本公开涉及在识别信号退化之后的汽车传感器和致动器以及系统操作。
汽车系统使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、涡轮排气门、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涡轮等。传感器和致动器最初被设定为最佳或正常操作状况，但是可能“退化”并最终失效。如本文所使用的，术语“传感器”也适用于致动器。
以氧气传感器为例，在汽油发动机的汽车应用中，柴油和汽油发动机的排放限制严格。汽油发动机在排放方面表现更好，因为它们使用了催化转换器，该催化转换器将大约99％的发动机排放转换为尾管中环境友好的成分。在化学计量比的平均排放物成分下维持发动机排放非常重要。已知使用氧气传感器来确定排气排放物是贫于还是富于化学计量比。如果无论是贫还是富，则发动机控制器应用闭环燃料控制来改变燃料控制以按相反方式驱动系统。例如，如果氧气传感器指示系统为贫的，则燃料控制系统将系统调整为富的。
一种故障被称为贫到富缓慢倾向，其中燃料控制系统指导从富到贫的变化，期望氧气传感器将指示预定义时间和形状的变化。然而，当传感器退化或失效时，指示变化的时间比预期的时间要长(比原始系统最优水平更长)，并且作为响应，因此控制系统对时间延迟作出反应，就好像传感器正常运行以及过度补偿和补偿不足一样。控制系统基于氧气传感器的标称或预期性能进行微调。当氧气传感器从标称值退化时，系统的排放性能会退化。传感器信号可被馈送到故障指示器，该故障指示器用传感器点亮信号指示正在发生问题，然而，该系统对于正在退化但尚未失效的传感器大致上没有提供余量，并且没有操作控制在控制系统能够适应退化的传感器或致动器的情况下提供处于退化状况的持续传感器或致动器操作。
上面提到的传感器和致动器具有类似的退化和故障模式。因此，虽然当前的汽车传感器和致动器实现它们的预期目的，但是仍需要用于确定传感器和致动器故障并缓解退化的新型和改进型系统和方法。
技术实现要素：
根据若干方面，一种用于检测和缓解汽车系统中的传感器或致动器退化的方法包括：从至少一个装置收集信号数据，该至少一个装置正在输出与车辆系统的操作参数相关的信号数据；相比于来自标称操作装置的信号数据的模式来分析信号数据的模式；以及识别来自至少一个装置的信号数据的至少一个模式何时偏离阈值，该偏离指示至少一个装置正在退化状况下操作。
在本公开的附加方面中，该方法包括使用人工智能模式识别程序来分析模式。
在本公开的另一个方面中，该方法包括识别收集的信号数据的模式与来自标称操作装置的信号数据的模式之间的差异何时在预定统计范围内。
在本公开的另一个方面中，该方法包括识别收集的信号数据的模式与来自标称操作装置的信号数据的模式之间的差异何时在退化但可接受范围内。
在本公开的另一个方面中，该方法包括产生校正数据以改变车辆系统的操作参数，使得至少一个模式被修改为对应于来自标称操作装置的信号数据的模式。
在本公开的另一个方面中，该方法包括使用系统控制器应用校正数据以改变系统控制参数以允许至少一个装置和系统继续操作。
在本公开的另一个方面中，该方法包括当收集的信号数据的模式与来自标称操作装置的信号数据的模式之间的差异超出退化但可接受范围时产生失效信号。
在本公开的另一个方面中，该方法包括在分析步骤之前将来自多个传感器和致动器中的至少一个的信号与来自至少一个装置的信号数据加在一起。
在本公开的另一个方面中，该方法包括在以下步骤之间作出选择：(a)产生校正数据以改变车辆系统的操作参数，使得至少一个模式被修改为对应于来自标称操作装置的信号数据的模式；或者(b)如果校正数据不能将模式修改为对应于来自标称操作装置的信号数据的模式，则将至少一个装置识别为出现故障。
在本公开的另一个方面中，该方法包括：对多个装置故障框设置中的每一个产生装置诊断通过的概率；并且减小每个装置故障框设置的变化+-4σ范围。
根据若干方面，一种用于检测和缓解汽车系统中的传感器或致动器退化的方法包括：收集从至少一个装置输出的信号数据，该至少一个装置响应于机动车辆系统的受监测操作参数而输出该信号数据；使用人工智能程序相比于从至少一个装置中的标称操作装置输出的信号数据来分析该信号数据的模式；以及识别信号数据的模式何时超出指示至少一个传感器或致动器正在退化状况下操作的阈值水平。
在本公开的另一个方面中，该方法包括识别至少一个传感器或致动器的状态。
在本公开的另一个方面中，该方法包括预测将至少一个传感器或致动器的状态分类的传感器或致动器退化的值。
在本公开的另一个方面中，该方法包括如果分类超出限定传感器或致动器出现故障的阈值，则点亮系统警告。
在本公开的另一个方面中，该方法包括：当信号数据的模式超出阈值水平时从人工智能模式识别程序产生输出；并且应用来自人工智能模式识别程序的输出以改变至少一个系统控制设置来最小化系统性能的退化，包括排放、燃料经济性以及噪声和振动的退化。
在本公开的另一个方面中，至少一个装置包括传感器和致动器中的至少一个。
在本公开的另一个方面中，该方法包括修改控制信号以改变车辆系统的操作参数，直到来自至少一个装置的信号数据被变为大致上匹配来自标称操作装置的信号数据；
根据若干方面，一种用于控制推进系统以校正传感器或致动器退化的系统包括至少一个装置，其响应于机动车辆系统的受监测操作参数而输出信号数据。人工智能程序相比于从至少一个装置中的标称操作装置输出的信号数据来分析该信号数据的模式。将阈值水平应用于人工智能程序的输出，当超出阈值水平时，识别至少一个装置正在退化状况下操作。
在本公开的另一个方面中，至少一个装置包括用于确定压力、温度、位置、加速度、化学成分、质量流量、电压和电流中的至少一个的传感器。
在本公开的另一个方面中，至少一个装置包括用于燃料喷射器、节气门叶片、涡轮排气门、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、交流发电机和可变几何涡轮中的至少一个的致动器。
从本文所提供的描述中将明白进一步应用领域。应当理解的是，该描述和具体示例仅旨在用于说明目的，并且不旨在限制本公开的范围。
附图说明
本文所述的附图仅用于说明目的并且不旨在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用于检测和缓解应用于排气传感器的传感器退化的系统和方法的流程图；
图2是描绘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传感器的与贫-富时间对各种故障框设置相关的输出信号数据集的曲线图；
图3是根据图2修改以进一步包括各种故障框设置的单个故障阈值时间线；
图4是描绘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3的每个故障框设置处的传感器诊断通过的概率的曲线图；并且
图5是指示汽缸熄火的随时间变化的发动机转速模式的曲线图。
具体实施方式
以下描述在本质上仅仅是示例性的并且不旨在限制本公开、应用或用途。
参考图1，描绘了一种用于检测和缓解传感器退化的系统和方法10，其用于开发用于汽车的示例性排气空燃比(AFR)或车辆传感器的控制系统。在用于检测和缓解应用于传感器的传感器退化10的系统和方法的一个示例性方面中，环境进气口12将环境空气馈送到混合燃烧室14中。燃料喷射器16以喷射模式18将燃料喷射到混合燃烧室14中，在混合燃烧室14中点燃燃料和空气混合物。众所周知，已燃烧的排气20通常通过催化转换器22从混合燃烧室14中排出。
排气AFR传感器24位于燃烧排气20的流动流中。作为燃烧排气20的发动机排放物的排放物具有化学计量比下的平均排放物成分是很重要的。排气AFR传感器24用于确定排气排放物是贫于的还是富于化学计量比。例如，如果来自排气AFR传感器24的输出指示系统为贫，则发动机控制单元(ECU)26通过经由燃料喷射器16改变燃料流量来将系统调整为富。发动机控制单元(ECU)26应用闭环燃料控制系统来改变燃料控制以按排气AFR传感器24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通信的燃料控制模块28，其将燃料流量引导通过燃料喷射器16。排气AFR传感器24与传感器故障框30通信，该传感器故障框30最初用于通过故意破坏来自AFR传感器24的输出信号来训练系统。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已破坏的信号与标称操作参数下的传感器操作进行比较。传感器故障框30与人工智能补偿模块32和人工智能故障预测器34中的每一个进行通信。
即使在传感器故障框30发生已破坏信号变化，人工智能补偿模块32也产生对引导到燃料控制模块28的控制信号的改变，这保持AFR传感器24的信号控制。由人工智能补偿模块32产生的信号因此允许AFR传感器24在目前被认为是故障状态或状况的情况下继续操作，这因此扩大了AFR传感器24的可操作的操作范围和寿命。当测试用于诊断开发的氧气或其它传感器并控制系统对它们的鲁棒性时，传感器故障框30也可被改变或微调以模拟退化传感器。对致动器进行类似评估。
人工智能故障预测器34收集从排气AFR传感器24输出的操作数据和已破坏的数据。该数据与最佳传感器输出数据进行比较，以识别排气AFR传感器24与最佳输出数据的偏差范围。
来自人工智能故障预测器34的输出被传送到故障框设置模块36。故障框设置模块36对每个传感器和致动器提供预定义和保存的条件数据，其用作阈值或触发器以产生“传感器故障”信号或“致动器失效”信号。例如，在其之上来自排气AFR传感器24的数据视为出现故障或失效的水平被保存在存储器或查找表中并且与从人工智能故障预测器34输出的信号进行比较，并且当传感器输出高于故障或失效水平时，产生传感器故障或失效信号。传感器故障或失效信号可传送到控制模块，该控制模块点亮例如检查发动机灯。
ECU 26还包括输入模块38，该输入模块38从车辆的其它传感器和致动器收集传感器和致动器输出数据，并且使用保存在存储器中、查找表中或RAM中的预定义标准进行协调，该数据与诸如来自排气AFR传感器24的目标传感器或致动器输出数据相结合。用于排气AFR传感器24的示例的这种数据可包括空气温度、空气压力、湿度等。ECU 26协调来自输入模块38的相关数据以输入到可改变系统的操作参数的单元，诸如例如燃料控制模块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结合使用以计算对引导到该单元的控制信号的改变，该单元可改变保持AFR传感器24和燃料喷射器16的信号控制的系统(诸如燃料控制模块28)的操作参数。
对于排气AFR传感器24的示例，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，以将当传感器控制系统ECU 26响应于氧气传感器性能水平而形成燃料控制变化时将所得到的模式进行分类。人工智能补偿模块32嵌入在电子控制模块(ECM)内。人工智能补偿模块32是具有预编程数字计算机或处理器的非广义电子控制装置，该预编程数字计算机或处理器具有保存在随机存取存储器(RAM)存储器或非暂时性计算机可读介质中用于存储数据、指令、查找表等的人工智能模式识别程序40，以及多个输入/输出外围装置或端口。人工智能补偿模块32可具有与处理器通信的附加处理器或附加集成电路，诸如用于分析数据的逻辑电路或专用人工智能电路。
人工智能模式识别程序40是可执行模式识别的机器学习算法。人工智能程序可具有多种不同的形式，包括深度机器学习、分层学习、监督学习、半监督学习、无监督学习、聚类、降维、结构化预测、异常检测、神经网络、强化学习等。在一个方面中，在无监督学习中，人工智能模式识别程序40根据一个或多个输入流确定模式。
由人工智能模式识别程序40评估的“模式”包括但不限于输出信号频率、输出信号振幅、输出信号几何形状等。例如，如果该输出信号振幅与保存在存储器或RAM中的标称传感器输出信号振幅相比随时间减小或增加，则人工智能模式识别程序40首先识别已发生的变化超过预定阈值，指示信号退化，然后识别变化本身如何随时间变化，这提供了对输出信号振幅的退化的持续识别，直到达到预定第二阈值，指示传感器或致动器故障已经发生。发生的超过预定阈值的变化例如可为信号振幅的±10％的变化，或者指示发生传感器退化的类似预定值。
应用第一和第二预定阈值数据，其识别何时将观测模式分类为传感器故障或传感器退化。在氧气或排气AFR传感器24的上述示例中，将传感器性能水平的变化与标称或新排气AFR传感器的预测或已知传感器输出模式进行比较，以预测排气AFR传感器24何时退化或失效。发生超过指示传感器故障的预定阈值的变化例如可为超过信号振幅的±10％或类似预定值的变化。人工智能模式识别程序40还可用于基于随时间变化的排放退化以及传感器故障框设置如何将该性能特征化来预测传感器性能。如果来自指示传感器或致动器退化的传感器输出的观测模式在小于信号振幅的±10％的上述示例的预定时间段内并且在预定数量的测试循环周期内已经发生超过预定阈值，则传感器也可能被视为“出现故障”，并且系统警告将被点亮，诸如检查发动机灯。
人工智能模式识别程序40如下运行。接收传感器或致动器输出信号并且识别信号的模式。将信号的模式与来自标称或新传感器或致动器的保存在存储器、RAM或查找表中的相同类型的信号模式进行比较。将所接收到的输出信号和所保存的输出信号的模式之间的在预定统计范围内并被进一步确定在退化但可接受范围内的差异应用在系统控制器中以根据需要改变系统控制参数以允许传感器或致动器和系统继续操作。所接收到的输出信号和所保存的输出信号的模式之间的差异落在限定退化范围的预定统计范围之外指示传感器或致动器故障，其触发传感器或致动器故障信号。如本文所述，来自多个其它传感器和致动器的信号也可包括在分析中，使得其它传感器或致动器信号可被组合以增强传感器或致动器允许的操作范围。
参考图2并且再次参考图1，曲线图42呈现来自排气AFR传感器24与贫-富时间46对不同的故障框设定48相关的多个输出信号数据集44。来自排气AFR传感器24的未经修改的输出信号数据集50具有+-4西格玛(σ)范围52。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的修改的输出信号数据集54具有比未经修改的输出信号数据集50更窄的+-4西格玛范围56。当分析应用包括1.00、1.20、1.40、1.60、1.80、2.00、2.20和2.40的多个不同故障框设置的每个所修改的输出信号数据集时，排气AFR传感器24的数据指示在故障框设置2.00处，排放达到图3中右侧的排放标准垂直轴58上提供的最大允许的1.3x排放标准，其由排放标准垂直轴58上的点60识别，并由排放曲线64上的点62指示。
继续参考图1和2，通过经由发动机控制单元(ECU)26将人工智能模式识别程序40进一步应用于控制系统，可获得改进的系统控制。使用发动机排放的当前示例，应用人工智能模式识别程序40将整体排放曲线向下移位，如由所修改的排放曲线66所指示。在该排放输出处，在大约2.32而不是2.00的故障框设置处满足排放标准垂直轴58上的点60处的1.3x排放标准，如所修改的排放曲线66上的点68所指示。
参考图3并且再次参考图2，曲线图70根据曲线图42进行修改并且进一步呈现在图2的各种故障框设置中的每一个处的传感器诊断通过的概率。为了在+-2西格玛范围内确信故障设置将被设定在2.00的故障框设置处，在点74处指示的-2σ阈值下在由160ms时间线72指示的160ms处设定故障阈值。通过使用人工智能模式识别程序40进一步再处理来自排气AFR传感器24的相同数据，减小了每个故障框设置处的变化+-4σ范围。来自排气AFR传感器24的各种故障框设置的每个所修改的输出信号数据集54呈现为具有减小的变化+-4σ范围56。对于每个传感器输出故障框设置使用减小的变化+-4σ范围56，传感器故障阈值在如210ms时间线上的点76处指示的-2σ阈值下载相同的1.3x排放标准下和2.00的故障框设置下从160ms向上移动到210ms。
如上所述，通过进一步使用所修改的排放曲线66，在大约2.32的故障框设置下满足由排放标准垂直轴58上的点60所指示的1.3x的1.3x排放标准。在2.32的增加的故障框设置处同时仍然在+-2σ置信度范围内时，如在270ms时间线上的点78处所指示，故障阈值可进一步增加到270ms。
参考图4并且再次参考图2到3，曲线图80呈现在图3的各种故障框设置中的每一个处的传感器诊断通过82的概率。传感器诊断通过曲线84的概率指示，在故障框设置2.00下达到的1.3x排放标准以下在故障框设置1.80时不使用人工智能模式识别程序40的情况下，在点86处指示的传感器诊断通过的概率大约为25％，因此传感器诊断故障的概率大约为75％。
继续参考图3和4，通过使用人工智能模式识别程序40进一步再处理来自排气AFR传感器24的相同数据，减小了每个故障框设置处的变化+-4σ范围。来自排气AFR传感器24的各种故障框设置的每个所修改的输出信号数据集54呈现为具有减小的变化+-4σ范围56。如本文先前所述，对于每个传感器输出故障框设置使用减小的变化+-4σ范围56，传感器失效阈值在在-2σ阈值下在相同的1.3x排放标准和2.00的故障框设置下从160ms向上移动到210ms。
传感器诊断通过曲线88的修改概率被移位到传感器诊断通过曲线84的概率的右侧，并且与传感器诊断通过曲线84的概率相比具有更陡峭的转变斜率。然而，通过进一步使用所修改的排放曲线66，传感器诊断通过曲线90的增强概率仍然进一步向右移位到传感器诊断通过曲线88的修改概率的右侧，并且在产生传感器失效信号之前提供排气AFR传感器24的增加的操作范围。传感器诊断通过曲线90的增强概率与传感器诊断通过曲线88的修改概率相比具有类似陡峭的转变斜率。
参考图5，随着时间描绘的发动机转速模式92提供了可受益于应用人工智能模式识别程序40来识别退化输出信号的模式并改变控制性能来校正系统的发动机或控制系统传感器或致动器的进一步示例。在该示例中，提供正常的发动机转速或点火模式94作为平均指示有效压力协方差。该术语用于表达燃烧质量，并将从一个或多个传感器接收到的信号与发动机熄火模式96进行比较。模式峰值之间的差异98识别至少一个熄火活塞和汽缸。人工智能模式识别程序40分析这两种模式，并且不仅识别模式中的差异如何指示熄火汽缸，而且可识别如何校正这种状况。然后可应用来自人工智能模式识别程序40的输出来调整燃料供应或火花塞，直到发动机熄火模式96改变为更接近地对准正常发动机转速或熄火模式94。
人工智能模式识别程序40应用模式识别来对传感器和致动器信号输出和输入模式进行分类以对发动机控制变化作出反应，以识别传感器的状态或发动机的状态。例如还可以多少排放退化或传感器模拟器设置将该退化特征化的形式来预测传感器和致动器性能。如果传感器或致动器接收的分类超过阈值，则传感器或致动器将被视为“出现故障”并且系统警告将被点亮。其次随着传感器或致动器性能改变，可使用来自人工智能模式识别程序40的输出以改变系统控制设置来最小化系统性能的退化，包括但不限于排放、燃料经济性以及噪声和振动的退化。
用于控制具有本公开的传感器或致动器退化的推进系统的方法和系统如下运行。在第一步骤中，从至少一个装置收集信号数据，该至少一个装置正在输出与车辆系统的操作参数相关的信号数据。在第二步骤中，将该信号数据的模式与来自标称操作装置的信号数据的模式进行比较。在第三步骤中，当至少一个模式偏离指示至少一个装置正在退化状况下操作的水平时进行识别。在第四步骤中，产生校正数据，修改系统控制使得至少一个模式被改变为对应于来自标称操作装置的信号数据的模式。
用于控制具有本公开的传感器或致动器退化的推进系统的方法和系统提供若干优点。由人工智能模式识别程序40提供的模式识别的使用可应用于传感器和致动器输出数据模式。通过查看从各种传感器和致动器输出的数据的模式，可在系统操作范围和系统控制方面进行改进和校正。这些包括对传感器的用于确定压力、温度、位置、加速度、化学成分、质量流量、电压和电流等的应用。用于控制具有本公开的传感器或致动器退化的推进系统的方法和系统可类似地应用于在汽车中使用的致动器，其包括用于燃料喷射器、节气门叶片、涡轮排气门、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涡轮等的致动器。
本公开的描述本质上仅仅是示例性的，并且不偏离本公开的主旨的变型旨属于本公开的范围。这样的变化不被认为是脱离本公开的精神和范围。