Предварительный выбор сигнала для мониторинга и прогнозирования старения компонентов силовой передачи автомобиля

Прогнозное техническое обслуживание является важным для предотвращения незапланированных простоев современных транспортных средств. С расширением функциональности одновременно происходит быстрый рост обмена данными между электронными блоками управления. Большое количество бортовых сигналов позволяет осуществлять мониторинг процесса старения. Старение компонентов автомобиля зависит от того, как они используются. Элементы старения выявляются благодаря наличию ряда бортовых сигналов. В данной статье предложен метод выбора бортовых сигналов с целью определения соответствующих для проведения мониторинга и прогнозирования старения компонентов силовой передачи транспортных средств. Процесс старения рассматривается на основе степени засорения конструктивных элементов. Измерение процесса старения компонентов осуществляется в определенные промежутки времени. Благодаря такому подходу данные, полученные в неравномерно распределенные промежутки времени, предварительно обрабатываются для формирования сравниваемых бортовых показателей. На первом этапе агрегируем данные в определенные интервалы. Тем самым динамическая база бортовых данных уменьшается, что позволяет более эффективно анализировать сигналы. Также используем алгоритм машинного обучения с целью создания цифровой модели для измерения процесса старения. С помощью методологии локальных интерпретируемых модельно-агностических объяснений модель становится интерпретируемой. Это позволяет извлекать наиболее релевантные сигналы и тем самым сокращать объем обрабатываемых данных. Полученные результаты показывают, что для прогнозирования процесса старения рассматриваемого структурного компонента достаточно определенного количества бортовых сигналов. Таким образом, предлагаемый подход позволяет сократить передачу данных бортовых сигналов для проведения профилактического обслуживания.

1. Goyal D, Pabla B. S. (2015) Condition based maintenance of machine tools–A review. CIRP Journal of Manufacturing Science and Technology, 10, 24–35. https://doi.org/10.1016/j.cirpj.2015.05.004

2. Teti R, Jemielniak K, O’Donnell G, Dornfeld D. (2010) Advanced monitoring of machining operations. CIRP Annals, 59 (2), 717–739. https://doi.org/10.1016/j.cirp.2010.05.010

3. Bediaga I, Mendizabal X, Arnaiz A, Munoa J (2013) Ball bearing damage detection using traditional signal processing algorithms. IEEE Instrumentation & Measurement Magazine, 16 (2), 20–25. https://doi.org/10.1109/mim.2013.6495676

4. Guo H, Crossman J. A., Murphey Y. L., Coleman M. (2000) Automotive signal diagnostics using wavelets and machine learning. IEEE transactions on vehicular technology, 49 (5), 1650–1662. https://doi.org/10.1109/25.892549

5. Carino J. A, Delgado-Prieto M., Iglesias J. A., Sanchis A., Zurita D., Millan M., Ortega Redondo J. A., Romero-Troncoso R. (2018) Fault Detection and Identification Methodology Under an Incremental Learning Framework Applied to Industrial Machinery. IEEE Access, 6, 49755–49766. https://doi.org/10.1109/access.2018.2868430

6. Carino J. A., Delgado-Prieto M., Zurita D., Millan M., Ortega Redondo J. A., Romero-Troncoso R. (2016) Enhanced Industrial Machinery Condition Monitoring Methodology Based on Novelty Detection and Multi-Modal Analysis. IEEE Access, 4, 7594–7604. https://doi.org/10.1109/access.2016.2619382

7. Ladommatos N., Balian R., Horrocks R., Cooper L. (1996) The Effect of Exhaust Gas Recirculation on Combustion and NOx Emissions in a High-Speed Direct-injection Diesel Engine. SAE Technical Paper Series. https://doi.org/10.4271/960840

8. Zelenka P., Aufinger H., Reczek W., Cartellieri W. (1998) Cooled EGR A Key Technology for Future Efficient HD Diesels. SAE Technical Paper Series. https://doi.org/10.4271/980190.

9. Hoard J., Abarham M., Styles D., Giuliano J. M., Sluder C. S., Storey J.M.E. (2008) Diesel EGR Cooler Fouling. SAE International Journal of Engines, 1 (1), 1234–1250. https://doi.org/10.4271/2008-01-2475

10. Bravo Y., Moreno F., Longo O. (2007) Improved Characterization of Fouling in Cooled EGR Systems. SAE Technical Paper Series. https://doi.org/10.4271/2007-01-1257.

11. Hui K. H., Ooi C. S., Lim M. H., Leong M. S., Al-Obaidi S. M. (2017) An improved wrapper-based feature selection method for machinery fault diagnosis. PLOS ONE, 12 (12), e0189143. https://doi.org/10.1371/journal.pone.0189143

12. Prytz R., Nowaczyk S., Byttner S. (2011) Towards relation discovery for diagnostics. Proceedings of the First International Workshop on Data Mining for Service and Maintenance KDD4Service ’11. ACM Press, San Diego, California, 23–27. https://doi.org/10.1145/2018673.2018678

13. Zhang B., Zhang L., Xu J. (2016) Degradation Feature Selection for Remaining Useful Life Prediction of Rolling Element Bearings. Quality and Reliability Engineering International, 32 (2), 547–554. https://doi.org/10.1002/qre.1771

14. Mrowca A., Moser B., Gunnemann S. (2018) Discovering Groups of Signals in In-Vehicle Network Traces for Redundancy Detection and Functional Grouping. Machine Learning and Knowledge Discovery in Databases, Springer, Cham, 86-102. https://doi.org/10.1007/978-3-030-10997-4_6

15. Crossman J. A., Hong Guo, Murphey Y. L., Cardillo J. (2003) Automotive signal fault diagnostics. I. Signal fault analysis, signal segmentation, feature extraction and quasi-optimal feature selection. IEEE Transactions on Vehicular Technology, 52, 1063–1075. https://doi.org/10.1109/tvt.2002.807635

16. Kane M. J., Price N., Scotch M., Rabinowitz P. (2014) Comparison of ARIMA and Random Forest time series models for prediction of avian influenza H5N1 outbreaks. BMC Bioinformatics, 15 (1). https://doi.org/10.1186/1471-2105-15-276.

17. Ribeiro M. T., Singh S., Guestrin C. (2016) “Why Should I Trust You?”: Explaining the Predictions of Any Classifier. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining KDD ’16. ACM Press, San Francisco, California, USA, 1135–1144. https://doi.org/10.1145/2939672.2939778

18. Sass A. U., Esatbeyoglu E., Fischer T. (2019) Monitoring of Powertrain Component Aging Using In-Vehicle Signals. Diagnose in mechatronischen Fahrzeugsystemen XIII: Neue Verfahren für Test, Prüfung und Diagnose von E/E-Systemen im Kfz. Books on Demand, 15-28.