ДИАГНОСТИЧЕСКАЯ СИСТЕМА И СПОСОБ ОБРАБОТКИ ДАННЫХ ТРАНСПОРТНОГО СРЕДСТВА Российский патент 2021 года по МПК G01M17/00 

Область техники, к которой относится изобретение

Изобретение относится к диагностической системе для обработки данных транспортного средства. Кроме того, изобретение относится к способу использования такой диагностической системы.

Уровень техники

Диагностические системы и способы указанного типа известны в уровне техники и отличаются высокой степенью специализации.

Раскрытие сущности изобретения

Задачей настоящего изобретения является усовершенствование диагностической системы и способа такого рода таким образом, чтобы уменьшить или устранить вышеупомянутые недостатки и повысить практическую полезность.

В предпочтительных вариантах осуществления предложена диагностическая система для обработки информации транспортного средства, выполненная с возможностью доступа к диагностическим данным по меньшей мере одного компонента транспортного средства, причем диагностические данные связывают информацию по меньшей мере об одном эксплуатационном параметре транспортного средства с информацией по меньшей мере об одном компоненте, причем диагностическая система выполнена с возможностью оценки информации о вероятности возникновения неисправности в транспортном средстве в зависимости от диагностических данных и информации по меньшей мере об одном эксплуатационном параметре. С помощью диагностической системы, основанной на информации о компонентах, можно эффективно выполнять диагностику, например, неисправностей, возникающих во время эксплуатации транспортного средства, в зависимости от вероятности возникновения неисправностей отдельных компонентов. В особенно предпочтительном варианте осуществления диагностическая система позволяет гибко диагностировать компоненты любых производителей и транспортных средств. В предпочтительных вариантах осуществления диагностика по меньшей мере частично или полностью выполняется диагностической системой.

В предпочтительных вариантах осуществления диагностическая система содержит по меньшей мере одну экспертную систему, выполненную с возможностью анализа информации о вероятности таким образом, чтобы информацию о вероятности определяли в зависимости от информации о наблюдении технического специалиста или измеренной величины, в частности, напряжения, тока, емкости, индуктивности компонента. Это позволяет хранить в машинно-обрабатываемой форме знания, полезные для эффективной диагностики неисправностей и анализа, например, эксплуатационных параметров транспортного средства, и предоставлять их, например, устройству обработки данных.

В следующих предпочтительных вариантах осуществления диагностическая система содержит по меньшей мере одну подсистему искусственного интеллекта, выполненную с возможностью оценки информации о вероятности путем определения информации о вероятности в зависимости от информации о наблюдении технического специалиста или измеренной величины, в частности, напряжения, тока, емкости, индуктивности компонента. Это позволяет значительно повысить гибкость работы системы и надежность диагностики по сравнению с обычными системами. В то время как обычные системы позволяют или предлагают, например, последовательно обрабатывать отдельные коды неисправностей или симптомы неисправностей, диагностическая система с использованием основанных на искусственном интеллекте алгоритмов способна выполнять диагностику намного эффективнее, в частности, обучаться по результатам своей работы или по информации, полученной во время этой работы (например, от устройства обработки данных), и тем самым совершенствоваться.

В следующих предпочтительных вариантах осуществления диагностическая система выполнена с возможностью приема информации транспортного средства, считываемой через интерфейс OBD II. Этот стандартный интерфейс позволяет взаимодействовать с различными транспортными средствами различных производителей.

В следующих предпочтительных вариантах осуществления диагностическая система выполнена с возможностью приема информации транспортного средства, причем информация транспортного средства содержит по меньшей мере один из следующих элементов: идентификационный номер транспортного средства (VIN), эксплуатационные параметры, характеризующие работу по меньшей мере одного компонента транспортного средства, один или несколько кодов неисправностей, характеризующих неисправность по меньшей мере одного компонента транспортного средства. Преимущество заключается в том, что для передачи информации транспортного средства требуется сравнительно малая полоса пропускания.

В следующих предпочтительных вариантах осуществления диагностическая система выполнена с возможностью использования информации транспортного средства для выполнения диагностики конкретного компонента и/или конкретного транспортного средства, и/или составления или пополнения базы данных с соответствующей информацией, и/или для обучения или проверки одной или нескольких подсистем искусственного интеллекта диагностической системы. Эта диагностическая система имеет функцию самообучения.

В следующих предпочтительных вариантах осуществления диагностическая система выполнена с возможностью определения ответной информации, в частности, диагностического указания, результата диагностики или рекомендации по ремонту, в зависимости от информации транспортного средства, и передачи этой информации в устройство обработки данных. Это позволяет взаимодействовать с техническим специалистом или собственно транспортным средством.

В следующих предпочтительных вариантах осуществления диагностическая система выполнена с возможностью определения ответной информации с использованием алгоритмов искусственного интеллекта в зависимости от информации транспортного средства. Такая диагностическая система отличается особой эффективностью.

В следующих предпочтительных вариантах осуществления диагностическая система выполнена с возможностью запроса информации о конкретном компоненте и/или конкретном транспортном средстве и/или другой информации из базы данных, в частности, из внешней базы данных. При этом выгодным образом отпадает необходимость хранения в диагностической системе всей информации, необходимой для диагностики множества различных типов транспортных средств. Более того, в следующих предпочтительных вариантах осуществления эта информация может динамически запрашиваться из внешней базы данных, то есть, в частности, по необходимости.

В следующих предпочтительных вариантах осуществления можно по меньшей мере временно хранить соответствующую информацию в базе данных диагностической системы. В особенно предпочтительном варианте хранение в базе данных диагностической системы может зависеть, например, от частоты использования соответствующих данных.

В следующих предпочтительных вариантах осуществления в диагностической системе предусмотрена по меньшей мере одна база данных, в частности, для хранения информации и/или кодов неисправностей для конкретного компонента и/или конкретного транспортного средства. Это позволяет уменьшить зависимость от внешней базы данных или повысить помехоустойчивость системы.

В следующих предпочтительных вариантах осуществления диагностическая система выполнена с возможностью по меньшей мере временного хранения диагностического ответа, характеризующего процесс ремонта транспортного средства, и, в частности, соотнесения диагностического ответа с ранее выданным диагностическим указанием. Предпочтительно, это позволяет эффективно обучать подсистемы искусственного интеллекта.

В следующих предпочтительных вариантах осуществления диагностическая система содержит по меньшей мере одно вычислительное устройство, выполненное с возможностью связывания диагностических данных с информацией по меньшей мере об одном эксплуатационном параметре транспортного средства в дереве диагностики или джунглях диагностики с информацией по меньшей мере об одном компоненте посредством сравнения по меньшей мере одного эксплуатационного параметра по меньшей мере с одним опорным значением, чтобы в зависимости от результата сравнения определить диагностическое указание, или чтобы определить результат диагностики или рекомендацию по ремонту. Это позволяет при диагностике эффективно соотнести компоненты и информацию транспортного средства с вероятностью возникновения неисправностей. Может быть предусмотрено использование не зависящего от производителя и/или транспортного средства дерева диагностики или джунглей диагностики, в котором отдельным компонентам, используемым в транспортных средствах различных производителей, назначают по меньшей мере одно диагностическое указание, по меньшей мере один результат диагностики и/или по меньшей мере одну рекомендацию по ремонту.

В следующих предпочтительных вариантах осуществления по меньшей мере одно вычислительное устройство диагностической системы выполнено с возможностью определения информации о вероятности, опорного значения, вероятности, диагностического указания, результата диагностики или рекомендации по ремонту в зависимости от информации по меньшей мере об одном эксплуатационном параметре с помощью искусственной нейронной сети, в частности, в системе, самообучающейся методом жадного послойного предобучения (англ. greedy layer-wise pretraining), в частности, с несколькими слоями между входным и выходным слоем нейронной сети. Такая диагностическая система отличается особенно эффективным самообучением.

В следующих предпочтительных вариантах осуществления по меньшей мере одно вычислительное устройство диагностической системы выполнено с возможностью определения информации о вероятности, опорного значения, вероятности, диагностического указания, результата диагностики или рекомендации по ремонту в зависимости от информации по меньшей мере об одном эксплуатационном параметре с помощью алгоритма контролируемого обучения, в частности, при помощи классификации с логистической регрессией, лесом решений, джунглями решений, усиленным деревом решений, искусственной нейронной сетью, усредненным перцептроном, методом опорных векторов, локально углубленным методом опорных векторов, стрелочным переводом Байеса (англ. Bayes' point machine) и/или при помощи линейной регрессии, линейной регрессии Байеса, регрессии с лесом решений, регрессии с усиленным деревом решений, регрессии с искусственной нейронной сетью, регрессии Пуассона и/или при помощи обнаружения аномалий посредством метода опорных векторов, анализа основных компонентов, кластеризации по К-средним. Использование этих алгоритмов повышает эффективность диагностической системы независимо от производителя или типа транспортного средства.

Следующие предпочтительные варианты осуществления относятся к способу обработки информации транспортного средства в диагностической системе, причем обеспечивают доступ к диагностическим данным по меньшей мере одного компонента транспортного средства, причем диагностические данные связывают информацию по меньшей мере об одном эксплуатационном параметре транспортного средства с информацией по меньшей мере об одном компоненте, причем информация о вероятности возникновения неисправности в транспортном средстве оценивается в зависимости от диагностических данных и информации по меньшей мере об одном эксплуатационном параметре. Это позволяет эффективно диагностировать, например, неисправности, возникающие во время эксплуатации транспортного средства.

В предпочтительных вариантах осуществления экспертная система анализирует диагностические данные, определяя информацию о вероятности в зависимости от информации о наблюдении технического специалиста или измеренной величины, в частности, напряжения, тока, емкости, индуктивности компонента. Таким образом, знания, полезные для эффективной диагностики неисправностей и анализа, например, эксплуатационных параметров транспортного средства, могут быть обработаны машиной и предоставлены, например, устройству обработки данных.

В следующих предпочтительных вариантах осуществления алгоритмы искусственного интеллекта KI оценивают диагностические данные, определяя информацию о вероятности в зависимости от информации о наблюдении технического специалиста или измеренной величины, в частности, напряжения, тока, емкости, индуктивности компонента. Это позволяет существенно повысить гибкость работы системы и надежность диагностики по сравнению с обычными системами. В то время как обычные системы, например, допускают или предлагают последовательную обработку отдельных кодов или симптомов неисправностей, с помощью алгоритмов на основе искусственного интеллекта диагностическая система может намного эффективнее выполнять диагностику, в частности, в частности, обучаться по результатам своей работы или по информации, полученной во время этой работы (например, от устройства обработки данных), и тем самым совершенствоваться.

В следующих предпочтительных вариантах осуществления предусмотрена возможность приема информации транспортного средства, считываемой через интерфейс OBD II. Этот интерфейс широко используется на рынке и обеспечивает эффективный доступ к множеству транспортных средств различных производителей.

В следующих предпочтительных вариантах осуществления предусмотрен прием информации транспортного средства, причем информация транспортного средства содержит по меньшей мере один из следующих элементов: идентификационный номер транспортного средства (VIN), идентифицирующий транспортное средство, эксплуатационные данные, характеризующие работу по меньшей мере одного компонента транспортного средства, один или несколько кодов неисправности, характеризующих неисправность по меньшей мере одного компонента транспортного средства. Для передачи информации о транспортном средстве необходима сравнительно малая полоса пропускания.

В следующих предпочтительных вариантах осуществления информацию транспортного средства используют для выполнения диагностики конкретного компонента и/или конкретного транспортного средства и/или для создания или пополнения базы данных с соответствующей информацией и/или для обучения или проверки одной или нескольких подсистем искусственного интеллекта диагностической системы. Это позволяет получать результат диагностики в зависимости от других транспортных средств, к которым также применимы диагностические данные в соответствии с информацией транспортного средства.

В следующих предпочтительных вариантах осуществления ответную информацию, в частности, диагностическое указание, результат диагностики или рекомендацию по ремонту определяют в зависимости от информации транспортного средства и передают в устройство обработки данных. Это позволяет взаимодействовать с техническим специалистом, работающим с ремонтируемым транспортным средством.

В следующих предпочтительных вариантах осуществления ответную информацию определяют с помощью алгоритмов искусственного интеллекта в зависимости от информации транспортного средства. Это обеспечивает особенно эффективную диагностику.

В следующих предпочтительных вариантах осуществления информацию о конкретном компоненте и/или конкретном транспортном средстве и/или другую информацию запрашивают из базы данных, в частности, внешней базы данных. При этом выгодным образом отпадает необходимость хранения в диагностической системе всей информации, необходимой для диагностики различных типов транспортных средств. Более того, в следующих предпочтительных вариантах осуществления эту информацию можно динамически получать из внешней базы данных, то есть, в частности, по необходимости. В следующих предпочтительных вариантах осуществления можно по меньшей мере временно сохранять соответствующую информацию в базе данных диагностической системы. Это позволяет уменьшить зависимость от внешней базы данных или повысить помехоустойчивость системы.

В следующих предпочтительных вариантах осуществления информацию и/или коды неисправностей конкретного компонента и/или конкретного транспортного средства сохраняют в базе данных диагностической системы. В особенно предпочтительном варианте хранение в базе данных диагностической системы зависит, например, от частоты использования соответствующих данных.

В следующих предпочтительных вариантах осуществления диагностический ответ, характеризующий процесс ремонта транспортного средства, сохраняют по меньшей мере временно, и, в частности, соотносят диагностический ответ с ранее выданным диагностическим указанием.

В следующих предпочтительных вариантах осуществления диагностические данные связывают информацию по меньшей мере об одном эксплуатационном параметре транспортного средства в дереве диагностики или джунглях диагностики с информацией по меньшей мере об одном компоненте, сравнивая по меньшей мере один эксплуатационный параметр по меньшей мере с одним опорным значением, чтобы в зависимости от результата сравнения определить диагностическое указание или чтобы определить результат диагностики или рекомендацию по ремонту. Предпочтительно, в результате обеспечивается эффективная диагностика.

В следующих предпочтительных вариантах осуществления информацию о вероятности, опорное значение, вероятность, диагностическое указание, результат диагностики или рекомендацию по ремонту определяют в зависимости от информации по меньшей мере об одном эксплуатационном параметре при помощи искусственной нейронной сети, в частности, в системе, самообучающейся методом жадного послойного предобучения, в частности, с несколькими слоями между входным и выходным слоем нейронной сети. Это особенно эффективный способ реализации самообучающегося искусственного интеллекта.

В следующих предпочтительных вариантах осуществления информацию о вероятности, опорное значение, вероятность, диагностическое указание, результат диагностики и/или рекомендацию по ремонту определяют в зависимости от информации по меньшей мере об одном эксплуатационном параметре с помощью алгоритма контролируемого обучения, в частности, при помощи классификации с логистической регрессией, лесом решений, джунглями решений, усиленным деревом решений, искусственной нейронной сетью, усредненным перцептроном, методом опорных векторов, локально углубленным методом опорных векторов, стрелочным переводом Байеса (англ. Bayes' point machine) и/или при помощи линейной регрессии, линейной регрессии Байеса, регрессии с лесом решений, регрессии с усиленным деревом решений, регрессии с искусственной нейронной сетью, регрессии Пуассона и/или при помощи обнаружения аномалий посредством метода опорных векторов, анализа основных компонентов, кластеризации по K-средним. Это обеспечивает особенно эффективный способ реализации искусственного интеллекта.

Прочие признаки, варианты осуществления и преимущества изобретения следуют из приведенного ниже раскрытия вариантов осуществления изобретения, ссылающегося на прилагаемые фигуры. При этом все описанные или изображенные признаки составляют предмет изобретения по отдельности или в любом сочетании независимо от своего описания в формуле изобретения или связи с ней, а также независимо от своей формулировки или представления в описании или на фигурах.

Краткое описание чертежей

На фигурах изображено:

Фигура 1: схематичная упрощенная блок-схема системы.

Фигура 2: схематичная упрощенная диаграмма последовательности операций.

Фигура 3: схематичная упрощенная блок-схема устройства обработки данных.

Фигура 4: схематично изображенные этапы способа согласно одному из вариантов осуществления.

Осуществление изобретения

На фигуре 1 схематично изображена упрощенная блок-схема системы 1000 согласно одному из вариантов осуществления. Система 1000 содержит устройство 100 обработки данных D1 транспортного средства 10. Данные D1 представляют собой, например, эксплуатационные параметры транспортного средства 10. Информация об эксплуатационных параметрах содержит, например, эксплуатационные параметры и/или коды неисправностей блока 12 управления транспортного средства 10. Транспортное средство 10 содержит по меньшей мере один компонент 13, например, лямбда-зонд. Информация об эксплуатационном параметре может представлять собой наблюдения технического специалиста и измеренное значение, например, напряжение, ток, емкость, индуктивность, относящееся к компоненту 13.

Кроме того, система 1000 содержит интерфейсное устройство 200 для установления соединения для передачи данных между устройством 100 обработки данных и блоком 12 управления. Под соединением для передачи данных понимают, предпочтительно, беспроводное или бескабельное соединение по меньшей мере в той мере, в какой оно относится к первой части DV1 соединения для передачи данных, выполненной, например, в виде соединения Bluetooth и/или WLAN или иного подобного соединения. Вторая часть DV2 соединения для передачи данных может быть выполнена, например, в виде проводного соединения. В предпочтительных вариантах осуществления интерфейсное устройство 200 может быть выполнено, например, в виде так называемого электронного ключа OBD-II, который может быть соединен известным способом с интерфейсом OBD-II транспортного средства 10 посредством штекерного соединения. Это позволяет установить соединение для передачи данных между интерфейсным устройством 200 и, например, блоком 12 управления.

Для простого и эффективного управления своей работой устройство 100 обработки данных содержит пользовательский интерфейс UI, который может содержать, в частности, графический пользовательский интерфейс и/или звуковой пользовательский интерфейс.

Устройство 100 обработки данных может быть выполнено в виде ручного и/или мобильного устройства, отличающегося простотой обращения.

Устройство 100 обработки данных может быть выполнено в виде смартфона, планшетного компьютера или ноутбука.

Кроме того, система 1000 содержит диагностическую систему 300 для обработки данных транспортного средства 10. Диагностическая система 300, предпочтительно, может быть подключена к устройству 100 обработки данных по беспроводному соединению DV3 для передачи данных, при необходимости с промежуточным включением одной или нескольких частных и/или публичных сетей 20 (Интернет). Например, в следующих предпочтительных вариантах осуществления беспроводное соединение DV3 для передачи данных также может быть реализовано с использованием системы сотовой мобильной связи третьего и/или четвертого и/или пятого поколения (3G, 4G (например, LTE), 5G).

В предпочтительных вариантах осуществления диагностическая система 300 содержит по меньшей мере одну экспертную систему 310, что позволяет выполнять эффективную диагностику с помощью диагностической системы 300. В следующих предпочтительных вариантах осуществления диагностическая система 300 выполнена с возможностью исполнения алгоритмов искусственного интеллекта KI. Для этого, например, может быть предусмотрена по меньшей мере одна подсистема 320 искусственного интеллекта, например, содержащая одну или несколько искусственных нейронных сетей и/или других элементов искусственного интеллекта.

В следующих предпочтительных вариантах осуществления диагностическая система 300 выполнена с возможностью доступа к внешней базе DB1 данных, в частности для запроса информации о конкретном транспортном средстве или конкретном компоненте, например, компоненте 13 транспортного средства 10.

В следующих предпочтительных вариантах осуществления диагностическая система 300 может содержать собственную, предпочтительно локальную, базу DB2 данных.

В следующих предпочтительных вариантах осуществления устройство 100 обработки данных выполнено с возможностью приема информации транспортного средства 10, причем информация транспортного средства содержит по меньшей мере один из следующих элементов: идентификационный номер транспортного средства (VIN), эксплуатационные параметры, характеризующие работу по меньшей мере одного компонента транспортного средства, один или несколько кодов неисправностей, характеризующих неисправность по меньшей мере одного компонента транспортного средства.

В следующих предпочтительных вариантах осуществления диагностическая система 300 выполнена с возможностью приема информации транспортного средства от устройства 100 обработки данных. В этом случае устройство 100 обработки данных выполнено с возможностью считывания и передачи информации транспортного средства, в частности, через интерфейсное устройство 200.

В следующих предпочтительных вариантах осуществления диагностическая система 300 выполнена с возможностью определения ответной информации, в частности, диагностических указаний, результата диагностики или рекомендаций по ремонту, в зависимости от информации, в частности, информации транспортного средства, и ее передачи в устройство 100 обработки данных.

В следующих предпочтительных вариантах осуществления диагностическая система 300 выполнена с возможностью определения ответной информации в зависимости от информации, в частности, информации транспортного средства с использованием алгоритмов искусственного интеллекта.

В следующих предпочтительных вариантах осуществления диагностическая система 300 выполнена с возможностью запроса информации о конкретном компоненте и/или конкретном транспортном средстве и/или другой информации из базы данных, в частности, внешней базы DB1 данных.

В следующих предпочтительных вариантах осуществления в диагностической системе 300 предусмотрена по меньшей мере одна база DB2 данных, в частности, для хранения информации о конкретном компоненте и/или конкретном транспортном средстве и/или кодов неисправностей.

В следующих предпочтительных вариантах осуществления диагностическая система 300 выполнена с возможностью по меньшей мере временного хранения диагностической информации, характеризующей процесс ремонта транспортного средства 10, и, в частности, соотнесения диагностической информации с ранее данными диагностическими указаниями.

На фигуре 2 схематично показана упрощенная диаграмма последовательности операций способа согласно одному из вариантов осуществления. Устройство 100 обработки данных передает первое сообщение n1 на интерфейсное устройство 200 (например, ключ OBD-II, связанный соединением для передачи данных с блоком 12 управления (фиг. 1) транспортного средства 10), а интерфейсное устройство 200 передает первое сообщение n1 в виде сообщения n1' на блок 12 управления. Например, первое сообщение n1, n1' может содержать команду управления, предписывающую блоку 12 управления вывести информацию FI транспортного средства на интерфейсное устройство 200 и/или устройство 100 обработки данных. Информация FI транспортного средства может представлять собой, например, коды неисправностей, обычно хранящиеся в памяти неисправностей одного или нескольких блоков 12 управления транспортного средства 10. В качестве альтернативы или дополнения информация FI транспортного средства может содержать один или несколько из вышеупомянутых элементов (идентификационный номер транспортного средства и т.п.). В некоторых вариантах осуществления интерфейсное устройство 200 может, например, передавать информацию FI транспортного средства в устройство обработки данных 100 практически без изменений. В других вариантах осуществления интерфейсное устройство 200 может фильтровать и/или иным образом обрабатывать информацию FI транспортного средства, полученную от блока 12 управления, с целью передачи отфильтрованной и/или обработанной информации FI' транспортного средства, полученной таким образом, на устройство 100 обработки данных.

В предпочтительных вариантах осуществления устройство 100 обработки данных может выполнять локальную обработку полученной информации FI, FI' транспортного средства, например, дальнейшую фильтрацию и/или иную обработку на опциональном этапе 110.

Кроме того, устройство 100 обработки данных может передавать полученную информацию FI, FI' транспортного средства или извлеченные из нее данные в диагностическую систему 300, например, в виде второго сообщения n2.

Если для выполнения диагностики по данным второго сообщения n2 диагностической системе 300 потребуются дополнительные данные, например, информация по конкретному транспортному средству и/или информация по конкретному компоненту и т.п., то диагностическая система 300 может запросить эти данные из внешней базы DB1 данных с помощью опционального сообщения n3. После получения соответствующего опционального ответа с запрошенными данными из базы DB1 данных посредством следующего опционального сообщения n4 диагностическая система 300 выполняет диагностику на этапе 330. В предпочтительных вариантах осуществления это осуществляется, в частности, с использованием по меньшей мере одного алгоритма искусственного интеллекта, например, экспертной системы 310 или по меньшей мере одной подсистемы 320 искусственного интеллекта.

Если для выполнения диагностики диагностической системе 300, помимо данных второго сообщения n2, требуются дополнительные данные, например, наблюдения технического специалиста, результаты измерений и т.п., то диалоговая система 300 может запросить такие данные, направив опциональное сообщение n5 на устройство 100 обработки данных. Опциональное сообщение n5 может содержать одно или несколько диагностических указаний. В них может быть указан один или несколько этапов испытаний. Например, при испытании транспортного средства 10 запрашиваются наблюдения технического специалиста. Например, запрашиваются результаты измерений, в частности, напряжения, тока и т.п. на компоненте 13. Также может быть запрошено считывание данных транспортного средства через интерфейс 200. После получения соответствующего опционального диагностического ответа с запрошенными данными от устройства обработки данных 100, переданного в другом опциональном сообщении n6, диагностическая система 300 выполняет этап 330 для повторной диагностики с полученными данными. Это позволяет направить команды на несколько этапов испытаний и этапов диагностики, чтобы локализовать неисправность.

Например, диагностическое указание содержит по меньшей мере один этап испытания по меньшей мере одного компонента 13 транспортного средства 10. Этапами испытания могут быть указания по измерениям, указания по наблюдению или рабочие инструкции по проверке по меньшей мере одного компонента 13.

Диагностический ответ содержит, например, по меньшей мере один элемент информации по меньшей мере об одном эксплуатационном параметре транспортного средства 10.

После выполнения 330 диагностики диагностическая система 300 может передать на устройство 100 обработки данных опциональное сообщение n7, которое может содержать, например, результат диагностики и/или рекомендацию по ремонту.

Например, такой результат диагностики и/или такая рекомендация по ремонту может содержать указание для пользователя устройства 100 обработки данных с указанием того, какой компонент 13 транспортного средства 10 предпочтительнее заменить для эффективного выполнения ремонта, то есть устранения причин выхода транспортного средства из строя.

Принцип, предложенный вариантами осуществления настоящего изобретения, позволяет выгодным образом выполнить эффективную диагностику, причем в особенно предпочтительном варианте сравнительно небольшое первое количество диагностических систем 300 позволяет обеспечить эффективную и производительную диагностику для сравнительно большого второго количества устройств 100 обработки данных.

В других вариантах осуществления диагностическая система 300 может по меньшей мере временно хранить диагностический ответ, характеризующий процесс ремонта транспортного средства 10, и, в частности, соотносить диагностический ответ с ранее данной рекомендацией n5 о ремонте. В других вариантах осуществления подобный диагностический ответ может передаваться, например, устройством 100 обработки данных с помощью опционального сообщения n6 в диагностическую систему 300, например, в зависимости от данных, введенных техническим специалистом как пользователем устройства 100 обработки данных, которое оценивает эффект или качество диагностического указания n5.

На фигуре 3 схематично изображена упрощенная блок-схема устройства 100а обработки данных, которое может обмениваться данными с диагностической системой 300 согласно одному из вариантов осуществления. Например, устройство 100 обработки данных согласно фиг. 1, 2 может иметь конфигурацию, изображенную на фиг. 3. Устройство 100а обработки данных содержит первый интерфейс 110 данных для осуществления первого соединения DV1 для передачи данных (например, Bluetooth и/или WLAN и т.п.) и второй интерфейс 130 данных для осуществления соединения DV3 для передачи данных с диагностической системой 300. Кроме того, устройство 100а обработки данных содержит вычислительное устройство 120, содержащее, например, по меньшей мере один микроконтроллер и/или микропроцессор и/или процессор цифровой обработки сигналов (DSP) и/или программируемую пользователем вентильную матрицу (FPGA) и/или специализированную интегральную схему (ASIC). С вычислительным устройством 120 связано запоминающее устройство 122, выполненное с возможностью по меньшей мере временного хранения компьютерной программы PRG. Компьютерная программа PRG может быть выполнена, например, с возможностью осуществления способа. Например, запоминающее устройство 122 может содержать по меньшей мере одну энергозависимую память, в частности, ОЗУ, и/или по меньшей мере одну энергонезависимую память, в частности, ПЗУ и/или флэш-накопитель EEPROM и т.п.

Вычислительное устройство 120 выполнено с возможностью предоставления пользовательского интерфейса, в частности, графического пользовательского интерфейса по меньшей мере одному пользователю устройства 100а обработки данных. Это позволяет эффективно предоставлять пользователю инструкции по диагностике и/или ремонту, которые по меньшей мере временно могут храниться в запоминающем устройстве 122 и/или при необходимости запрошены диагностической системой 300.

В следующих предпочтительных вариантах осуществления первая база DB1 данных и/или вторая база DB2 данных может содержать данные по конкретному компоненту и/или конкретному транспортному средству, в частности, с детализацией до уровня компонентов. В особенно предпочтительном варианте осуществления данные по конкретному компоненту и/или конкретному транспортному средству содержат ссылки, связывающие компоненты 13 одного типа с данными разных производителей или типов транспортных средств.

Диагностическая система 300 выполнена с возможностью обработки данных транспортного средства 10. Диагностическая система 300 выполнена с возможностью доступа к диагностическим данным по меньшей мере одного компонента 13 транспортного средства 10.

Диагностические данные связывают информацию по меньшей мере об одном эксплуатационном параметре транспортного средства 10 с информацией по меньшей мере об одном компоненте 13.

Диагностическая система 300 выполнена с возможностью определения вероятности возникновения неисправности в транспортном средстве 10 в зависимости от диагностических данных и информации по меньшей мере об одном эксплуатационном параметре.

В предпочтительном варианте осуществления диагностическая система 300 содержит по меньшей мере одну экспертную систему 310, выполненную с возможностью определения информации о вероятности.

В предпочтительном варианте осуществления диагностическая система 300 содержит по меньшей мере одну подсистему 320 искусственного интеллекта, выполненную с возможностью исполнения алгоритмов искусственного интеллекта KI для определения информации о вероятности.

В предпочтительном варианте осуществления диагностическая система 300 содержит по меньшей мере одно вычислительное устройство, выполненное с возможностью связывания диагностических данных с информацией по меньшей мере об одном эксплуатационном параметре транспортного средства 10 в дереве диагностики или джунглях диагностики с информацией по меньшей мере об одном компоненте 13 посредством сравнения по меньшей мере одного эксплуатационного параметра по меньшей мере с одним опорным значением, чтобы определить диагностическое указание, результат диагностики или рекомендацию по ремонту в зависимости от результата сравнения.

В предпочтительном варианте осуществления по меньшей мере одно вычислительное устройство диагностической системы 300 выполнено с возможностью определения информации о вероятности, опорного значения, вероятности, диагностического указания, результата диагностики и/или рекомендации по ремонту в зависимости от информации по меньшей мере об одном эксплуатационном параметре при помощи искусственной нейронной сети, в частности, в системе, самообучающейся методом жадного послойного предобучения, в частности, с несколькими слоями между входным и выходным слоем нейронной сети.

В предпочтительном варианте осуществления по меньшей мере одно вычислительное устройство выполнено с возможностью определения информации о вероятности, опорного значения, вероятности, диагностического указания, результата диагностики и/или рекомендации по ремонту в зависимости от информации по меньшей мере об одном эксплуатационном параметре при помощи известного алгоритма контролируемого обучения, в частности, при помощи классификации с логистической регрессией, лесом решений, джунглями решений, усиленным деревом решений, искусственной нейронной сетью, усредненным перцептроном, методом опорных векторов, локально углубленным методом опорных векторов, стрелочным переводом Байеса (Bayes' point machine) и/или при помощи линейной регрессии, линейной регрессии Байеса, регрессии с лесом решений, регрессии с усиленным деревом решений, регрессии с искусственной нейронной сетью, регрессии Пуассона и/или при помощи обнаружения аномалий посредством метода опорных векторов, анализа основных компонентов, кластеризации по K-средним.

Способ выполнения диагностики раскрыт ниже со ссылкой на фигуру 4.

Способ подходит для обработки данных транспортного средства 10 в диагностической системе 300. Способ может быть реализован, в том числе, в других диагностических системах с распределенными или централизованными вычислительными устройствами.

Данное вычислительное устройство содержит или данные вычислительные устройства содержат, например, по меньшей мере один микроконтроллер и/или микропроцессор и/или процессор цифровой обработки сигналов (DSP) и/или программируемую пользователем вентильную матрицу (FPGA) и/или специализированную интегральную схему (ASIC). Может быть назначено запоминающее устройство, выполненное с возможностью по меньшей мере временного хранения компьютерной программы PRG. Компьютерная программа PRG предназначена, например, для осуществления способа. Запоминающее устройство может содержать, например по меньшей мере одну энергозависимую память, в частности, ОЗУ, и/или по меньшей мере одну энергонезависимую память, в частности, ПЗУ и/или флэш-накопитель EEPROM и т.п.

Способ предусматривает доступ к диагностическим данным по меньшей мере одного компонента 13 транспортного средства 10, причем диагностические данные связывают информацию по меньшей мере об одном эксплуатационном параметре транспортного средства 10 с информацией по меньшей мере об одном компоненте 13.

Способ предусматривает определение информации о вероятности возникновения неисправности в транспортном средстве 10 в зависимости от диагностических данных и информации по меньшей мере об одном эксплуатационном параметре.

В предпочтительном варианте осуществления способ предусматривает по меньшей мере одну экспертную систему 310 для обработки диагностических данных с целью определения информации о вероятности.

В предпочтительном варианте осуществления способ предусматривает использование алгоритмов искусственного интеллекта KI для обработки диагностических данных с целью определения информации о вероятности.

На этапе 400 принимаются данные транспортного средства 10, в частности, считываемые через интерфейс OBD II или считанные до этапа 400.

В данном примере информацию транспортного средства принимают в качестве информации по меньшей мере об одном эксплуатационном параметре транспортного средства 10, содержащей по меньшей мере один из следующих элементов: идентификационный номер транспортного средства (VIN), эксплуатационные параметры, характеризующие работу по меньшей мере одного компонента транспортного средства, один или несколько кодов неисправностей, характеризующих неисправность по меньшей мере одного компонента транспортного средства.

После этого выполняют опциональный этап 402.

На опциональном этапе 402 запрашивают информацию о конкретном компоненте и/или конкретном транспортном средстве и/или другую информацию, в частности, из внешней базы DB1 данных или базы DB2 данных, расположенной в диагностической системе 300. В отношении внешней базы DB1 данных процесс описан, например, для сообщений n3 и n4.

После этапа 400 или опционального этапа 402 выполняют этап 404.

На этапе 404, при определении информации о вероятности опорное значение, вероятность, диагностическое указание, результат диагностики или рекомендацию по ремонту определяют в зависимости от информации по меньшей мере об одном эксплуатационном параметре с помощью искусственной нейронной сети, в частности, в системе, самообучающейся методом жадного послойного предобучения, в частности, с несколькими слоями между входным и выходным слоем нейронной сети.

В качестве альтернативы или дополнения при определении информации о вероятности опорное значение, вероятность, диагностическое указание, результат диагностики или рекомендацию по ремонту определяют в зависимости от информации по меньшей мере об одном эксплуатационном параметре с помощью алгоритма контролируемого обучения.

В частности, информацию о вероятности определяют при помощи классификации с логистической регрессией, лесом решений, джунглями решений, усиленным деревом решений, искусственной нейронной сетью, усредненным перцептроном, методом опорных векторов, локально углубленным методом опорных векторов, стрелочным переводом Байеса (англ. Bayes' point machine) и/или при помощи линейной регрессии, линейной регрессии Байеса, регрессии с лесом решений, регрессии с усиленным деревом решений, регрессии с искусственной нейронной сетью, регрессии Пуассона и/или при помощи обнаружения аномалий посредством метода опорных векторов, анализа основных компонентов, кластеризации по К-средним. В данном примере они представляют собой адаптированное дерево решений в качестве дерева диагностики.

Вероятность или информация о вероятности выбора конечной точки дерева решений в данном примере определяется в зависимости от информации по меньшей мере об одном эксплуатационном параметре, например, информации транспортного средства, наблюдений технического специалиста или измеренной величины, в частности, напряжения, тока, емкости, индуктивности компонента 13.

Экспертная система 310 может анализировать диагностические данные, определяя информацию о вероятности в зависимости от информации о наблюдении технического специалиста или измеренной величины, в частности, напряжения, тока, емкости, индуктивности компонента 13. Алгоритмы искусственного интеллекта KI могут анализировать диагностические данные, определяя информацию о вероятности в зависимости от информации о наблюдении технического специалиста или измеренной величины, в частности, напряжения, тока, емкости, индуктивности компонента 13.

После этого выполняют этап 406.

На этапе 406 информацию о вероятности возникновения неисправности в транспортном средстве 10 анализируют в зависимости от диагностических данных и информации по меньшей мере об одном эксплуатационном параметре.

В данном примере информацию о вероятности возникновения неисправности определяют в зависимости от информации о наблюдении технического специалиста или измеренной величины, в частности, напряжения, тока, емкости, индуктивности компонента 13.

В предпочтительном варианте осуществления диагностические данные связывают информацию по меньшей мере об одном эксплуатационном параметре транспортного средства 10 в дереве диагностики с информацией по меньшей мере об одном компоненте. В данном примере дерево диагностики структурировано в виде дерева решений, адаптированного на этапе 404. Вместо этого можно использовать джунгли диагностики, структурированные аналогично джунглям решений.

Информация о вероятности может быть выражена в процентах. В этом случае результат оценки дает информацию о неисправности с максимальной вероятностью возникновения в процентном выражении.

В предпочтительном варианте осуществления информацию по меньшей мере об одном эксплуатационном параметре связывают с информацией по меньшей мере об одном компоненте 13 в диагностических данных путем сравнения по меньшей мере одного эксплуатационного параметра по меньшей мере с одним опорным значением на этапе 406. Опорное значение определяется одним из алгоритмов искусственного интеллекта или экспертной системой, например, в зависимости от информации транспортного средства, наблюдений технического специалиста или измеренной величины, в частности, напряжения, тока, емкости, индуктивности компонента 13.

Если по меньшей мере один эксплуатационный параметр не совпадает с опорным значением, выполняют этап 408. В противном случае выполняют этап 410. Как правило, этап 408 выполняют, когда еще не определено ни одно диагностическое указание или рекомендация по ремонту.

На этапе 408 информацию транспортного средства используют, например, для выполнения диагностики конкретного компонента и/или конкретного транспортного средства. Возможен вариант, в котором диагностическое указание, в частности, запрос, определяют в зависимости от информации транспортного средства и направляют на устройство 100 обработки данных.

В качестве альтернативы или дополнения на этапе 408 составляют или пополняют внешнюю базу DB1 данных или базу DB2 данных диагностической системы 300 с соответствующей информацией.

В предпочтительном варианте осуществления обучают или проверяют одну или несколько подсистем 320 искусственного интеллекта диагностической системы 300.

В предпочтительном варианте осуществления на этапе 408 в базе DB2 данных диагностической системы 300 сохраняют информацию и/или коды неисправностей конкретного компонента и/или конкретного транспортного средства.

После этого выполняют этап 400.

На этапе 410 определяют ответную информацию, в частности, результат диагностики или рекомендацию по ремонту, в зависимости от информации транспортного средства.

В предпочтительном варианте осуществления в конечных точках дерева диагностики содержится ответная информация, т.е. диагностическое указание, результат диагностики или рекомендация по ремонту, для наиболее вероятной неисправности. Диагностическое указание может также содержаться в иных узлах, отличающихся от конечных узлов.

Диагностическое указание, результат диагностики или рекомендация по ремонту может храниться в виде текстовой, аудио- или видеоинформации во внешней базе DB1 данных или базе DB2 данных диагностической системы 300.

После этого выполняют этап 412.

На этапе 412 ответную информацию, в частности, результат диагностики или рекомендацию по ремонту, направляют на устройство 100 обработки данных. См. также сообщения n5 и n6.

В предпочтительном варианте осуществления диагностический ответ, характеризующий процесс ремонта транспортного средства 10, сохраняют по меньшей мере временно. Предпочтительно, диагностический ответ ссылается на ранее выданное диагностическое указание или рекомендацию по ремонту. Например, картину неисправности перед выполнением диагностического указания или рекомендации по ремонту используют вместе с картиной неисправности после выполнения диагностического указания или рекомендации по ремонту в качестве данных для обучения экспертной системы 310 или подсистемы 320 искусственного интеллекта.

Компьютерный программный продукт может содержать инструкции, которые при выполнении одним или несколькими распределенными компьютерами осуществляют описанный способ. Этапы способа могут выполняться многократно. Порядок выполнения этапов способа приведет исключительно для примера. Можно выбрать другой порядок исполнения. Отдельные этапы способа могут быть опущены при повторном исполнении.

Предложена диагностическая система для обработки данных транспортного средства. Система выполнена с возможностью доступа к диагностическим данным лямбда-зонда (13) транспортного средства (10). Диагностические данные связывают информацию о напряжении, токе, емкости, индуктивности, относящихся к лямбда-зонду (13), с информацией о лямбда-зонде (13). Диагностическая система (300) выполнена с возможностью анализа информации о вероятности возникновения неисправности в транспортном средстве (10) в зависимости от диагностических данных и информации о токе, емкости, индуктивности, относящихся к лямбда-зонду (13). Предложен также способ обработки данных транспортного средства (10) в диагностической системе (300). Достигается усовершенствование диагностической системы. 2 н. и 22 з.п. ф-лы, 4 ил.

1. Диагностическая система (300) для обработки данных транспортного средства (10), выполненная с возможностью доступа к диагностическим данным по меньшей мере одного компонента (13) транспортного средства (10), причем диагностические данные связывают информацию по меньшей мере об одном эксплуатационном параметре транспортного средства (10) с информацией по меньшей мере об одном компоненте (13), причем диагностическая система (300) выполнена с возможностью анализа информации о вероятности возникновения неисправности в транспортном средстве (10) в зависимости от диагностических данных и информации по меньшей мере об одном эксплуатационном параметре.

2. Диагностическая система (300) по п. 1, отличающаяся тем, что она содержит по меньшей мере одну экспертную систему (310) или по меньшей мере одну подсистему (320) искусственного интеллекта, выполненную с возможностью анализа информации о вероятности таким образом, чтобы информацию о вероятности определяли в зависимости от информации о наблюдении технического специалиста или измеренной величины, в частности напряжения, тока, емкости, индуктивности компонента (13).

3. Диагностическая система (300) по одному из предыдущих пунктов, отличающаяся тем, что она выполнена с возможностью приема информации транспортного средства (10), причем информация транспортного средства содержит по меньшей мере один из следующих элементов: идентификационный номер транспортного средства (10) (VIN), эксплуатационные параметры, характеризующие работу по меньшей мере одного компонента транспортного средства, один или несколько кодов неисправностей, характеризующих неисправность по меньшей мере одного компонента транспортного средства.

4. Диагностическая система (300) по п. 3, отличающаяся тем, что она выполнена с возможностью использования информации транспортного средства для диагностики конкретного компонента и/или конкретного транспортного средства, и/или составления или пополнения базы (DB1, DB2) данных с соответствующей информацией, и/или для обучения или проверки одной или нескольких подсистем (320) искусственного интеллекта диагностической системы (300).

5. Диагностическая система (300) по п. 3 или 4, отличающаяся тем, что она выполнена с возможностью определения ответной информации, в частности диагностического указания, результата диагностики или рекомендации по ремонту, в зависимости от информации транспортного средства и передачи этой информации в устройство (100) обработки данных.

6. Диагностическая система (300) по п. 5, отличающаяся тем, что она выполнена с возможностью определения ответной информации с использованием алгоритмов искусственного интеллекта в зависимости от информации транспортного средства.

7. Диагностическая система (300) по одному из предыдущих пунктов, отличающаяся тем, что она выполнена с возможностью запроса информации о конкретном компоненте и/или конкретном транспортном средстве и/или другой информации из базы (DB1, DB2) данных, в частности из внешней базы (DB1) данных.

8. Диагностическая система (300) по одному из предыдущих пунктов, отличающаяся тем, что в ней предусмотрена по меньшей мере одна база (DB2) данных, в частности, для хранения информации и/или кодов неисправностей для конкретного компонента и/или конкретного транспортного средства.

9. Диагностическая система (300) по одному из предыдущих пунктов, отличающаяся тем, что она выполнена с возможностью по меньшей мере временного хранения диагностического ответа, характеризующего процесс ремонта транспортного средства, и, в частности, соотнесения диагностического ответа с ранее выданным диагностическим указанием.

10. Диагностическая система (300) по одному из предыдущих пунктов, отличающаяся тем, что она содержит по меньшей мере одно вычислительное устройство, выполненное с возможностью связывания диагностических данных с информацией по меньшей мере об одном эксплуатационном параметре транспортного средства (10) в дереве диагностики или джунглях диагностики с информацией по меньшей мере об одном компоненте (13), посредством сравнения по меньшей мере одного эксплуатационного параметра по меньшей мере с одним опорным значением, чтобы в зависимости от результата сравнения определить диагностическое указание или чтобы определить результат диагностики или рекомендацию по ремонту.

11. Диагностическая система (300) по одному из предыдущих пунктов, отличающаяся тем, что по меньшей мере одно вычислительное устройство диагностической системы (300) выполнено с возможностью определения информации о вероятности, опорного значения, вероятности, диагностического указания, результата диагностики или рекомендации по ремонту в зависимости от информации по меньшей мере об одном эксплуатационном параметре с помощью искусственной нейронной сети, в частности, в системе, самообучающейся методом жадного послойного предобучения, в частности, с несколькими слоями между входным и выходным слоем нейронной сети.

12. Диагностическая система (300) по одному из предыдущих пунктов, отличающаяся тем, что по меньшей мере одно вычислительное устройство диагностической системы (300) выполнено с возможностью определения информации о вероятности, опорного значения, вероятности, диагностического указания, результата диагностики или рекомендации по ремонту в зависимости от информации по меньшей мере об одном эксплуатационном параметре с помощью алгоритма контролируемого обучения, в частности при помощи классификации с логистической регрессией, лесом решений, джунглями решений, усиленным деревом решений, искусственной нейронной сетью, усредненным перцептроном, методом опорных векторов, локально углубленным методом опорных векторов, стрелочным переводом Байеса, и/или при помощи линейной регрессии, линейной регрессии Байеса, регрессии с лесом решений, регрессии с усиленным деревом решений, регрессии с искусственной нейронной сетью, регрессии Пуассона, и/или при помощи обнаружения аномалий посредством метода опорных векторов, анализа основных компонентов, кластеризации по K-средним.

13. Способ обработки данных транспортного средства (10) в диагностической системе (300), в котором обеспечивают доступ к диагностическим данным по меньшей мере одного компонента (13) транспортного средства, причем диагностические данные связывают информацию по меньшей мере об одном эксплуатационном параметре транспортного средства (10) с информацией по меньшей мере об одном компоненте (13), причем информацию о вероятности возникновения неисправности в транспортном средстве (10) оценивают (406) в зависимости от диагностических данных и информации по меньшей мере об одном эксплуатационном параметре.

14. Способ по п. 13, отличающийся тем, что по меньшей мере одна экспертная система (310) анализирует диагностические данные или алгоритмы искусственного интеллекта (KI) оценивают диагностические данные, определяя информацию о вероятности в зависимости от информации о наблюдении технического специалиста или измеренной величины, в частности напряжения, тока, емкости, индуктивности компонента (13).

15. Способ по одному из пп. 13 или 14, отличающийся тем, что принимают (400) информацию транспортного средства (10), причем информация транспортного средства содержит по меньшей мере один из следующих элементов: идентификационный номер транспортного средства (VIN), идентифицирующий транспортное средство, эксплуатационные данные, характеризующие работу по меньшей мере одного компонента транспортного средства, один или несколько кодов неисправности, характеризующих неисправность по меньшей мере одного компонента транспортного средства.

16. Способ по п. 15, отличающийся тем, что информацию транспортного средства используют (408) для диагностики конкретного компонента и/или конкретного транспортного средства, и/или для создания или пополнения базы (DB1, DB2) данных с соответствующей информацией, и/или для обучения или проверки одной или нескольких подсистем (320) искусственного интеллекта диагностической системы (300).

17. Способ по одному из пп. 15 или 16, отличающийся тем, что ответную информацию, в частности диагностическое указание, результат диагностики или рекомендацию по ремонту, определяют (410) в зависимости от информации транспортного средства и передают (412) в устройство (100) обработки данных.

18. Способ по п. 17, отличающийся тем, что ответную информацию определяют (410) с помощью алгоритмов искусственного интеллекта в зависимости от информации транспортного средства.

19. Способ по одному из пп. 13-18, отличающийся тем, что информацию о конкретном компоненте, и/или конкретном транспортном средстве, и/или другую информацию запрашивают (402) из базы (DB1, DB2) данных, в частности внешней базы (DB1) данных.

20. Способ по одному из пп. 13-19, отличающийся тем, что информацию и/или коды неисправностей конкретного компонента и/или конкретного транспортного средства сохраняют (408) в базе (DB2) данных диагностической системы (300).

21. Способ по одному из пп. 13-20, отличающийся тем, что диагностический ответ, характеризующий процесс ремонта транспортного средства, сохраняют (408) по меньшей мере временно, и, в частности, соотносят диагностический ответ с ранее выданным диагностическим указанием.

22. Способ по одному из пп. 13-21, отличающийся тем, что диагностические данные связывают информацию по меньшей мере об одном эксплуатационном параметре транспортного средства (10) в дереве диагностики или джунглях диагностики с информацией по меньшей мере об одном компоненте (13), сравнивая (406) по меньшей мере один эксплуатационный параметр по меньшей мере с одним опорным значением, чтобы в зависимости от результата сравнения определить диагностическое указание (408) или чтобы определить (410) результат диагностики или рекомендацию по ремонту.

23. Способ по одному из пп. 13-22, отличающийся тем, что информацию о вероятности, опорное значение, вероятность, диагностическое указание, результат диагностики или рекомендацию по ремонту определяют (404) в зависимости от информации по меньшей мере об одном эксплуатационном параметре при помощи искусственной нейронной сети, в частности, в системе, самообучающейся методом жадного послойного предобучения, в частности, с несколькими слоями между входным и выходным слоем нейронной сети.

24. Способ по одному из пп. 13-23, отличающийся тем, что информацию о вероятности, опорное значение, вероятность, диагностическое указание, результат диагностики и/или рекомендацию по ремонту определяют (404) в зависимости от информации по меньшей мере об одном эксплуатационном параметре с помощью алгоритма контролируемого обучения, в частности при помощи классификации с логистической регрессией, лесом решений, джунглями решений, усиленным деревом решений, искусственной нейронной сетью, усредненным перцептроном, методом опорных векторов, локально углубленным методом опорных векторов, стрелочным переводом Байеса, и/или при помощи линейной регрессии, линейной регрессии Байеса, регрессии с лесом решений, регрессии с усиленным деревом решений, регрессии с искусственной нейронной сетью, регрессии Пуассона, и/или при помощи обнаружения аномалий посредством метода опорных векторов, анализа основных компонентов, кластеризации по K-средним.