[go: up one dir, main page]

FR3158820A1 - Procédé et dispositif de prédiction d’une prochaine défaillance d'un composant d'un véhicule - Google Patents

Procédé et dispositif de prédiction d’une prochaine défaillance d'un composant d'un véhicule

Info

Publication number
FR3158820A1
FR3158820A1 FR2400793A FR2400793A FR3158820A1 FR 3158820 A1 FR3158820 A1 FR 3158820A1 FR 2400793 A FR2400793 A FR 2400793A FR 2400793 A FR2400793 A FR 2400793A FR 3158820 A1 FR3158820 A1 FR 3158820A1
Authority
FR
France
Prior art keywords
vehicle
failure
sequence
component
classifier
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
FR2400793A
Other languages
English (en)
Inventor
Andrzej Ruta
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Stellantis Auto SAS
FCA US LLC
Original Assignee
Stellantis Auto SAS
FCA US LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Stellantis Auto SAS, FCA US LLC filed Critical Stellantis Auto SAS
Priority to FR2400793A priority Critical patent/FR3158820A1/fr
Publication of FR3158820A1 publication Critical patent/FR3158820A1/fr
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

Procédé et dispositif permettant de prédire la défaillance imminente d'un composant d'un véhicule. Le procédé comprend la réception (11) de premières données représentatives des premières caractéristiques du véhicule et la prédiction de la prochaine défaillance en entrant ces données dans un modèle de prédiction de défaillance d’un composant. Le modèle de prédiction des défaillances des composants a été appris à partir de données d'apprentissage représentatives de caractéristiques similaires d'un ensemble de véhicules, et comprend une séquence de classificateurs (12), chaque classificateur dans l'ordre de la séquence ayant respectivement une spécialisation croissante en déterminant une défaillance de telle sorte qu’un classificateur dans la séquence détermine la défaillance à un niveau de spécialisation et qu'un classificateur suivant dans la séquence détermine la même défaillance à un niveau de spécialisation accru par rapport au premier classificateur, la prochaine défaillance prédite correspondant à la défaillance déterminée par le dernier classificateur (12n) de la séquence. Figure 1

Description

Procédé et dispositif de prédiction d’une prochaine défaillance d'un composant d'un véhicule Domaine technique de l’invention
La présente application porte généralement sur une méthode de prédiction de la défaillance d'un composant d'un véhicule. La présente application concerne également un procédé et un appareil de commande d'un système embarqué d'un véhicule en fonction d'une prédiction d’une prochaine défaillance, par exemple, un véhicule autonome ou semi-autonome. La présente invention concerne également un procédé d'apprentissage d'un modèle de prédiction de défaillance d'un composant.
 Etat de la technique
La présente section a pour but d'initier le lecteur à divers aspects de l'art, qui peuvent être liés à divers aspects d'au moins un mode de réalisation exemplaire de la présente application qui est décrit et/ou revendiqué ci-dessous. Cette discussion est jugée utile pour fournir au lecteur des renseignements généraux qui faciliteront une meilleure compréhension des divers aspects de la présente demande.
De nombreux véhicules modernes sont équipés de systèmes avancés d'aide à la conduite (ADAS). Les ADAS sont des systèmes passifs et actifs conçus pour éliminer l'erreur humaine dans la conduite de tous les types de véhicules et/ou pour améliorer le confort de conduite, par exemple. Les systèmes ADAS utilisent des technologies avancées pour assister le conducteur pendant la conduite, améliorant ainsi les performances. Les systèmes ADAS utilisent une combinaison de technologies de capteurs pour percevoir l'environnement autour d'un véhicule et son comportement, puis fournir des informations au conducteur ou agir sur les systèmes du véhicule appelés systèmes embarqués actifs en configurant leurs paramètres ou en les contrôlant.
Il existe plusieurs niveaux d'ADAS, agissant notamment sur les systèmes embarqués actifs du véhicule, par exemple le régulateur de vitesse adaptatif, le contrôle de la suspension ou la direction assistée, en paramétrant des paramètres permettant de piloter certains actionneurs de chaque système embarqué actif. Certains ADAS permettent au véhicule d'être autonome, définissant un niveau d'autonomie. Le niveau d'autonomie d'un véhicule, par exemple, varie de 0 à 5 (0 pour un véhicule sans autonomie et dont la conduite est sous la surveillance totale du conducteur, et 5 pour un véhicule entièrement autonome).
Les 5 niveaux d'autonomie utilisés par la NHTSA (« National Highway Traffic Safety Administration », agence fédérale américaine des États-Unis chargée de la sécurité routière) sont les suivants :
- niveau 0 : pas d'automatisation, le conducteur ayant le contrôle total des principales fonctions du véhicule (moteur, pédale d'accélérateur, direction, freins) ;
- niveau 1 : aide à la conduite, l'automatisation est active pour certaines fonctions du véhicule, le conducteur conservant le contrôle global de la conduite du véhicule ; Le régulateur de vitesse est inclus dans ce niveau, de même que d'autres aides telles que l'ABS (système de freinage antiblocage) ou l'ESP (électro-stabilisateur programmé) ;
- niveau 2 : automatisation des fonctions combinées, où la commande d'au moins deux fonctions principales est combinée dans l'automatisation pour remplacer le conducteur dans certaines situations ; Par exemple, le régulateur de vitesse adaptatif combiné au centrage dans la voie permet de classer un véhicule au niveau 2, tout comme l'aide au stationnement automatique ;
- niveau 3 : conduite autonome limitée, où le conducteur peut confier le contrôle complet du véhicule au système automatisé, qui sera alors responsable des fonctions critiques pour la sécurité ; la conduite autonome ne peut avoir lieu que dans certaines conditions environnementales et de circulation (sur les autoroutes, par exemple) ;
- niveau 4 : conduite entièrement autonome dans certaines conditions, le véhicule étant conçu pour exécuter seul toutes les fonctions critiques pour la sécurité sur un trajet complet ; le conducteur fournit une destination ou des instructions de navigation, mais n'est pas tenu de se rendre disponible pour prendre le contrôle du véhicule ;
- niveau 5 : conduite entièrement autonome sans assistance à la conduite en toutes circonstances.
La classification de l'Organisation internationale des constructeurs de véhicules automobiles est similaire à celle énumérée ci-dessus, sauf qu'elle comprend 6 niveaux, le niveau 3 de la classification américaine étant divisé en 2 niveaux dans celui de l'Organisation internationale des constructeurs de véhicules automobiles.
Les ADAS embarqués dans un véhicule sont alimentés par des données obtenues à partir d'un ou plusieurs capteurs embarqués tels que, par exemple :
• des capteurs de position et de mouvement tels que des capteurs de vitesse, d'accélération, de gyroscope et d'inclinaison qui mesurent la position, la vitesse et l'orientation du véhicule,
• des capteurs de proximité détectant les objets à proximité pour faciliter le stationnement et l'évitement des collisions, tels que les capteurs de stationnement et les radars,
• les capteurs de vision tels que les caméras qui fournissent des informations visuelles pour les systèmes d'aide à la conduite, la reconnaissance des panneaux de signalisation, la détection des voies et des piétons,
• les capteurs environnementaux tels que les capteurs de température, d'humidité, de pression atmosphérique et de qualité de l'air, utilisés pour réguler les systèmes de climatisation et surveiller les conditions environnementales,
• les capteurs de sécurité tels que les capteurs d'airbag qui détectent les collisions et déclenchent les dispositifs de sécurité, ou les capteurs de pression des pneus,
• les capteurs du moteur et du système de propulsion, y compris les capteurs de température du moteur, de pression d'huile et de débit d'air, qui surveillent et régulent les performances du moteur,
• des capteurs de confort tels que des capteurs de lumière ambiante et de pluie pour réguler l'éclairage et les essuie-glaces automatiques, et
• des capteurs de connectivité permettant l'intégration avec des appareils externes, tels que des capteurs Bluetooth®, GPS et Wi-Fi® pour la navigation et la connectivité des smartphones.
De plus, pour améliorer la fiabilité des véhicules et la sécurité des passagers, les véhicules nécessitent régulièrement un entretien. De telles opérations suivent un calendrier publié par un fabricant, par exemple, dans lequel il recommande la fréquence à laquelle certaines pièces mécaniques doivent être remplacées. Ces intervalles sont estimés sur la base des taux d'usure moyens, par exemple, mais ne tiennent pas nécessairement compte de l'état et de l'utilisation réels d'un véhicule particulier. De ce fait, les opérations de maintenance sont effectuées plus fréquemment, parfois plus souvent que nécessaire, pour éviter tout risque, rendant l'entretien des véhicules coûteux. De plus, il peut arriver que le véhicule subisse des dommages inhabituels en raison de certaines conditions de conduite. Malheureusement, ces conditions difficiles ne peuvent être identifiées que par les utilisateurs du véhicule, et cela dépend de leur propre sensibilité. Il est donc difficile de déterminer l'état d'usure réel des composants d'un véhicule sans analyse spécifique.
La section suivante présente un résumé simplifié d'au moins un mode de réalisation exemplaire afin de fournir une compréhension de base de certains aspects de la présente demande. Ce résumé n'est pas un aperçu exhaustif d'un mode de réalisation exemplaire. Il n'est pas destiné à identifier les éléments critiques d'un mode de réalisation. Le résumé qui suit se contente de présenter certains aspects d'au moins un des modes de réalisation exemplaires sous une forme simplifiée en prélude à la description plus détaillée fournie ailleurs dans le document.
Selon un premier aspect de la présente application, l’invention concerne un procédé de prédiction d’une prochaine défaillance d'un composant d'un premier véhicule, le procédé étant mis en œuvre par un processeur et comprenant les étapes suivantes :
- réception de premières données représentatives de premières caractéristiques du premier véhicule ;
- prédiction de ladite prochaine défaillance par entrée desdites premières données dans un modèle de prédiction de défaillance d'un composant,
ledit modèle de prédiction de défaillance d'un composant étant appris dans une phase d'apprentissage à partir de données d'apprentissage représentatives de secondes caractéristiques d'un ensemble de seconds véhicules, les secondes caractéristiques étant homogènes avec les premières caractéristiques, et
ledit modèle de prédiction de défaillance d’un composant comprenant une séquence de classificateurs, chaque classificateur des classificateurs parcourus séquentiellement dans la séquence ayant respectivement une spécialisation croissante, en déterminant une défaillance potentielle de telle sorte qu’un classificateur dans la séquence détermine la défaillance potentielle à un niveau de spécialisation et qu'un classificateur suivant dans la séquence détermine la même défaillance potentielle à un niveau de spécialisation accru par rapport au premier classificateur,
la prochaine défaillance prédite correspondant à la défaillance potentielle déterminée par le dernier classificateur de la séquence.
Une telle méthode permet de prédire une défaillance d'un composant à la fois rapidement et avec précision, sur la base d'un modèle de prédiction de défaillance d'un composant appris à partir de données connues représentatives de défaillances de composants similaires observées sur une large gamme de véhicules. La prédiction d'une défaillance d'un composant permet ainsi, par exemple, de planifier une opération de maintenance préventive, de mettre en place un système de navigation pour guider un utilisateur vers un atelier, ou encore de contrôler le véhicule s'il est autonome, afin qu'il se rende dans un garage ou un atelier pour effectuer l'opération de maintenance.
Dans un mode de réalisation exemplaire, lesdites premières caractéristiques comprenant un premier ensemble historique de charges appliquées à ledit composant du premier véhicule au cours de la durée de vie dudit composant.
Dans un autre mode de réalisation, lesdites secondes caractéristiques comprennent, pour chaque deuxième véhicule dudit ensemble de seconds véhicules, un ensemble historique de données d’entretien du deuxième véhicule associées à un deuxième ensemble historique de charges appliquées sur le composant d'un second véhicule, ledit composant du second véhicule correspondant au composant dudit premier véhicule.
Dans un autre mode de réalisation, ladite phase d'apprentissage comprend les étapes suivantes :
- réception de deuxièmes données (21b) représentatives d'un taux cible global de vrais positifs, d'un taux cible global de faux positifs, et soit du nombre maximal autorisé de niveaux dans la séquence (N), soit d'au moins un taux cible de vrais positifs locaux et d'un taux local cible de faux positifs.
- déterminer (221) des données représentatives du nombre maximal autorisé de niveaux (N) dans la séquence, un taux local cible de vrais positifs et un taux local cible de faux positifs à partir de ces secondes données (21b).
Dans un autre mode de réalisation, ladite phase d'apprentissage comprend les étapes suivantes :
- l'entraînement à chaque niveau de la séquence suivante d'un nouveau classificateur jusqu'à ce que le modèle de prédiction de défaillance d'un composant comprenant des classificateurs formés jusqu'à présent jusqu'au niveau actuel du classificateur génère :
• un taux local de vrais positifs inférieur audit taux de vrais positifs locaux cible, ou
• un taux local de faux positifs supérieur audit taux de faux positifs locaux cible, ou
• conjointement un taux global de vrais positifs supérieur audit taux global cible de vrais positifs, et un taux global de faux positifs inférieur audit taux global cible de faux positifs ;
- Obtention de la décision du modèle de prédiction des défaillances des composants entraînés ou d'une sortie de diagnostic permettant de déterminer pourquoi le modèle n'a pas pu être entraîné.
Dans un autre exemple de réalisation, ledit modèle de prédiction de défaillance d'un composant met en œuvre à chaque niveau de séquence et algorithme à partir d'un ensemble d'algorithmes comprenant au moins :
- une régression logistique,
- une modélisation bayésienne,
- une analyse de survie,
- un arbre de décision et un réseau de neurones profonds.
Dans un autre exemple de réalisation, le procédé comprend en outre :
- la prédiction d'une opération de maintenance dudit premier véhicule en fonction de ladite prochaine défaillance,
- le contrôle d'un système embarqué dudit premier véhicule en fonction de ladite opération de maintenance.
Selon un deuxième aspect de la présente application, il existe un appareil de prédiction de la prochaine défaillance d'un premier composant d'un véhicule, dans lequel l'appareil comprend une mémoire associée à au moins un processeur configuré pour mettre en œuvre la méthode conformément au premier aspect de la présente application.
Selon un troisième aspect de la présente demande, il est prévu un véhicule, par exemple de type automobile, comprenant un dispositif tel que décrit ci-dessus selon le deuxième aspect de la présente invention.
Selon un quatrième aspect de la présente application, il est fourni un produit de programme d'ordinateur comprenant des instructions qui, lorsque le programme est exécuté par un ou plusieurs processeurs, amène un ou plusieurs processeurs à exécuter une méthode selon le premier aspect de la présente application.
Selon un cinquième aspect de la présente application, il est fourni un support de stockage non transitoire contenant des instructions de code de programme pour l'exécution d'une méthode selon le premier aspect de la présente application.
La nature spécifique d'au moins un des modes de réalisation exemplaires ainsi que d'autres objets, avantages, caractéristiques et utilisations d'au moins un des modes de réalisation exemplaires deviendra évidente à partir de la description suivante d'exemples pris en conjonction avec les dessins ci-joints.
Brève description des figures
Il s'agira maintenant de se référer, à titre d'exemple, aux dessins ci-joints, qui montrent des modes de réalisation exemplaires de la présente application et dans lesquels :
LaFIG. 1illustre un organigramme des différentes étapes d'un processus de prédiction de la défaillance imminente d'un composant d'un véhicule, selon un mode de réalisation particulier et non limitatif de la présente invention ;
LaFIG. 2illustre un organigramme des différentes étapes d'un processus d'apprentissage du modèle de prédiction de défaillance d'un composant utilisé pour prédire la prédiction d’une prochaine défaillance d'un composant d'un véhicule de laFIG. 1, selon un exemple particulier et non limitatif de la présente invention ; et
LaFIG. 3illustre un schéma fonctionnel d'un exemple d'appareil configuré pour prédire la défaillance imminente d'un composant d'un véhicule, conformément à au moins un mode de réalisation exemplaire.
 Description détaillée de l’invention
Au moins l'un des modes de réalisation exemplaires est décrit plus en détail ci-après en se référant aux figures ci-jointes, dans lesquelles des exemples d'au moins un des modes de réalisation exemplaires sont illustrés. Un mode de réalisation exemplaire peut toutefois être incarné sous de nombreuses formes alternatives et ne doit pas être interprété comme se limitant aux exemples énoncés dans le présent document. Par conséquent, il faut comprendre qu'il n'y a pas d'intention de limiter les modes de réalisation exemplaires aux formes particulières divulguées. Au contraire, la divulgation vise à couvrir toutes les modifications, équivalents et alternatives entrant dans l'esprit et le champ d'application de la présente application.
La présente invention divulgue des méthodes et des appareils permettant de prédire la défaillance imminente d'un composant d'un véhicule. La méthode comprend la réception de premières données représentatives des premières caractéristiques du véhicule et la prédiction de la prochaine défaillance en entrant ces données dans un modèle de prédiction de défaillance d'un composant. Le modèle de prédiction de défaillance d’un composant a été appris à partir de données d'apprentissage représentatives des caractéristiques secondaires d'un ensemble de véhicules, les secondes caractéristiques étant homogènes avec les premières caractéristiques, et comprend une séquence de classificateurs, chaque classificateur parcourus séquentiellement dans la séquence ayant respectivement une spécialisation croissante en déterminant une défaillance potentielle de telle sorte qu’un classificateur dans la séquence détermine la défaillance potentielle à un niveau de spécialisation et un autre Le classificateur dans la séquence détermine la même défaillance potentielle à un niveau de spécialisation accru par rapport au premier classificateur, la prochaine défaillance prédite correspondant à la défaillance potentielle déterminée par le dernier classificateur dans la séquence. La panne ou la défaillance prévue correspond, par exemple, à la défaillance d'un composant associée à une échéance. Par exemple, le triangle de suspension avant droit tombera en panne dans 30 jours, ou le roulement avant gauche atteindra la fin de vie dans 2000 km.
LaFIG. 1illustre un organigramme 1 des différentes étapes d'un processus de prédiction de la prochaine défaillance d'un composant d'un véhicule, selon un mode de réalisation particulier et non limitatif de la présente invention, par exemple d'un composant d'un premier véhicule.
Le premier véhicule correspond par exemple à un véhicule à moteur thermique, à moteur(s) électrique(s) ou encore à un véhicule hybride à moteur thermique et à un ou plusieurs moteurs électriques, par exemple un véhicule hybride rechargeable. Le premier véhicule correspond donc par exemple à un véhicule terrestre, par exemple une voiture, un camion, un bus, ou une moto.
Le premier véhicule peut être équipé de divers systèmes avancés d'aide à la conduite (ADAS) qui sont configurés pour aider le conducteur du premier véhicule à contrôler le premier véhicule. Le premier véhicule peut être un véhicule semi-autonome ou un véhicule autonome, par exemple, un véhicule circulant avec un niveau d'autonomie qui est par exemple supérieur ou égal à 2 dans une plage d'autonomie comprise entre 1 et 5, le niveau 1 correspondant à un véhicule avec un niveau d'autonomie minimal et le niveau 5 correspondant à un véhicule avec un niveau d'autonomie maximal, par exemple, un véhicule entièrement autonome.
Le premier véhicule est équipé d'un module de détection comprenant un premier ensemble de dispositifs de détection, dont l'objectif est de traiter un ou plusieurs signaux d'entrée horodatés, périodiques ou non, et pas nécessairement alignés à l'origine dans le domaine temporel ou fréquentiel. Le premier ensemble de dispositifs de détection comprend, par exemple, au moins un capteur parmi un :
- capteur de pression,
- capteur de force,
- capteur de contrainte avec jauge de contrainte,
- capteurs inertiels,
- capteurs d'accélération,
- capteurs de vibrations,
- capteurs de vitesse de roue,
- capteur de volant,
- un radar,
- un lidar,
- scanners laser,
- caméras,
- capteurs de bruit,
- capteur de pluie,
- un thermomètre interne,
- un thermomètre externe, et
- une station météorologique. Veuillez noter que cette liste n'est pas exhaustive.
De tels capteurs peuvent être utilisés pour déterminer à la fois les conditions environnementales dans lesquelles le premier véhicule circule et les caractéristiques intrinsèques du premier véhicule.
Le module de détection analyse périodiquement la partie récente des signaux disponibles, les prétraite selon les besoins, par exemple par échantillonnage, filtrage, imputation de valeurs manquantes ou suppression des valeurs aberrantes, et les aligne, par exemple par interpolation, afin d'obtenir des points de données multidimensionnels régulièrement espacés, appelés séries temporelles.
Selon un mode de réalisation exemplaire, le premier véhicule est équipé d'une unité de communication, correspondant par exemple à un module de communication de la TCU (de l’anglais « Telematic Control Unit » signifiant Unité de Contrôle de Télématique), de l'ATB (de l’anglais « Autonomous Telematic Box » signifiant boitier télépatique autonome) ou du RFSB (de l’anglais « Radio Frequency Service Box » signifiant boîtier de service radio fréquence). Une telle unité de communication est avantageusement connectée à une ou plusieurs antennes pour, par exemple, transmettre et/ou recevoir des données vers et/ou depuis un appareil distant, par exemple un centre de données du « cloud » (de l’anglais, signifiant nuage/distant), ou un appareil de communication mobile, tel qu'un smartphone ou une tablette, via une connexion sans fil, selon la technologie OTA (de l’anglais « Over The Air » signifiant par voie aérienne) par exemple. La communication sans fil entre le premier véhicule et l'appareil distant s'établit par exemple via une infrastructure réseau comprenant par exemple une ou plusieurs antennes relais ou stations de base, ou selon un mode de communication directe (par exemple lorsque l'appareil de communication mobile se trouve à une distance du premier véhicule 10 permettant un tel mode de communication, par exemple à une distance inférieure à 10, 20 ou 50 m). La connexion sans fil est basée par exemple sur un ou plusieurs protocoles de communication sans fil tels que Bluetooth®, Wi-Fi® (basé sur IEEE 802.11), LTE (de l’anglais « Long-Term Evolution », nom d’une norme de téléphonie mobile), LTE-Advanced (nom d’une norme de téléphonie mobile), 3GPP (de l’anglais « 3rd Generation Partnership Project », nom d’une norme de téléphonie mobile) de quatrième ou cinquième génération, appelé 3GPP 4G ou 5G, la communication par satellite comme Starlink®.
Selon un mode de réalisation exemplaire, le premier véhicule 10 est équipé d'un deuxième ensemble de dispositifs de détection comprenant, par exemple, un thermomètre, un capteur de pression, un capteur de force ou un capteur de contrainte avec jauge de contrainte. Le second ensemble de capteurs permet de connaître les paramètres intrinsèques du véhicule ou de capter les réactions physiques du véhicule ou de ses composants dans son environnement. Veuillez noter qu'un capteur du premier ensemble de dispositifs de détection peut également être inclus dans le deuxième ensemble de dispositifs de détection, car les données enregistrées peuvent être utilisées pour connaître à la fois les paramètres intrinsèques et les conditions environnementales.
Selon un mode de réalisation exemplaire, le premier véhicule 10 est équipé d'un système de navigation et de géolocalisation, aussi appelé système GNSS (de l’anglais « Geolocation and Navigation by a Satellite System »), par exemple un système de positionnement par satellite de type GPS. Un signal de géolocalisation est disponible pour fournir des informations sur la position physique momentanée du véhicule.
Les systèmes embarqués, tels que l'unité de communication, l'ADAS et le module de détection routière, sont chacun contrôlés par une ou plusieurs calculatrices, par exemple des calculateurs (unité de contrôle électronique). Ces calculateurs forment, par exemple, une architecture multiplexée pour la réalisation de divers services utiles au bon fonctionnement du premier véhicule 10 et pour assister le conducteur et/ou les passagers du véhicule dans le contrôle du premier véhicule 10 via le contrôle des systèmes embarqués du premier véhicule 10. Les calculateurs communiquent et échangent des données entre eux via un ou plusieurs bus informatiques, par exemple un bus de communication connu sous le nom comme CAN, CAN FD, FlexRay (selon la norme ISO 17458), LIN ou Ethernet (selon la norme ISO/IEC 802-3). Une méthode de prédiction de la prochaine défaillance d'un composant d'un premier véhicule est, par exemple, mise en œuvre par un processeur d'ADAS du premier véhicule.
Dans un premier temps, les premières données 11 sont reçues. Les premières données sont représentatives des premières caractéristiques du premier véhicule. Les premières données sont représentatives des premières caractéristiques du premier véhicule. Il est obtenu à partir des séries temporelles produites par le module de détection du premier véhicule. Par exemple, il peut être obtenu à partir de cette série chronologique sous forme brute ou par agrégation temporelle ou par toute autre transformation appropriée.
Dans un mode de réalisation exemplaire, les premières caractéristiques comprennent un premier ensemble historique de charges appliquées au composant du premier véhicule pendant la durée de vie du composant. Cet ensemble historique de charges est, par exemple, acquis par le module de détection décrit ci-dessus. Les premières caractéristiques peuvent inclure des métadonnées statiques supplémentaires de la voiture, qui ne proviennent pas nécessairement de la lecture des capteurs, telles que l'âge du véhicule, la marque et le modèle, le type de moteur, le poids, etc.
Dans un deuxième temps, la prochaine défaillance est prédite en entrant les premières données dans un modèle de prédiction de défaillance de composant. Le modèle de prédiction de défaillance d’un composant comprend une séquence de classificateurs 12, chaque classificateur 121, 122, 12n des classificateurs parcourus séquentiellement dans la séquence ayant respectivement une spécialisation croissante en déterminant une défaillance potentielle de telle sorte qu'un classificateur dans la séquence détermine la défaillance potentielle à un niveau de spécialisation et qu'un classificateur suivant dans la séquence détermine la même défaillance potentielle à un niveau de spécialisation accru par rapport au premier classificateur. La prochaine défaillance prévue correspond à la défaillance potentielle 14 déterminée par le dernier classificateur 12n de la séquence 12.
L'ensemble de la séquence et chaque classificateur individuel de chaque niveau peuvent produire une décision positive qui indique une défaillance imminente, ou précisément une défaillance qui devrait se produire à un moment ou à un horizon de kilométrage prédéfini après que cette décision a été prise. Cet horizon doit être prédéfini avant l'entraînement d'un modèle, car il affecte la composition des données d'entraînement.
Sur l'organigramme 1, trois classificateurs de la séquence de classificateurs 12 sont représentés, la séquence de classificateurs 12 comprenant N classificateurs, chacun correspondant à un niveau de séquence. Cependant, le nombre N de classificateurs n'est pas limité à 3. Le nombre de classificateurs peut être supérieur ou égal à 2, par exemple 2, 5, 10 ou 100.
Un premier classificateur 121 reçoit les premières données 11 qui sont utilisées pour effectuer un calcul grâce à un premier algorithme et un résultat de ce calcul est ensuite transmis à la fonction de décision du premier classificateur, dont la réponse positive est représentative de la défaillance d'un premier composant du véhicule. Si la réponse du premier classificateur est positive, alors les premières données 11 sont transmises à un second classificateur 122. Comme pour le premier classificateur 121, ce second classificateur 122 reçoit les premières données 11 qui sont utilisées pour effectuer des calculs grâce à un second algorithme et un résultat de ce calcul est ensuite transmis à la fonction de décision du second classificateur, dont la réponse positive est représentative de la défaillance d'un premier composant du véhicule. Si la réponse du deuxième classificateur est positive, les 11 premières données sont transmises à un classificateur suivant. Ces opérations sont répétées jusqu'au dernier classificateur 12n, le N-ième classificateur, qui reçoit les premières données 11 qui sont utilisées pour effectuer un calcul grâce à un N-ième algorithme et un résultat de ce calcul est ensuite transmis à la fonction de décision du N-ième classificateur, dont la réponse positive est également représentative de la défaillance d'un premier composant du véhicule. Si la réponse du N-ième classificateur est positive, alors la décision positive du dernier classificateur 12n de la séquence 12 devient la réponse positive ultime de l'ensemble de la séquence.
Inversement, si à un certain niveau de la séquence la réponse de la fonction de décision du classificateur est négative, c'est-à-dire non représentative de la défaillance d'un premier composant d'un véhicule, alors une absence de défaillance 13 est déterminée et le traitement ne se propage plus. Dans ce cas, le processus se termine et aucune défaillance potentielle n'est détectée. De cette façon, un premier véhicule présentant presque certainement des symptômes de prochaine défaillance sera rejeté au début de la séquence. Plus un cas spécifique est ambigu, plus il passera par des niveaux en séquence avant de se voir attribuer une décision de modèle ultime.
Selon un mode de réalisation exemplaire, le modèle de prédiction de défaillance d’un composant implémente à chaque niveau de séquence un algorithme à partir d'un ensemble d'algorithmes comprenant au moins :
- la régression logistique,
- la modélisation bayésienne,
- l'analyse de survie,
- l'arbre de décision et
- le réseau de neurones profonds.
Dans un autre mode de réalisation exemplaire, la méthode comprend en outre une prédiction de l'opération de maintenance, l'opération de maintenance étant celle du premier véhicule en fonction de la prochaine défaillance. Par exemple, l'opération de maintenance est jugée nécessaire avant l'immobilisation du premier véhicule et doit donc être effectuée dans un délai donné, le délai étant déterminé, par exemple, par une distance estimée en kilomètres ou un temps estimé en jours. Pour réaliser cette opération de maintenance, un système embarqué dudit premier véhicule est ensuite piloté en fonction de l'opération de maintenance. Le système embarqué est, par exemple, un système de navigation, dans lequel l'adresse d'un garage ou d'un atelier est automatiquement saisie comme destination afin de guider le conducteur du premier véhicule, ou selon un autre exemple, le premier véhicule est autonome et se rend automatiquement à cette destination pour effectuer l'opération de maintenance ou pour vérifier la nécessité de cette opération de maintenance.
Pour de nombreux types de défauts de composants de véhicules à un moment donné, seule une très petite fraction de l'ensemble de la population sur le terrain nécessitera généralement un entretien. C'est soit parce que les défauts sont rares, comme la contamination des cellules de batterie au stade de la fabrication, soit parce que le niveau d'usure des composants considérés comme dangereux n'a pas encore été atteint, comme pour les pneus ou les plaquettes de frein. Par conséquent, lors de l'évaluation d'une population typique de véhicules à l'aide du modèle de prédiction des défaillances des composants ci-dessus, la plupart seront rejetés comme étant peu susceptibles de tomber en panne avec seulement peu de calculs effectués aux premiers niveaux de la séquence. Une charge de calcul plus importante n'est nécessaire que pour une fraction des véhicules surveillés.
Dans des scénarios réels, la surveillance prédictive des véhicules est un processus récurrent. Si, par exemple, une flotte de véhicules donnée doit être surveillée à une certaine cadence, il peut arriver qu'en raison du bruit des données et des mesures du véhicule, le modèle ne produise pas toujours des décisions cohérentes.
Dans un mode de réalisation exemplaire, le composant d'un premier véhicule peut être étiqueté comme susceptible de tomber en panne pendant plusieurs sessions de notation consécutives, par exemple trois sessions, puis étiqueté comme peu susceptible d'échouer au quatrième pointage, et à nouveau étiqueté comme susceptible d'échouer au cinquième score. Dans de tels cas, l'intégration temporelle des résultats de notation est proposée.
Différents modes de réalisation de l'invention peuvent utiliser des techniques de désambiguïsation de la décision du modèle par véhicule, telles que la simple moyenne des probabilités de défaillance de la sortie, la moyenne pondérée de manière exponentielle pour mieux tenir compte des sorties les plus récentes, ou le vote majoritaire parmi les décisions en séquence « dures » (étiquettes de classe). En outre, une règle de désambiguïsation de décision plus libérale peut être appliquée, par exemple en décidant que le composant échouera si son échec a été prédit dans au moins un des nombres prédéfinis de sessions de notation.
Il est à noter que la phase d'apprentissage de la méthode de prédiction de prochaine défaillance d'un composant d'un premier véhicule peut être mise en œuvre sur une première machine, par exemple avec de grandes capacités de stockage, de calcul et d'accès aux données d'apprentissage, comme un serveur. Une fois que le modèle de prédiction de défaillance d’un composant a été entraîné, il peut ensuite être mis en œuvre sur une deuxième machine, comme un appareil mobile, ou directement installé dans le système embarqué du premier véhicule.
Si le modèle de prédiction de défaillance d'un composant est stocké sur un appareil éloigné du premier véhicule, le premier véhicule transmet les premières données à cet appareil distant, par exemple via une liaison de communication sans fil, l'appareil distant mettant en œuvre la méthode de prédiction de la prochaine défaillance d'un composant d'un premier véhicule.
Une telle méthode permet d'identifier facilement le premier véhicule nécessitant un entretien en se basant, par exemple, sur les conditions de conduite qu'il a connues. L'entretien préventif est alors effectué en fonction des besoins du premier véhicule, et pas seulement selon un calendrier d'entretien. De cette façon, les opérations de maintenance sont plus appropriées, et un utilisateur du premier véhicule utilise alors le premier véhicule dans de meilleures conditions, le premier véhicule étant plus sûr et plus confortable.
LaFIG. 2illustre un organigramme 2 des différentes étapes d'un processus d'apprentissage du modèle de prédiction de défaillance d'un composant utilisé pour prédire la prochaine défaillance d'un composant d'un véhicule, par exemple du composant du premier véhicule, selon un exemple particulier et non limitatif de la présente invention.
Le modèle de prédiction de défaillance d’un composant est appris dans une phase d'apprentissage à partir des données d'apprentissage 21a représentatives des caractéristiques secondes d'un ensemble de véhicules secondaires, les secondes caractéristiques étant homogènes avec les premières caractéristiques.
À titre d'exemple, les données d'apprentissage 21a comprennent des données au moins homogènes ou similaires avec les premières données, représentatives des charges historiques appliquées sur le composant d'un second véhicule, le composant du second véhicule correspondant au composant du premier véhicule. Les charges historiques peuvent correspondre, par exemple, à une certaine mesure de contrainte appliquée sur les composants du véhicule. Pour chaque deuxième véhicule, ces charges historiques sont associées à un ensemble historique de données d’entretien du deuxième véhicule, de sorte que les deuxièmes caractéristiques comprennent, pour chaque deuxième véhicule de l'ensemble des seconds véhicules, un ensemble historique de données d’entretien du deuxième véhicule associé à un deuxième ensemble historique de charges appliquées sur le composant d'un deuxième véhicule, le composant du deuxième véhicule correspondant au composant du premier véhicule.
La performance du modèle de prédiction des défaillances des composants est estimée à l'aide d'indicateurs ou de mesures de performance qui caractérisent les objectifs naturellement concurrents du modèle de prédiction des défaillances des composants, c'est-à-dire sa capacité à capturer avec succès la véritable défaillance du deuxième composant du véhicule et à rejeter le composant du deuxième véhicule sans défaillance. Des exemples de ces paires de mesures concurrentes sont le taux de vrais positifs (également connu sous le nom de rappel) et le taux de faux positifs, ou la précision et le rappel.
Dans un premier mode de réalisation exemplaire, la phase d'apprentissage comprend une étape de réception de la deuxième donnée 21b représentative d'un taux cible global de vrais positifs A, d'un taux cible global de faux positifs B et d'un nombre N de classificateurs dans la séquence. Le taux cible de vrais positifs A et le taux cible de faux positifs B expriment la performance prédictive ciblée de la séquence. Par exemple, la valeur cible du taux de vrais positifs A est comprise entre 80 et 90 %. Dans un autre contexte plus complexe, comme dans l'industrie automobile, un tel taux de vrai positif A est souvent hors de portée. Cependant, dans certains contextes, par exemple pour identifier les véhicules qui doivent être rappelés au garage pour remplacer une pièce non critique, un taux cible de vrais positifs A inférieur à 50 % pourrait s'avérer suffisant. D'autre part, le taux cible de faux positifs B doit être choisi en tenant compte des conséquences pratiques possibles de fausses prédictions, telles que le coût excessif du remorquage du véhicule ou des réparations non fondées, ou l'expérience négative possible de propriétaires de voitures avertis de problèmes inexistants. Les valeurs cibles raisonnables du taux de faux positifs B semblent être limitées au niveau de 10 %.
Dans ce premier mode de réalisation exemplaire, la phase d'apprentissage comprend une étape consistant à déterminer 221 données représentatives d'un taux de vrais positifs local cible α et d'un taux de faux positifs local cible β de l'objectif global de taux de vrais positifs, de l'objectif global de taux de faux positifs et du nombre N de classificateurs dans la séquence.
Dans un deuxième mode de réalisation exemplaire, la phase d'apprentissage comprend une étape de réception des deuxièmes données 21b représentatives d'un taux cible global de vrais positifs A, d'un taux global cible de faux positifs B et d'au moins une des α locales cibles d'un taux de vrais positifs et d'un taux de faux positifs local cible β. Dans ce deuxième mode de réalisation, la phase d'apprentissage comprend une étape consistant à déterminer 221 données représentatives d'un taux de vrais positifs local cible α et d'un taux de faux positifs local cible β s'ils n'ont pas été reçus auparavant et le nombre N de classificateurs dans la séquence à partir des données secondaires 21b.
La phase d'apprentissage comprend en outre les étapes d'entraînement à chaque niveau de la séquence suivante d'un nouveau classificateur jusqu'à ce que le modèle de prédiction de défaillance du composant, y compris les classificateurs formés jusqu'à présent jusqu'au classificateur de niveau actuel, génère :
• un taux local de vrais positifs inférieur à ledit taux de vrais positifs locaux cible, ou
• un taux local de faux positifs supérieur audit taux de faux positifs locaux cible, ou
• conjointement un taux global de vrais positifs supérieur audit taux global cible de vrais positifs, et un taux global de faux positifs inférieur audit taux global cible de faux positifs ;
et une étape consistant à produire la décision du modèle de prédiction de défaillance d’un composant entraînés ou une sortie de diagnostic permettant de déterminer pourquoi le modèle n'a pas pu être entraîné.
Dans un troisième mode de réalisation exemplaire, la phase d'apprentissage comprend une étape de réception de la deuxième donnée 21b représentative d'un taux cible global de vrais positifs A, d'un taux cible global de faux positifs B, d'un troisième paramètre spécifiant la complexité maximale du modèle en séquence. Par défaut, il peut être exprimé avec le nombre maximal autorisé de niveaux en séquence (premier mode de réalisation exemplaire), mais d'autres options incluent l'amélioration minimale de la précision de la prédiction sur un ensemble maintenu entre le niveau actuel et le niveau précédent, le temps total maximal d'entraînement du modèle ou, étant donné que chaque niveau de séquence suivant reçoit un nombre décroissant d'instances d'entraînement, le nombre minimum de seconds véhicules fournissant des données d'entrée pour ce niveau. Si l'exigence de complexité du modèle est fournie, l'algorithme obtient une garantie naturelle pour se terminer en temps fini. Sinon, pour être utile dans la pratique, l'algorithme doit recourir à des conditions d'arrêt internes pour s'assurer qu'il se termine à un moment donné. Un exemple de condition d’arrêt nécessitant un tel critère d'arrêt interne est une situation où l'ensemble de véhicules secondaires classés comme sujets aux défaillances au niveau de séquence actuel et transférés à l'entrée du niveau de séquence suivante dégénère par rapport à l'espace de caractéristiques utilisé par le classificateur local. Dans ce cas, toutes les instances d'apprentissage ont exactement les mêmes caractéristiques, ce qui rend impossible l'ajout d'un pouvoir discriminatif supplémentaire au modèle, quel que soit l'algorithme d'apprentissage. En conclusion, et pour simplifier d'autres considérations, on peut supposer que la limite de complexité est toujours définie, soit explicitement par le gestionnaire du système, soit implicitement, auquel cas elle peut ne pas être connue a priori.
À chaque niveau de séquence, le modèle actuel est entraîné à l'aide des observations historiques disponibles. LaFIG. 2illustre un modèle en séquence avec N classificateurs, donc. Le premier niveau est formé dans le cadre d'une première opération d'entraînement 231. Après la première opération d'entraînement, les performances globales du modèle de prédiction de défaillance d’un composant sont comparées aux exigences globales, de sorte que, par exemple, le taux global de vrais positifs après le premier classificateur TPR1est comparé à A et le taux global de faux positifs après le premier classificateur FPR1est comparé à B. Si le résultat de cette première comparaison 241 indique que le modèle est suffisamment discriminant, par exemple lorsque TPR1>A et FPR1<B, alors l'entraînement du modèle de prédiction de défaillance d’un composant est terminé dans une opération complète 28. Inversement, si les conditions globales ne sont pas vérifiées, les conditions locales sont analysées. Les indicateurs locaux sont comparés aux cibles locales, par exemple le taux de vrais positifs tpr1généré par le premier classificateur est comparé à α et le taux de faux positifs fpr1généré par le premier classificateur est comparé à β. Si le résultat de cette deuxième comparaison 251 indique que le premier classificateur est suffisamment discriminant, par exemple lorsque tpr1>α et fpr1<β, alors l'entraînement du premier classificateur se termine, et le second classificateur est entraîné dans une deuxième opération d'apprentissage 232. Si les exigences locales ne peuvent pas être satisfaites, les premiers cas indiscriminés sont extraits dans une opération d'extraction 261 et les données d'apprentissage 21a et les deuxièmes données 21b sont analysées dans une première opération d'analyse 271. Si les données d'apprentissage 21a peuvent être affinées et/ou les exigences de la deuxième donnée 21b ajustées pour atteindre les performances cibles dans une opération d'ajustement 222, la phase d'apprentissage redémarre avec des données d'apprentissage affinées et/ou avec des exigences ajustées. Si les données d'apprentissage 21a ne peuvent pas être affinées et que les exigences de la deuxième donnée 21b ne peuvent pas être ajustées pour atteindre les performances cibles, le modèle de prédiction de défaillance d’un composant ne peut pas être entraîné et les causes profondes doivent être analysées, dans le cadre d'une opération d'investigation 29, en accordant une attention particulière aux premiers cas indiscriminés extraits lors de l'opération d'extraction 261.
De la même manière, le second classificateur est entraîné lors d'une seconde phase d'apprentissage 232. Après la deuxième opération d'entraînement, les performances globales du modèle de prédiction des défaillances des composants sont comparées aux exigences globales, de sorte que, par exemple, le taux global de vrais positifs après le deuxième classificateur TPR2est comparé à A et le taux global de faux positifs après le deuxième classificateur FPR2est comparé à B. Si le résultat de cette troisième comparaison 242 indique que le modèle est suffisamment discriminant, par exemple lorsque TPR2>A et FPR2<B, alors l'entraînement du modèle de prédiction de défaillance d’un composant est terminé dans une opération complète 28. Inversement, si les conditions globales ne sont pas vérifiées, les conditions locales sont analysées. Les indicateurs locaux sont comparés aux cibles locales, par exemple le taux de vrais positifs tpr2généré par le deuxième classificateur est comparé à α et le taux de faux positifs fpr2généré par le second classificateur est comparé à β. Si le résultat de cette quatrième comparaison 252 indique que le deuxième classificateur est suffisamment discriminant, par exemple lorsque tpr2>α et fpr2<β, alors l'entraînement du deuxième classificateur est terminé, et le classificateur suivant est entraîné dans une autre opération d'entraînement. Si les exigences locales ne peuvent pas être satisfaites, les deuxièmes cas indiscriminés sont extraits dans une opération d'extraction 262 et les données d'apprentissage 21a et les deuxièmes données 21b sont analysées dans une deuxième opération d'analyse 272. Si les données d'apprentissage 21a peuvent être affinées et/ou les exigences de la deuxième donnée 21b ajustées pour atteindre les performances cibles dans l'opération d'ajustement 222, la phase d'apprentissage redémarre avec des données d'apprentissage affinées et/ou avec des exigences ajustées. Si les données d'apprentissage 21a ne peuvent pas être affinées et que les exigences de la deuxième donnée 21b ne peuvent pas être ajustées pour atteindre les performances cibles, le modèle de prédiction de défaillance d’un composant ne peut pas être entraîné et les causes profondes doivent être analysées, dans le cadre d'une opération d'investigation 29, en accordant une attention particulière aux cas indiscriminés de la seconde extraction extraites dans l'opération d'extraction 262.
Ces opérations sont ensuite répétées pour chaque classificateur i dans la séquence de classificateurs. Le i-ème classificateur est entraîné au cours d'une i-ème phase d'apprentissage. Après i-ème opération d'entraînement, les performances globales du modèle de prédiction de défaillance du composant sont comparées aux exigences globales, de sorte que, par exemple, le taux global de vrais positifs après i-ème classificateur TPRiest comparé à A et le taux global de faux positifs après i-ème classificateur FPRiest comparé à B. Si le résultat de cette cinquième comparaison 24i indique que le modèle est suffisamment discriminant, par exemple lorsque TPRi>A et FPRi<B, alors l'entraînement du modèle de prédiction de défaillance d’un composant est terminé dans une opération complète 28. Inversement, si les conditions globales ne sont pas vérifiées, les conditions locales sont analysées. Les indicateurs locaux sont comparés aux cibles locales, par exemple le taux de vrais positifs tprigénéré par le i-ème classificateur est comparé à α et le taux de faux positifs fprigénéré par le i-ème classificateur est comparé à β. Si le résultat de cette sixième comparaison indique que le i-ième classificateur est suffisamment discriminant, par exemple lorsque tpri>α et fpri<β, alors l'entraînement du i-ième classifiant est terminé, et le classificateur i+1 suivant est entraîné dans une autre opération d'apprentissage. Si les exigences locales ne peuvent pas être satisfaites, les i-ièmes cas indiscriminés sont extraits dans une opération d'extraction et les données d'apprentissage 21a et les deuxièmes données 21b sont analysées dans une i-ème opération d'analyse. Si les données d'apprentissage 21a peuvent être affinées et/ou les exigences de la deuxième donnée 21b ajustées pour atteindre les performances cibles dans l'opération d'ajustement 222, la phase d'apprentissage redémarre avec des données d'apprentissage affinées et/ou avec des exigences ajustées. Si les données d'apprentissage 21a ne peuvent pas être affinées et que les exigences de la deuxième donnée 21b ne peuvent pas être ajustées pour atteindre les performances cibles, le modèle de prédiction de défaillance d’un composant ne peut pas être entraîné et les causes profondes doivent être analysées, dans le cadre d'une opération d'investigation, en accordant une attention particulière aux i-ièmes cas non discriminatifs extraits lors de l'opération d'extraction.
Le dernier classificateur de la séquence, le N-ième classificateur, est entraîné au cours d'une N-ième phase d'apprentissage 23n. Après N-ième opération d'apprentissage, les performances globales du modèle de prédiction de défaillance du composant sont comparées aux exigences globales, de sorte que, par exemple, le taux global de vrais positifs après N-ième classificateur TPRNest comparé à A et le taux global de faux positifs après N-ième classificateur FPRNest comparé à B. Si le résultat de cette septième comparaison 24n indique que le modèle est suffisamment discriminant, par exemple lorsque TPRN>A et FPRN<B, alors l'entraînement du modèle de prédiction de défaillance d’un composant est terminé dans une opération complète 28. Inversement, si les conditions globales ne sont pas vérifiées, alors les N-ièmes cas non discriminants sont extraits dans une opération d'extraction et les données d'apprentissage 21a et les deuxièmes données 21b sont analysées dans une N-ième opération d'analyse. Si les données d'apprentissage 21a peuvent être affinées et/ou les exigences de la deuxième donnée 21b ajustées pour atteindre les performances cibles dans l'opération d'ajustement 222, la phase d'apprentissage redémarre avec des données d'apprentissage affinées et/ou avec des exigences ajustées. Si les données d'apprentissage 21a ne peuvent pas être affinées et que les exigences de la deuxième donnée 21b ne peuvent pas être ajustées pour atteindre les performances cibles, alors le modèle de prédiction de défaillance d’un composant ne peut pas être entraîné et les causes profondes doivent être analysées, dans une opération d'investigation, en accordant une attention particulière aux N-ièmes cas indiscriminés extraits dans l'opération d'extraction.
Il est recommandé de garder les apprenants faibles aussi simples que nécessaire pour répondre aux critères spécifiques au niveau, favorisant ainsi globalement les modèles les moins chers et les plus rapides. En fait, il est encore essentiel que le modèle entraîné exploite raisonnablement les connaissances historiques disponibles sur un deuxième véhicule et son utilisation, et qu'il permette un réglage flexible du point de fonctionnement du classificateur afin d'ajuster ses performances aux critères prédéfinis. Ces derniers, α et β, expriment le taux minimum de vrais positifs et le taux maximal de faux positifs spécifiques au niveau en conséquence, ou leurs équivalents, comme indiqué ci-dessus. Étant donné que dans la structure du classificateur en séquence, les équations ci-dessous sont valables tant que N est connu avant le début de l'apprentissage en séquence :
,
,
αet peuvent être automatiquement déduits comme suit :
,
,
Avec :
• TPRNle taux global de vrais positifs (après le N-ième classificateur),
• FPRNle taux global de faux positifs (après le N-ième classificateur),
• tprile taux local de vrais positifs pour le i-ième classificateur,
• fprile taux local de faux positifs pour le i-ième classificateur,
•Nle nombre de classificateurs dans la séquence,
• A le taux cible global de vrais positifs,
• B le taux global cible de faux positifs,
• α le taux local cible de vrais positifs, et
• β le taux local cible de faux positifs.
Si N n'est pas connu, alors le meilleur niveau tpriactuellement obtenu (pas pire que le A globalement attendu) et le niveau fpridérivé peuvent être acceptés inconditionnellement et le processus d'entraînement peut se poursuivre, efficacement avec des contrôles de performance locaux contournés mais des contrôles globaux toujours actifs. Alternativement, en tenant compte des utilisateurs plus avancés, un mode de réalisation distinct de l'invention admet de fournir explicitement à l'entrée les seuils A, B, ainsi qu'au moins un des seuils spécifiques au niveau α, β. Ensuite, en résolvant N avec l'une des équations ci-dessus, on peut déterminer le nombre de classificateurs dans la séquence et, le cas échéant, l'autre seuil spécifique au niveau.
L'élément le plus important de la procédure d'apprentissage en séquence réside dans le fait que les instances d'apprentissage au niveau i qui sont classées comme négatives par le modèle conjoint intégrant tous les niveaux en séquence jusqu'à i sont rejetées de manière irréversible. Cela suit un principe conservateur selon lequel un niveau donné ne devrait éliminer que les cas les plus manifestement négatifs, laissant la discrimination des cas les plus ambigus restants à des niveaux ultérieurs plus spécialisés de la séquence. L'entraînement du i+1-ème niveau en séquence, s'il est autorisé, ne se poursuit donc qu'avec les instances jugées positives au i-ème niveau. Dans la pratique, cependant, étant donné que l'exigence globale de taux de vrais positifs est généralement élevée, les taux spécifiques à un niveau sont encore plus élevés, ce qui doit inévitablement se faire au prix de taux de faux positifs également élevés, ce qui retarde la décision potentiellement positive de l'ensemble de la séquence. Il faut donc s'attendre à ce que, lors de la croissance du modèle de prédiction des défaillances de composants en séquence, il soit parfaitement légitime de s'attendre à une transition de la plupart des instances d'apprentissage d'un niveau donné au niveau suivant qui englobe les conceptions de classificateurs profonds.
Il convient de noter que, malgré le fait que chaque classificateur spécifique à un niveau puisse être relativement faible en termes de taux de faux positifs admissibles, sa complexité, par exemple le nombre de paramètres utilisés ou de dimensions de données exploitées, devrait augmenter avec le nombre de niveaux. Cela est dû au fait que plus la séquence est profonde dans la séquence, plus il est difficile de discriminer un mélange d'instances positives et négatives rencontrées à l'entrée. De plus, étant donné que les seuils de rappel spécifiques à chaque niveau sont très élevés, c'est-à-dire 99 %, la plupart des cas positifs survivront généralement jusqu'au dernier niveau en séquence, tandis que de nombreux cas négatifs ne le feront pas. Cela signifie qu'aux niveaux suivants de la séquence, le problème de classification auquel le modèle de prédiction de défaillance d’un composant doit être adapté devient de plus en plus équilibré. Il peut alors être judicieux d'utiliser différentes stratégies d'apprentissage à différents niveaux de séquence, par exemple, à chaque niveau suivant, réinitialiser les pondérations de classe / instance pour refléter correctement l'équilibrage progressif des proportions de classe dans la fonction de coût du classificateur, ou même envisager des algorithmes d'apprentissage complètement différents.
Par exemple, pour une durée de vie liée aux contraintes mécaniques subies par un élément de suspension, un premier niveau comprendrait un calcul mathématique simple des contraintes, tandis qu'un niveau suivant comprendrait un calcul par éléments finis grossiers d'enrobage, et enfin un dernier niveau comprendrait un calcul par éléments finis, de sorte que le maillage serait très fin.
Dans un mode de réalisation exemplaire, une interface est proposée pour aider les constructeurs de modèles d'entretien préventif de véhicules à gérer avec succès la construction de modèles pour répondre aux critères de performance souhaités par le client. Le système utilise en interne la procédure d'entraînement du classificateur en séquence décrite ci-dessus et peut être mis en œuvre en tant que module logiciel s'exécutant sur n'importe quelle ressource de calcul adéquate, à partir d'un appareil mobile ou d'un seul ordinateur personnel (PC) standard, vers des batteries de serveurs ou un environnement cloud. En pratique, la seule partie du système de l'interface de l'utilisateur final n'est pas exigeante en termes de calcul, car elle se contente d'interpréter les entrées du client et de fournir des sorties simples. En tant que tel, il peut être déchargé sur un appareil léger et y être exécuté en tant qu'application. Cependant, cette application doit également déclencher les algorithmes d'entraînement et d'évaluation en séquence sous-jacents. Pour des raisons d'efficacité de calcul et en suivant le principe de colocalisation des ressources de stockage et de calcul, ces dernières doivent être géographiquement proches de l'endroit où les données résident à l'origine ou peuvent être transférées sur le réseau.
Plus précisément, un constructeur de modèles reçoit des exigences de performance d'entrée à satisfaire, ce qui peut être compris comme une sorte de contrat à remplir, et déclenche le processus. Les exigences peuvent généralement être exprimées de manière non rigoureuse, par exemple en utilisant le langage naturel, de sorte qu'à la première étape, elles sont analysées et converties en paramètres en séquence décrits ci-dessus. Ensuite, le processus de formation commence. Une fois que le premier niveau de séquence est formé, des vérifications globales par rapport aux seuils A et B sont effectuées. Si les performances cibles sont atteintes à ce stade, le contrat est considéré comme rempli et le modèle prêt à être livré au client qui l'a demandé. Dans le cas contraire, si les conditions locales impliquant des seuils α et β sont remplies, cela signifie que le processus d'apprentissage est sur la bonne voie pour atteindre les performances prédictives cibles et que le niveau de séquence suivant peut être entraîné. À ce stade, l'opérateur du système peut voir l'indicateur de progression de la formation s'afficher de manière significative. Le même processus se poursuit sur les niveaux de séquence suivants, selon les besoins.
Si les seuils locaux et globaux ne sont pas atteints à un certain niveau i de la séquence, cela signifie que l'entraînement ne peut pas se poursuivre et que le modèle ne peut pas être construit compte tenu des données d'entraînement et des critères de performance actuels. Pour faciliter le diagnostic des raisons pour lesquelles le modèle n'a pas pu être construit, les vecteurs de données associés aux instances d'apprentissage qui ont réussi à « survivre » jusqu'au niveau actuel sont extraits, correspondant aux i-ièmes cas indiscriminés extraits dans l'opération d'extraction. Pour rappel, étant donné les principes d'accumulation en séquence décrits précédemment, dans les niveaux suivants, de tels cas incluront principalement presque tous les vrais positifs, et initialement un nombre important mais progressivement décroissant de faux positifs, constituant ainsi un mélange de plus en plus difficile à distinguer des instances d'apprentissage. Il est ensuite demandé à l'opérateur de processus s'il doit tenter de modifier les critères cibles ou d'affiner le jeu de données. Si ce n'est pas le cas, le processus s'arrête avec les cas d'entraînement « difficiles » qui viennent d'être extraits et qui servent de sortie auxiliaire pour aider à comprendre pourquoi l'objectif d'entraînement n'a pas pu être atteint.
Les critères de performance ou l'affinement de l'ensemble de données sont des possibilités supplémentaires à prendre en compte dans des modes de réalisation distincts de l'invention. Dans le premier cas, compte tenu de l'écart entre la performance cible et la performance combinée atteinte par la séquence jusqu'au k-ième niveau où l'entraînement s'est arrêté, l'algorithme peut, avec l'accord de l'utilisateur du système, abaisser le seuil global A et/ou augmenter le seuil global B tout en maintenant inchangé le nombre de niveaux en séquence N, recalculer les seuils locaux α et β en conséquence, puis redémarrez le processus de création en séquence avec ces nouveaux paramètres. Alternativement, A et B peuvent rester inchangés, mais N a augmenté et, α et β modifiés en conséquence pour permettre une discrimination moins stricte entre les cas positifs et négatifs à chaque niveau de séquence une fois l'entraînement redémarré.
L'affinement du jeu de données d'entrée est un type d'intervention supplémentaire dans la configuration d'entraînement d'origine qui peut être envisagé pour récupérer de l'arrêt prématuré potentiel du processus d'apprentissage en séquence. Il peut être utilisé avec ou sans la modification des paramètres de séquence susmentionnée. Il existe une gamme de techniques pour lutter contre les performances discriminatives insuffisantes des modèles d'apprentissage automatique. Les méthodes potentielles à appliquer ici comprennent une simple augmentation de la taille de la population d'entraînement, qui est souvent utile seule, différentes variantes de l'échantillonnage ascendant des classes minoritaires, telles que SMOTE (Chawla, Bowyer, Hall et Kegelmeyer, 2002), ou limite-SMOTE (Han, Wang et Mao, 2005) où seules les instances de classe minoritaire les plus « difficiles » autour de la limite de décision sont suréchantillonnées, ou une modification de la représentation des caractéristiques des données (par exemple, en tenant compte de dimensions supplémentaires, l'extraction ou la sélection d'entités). Dans tous les cas, étant donné que le jeu de données change, la procédure d'apprentissage doit être lancée à partir de zéro.
Le processus d'entraînement du modèle se termine soit lorsque le modèle est correctement ajusté et répond aux critères d'entrée, soit par un message d'erreur informant que ces critères n'ont pas pu être remplis, soutenu par une liste d'instances d'apprentissage que le dernier niveau de séquence activé n'a pas pu discriminer suffisamment bien. En fin de compte, ces deux résultats doivent être communiqués aux destinataires cibles, qui ne sont pas nécessairement familiers avec le jargon de l'apprentissage automatique. Par conséquent, un module supplémentaire de traduction en séquence peut être nécessaire pour obtenir des informations communément comprises, par exemple, un court passage en langage naturel.
LaFIG. 3montre un schéma fonctionnel illustrant un exemple de système ou d'appareil 3 dans lequel divers aspects et modes de réalisation exemplaires sont mis en œuvre.
L'appareil 3 peut être intégré en tant qu'un ou plusieurs dispositifs comprenant les différents composants décrits ci-dessous. Dans divers modes de réalisation, l'appareil 3 peut être configuré pour mettre en œuvre un ou plusieurs des aspects décrits dans la présente application, l'appareil 3 étant au moins configuré pour prédire la défaillance imminente d'un composant d'un véhicule.
Des exemples d'équipements qui peuvent constituer tout ou partie de l'appareil 3 comprennent une calculatrice, une unité de commande électronique (ECU), un dispositif de traitement de données ou d'autres dispositifs de communication. Les éléments de l'appareil 3, seuls ou en combinaison, peuvent être incorporés dans un seul circuit intégré (CI), plusieurs circuits intégrés et/ou des composants discrets. Par exemple, dans au moins un mode de réalisation, les éléments de traitement et de codeur/décodeur de l'appareil 3 peuvent être répartis sur plusieurs circuits intégrés et/ou composants discrets. Dans divers modes de réalisation, l'appareil 3 peut être couplé de manière communicante à d'autres systèmes similaires, ou à d'autres appareils électroniques, via, par exemple, un bus de communication 320 par l'intermédiaire d'interfaces d'entrée et/ou de sortie dédiées 32.
L'appareil 3 peut comporter au moins un processeur 30 configuré pour exécuter les instructions qui y sont chargées pour mettre en œuvre, par exemple, les différents aspects décrits dans la présente application. Le processeur 30 peut inclure une mémoire intégrée, une interface d'entrée et de sortie et divers autres circuits connus dans l'art. L'appareil 3 peut comporter au moins une mémoire 31 (par exemple un dispositif de mémoire volatile et/ou un dispositif de mémoire non volatile). L'appareil 3 peut inclure un dispositif de stockage, qui peut inclure de la mémoire non volatile et/ou de la mémoire volatile, y compris, mais sans s'y limiter, la mémoire EEPROM programmable effaçable électriquement, la mémoire morte (ROM), la mémoire en lecture seule programmable (PROM), la mémoire vive (RAM), la mémoire vive dynamique (DRAM), la mémoire vive statique (SRAM), la mémoire flash, le lecteur de disque magnétique et/ou le lecteur de disque optique. Le périphérique de stockage peut inclure un périphérique de stockage interne, un périphérique de stockage connecté et/ou un périphérique de stockage accessible en réseau, à titre d'exemples non limitatifs.
L'appareil 3 peut inclure un module d'encodeur/décodeur configuré, par exemple, pour traiter des données d'image afin de fournir des données de texte codées/décodées, et le module d'encodeur/décodeur peut inclure son propre processeur et sa propre mémoire. Le module encodeur/décodeur peut représenter un ou plusieurs modules qui peuvent être inclus dans un dispositif pour exécuter les fonctions d'encodage et/ou de décodage. Comme on le sait, un appareil peut inclure l'un ou l'autre des modules d'encodage et de décodage, ou les deux. De plus, le module d'encodeur/décodeur peut être mis en œuvre en tant qu'élément séparé ou peut être incorporé dans le processeur 30 en tant que combinaison de matériel et de logiciel, comme le savent les personnes qualifiées dans l'art.
Le code de programme à charger sur le processeur 30 ou l'encodeur/décodeur pour exécuter les différents aspects décrits dans la présente application peut être stocké dans un périphérique de stockage et ensuite chargé sur la mémoire 31 pour être exécuté par le processeur 30. Conformément aux différents modes de réalisation, un ou plusieurs des processeurs 30, de la mémoire 31, des périphériques de stockage et des modules d'encodeur/décodeur peuvent stocker un ou plusieurs des divers éléments pendant l'exécution des processus décrits dans la présente application. Ces éléments stockés peuvent inclure, sans s'y limiter, des données représentatives du contenu audio, des données représentatives du contenu vidéo, des données liées à l'haptique, un flux binaire, des matrices, des variables et des résultats intermédiaires ou finaux du traitement d'équations, de formules, d'opérations et de logique opérationnelle.
Dans plusieurs modes de réalisation, la mémoire à l'intérieur du processeur 30 et/ou du module codeur/décodeur peut être utilisée pour stocker des instructions et fournir une mémoire de travail pour le traitement qui peut être effectué pendant le traitement, l'encodage ou le décodage des données.
Dans d'autres modes de réalisation, cependant, une mémoire externe au périphérique de traitement (par exemple, le périphérique de traitement peut être le processeur) peut être utilisée pour une ou plusieurs de ces fonctions. La mémoire externe peut être la mémoire 31 et/ou le périphérique de stockage, par exemple, une mémoire volatile dynamique et/ou une mémoire flash non volatile. Dans au moins un mode de réalisation, une mémoire volatile dynamique externe rapide telle qu'une RAM peut être utilisée comme mémoire de travail pour le traitement des données.
La terminologie utilisée dans le présent document a pour but de décrire des modes de réalisation particuliers uniquement et n'est pas destinée à être limitative. Il sera également entendu que les termes « comprend/comprend » et/ou « comprenant/comprenant », lorsqu'ils sont utilisés dans la présente spécification, peuvent spécifier la présence de caractéristiques, d'éléments et/ou de composants indiqués, par exemple, mais n'excluent pas la présence ou l'ajout d'une ou plusieurs autres caractéristiques, éléments, composants et/ou groupes de ceux-ci. De plus, lorsqu'un élément est dit « réactif » ou « connecté » à un autre élément, il peut être directement réactif ou connecté à l'autre élément, ou des éléments intermédiaires peuvent être présents. En revanche, lorsqu'un élément est dit « directement réactif » ou « directement connecté » à un autre élément, il n'y a pas d'éléments intermédiaires présents.
Il convient de noter que l'utilisation de l'un des symboles/termes « / », « et/ou » et « au moins un des », par exemple, dans les cas de « A/B », « A et/ou B » et « au moins un des termes A et B », peut avoir pour but d'englober la sélection de la première option énumérée (A) seulement, ou la sélection de la deuxième option répertoriée (B) seulement, ou la sélection des deux options (A et B). À titre d'exemple supplémentaire, dans les cas de « A, B et/ou C » et « au moins une des options A, B et C », cette formulation vise à englober la sélection de la première option énumérée (A) seulement, ou la sélection de la deuxième option énumérée (B) seulement, ou la sélection de la troisième option énumérée (C) seulement, ou la sélection de la première et de la deuxième options énumérées (A et B) seulement, ou la sélection des première et troisième options énumérées (A et C) seulement, ou la sélection des deuxième et troisième options énumérées (B et C) seulement, ou la sélection des trois options (A et B et C). Cela peut être étendu, comme il est clair à quelqu'un d'habile ordinaire dans cet art et dans les arts connexes, pour autant d'articles qu'il y a d'énumération.
Différentes valeurs numériques peuvent être utilisées dans la présente application. Les valeurs spécifiques peuvent être à titre d'exemple et les aspects décrits ne se limitent pas à ces valeurs spécifiques.
Il sera entendu que, bien que les termes premier, deuxième, etc. puissent être utilisés ici pour décrire divers éléments, ces éléments ne sont pas limités par ces termes. Ces termes ne sont utilisés que pour distinguer un élément d'un autre. Par exemple, un premier élément pourrait être appelé un deuxième élément, et, de même, un deuxième élément pourrait être appelé un premier élément sans s'écarter des enseignements de cette application. Aucun ordre n'est impliqué entre un premier élément et un second élément.
La référence à « un mode de réalisation exemplaire » ou « un mode de réalisation exemplaire » ou « une mise en œuvre » ou « une mise en œuvre », ainsi qu'à d'autres variantes de celles-ci, est fréquemment utilisée pour indiquer qu'une caractéristique, une structure, une caractéristique, etc. particulières (décrites en relation avec le mode de réalisation/la mise en œuvre) est incluse dans au moins un mode de réalisation/mise en œuvre. Ainsi, les apparitions de l'expression « dans un mode de réalisation exemplaire » ou « dans un mode de réalisation exemplaire » ou « dans une mise en œuvre » ou « dans une mise en œuvre », ainsi que toute autre variante, apparaissant à divers endroits dans la présente application ne se rapportent pas nécessairement toutes au même mode de réalisation.
De même, la référence dans le présent document à « conformément à un mode de réalisation exemplaire / exemple / mise en œuvre » ou « dans un mode de réalisation exemplaire / exemple / mise en œuvre », ainsi qu'à d'autres variantes de ceux-ci, est fréquemment utilisée pour indiquer qu'une caractéristique, une structure ou une caractéristique particulière (décrite en relation avec le mode de réalisation exemplaire / exemple / mise en œuvre) peut être incluse dans au moins un mode de réalisation exemplaire / exemple / mise en œuvre. Ainsi, les apparitions de l'expression « conformément à un mode de réalisation exemplaire / exemple / mise en œuvre » ou « dans un mode de réalisation exemplaire / exemple / mise en œuvre » à divers endroits de la spécification ne se réfèrent pas nécessairement toutes au même mode de réalisation exemplaire / exemple / mise en œuvre, et les modes de réalisation / exemples / mise en œuvre exemplaires séparés ou alternatifs ne s'excluent pas nécessairement mutuellement d'autres modes de réalisation / exemples / mise en œuvre exemplaires.
Les chiffres de référence figurant dans les revendications ne sont donnés qu'à titre indicatif et n'ont pas d'effet limitatif sur la portée des revendications. Bien qu'ils ne soient pas explicitement décrits, les modes de réalisation / exemples et variantes présents peuvent être utilisés dans n'importe quelle combinaison ou sous-combinaison.
Un certain nombre de mises en œuvre ont été décrites. Néanmoins, il sera entendu que diverses modifications peuvent être apportées. Par exemple, des éléments de différentes implémentations peuvent être combinés, complétés, modifiés ou supprimés pour produire d'autres implémentations. De plus, une personne ayant des compétences ordinaires comprendra que d'autres structures et processus peuvent être substitués à ceux divulgués et que les mises en œuvre qui en résultent rempliront au moins sensiblement la ou les mêmes fonctions, d'au moins sensiblement de la même manière, pour atteindre au moins sensiblement les mêmes résultats que les mises en œuvre divulguées. Par conséquent, ces mises en œuvre et d'autres sont envisagées dans la présente demande.

Claims (10)

  1. Procédé de prédiction d’une prochaine défaillance d'un composant d'un premier véhicule, le procédé étant mis en œuvre par un processeur et comprenant les étapes suivantes :
    - réception de premières données (11) représentatives de premières caractéristiques du premier véhicule ;
    - prédiction de ladite prochaine défaillance par entrée desdites premières données dans un modèle de prédiction de défaillance d'un composant,
    ledit modèle de prédiction de défaillance d'un composant étant appris dans une phase d'apprentissage à partir de données d'apprentissage (21a) représentatives de secondes caractéristiques d'un ensemble de seconds véhicules, les secondes caractéristiques étant homogènes avec les premières caractéristiques, et
    ledit modèle de prédiction de défaillance d’un composant comprenant une séquence de classificateurs (12), chaque classificateur (121, 122, 12n) des classificateurs parcourus séquentiellement dans la séquence ayant respectivement une spécialisation croissante, en déterminant une défaillance potentielle de telle sorte qu’un classificateur dans la séquence détermine la défaillance potentielle à un niveau de spécialisation et qu'un classificateur suivant dans la séquence détermine la même défaillance potentielle à un niveau de spécialisation accru par rapport au premier classificateur,
    la prochaine défaillance prédite correspondant à la défaillance potentielle (14) déterminée par le dernier classificateur (12n) de la séquence (12).
  2. Procédé selon la revendication 1, dans lequel lesdites premières caractéristiques comprenant un premier ensemble historique de charges appliquées à ledit composant du premier véhicule au cours de la durée de vie dudit composant.
  3. Procédé selon la revendication 1 ou 2, dans lequel lesdites secondes caractéristiques comprennent, pour chaque deuxième véhicule dudit ensemble de seconds véhicules, un ensemble historique de données d’entretien du deuxième véhicule associées à un deuxième ensemble historique de charges appliquées sur le composant d'un second véhicule, ledit composant du second véhicule correspondant au composant dudit premier véhicule.
  4. Procédé selon l'une quelconque des revendications 1 à 3, dans lequel ladite phase d'apprentissage comprend les étapes suivantes :
    - réception de deuxièmes données (21b) représentatives d'un taux cible global de vrais positifs, d'un taux cible global de faux positifs, et soit du nombre maximal autorisé de niveaux dans la séquence (N), soit d'au moins un taux cible de vrais positifs locaux et d'un taux local cible de faux positifs.
    - déterminer (221) des données représentatives du nombre maximal autorisé de niveaux (N) dans la séquence, un taux local cible de vrais positifs et un taux local cible de faux positifs à partir de ces secondes données (21b).
  5. Procédé selon la revendication 4, dans lequel ladite phase d'apprentissage comprend les étapes suivantes :
    - l'entraînement à chaque niveau de la séquence suivante d'un nouveau classificateur jusqu'à ce que le modèle de prédiction de défaillance d'un composant comprenant des classificateurs formés jusqu'à présent jusqu'au niveau actuel du classificateur génère :
    • un taux local de vrais positifs inférieur audit taux de vrais positifs locaux cible, ou
    • un taux local de faux positifs supérieur audit taux de faux positifs locaux cible, ou
    • conjointement un taux global de vrais positifs supérieur audit taux global cible de vrais positifs, et un taux global de faux positifs inférieur audit taux global cible de faux positifs ;
    - Obtention de la décision du modèle de prédiction des défaillances des composants entraînés ou d'une sortie de diagnostic permettant de déterminer pourquoi le modèle n'a pas pu être entraîné.
  6. Procédé selon l'une quelconque des revendications 1 à 5, dans lequel ledit modèle de prédiction de défaillance d'un composant met en œuvre à chaque niveau de séquence et algorithme à partir d'un ensemble d'algorithmes comprenant au moins :
    - une régression logistique,
    - une modélisation bayésienne,
    - une analyse de survie,
    - un arbre de décision et un réseau de neurones profonds.
  7. Procédé selon l'une quelconque des revendications 1 à 6, comprenant en outre :
    - la prédiction d'une opération de maintenance dudit premier véhicule en fonction de ladite prochaine défaillance,
    - le contrôle d'un système embarqué dudit premier véhicule en fonction de ladite opération de maintenance.
  8. Produit de programme d'ordinateur comprenant des instructions de code de programme pour l'exécution du procédé selon l'une quelconque des revendications 1 à 7, lorsque ledit programme est exécuté sur un ordinateur.
  9. Appareil (3) de prédiction de la prochaine défaillance d'un composant d'un véhicule, dans lequel ledit appareil comprenant une mémoire (31) associée à au moins un processeur (30) configuré pour mettre en œuvre le procédé selon l'une quelconque des revendications 1 à 7.
  10. Véhicule comprenant l'appareil (3) selon la revendication 9.
FR2400793A 2024-01-26 2024-01-26 Procédé et dispositif de prédiction d’une prochaine défaillance d'un composant d'un véhicule Pending FR3158820A1 (fr)

Priority Applications (1)

Application Number Priority Date Filing Date Title
FR2400793A FR3158820A1 (fr) 2024-01-26 2024-01-26 Procédé et dispositif de prédiction d’une prochaine défaillance d'un composant d'un véhicule

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2400793 2024-01-26
FR2400793A FR3158820A1 (fr) 2024-01-26 2024-01-26 Procédé et dispositif de prédiction d’une prochaine défaillance d'un composant d'un véhicule

Publications (1)

Publication Number Publication Date
FR3158820A1 true FR3158820A1 (fr) 2025-08-01

Family

ID=90123985

Family Applications (1)

Application Number Title Priority Date Filing Date
FR2400793A Pending FR3158820A1 (fr) 2024-01-26 2024-01-26 Procédé et dispositif de prédiction d’une prochaine défaillance d'un composant d'un véhicule

Country Status (1)

Country Link
FR (1) FR3158820A1 (fr)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110238258A1 (en) * 2010-03-24 2011-09-29 Gm Global Technology Operations, Inc. Event-driven fault diagnosis framework for automotive systems
US20160350671A1 (en) * 2015-05-28 2016-12-01 Predikto, Inc Dynamically updated predictive modeling of systems and processes
US20180032917A1 (en) * 2015-04-17 2018-02-01 Trend Micro Incorporated Hierarchical classifiers
US20200312056A1 (en) * 2019-03-28 2020-10-01 GM Global Technology Operations LLC Monitoring and diagnosing vehicle system problems using machine learning classifiers
US20230256979A1 (en) * 2022-02-11 2023-08-17 Robert Bosch Gmbh Automated vibration based component wear and failure detection for vehicles

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110238258A1 (en) * 2010-03-24 2011-09-29 Gm Global Technology Operations, Inc. Event-driven fault diagnosis framework for automotive systems
US20180032917A1 (en) * 2015-04-17 2018-02-01 Trend Micro Incorporated Hierarchical classifiers
US20160350671A1 (en) * 2015-05-28 2016-12-01 Predikto, Inc Dynamically updated predictive modeling of systems and processes
US20200312056A1 (en) * 2019-03-28 2020-10-01 GM Global Technology Operations LLC Monitoring and diagnosing vehicle system problems using machine learning classifiers
US20230256979A1 (en) * 2022-02-11 2023-08-17 Robert Bosch Gmbh Automated vibration based component wear and failure detection for vehicles

Similar Documents

Publication Publication Date Title
FR3074123A1 (fr) Evaluation d&#39;un style de conduite d&#39;un conducteur d&#39;un vehicule routier en mouvement par apprentissage automatique
WO2010034909A1 (fr) Procédé et dispositif d&#39;authentification de données transmises relatives à l&#39;usage d&#39;un véhicule et/ou au comportement de son conducteur
EP3873786B1 (fr) Procédé d&#39;élaboration d&#39;une consigne de pilotage d&#39;un véhicule automobile
FR3079954A1 (fr) Apprentissage automatique predictif pour la prediction d&#39;une vitesse future d&#39;un vehicule automobile en mouvement sur une route
FR3103437A1 (fr) Procédé et dispositif de détermination de consigne pour véhicule
FR3158820A1 (fr) Procédé et dispositif de prédiction d’une prochaine défaillance d&#39;un composant d&#39;un véhicule
FR3122009A1 (fr) Procédé, dispositif et système de prédiction d’une opération de maintenance pour véhicule
WO2018224608A1 (fr) Dispositif d&#39;enregistrement de données de déplacement, procédé et programme correspondant
FR3128177A1 (fr) Procédé et dispositif de prédiction d’un changement de voie de circulation pour véhicule
FR3156741A1 (fr) Procédé et dispositif de contrôle d&#39;un système de navigation embarqué d&#39;un véhicule
EP2489548B1 (fr) Procédé et dispositif de commande de commutation du système d&#39;éclairage avant adaptatif d&#39;un véhicule automobile
FR3156737A1 (fr) Procédé et dispositif de commande d&#39;un système actif embarqué d&#39;un vehicule circulant sur une route
FR3156894A1 (fr) Procédé et dispositif d&#39;estimation du taux d&#39;usure des composants d&#39;un véhicule circulant sur une route
FR3052727A1 (fr) Procede de determination d&#39;une classe de conduite de reference
EP4436853B1 (fr) Procédé et dispositif de contrôle d&#39;un système d&#39;aide à la conduite d&#39;un véhicule
FR3138401A1 (fr) Procédé et dispositif de contrôle de système d’aide à la conduite d’un véhicule en fonction d’un niveau de performance des pneumatiques
US20250251926A1 (en) Software update based vehicle actuation
FR3124998A1 (fr) Procédé, dispositif et système de contrôle de système d’aide à la conduite embarqué d’un véhicule
US20250124749A1 (en) Vehicle prognostics utilizing psuedonymous logging and directives
FR3136882A1 (fr) Procédé et dispositif de prédiction d’une capacité à rouler d’un véhicule à la suite d’un accident
FR3164165A1 (fr) Procédé et dispositif de détermination d’un environnement de conduite tout-terrain sur lequel circule un véhicule
FR3154207A1 (fr) Procédé et dispositif de traitement de données de véhicules connectés à un réseau de communication sans fil
FR3163629A1 (fr) Procédé et dispositif de détermination d’un environnement de conduite d’un véhicule
FR3140052A1 (fr) Procédé d’adaptation du pilotage à la charge d’un véhicule
FR3155614A1 (fr) Procédé et dispositif de transmission de données pour véhicule en fonction d’une détection d’anomalie au cours d’un trajet du véhicule

Legal Events

Date Code Title Description
PLFP Fee payment

Year of fee payment: 2

PLSC Publication of the preliminary search report

Effective date: 20250801

PLFP Fee payment

Year of fee payment: 3