出现在某个未来总里程值处，生成此未来总里程值并将其保存在存储器中。
如果例如传感器或致动器故障条件的预定百分比是75％并且当前的总里程值是75000英里，那么，在退化基本上是线性的情况下，例如可以在100000英里的未来总里程值处预测到预期失效点。此数据可以由例如车辆维护机构访问，用于确定何时应该更换传感器或致动器，并且能够在下次可以进行车辆维护之前订购适合的传感器或致动器。预期失效点的确定还可以包含已知退化率。例如，退化曲线中的数据可以指示线性或非线性的退化速率，可以将这些速率用来预测预期失效点。
本公开的检测和缓解传感器退化的方法实现了若干优点。由人工智能模式识别程序40提供的模式识别可以应用于传感器和致动器输出数据模式。通过查看来自各种传感器和致动器的数据输出的模式，可以在数据识别以及传感器和致动器操作、失效方式预测、使用寿命操作等方面实现改进。这些包括了对用于确定压力、温度、位置、加速度、化学成分、质量流量、电压和电流等的传感器的应用。本公开的检测和缓解传感器退化的方法可以类似地应用于汽车车辆中使用的致动器，包括用于燃料喷射器、节气门叶片、涡轮废气门、CAM相位器、火花塞、燃料泵、排气再循环、主动燃料管理、可变提升凸轮、交流发电机和电流以及可变几何形状涡轮等的致动器。
本公开的描述在本质上仅仅是示例性的，没有偏离本公开的主旨的变型意图落在本公开的范围内。这样的变型并不被认为是脱离了本公开的精神和范围。