На протяжении многих лет для анализа неисправностей транспортных средств использовались различные методы анализа и интерпретации, основанные на сигналах о случившейся поломке и знаниях базы данных таблицы кодов. Новые интеллектуальные подходы, опираются на сложные модели искусственного интеллекта и предполагают использование математических уравнений для установления взаимосвязи между входными и выходными данными системы. Основная концепция заключается в вычислении остатка ресурса агрегатов, путём сопоставления входных данных с фактическими выходными данными системы в режиме реального времени. Ожидается, что при изменении компонента вычисленный остаток также изменится. Это связано с тем, что система, работающая в режиме реалтайм, имеет тенденцию отклоняться изначальных данных по мере того, как система со временем деградирует. В отличие от этого, методы, основанные на сигналах, основаны исключительно на наблюдаемых выходных сигналах для обнаружения неисправностей. Впоследствии для анализа сигналов используются различные методы выделения признаков.
Принципиально новые подходы диагностики транспортного средства используют извлечение функций для сбора данных о состоянии системы. Основное различие заключается в том, как составляется сравнительная база данных. Методы, основанные на сигналах, предполагают построение шаблона или корреляции между функциями и состоянием автомобиля с использованием набора данных, в который может вмешаться человек. В основе этого процесса лежит понимание состояния компонентов, связанных с выходными переменными, и результирующий шаблон обычно получается относительно простым. Необходимо заранее знать структуру сигналов, даже без каких-либо сгенерированных примеров. Это означает, что установление корреляции между выделенным признаком и неисправным состоянием достигается за счёт всестороннего понимания всех систем автомобиля и сопоставления значений сигналов с рассматриваемым состоянием. В отличие от этого, устаревшие подходы диагностики, основанные на знаниях, независимо устанавливают связь между признаками и условиями.
Таким образом, классификатор получает знания, анализируя множество примеров и автономно выявляя основные закономерности, необходимые для категоризации неисправностей. Этот подход требует большего объёма данных, поскольку он использует данные для обучения. Кроме того, необходима устойчивая связь с вычислительными мощностями серверов, находящимися в дата-центрах. Однако методы, основанные на сигналах и моделях, требуют меньшего набора данных для проверки достоверности. Объем информации, получаемых автомобилями, и сложность их механических систем в последнее время значительно возросли. Таким образом, системы анализа, основанные на знаниях искусственного интеллекта, превосходят те, которые основаны на традиционных методах (диагностика по таблице кодов уже случившейся неисправности).
Искусственный интеллект предполагает использование методов машинного и глубокого обучения для анализа данных, поступающих в режиме реального времени от различных датчиков, установленных в автомобиле. Датчики собирают массу информации о множестве параметров различных систем, которые впоследствии анализируются алгоритмами для выявления любых неисправностей, аномалий или отклонений от ожидаемого уровня производительности. Традиционные модели машинного (ML) и глубокого (DL) обучения широко используются для обнаружения дефектов и диагностики агрегатов электромобилей, с акцентом на выявление характеристик и классификацию неисправностей. Эти методы продемонстрировали значительный потенциал в разработке стратегий прогнозного технического обслуживания за счёт автоматизации проектирования функций и повышения точности диагностики. Используемые методы искусственного интеллекта становятся значительно более эффективными и для транспортных средств с ДВС, что демонстрирует их надёжную гибридную природу. Для диагностики неисправности двигателя уже используется новая система определения состояния по анализатору выхлопных газов, которая вообще не попадает в традиционные рамки ML или DL.
Разнообразие применений искусственного интеллекта также свидетельствует о его сочетании с алгоритмами обработки сигналов и кластеризации для бесконтактной диагностики неисправностей в двигательных установках EV. Однако возникают опасения по поводу эффективности и применимости этих методов для различных компонентов транспортного средства в различных условиях эксплуатации. Некоторые исследования показали эффективность методов ИИ при работе в различных условиях и в ответ на внешние воздействия. Внедрение периферийного искусственного интеллекта Edge-AI (Artificial Intelligence at the Edge) с функцией обнаружения неисправностей в режиме реального времени, для промышленных автономных транспортных средств показывает, как практическую необходимость, так и техническую возможность обеспечения субсекундной задержки и эффективности передачи данных. Эти факторы вообще не имеют значения для альтернативных систем диагностики неисправностей в условиях автомастерской при проведении планового технического осмотра, что подчёркивает специфические для контекста требования к реализации программного обеспечения. Таким образом, хотя системы диагностики неисправностей и технического обслуживания автомобилей, управляемые искусственным интеллектом, преследуют общие цели повышения надёжности и сокращения времени простоя, разнообразие методов и их конкретных применений выявляет дополнительные преимущества использования их в стационарных автомастерских.
Диагностика и устранение проблем с датчиками в современных транспортных средствах имеет решающее значение для поддержания их безопасности и надёжности. Ключевым моментом в обслуживании датчиков интеллектуальными системами является выявление и исправление неточностей в сигналах (либо полный отказ датчика). Автономное тестирование показало, что такой подход эффективно поддерживает управление автомобилем при неисправностях некоторых датчиков.
Несколько лет назад был разработан алгоритм обнаружения и изоляции неисправностей на основе чувствительности, для диагностики различных неисправностей датчиков в шасси коммерческих грузовиков. Перед внедрением он был протестирован с помощью аппаратно-программного моделирования, а затем успешно прошёл полевые испытания. Хотя в модели присутствовали неопределённости, особенно во время ускорения транспортного средства, они не оказали существенного влияния на точность оценки определения неисправностей.
Для электромобилей подходы используются несколько другие — они направлены на обнаружение, а также изоляцию неисправностей в датчиках тока и напряжения литий-ионных аккумуляторных батарей. Сравнивая фактическое состояние заряда (SoC) с расчётным, система способна довольно однозначно определять аномалии в работе почти любого датчика. Эффективность метода подтверждена как экспериментальными, так и имитационными испытаниями. Однако для различных конфигураций батарей может потребоваться тщательная калибровка и валидация.
Помимо отдельных датчиков автомобиля, диагностика проблем в распределённых сенсорных сетях также имеет решающее значение. Для этого применяется автоматизированный инструмент для выявления сбоев в сенсорных сетях SNTS (Sensor Network Troubleshooting Suite). Он использует методы интеллектуального анализа данных для установления связи между состоянием сети и состояниями сбоев, помогая выявить основные причины неисправностей. Этот инструмент доказал свою эффективность при устранении неполадок в системе отслеживания, продемонстрировав свой потенциал в предоставлении ценной информации для повышения общей производительности систем современных автомобилей с гибридной установкой. Однако его эффективность может зависеть от качества и количества собранных данных. Чтобы преодолеть ограничения разработчики представили автономную систему наблюдения и коррекции на основе данных, использующую встроенные датчики в автомобиле. Она предназначена для интеллектуальных транспортных систем, которые могут отслеживать, сообщать и автономно восстанавливать датчики автомобиля с помощью технологий, основанных на искусственном интеллекте. Правильная калибровка датчиков необходима для любой самоуправляемой системы и её компонентов. Этот важный этап должен быть точно выполнен перед внедрением процессов слияния датчиков и обнаружения препятствий.
Двигатель внутреннего сгорания автомобиля — это сложная система компонентов, которые вырабатывают энергию, необходимую для движения ТС. Стабильность горения зависит от выполнения необходимых условий, которые способствуют полному сгоранию топлива в течение каждого цикла, предотвращая тем самым пропуски зажигания или частичное сгорание. Для диагностики неисправностей ДВС уже используются некоторые методики, основанные на специально созданном ПО для профильных нейросетей:
RF — дистанционный мониторинг выбросов оксидов азота (NOx) от дизельных автомобилей большой мощности на основе потока данных OBD. Эти выбросы вносят значительный вклад в загрязнение воздуха, отрицательно влияя на здоровье населения и окружающую среду. Эффективные системы контроля включают такие технологии, как селективное каталитическое восстановление (SCR) и рециркуляция выхлопных газов (EGR). Эти системы снижают выбросы за счёт изменения процессов сгорания или преобразования их в менее вредные вещества.
SVM — Неисправности двигателя, связанные с клапанами и системой впрыска топлива, которые основываются на анализе параметров выхлопных газов.
MLP — Мониторинг состояния двигателя автомобиля на основе данных о стартере, коленчатом вале, цилиндрах и поршнях, перегреве двигателя, неисправностях в системе смазки. А также прогноз оставшегося срока службы двигателя, по полученным в динамике данным о вибрации.
CNN — Обнаружение пропусков зажигания и изменений нагрузки в дизельных двигателях. Диагностика с использованием волнового синхронно-сжатого преобразования.
Transfer learning – определение дефектов в работе системы зажигания в бензиновом двигателе.
RF+LR — Выбор функции для обнаружения аномалий (детонационного шума) в работе двигателя.
SVM+KNN — Мониторинг отказов двигателя из-за пропусков зажигания или неисправности свечей.
AE+SVM — Обнаружение аномалий детонации двигателя, работа которого основана на сигналах с блока управления ДВС.
CNN+LSTM — Диагностика неисправностей свечей зажигания с использованием статистического анализа на основе сигналов.
CNN+LSTM — Диагностика пропусков зажигания дизельного двигателя с шумоподавлением с использованием модуля шумоподавления вибраций.
RF+KNN+XGB — Мягкая классификация основана на ранних предупреждениях о неисправностях.
RF+SVM+BPNN — Диагностика неисправностей дизельного двигателя на основе моделирования.
Определение пределов пропусков зажигания двигателя имеет решающее значение для повышения стабильности сгорания и в достижении желаемого выходного крутящего момента, обеспечивая при этом защиту системы работы. Существует чёткая тенденция к более сложным и гибридным моделям для надлежащего мониторинга и оптимального управления, объединяющая такие методы, как RF, CNN и LSTM. Приложения варьируются от мониторинга выбросов и обнаружения пропусков зажигания до комплексных оценок состояния двигателя, что указывает на расширение сферы применения ИИ в автомобильной диагностике. Однако разнообразие методов и конкретных приложений, подчёркивает потенциальное отсутствие стандартизации в этой области, что пока может создать проблемы для широкомасштабного внедрения.
Традиционные методы диагностики неисправностей подвески часто полагаются на специализированные настройки и анализ вибрации, которые могут быть трудоёмкими и менее точными. Недавние достижения позволили внедрить подходы ИИ так же для определения неисправностей и прогнозирования остаточного ресурса подвески.
