基于网络建模的用于错误隔离和错误减轻的系统和方法

专利名称：基于网络建模的用于错误隔离和错误减轻的系统和方法
技术领域：
本发明主要涉及定义系统内的数据监测点以实现对车辆内嵌入的电气和电子系统(EES)的综合错误隔离和容错分析，并且更具体地涉及用于定义数据监测点以实现车辆内嵌入的EES的综合错误隔离和容错分析的系统和方法，其包括将EES定义为网络模型，针对模型中每一个潜在监测点计算中介中心度量度，将中介中心度量度排序，并且如果具有最高中介中心度量度的潜在监测点满足由近邻因子等级定义的预定覆盖范围，那么就选择该点作为实际监测点。
背景技术：
现代车辆是复杂的电气和机械系统，使用了很多的部件、设备、模块、子系统等，例如嵌入式电气和电子系统(EES)，它们利用高级算法和数据总线在彼此之间传输电气信息。车辆的EES由于它们已经响应对于将电气和电子控制单元(ECU)装入车辆内的不断增长的需求而完善，正在变得越来越复杂。例如，现代的高端车辆可以包括七十个或者更多个ECU来为车辆上的EES提供控制和指令操作。这些控制单元带来了更高的安全性、便捷性和舒适性的特点，并且满足了新的排放和燃料经济性标准。但是，车辆上ECU及其外围设备数量的快速增加将导致复杂的相互作用，这有时会造成无法预料的行为例如新出现的故障或级联故障。与其他系统一样，EES和E⑶对能够影响车辆运行的差错、故障和错误很敏感。在ECU中运行的算法根据存储器内储存的数据生成信息和计算。而且，信号可以沿线路在ECU之间传输以促使执行某些操作例如致动致动器。所有这些信息都可能会以某种方式例如由于线路松动、存储器故障、计算不准确等而被破坏。因此，在系统内不同元件之间无论是沿物理线路还是在软件内的数据或报文传输均可被用于确定错误。而且，在综合车辆健康管理(IVHM)和主动安全系统中使用的现有技术仍然缺乏针对解决对于改进和量化EES中可维护性和复杂性的需求的标准化和量度。当这样的差错和错误发生时，受影响的设备或部件经常要发出错误码，例如诊断事故码(DTC)，错误码由一个或多个系统控制器接收，从而识别该错误，或者集成部件的一些附随错误。为了能够检测和分析DTC及其他错误，必须要收集识别和隔离这些错误所需的数据，并且要在正确的位置收集数据。一旦数据已收集，就使用诊断算法来分析和处理数据并以能够被分析的格式提供数据。一旦数据已被处理，随后即可识别出错误的根本原因。例如，可以由维护的技术人员和工程师来分析DTC以识别问题和/或进行系统校正和升级。诊断建模包括确定已经发生的问题的根本原因。已知的用于诊断部件和子系统错误的错误建模方法可以使用贝叶斯网络、动态贝叶斯网络、隐马尔科夫模型、模糊逻辑、信念网络、Petri网等。有时传感器被设置用于收集EES和/或ECU内期望位置处的数据以提供由诊断算法用来识别问题原因的必要信息。而且，特别是在高级车辆中，数据收集经常包括监测在ECU之间传递的报文和其他信息。正被收集的数据和信息可以是在ECU之间传输的报文或者是ECU内特定存储器中的可用数据。尽管在某种程度上说可能希望在每一个可能的位置都设置监测点以收集足够的数据来清楚地识别问题，但是这样的方案是不实际的，并且最终成本太高。因此，有必要识别可以提供最有效信息的最佳监测点。用于识别EES和/或E⑶内部和其间的最佳监测点的现有技术迄今为止仍然受限。

发明内容
根据本发明的教导，公开了一种用于识别车辆内的电气和电子系统(EES)中的监测点的系统和方法，其是用于提供EES的错误隔离和减轻分析的系统的一部分。所述方法包括定义EES的网络模型，其中模型内的潜在监测点位置作为目标被识别，例如节点。所述方法随后将模型内每一个目标的中介中心度量度计算为每一对目标之间的最短路径总数与经过其中介中心度量度正被确定的目标的最短路径数量的比值之和。所述方法识别出哪些中介中心度量度大于定义了最小可接受量度的阈值并且确定目标中有哪些满足预定的 模型覆盖范围。监测点被选择为最佳满足最小量度和期望覆盖范围的目标。本发明提供了如下方案
方案I. 一种用于识别车辆上的电气和电子系统(EES)内的信息监测点的方法，所述方法包括
定义EES的网络模型，其中模型内的潜在监测点被识别为目标；
将模型内每一个目标的中介中心度量度确定为模型内每一对目标之间的最短路径总数与经过其中介中心度量度正被确定的目标的那些最短路径数量的比值之和；
选择最小中介中心度量度阈值；
识别出所确定的每一个目标的中介中心度量度中有哪些大于阈值；
定义最小近邻因子等级，最小近邻因子等级定义了一个目标相对于所有其他目标的预定覆盖范围；
确定其中介中心度量度大于阈值的目标中有哪些具有大于最小近邻因子等级的近邻因子等级；然后
将具有高于阈值的最高中介中心度量度并且具有满足预定覆盖范围的近邻因子等级的目标识别为监测点。方案2.如方案I所述的方法，其中模型包括从由电控单元、软件部件和传输路径构成的群组中选出的节点以及作为节点间连接的边。方案3.如方案2所述的方法，其中目标包括网络模型中的边。方案4.如方案2所述的方法，其中目标包括网络模型中的节点。方案5.如方案I所述的方法，其中网络模型是分层模型。方案6.如方案5所述的方法，其中网络模型包括数据流网络层、报文网络层、功能网络层、物理网络层和电气网络层。方案7.如方案I所述的方法，其中，中介中心度量度是均匀多部分中介中心度量度、逆多部分中介中心度量度、指定多部分中介中心度量度、均匀多属性中介中心度量度、逆多属性中介中心度量度或者边中介中心度量度。方案8.如方案I所述的方法，其中最小近邻因子等级是第二近邻因子等级，其中特定目标位于另一个目标的两个连接以内。方案9.如方案I所述的方法，进一步包括如果没有目标满足由最小近邻因子等级提供的预定覆盖范围，那么就降低最小中介中心度量度阈值。方案10.如方案I所述的方法，进一步包括对每一个目标执行目标故障模拟以确定目标是否已经故障。方案11. 一种用于识别车辆上的电气和电子系统(EES)内的信息监测点的方法，所述方法包括
定义EES的分层网络模型，该模型包括识别EES内的电控单元、软件部件和传输路径中的一种或多种的节点；
将模型内每一个节点的中介中心度量度确定为模型内每一对节点之间的最短路径总数与经过其中介中心度量度正被确定的节点的那些最短路径数量的比值之和；
选择最小中介中心度量度阈值；
将所确定的中介中心度量度大于阈值的那些节点识别为潜在的监测点。方案12.如方案11所述的方法，进一步包括定义最小近邻因子等级，最小近邻因子等级定义了一个节点相对于所有其他节点的预定覆盖范围；然后确定其中介中心度量度大于阈值的节点中有哪些具有大于最小近邻因子等级的近邻因子等级，其中识别所确定的中介中心度量度大于阈值的那些节点包括识别出所确定的中介中心度量度大于阈值并且近邻因子等级满足预定覆盖范围的那些节点作为定义的潜在监测点。方案13.如方案12所述的方法，其中最小近邻因子等级是第二近邻因子等级，其中特定节点位于另一个节点的两个连接以内。方案14.如方案11所述的方法，其中，中介中心度量度是均匀多部分中介中心度量度、逆多部分中介中心度量度、指定多部分中介中心度量度、均匀多属性中介中心度量度、逆多属性中介中心度量度或者边中介中心度量度。方案15. —种用于识别车辆上的电气和电子系统(EES)内的信息监测点的系统，所述系统包括
用于定义EES网络模型的装置，其中模型内的潜在监测点被识别为目标；
用于将模型内每一个目标的中介中心度量度确定为模型内每一对目标之间的最短路径总数与经过其中介中心度量度正被确定的目标的那些最短路径数量的比值之和的装置；
用于选择最小中介中心度量度阈值的装置；
用于识别出所确定的每一个目标的中介中心度量度中有哪些大于阈值的装置；
用于定义最小近邻因子等级的装置，最小近邻因子等级定义了一个目标相对于所有其他目标的预定覆盖范围；
用于确定其中介中心度量度大于阈值的目标中有哪些具有大于最小近邻因子等级的近邻因子等级的装置；以及
用于将具有高于阈值的最高中介中心度量度并且具有满足预定覆盖范围的近邻因子等级的目标识别为监测点的装置。方案16.如方案15所述的系统，其中用于定义EES网络模型的装置定义的模型包括从由电控单元、软件部件和传输路径构成的群组中选出的节点以及作为节点间连接的边。方案17.如方案16所述的系统，其中目标包括网络模型中的边。方案18.如方案16所述的系统，其中目标包括网络模型中的节点。方案19.如方案15所述的系统，其中用于确定中介中心度量度的装置将中介中心度量度选择为均匀多部分中介中心度量度、逆多部分中介中心度量度、指定多部分中介中心度量度、均匀多属性中介中心度量度、逆多属性中介中心度量度或者边中介中心度量度。方案20.如方案15所述的系统，其中用于定义最小近邻因子等级的装置将最小近邻因子等级定义为第二近邻因子等级，其中特定目标位于另一个目标的两个连接以内。本发明的附加特征将根据以下结合附图的说明内容和所附权利要求而变得显而 易见。


图I是包括EES和E⑶的车辆的简化示意 图2是EES分层网络模型的透视 图3是识别分层网络模型内各个节点之间数据流的节点结构示例；以及图4是示出了用于根据每一个节点的中介中心度量度识别节点结构中合适的监测点的过程流程图。
具体实施例方式以下对利用中介中心度量度在车辆EES的网络模型中选择数据监测点的系统和方法的说明在本质上仅仅是示范性的，而不是为了以任何方式限制本发明或者其应用或用途。例如，如上所述，本发明具有用于车辆上的EES的特定应用。但是，正如本领域技术人员应该意识到的那样，本发明的系统和方法可以具有用于除车辆系统以外的其他系统的应用。本发明提出了在用于车辆EES的网络模型中选择数据监测点供综合错误隔离和减轻分析(FIMA)系统使用的系统和方法。系统输入是网络模型，网络模型可以是表示EES的物理特征、结构特征、功能特征和数据流特征的分层网络。网络中的每一层都提供了 EES的一个方面，例如，物理网络层表示ECU的物理线路连接，功能网络层表示ECU和虚拟网络内的虚拟设备之间的关系等。网络内的节点可以用节点属性注释，例如，ECU可以表示为两个节点，其中一个节点与节点属性“发送”相关联，而另一个则与报文网络内的“接收”相关联。节点例如在报文网络内可以用节点类型注释。ECU被表示为具有节点类型“ECU”的节点，而报文则被表示为具有节点类型“报文”的节点。指定节点类型导致节点划分，其中相同分区内的节点没有边，例如，一个ECU节点不是被直接连接至另一个ECU节点，而是通过报文网络内的报文节点连接。边可以用边属性注释，其中属性值通常表示节点之间的信息流。网络内的边可以跨越不同的层连接节点。系统使用多部分和/或多属性的中介中心度量度以量化分层网络内节点的重要性分布方面的复杂性和可维护性，这样对EES内的电源层、布线层、测量层、控制层和通信层之间复杂的相互作用进行整体建模。中介中心度量度是来自新兴的网络科技领域的一种已知特征并且被用于识别网络内的节点和边的重要性，其中将重要性排序以确定哪些节点和边可以是监测点。系统利用中介中心度量度提供随机故障策略和基于使用情况的故障策略以模拟新出现的故障和级联故障的场景，并针对期望的诊断覆盖范围推荐错误检测点和隔离监测点。用于选择数据监测点的系统和方法的目的是要解决对EES中增长的复杂相互作用的复杂性和可维护性进行量化的需求以及提高错误隔离和错误减轻分析的能力。车辆EES已经响应对于将ECU装入车辆内的不断增长的需求而变得非常复杂。EES故障的根本原因很可能会跨越EES的网络层造成影响，这些网络层范围涵盖电源、物理线路连接、软件部件之间的功能关系、报文、测量、控制和网络上的数据流。现有技术中的分析技术通常是集中在一个单一应用领域上的单层系统，例如用于CAN的端到端时延分析，它因其优点而重要，但是不足以解决源于EES网络其他层的问题。系统对节点或边在控制位于EES的相同或不同部分内的其他节点或边之间成对 连接方面的重要性进行量化。换句话说，中介中心度量度对节点或边控制具有相同或不同属性的其他节点之间成对连接方面的重要性进行量化。系统使用多部分和/或多属性的中介中心度量度以排序并推荐错误隔离和监测点，这些错误隔离和监测点无法通过单层分析技术以常规的中介中心度量度被发现。系统提供基于使用情况的故障模拟策略和随机的故障模拟策略用于推荐供期望诊断覆盖范围使用的错误检测点、隔离点和减轻点。系统将EES视为视错误检测、隔离和减轻设计而定的嵌入式和分布式复杂系统。系统使用逼近故障模拟，其带有一族新的中介中心度量度来解决EES中基于使用情况的故障和随机故障。系统能够推荐用于不同的故障情景的错误隔离和可能的实施错误减轻的监测点。图I是包括在彼此间传输数据、报文和其他信息的EES 12以及E⑶14和16的车辆10的示意图。E⑶14和16可以是EES 12的一部分或者也可以与EES 12分开。每一个车辆都可以具有不同的EES和ECU构造，其中EES可以在彼此之间以及与各种ECU来回地传递报文，并且其中每一个EES和E⑶都可以运行不同的算法以使车辆系统能够彼此通信并且促成以需要的方式执行某些操作。用于收集存储的和在EES 12以及E⑶14和16之间传输的报文和数据的监测点将被确定为完成错误识别的诊断分析算法的一部分。每一个E⑶14和16、EES 12或者E⑶14和16或EES 12内的一些软件元件在本文中被定义为节点，而ECU 14和16以及EES 12之间的通信或连接被定义为边，其中监测点可以是这些节点或边中的特定一个，并且经过该节点或边的数据和信息被收集作为诊断事故靶向的一部分。具体地，节点可以是物理E⑶或E⑶内特定的软件部件，而边可以是EES 12和/或EES14和16之间的物理线路或者软件部件之间的函数调用。图2是EES 12的包括多个网络层的代表性网络模型20，其中每一层都对应于供EES 12使用的电气、线路、通信和数据流中的一个方面。用于EES 12的网络模型20包括表示功率分配关系的较低的电气网络层22，表示E⑶14和16中布线关系的物理网络层24，表示ECU虚拟网络关系的功能网络层26，表示ECU报文关系的报文网络层28以及表示任务、特征、报文和信号序列的数据流网络层30。分层的车辆内EES网络模型20如本文中所述具有几种独特的产生新的中介中心度量度的特征以量化EES 12内复杂的相互作用。正如以下要详细介绍的那样，每一层22-30都输出推荐的错误检测和隔离监测点以及EES12的错误隔离和减轻分析的模拟结果的排序表。上文中所述的中介中心度量度被用于识别模型20内的节点和/或边的重要性，并且将重要性排序以确定哪些节点和/或边可以是监测点。中介中心度量度能够跨越各层22-30地被使用，并且可能有用于每一层22-30的推荐错误检测和隔离监测点与模拟结果的排序表以及用于将所有的层22-30 —起考虑的排序表。本文中在无向图的背景下讨论中介中心度量度。但是，中介中心度量度也可以通过考虑遵循图中有向边的最短路径而应用于有向图例如ECU 软件中的函数调用。无向图G=(N，E)由非空的可数节点集合N和边集合
Fx F构成。无向图G是其中节点N被分为非空不相交子集的图，其中同一子集内的任何两个节点N都没有连接它们的边。图G内的节点N可以与节点属性矢量An相关联，并且类似地边可以与边属性矢量Ae相关联。部分由拓扑结构赋予，而属性则主要是被增加以用于节点的语义方面。对于分层的EES网络模型20，节点类型通常对应于部分。图3是节点结构40的示意图，其作为可以表示在EES 12和/或E⑶14和16中定义的节点和边或者是这些部件中的节点结构的一部分的一种类型的无向图。节点结构40包括多个节点42，其中每一个节点42由字母a-j表示。每一个节点42都可能是如上所述用于收集供错误检测使用的数据和/或报文的监测点。节点结构40包括节点42之间的多条连接或边44,表示在结构40中的节点42之间的信息流和数据流。边44是两个节点42之间的直接连接。从一个节点42到另一个节点42的路径可以包括单条边44，或者可以包括多条边44。正如以下要详细介绍的那样，中介中心度量度被用于识别或量化结构40中节点42和边44中每一个的重要性以确定特定的一个或多个节点42或者一条或多条边44是否可以是监测点。对于以下的讨论内容，可以确定节点42的中介中心度量度以确定哪个节点42具有最高的量度并且最适合成为监测点。但是，正如本领域技术人员应该意识到的那样，边44也可以是监测点并且可以用相同的方式确定边44的中介中心度量度。中介中心度量度可以是均在以下介绍的多部分量度或多属性量度之一或二者兼备。中介中心度量度被确定为节点42中两个节点之间的最短路径总数与经过中介中心度量度正被确定的特定节点42的那些最短路径数量的比值之和，这将在下文中更加详细地介绍。在为节点结构40示出的示例中，可能看起来节点g是结构40中的重要节点，原因在于它从很多个其他节点42具体是从节点b，c，h和e接收信息。但是，节点i实际上是结构40中最重要的节点，原因在于经过结构40的信息必然总是要通过节点i而并非必须要通过节点g。换句话说，如果将节点i从结构40中去除，那么在结构40中的节点j和节点a-h之间就会完全断开，而如果去除节点g，这一点却未必会出现。确定结构40中每一个节点42的中介中心度量度，并且将这些值比较或排序以确定节点42的最高中介中心度量度，这些节点可以被用作结构40中监测点。基于本文中讨论的中介中心度量度应该在节点i时最高，并且节点i应该是最适合用于结构40的监测点。一旦识别出其中介中心度量度高于某一最小中介中心度阈值的节点42，就计算这些节点42在结构40中的覆盖范围，也就是特定节点与最大数量的其他节点的接近程度，这定义为近邻因子等级，从而基于该节点与结构40中所有其他节点42的接近度来确定它是否适合用作监测点的备选。例如，算法可以将近邻因子等级定义为2级等级，也就是在其中介中心度量度正被计算的潜在监测点节点的两条边44内的节点42的数量。参见结构40，节点a, d, e, f, g, h和j都在节点i的两节点42内，并且因此节点i的覆盖范围或近邻等级值为7。通过识别近邻因子等级即可根据节点i是否不是过于远离太多的节点42来确定节点i是不是结构40中合适的监测点。结构40中的每一个节点42都具有识别其与结构40中所有其他节点42接近性的近邻因子等级，并且使用中介中心度量度和近邻因子等级的组合来确定特定的节点42是不是会成为监测点。中介中心度量度被设计用于根据连接重要性在每一对节点的所有最短路径中被等分的假设来对节点控制其他节点之间成对连接的重要性进行量化。例如用于节点e N的中介中心度量度BC(Iii)可以是节点i的中介中心度量度BC(i)，并且定义为
^ ft)
⑴
其中Oxy是节点乂和7之间的路径总数，而oxy(i)则是经过节点i的最短路径的数
BC k)
量。中介中心度量度BC(i)可以在0到I之间被归一化为I# J1),其中Ijy!是图G内的节
点数量。公式⑴和下文中用于节点的指定X和y是节点索引指定，并且可以是上述示例 的结构40中的节点42中的任一个。具体地，对于结构44中的每对节点42的值o xy，确定这两个节点之间的路径数量，并且根据这些路径确定构成该路径的边44的最小数量。一旦确定了两个节点42之间的边44的最小数量，那么计算就确定有多少条不同的最短路径。类似地，对于同样的两个节点42，对于值oxy(z)，确定经过其中介中心度量度正被计算的特定节点42的那些最短路径的数量。随后对于所有不同的节点对组合的最短路径计算，将这些最短路径值之间的除商进行求和以得到该特定节点42的中介中心度量度。对每一个节点42执行计算，并且具有最高中介中心度量度的节点42根据其是否满足所需的近邻因子等级而很可能成为用于结构40的监测点。对于图3中所示的示例，所有节点a-j的中介中心度量度可以被计算为a=0, b=2. 333，c=2. 333，d=0，e=9. 833，f=0, g=0. 667，h=9. 833，i=14 和 j=8。相应地，用于边ee S的中介中心度量度BC(e)被定义为经过边e的最短路径数量喃⑵。中介中心度量度BC (e)可以在0到I之间被归一化为
BC [e)
[()iV|-%J|-2)J/2⑶。认识了分层EES网络模型20中的丰富语义后，研发出多部分中介中心度量度和多属性中介中心度量度以说明分层EES网络模型20中节点42的类型和属性/角色。节点的均匀多部分中介中心度BCp⑴，其中Np是部分并且其中Mp CF,被定义为
权利要求
1.一种用于识别车辆上的电气和电子系统(EES)内的信息监测点的方法，所述方法包括 定义EES的网络模型，其中模型内的潜在监测点被识别为目标； 将模型内每一个目标的中介中心度量度确定为模型内每一对目标之间的最短路径总数与经过其中介中心度量度正被确定的目标的那些最短路径数量的比值之和； 选择最小中介中心度量度阈值； 识别出所确定的每一个目标的中介中心度量度中有哪些大于阈值； 定义最小近邻因子等级，最小近邻因子等级定义了一个目标相对于所有其他目标的预定覆盖范围； 确定其中介中心度量度大于阈值的目标中有哪些具有大于最小近邻因子等级的近邻因子等级；然后 将具有高于阈值的最高中介中心度量度并且具有满足预定覆盖范围的近邻因子等级的目标识别为监测点。
2.如权利要求I所述的方法，其中模型包括从由电控单元、软件部件和传输路径构成的群组中选出的节点以及作为节点间连接的边。
3.如权利要求2所述的方法，其中目标包括网络模型中的边。
4.如权利要求2所述的方法，其中目标包括网络模型中的节点。
5.如权利要求I所述的方法，其中网络模型是分层模型。
6.如权利要求5所述的方法，其中网络模型包括数据流网络层、报文网络层、功能网络层、物理网络层和电气网络层。
7.如权利要求I所述的方法，其中，中介中心度量度是均匀多部分中介中心度量度、逆多部分中介中心度量度、指定多部分中介中心度量度、均匀多属性中介中心度量度、逆多属性中介中心度量度或者边中介中心度量度。
8.如权利要求I所述的方法，其中最小近邻因子等级是第二近邻因子等级，其中特定目标位于另一个目标的两个连接以内。
9.一种用于识别车辆上的电气和电子系统(EES)内的信息监测点的方法，所述方法包括 定义EES的分层网络模型，该模型包括识别EES内的电控单元、软件部件和传输路径中的一种或多种的节点； 将模型内每一个节点的中介中心度量度确定为模型内每一对节点之间的最短路径总数与经过其中介中心度量度正被确定的节点的那些最短路径数量的比值之和； 选择最小中介中心度量度阈值； 将所确定的中介中心度量度大于阈值的那些节点识别为潜在的监测点。
10.一种用于识别车辆上的电气和电子系统(EES)内的信息监测点的系统，所述系统包括 用于定义EES网络模型的装置，其中模型内的潜在监测点被识别为目标； 用于将模型内每一个目标的中介中心度量度确定为模型内每一对目标之间的最短路径总数与经过其中介中心度量度正被确定的目标的那些最短路径数量的比值之和的装置；用于选择最小中介中心度量度阈值的装置； 用于识别出所确定的每一个目标的中介中心度量度中有哪些大于阈值的装置； 用于定义最小近邻因子等级的装置，最小近邻因子等级定义了一个目标相对于所有其他目标的预定覆盖范围； 用于确定其中介中心度量度大于阈值的目标中有哪些具有大于最小近邻因子等级的近邻因子等级的装置；以及 用于将具有高于阈值的最高中介中心度量度并且具有满足预定覆盖范围的近邻因子等级的目标识别为监测点的装置。
全文摘要
本发明涉及基于网络建模的用于错误隔离和错误减轻的系统和方法。一种用于识别车辆内的电气和电子系统(EES)中的监测点的系统和方法。所述方法包括定义EES的网络模型，其中模型内的潜在监测点位置被识别为目标，例如节点。所述方法随后将模型内每一个目标的中介中心度量度计算为每一对目标之间的最短路径总数与经过其中介中心度量度正被确定的目标的最短路径数量的比值之和。所述方法识别出哪些中介中心度量度大于定义了最小可接受量度的阈值并且确定目标中有哪些满足预定的模型覆盖范围。监测点被选择为最佳地满足了最小量度和期望覆盖范围的目标。
文档编号H04L12/26GK102801552SQ20121016154
公开日2012年11月28日 申请日期2012年5月23日 优先权日2011年5月23日
发明者Y.张, A.尼贾姆金, D.L.艾伦, H.蒙, M.A.萨尔曼, T-C.卢 申请人:通用汽车环球科技运作有限责任公司