用于监视车轴并用于在多个轴故障模式间区分的传感器系统的制作方法

越野(oh)车通常被用于在各种条件下处理可能给车辆底盘和车轴施加应力的重载。因此，为了改善车辆的操作和财务效率，使可靠性最大化并且使每个车辆子系统的维护成本最小化是优选的。

因此，由本发明所解决的问题包括定义传感器网络，该传感器网络被配置成监视和预测车轴，尤其是oh轴的健康状况，具有优选的最大效率和可靠性。

该问题由根据权利要求1所述的传感器系统来解决。各从属权利要求中描述了各特殊实施例。

所提出的系统包括：

第一轴传感器，用于获取第一轴数据；

至少一个第二轴传感器，用于获取第二轴数据；

至少一个存储器，其存储或配置成存储轴和/或一个或多个轴子系统的至少一个模型；以及

数据处理单元(也称为数据记录器)，其与第一轴传感器、第二轴传感器以及存储器进行通信，其中该数据处理单元被配置或编程为：

如果由第一轴传感器获取的第一轴数据或者如果经处理的第一轴数据偏离当模型被存储在存储器中时由该模型提供的或者由模型之一提供的第一参考数据，则检测至少一个第一异常；

如果由第二轴传感器获取的第二轴数据或者如果经处理的第二轴数据偏离第二参考数据，则检测至少一个第二异常；

基于已经检测到哪个异常或哪些异常来检测多个轴故障模式中的至少一个；以及

发出指示至少一个检测到的轴故障模式的故障通知。

例如，可以通过诸如屏幕、显示面板、一个或多个灯或声学报警设备的输出设备发出故障通知。

第一轴传感器可包括用于确定轴的加速度和/或姿态的惯性测量单元(imu)。通常，imu包括至少一个加速计和/或至少一个陀螺仪。通常，加速计和/或陀螺仪具有1个、2个或3个相互垂直的感测轴。陀螺仪和加速计可安装到常见的pcb支撑(其定义imu的物理边界)上，但它们也可以位于同一芯片上(即单个陶瓷封装)。imu的任何架构适于所提出的传感器系统。

例如，imu可被用于获取车辆轴中或其上的一个或多个位置处的振动轴数据。振动数据可以包括由imu感测的姿态和/或加速度的时间过程。由imu获取的振动数据可以指示以下轴故障模式中的一者或多者：

一个或多个旋转或可转动的轴组件的磨损和/或破损；以及

损坏，尤其是车轴结构，例如车轴框架的变形。

第一轴传感器还可包括温度传感器，尤其是热电偶或电阻温度计，用于确定刚性轴组件的温度和/或设置在轴内用于润滑旋转或可旋转轴组件的润滑剂的温度。通常，油被用作润滑剂。

至少一个第二轴传感器可包括以下传感器中的一者或多者：

如先前描述的imu或温度传感器；

碎片传感器，尤其包括霍尔传感器，用于检测分散在设置在轴内的润滑剂中的铁屑；

用于确定润滑剂的介电常数的介电传感器；以及

粘度传感器，尤其是声波粘度传感器，用于确定设置在轴内的润滑剂的粘度。

例如，碎片传感器可包括用于产生磁场的磁体和又一传感器，该又一传感器被配置为检测或测量由于分散在润滑剂中的金属颗粒而导致靠近该又一传感器的磁场的变化。碎片传感器可进一步包括布置在一距离处的两个电极，其中可取决于分散在油中的铁屑的丰度和/或密度(例如，以每cm³的颗粒测量)来感测电极布置的电导率和/或电容的变化。

存储器和数据处理单元可被配置成使得该模型或模型之一在模型被存储在存储器中时进一步提供第二参考数据。换句话说，第一参考数据和第二参考数据两者可由一个模型或由不同的模型提供。

传感器系统或传感器网络可进一步包括与数据处理单元和/或存储器通信的至少一个车辆状态传感器，该车辆状态传感器配置成确定车辆状态。例如，车辆状态可包括以下量中的一个或多个：

至少一个车轮的旋转速度，

至少一个传动轴的旋转速度，

至少一个驱动轴的旋转速度，

档位选择，以及

发动机速度。

数据处理单元可被配置成适配该模型或模型中至少一个，例如，基于车辆状态来提供第一参考数据的模型和/或提供第二参考数据或第二参考数据中的一些的模型。因此，由该模型提供或由不同模型提供的第一参考数据和/或第二参考数据可取决于车辆状态。车辆状态可潜在地影响由第一和/或第二轴传感器获取的量。通过基于车辆状态来适配模型，在检测轴或轴子系统的异常时考虑车辆状态。通常，车辆状态传感器包括一个或多个旋转速度传感器。

该模型或模型中的至少一者可包括轴的理论模型，尤其是完整的轴和/或有缺陷的轴的理论模型。例如，该模型可预测在轴上或轴内部的一个或多个位置处获取的振动轴数据的一个或多个频谱特征。数据处理单元可随后优选地被配置成运行分类算法以，基于理论模型并基于新获取的第一和/或第二轴数据，来检测该新获取的第一和/或第二轴数据是否表征第一异常和第二异常中的至少一个。

另外或替换地，该模型或模型之一可包括对应于完整轴和/或对应于缺陷轴的第一和/或第二轴数据的习得集，以及被配置为基于第一和/或第二轴的习得集以及基于新获取的第一和/或第二轴数据来检测与新获取的第一和/或第二轴数据相关联的第一异常和第二异常中的至少一个的分类算法。例如，当轴是完整时，诸如刚好在轴在生产后或维修后开始的时间段期间，习得的第一和/或第二轴数据可由第一和/或第二传感器获取。同样，可构想，为了获取所习得的第一和/或第二轴数据，轴或相同的又一轴以有针对性的方式被损坏，使得该特定损坏的行为及其对由轴传感器获取的第一和/或第二轴数据的影响可被包括在模型中。以此方式，模型可被适配成识别该特定的损坏或轴故障模式。

在系统的一种配置中，第一或第二轴传感器可包括imu并且第一/第二轴数据包括当前获取的轴振动数据。由模型提供的第一和/或第二参考数据可随后包括习得的轴振动数据，优选地从完整轴获取的轴振动数据。数据处理单元随后可被配置成，通过运行分类算法，将当前获取的轴振动数据分类为与所习得的轴振动数据一致或兼容，或偏离所习得的轴振动数据。数据处理单元可随后进一步被配置成如果当前测量的轴振动数据被分类为偏离第一/第二参考数据，例如超过预定阈值，则检测轴的旋转组件和/或轴框架表征异常。

在可与先前描述的配置结合的系统的另一种配置中，第一或第二轴传感器可再次包括imu，并且第一/第二轴数据可包括当前获取的轴振动数据。与先前描述的配置相反，该模型或模型之一可以是缺陷轴的模型，尤其是包括磨损或破损的旋转组件和/或变形或破损的轴框架的轴的模型。由模型提供的第一/第二参考数据可随后包括与所建模的缺陷轴相关联的轴振动数据的预测频谱特征。例如，由模型提供的第一和/或第二参考数据的频谱可包括一个或多个特定频率处的振幅峰值。在该情形中，数据处理单元可被配置成如果由缺陷轴的模型预测的频谱特征存在于当前获取的轴振动数据中，则检测一个或多个旋转组件和/或轴框架表征异常。

在可与先前描述的配置中的一个或多个结合的系统的另一种配置中，第一或第二轴传感器可包括温度传感器并且第一/第二轴数据可包括当前从设置在轴内的润滑剂获取的温度数据。该模型或模型之一可随后包括由温度传感器从润滑剂中获取的习得温度数据。优选地，习得温度数据是在当可以假设润滑剂是新鲜的并且具有所需的质量和行为时，刚好在润滑剂变化后开始的时间段期间获取的。由模型提供的第一和/或第二参考数据可随后包括润滑剂的最小温度上升时间，其中润滑剂的最小温度上升时间基于习得温度数据或从中导出。例如，温度上升时间可以是直到润滑剂达到(稳定)工作温度或直到润滑剂达到预定温度经过的时间。数据处理单元可随后被配置成基于当前获取的润滑剂的温度数据来确定润滑剂的当前温度上升时间。数据处理单元可另外被配置成如果润滑剂的当前温度上升时间低于由模型提供的润滑剂的最小温度上升时间，则检测润滑剂表征异常。

在可与先前描述的配置中的一个或多个结合的系统的另一种配置中，第一或第二轴传感器可包括用于确定轴内设置的润滑剂的介电常数(例如，平均介电常数)的介电传感器，并且第一/第二轴数据可包括当前从润滑剂获取的介电数据。该模型或模型之一可随后包括由介电传感器从润滑剂中获取的习得介电数据。优选地，习得介电数据是在当可以假设润滑剂是新鲜的并且具有所需的质量和行为时，刚好在润滑剂变化后开始的时间段期间获取的。由模型提供的第一和/或第二参考数据可随后包括润滑剂的可接受范围的介电常数，其中润滑剂的可接受范围的介电常数基于习得介电数据或从习得介电数据中导出。数据处理单元可随后被配置成基于当前获取的介电数据来确定润滑剂的当前介电常数。此外，数据处理单元可被配置成如果从当前获取的介电数据中导出的当前介电常数位于由模型提供的可接受范围以外，则检测该润滑剂表征异常。

在可与先前描述的配置中的一者或多者结合的系统的另一配置中，第一轴传感器可包括润滑剂粘度传感器，用于测量设置在轴内的润滑剂的粘度，并且第二轴传感器可包括以下中的至少一者：用于测量润滑剂的温度的温度传感器、用于测量分散在润滑剂中的铁屑的丰度/密度的碎片传感器、以及用于测量润滑剂的介电常数的介电传感器。第一轴数据可包括当前从润滑剂中获取的粘度数据，并且第二轴数据可包括以下中的至少一者：所有当前分别从润滑剂中获取的温度数据、碎片数据、和介电数据。该模型或模型之一可随后包括习得输入数据，该习得输入数据包括以下中的至少一者：习得温度数据、习得碎片数据、以及习得介电数据，并且该模型可进一步包括习得粘度数据作为数据数据，所有数据都先前分别从润滑剂中获取。优选地，习得数据中的每个数据集包括同时获取的习得输入数据和习得输出数据。该模型随后进一步包括从习得数据导出的回归函数，该回归函数提供输出数据与输入数据之间的定义的关系。通常，回归函数包括作为变量或参数的输入变量和作为函数的因变量或值的输出变量，即润滑剂的粘度。由模型提供的第一参考数据可随后包括外推润滑剂粘度，其中外推润滑剂粘度基于第二轴数据和回归函数或从中导出。数据处理单元可随后被配置成如果当前获取的润滑剂的粘度偏离外推粘度，例如超过预定义阈值，则检测粘度表征异常。

在可与先前描述的配置中的一个或多个结合的系统的另一种配置中，第二轴传感器包括用于测量分散在设置在轴内的润滑剂中的铁屑的丰度和/或密度的碎片传感器。优选地，分散在润滑剂中铁屑的丰度/密度以每体积润滑剂，例如每升或每cm³的颗粒数的碎片颗粒的数量来测量。第二轴数据可包括分散在润滑剂中的铁屑的丰度/密度的测得的时间过程。第二参考数据可包括分散在润滑剂内的铁屑的丰度/密度或丰度/密度的时间导数的上限，例如预定上限。数据处理单元可随后被配置成，基于测得的分散在润滑剂中的铁屑的丰度/密度，来确定分散在润滑剂中的铁屑的丰度/密度的时间导数。此外，数据处理单元可被配置成如果测得的分散在润滑剂中的铁屑的丰度/密度的丰度/密度或丰度/密度的时间导数超过相应的阈值，则检测旋转轴组件、轴框架和润滑剂中的至少一者表征异常。

在可与先前描述的配置中的一者或多者结合的系统的另一配置中，该模型或模型之一可进一步包括多个习得数据集，每个习得数据集包括先前由第一和/或第二轴传感器获取的习得的第一轴数据和/或习得的第二轴数据，并且每个习得的数据集可进一步包括数据集被获取的时间。模型可进一步包括从习得数据集导出的又一回归函数，该又一回归函数提供获取习得数据集的时间与包括在习得数据集中的第一和/或第二轴数据之间的定义的关系。换句话说，时间可以是函数的输入，并且与由第一和/或第二传感器获取的量有关的变量可以是又一回归函数的输出。数据处理单元可随后被配置成，基于又一回归函数并基于针对第一和/或第二轴数据的一个或多个预定可接受范围，来确定优选地以轴的工作小时数来表达，期望何时第一和/或第二轴数据中的至少一者位于它们可接受的范围之外。

在所有先前描述的配置中，数据处理单元可被配置成，基于向每组检测到的异常分配一组预定的轴故障模式的预定表，来检测至少一个轴故障模式。

此外，当前提出了轴布置，尤其是针对越野车的轴布置。所提出的轴布置包括：

轴外壳，

差动器，例如中央差动器，

至少一个轮毂，以及

先前描述的传感器系统，其中传感器系统可包括以下传感器中的两个或更多个：

设置在轮毂或轮毂中的至少一者上和/或设置在差动器上的至少一个imu；

设置在轮毂内或轮毂的至少一者内和/或设置在差动器内的至少一个温度传感器；

设置在轮毂内或轮毂的至少一者内的至少一个铁屑传感器；

设置在轮毂内或轮毂的至少一者内的至少一个介电传感器；以及

设置在轮毂内或设置在轮毂的至少一者内的至少一个粘度传感器。

从以下结合附图给出的详细描述中，本发明的上述和其他优点对于本领域技术人员将变得非常明显，在附图中：

图1示出了包括差动器、半轴和轮毂的越野车的轴；

图2示意性地解说了根据本发明的传感器系统；

图3描绘了可被用于确定可指示不同损坏因素或轴故障模式的信息的不同传感器；

图4示出了可安装图2中示出的传感器的越野车的轴上的位置；

图5示出了图4中示出的轮毂之一的截面侧视图和正视图；

图6示出了图4中示出的中央差动器的截面图；

图7示出了图2中示出的传感器与数据处理单元之间的连接；

图8示意性地解说了用于基于图2中示出的imu获取的数据来识别异常的算法的工作步骤；

图9示意性地描绘了多级分类；

图10示出了图4中示出的轴的测得振动数据以及由该轴的理论模型提供的振动数据；

图11示出了图4中示出的轴的寿命上的平均油预热时间的趋势；

图12解说了设置在图4的轴内的润滑油中铁屑的丰度的演变；

图13示意性地解说了基于一个或多个检测到的异常的轴故障模式的检测；

图14示出了将检测到的异常分配给轴故障模式的预定表；以及

图15示出了传感器子网络的各种配置。

图1中示出了针对oh车的轴布置的架构。牵引扭矩由将机械传动连接至差动器的轴传递到轴上。差动器可被布置在轴的中心或者离开轴的中心。

在每一侧，差动器被连接到一个轴，该轴被设置在相应的半轴内部，以便保护轴免受外部因素的影响。这些轴将牵引扭矩传送至轮毂。在每个轮毂内设置行星齿轮系统，该行星齿轮系统将牵引力矩传递给车轮。轴中的机械组件(如轴、齿轮、轴承和轴套中的至少一者)之间的摩擦通过使用润滑油而减少。归因于其内部旋转组件的运动，油被分布到整个轴上。为了简洁起见，在下文中，“旋转组件”一词可以包括齿轮、轴套、轴承和轴中的至少一者。

oh车的性能很大程度上取决于轴组件的正确操作。oh轴的最常见的故障模式如下：

1.以缓慢动态(诸如与车辆动力学相比)演化且可包括粘合剂磨损、磨料磨损、表面疲劳、微动、侵蚀、腐蚀中的至少一者的旋转组件的磨损；2.旋转组件的破损，通常快速发展；

3.轴，包括图1中的两个半轴(例如，没有旋转组件)，的结构的损坏；

4.润滑油低于最低水平；

5.轴内旋转组件过热；

6.润滑油的老化。

油降解的速率可取决于以下至少一个因素：

-温度：温度越高，油寿命越短；

-湿度：水(或其他溶剂)污染越多，老化越快；

-催化反应：通过与铜和其它磨粒的反应促进油老化；-旋转组件的磨损，这增加了传动系的工作温度。

优选地，为了使轴的可靠性和效率(机械的和经济的)最大化，应当解决至少一个或者所有这些故障模式。然而，如今轴维护通常基于规则的时间间隔(即在一定的运行时间后)来执行，包括预定义的操作，诸如(但不限于)：润滑油的检查和更换、旋转组件的润滑、以及用于捕获分散在润滑油中的金属污染物的磁性排油塞的检查。这种金属污染物通常包括制造过程中的残余物或可能由旋转组件的磨损产生。

然而，由于机械组件的磨损可能主要取决于车辆已被如何使用，因此轴的定时维护远非最佳。实际上，在一定的操作时间之后，如果传动系处于高机械应力下或如果车辆在极端环境条件下使用，诸如非常高和/或非常低的温度，则机械组件通常磨损得更快。当拖动重型拖车、穿越不平坦的地形或当承载重载时，轴上可能受到高应力。诸如非常高和/或非常低的温度的极端环境条件通常改变润滑油的性能，因此加速轴的机械组件的磨损。

图2示意性地示出了根据本发明的传感器系统1。此处以及在以下，再现的特征由相同的参考标记来指定。传感器系统1包括与存储器3进行通信的数据处理单元2。此外，数据处理单元2与imu4、温度传感器5、碎片传感器6以及粘度传感器7中的至少一者进行通信，碎片传感器6可另外被配置成测量润滑油的介电常数。数据处理单元2、存储器3和传感器4、5、6、7可通过导线束或无线通信信道8进行通信。应理解，在这里未描绘的替换实施例中，传感器系统1可仅包括传感器4、5、6、7中的仅一者或传感器4、5、6、7的子集。

此外，目前提出的传感器系统1在以下至少一个方面是创新的：用于将传感器系统1的组件安装在轴中或轴上的办法；随后的方法融合所获得的信息和/或在不同的故障模式之间进行区分；以及用于检测和/或预测轴故障模式的方法体系。

oh轴中的传感器系统的集成

传感器系统1(也称为传感器网络)可包括位于或设置在轴内或轴上的一组传感器和/或换能器，优选地，以便最大化所收集信息的稳健性。每个传感器相对于轴的位置可影响信息获取和信噪比(snr)的可重复性。如果一个位置允许最大化测量的可重复性并最大化snr，则该位置对于安装给定传感器而言是最佳的。安装在轴中或轴上的传感器组可以取决于要测量的可观察量或者要获取的数据类型。各种传感器和由这些传感器获取的信息总结在图3中。

图4描绘了每个传感器在轴机械框架内部或其上的可能位置，不仅关注于传感器/换能器本身，而且关注于用于调节测量的系统。具体地，图4描绘了包括差动器，半轴11和轮毂12的车轴。

惯性测量单元

通常，imu4的理想位置尽可能靠近设置在差动器盒内和/或轮毂内部的轴承和齿轮，以便由磨损或损坏的齿轮，轴承等引起的异常周期性振动可能更容易感测。这种位置可在中央差动器内部或其上，和/或在一个或两轮毂上。

图5示出了图4中示出的轮毂12之一的剖视图(左)和正视图(右)。imu4可以被放置在轮毂12上的位置c3(见图5，左)上，在那里它足够靠近轮毂12的旋转部分并且可以保护它免受外部环境的影响。此外，位置c3-图5靠近位置c1-图5和位置c2-图5中的传感器，因此便于安装在轮毂12内的多个传感器的电连接(从轮毂12路由穿过轴的信号将在下面进一步详述)。

图6示出了图4中示出的中央差动器10的截面图。imu4在中央差动器10上的理想位置是位置b-图6，因为后者易于接近以安装imu4并且snr通常更高，例如由于这个位置处轴的局部刚度。测得的振动可能对道路的小颠簸不太敏感。然而，在imu4处于该位置的情况下，通常仍然可以感测由中央差动器盒内的磨损的旋转组件引起的异常周期性振动模式，并且感测由例如车辆的后轮可能从地面升起期间车辆的不安全操纵引起的大的冲击。如果仅使用一个imu，则由于上面给出的原因，位置b-图6(靠近或在差动器10的中心齿轮处)通常是优选的。

温度传感器

温度传感器5可包括传统的电阻温度计和热电偶中的至少一个，热电偶可以放置成与油直接接触以测量油温。在中央差动器盒内部，温度传感器5优选地设置在底部(位置a1，图6)，因为大部分油将聚集在该位置。通常有利的是使更多的油靠近温度传感器5，因为更高质量的液体导致更高的热惯性，这通常使测量稳定。

轮毂内部的温度传感器5的理想位置可能位于c1-图5的位置。当位于该位置时，温度传感器5通常在轴9的正常操作期间浸入油中，使得它可以感测油的平均温度(这里流体不是停滞的而是由于轮毂的旋转和行星齿轮而被搅动)。当温度传感器5处于该位置时，通常可以检测油的水平何时达到或低于最低水平，因为在这种情况下温度传感器5通常不再被油润湿并测量空气(通常低于油温)的温度。此外，温度传感器可被集成在油碎片传感器中作为额外的功能，并且位置c1-图5是用于安装这种传感器的优选位置，如下面将进一步描述的。

碎片传感器

从现有技术中已知不同类型的油碎片传感器6。例如，由于其紧凑的尺寸、它们承受机械冲击的能力以及由于它们的大范围的工作温度，可以选择磁性或导电传感器以被集成或设置在轴9内。无论为碎片传感器6选择何种技术，碎片传感器6应优选地靠近旋转组件放置并浸入油中。优选地，碎片传感器6设置在中央差动器盒内(位置a1-图6)和/或设置在轮毂12中的一个或两个中或上(位置c1-图5)。

轮毂12中的位置c1-图5非常适合于安装油碎片传感器6，因为在该位置它将被浸没在油中，并且油通过轮毂和齿轮的旋转被连续搅拌。由于该区域中的油的湍流，捕获和感应金属碎片将更加容易。如果油碎片传感器6放置在位置c1-图5中，则还可以确定润滑油的水平何时降至最小阈值以下，以及是否存在漏油。该功能性由两个事实实现：现有技术中已知的几乎所有的油碎片传感器都可以测量油的介电常数，并且当油处于其最小水平时，油可以到达c1-图5的位置。当油碎片传感器6测量介电常数的下降时，这将意味着它不再被油润湿(注意油具有比空气更高的介电常数)。因此，测量的介电常数的下降可以指示油位已经下降到最小阈值以下。

润滑油的介电常数的下降不仅可以在油低于临界水平时测量，而且可以在轴倾斜时测量，例如，当车辆在斜坡上行驶时。为了避免不准确的测量，润滑油的介电常数信息可以与imu4获取的信息合并，以便当碎片传感器6未被润滑油润湿或润滑不完全润湿时(诸如当轴9倾斜时)可以识别它。

粘度传感器

测量润滑油的粘度是确定其状况的快速方法，特别关注油的老化状态。从现有技术中已知三种主要类型的粘度传感器或用于测量油粘度的三种主要方法：机械粘度计、机电粘度计和声波粘度传感器。后者适合安装在轴9中，因为它们具有紧凑的尺寸，它们对诸如振动，冲击，在宽温度范围内使用以及宽测量范围等恶劣条件的抵抗力。通常，粘度传感器7被配置或用于测量润滑油的平均粘度。在轮毂12内部的粘度传感器7的合适位置是位置c2-图5，因为在该位置通常满足以下要求中的至少一个或全部：传感器通常总是被油润湿；传感器暴露在油的湍流中，湍流是由齿轮的运动引起的；避免了液体的局部特性可能无法代表其平均特性的停滞点；以及粘度传感器7尽可能远离油污传感器6。后者可能是有益的，因为磁性油碎片传感器可以产生可以吸引分散在油中的金属碎片的磁场。靠近磁性油碎片传感器6可以改变油的物理性质，使得碎片传感器6附近的粘度测量可能不能代表轴内的油的平均粘度。在差动器盒内，位置a2-图6通常满足上述要求中的至少一个或全部。

数据处理单元和传感器网络的连接

放置在中央差动器盒上的一个数据处理单元可用于获取并处理由传感器网络中的至少一个或所有传感器4、5、6、7(图7)获取的轴数据。数据处理单元2的确切位置通常取决于应用，并且应该确定使得保护设备免受危险的外部因素(泥浆、水等)的影响。数据处理单元2可以是工业微控制器，并且可以被配置为从传感器网络接收或获取电磁信号，处理信息，诸如基于从传感器网络接收的电磁信号的信息，并且例如，在车辆can总线上或经由车辆can总线输出结果。车辆ecu可以利用这些数据来执行各种任务，例如(但不限于)：诊断、预测、控制算法等。数据处理单元2还可被配置成从can总线获取信息并使用该信息来扩展可用于评估轴装置状态的信息(如下一节所述)。

如果在车辆上安装一个以上的传感器网络，则通常其中仅一个包括数据处理单元2，而其他传感器网络可具有差动器节点(通常位于中央差动器盒上)。差动器节点通常包括数据处理单元2的简化版本。例如，差动器节点可以充当代理，因为它可以(例如，经由专用总线)向数据处理单元2传达由一个或多个轮毂节点中的至少一个和/或位于或设置在轴的差动器10内的一个或多个传感器获取的测量数据。通常，不需要在差动器节点内执行数学运算或算法。每个轮毂12上的节点可用于对从传感器获取或接收的信号进行分组，从而简化跨越轴9的信息流并为传感器系统1提供模块化。轮毂节点然后可以将所获取的测量数据传达给数据处理单元2(或差动器节点)。

传感器、轮毂节点和数据处理单元2之间的数据通信可以是导线束、无线或两者。然而，所选择的技术应该优选地与数据记录系统的要求兼容。例如，如果imu4以高采样率(例如以高于100hz的速率)获取数据，则imu4、轮毂节点和数据处理单元2之间的有线通信通常是优选的。

监视轴和润滑油的机械组件的健康状况

所提出的传感器系统1可被配置或编程为执行旨在监视轴9的旋转组件的健康状况的两步法：智能数据处理方法，以及用于识别故障模式的程序。所有数学计算可以由数据处理单元2执行。

智能数据处理

为了执行在健康评估和/或预测oh轴的状态时，数据处理单元2通常被配置或编程为处理和/或解读这些测量数据。这些操作通常使用本文档中描述的一个或多个创新过程来执行。所提出的方法可以适应车辆的各种操作条件(例如，改变外部温度)，甚至适应维修服务的变化(例如，如果使用不同的润滑脂或润滑油)。

在下一部分中描述了为传感器4、5、6、7中的至少一个或每个传感器开发的数据处理技术。如果传感器测量异常，每种方法都旨在生成标志。下面将进一步描述如何组合这些标志以确定故障模式。注意，这里没有描述传感器系统1的传感器/换能器的校准，因为它可以使用标准技术来执行，例如依赖于专用的实验室测试。

imu数据的智能处理

使用振动分析监测轴9的机械完整性和其机械组件的磨损通常依赖于测量数据的时间和/或光谱分析，例如由imu4获取的数据。

当加速度计放置在oh轴上时，所记录的振动可能由以下一个或多个因素引起：车辆发动机的振动(可能激发车框架)、变速器的振动、轮胎的补片、轮胎的顺应性、道路的粗糙度、悬架的运动、车辆的动力学或传动系的旋转组件(即传动装置和车轴)的磨损。

确定轴或轴布置状态的问题通常在于区分哪些记录的振动/加速度是由旋转组件的磨损或轴的机械框架的损坏(例如轴框架的变形)引起的，哪些不是。这一任务可被表述为分类问题。任何分类算法都可用于此目的，请记住，关键方面由分类器的训练表示。为了清楚起见并且不失一般性，现在将通过示例的方式描述可以在当前提出的系统1的数据处理单元2上运行的简单分类算法(参见图8)。

该算法可以通过获取车辆的当前状态来开始，例如，经由can总线。车辆状态可以包括以下中的至少一个或全部：一个或多个车轮的速度、一个或多个传动轴的速度和发动机速度。此外，imu4的加速度计或加速度计可以以采样频率获取加速度/振动数据，该采样频率优选地是最大齿轮啮合频率的至少两倍，例如齿轮的齿数乘以齿轮的旋转速度。采样状态称为s(tk)，而加速度称为a(tk)(参见图8)。

数据处理单元2的信号处理层(spl)可以处理由imu4获取的测量数据a(tk)，例如通过在适合于分类的状态空间中变换测量数据a(tk)。由数据处理单元2执行的变换可以包括频谱分析技术，其可以包括以下中的至少一个或全部：傅立叶变换、包络分析、峰度、谱减法、小波分解等。spl的输出可以包括特征阵列，该特征阵列包括关于由imu4获取的数据的信息。

该分类可以旨在检测当前特征向量中的意外特征或组件，其可能由例如磨损的旋转组件和/或损坏的轴框架引起。通常，分类算法可以建立一个或多个边界，该边界基于一组标准对一组点进行分组(图9)。

分类系统的关键方面是稳健参考数据集的定义，利用该参考数据集比较由imu4获取的新测量的轴数据。这里，参考数据集可以是模型或模型的输出，其可以基于车辆的当前状态来更新，包括以下中的至少一个或全部：一个或多个车轮的速度、一个或多个变速箱轴的速度、牵引力矩等。该自适应模型被称为习得模型(lm)。lm可以表示为一组特征阵列，其表征轴9内的旋转组件的不同磨损模式和/或轴架的损坏模式。分类算法可以由数据处理单元2运行，并且可以被配置成确定由imu4获取的测量特征阵列是否包含lm中包括的任何模式。

作为示例，图10示出了测得的特征阵列f(tk-3)、...、f(tk+3)的集合13，可能在它们已经由数据处理单元2处理之后。例如，阵列f(tk-3)、...、f(tk+3)可以是测量的振动或加速度数据a(tk-3)、...、a(tk+3)的傅里叶谱。图10进一步解说了可由损坏的轴的模型提供的参考数据14。参考数据14示出了轴的不同损坏d1、...、dn可以与可以由imu4和数据处理单元2获取的傅立叶光谱中的不同特征相关联。特别地，不同的损伤d1、...、dn可以与在频谱的不同频率处的不同幅度的峰值15相关联。例如，图10中的不同损坏d1、...、dn可以表示或可以与轴9内的不同磨损的旋转组件相关联。在图10中，与第二损坏d2相关联的光谱特征15也存在于由imu4在时间tk获取的加速度/振动测量数据f(tk)中。特别地，f(tk)的特征在于具有与损坏d2的特征15类似的振幅和类似频率的峰值16。由数据处理单元2运行的分类算法可被配置成检测包括在与d2相关联的频谱中的特征也存在于测量频谱f(tk)中。因此，数据处理单元2可以被配置为检测轴9的旋转组件具有从lm已知的异常。

可以使用以下一种或多种办法生成lm：

1.理论：磨损模式的模型可以从理论上获得。

2.监督学习：熟练的用户可以在不同的磨损模式和测量的特征阵列之间创建相关性。

3.无监督学习：在机器学习理论中，有可能找到几种实现无监督学习的办法(更通用的方式也称为强化学习)。可以在数据处理单元2上实现这些办法。为了清楚起见，下面描述无监督学习的简单实现。

例如，数据处理单元2可被配置或编程为在足够长的时间跨度内记录测量的特征阵列，以代表轴9所暴露的不同操作条件，但也足够短以确保当lm产生时，轴的运动不会恶化的机械特性。例如，这样的时间跨度可以包括和/或可以限于总轴寿命的第一个四分之一(例如，由轴制造商估计或预定)。在总轴寿命的剩余四分之三期间，任何偏离预测lm的记录特征阵列，例如超过预定阈值(其中阈值距离可基于应用设置)，可被归类为异常并且可检测到异常(在下文中也称为升起标志)，因此需要检查轴的磨损。为了改善该办法的准确性，可通过将特征阵列添加至lm来扩展lm。例如，可以在轴9的周期性维护之后立即记录这些添加的特征阵列。

4.混合学习：可以组合先前描述的技术以便提高lm(以及分类)的总体准确度。例如，理论模型可以与无监督学习相结合，以便能够识别理论模型尚未描述的损坏模式，而理论模型可能仍然是区分最相关的磨损模式。该方法体系通常是最完整的。注意，通过在同一车辆或不同车辆的不同车轴之间共享学习模型和分类结果，可以增强分类算法的整体性能。

对由imu4获取的数据执行的数据处理的输出通常包括两个布尔标志simu、磨损和simu、损坏，其指出轴的旋转组件是否被磨损和/或轴机械框架是否被损坏，例如破碎或变形。

温度传感器数据的智能处理

车辆可能在极冷和炎热的环境中使用。温度传感器5可用于以下一个或两个应用：

1.检测旋转组件的过热；

2.监视润滑油的状况。

后一种功能可以基于老化的油比新鲜油更快地升温的概念。预热时间可被定义为当车辆的发动机启动时开始并且当油温达到静止状态时结束的时间段的持续时间。平均预热时间可使用任何已知的滤波方法体系(例如，移动平均)来确定。

由数据处理单元2运行的创新智能算法可以自主地学习润滑油的标称平均预热时间，例如在不同的操作条件下。此外，数据处理单元2可被配置或编程为确定如果预热时间低于阈值，则在这种情况下可以检测到异常(或者，等效地，可以提升标志)。如下一部分所述，该标志可以与由网络中的一个或多个其他传感器收集的信息合并，并且可以向包括轴9的车辆的操作者提供反馈。

标称预热时间的估计可以在每次换油之后进行(图11)，并且可以持续一段时间跨度，其可以包括和/或可以限于一小部分(大约20-30％)的平均换油间隔时间。后者通常由轴制造商提供，但也可以基于特定应用先验地确定。平均预热时间的临界阈值通常取决于应用，并且可以根据在实验室中进行的实验测试来选择或设定，并且旨在识别润滑油的最大可接受老化。注意，应该选择阈值作为良好的油质量(通过低阈值实现)和降低的维护成本(即，过低的阈值可能需要频繁的换油)之间的折衷。由温度分析提供的输出可包括异常检测和/或标志stemp，如果或者一旦油温过高(过热)或者如果或者一旦温度上升得太快，则标志stemp升高。

碎片传感器数据的智能处理

油碎片传感器通常配置成估计分散在润滑油中的碎片量和/或润滑油的介电常数。在以下讨论这两个测量。

1)润滑油中的铁屑

金属碎片在润滑油中的分散是一种现象，其可能取决于轴的寿命和/或轴受到的应力。由于这两个因素的可变性，很难确定碎片油污染的上限。

从碎片传感器6收集的信息可以是分散的细颗粒和粗颗粒的量的指示(例如，％或百万分率)。然而，颗粒分散是一种可能不够稳健的测量，因为在正常的轴寿命周期期间，高的碎片污染可能并不总是与轴9的机械组件的磨损相关联。

因此，根据测量数据，可以计算分散在润滑油中的铁颗粒的丰度和/或密度的时间导数。图12显示了油中细小和粗碎片污染的典型趋势，以及时间导数(图12中称为速率)。例如，在开始时(t1)，由于存在小的制造残余物(诸如在加工过程中产生的碎屑，或用于涂漆轴的化学产品)，润滑油中的污染物水平通常相对于标称条件更高。只要使用车辆，旋转组件的磨损(因此细碎片的污染)可能增加，例如直到轴承和齿轮开始恶化的点(t2和t3)。请注意，每个维护步骤可能会重置油中的碎片量(因为油更换并且传感器已清洁)，但碎片污染的时间导数通常是一个更稳定的指标，因为它通常会由于磨损机制的退化性质而随着时间增加。。

这里描述的数据处理可提供以下三个异常通知或标志中的一个或多个：

i.sdebr，contam:如果润滑油中的细碎片的分散超过阈值，例如预定阈值，则说明油的物理性质降级。可以设置阈值以定义最大可容忍的碎片污染，例如基于实验测试。

ii.sdebr，wearfine：可以过滤和/或监视关于细碎片污染率的信息(从而避免由于噪声引起的信号中的瞬时峰值)以便检测旋转组件的磨损是否异常增加。

iii.sdebr，wearcoarse：如果检测到粗碎片，可以升起标志。这是通常需要立即维护轴以避免进一步损坏的事件。

普通技术人员容易知道碎片传感器通常可用于区分粗碎片和细碎片。例如，如果碎片传感器6包括用于检测由传感器的磁体产生的磁场变化的霍尔型传感器，则通常由于润滑油中的铁颗粒的存在而改变磁场的速率随着铁颗粒尺寸的增加而增加。

2)润滑油的介电常数

流体或液体的介电常数通常取决于其温度、湿度和污染程度。油粘度的标称值优选不应先验地设定，因为润滑油可能在连续的维护步骤之间改变(例如油的化学组成可能改变)。

监测润滑油的介电常数所遵循的程序可基于为监测上述油温而开发的相同智能算法。在每次维护之后，系统可以学习，例如，对于给定的时间跨度，油的平均标称介电常数，然后可以监视当前介电常数与平均标称值的偏差。如果当前介电常数超过其标称值，例如超过预定阈值，则可以提升标志sdebr，diel。

粘度传感器数据的智能处理

可以测量油的粘度以确定油是否已老化和/或必须更换。油粘度主要受以下一种或多种影响：

-油老化：老化油通常表现出较大的粘度；

-油温：油粘度通常随油温降低；

-分散在油中的碎片和污染物：固体颗粒、水和其他溶剂通常会改变油粘度；

由于这些因素，可能无法通过仅查看粘度的瞬时值并将其与参考值进行比较来识别油老化。这里，提出了一种智能算法，其被配置成自动学习油粘度模型并使用该模型来评估和/或预测油老化。

可以将油粘度模型的自动学习公式化为回归问题。回归问题可以包括用于估计变量之间的关系的统计办法。在所提出的回归问题中，油温中的至少一个或全部、分散在油中的碎片的丰度、以及在给定时刻tk测量的油的介电常数(简称为输入)可与在同一时刻tk测量的油粘度(称为输出)相关联。可以使用任何现有技术的回归算法(例如，最小二乘最小化、神经网络、高斯过程、支持向量机等)。回归算法通常包括以下一个或多个步骤：

1)回归(学习)：测量的油温、分散在油中的碎片的丰度、油的介电常数和油的粘度(优选地，在同一时刻全部获得的)可用于重建输入与输出之间的关系。输出包括油粘度，而输入可包括油温、分散在油中的大量碎片和油的介电常数中的一个或多个。

为了提高学习模型的准确性(即回归函数)，可以使用多组测量。该多组测量可被称为训练集。训练集中的每组测量值可包括输入和输出(在给定时刻获取)。训练集可例如(但不限于)在预定的时间跨度或可以在车辆维护完成之后开始的时间段期间获取，并且可以持续和/或可以限于由如轴制造商所估计的维护时间平均值的一部分。在轴的每次维护后，可以重新定义或扩展训练集。训练集的优选管理取决于应用，但是通常优选的是连续扩展训练集以便为学习阶段提供更多数据。回归的结果通常包括可基于数学表达式或逻辑规则集将输入与输出相关联的模型。

2)外推：一旦输入和输出之间的关系已知，就可计算当前测得输入集的当前油粘度的估计值，包括油温、分散在油中的碎片的丰度和油的介电常数中的至少一个或全部。

注意，即使车辆是新的且第一学习阶段尚未完成(即没有习得模型可用)，也可以在任何时刻进行外推。在这种情况下，可以通过利用源自理论或实验室测试的简化模型来进行当前粘度的外推。如果有这样的模型，他们的结果可以融合到习得模型的估计，以提高外推的整体准确性。可以使用的数据融合算法的示例可以包括以下中的一个或多个：贝叶斯滤波器、卡尔曼滤波器、粒子滤波器等。

可以将当前测量的油的粘度与当前估计的粘度进行比较。如果测量的粘度和外推粘度之间的差的绝对值大于预定阈值，则可以提出布尔标志svisc，其表明油的性质已经恶化。可以基于旨在识别最大允许的油老化的实验室测试来先验地选择阈值。

轴和润滑油机械组件的故障模式的识别

一旦处理了传感器网络中的至少一个或所有传感器收集的信息，就可以识别系统的故障模式。为了清楚起见，针对传感器网络中的设备子集(例如放置在轮毂中或中央差动器10中的换能器)描述了所提出的过程。应当理解，该办法可扩展到网络中的其他传感器子集，优选地扩展到网络中的所有可能的传感器子集，包括所有传感器。基本上，创新的启发式方法体系基于以下概念：对于一些故障模式，由传感器网络中的两个或更多个传感器执行的测量是相关的。

图13定义了要为每个破坏因素(即故障模式)获取的信息，包括要使用的传感器。通过向后行进该逻辑路径，可以区分存在哪种故障模式。例如，假设例如基于由网络中的两个或更多个传感器测量的数据已经提出标志simu，损坏和sdebr，wearcoarse。图13描绘了可以应用以便识别相应的故障模式的逻辑过程的示例。对于每个标志，识别所提供的信息。在图13描绘的示例中，该信息包括：“轴和轮毂上的冲击”、“分散在润滑油中的粗金属碎片”。所提供的信息的交叉或配对识别出轴或轴布置中存在的故障模式。例如，在图13所示的示例中，轴故障模式包括“旋转组件的破损”模式。这里描述的办法可扩展到每个破坏因素或轴故障模式，从而获得图14中所示的标记和故障模式之间的相关性。

轴和润滑油机械组件的残余寿命的估算

可使用可推广到传感器网络中的传感器/换能器的所有子集的方法体系来估计轴系统的剩余寿命，包括传感器网络中的所有传感器/换能器。为简单起见，在下文中，传感器网络中的传感器记录的信息被称为“信号”。该信号可包括用于根据上述数据处理过程引出更多警告标志的信息，例如以下中的一个或多个：

imu：imu信号可包括由磨损的旋转组件和损坏的轴框架引起的振动测量的描述符(例如－并且不失一般性－光谱分量)。

ii)温度计：温度计信号可包括油的预热时间。

iii)油碎片传感器：油碎片传感器信号可包括分散在油中的大量细碎片、分散在油中的细碎片的丰度变化率、分散在油中的大量粗碎屑、以及油的介电常数中的一种或多种。

iv)油粘度传感器：油粘度传感器信号可包括从一种或多种模型估算的粘度与测量的粘度之间的绝对差值。

估计剩余寿命可作为一个或多个上述传感器信号的回归问题，其中回归函数的域可以随着时间或在车辆行进的距离上定义。回归算法可以包括上述回归算法(温度计的数据处理)，它可以用任何现有技术的回归算法来执行，并且它可以包括两个阶段：学习和外推。

在学习阶段期间，可自动定义关于时间(或空间)的信号的数学模型。学习阶段可在每次维护传输之后执行，并且可持续和/或可以限于平均维持时间的一小部分，例如由制造商定义的。

在外推阶段期间，习得模型可用于估计在给定的未来时刻(或未来位置)处的信号的值。通过反转习得模型，还可估计何时在未来时间或在车辆行进的距离之后信号将达到阈值，例如预定阈值，并且提高与相应故障模式相关联的错误标志。如果监视多个信号并且对于它们中的每一个都预测到升高的时间(或空间升高)，则可组合估计以预测何时将发生给定的故障模式。

传感器网络的自动诊断功能

数据处理单元2可被配置或编程为具有自动诊断能力，这意味着它可被配置或编程为监视记录的传感器、轮节点和中央差动器节点的健康状况。可通过传感器网络的模块化来增强自动诊断。如果检测到故障(例如，不可能以预定义的时间间隔获取传感器)，则数据处理单元2可利用专用消息，例如经由can总线发送，将故障传送给车辆ecu。

数据处理单元2可被配置或编程为基于记录的故障来适配其功能。例如，如果传感器网络中的imu或另一传感器发生故障，则数据处理单元2可以将要监视的故障模式集减少到那些不需要由损坏的传感器和/或由相应的数据处理程序引发的标记。如果或者一旦更换损坏的传感器，则可重新建立全部功能。

自动紧急援助

惯性测量单元(imu)可被配置为重建或检测车辆的姿态。通常，可以仅对包括多于一个imu的传感器网络配置启用该功能，从而实现符合安全性的冗余。如果或当imu测量的纵向或横向倾斜角度超过阈值(诸如由车辆制造商预定的阈值)和/或如果或当否发生由imu的加速度计测量的冲击时，可提出并经由can总线向车辆ecu发送警报。通过这样做，系统可以在车辆处于翻倒危险的情况下支持或警告驾驶员。

首选传感器网络配置

传感器网络是模块化系统，其中可以根据具体应用安装或移除每个单个传感器。传感器网络的优选配置需要一组传感器(例如一个或多个imu、一个或多个温度计、一个或多个碎片传感器以及一个或多个粘度传感器)。例如，传感器或至少一些传感器可以设置在轮毂中或每个轮毂中以及中央差动器盒中或车辆的每个差动器盒中。以此方式，可以监视和预测所有车轴的主要组件的剩余寿命。

变型

创新的传感器网络旨在最大化其模块化。为了清楚起见，借助于子网络，传感器配置和轴位置来描述传感器网络的变型。

子网络

子网络可定义为以下组件组合之一(参见图4)：

i.数据处理单元、位置b的imu、位置a的温度计、位置a的油碎片传感器和位置a的粘度传感器。

ii.中央差动器节点、位置b的imu、位置a的温度计、位置a的油碎片传感器和位置a的粘度传感器。

iii.位置c中的车轮轮毂节点、imu、温度计、油碎片传感器和粘度传感器。

传感器配置

给定的子网络可包括以上列出的所有传感器，或者传感器或传感器的子集。根据图14中总结的考虑，子网络中的传感器的组合定义了所提出的传感器系统检测故障、识别损坏因子或故障模式、以及预测轴系统的剩余寿命的能力。如果从完整配置中消除一个或多个传感器，则在某些情况下可能无法将一个或多个损坏因素或故障模式彼此区分开。以下列出了目前提出的传感器系统的一些可能的传感器配置：

1.imu、温度计、油碎片传感器、和粘度传感器：这通常是传感器的最完整配置，因为它允许识别和/或检测和/或预测图14中描绘的所有六种故障模式。imu允许监视整个车轴的机械完整性，即使在没有加速度计的子网络中也是如此(例如，当imu放置在b-图6中时，通过识别c-图5中的损坏)。在后一种情况下，系统可识别轴的故障模式，但是可能不能定位已经发生损坏的子网络。

2.温度计、油碎片传感器、和粘度传感器：在一些情况下，旋转组件(df-1)的磨损和旋转组件(df-2)的破损可以仅在本地(即在相同的子网络中)被感测。在这些情况下，这种配置因此可能无法检测轴的机械框架是否损坏(df-3)。

3.imu和油碎片传感器：除润滑模式(df-4)老化外，此配置可识别所有损坏模式或故障模式。因此，检测旋转组件(df-1)的磨损的准确度可能较低，因为在某些情况下振动可能取决于润滑油的状态(即粘度)。

4.温度计和粘度传感器：利用这对传感器，可以识别和/或检测和/或预测润滑油(df-4)的老化和旋转组件(df-7)的过热。

然而，应理解，传感器系统不限于上述具体示例，并且可包括传感器的其他配置或组合。

轴位置

一旦将每个子网络的传感器配置调谐到其特定应用，通常为每个子网络(sn)分配轴布置内的特定位置。图15描绘了双轴车辆车轴中或车轴上的子网络的可能位置和配置(这些考虑因素可以扩展到具有更多车轴数量的车辆)：

a)i型内部或仅在一个轴或轴上布置的一个子网络：这通常是最简单的配置，并且子网络可放置在一个轴的中央差动器盒中。通过这种设置，通常可以监视和/或预测差动器10中的油的状态，以监视差动器10的旋转组件，并检测轴架何时损坏。非感测差动器的健康状况可基于以下假设来评估，即，对于包括在传动系中的所有差动器，磨损程度相同或相似。

b)i型的一个子网络以及iii型内部或仅在一个轴或轴上布置的一个子网络：这种配置还允许测量和/或预测轮毂内部的润滑油的状态，以及测量和/或预测轮毂内部的旋转组件的状况。未被监视的轮毂的健康状况可基于对包括在传动系中的所有轮毂的磨损程度相同或相似的假设进行评估。

c)i型的一个子网络以及iii型内部或仅在一个轴或轴上布置的两个子网络：该配置还允许监视和/或预测两个轮毂的健康状况。可基于车辆同一侧(即左侧或右侧)的轮毂表现出相同程度的磨损的假设来评估未被监视的轮毂的健康状况。

d)型i的一个子网络以及型ii的一个(或多个)子网络：仅一个数据处理单元被安装在整个车辆上。其余的轴通常包括中央差动器10中的中央差动器节点。该配置还允许监视多个中央差动器的健康状况。如果车辆具有两个以上的轴，则可以安装一个以上的中央差动器节点。在后一种情况下，数据处理单元和中央差动器节点收集的信息可以用于估计和/或预测未被监视的差动器的健康状况。

e)i型的一个子网络、ii型的一个(或多个)子网络、以及iii型内部或一个(或多个)轴或轴布置的一个子网络：这种配置还允许监视中央差动器10和两个或更多轴的一个轮毂的健康状况。未被监视的轮毂的健康状况可基于相同轴上的轮毂表现出相同磨损程度的假设来评估。未监视的车轴的健康状况可根据从监视轴获取的数据来预测，与配置b和d的假设相类似。

f)i型的一个子网络、ii型的一个(或多个)子网络、以及iii型内部或一个或多个轴或轴布置上的两个子网络：该配置还允许监控和/或预测两个轮毂的健康状况。未被监视的轮毂的健康状况可以与针对配置c作出的假设类似地估计。

g)i型内或一个轴上的一个子网络、用于所有剩余轴或轴布置的ii型的一个子网络、以及iii型内或所有轴上的两个子网络：这种配置允许检测车辆的所有中央差动器10和轮毂。它通常是最完整和最坚固的配置，因为它允许驱动和/或预测轴或轴布置的每个关键区域的状态和/或寿命。可以合并从两个或更多个轴收集的数据，以提高所习得模型的准确性和/或提高识别和预测轴故障模式的可靠性。