确定电气和或电子组件的结构的状态的方法和系统与流程

1.本公开涉及确定电气和/或电子组件的结构的状态的方法和系统。


背景技术：

2.不同负载和消耗装置(例如车辆内的负载和消耗装置)的输入电流通常由继电器和熔断保险丝提供，然而这提供了从电流源切断负载和消耗装置的缓慢且易于出错的方式。
3.因此，需要提供增强的装置来控制负载和消耗装置。


技术实现要素：

4.本公开提供了一种计算机实现方法、计算机系统、车辆、电池充电器和非暂时性计算机可读介质。在从属权利要求、说明书和附图中给出了实施方式。
5.在一个方面，本公开涉及一种确定电气和/或电子组件的结构的状态的计算机实现方法，该方法包括由计算机硬件组件执行(换言之：实施)的以下步骤：确定所述结构的多个负载电流测量值；将所述多个负载电流测量值提供给机器学习方法；以及使用所述机器学习方法基于所述多个负载电流测量值来确定所述结构的状态。
6.应当理解，负载电流是例如与一个或更多个负载消耗的功率有关的电流。
7.该方法可以使用人工神经网络提供主要用于汽车目的的智能保险丝技术。该方法可以改善和解决现有技术的许多问题，例如：更集中于应用外围设备和附加组件的参数，如负载、线束以及电源电压；由于不存在与所监测的电流水平进行比较的静态阈值，所以针对环境变化更灵活；根据环境变化(例如温度)，可以通过软件直接交换模型；在不加载处理器cpu的情况下，可以考虑更复杂的电流分布趋势；更详细的趋势指示可以在现场应用中以更小的努力进行分析。主要降低了所需的处理器性能。
8.根据另一方面，确定所述结构的状态包括将所述结构的状态分类为多个类别之一。
9.根据另一方面，所述类别包括过载状态类别和非过载状态类别。因此，可以提供该方法来向电子保险丝(例如电源开关)提供输入，以确定过载情况，其该情况下，开关将断开负载与电源的连接。
10.根据另一方面，所述类别包括完全充电类别和未完全充电类别，或者所述类别包括对应于完全充电的预定百分比的多个类别(例如，完全充电的0％、25％、50％、75％和100％的类别，或者完全充电的0％、10％、20％、30％、40％、50％、60％、70％、80％、90％和100％的类别)。因此，该方法可以被提供用于控制充电，例如对电池(例如车辆的电池)的充电。
11.根据另一方面，所述多个负载电流测量值包括多个负载电流测量值系列，每个系列包括预定数量的后续负载电流测量值。可以随后及时提供预定数量的后续负载电流测量值。各系列可以被称为快照(snapshot)。
12.根据另一方面，所述多个负载电流测量值系列可以在时间上重叠。这可以确保在相邻负载电流测量的上下文中对多个负载电流测量值中的每一个进行处理。
13.根据另一方面，所述机器学习方法包括使用人工神经网络的方法。利用该方法，可以提供具有神经网络实现的负载电流分布分类，例如用于智能熔断。可以使用利用电子负载电流分布分类系统训练的机器学习方法来提供智能保险丝结构。
14.根据另一方面，人工神经网络包括卷积神经网络。
15.根据另一方面，卷积神经网络包括具有3
×
3级联的网络。
16.根据另一方面，人工神经网络包括长短期记忆(long short-term memory)。
17.在另一方面，本公开涉及一种计算机系统，所述计算机系统包括多个计算机硬件组件，所述多个计算机硬件组件被配置成执行本文所述的计算机实现方法的若干或所有步骤。
18.所述计算机系统可以包括多个计算机硬件组件(例如处理器，例如处理单元或处理网络；至少一个存储器，例如存储器单元或存储器网络；以及至少一个非暂时性数据存储装置)。应当理解，可以提供另外的计算机硬件组件并用于在计算机系统中执行计算机实现方法的步骤。所述非暂时性数据存储装置和/或存储器单元可以包括计算机程序，用于指示计算机例如使用处理单元和至少一个存储器单元来执行本文所述的计算机实现方法的若干或所有步骤或方面。
19.根据另一方面，所述计算机系统还包括被配置为执行所述机器学习方法的数字信号处理器。
20.在另一方面，本公开涉及一种车辆，该车辆包括本文所述的计算机系统和被配置成确定所述结构的多个负载电流测量值的传感器。
21.在另一方面中，本公开涉及一种电池充电器，该电池充电器包括如本文所述的计算机系统和被配置成确定所述结构的多个负载电流测量值的传感器。该电池充电器可以进一步包括电压传感器，该电压传感器被配置成用于确定所述结构的电压。该电池充电器可以进一步包括被配置成用于确定所述结构的温度的温度传感器。然后可以进一步基于电压和/或温度来确定该结构的状态。所述结构可以是电池。
22.所述电池充电器可以例如使用电流的脉冲宽度调制(pwm)来控制提供给电池的电流。
23.在另一方面，本公开涉及一种非暂时性计算机可读介质，其包括用于执行本文所述的计算机实现方法的若干或所有步骤或方面的指令。所述计算机可读介质可以被配置为：光学介质，例如光盘(cd)或数字多功能盘(dvd)；磁介质，例如硬盘驱动器(hdd)；固态驱动器(ssd)；只读存储器(rom)，例如闪存；等等。此外，所述计算机可读介质可以被配置为可经由诸如互联网连接的数据连接来访问的数据存储装置。所述计算机可读介质例如可以是在线数据储存库或云存储。
24.各个方面可以适用于替换电子继电器和熔断系统，并且可以适用于车辆系统级上的电源或内部的ecu(电子控制单元)(例如用于电源树)。
25.各个方面可以提供高性能的智能熔断，并且可以提供允许电源树和w/h(线束)的小余量的自适应和智能的开关和熔断。
26.通过各个方面，车辆系统的成本降低将是可能的。
27.本公开还涉及一种用于指示计算机执行本文所述的计算机实现方法的若干或所有步骤或方面的计算机程序。
附图说明
28.本文结合以下示意性示出的附图描述了本公开的示例性实施方式和功能：
29.图1是示出根据各种实施方式的电子负载电流分布分类系统的框图；
30.图2是不同快照中的负载电流测量值的重叠；
31.图3是根据各种实施方式的物理测量和记录过程的图示；
32.图4是如何训练机器学习模型的图示；
33.图5是200个负载电流样本的图示；
34.图6是针对触发和非触发电流分布的两个验证分布的图示；
35.图7是示出根据各种实施方式的确定电气和/或电子组件的结构的状态的方法的流程图；
36.图8是可以用作根据各种实施方式的机器学习方法的蜂窝神经网络的图示；
37.图9是可以用作根据各种实施方式的机器学习方法的具有内部存储器的神经网络的图示；
38.图10是根据各种实施方式的状态确定系统；以及
39.图11是根据各种实施方式的具有多个计算机硬件组件的计算机系统，所述多个计算机硬件组件被配置成执行确定电气和/或电子组件的结构的状态的计算机实现方法的步骤。
40.附图标记列表
41.100 示出根据各种实施方式的电子负载电流分布分类系统的框图
42.102 负载电流测量值
43.104 adc模块
44.106 中央处理单元
45.108 功率开关
46.110 存储装置
47.112 神经网络加速器
48.114 cnn模型
49.116 dma
50.200 不同快照中的负载电流测量值的重叠的图示
51.202 实际电流分布
52.204 分布快照
53.206 分布快照
54.208 分布快照
55.300 根据各种实施方式的物理测量和记录过程的图示
56.302 电流测量值
57.304 数据记录
58.306 生成数据库
59.400 如何训练机器学习模型的图示
60.402 定义机器学习问题并提出解决方案
61.404 构建数据集
62.406 收集原始数据等
63.408 转换数据
64.410 检查并清理数据和特征工程
65.412 训练机器学习模型
66.414 使用机器学习模型做出预测
67.500 负载电流的200个样本的图示
68.600 针对触发和非触发电流分布的两个验证分布的图示
69.602 第二分布
70.604 第一分布
71.700 示出根据各种实施方式的确定电气和/或电子组件的结构的状态的方法的流程图
72.702 确定装置的多个负载电流测量值的步骤
73.704 将多个负载电流测量值提供给机器学习方法的步骤
74.706 使用机器学习方法基于多个负载电流测量值确定结构的状态的步骤
75.800 可以用作根据各种实施方式的机器学习方法的蜂窝神经网络的图示
76.802 时间序列
77.804 层
78.806 层
79.808 层
80.810 层
81.812 决策
82.900 可以用作根据各种实施方式的机器学习方法的具有内部存储器的神经网络的图示
83.902 输入样本
84.904 递归神经网络
85.906 内部存储器
86.908 决策输出
87.1000 状态确定系统
88.1002 测量值确定电路
89.1004 机器学习电路
90.1006 连接
91.1100 根据各种实施方式的计算机系统
92.1102 处理器
93.1104 存储器
94.1106 非暂时性数据存储装置
95.1108 负载电流传感器
96.1110 连接
具体实施方式
97.车辆内不同负载和消耗装置的输入电流通常由继电器和熔断保险丝提供。根据各种实施方式，电子电路可以观察负载电流，并且可以在检测到过电流的情况下将负载与车辆的线束分离。
98.所有以前使用的方法都具有以下缺点：要么它们基于由于发生过电流而引起的热加热(缓慢过程且不可靠)，要么检测到简单的阈值超过，并且系统决定简单地关断负载，以更快地保护线束。实际上，可能出现许多电流分布特性，这些特性可能取决于负载类型、所附接的线束长度、环境温度和车辆供电电压水平以及更多。
99.根据各种实施方式，提供了一种智能且可适配的方式，以确保用于增加线束的保护水平的最高负载可用性，并且足够灵活地针对环境变化。
100.各种实施方式可以改进标准熔断装置、智能熔断装置和用于保护线束和所附接的负载免受过电流和甚至短路的现有电路。
101.除了熔断策略之外，各种实施方式可以用于将来所需的系统和模块特征，其中应当应用短的反应时间和对物理值在一定时间内的变化的适应性(分布)。
102.图1示出了例示根据各种实施方式的电子负载电流分布分类系统的框图100，例如使用电路组件和异构微处理器结构，包括神经网络加速器112(其可以包括神经处理单元和/或数字处理单元和/或dsp(数字信号处理器)，并且其可以提供分布分类)。
103.负载电流测量值102的输入样本可以由模数转换器(adc)模块104处理。样本可以在相等的时间间隔dt内取得，并且可以被转给中央处理单元106(其可以被称为处理器)。样本可以包括整数值，其可以被缓存到随机存取存储器(ram)存储装置110中。根据各种实施方式，可通过dma 116(直接存储器存取)将样本从adc 106(直接)提供到ram 110。ram存储装置110可以被配置为若干计数的环形缓冲器结构。每个填充的缓冲器可以包含测量的电流分布的快照。为了确保所述分布的所有重要部分都被适当地后处理和分类，在几个缓冲器之间可能存在重叠部分，如图2所示。例如，为了实现快速吞吐量和低cpu负载，dma可用于将adc数据交换到由npu/dsp单元取得的ram。
104.图2示出了不同快照中的负载电流测量值的重叠的图示200。例如，示出了实际(或当前)电流分布202，并且示出了可以存储在三个缓冲器中的三个分布快照204、206、208。在快照之间存在(时间上)重叠。
105.回到图1，神经网络计算单元112可以从ram 110中取出几个环形缓冲器的内容，并且可以使用预训练的cnn(例如卷积神经网络或蜂窝神经网络)模型114对内容进行分类。
106.(人工)神经网络可以是集群为3
×
3级联的cnn。此外，例如如果对基于时间的依赖性有更高的关注，则可以使用lstm(长短期记忆)。
107.(人工)神经网络可以接收测量数据的时间序列。另选地，(人工)神经网络可以每次单独地接收测量数据，并且可以具有内部存储器；例如，(人工)神经网络可以是递归神经网络(rnn)。
108.预训练模型114可以从实验室测试领域中的几十和几百个测量的负载电流分布中生成，例如利用特定应用的线束、供电参数和负载特性生成。
109.如果分类反映了预训练的cnn模型114与缓冲器内容重叠的一定概率，则可以将该结果作为肯定检测报告给处理器cpu 106(其可以充当安全控制器)。该方法然后可以接收该信号并且可以决定如何反应。例如，可以例如由状态机另外检查绝对电流电平。
110.预训练模型114可以主要集中于某些趋势(这些趋势将可能导致由故障或甚至短路引起的过电流)，以实现足够快以在过热之前保护线束的线保护系统。
111.此外，在cnn加速器112发出过电流趋势信号的情况下，可以使用随后的状态机来减轻故障。
112.基于分类结果，cpu可以控制功率开关108，例如功率mosfet(金属氧化物半导体场效应晶体管)开关。
113.在下文中，将描述根据各种实施方式的网络(例如神经网络)的训练。
114.在生成机器学习模型的第一步骤中，可以获取来自现场应用的数据。对于该方法，可以使用布线系统的相同组件，并且可以实现连续测量以记录线路上的所有可能行为。
115.图3示出了根据各种实施方式的物理测量和记录过程的图示300。电流测量值302可以被提供给数据记录304，并且基于所记录的数据，可以生成数据库(例如包括原始数据)(306)。
116.图4示出了如何训练机器学习模型(例如神经网络)的图示400。在402，可以定义机器学习问题并且可以提出解决方案。在404，可以构建数据集。在406，可以收集原始数据，可以识别特征和标签源，可以选择采样策略，并且可以拆分数据。在408，可以转换数据。在410，可以检查并清理数据，并且可以执行特征工程。在412，可以训练机器学习模型。在414，可以使用(经训练的)机器学习模型进行预测。
117.图5示出了负载电流的多个样本的图示500。高峰值电流值应触发系统的保险丝功能。可以看出，电流很快增加，之后降低。然后，电流达到比场景开始时稍高的平均电流。这些记录的数据集用于在下一步骤中训练神经网络。
118.根据采集样本的数量和数据长度以及曲线行为的复杂性，必须判断神经网络必须训练到哪个模型中。主要地，必须选择层计数的决策和所使用的激活功能来产生网络的可再现功能。
119.在下文中，将描述所使用的ml(机器学习)模型的推断输出。
120.除了经训练的模型之外，还可以生成验证脚本，该验证脚本在机器学习模型中绑定为.tflite文件，并且利用任意测试电流分布来执行该验证脚本。这种方法可以看作是一种模型验证，看此概念背后的理念是否工作良好。
121.然后可以直接检查存在危险电流分布的概率，熔断应当在该危险电流分布上触发。
122.图6示出了用于触发和非触发电流分布的两个验证分布的图示600。第一分布604示出了分布样本，控制器应在该分布样本上启用熔断机构：经训练的模型计算出95％的检测概率。第二分布602示出了分布样本，在该分布样本上控制器不应当启用熔断机构，电流继续流动：经训练的模型计算出5％的检测概率。
123.根据各种实施方式，所述模型可用于微控制器系统上。一旦模型被训练并验证，它就可以被部署在微处理器或甚至微控制器系统上。在应当使用较小控制器的情况下，可以使用tensorflow-lite微库，这可以集中于支持具有较小存储器和计算能力的那些系统。
124.根据各种实施方式，神经网络(neural network)可用于识别电流分布，以针对供应系统上的可能故障进行预警。
125.可以用现有的测量样本来训练神经网络，并且可以生成如下模型，该模型知道在模块改变其内部功能的情况下(例如当电流短暂增加时)可以存在这种分布。可能的情况是，电流水平超过特定的能力限制，例如线束电流负载，但是仅持续非常短的时间。
126.如果存在这种增加，则可以训练该模型以进行预警。
127.通过这种方法，允许超过极限并且不产生过电流检测。
128.在另一特性如更短或甚至更长的电流增加超过相同限制的情况下，模型和微控制器可足够智能以将其检测为不规律性并通过切断供电路径来保护负载以及线束。
129.图7示出了根据各种实施方式的确定电气和/或电子组件的结构的状态的方法的流程图700。在702，可以确定结构的多个负载电流测量值。在704，可以将多个负载电流测量值提供给机器学习方法。在706，可以使用机器学习方法基于多个负载电流测量值确定该结构的状态。
130.根据各种实施方式，确定结构的状态可以包括或可以将该结构的状态分类为多个类别之一。
131.根据各种实施方式，所述类别可以包括或者可以是过载状态类别和非过载状态类别。
132.根据各种实施方式，所述类别可以包括或者可以是完全充电类别和未完全充电类别。
133.根据各种实施方式，所述多个负载电流测量值可以包括或者可以是多个负载电流测量值系列，各系列包括预定数量的后续负载电流测量值。
134.根据各种实施方式，多个负载电流测量值系列可以在时间上重叠。
135.根据各种实施方式，机器学习方法可以包括或者可以是使用人工神经网络的方法。
136.根据各种实施方式，人工神经网络可以包括或者可以是卷积神经网络。
137.根据各种实施方式，卷积神经网络可以包括或者可以是具有3
×
3级联的网络。
138.根据各种实施方式，人工神经网络可以包括或者可以是长短期记忆。
139.步骤702、704、706中的每一个以及上述另外的步骤都可以由计算机硬件组件来执行。
140.图8示出了可以用作根据各种实施方式的机器学习方法的蜂窝神经网络(cnn)的图示800。时间序列802(换言之：在多个时间点上的数据)可以作为输入被接收，并且可以作为第一层804被提供。可以看出，在被组合成(标量)决策812之前，信息从空间(时域)编码(在层804中)逐渐移动到正交特征维(层810，通过层806和808)。
141.图9示出了可以用作根据各种实施方式的机器学习方法的具有内部存储器的神经网络的图示900。图9所示的神经网络可以是rnn(递归神经网络)904。rnn的变体可以包括lstm(长短期记忆)和gru(门控递归单元)。rnn 904可以每次接收单个样本904，并且可以提供内部存储器906，该内部存储器906可以连接到rnn 904，如图9所示(或者可以包括在rnn 904中)，并且可以全连接作为rnn 904的另一输入。输出决策908可以基于内部存储器906(也可称为内部状态)。
142.图10示出了根据各种实施方式的状态确定系统1000。该状态确定系统1000可以包括测量值确定电路1002和机器学习电路1004。
143.测量值确定电路1002可以被配置为确定电气和/或电子组件的结构的多个负载电流测量值。
144.机器学习电路1004可以被配置为基于多个负载电流测量值来确定该结构的状态。
145.测量值确定电路1002和机器学习电路1004可以例如经由电连接1006(例如电缆或计算机总线)或经由任何合适的电连接彼此联接以交换电信号。
[0146]“电路”可以理解为任何类型的逻辑实现实体，其可以是专用电路或执行存储在存储器、固件或它们的任何组合中的程序的处理器。
[0147]
图11示出了具有多个计算机硬件组件的计算机系统1100，所述多个计算机硬件组件被配置为执行根据各种实施方式的确定电气和/或电子组件的结构的状态的计算机实现方法的步骤。计算机系统1100可以包括处理器1102、存储器1104和非暂时性数据存储装置1106。负载电流传感器1108可以作为计算机系统1100的一部分(如图11所示)提供，或者可以被提供在计算机系统1100的外部。
[0148]
处理器1102可以执行存储器1104中提供的指令。非暂时性数据存储装置1106可以存储计算机程序，包括可以传送到存储器1104然后由处理器1102执行的指令。负载电流传感器1108可以用于确定或测量电流(其可以被称为负载电流)，例如与该结构的一个或更多个负载消耗的功率相关的电流。
[0149]
处理器1102、存储器1104和非暂时性数据存储装置1106可以例如经由电连接1110(例如电缆或计算机总线)或经由任何其他合适的电连接彼此联接以交换电信号。负载电流传感器1108可以例如经由外部接口联接到计算机系统1100，或者可以作为计算机系统的一部分(换言之：计算机系统内部，例如经由电连接1110联接)提供。
[0150]
术语“联接”或“连接”旨在分别包括直接“联接”(例如经由物理链路)或直接“连接”以及间接“联接”或间接“连接”(例如经由逻辑链路)。
[0151]
应当理解，对于上述方法之一所描述的内容可以类似地适用于状态确定系统1000和/或计算机系统1100。

技术特征：
1.一种确定电气和/或电子组件的结构的状态的计算机实现方法，所述计算机实现方法包括由计算机硬件组件执行的以下步骤：-确定所述结构的多个负载电流测量值(702)；-将所述多个负载电流测量值提供给机器学习方法(704)；以及-使用所述机器学习方法基于所述多个负载电流测量值确定所述结构的状态(706)。2.根据权利要求1所述的计算机实现方法，其中，确定所述结构的状态包括将所述结构的状态分类为多个类别之一。3.根据权利要求2所述的计算机实现方法，其中，所述类别包括过载状态类别和非过载状态类别。4.根据权利要求2所述的计算机实现方法，其中，所述类别包括完全充电类别和未完全充电类别；或者其中，所述类别包括对应于完全充电的预定百分比的多个类别。5.根据权利要求1至4中任一项所述的计算机实现方法，其中，所述多个负载电流测量值包括多个负载电流测量值系列，每个系列包括预定数量的后续负载电流测量值。6.根据权利要求5所述的计算机实现方法，其中，所述多个负载电流测量值系列在时间上重叠。7.根据权利要求1至6中任一项所述的计算机实现方法，其中，所述机器学习方法包括使用人工神经网络的方法。8.根据权利要求7所述的计算机实现方法，其中，所述人工神经网络包括卷积神经网络。9.根据权利要求8所述的计算机实现方法，其中，所述卷积神经网络包括具有3
×
3级联的网络。10.根据权利要求7至9中任一项所述的计算机实现方法，其中，所述人工神经网络包括长短期记忆。11.一种计算机系统(1100)，所述计算机系统(1100)被配置成执行根据权利要求1至10中任一项所述的计算机实现方法。12.根据权利要求11所述的计算机系统(1100)，所述计算机系统(1100)还包括：被配置成执行所述机器学习方法的数字信号处理器。13.一种车辆，所述车辆包括根据权利要求11所述的计算机系统(1100)和被配置成确定所述结构的所述多个负载电流测量值的传感器。14.一种电池充电器，所述电池充电器包括根据权利要求11所述的计算机系统(1100)和被配置成确定所述结构的所述多个负载电流测量值的传感器。15.一种非暂时性计算机可读介质，所述非暂时性计算机可读介质包括用于执行根据权利要求1至10中任一项所述的计算机实现方法的指令。

技术总结
本公开涉及确定电气和/或电子组件的结构的状态的方法和系统，尤其涉及一种确定电气和/或电子组件的结构的状态的计算机实现方法，该方法包括由计算机硬件组件执行的以下步骤：确定结构的多个负载电流测量值；将所述多个负载电流测量值提供给机器学习方法；以及使用所述机器学习方法基于所述多个负载电流测量值确定所述结构的状态。量值确定所述结构的状态。量值确定所述结构的状态。


技术研发人员：S
受保护的技术使用者：APTIV技术有限公司
技术研发日：2021.11.01
技术公布日：2022/5/25