用于评估动态系统的设备和方法转让专利
申请号 : CN200610051375.6
文献号 : CN100582722C
文献日 : 2010-01-20
发明人 : M·R·格兰姆斯
申请人 : 通用汽车公司
摘要 :
一种评估被测试车辆是否按照预期工作的方法。在多个采样时间对该车辆的参数采样以获取多个数据采样。将来自多于一个该采样时间的数据采样包含在采样集中。将该采样集输入到人工神经网络(ANN)中。许多随时间变化的参数，例如机动车辆系统中的响应时间可以被检测和评估。
权利要求 :
1.一种用于评估目标车辆随时间的响应的评估设备，所述设备 包括：采样设备，从该车辆获取多个数据采样；和
处理器，该处理器包括自组织映射并将该多个数据采样作为多个 采样集输入到所述自组织映射中；
其中所述处理器将其中一个数据采样包含在多于一个采样集中， 并且其中所述自组织映射被训练以通过识别所述多个数据采样中的 正常相互关系来记住来自所述多个采样集的正常数据。
2.如权利要求1所述的评估设备，其中所述处理器基于与该其 中一个数据采样相关的采样时间将该其中一个数据采样包含在多于 一个采样集中。
3.如权利要求1所述的评估设备，其中一个采样集包括通过所 述采样设备在多于一个采样时间获取的数据采样。
4.如权利要求1所述的评估设备，其中所述处理器训练所述自 组织映射以评估所述多个采样集之间的关系。
5.如权利要求1所述的评估设备，其中该目标车辆包括发动机， 并且所述采样设备获取与该发动机的工作相关的多个数据采样。
6.如权利要求1所述的评估设备，其中所述处理在所述车辆的 外部。
7.如权利要求1所述的评估设备，其中所述采样集与不同的车 辆关联。
8.如权利要求1所述的评估设备，其中所述采样集包括：第一采样集，与基于来自第一车辆的数据进行的训练相关联；和第二采样集，与第二车辆的测试相关联。
9.如权利要求1所述的评估设备，其中所述处理器基于来自所 述多个采样集的正常数据来检测所述车辆是否正工作在设计规格之 外。
10.如权利要求1所述的评估设备，其中经由多个传感器从车辆 获得所述多个数据采样。
说明书 :
技术领域
本发明一般涉及质量控制，更具体是涉及评估车辆和其他动态系 统。
背景技术
当制造小汽车、卡车和其他车辆时，典型地，对测试车辆的各种 系统进行测试以确定该车辆是否符合适用的设计规格以及是否能够按 照预期(as intended)而工作。然而，许多车辆系统是动态的；也就 是说，它们响应于各种输出而改变。这种系统将会花费时间来响应输 入，并且在测试过程中很难捕获这种输入并以有意义的方式来响应。
发明内容
在一个实施例中，本发明涉及一种评估被测试车辆是否能按照预 期工作的方法。在多个采样时间对该车辆的参数采样以获得多个数据 采样。来自多于一个该采样时间的数据采样被包含在采样集中。该采 样集被输入到人工神经网络(ANN)中。
在另一种实施方案中，一种评估被测试车辆随时间的响应是否在 预期范围内的方法包括，采样该车辆的参数以获得多个数据采样集。 第一个采样集被输入到人工神经网络(ANN)中。第二个采样集包含来 自该第一个采样集的数据采样。该第二个采样集被输入到该ANN中。
在另一种配置中，用于评估目标车辆随时间的响应的评估设备包 括，从该车辆获取多个数据采样的采样设备。处理器将该数据采样作 为多个采样集输入到自组织映射(self-organizing map)(SOM)中。 该处理器将其中一个数据采样包含在多于一个采样集中。
在又一种配置中，本发明涉及一种用于评估被测试系统中的一个 或多个随时间变化的参数的评估设备。采样设备在多个采样时间从该 系统获取多个描述该参数的数据采样。处理器将时间序列的数据采样 包含在数据集中，并将该数据集输入到自组织映射(SOM)中。
根据下文提供的详细说明，本发明可适用的其他领域将会变得清 楚。应当理解，该详细说明和特定示例虽然指示了本发明的示例性实 施例，但是仅用于例示的目的，而不是要限制本发明的范围。
在另一种实施方案中，一种评估被测试车辆随时间的响应是否在 预期范围内的方法包括，采样该车辆的参数以获得多个数据采样集。 第一个采样集被输入到人工神经网络(ANN)中。第二个采样集包含来 自该第一个采样集的数据采样。该第二个采样集被输入到该ANN中。
在另一种配置中，用于评估目标车辆随时间的响应的评估设备包 括，从该车辆获取多个数据采样的采样设备。处理器将该数据采样作 为多个采样集输入到自组织映射(self-organizing map)(SOM)中。 该处理器将其中一个数据采样包含在多于一个采样集中。
在又一种配置中，本发明涉及一种用于评估被测试系统中的一个 或多个随时间变化的参数的评估设备。采样设备在多个采样时间从该 系统获取多个描述该参数的数据采样。处理器将时间序列的数据采样 包含在数据集中，并将该数据集输入到自组织映射(SOM)中。
根据下文提供的详细说明，本发明可适用的其他领域将会变得清 楚。应当理解，该详细说明和特定示例虽然指示了本发明的示例性实 施例，但是仅用于例示的目的，而不是要限制本发明的范围。
附图说明
根据该详细说明和附图，本发明将会被更透彻地理解，其中
图1是根据本发明的一个实施例的用于评估目标车辆系统的评估 设备的示意图；
图2是根据本发明的一个实施例的自组织映射(SOM)的示意图；
图3是根据本发明的一个实施例输入到SOM的数据采样集的示意 图；
图4是根据本发明的一个实施例的与使用SOM的模拟相关的数据 的曲线图；
图5是根据本发明的一个实施例的从图4所示与使用SOM相关的 数据中获得的数据的图表。
图1是根据本发明的一个实施例的用于评估目标车辆系统的评估 设备的示意图；
图2是根据本发明的一个实施例的自组织映射(SOM)的示意图；
图3是根据本发明的一个实施例输入到SOM的数据采样集的示意 图；
图4是根据本发明的一个实施例的与使用SOM的模拟相关的数据 的曲线图；
图5是根据本发明的一个实施例的从图4所示与使用SOM相关的 数据中获得的数据的图表。
具体实施方式
以下对本发明的各种实施例的说明实质上仅是示例性的，而决不 是为了限制本发明、其应用或用途。在一种实施方案中，本发明涉及 使用人工神经网络(ANN)来提供与动态系统即随时间而变化的系统相 关的度量。在动态系统中，使该系统的参数响应该系统的输入将花费 时间。
当根据本发明的一个实施例实施ANN时，可以检测到在系统输入 和稍后时间发生的系统输出之间的关系。虽然本发明的实施例是结合 二维自组织映射(SOM)进行描述的，但是本发明并不仅限于此。也可 以预见到与其他类型SOM和其他类型ANN相结合的实施例。而且，虽 然本发明的实施例是结合评估车辆系统进行描述的，但是本发明可以 结合各种动态和/或静态系统而实施，包括但不限于车辆系统。
在图1中用附图标记20概括表示了评估设备的一个实施例。该设 备20用于评估目标系统28，例如车辆42的发动机和/或其他部件。 采样设备50从该系统28中获得多个数据采样。这些采样可以从车辆 42中例如通过引擎传感器、传感电路等获得，并且可以描述系统参数 例如后EMF、阻抗、摩擦力等。如下进一步所述，处理器60将该数据 采样作为多个采样集输入到ANN 70例如SOM。在一种配置中，如下进 一步所述，处理器60将其中一个数据采样包含在多于一个采样集中。
一般地，在ANN中，处理元件(“神经元”)以变化的连接强度 连接到该ANN的其他神经元。由于该连接是可以调节的，该ANN“学习” 输出适合于手头任务的结果。自组织映射(SOM)70是一种对于执行质 量控制很有用的ANN。SOM 70可以用于例如识别制造过程的“正常 (normal)”结果是什么。“正常”结果的含义是，例如，所有制造 部件都符合规格并且能够按照设计工作。在本配置中，SOM 70被训练 以“记住”在一个采样集和另一采样集之间的数据，如下进一步所述。
在图2中详细示出了SOM 70。SOM 70包括多个处理元件或神经元 128，每个神经元通过相邻关系134连接到相邻神经元128。该神经元 128和关系134定义了SOM 70的拓扑(也成为结构)。
在用于评估该系统28之前，通过以下方式训练SOM 70。多个采 样集被输入到SOM 70。采样集可以是，例如从采样点收集的数据值的 向量，该采样点例如与前面结合图1所述的车辆42的发动机和/或其 他部件相关。在训练期间，SOM 70接收多个采样集，每个采样集例如 从“正常”车辆获取，该“正常”车辆例如是符合一组给定规格的预 先指定的车辆。基于这种采样集中的数据值，神经元128可以更新一 个或多个相邻关系134的权重。
对于多个采样集重复前述的采样和向SOM 70输入采样集的过程， 该多个采样集适合于训练该S OM 70以识别例如从“正常”车辆获取的 数据值中的“正常”相互关系。最后，神经元128将通过重新加权相 邻关系134而减少神经元128之间的距离。
以前述方式训练之后，SOM 70就可以用于评估系统。该SOM可以 例如易受从被测试目标车辆获得的数据，例如从车辆42的系统28获 得的数据。对于从目标车辆获得的每个采样集，该SOM可以定位与该 采样集中的数据最匹配的神经元。该SOM还可以表示该数据距离最近 的神经元有多近。通过集合这些SOM结果，就可以提供度量以指示被 测试车辆是否按照预期工作。从而可以识别出不按设计预期工作的车 辆。
如前结合图1所述，系统28被采样以获取多个数据采样集。该采 样集被输入到SOM 70，该SOM 70对于每个采样集确定哪个神经元128 距离该输入数据最近。
在图3中用附图标记200概括表示了根据本发明的一个实施例的 示例性数据采样集。第一和第二采样集204和212每个均包含从前述 的系统28采样的多个数据值218。特别地，在本发明的一个实施例中， 在多个采样时间对系统28进行采样以获取至少多个数据采样218。例 如，采样集204在位置222包含通过采样设备50在采样时间n从系统 28获得的数据采样dn。该数据采样dn表示例如在系统28中测量的电 压。应当注意的是，采样集204还在位置226包含通过采样设备50在 紧邻采样时间n之前的采样时间n-1从系统2 8获得的数据采样dn-1。 从而在集合204中可以包含一个或多个在前测量的电压值。例如，集 合204包含在采样时间n，...n-m获得的电压值dn，...dn-m。该采样时 间n，...n-m可以例如通过根据被采样的一种参数而变化的预定时间间 隔来分隔。
因而，采样集212在位置222包含通过采样设备50在采样时间n 之后的采样时间n+1从系统2 8获得的数据采样dn+1。以同样的方式， 采样集212的位置226和232分别包含数据采样在采样时间n和n-m+1 获得的dn和dn-m+1。
从而处理器60将来自多于一个采样时间的数据采样包含在采样集 中，该采样集输入到SOM 70。从而可以训练SOM 70以评估例如系统 在时间n-m的输入和系统在时间n的输出之间的关系。不同的表达为， 将采样集n输入到SOM 70。来自采样集n的数据的至少一部分被包含 在输入到SOM的采样集n+1中。
现在将对根据本发明的一个实施例使用SOM的例子进行说明。如 下进一步所述，在测试中模拟九个发动机。五个发动机(具体地， TestMotor_1到TestMotor_5)被预先指定为符合规格(即“正常”)。 其他四个发动机(具体地，TestMotor_BackEMF_Var、 TestMotor_Friction_Var、TestMotor_InertiaResistance_Var和 TestMotor_Resistance_Var)包含预设为在“正常”分布之外的值的 参数。例如，TestMotor_BackEMF_Var具有预设为在“正常”分布之 外的后EMF增益。
SOM处理表示1000个采样时间的输入，每个采样时间以1秒间隔 与在前和在后的采样时间隔开。对于每个发动机和每个采样时间输入 到SOM的采样数据值包含输入参考电压Vc(ref)。输入到SOM的采样 数据值还包含发动机输出例如最后五个电压采样、最后五个电流采样 和最后五个发动机速度采样。
在图4中用附图标记300概括表示了与上述模拟相关的数据的曲 线图。该曲线图300在x轴3 04表示前面的采样时间，在y轴308表 示到SOM的最近神经元的距离。可以看出，对于“正常”发动机 TestMotor_1到TestMotor_5，到最近神经元的距离小于具有在“正 常”分布之外的参数值的其他四个发动机的这种距离。换句话说，例 如可以使用SOM区分Vc(ref)采样之后在几秒的时间周期内显示非“正 常”输出的发动机。
使用本发明的各种实施方案，许多不同的度量都是可能的。例如， 在图5中以附图标记400概括表示的图表显示了多种数据，包括在图4 中表示的所有1000个采样时间的结果的平均408。从而可以对于图4 中所示的所有前述数据比较到最近神经元的平均距离。
前述设备和方法的实施例允许相对于动态系统例如汽车或卡车使 用SOM以识别在大规模生产中的变化。ANN可以用于一次评估多个参 数，并且从而能够检测通过单个参数比较不能检测的参数相对精细的 变化或组合。SOM能够学习什么是“正常”或预期的，然后比较来自大 规模生产的车辆的数据以便更容易发现车辆参数中的不明显的变化。
前述方法和设备可以用于车辆试生产中以确定试验车辆是否能够 与研发车辆同样运行。实施例还可以用于线末端(end-of-line)测试 以识别在制造过程中的变化。从该范围中的车辆中采集的数据可以与 从经销商或远程信息数据收集系统收集的数据相比较。许多随时间变 化的参数，包含但不限于各种响应时间，可以被检测和评估。此外， 通过评估这些参数获得的信息对于检测环境和/或随应用变化的参数 例如温度、湿度和/或与车辆在山区中的工作相关的参数是有用的。
通过前面的说明，本领域普通技术人员现在能够清楚，本发明的 宽泛教导能够以多种形式实现。因此，虽然本发明是结合特定示例进 行说明的，但是本发明的实质范围不应被限于此，因为基于对附图、 说明书和所附权利要求的学习，其他修改对于熟练技术人员也是显而 易见的。
当根据本发明的一个实施例实施ANN时，可以检测到在系统输入 和稍后时间发生的系统输出之间的关系。虽然本发明的实施例是结合 二维自组织映射(SOM)进行描述的，但是本发明并不仅限于此。也可 以预见到与其他类型SOM和其他类型ANN相结合的实施例。而且，虽 然本发明的实施例是结合评估车辆系统进行描述的，但是本发明可以 结合各种动态和/或静态系统而实施，包括但不限于车辆系统。
在图1中用附图标记20概括表示了评估设备的一个实施例。该设 备20用于评估目标系统28，例如车辆42的发动机和/或其他部件。 采样设备50从该系统28中获得多个数据采样。这些采样可以从车辆 42中例如通过引擎传感器、传感电路等获得，并且可以描述系统参数 例如后EMF、阻抗、摩擦力等。如下进一步所述，处理器60将该数据 采样作为多个采样集输入到ANN 70例如SOM。在一种配置中，如下进 一步所述，处理器60将其中一个数据采样包含在多于一个采样集中。
一般地，在ANN中，处理元件(“神经元”)以变化的连接强度 连接到该ANN的其他神经元。由于该连接是可以调节的，该ANN“学习” 输出适合于手头任务的结果。自组织映射(SOM)70是一种对于执行质 量控制很有用的ANN。SOM 70可以用于例如识别制造过程的“正常 (normal)”结果是什么。“正常”结果的含义是，例如，所有制造 部件都符合规格并且能够按照设计工作。在本配置中，SOM 70被训练 以“记住”在一个采样集和另一采样集之间的数据，如下进一步所述。
在图2中详细示出了SOM 70。SOM 70包括多个处理元件或神经元 128，每个神经元通过相邻关系134连接到相邻神经元128。该神经元 128和关系134定义了SOM 70的拓扑(也成为结构)。
在用于评估该系统28之前，通过以下方式训练SOM 70。多个采 样集被输入到SOM 70。采样集可以是，例如从采样点收集的数据值的 向量，该采样点例如与前面结合图1所述的车辆42的发动机和/或其 他部件相关。在训练期间，SOM 70接收多个采样集，每个采样集例如 从“正常”车辆获取，该“正常”车辆例如是符合一组给定规格的预 先指定的车辆。基于这种采样集中的数据值，神经元128可以更新一 个或多个相邻关系134的权重。
对于多个采样集重复前述的采样和向SOM 70输入采样集的过程， 该多个采样集适合于训练该S OM 70以识别例如从“正常”车辆获取的 数据值中的“正常”相互关系。最后，神经元128将通过重新加权相 邻关系134而减少神经元128之间的距离。
以前述方式训练之后，SOM 70就可以用于评估系统。该SOM可以 例如易受从被测试目标车辆获得的数据，例如从车辆42的系统28获 得的数据。对于从目标车辆获得的每个采样集，该SOM可以定位与该 采样集中的数据最匹配的神经元。该SOM还可以表示该数据距离最近 的神经元有多近。通过集合这些SOM结果，就可以提供度量以指示被 测试车辆是否按照预期工作。从而可以识别出不按设计预期工作的车 辆。
如前结合图1所述，系统28被采样以获取多个数据采样集。该采 样集被输入到SOM 70，该SOM 70对于每个采样集确定哪个神经元128 距离该输入数据最近。
在图3中用附图标记200概括表示了根据本发明的一个实施例的 示例性数据采样集。第一和第二采样集204和212每个均包含从前述 的系统28采样的多个数据值218。特别地，在本发明的一个实施例中， 在多个采样时间对系统28进行采样以获取至少多个数据采样218。例 如，采样集204在位置222包含通过采样设备50在采样时间n从系统 28获得的数据采样dn。该数据采样dn表示例如在系统28中测量的电 压。应当注意的是，采样集204还在位置226包含通过采样设备50在 紧邻采样时间n之前的采样时间n-1从系统2 8获得的数据采样dn-1。 从而在集合204中可以包含一个或多个在前测量的电压值。例如，集 合204包含在采样时间n，...n-m获得的电压值dn，...dn-m。该采样时 间n，...n-m可以例如通过根据被采样的一种参数而变化的预定时间间 隔来分隔。
因而，采样集212在位置222包含通过采样设备50在采样时间n 之后的采样时间n+1从系统2 8获得的数据采样dn+1。以同样的方式， 采样集212的位置226和232分别包含数据采样在采样时间n和n-m+1 获得的dn和dn-m+1。
从而处理器60将来自多于一个采样时间的数据采样包含在采样集 中，该采样集输入到SOM 70。从而可以训练SOM 70以评估例如系统 在时间n-m的输入和系统在时间n的输出之间的关系。不同的表达为， 将采样集n输入到SOM 70。来自采样集n的数据的至少一部分被包含 在输入到SOM的采样集n+1中。
现在将对根据本发明的一个实施例使用SOM的例子进行说明。如 下进一步所述，在测试中模拟九个发动机。五个发动机(具体地， TestMotor_1到TestMotor_5)被预先指定为符合规格(即“正常”)。 其他四个发动机(具体地，TestMotor_BackEMF_Var、 TestMotor_Friction_Var、TestMotor_InertiaResistance_Var和 TestMotor_Resistance_Var)包含预设为在“正常”分布之外的值的 参数。例如，TestMotor_BackEMF_Var具有预设为在“正常”分布之 外的后EMF增益。
SOM处理表示1000个采样时间的输入，每个采样时间以1秒间隔 与在前和在后的采样时间隔开。对于每个发动机和每个采样时间输入 到SOM的采样数据值包含输入参考电压Vc(ref)。输入到SOM的采样 数据值还包含发动机输出例如最后五个电压采样、最后五个电流采样 和最后五个发动机速度采样。
在图4中用附图标记300概括表示了与上述模拟相关的数据的曲 线图。该曲线图300在x轴3 04表示前面的采样时间，在y轴308表 示到SOM的最近神经元的距离。可以看出，对于“正常”发动机 TestMotor_1到TestMotor_5，到最近神经元的距离小于具有在“正 常”分布之外的参数值的其他四个发动机的这种距离。换句话说，例 如可以使用SOM区分Vc(ref)采样之后在几秒的时间周期内显示非“正 常”输出的发动机。
使用本发明的各种实施方案，许多不同的度量都是可能的。例如， 在图5中以附图标记400概括表示的图表显示了多种数据，包括在图4 中表示的所有1000个采样时间的结果的平均408。从而可以对于图4 中所示的所有前述数据比较到最近神经元的平均距离。
前述设备和方法的实施例允许相对于动态系统例如汽车或卡车使 用SOM以识别在大规模生产中的变化。ANN可以用于一次评估多个参 数，并且从而能够检测通过单个参数比较不能检测的参数相对精细的 变化或组合。SOM能够学习什么是“正常”或预期的，然后比较来自大 规模生产的车辆的数据以便更容易发现车辆参数中的不明显的变化。
前述方法和设备可以用于车辆试生产中以确定试验车辆是否能够 与研发车辆同样运行。实施例还可以用于线末端(end-of-line)测试 以识别在制造过程中的变化。从该范围中的车辆中采集的数据可以与 从经销商或远程信息数据收集系统收集的数据相比较。许多随时间变 化的参数，包含但不限于各种响应时间，可以被检测和评估。此外， 通过评估这些参数获得的信息对于检测环境和/或随应用变化的参数 例如温度、湿度和/或与车辆在山区中的工作相关的参数是有用的。
通过前面的说明，本领域普通技术人员现在能够清楚，本发明的 宽泛教导能够以多种形式实现。因此，虽然本发明是结合特定示例进 行说明的，但是本发明的实质范围不应被限于此，因为基于对附图、 说明书和所附权利要求的学习，其他修改对于熟练技术人员也是显而 易见的。