[发明专利]汽车预测性维修

说明书

本申请涉及汽车预测性维修。例如，一或多个传感器被配置成在所述车辆在道路上运行期间生成传感器数据流。人工神经网络ANN被配置成接收所述传感器数据流并且基于所述传感器数据流预测维修服务。例如，可以使用在所述车辆离开工厂或维修服务设施的预定时间段内收集的所述传感器数据流来训练所述人工神经网络。所述车辆可以被认为在此时间段期间在正常状况下运行，使得可以训练所述ANN以检测偏离所述传感器数据流的正常模式的异常。例如，所述ANN可以是尖峰神经网络SNN。

技术领域

在本文中公开的至少一些实施例总体上涉及车辆的维修服务，更具体地但不限于涉及对机动车辆的维修时间的预测性确定。

背景技术

汽车维修通常基于预定的操作里程碑来安排。例如，可以每三个月或六个月或在预定的行驶距离(例如，3000英里、6000英里或15000英里)之后安排一次例行维修服务。

当机动车辆的组件在车辆运行期间发生故障或失灵时，此些事故可能是安全隐患。在此些事故发生之后，将在不方便的时间不久安排车辆服务的行程。

自主驾驶技术领域的最新发展允许计算系统至少在某些条件下操作机动车辆的控制元件，而无需车辆的操作员的帮助。

例如，传感器(例如，相机和雷达)可以安装在机动车辆上以检测在道路上行驶的车辆的周围环境的状况。安装在车辆上的计算系统分析传感器输入以标识状况并且生成控制信号或命令，在无论是否有来自车辆的操作员的任何输入的情况下自主调整车辆的方向和/或速度。

在一些布置中，当计算系统识别出计算系统可能无法以安全方式继续操作车辆的情况时，计算系统警告车辆的操作员并且请求操作员接管对车辆的控制并手动驱动，而不是允许计算系统自主地驱动车辆。

2017年1月3日公开的题为“电驱动车辆的电子控制设备”的美国专利第9,533,579号公开了一种具有自诊断功能的车辆电子控制设备。

自主驾驶和/或高级驾驶员辅助系统(ADAS)通常涉及用于标识在传感器输入中捕获的事件和/或物体的人工神经网络(ANN)。

通常，人工神经网络(ANN)使用神经元网络来处理到网络的输入并且从网络生成输出。

例如，网络中的每个神经元均接收一组输入。神经元的一些输入可以是网络中某些神经元的输出；神经元的一些输入可以是提供到神经网络的输入。网络中的神经元之间的输入/输出关系表示网络中的神经元的连通性。

例如，每个神经元可以分别具有偏倚、激活函数和用于其输入的一组突触权重。激活函数可以是阶跃函数、线性函数、对数-S形函数等形式。网络中的不同神经元可以具有不同的激活函数。

例如，每个神经元可以生成其输入和其偏倚的加权和，然后产生输出，所述输出是使用神经元的激活函数计算的加权和的函数。

ANN的输入和输出之间的关系通常由ANN模型定义，所述ANN模型包含表示网络中神经元的连通性以及每个神经元的偏倚、激活函数和突触权重的数据。使用给定的ANN模型，计算装置从给定的一组网络的输入计算网络的输出。

例如，到ANN网络的输入可以基于相机输入生成；并且来自ANN网络的输出可以是例如事件或物体的项目的标识。

尖峰神经网络(SNN)是一种模拟自然神经网络的ANN。当神经元的激活水平足够高时，SNN神经元产生作为输出的尖峰。SNN神经元的激活水平模拟天然神经元的膜电位。SNN神经元的输出/尖峰可以改变接收输出的其它神经元的激活水平。SNN神经元的当前激活水平作为时间函数通常使用微分方程进行建模，并且考虑SNN神经元的状态。来自其它神经元的传入尖峰可以推动神经元的激活水平更高，以达到尖峰的阈值。一旦神经元尖峰，其激活水平被复位。在尖峰之前，SNN神经元的激活水平可以随时间衰减，这由微分方程控制。SNN神经元行为中的时间元素使SNN适合处理时空数据。SNN的连通性通常是稀疏的，这有利于减少计算工作量。