專利名稱：用于評估動態(tài)系統(tǒng)的設(shè)備和方法
技術(shù)領(lǐng)域：
本發(fā)明一般涉及質(zhì)量控制，更具體是涉及評估車輛和其他動態(tài)系統(tǒng)。
背景技術(shù)：
當制造小汽車、卡車和其他車輛時，典型地，對測試車輛的各種系統(tǒng)進行測試以確定該車輛是否符合適用的設(shè)計規(guī)格以及是否能夠按照預(yù)期(as intended)而工作。然而，許多車輛系統(tǒng)是動態(tài)的；也就是說，它們響應(yīng)于各種輸出而改變。這種系統(tǒng)將會花費時間來響應(yīng)輸入，并且在測試過程中很難捕獲這種輸入并以有意義的方式來響應(yīng)。

發(fā)明內(nèi)容
在一個實施例中，本發(fā)明涉及一種評估被測試車輛是否能按照預(yù)期工作的方法。在多個采樣時間對該車輛的參數(shù)采樣以獲得多個數(shù)據(jù)采樣。來自多于一個該采樣時間的數(shù)據(jù)采樣被包含在采樣集中。該采樣集被輸入到人工神經(jīng)網(wǎng)絡(luò)(ANN)中。
在另一種實施方案中，一種評估被測試車輛隨時間的響應(yīng)是否在預(yù)期范圍內(nèi)的方法包括，采樣該車輛的參數(shù)以獲得多個數(shù)據(jù)采樣集。第一個采樣集被輸入到人工神經(jīng)網(wǎng)絡(luò)(ANN)中。第二個采樣集包含來自該第一個采樣集的數(shù)據(jù)采樣。該第二個采樣集被輸入到該ANN中。
在另一種配置中，用于評估目標車輛隨時間的響應(yīng)的評估設(shè)備包括，從該車輛獲取多個數(shù)據(jù)采樣的采樣設(shè)備。處理器將該數(shù)據(jù)采樣作為多個采樣集輸入到自組織映射(se1f-organizing map)(SOM)中。該處理器將其中一個數(shù)據(jù)采樣包含在多于一個采樣集中。
在又一種配置中，本發(fā)明涉及一種用于評估被測試系統(tǒng)中的一個或多個隨時間變化的參數(shù)的評估設(shè)備。采樣設(shè)備在多個采樣時間從該系統(tǒng)獲取多個描述該參數(shù)的數(shù)據(jù)采樣。處理器將時間序列的數(shù)據(jù)采樣包含在數(shù)據(jù)集中，并將該數(shù)據(jù)集輸入到自組織映射(SOM)中。
根據(jù)下文提供的詳細說明，本發(fā)明可適用的其他領(lǐng)域?qū)兊们宄?yīng)當理解，該詳細說明和特定示例雖然指示了本發(fā)明的示例性實施例，但是僅用于例示的目的，而不是要限制本發(fā)明的范圍。


根據(jù)該詳細說明和附圖，本發(fā)明將會被更透徹地理解，其中圖1是根據(jù)本發(fā)明的一個實施例的用于評估目標車輛系統(tǒng)的評估設(shè)備的示意圖；圖2是根據(jù)本發(fā)明的一個實施例的自組織映射(SOM)的示意圖；圖3是根據(jù)本發(fā)明的一個實施例輸入到SOM的數(shù)據(jù)采樣集的示意圖；圖4是根據(jù)本發(fā)明的一個實施例的與使用SOM的模擬相關(guān)的數(shù)據(jù)的曲線圖；圖5是根據(jù)本發(fā)明的一個實施例的從圖4所示與使用SOM相關(guān)的數(shù)據(jù)中獲得的數(shù)據(jù)的圖表。
具體實施例方式
以下對本發(fā)明的各種實施例的說明實質(zhì)上僅是示例性的，而決不是為了限制本發(fā)明、其應(yīng)用或用途。在一種實施方案中，本發(fā)明涉及使用人工神經(jīng)網(wǎng)絡(luò)(ANN)來提供與動態(tài)系統(tǒng)即隨時間而變化的系統(tǒng)相關(guān)的度量。在動態(tài)系統(tǒng)中，使該系統(tǒng)的參數(shù)響應(yīng)該系統(tǒng)的輸入將花費時間。
當根據(jù)本發(fā)明的一個實施例實施ANN時，可以檢測到在系統(tǒng)輸入和稍后時間發(fā)生的系統(tǒng)輸出之間的關(guān)系。雖然本發(fā)明的實施例是結(jié)合二維自組織映射(SOM)進行描述的，但是本發(fā)明并不僅限于此。也可以預(yù)見到與其他類型SOM和其他類型ANN相結(jié)合的實施例。而且，雖然本發(fā)明的實施例是結(jié)合評估車輛系統(tǒng)進行描述的，但是本發(fā)明可以結(jié)合各種動態(tài)和/或靜態(tài)系統(tǒng)而實施，包括但不限于車輛系統(tǒng)。
在圖1中用附圖標記20概括表示了評估設(shè)備的一個實施例。該設(shè)備20用于評估目標系統(tǒng)28，例如車輛42的發(fā)動機和/或其他部件。采樣設(shè)備50從該系統(tǒng)28中獲得多個數(shù)據(jù)采樣。這些采樣可以從車輛42中例如通過引擎?zhèn)鞲衅?、傳感電路等獲得，并且可以描述系統(tǒng)參數(shù)例如后EMF、阻抗、摩擦力等。如下進一步所述，處理器60將該數(shù)據(jù)采樣作為多個采樣集輸入到ANN 70例如SOM。在一種配置中，如下進一步所述，處理器60將其中一個數(shù)據(jù)采樣包含在多于一個采樣集中。
一般地，在ANN中，處理元件(“神經(jīng)元”)以變化的連接強度連接到該ANN的其他神經(jīng)元。由于該連接是可以調(diào)節(jié)的，該ANN“學習”輸出適合于手頭任務(wù)的結(jié)果。自組織映射(SOM)70是一種對于執(zhí)行質(zhì)量控制很有用的ANN。SOM 70可以用于例如識別制造過程的“正常(normal)”結(jié)果是什么?！罢！苯Y(jié)果的含義是，例如，所有制造部件都符合規(guī)格并且能夠按照設(shè)計工作。在本配置中，SOM 70被訓練以“記住”在一個采樣集和另一采樣集之間的數(shù)據(jù)，如下進一步所述。
在圖2中詳細示出了SOM 70。SOM 70包括多個處理元件或神經(jīng)元128，每個神經(jīng)元通過相鄰關(guān)系134連接到相鄰神經(jīng)元128。該神經(jīng)元128和關(guān)系134定義了SOM 70的拓撲(也成為結(jié)構(gòu))。
在用于評估該系統(tǒng)28之前，通過以下方式訓練SOM 70。多個采樣集被輸入到SOM 70。采樣集可以是，例如從采樣點收集的數(shù)據(jù)值的向量，該采樣點例如與前面結(jié)合圖1所述的車輛42的發(fā)動機和/或其他部件相關(guān)。在訓練期間，SOM 70接收多個采樣集，每個采樣集例如從“正?！避囕v獲取，該“正?！避囕v例如是符合一組給定規(guī)格的預(yù)先指定的車輛?；谶@種采樣集中的數(shù)據(jù)值，神經(jīng)元128可以更新一個或多個相鄰關(guān)系134的權(quán)重。
對于多個采樣集重復(fù)前述的采樣和向SOM 70輸入采樣集的過程，該多個采樣集適合于訓練該SOM 70以識別例如從“正?！避囕v獲取的數(shù)據(jù)值中的“正常”相互關(guān)系。最后，神經(jīng)元128將通過重新加權(quán)相鄰關(guān)系134而減少神經(jīng)元128之間的距離。
以前述方式訓練之后，SOM 70就可以用于評估系統(tǒng)。該SOM可以例如易受從被測試目標車輛獲得的數(shù)據(jù)，例如從車輛42的系統(tǒng)28獲得的數(shù)據(jù)。對于從目標車輛獲得的每個采樣集，該SOM可以定位與該采樣集中的數(shù)據(jù)最匹配的神經(jīng)元。該SOM還可以表示該數(shù)據(jù)距離最近的神經(jīng)元有多近。通過集合這些SOM結(jié)果，就可以提供度量以指示被測試車輛是否按照預(yù)期工作。從而可以識別出不按設(shè)計預(yù)期工作的車輛。
如前結(jié)合圖1所述，系統(tǒng)28被采樣以獲取多個數(shù)據(jù)采樣集。該采樣集被輸入到SOM 70，該SOM 70對于每個采樣集確定哪個神經(jīng)元128距離該輸入數(shù)據(jù)最近。
在圖3中用附圖標記200概括表示了根據(jù)本發(fā)明的一個實施例的示例性數(shù)據(jù)采樣集。第一和第二采樣集204和212每個均包含從前述的系統(tǒng)28采樣的多個數(shù)據(jù)值218。特別地，在本發(fā)明的一個實施例中，在多個采樣時間對系統(tǒng)28進行采樣以獲取至少多個數(shù)據(jù)采樣218。例如，采樣集204在位置222包含通過采樣設(shè)備50在采樣時間n從系統(tǒng)28獲得的數(shù)據(jù)采樣dn。該數(shù)據(jù)采樣dn表示例如在系統(tǒng)28中測量的電壓。應(yīng)當注意的是，采樣集204還在位置226包含通過采樣設(shè)備50在緊鄰采樣時間n之前的采樣時間n-1從系統(tǒng)28獲得的數(shù)據(jù)采樣dn-1。從而在集合204中可以包含一個或多個在前測量的電壓值。例如，集合204包含在采樣時間n，...n-m獲得的電壓值dn，...dn-m。該采樣時間n，...n-m可以例如通過根據(jù)被采樣的一種參數(shù)而變化的預(yù)定時間間隔來分隔。
因而，采樣集212在位置222包含通過采樣設(shè)備50在采樣時間n之后的采樣時間n+1從系統(tǒng)28獲得的數(shù)據(jù)采樣dn+1。以同樣的方式，采樣集212的位置226和232分別包含數(shù)據(jù)采樣在采樣時間n和n-m+1獲得的dn和dn-m+1。
從而處理器60將來自多于一個采樣時間的數(shù)據(jù)采樣包含在采樣集中，該采樣集輸入到SOM 70。從而可以訓練SOM 70以評估例如系統(tǒng)在時間n-m的輸入和系統(tǒng)在時間n的輸出之間的關(guān)系。不同的表達為，將采樣集n輸入到SOM 70。來自采樣集n的數(shù)據(jù)的至少一部分被包含在輸入到SOM的采樣集n+1中。
現(xiàn)在將對根據(jù)本發(fā)明的一個實施例使用SOM的例子進行說明。如下進一步所述，在測試中模擬九個發(fā)動機。五個發(fā)動機(具體地，TestMotor_1到TestMotor_5)被預(yù)先指定為符合規(guī)格(即“正?！?。其他四個發(fā)動機(具體地，Tes tMotor_BackEMF_Var、TestMotor_Friction_Var、TestMotor_InertiaResistance_Var和TestMotor_Resistance_Var)包含預(yù)設(shè)為在“正?！狈植贾獾闹档膮?shù)。例如，TestMotor_BackEMF_Var具有預(yù)設(shè)為在“正?！狈植贾獾暮驟MF增益。
SOM處理表示1000個采樣時間的輸入，每個采樣時間以1秒間隔與在前和在后的采樣時間隔開。對于每個發(fā)動機和每個采樣時間輸入到SOM的采樣數(shù)據(jù)值包含輸入?yún)⒖茧妷篤c(ref)。輸入到SOM的采樣數(shù)據(jù)值還包含發(fā)動機輸出例如最后五個電壓采樣、最后五個電流采樣和最后五個發(fā)動機速度采樣。
在圖4中用附圖標記300概括表示了與上述模擬相關(guān)的數(shù)據(jù)的曲線圖。該曲線圖300在x軸304表示前面的采樣時間，在y軸308表示到SOM的最近神經(jīng)元的距離?？梢钥闯觯瑢τ凇罢！卑l(fā)動機TestMotor_1到TestMotor_5，到最近神經(jīng)元的距離小于具有在“正常”分布之外的參數(shù)值的其他四個發(fā)動機的這種距離。換句話說，例如可以使用SOM區(qū)分Vc(ref)采樣之后在幾秒的時間周期內(nèi)顯示非“正?！陛敵龅陌l(fā)動機。
使用本發(fā)明的各種實施方案，許多不同的度量都是可能的。例如，在圖5中以附圖標記400概括表示的圖表顯示了多種數(shù)據(jù)，包括在圖4中表示的所有1000個采樣時間的結(jié)果的平均408。從而可以對于圖4中所示的所有前述數(shù)據(jù)比較到最近神經(jīng)元的平均距離。
前述設(shè)備和方法的實施例允許相對于動態(tài)系統(tǒng)例如汽車或卡車使用SOM以識別在大規(guī)模生產(chǎn)中的變化。ANN可以用于一次評估多個參數(shù)，并且從而能夠檢測通過單個參數(shù)比較不能檢測的參數(shù)相對精細的變化或組合。SOM能夠?qū)W習什么是“正常”或預(yù)期的，然后比較來自大規(guī)模生產(chǎn)的車輛的數(shù)據(jù)以便更容易發(fā)現(xiàn)車輛參數(shù)中的不明顯的變化。
前述方法和設(shè)備可以用于車輛試生產(chǎn)中以確定試驗車輛是否能夠與研發(fā)車輛同樣運行。實施例還可以用于線末端(end-of-line)測試以識別在制造過程中的變化。從該范圍中的車輛中采集的數(shù)據(jù)可以與從經(jīng)銷商或遠程信息數(shù)據(jù)收集系統(tǒng)收集的數(shù)據(jù)相比較。許多隨時間變化的參數(shù)，包含但不限于各種響應(yīng)時間，可以被檢測和評估。此外，通過評估這些參數(shù)獲得的信息對于檢測環(huán)境和/或隨應(yīng)用變化的參數(shù)例如溫度、濕度和/或與車輛在山區(qū)中的工作相關(guān)的參數(shù)是有用的。
通過前面的說明，本領(lǐng)域普通技術(shù)人員現(xiàn)在能夠清楚，本發(fā)明的寬泛教導能夠以多種形式實現(xiàn)。因此，雖然本發(fā)明是結(jié)合特定示例進行說明的，但是本發(fā)明的實質(zhì)范圍不應(yīng)被限于此，因為基于對附圖、說明書和所附權(quán)利要求的學習，其他修改對于熟練技術(shù)人員也是顯而易見的。
權(quán)利要求
1.一種評估被測試車輛是否按照預(yù)期工作的方法，所述方法包括在多個采樣時間對該車輛的參數(shù)采樣以獲取多個數(shù)據(jù)采樣；將來自多于一個該采樣時間的數(shù)據(jù)采樣包含在采樣集中；和將該采樣集輸入到人工神經(jīng)網(wǎng)絡(luò)(ANN)中。
2.如權(quán)利要求1所述的方法，進一步包括以預(yù)定間隔分隔兩個采樣時間。
3.如權(quán)利要求1所述的方法，進一步包括將該數(shù)據(jù)采樣包含在多個采樣集中；和將該采樣集輸入到該ANN中。
4.如權(quán)利要求3所述的方法，其中該ANN包含自組織映射(SOM)，所述方法進一步包括訓練該SOM以基于該采樣集評估該車輛的參數(shù)。
5.如權(quán)利要求1所述的方法，其中對該車輛的參數(shù)采樣包括采樣與該車輛的發(fā)動機相關(guān)的數(shù)據(jù)。
6.一種評估被測試車輛隨時間的響應(yīng)是否在預(yù)期范圍內(nèi)的方法，所述方法包括對該車輛的參數(shù)采樣以獲取多個數(shù)據(jù)采樣集；將第一個采樣集輸入到人工神經(jīng)網(wǎng)絡(luò)(ANN)中；將來自該第一個采樣集的數(shù)據(jù)采樣包含在第二個采樣集中；和將該第二個采樣集輸入到該ANN中。
7.如權(quán)利要求6所述的方法，包括在多個采樣時間對該車輛的參數(shù)采樣以獲取多個數(shù)據(jù)采樣；和將在其中一個采樣時間獲取的數(shù)據(jù)采樣包含在采樣集中，該采樣集還包含在另一采樣時間獲取的數(shù)據(jù)采樣。
8.如權(quán)利要求6所述的方法，其中執(zhí)行所述輸入以訓練該ANN。
9.如權(quán)利要求6所述的方法，進一步包括訓練該ANN以基于在不同采樣時間獲取的數(shù)據(jù)采樣來評估該車輛的參數(shù)。
10.如權(quán)利要求6所述的方法，其中該ANN包括自組織映射(SOM)。
11.如權(quán)利要求6所述的方法，其中對該車輛的參數(shù)采樣以獲取多個數(shù)據(jù)采樣集包括以預(yù)定時間間隔對該車輛的參數(shù)進行采樣。
12.一種用于評估目標車輛隨時間的響應(yīng)的評估設(shè)備，所述設(shè)備包括采樣設(shè)備，從該車輛獲取多個數(shù)據(jù)采樣；和處理器，將該數(shù)據(jù)采樣作為多個采樣集輸入到自組織映射(SOM)中；其中所述處理器將其中一個數(shù)據(jù)采樣包含在多于一個采樣集中。
13.如權(quán)利要求12所述的評估設(shè)備，其中所述處理器基于與該其中一個數(shù)據(jù)采樣相關(guān)的采樣時間將該其中一個數(shù)據(jù)采樣包含在多于一個采樣集中。
14.如權(quán)利要求12所述的評估設(shè)備，其中其中一個采樣集包括通過所述采樣設(shè)備在多于一個采樣時間獲取的數(shù)據(jù)采樣。
15.如權(quán)利要求12所述的評估設(shè)備，其中所述處理器使用該多個采樣集訓練SOM。
16.如權(quán)利要求12所述的評估設(shè)備，其中該目標車輛包括發(fā)動機，并且所述采樣設(shè)備獲取與該發(fā)動機的工作相關(guān)的多個數(shù)據(jù)采樣。
17.一種用于評估被測試系統(tǒng)中的一個或多個隨時間變化的參數(shù)的評估設(shè)備，所述設(shè)備包括采樣設(shè)備，在多個采樣時間從該系統(tǒng)獲取描述該參數(shù)的多個數(shù)據(jù)采樣；和處理器，其將時間序列的數(shù)據(jù)采樣包含在采樣集中；和將該采樣集輸入到自組織映射(SOM)中。
18.如權(quán)利要求17所述的評估設(shè)備，其中所述處理器訓練所述SOM以評估該系統(tǒng)在一個時間的輸入相對于該系統(tǒng)在另一時間的輸出。
全文摘要
一種評估被測試車輛是否按照預(yù)期工作的方法。在多個采樣時間對該車輛的參數(shù)采樣以獲取多個數(shù)據(jù)采樣。將來自多于一個該采樣時間的數(shù)據(jù)采樣包含在采樣集中。將該采樣集輸入到人工神經(jīng)網(wǎng)絡(luò)(ANN)中。許多隨時間變化的參數(shù)，例如機動車輛系統(tǒng)中的響應(yīng)時間可以被檢測和評估。
文檔編號G06N3/06GK1800809SQ20061005137
公開日2006年7月12日 申請日期2006年1月9日 優(yōu)先權(quán)日2005年1月7日
發(fā)明者M·R·格蘭姆斯 申請人:通用汽車公司