這份資料摘錄自一篇「Predictive maintenance enabled by machine learning: Use cases and challenges in the automotive industry」期刊文章，探討了機器學習（ML）如何應用於汽車產業的預測性維護（PdM）領域。文章首先介紹了資料驅動方法在維護建模中的重要性，特別是在處理汽車行駛時產生的大量作動、感知數據。機器學習是實現 PdM 的理想選擇，作者進行了一項系統性的回顧和分類，分析了從應用案例到 ML 方法的各方面研究。原作者最後總結了該領域的主要挑戰，包括缺乏公開數據、標記數據不足以及模型可解釋性須提升的需求。當然已針對內容做審閱，並將其中太瞎的部分刪除，僅留下我認為正確的部分。

最常見的應用案例以及當前的主要挑戰

一、汽車預測性維護（PdM）最常見的應用案例

l   核心組件故障檢測與狀態預估：最常被探討的應用案例依次是：引擎、電動車電池、整車、氣壓系統變速箱。

1. 電動車電池:電池監測是 PdM 的關鍵研究領域，因為電池不僅關係到功能安全，更是電動車的主要成本驅動因素。

ü   狀態與壽命預估： 估算電池的健康狀態，即容量衰退情況，以及剩餘可用壽命的連續預測。

ü   故障診斷： 例如，應用非監督式機器學習方法偵測電動車電池中故障電池芯的位置，以找出潛在的缺陷。

ü   即時診斷： 應用遞歸神經網路等方法，根據電流和電壓等可測量數據，監控即時駕駛模式下的電池狀態。

2. 引擎：引擎是車輛的核心部件之一，其複雜性和高成本使其成為研究的重點。

ü   故障偵測與分類： 偵測引擎中的潛在故障。

ü   點火故障： 應用深度學習架構來偵測渦輪增壓汽油引擎中的點火系統故障，包含系統老化程度及效能。

ü   空燃比監測： 結合數據驅動和基於模型的混合方法，監測內燃機空氣與燃料混合中的故障。

3. 整車故障檢測：這些應用通常利用車載網路數據（如 OBD 介面信號），將數據紀錄在ECU或ECM、以利技術人員進行分析。

ü   車隊健康監測： 提議建立一個知識庫，用於整個車隊的故障檢測，並使用決策樹、SVM 或隨機森林等分類工具，針對不同車輛子系統的故障進行診斷。

ü   緊急事件紀錄器： 又稱黑盒子。使用於大部分的高級乘用車。會即時的紀錄車輛發生安全事件前約15秒的油門踏板深度、方向盤角度變化、煞車踏板使用狀態以及SRS安全輔助氣囊作動情形等安全直接相關數據以利第三公正單位 (包含但不限定為警政單位與學術研究單位) 作為車輛意外事件調查依據。

4. 氣壓系統與變速箱：這些組件在重型卡車和商用車 PdM 中尤為重要。

ü   氣壓系統： 主要應用於重型卡車，例如使用加權損失函數的深度學習網路或增強決策樹來提高故障檢測準確性。

變速箱： 透過連續小波變換和小波能量等方法從振動訊號中提取特徵，並使用神經網路或混合深度信念網路進行故障分類。

二、PdM 的主要類別應用

研究將汽車 PdM 分為三個子領域：

汽車預測性維護的主要挑戰

儘管機器學習在汽車 PdM 領域的應用日益增長，但該領域仍面臨著幾個主要挑戰。

1. 缺乏即時共享數據集：這是該領域研究的一大障礙。由於數據（包含產品故障或磨損資訊）被汽車行業視為高度機密，因此：

ü   研究難以延續： 缺乏公開數據導致學術界的研究通常需要與汽車製造商或供應商合作，一旦研究人員離開，後續研究將無法獲得底層數據，使研究無法持續。

ü   難以複製和比較： 由於無法訪問先前研究的數據集，新的方法難以與現有的最先進成果進行定量比較。

ü   數據採集成本高昂： 研究人員通常需要自行獲取數據或依賴模擬數據，這需要投入巨大的精力。例如，研究引擎故障時，研究人員花費了巨大的努力，對單一和多重故障類型進行重複記錄和數據生成。

2. 缺乏標註數據：汽車 PdM 的實時數據通常只有部分或根本沒有標註，因為標註大量數據既耗時又需要專家知識。

ü   標註瓶頸： 儘管非監督式方法不需要標籤，但半監督式或監督式方法通常能獲得更穩健的結果。絕大多數被調查的應用案例都依賴於標註數據。

ü   專家參與需求： 只有人類專家才能決定數據子集是否構成真正的異常或故障跡象，因此有效標註過程需要納入專家經驗與知識。

3. 問題設定的複雜性：汽車行業提供的產品具有長生命週期和多樣化的應用場景，導致了固有的複雜性。

ü   車輛數量和多樣性： 由於車輛數量龐大且種類繁多（例如，商用車的壽命可達 20-30 年），難以獲得具有代表性的訓練數據集。

ü   故障和磨損的稀有性： 在車輛運行過程中，故障極為罕見，磨損也需要很長時間才會發生，這導致數據集高度不平衡。

概念漂移： 由於車輛使用方式、地點、天氣條件、零件更換或軟體更新的變化，模型在運行中遇到的數據分佈可能與訓練數據不同。原先正常的狀況可能會隨著時間被視為異常，反之亦然。

4. 對 ML 模型的接受度：ML 模型的實際應用，特別是在傳統上依賴物理模型的領域，取決於用戶對其的信任，這與模型的可靠性和可解釋性緊密相關。

ü   模型不可解釋性： 複雜的 ML 模型（如深度學習）往往被視為黑箱。製造商、維修廠和客戶需要解釋零件更換的原因，但複雜模型的決策難以解釋。因此，許多研究強調了模型可解釋性的重要性。

ü   數據隱私問題： 車輛是移動的感測器，記錄了駕駛行為、位置等數據。理想情況是將所有數據集中到後端以不斷改進模型，但這與車主對個人數據和行蹤隱私的訴求相衝突。聯邦學習被認為是一個有前景的研究方向，它在保護數據隱私的同時傳輸模型參數。

5. 汽車產業轉型帶來的複雜性：隨著自動駕駛和替代動力系統的發展，PdM 的目標也在擴展。

ü   ML 系統自身的維護： 對於 ML 驅動的自動駕駛系統，ML 模型本身可能成為預測性維護的目標，例如需要更新以提高準確性或穩健性。

ü   傳動系統的轉變： 電動車、混合動力車和燃料電池車的興起，使得電池監測成為關鍵。

總結來說，機器學習已成為維護建模領域的關鍵方法，但研究人員仍需解決數據可訪問性、標註效率、模型可解釋性以及處理汽車系統固有的複雜性和數據不平衡性等挑戰，才能進一步推動 ML 驅動的 PdM 應用。

機械學習（ML）在解決汽車維護問題方面的貢獻

主要體現在推動預測性維護（PdM）的實施和優化。由於當今車輛產生海量的駕駛員操作、環境感知數據，ML成為實施 PdM 的理想選擇。ML 透過數據驅動的方法，將傳統維護建模提升到前所未有的水準。

以下是 ML 貢獻於汽車維護與修理的幾個根本方面：實現預測性維護 (PdM)

預測性維護是 ML 在汽車領域的核心應用。ML 讓維護工作從被動(壞了再換)或基於固定間隔(定期保養)的模式，轉變為數據驅動的預測模式：這是將大量的技術人員的知識與經驗匯集後，生成一個24小時待命的超高級技術員為您守護愛車的概念。

1. 確保功能安全與可靠性： 在產品生命週期內，確保車輛的功能安全並限制維護成本是一大挑戰。ML 透過 PdM 成為實現此目標的關鍵方法。

2. 優化維護時間點： PdM 旨在預測進行維護操作的最佳時間點，同時考慮系統的健康狀態和/或歷史維修數據。

3. 避免過早且昂貴的維修： PdM 努力避免系統過早且昂貴的維修，同時確保在故障發生之前及時進行維修。

一、 ML 實現 PdM 的三大類應用

ML 透過處理不同類型的數據和解決特定的問題，將 PdM 應用分類為以下三個子領域：

1. 統計預測性維護 (PdM)：統計 PdM 使用的數據與單一車輛的狀態沒有直接聯繫，而是來自於車隊或整個族群的數據。

ü   數據來源： 包括歷史維護數據、車輛屬性（如車齡、里程、車型）以及車隊的回饋數據。

ü   貢獻： 這種方法主要用於識別整個車輛模型或族群可能存在的問題。例如，應用 ML 方法來預測車輛故障之間的間隔時間，以優化車隊管理公司的維護策略。

2. 基於條件的預測性維護 (CBM)：CBM 使用單個車輛的運行數據來推導整體系統或一個或多個部件的狀態。

ü   核心功能： 透過故障檢測實現，早期檢測故障可以防止其擴散，從而在故障發生前採取行動，有效避免擴大損失。

ü   應用實例： CBM 廣泛應用於關鍵部件的健康監測，例如：

n   引擎故障檢測： 使用分類方法（如 ANN、LSTM 和 CNN）來識別同時發生的單一故障或複合故障。當然了，很少數的車輛品牌零件需求訂貨人員也會透過類似手法，及早備貨、及早準備訂出需求零件以確保售後服務零件供應率。以維繫該品牌中高於同業水平的忠實顧客滿意度。

n   電動汽車電池狀態監測： 估算電池的健康狀態，例如使用 LSTM 處理因時間而變化的數據來診斷電池狀態。

n   全車故障檢測（OBD-II）： 利用車載網路數據，使用專業儀器來檢測與識別已知和未知的故障類型。

3. 剩餘使用壽命預測(RUL)：是對部件仍被視為可操作的未來時間跨度進行連續估計。

ü   貢獻： RUL 預測能夠避免過早且昂貴的維修，特別是針對自然磨損的跡象，因為維修不必立即進行。

ü   應用實例： 這通常是透過迴歸或預測任務來完成的。例如，對 EV 電池的 RUL 進行預測，或是對空氣壓縮機系統的 RUL 進行估計。

二、ML 任務作為解決方案的機制

ML 藉由多種特定的任務來實現上述 PdM 類型，這些任務將輸入數據（如感測器信號、歷史記錄）反映到維修決策：

1.     異常檢測： PdM 的任務與建模系統的正常行為並檢測偏差（即異常）密切相關。這些異常可能指向當前或正在發展中的故障。異常檢測可以應用於車隊數據或歷史維修數據。

2.     分類： 這是一種監督式學習方法，用於將數據點分配給預先定義的故障類別。例如，用於分類引擎故障、制動煞車系統故障或電動馬達故障。

3.     迴歸/預測： 這些是監督式學習方法，用於預測連續輸出值，例如預測 RUL 或電池的健康狀態（SoH）。

4.     聚類： 作為一種非監督式學習方法，聚類用於探索性數據分析，以發現數據中隱藏的模式或分組。例如，在缺乏標籤的情況下，用於檢測電動車電池中故障單元的位置。

總結來說，ML 透過高效、自動化的數據分析能力，使汽車維護從固定的時間表或故障發生後的修復（矯正性維護），轉變為數據驅動、預先警示的預測性維護，從而提高了車輛的可靠性和車輛運行效率。

 監督式學習的根本不足與挑戰

監督式學習的不足主要圍繞著對訓練數據的依賴性、標籤獲取的難度以及其對未知情境的處理能力。

1. 嚴重依賴已標註數據，形成瓶頸：監督式學習的根本要求是模型必須使用已標註的訓練數據。這導致了以下嚴重不足：

ü   獲取標籤成本高昂： 真實世界的汽車數據通常是未標註或僅部分標註的。對大量數據進行標註既耗時，也需要專家知識。研究人員在與汽車製造商或供應商合作時，通常需要進行耗費巨大的數據採集工作。

ü   難以進行基準測試： 由於汽車PdM領域缺乏公開的真實世界數據集，且研究通常是在自有數據集上進行，後續研究無法在與前人相同的數據集上進行定量比較，導致研究嚴謹性受限。

2. 應用場景受限於已知故障類型：標準的監督式分類方法，例如用於故障檢測的分類器，僅限於檢測已知的故障類型。

ü   當車輛在實際操作中遇到訓練數據中不存在的未知故障類型時，單純依賴監督式學習的方法將無法有效應對。

ü   這促使部分研究轉向採用半監督式方法（如單類與雙類分類器的集成 或單類 SVM），以便在訓練數據中僅包含正常數據時，也能偵測到已知和未知的故障類型。

3. 對數據不平衡和複雜性的要求高：在汽車 PdM 中，故障或磨損現象通常非常罕見，這使得數據集高度不平衡。

ü   如果使用監督式方法進行異常檢測，即使有標註的異常數據可用，該設定也必須進行調整以適應這種高類別不平衡。

ü   這需要使用對類別不平衡具有穩健性的 ML 模型，以及不以多數類別為目標進行優化的成本函數，或採用數據重採樣方法。

總結來說，監督式學習雖然在 PdM 應用中表現出更可靠的結果，但其最大的不足在於對標註數據的巨大需求和獲取成本，以及其在處理未知故障或概念漂移時的局限性。因此，尋找更有效率的標註流程（例如結合專家知識的視覺互動標註 VIAL）以及轉向半監督或非監督式學習來緩解這一挑戰。

預測性維護有何優勢？

預測性維護（PdM）是汽車產業中一項關鍵的策略，特別是隨著機器學習（ML）等數據驅動方法的興起，PdM 能夠將傳統的維護模式提升到新的水準。

PdM 的優勢主要集中在功能安全、成本控制和系統可靠性三個核心方面：

1. 經濟效益與維護效率的優化：PdM 的主要目標之一是優化維護操作，從而帶來顯著的成本效益：

ü   限制維護成本： 汽車製造商面臨在產品生命週期內限制維護成本的巨大挑戰，而 PdM 是實現這一目標的關鍵方法。

ü   避免過早且昂貴的維修： PdM 旨在避免對系統進行過早且成本高昂的維修。特別是對於那些表現出自然磨損跡象的零件，RUL（剩餘可用壽命）預測能夠避免立即進行不必要的維修，從而節省成本。

ü   決定最佳維護時機： PdM 的目標是預測執行維護行動的最佳時間點。它會同時考慮系統的健康狀態以及/或歷史維護數據。

2. 提升功能安全與系統可靠性：在日益複雜的現代汽車系統中，PdM 對於確保車輛的運行至關重要：

ü   確保功能安全： PdM 是一種關鍵方法，用於確保車輛在其整個產品生命週期內的功能安全。

ü   確保及時修復： PdM 致力於確保在故障發生之前及時進行維修，從而防止故障的傳播並導致車輛故障。

ü   延長壽命與可靠性： 採用 ML 驅動的 PdM 解決方案，旨在確保車輛在整個生命週期內的可靠性。

ü   提高系統可用性： ML 解決方案的優勢之一是能夠帶來系統可用性的提高。

(資料來源: 部分摘錄自「Predictive maintenance enabled by machine learning: Use cases and challenges in the automotive industry」的期刊文章)