本技术涉及一种神经网络系统,旨在优化车辆的预测性维护。该系统包括数据存储装置,配备主机接口,用于从车辆上的多个传感器收集数据。
背景技术
常规地,基于预定的运行里程碑来安排汽车维护。举例来说,可每三个或六个月安排一次例行维护服务,或在行驶预定距离(例如,3000英里、6000英里或15000英里)之后安排一次例行维护服务。
当机动车辆的组件在车辆运行期间出现故障或失灵时,这类事故可有安全隐患。在这类事故发生之后,即使在不方便时间也要尽快安排行程以获得车辆服务。
自主驾驶技术领域的最新发展允许计算系统至少在一些条件下操作机动车辆的控制元件而无需车辆的人类操作者的辅助。
举例来说,传感器(例如,相机和雷达)可安装在机动车辆上以检测在车行道上行驶的车辆的周围环境。在具有或不具有来自车辆的人类操作者的任何输入的情况下,安装在车辆上的计算系统分析传感器输入以识别条件并且产生用于车辆的方向和/或速度的自主调整的控制信号或命令。
在一些布置中,当计算系统辨识到其中计算系统可能无法继续以安全方式操作车辆的情境时,计算系统警报车辆的人类操作者并且请求人类操作者接管对车辆的控制并进行手动驾驶来代替允许计算系统自主驾驶车辆。
2017年1月3日公开的标题为“用于电动车辆的电子控制设备(ElectronicControl Apparatus for Electrically-Driven Vehicle)”的第9,533,579号美国专利公开具有自诊断功能的车辆的电子控制设备。
自主驾驶和/或高级驾驶辅助系统(ADAS)通常涉及用于识别在传感器输入中所捕获的事件和/或对象的人工神经网络(ANN)。
一般来说,人工神经网络(ANN)使用神经元网络处理发到所述网络的输入并且产生来自所述网络的输出。
举例来说,网络中的每一神经元接收输入集。发到神经元的输入中的一些可为网络中的某些神经元的输出;且发到神经元的输入中的一些可为提供给神经网络的输入。网络中的神经元当中的输入/输出关系表示网络中的神经元连接性。
举例来说,每一神经元可具有偏向、激活函数,以及分别用于其输入的突触权重集。激活函数可呈阶跃函数、线性函数、对数S型(log-sigmoid)函数等形式。网络中的不同神经元可具有不同激活函数。
举例来说,每一神经元可产生其输入和其偏向的加权总和并且接着产生为加权总和的函数的输出,所述输出是使用神经元的激活函数经计算。
ANN的输入和输出之间的关系一般由ANN模型定义,所述ANN模型包含表示网络中的神经元的连接性的数据,以及每一神经元的偏向、激活函数和突触权重。使用既定ANN模型,计算装置从发到网络既定输入集计算网络的输出。
举例来说,可基于相机输入产生发到ANN网络的输入;且来自ANN网络的输出可为例如事件或对象等项目的识别。
脉冲神经网络(SNN)是紧密模拟自然神经网络的ANN的类型。当神经元的激活水平足够高时,SNN神经元产生脉冲作为输出。SNN神经元的激活水平模拟自然神经元的膜电势。SNN神经元的输出/脉冲可改变接收输出的其它神经元的激活水平。SNN神经元随时间变化的当前激活水平通常使用微分方程建模并且被视为SNN神经元的状态。来自其它神经元的传入脉冲可将神经元的激活水平推到较高以达到脉冲的阈值。一旦神经元产生脉冲,便重置其激活水平。在产生脉冲之前,如受微分方程控制,SNN神经元的激活水平可随着时间推移衰减。SNN神经元的行为中的时间要素使得SNN适用于处理时空数据。SNN的连接性通常是稀疏的,这有利于减少计算工作负荷。
一般来说,可使用监督方法训练ANN,在所述监督方法中,调整ANN中的参数以使由相应输入产生的已知输出和从将输入应用于ANN产生的经计算输出之间的错误。监督学习/训练方法的实例包含强化学习,以及进行错误校正的学习。
替代地或组合地,可使用非监督方法训练ANN,在所述非监督方法中,由既定输入集产生的精确输出在完成训练之前未知。ANN可经训练以将项目分类成多个类别,或将数据点分类成群集。
可采用多个训练算法用于复杂机器学习/训练范例。
实现思路