增强的部件尺寸确定的制作方法

1.本公开总体上涉及车辆部件。


背景技术：

2.车辆包括多个部件。部件各自被指定为具有特定公差并且用于车辆的特定操作。例如，转向齿轮传输转向柱的旋转以实现转向齿条的平移。转向齿轮的旋转引起对转向齿轮的应力。部件通常被设计成在操作期间吸收应力。


技术实现要素：

3.一种系统包括计算机，所述计算机包括处理器和存储器，所述存储器存储指令，所述指令可由处理器执行以将关于多个车辆的操作的车辆环境数据和用于车辆部件的车辆部件数据输入到机器学习程序中以获得传递函数，所述传递函数将车辆环境数据与在车辆部件参数的指定范围内的车辆部件数据相关联。所述指令还包括用于基于确定车辆部件数据中的数据在指定范围之外来识别第一事件的指令。所述指令还包括用于基于第一事件来更新车辆部件的预测性损坏模型的指令。所述指令还包括用于基于来自预测性损坏模型的输出来调整部件模型的虚拟参数的指令。
4.所述指令还可以包括用于进行以下操作的指令：在确定多个车辆的第一事件的数量等于阈值时，将第一事件和关于每个第一事件的数据输入到第二机器学习程序。所述指令还可以包括用于从第二机器学习程序输出将第一事件与第一事件的数据关联的事件传递函数的指令。所述指令还可以包括用于通过组合传递函数和事件传递函数来确定耐久性传递函数的指令。所述指令还可以包括用于基于耐久性传递函数来更新预测性损坏模型的指令。
5.所述指令还可以包括用于更新指定范围以包括关于每个第一事件的数据的指令。
6.所述指令还可以包括用于在确定第一事件的数量低于阈值时请求指定第一事件的存在或不存在的用户输入的指令。
7.所述指令还可以包括用于在接收到指定第一事件的存在的用户输入时更新指定范围以包括数据的指令。
8.所述指令还可以包括用于生成包括车辆部件数据中的数据的事件包络并将事件包络提供给用户计算机的指令。
9.所述指令还可以包括用于在第一事件的数量高于阈值时更新指定范围以包括数据的指令。
10.所述指令还可以包括用于基于第一事件的数量小于或等于下限来减小指定范围的指令。
11.所述指令还可以包括用于进行以下操作的指令：在调整部件模型的虚拟参数时，基于第一事件更新调整后的部件模型的预测性损坏模型，以及基于调整后的部件模型的预测性损坏模型的输出来调整调整后的部件模型的虚拟部件。
12.所述指令还可以包括用于进行以下操作的指令：基于第一事件来更新连续的调整后的部件模型的连续的预测性损坏模型，直到满足虚拟参数的优化标准为止。
13.所述指令还可以包括用于进行以下操作的指令：将调整后的部件模型输入到车辆动力学模型中，车辆动力学模型输出根据调整后的部件模型构造的虚拟部件的性能数据。
14.所述车辆动力学模型可以包括多个路段的模型，并且性能数据包括虚拟部件在每个路段中操作的数据。
15.所述车辆动力学模型可以包括多个环境状况的模型，并且性能数据包括虚拟部件在多个环境状况下操作的数据。
16.所述指令还可以包括用于在检测到与车辆部件相关联的诊断故障代码时将第一事件与诊断故障代码关联并且更新指定范围以包括数据的指令。
17.所述指令还可以包括用于在确定第一事件的数量在预定时间之后为零时增大指定范围的指令。
18.所述预测性损坏模型的输出可以生成指示虚拟部件上的应力的数据。
19.所述车辆环境数据包括道路数据、天气数据、交通密度数据、车辆性能数据和用户输入数据。
20.一种方法包括将关于多个车辆的操作的车辆环境数据和用于车辆部件的车辆部件数据输入到机器学习程序中以获得传递函数，所述传递函数将车辆环境数据与在车辆部件参数的指定范围内的车辆部件数据关联。所述方法还包括基于确定车辆部件数据中的数据在指定范围之外来识别第一事件。所述方法还包括基于所述第一事件来更新车辆部件的预测性损坏模型。所述方法还包括基于来自所述预测性损坏模型的输出来调整部件模型的虚拟参数。
21.所述方法还可以包括：在确定多个车辆的第一事件的数量等于阈值时，将第一事件和关于每个第一事件的数据输入到第二机器学习程序。所述方法还可以包括从第二机器学习程序输出将第一事件与第一事件的数据关联的事件传递函数。所述方法还可以包括通过组合传递函数和事件传递函数来确定耐久性传递函数。所述方法还可以包括基于耐久性传递函数来更新预测性损坏模型。
22.所述方法还可以包括：在调整部件模型的虚拟参数时，基于第一事件更新调整后的部件模型的预测性损坏模型，以及基于调整后的部件模型的预测性损坏模型的输出来调整调整后的部件模型的虚拟部件。
23.本文还公开了一种计算装置，所述计算装置被编程为执行上述方法步骤中的任一个步骤。本文还公开了一种计算机程序产品，所述计算机程序产品包括计算机可读介质，所述计算机可读介质存储可由计算机处理器执行以执行上述方法步骤中的任一者的指令。
附图说明
24.图1是用于收集车辆部件数据的示例性系统的框图。
25.图2a是用于设计车辆部件的示例性过程的流程图的第一部分。
26.图2b是图2a的流程图的第二部分。
具体实施方式
27.服务器可以在车辆操作期间从多个车辆收集车辆部件数据和车辆环境数据。通常，服务器收集在车辆部件参数的指定范围内的车辆部件数据。指定范围可以基于车辆部件的预测工况来确定，并且因此可能不捕获车辆部件的所有实际工况。有利地，服务器可以基于指定或预期的操作参数范围之外的数据来识别事件。然后，服务器可以基于事件来更新指定范围，这允许服务器收集车辆部件的实际工况的数据。
28.然后，服务器可以用将环境数据与在指定范围内的车辆部件数据关联的传递函数来测试虚拟部件的部件模型，从而改进可以为部件提供的规格，即，尺寸和/或形状可以被更好地指定。也就是说，通过根据所收集的部件数据来根据经历的应力和应变调整模型，可以将部件设计成满足一个或多个优化标准，例如成本、重量、疲劳极限等。将传递函数输入到部件模型的预测损坏模型提供将在操作期间施加到车辆部件的应力的更准确的表示，并允许调整部件模型以考虑到那些应力。
29.参考图1，用于收集车辆部件数据的示例性系统100包括多个车辆105和服务器140。每个车辆105中的车辆计算机110从传感器115接收数据。车辆计算机110向服务器140提供数据。服务器140被编程为将关于多个车辆105的操作的车辆环境数据和用于车辆部件125的车辆部件数据输入到机器学习程序以获得传递函数，所述传递函数将车辆环境数据与在车辆部件参数的指定范围内的车辆部件数据关联。服务器140还被编程为基于确定车辆部件数据中的数据在指定范围之外来识别第一事件。服务器140还被编程为基于第一事件来更新车辆部件的预测性损坏模型。服务器140还被编程为基于来自预测性损坏模型的输出来调整部件模型的虚拟参数。
30.每个车辆105包括车辆计算机110、传感器115、用于致动各种车辆部件125的致动器120以及车辆通信模块130。通信模块130允许车辆计算机110例如经由消息传递或广播协议(诸如专用短程通信(dsrc)、蜂窝和/或可以支持车辆对车辆、车辆对基础设施、车辆对云通信等的其他协议)和/或经由分组网络135与服务器140和/或其他车辆进行通信。
31.车辆计算机110包括诸如已知的处理器和存储器。存储器包括一种或多种形式的计算机可读介质，并且存储指令，所述指令可由车辆计算机110执行以用于执行包括如本文所公开的各种操作。车辆计算机110还可以包括协同操作以执行车辆105操作(包括本文所述的操作)的两个或更多个计算装置。此外，车辆计算机110可以是具有如上所述的处理器和存储器的通用计算机，和/或可以包括专用电子电路，所述专用电子电路包括针对特定操作而制造的asic，例如，用于处理传感器数据和/或传送传感器数据的asic。在另一个示例中，车辆计算机110可以包括fpga(现场可编程门阵列)，所述fpga是被制造为可由用户配置的集成电路。通常，在电子设计自动化中使用诸如vhdl(超高速集成电路硬件描述语言)的硬件描述语言来描述诸如fpga和asic的数字和混合信号系统。例如，asic是基于制造前提供的vhdl编程而制造的，而fpga内部的逻辑部件可以基于例如存储在电连接到fpga电路的存储器中的vhdl编程来配置。在一些示例中，处理器、asic和/或fpga电路的组合可以包括在车辆计算机110中。
32.车辆计算机110可以自主模式、半自主模式或非自主(或手动)模式来操作车辆105。出于本公开的目的，自主模式被限定为其中车辆105的推进、制动和转向中的每一者都由车辆计算机110控制的模式；在半自主模式中，车辆计算机110控制车辆105的推进、制动
和转向中的一者或两者；在非自主模式中，人类操作员控制车辆105的推进、制动和转向中的每一者。
33.车辆计算机110可以包括编程以操作车辆105制动、推进(例如，通过控制内燃发动机、电动马达、混合动力发动机等中的一者或多者来控制车辆105的加速)、转向、变速器、气候控制、内部灯和/或外部灯、喇叭、车门等中的一者或多者，以及确定车辆计算机110(而非人类操作员)是否以及何时控制此类操作。
34.车辆计算机110可以包括一个以上处理器或例如经由如下面进一步描述的车辆通信网络(诸如，通信总线)通信地联接到所述一个以上处理器，所述一个以上处理器例如包括在车辆105中所包括的用于监测和/或控制各种车辆部件125的电子控制器单元(ecu)等中，例如变速器控制器、制动控制器、转向控制器等。车辆计算机110通常被布置用于在车辆通信网络上进行通信，所述车辆通信网络可以包括车辆105中的总线，诸如控制器局域网(can)等，和/或其他有线和/或无线机制。
35.经由车辆105网络，车辆计算机110可以向车辆105中的各种装置(例如，传感器115、致动器120、ecu等)传输消息和/或从各种装置接收消息(例如，can消息)。替代地或另外，在车辆计算机110实际上包括多个装置的情况下，车辆通信网络可以用于在本公开中表示为车辆计算机110的装置之间的通信。此外，如下文所提及，各种控制器和/或传感器115可以经由车辆通信网络向车辆计算机110提供数据。
36.车辆105传感器115可以包括诸如已知的用于向车辆计算机110提供数据的多种装置。例如，传感器115可以包括设置在车辆105的顶部上、在车辆105的前挡风玻璃后面、在车辆105周围等的光探测和测距(激光雷达)传感器115等，所述传感器提供车辆105周围的对象的相对位置、大小和形状。作为另一个示例，固定到车辆105保险杠的一个或多个雷达传感器115可以提供数据来提供对象、第二车辆等相对于车辆105的位置的位置。替代地或另外，传感器115还可以例如包括相机传感器115(例如，前视、侧视等)，所述相机传感器提供来自车辆105周围的区域的图像。在本公开的上下文中，对象是具有质量并可以通过可以由传感器115检测到的物理现象(例如，光或其他电磁波或声音等)来表示的物理(即，物质)物品。因此，车辆105以及包括如下面所讨论的其他物品都落在本文的“对象”的定义内。
37.车辆计算机110被编程为基本上连续地、周期性地和/或在服务器140指示时等从一个或多个传感器115接收数据。所述数据可以例如包括车辆105的位置。位置数据指定地面上的一个或多个点并可以为已知形式，例如经由已知的使用全球定位系统(gps)的导航系统获得的地理坐标，诸如纬度和经度坐标。另外或替代地，数据可以包括对象(例如，车辆、标志、树等)相对于车辆105的位置。作为一个示例，数据可以是车辆105周围的环境的图像数据。在这样的示例中，图像数据可以包括当前道路上或沿当前道路的一个或多个对象，例如其他车辆，和/或标志，例如车道标志。本文的图像数据意指可以由相机传感器115获取的数字图像数据，例如，包括具有强度值和颜色值的像素。传感器115可以安装到车辆105中或上的任何合适的位置，例如，在车辆105保险杠上、在车辆105的车顶上等，以收集车辆105周围的环境的图像。
38.车辆105致动器120经由可以根据如已知的适当控制信号来致动各种车辆子系统的电路、芯片或其他电子和/或机械部件来实现。致动器120可以用于控制部件125，包括车辆105的制动、加速和转向。
39.在本公开的上下文中，车辆部件125是适于执行机械或机电功能或操作(诸如使车辆105移动、使车辆105减速或停止、使车辆105转向等)的一个或多个硬件部件。部件125的非限制性示例包括推进部件(其包括例如内燃发动机和/或电动马达等)、变速器部件、转向部件(例如，其可以包括方向盘、转向齿条等中的一者或多者)、悬架部件125(例如，其可以包括阻尼器(例如，减震器或滑柱)、衬套、弹簧、控制臂、球头节、连杆等中的一者或多者)、制动部件、停车辅助部件、自适应巡航控制部件、自适应转向部件、一个或多个被动约束系统(例如，安全气囊)、可移动座椅等。
40.另外，车辆计算机110可以被配置用于经由车辆对车辆通信模块130或接口与车辆105外部的装置通信，例如，通过车辆对车辆(v2v)或车辆对基础设施(v2x)无线通信(蜂窝和/或dsrc等)与另一车辆和/或服务器140(通常经由直接射频通信)通信。通信模块130可以包括车辆的计算机可以通过其进行通信的一种或多种机制，诸如收发器，包括无线(例如，蜂窝、无线、卫星、微波和射频)通信机制的任何期望组合以及任何期望网络拓扑(或当利用多种通信机制时的多种拓扑)。经由通信模块130提供的示例性通信包括提供数据通信服务的蜂窝、蓝牙、ieee 802.11、专用短程通信(dsrc)和/或包括互联网的广域网(wan)。
41.网络135表示车辆计算机110可借助其来与远程计算装置(例如，服务器140、另一个车辆计算机等)进行通信的一种或多种机制。因此，网络135可以是各种有线或无线通信机制中的一者或多者，包括有线(例如，电缆和光纤)和/或无线(例如，蜂窝、无线、卫星、微波和射频)通信机制的任何期望的组合以及任何期望的网络拓扑(或利用多种通信机制时的多种拓扑)。示例性通信网络包括提供数据通信服务的无线通信网络(例如，使用低功耗(ble)、ieee802.11、车辆对车辆(v2v)诸如专用短程通信(dsrc)等)、局域网(lan)和/或包括互联网的广域网(wan)。
42.当沿着道路操作车辆105时，车辆计算机110可以被编程为接收一个或多个车辆部件125的车辆部件数据。例如，车辆计算机110可以从与相应的车辆部件125相关联的一个或多个传感器115接收传感器115数据。车辆部件数据包括车辆部件125的车辆部件参数。在这种背景下，“部件参数”是车辆部件125的可测量的操作量。部件参数描述与操作部件相关联的物理现象。示例性部件参数包括例如扭矩、温度、角速度等。然后，车辆计算机110可以将每个车辆部件125的车辆部件数据提供给服务器140。例如，车辆计算机110可以例如经由网络135将车辆部件数据传输到服务器140。
43.车辆部件数据还可以包括用户输入数据。车辆计算机110可以确定来自与一个或多个车辆部件125相关联的传感器115的用户输入数据。用户输入数据指定对一个或多个车辆部件125的用户输入。例如，车辆计算机110可以经由制动传感器115检测制动部件125的致动。制动传感器115可以是任何合适类型的传感器，其用于测量制动踏板的移动，包括测量施加到制动踏板的压力有多大。制动传感器115可以向车辆计算机110输出表示同样多的信号。作为另一示例，车辆计算机110可以从方向盘传感器接收指定方向盘角度的转向数据。方向盘角度指示从用户输入到方向盘的旋转。
44.另外，车辆计算机110可以被编程为获得车辆环境数据。在本背景下，道路是包括被设置用于陆地车辆行驶的任何表面的地面区域。道路例如通过地理围栏限定有边界。车辆环境数据是关于一个或多个车辆105子系统和/或部件125的操作收集的数据的子集，特别是提供车辆外部(即，在车辆周围的环境中)的现象的测量值的数据；车辆环境数据包括
道路数据、天气数据、交通密度数据和车辆性能数据。然后，车辆计算机110可以向服务器140提供车辆环境数据。例如，车辆计算机110可以例如经由网络135将车辆环境数据传输到远程服务器计算机140。
45.车辆计算机110可以例如基于地图数据来识别车辆105操作的当前道路。车辆计算机110可以例如经由网络135从远程服务器计算机140接收地图数据。在这种示例中，地理围栏根据地理坐标指定道路的周界，所述地理坐标例如诸如在全球定位系统(gps)中使用的地理坐标，其指定限定道路的边界(即，周界)的线。车辆计算机110然后可以基于车辆105的指示车辆105在地理围栏内的位置数据来确定车辆105在道路上。
46.在识别车辆105操作的当前道路后，车辆计算机110可以确定当前道路的一个或多个特性，即描述道路的测量值和/或限制的物理量。例如，道路特性可以包括曲率、倾斜度、速度限制、车道数量等。例如，车辆计算机110可以基于地图数据确定道路特性。车辆计算机110然后可以基于当前道路的特性来确定当前道路的类型。道路的类型是描述道路的预期车辆使用的道路分类。道路的每种类型还由多个预定义的特性定义。道路类型可以通过描述道路类型的标识符来识别。道路的类型的非限制性示例包括：公路、高速公路、快车道、应急道、边道、驶出匝道、驶入匝道。每种类型的道路的多个预定义特性可以例如通过政府法规来指定。
47.车辆计算机110可以基于传感器115数据来确定车辆105位置的天气数据。例如，车辆计算机110可以例如使用图像处理技术来分析图像数据，以确定车辆105位置的天气数据。作为另一示例，车辆计算机110可以从例如降水传感器115、环境温度传感器115、湿度传感器115等接收指示车辆105位置的天气数据的数据。作为又一示例，车辆计算机110可以从外部服务器(例如，从气象站)接收天气数据。天气数据通常包括常规测量值，例如环境气温、环境湿度、降水信息、预报、风速等。也就是说，除了周围环境中的其他物理现象之外，例如气温、环境光的量、是否存在降水、降水类型(例如雪、雨等)、降水量(例如每单位时间接收的降水量或降水深度，例如，每分钟或每小时的降雨量)、是否存在可能影响可见度的大气遮挡物(例如雾、烟、灰尘、烟雾)、可见度水平(例如，从0到1的范围，0表示没有可见度，且1表示无遮挡的可见度)等，天气数据还可以指定风速和风向。
48.车辆计算机110可以基于传感器115数据(例如，车辆105周围的环境的图像数据)来确定道路的交通密度。交通密度数据指定道路的交通密度。交通密度是沿道路的长度每单位距离车辆的数量，例如每公里车辆的数量。然后，车辆计算机110可以例如使用图像处理技术对沿着道路的区段在与车辆105相同的方向上行驶的车辆的数量进行计数，并且将该数量除以道路的区段的长度。车辆计算机110可以基于例如存储在车辆计算机110的存储器中的传感器115的视野来确定区段的长度。
49.车辆计算机110可以基于传感器115数据来确定车辆性能。在这种背景下，“性能数据”是提供车辆105的输出的定量测量的数据。例如，性能数据可以包括例如车辆105的速度、车辆105的加速度、车辆105的航向等。车辆计算机110可以从车辆速度传感器接收速度数据。车辆速度传感器可以输出车辆速度，即车辆相对于诸如道路的地面通常在前向方向上的移动速率。例如，可以提供已知的一个或多个车轮速度传感器来检测车辆车轮的旋转速率，由此可以确定车辆的速度。替代地或另外，车辆速度传感器可以检测曲轴的旋转速率，由此可以确定车辆速度。另外，车辆计算机110可以从惯性测量单元(imu)接收加速度数
据。“惯性测量单元”是检测车辆坐标系中的线性加速度和旋转加速度的一组传感器115。imu传感器115可以包括例如加速度计、陀螺仪、压力传感器、磁力计等。
50.服务器140可以是被编程为提供诸如本文公开的操作的常规计算装置，例如，包括一个或多个处理器和一个或多个存储器。此外，可以经由网络135(例如，因特网、蜂窝网络和/或某一其他广域网)来访问服务器140。
51.在接收到车辆环境数据和车辆部件数据时，服务器140可以将车辆环境数据、车辆部件数据和指定范围的车辆部件参数输入到输出传递函数的第一机器学习程序。传递函数是针对每个可能的输入对系统的输出进行建模的数学函数。第一机器学习程序可以是神经网络，例如卷积神经网络(cnn)。cnn是可以在计算装置上实施的软件程序，所述软件程序可以被训练为输入车辆环境数据和车辆部件数据并输出传递函数。cnn包括一系列层，其中每一层使用前一层作为输入。每个层包含多个神经元，所述多个神经元各自接收由前一层的神经元的子集生成的数据作为输入，并且生成发送给下一层中的神经元的输出。层的类型包括：卷积层，其计算权重和小区域的输入数据的点积；池化层，其沿着空间维度执行下采样操作；以及全连接层，其基于前一层的所有神经元的输出而产生。卷积神经网络的最后一层为每种潜在传递函数生成分数，并且最终输出是分数最高的传递函数。
52.传递函数将车辆环境数据与车辆部件参数的指定范围内的车辆部件数据关联。指定范围是由车辆部件参数的最小值和最大值限定的范围，所述车辆部件参数已经例如由部件制造商或车辆制造商例如基于对正常车辆部件操作的经验测试、先前的现场使用等确定。如上所解释的，车辆部件参数是车辆部件125的可测量的操作量。可以基于对车辆部件参数的经验测试和可能发生材料疲劳的指定值而确定最小值和最大值。指定范围可以存储在例如服务器140的存储器中。
53.服务器140可以被编程为基于车辆部件数据来确定车辆部件的事件总数(如下面所讨论的，当参数在其指定范围之外时，事件被认为发生)。例如，服务器140可以将车辆部件参数与指定范围进行比较。然后，服务器140可以对指定范围之外的每个数据进行计数。也就是说，在确定数据在指定范围之外时，服务器140可以将事件的总数增加1。服务器140可以将事件总数存储在例如服务器140的存储器中。
54.服务器140可以基于事件总数来更新部件参数的指定范围。例如，在确定事件的总数在预定时间内为零后，服务器140可以减小指定范围。例如，服务器140可以将车辆部件参数的最大值减小(或将最小值增大)预定百分比，例如5％。可以基于对车辆部件参数的经验测试和可能发生材料疲劳的指定值而确定预定百分比。可以例如通过确定车辆操作的平均时间以识别事件来以经验确定预定时间。预定时间可以存储在例如服务器140的存储器中。服务器140可以例如在检测到车辆正在操作时例如通过从车辆接收数据来启动计时器。计时器可以具有等于预定时间的持续时间。服务器140可以例如在检测到车辆不在操作时，例如通过不从车辆接收数据来使计时器停止。
55.服务器140可以被编程为基于车辆部件的事件总数来更新指定范围。例如，服务器140可以将事件总数与下限进行比较。当事件的总数大于或等于下限时，服务器140可以维持指定范围。当事件的总数小于下限时，服务器140可以将指定范围减小例如预定百分比。可以通过确定满足事件数量与在指定范围内的车辆部件参数的比率(例如，由车辆和/或部件制造商指定)的最小事件数量来确定下限。下限可以存储在例如服务器140的存储器中。
服务器140可以继续将指定范围减小预定百分比，直到事件总数大于或等于下限为止。
56.服务器140被编程为基于在指定范围之外的车辆部件数据的每个数据来识别每个事件。例如，服务器140可以将指定范围之外的每个数据和与每个数据相关联的车辆环境数据输入到另一个机器学习程序中，所述另一个机器学习程序输出每个数据的所识别的事件。机器学习程序可以基于指定范围之外的数据来生成多个事件。
57.输出所识别的事件的机器学习程序可以是神经网络，例如深度神经网络，诸如cnn、r-cnn(基于区域的cnn)、快速r-cnn和更快的r-cnn等，其包括成本函数。成本函数可以包括多个加权变量，所述多个加权变量可以被调谐以最小化参考输入与生成的输出之间的差值。机器学习程序可以输出对应于成本函数的低于预定成本阈值的值的输出事件。可以将成本阈值确定为机器学习程序以预定百分比正确地生成对应于参考输入的输出的值，例如在生成的输出中正确地识别95％的输入。机器学习程序可以根据特定特性来对事件进行聚类。例如，机器学习程序可以根据道路属性(如下所述)以及然后根据车辆使用属性对事件进行聚类。
58.在这种背景下，“事件”与关于道路的一组特性相关联，该组特性包括道路属性和道路上的车辆使用属性。另外，关于道路的一组特性可以包括用户属性。与不同事件相关联的道路在部件125上引起不同的应力，这可能要求调整部件125的设计以改善部件125的寿命。
59.每个事件都与特定的道路属性相关联。“道路属性”是对道路和周围区域的物理特性的描述。也就是说，每个道路属性描述关于道路和/或道路周围的环境的可能影响部件125的操作的特性。例如，每个道路属性可以描述一种或多种类型的道路，例如公路、高速公路、城市街道等。另外或替代地，每个道路属性可以描述道路的一个或多个特性，例如速度限制、曲率、坡度等。另外或替代地，每个道路属性可以包括道路的天气数据，例如，不存在或存在降水、降水类型等。
60.每个事件都与特定的车辆使用属性相关联。“车辆使用属性”是对道路上的车辆性能的描述。也就是说，每个车辆使用属性是指定车辆如何操作的可以影响部件125的操作的量(即，值)。例如，每个车辆使用属性可以描述道路的交通密度。例如，在交通密度高于饱和点(即，交通密度超过该点时，交通速度(即车辆在道路上的某个点处的平均速度)降低)的道路上操作车辆105可以包括将车辆制动至停止并且使车辆从停止加速，这涉及多个子系统(例如，推进、制动等)的部件125的操作。另外或替代地，每个车辆使用属性可以描述车辆性能，例如速度、加速度等。停止、转弯和加速可能会增加与各种子系统(例如，制动、转向、推进等)相关联的对部件125的磨损。
61.另外或替代地，每个事件可以与用户属性相关联。“用户属性”是对道路上的车辆105的用户操作的描述。也就是说，每个用户属性指定车辆105的用户操作可以如何影响部件125的操作。例如，每个用户属性可以描述用户输入，例如，施加到方向盘的扭矩、施加到制动踏板的压力、施加到加速踏板的压力等。用户输入(例如激进的制动或加速、超速转弯等)可能会进一步增加与各种子系统(例如，制动、转向、推进等)相关联的对部件125的磨损。服务器140可以使用分配给事件的数据来基于道路属性、车辆使用属性和/或用户属性来调整与相应子系统相关联的部件125的设计。
62.服务器140可以基于识别事件的总数来更新指定范围。例如，在确定事件的总数大
于或等于下限时，服务器140可以将第一事件的数量与第一阈值进行比较。可以以经验确定第一阈值，例如，通过确定第一事件的最大数量，超过最大数量时，服务器140确定第一事件表示车辆部件的正常操作。第一阈值可以存储在例如服务器140的存储器中。在确定第一事件的数量大于或等于第一阈值时，服务器140可以更新指定范围。例如，服务器140可以例如通过减小车辆部件参数的最小值和/或增加最大值来增大指定范围，以包括与第一事件相关联的车辆部件数据。
63.另外或替代地，在确定第一事件的数量小于第一阈值时，服务器140可以将第一事件的数量与第二阈值进行比较。可以以经验确定第二阈值，例如，通过确定服务器140可以识别事件传递函数时事件的数量(如下面所讨论的)。第二阈值可以存储在例如服务器140的第二存储器中。
64.服务器140可以被编程为通过对每个识别的事件进行计数来确定识别的事件的数量。例如，在识别第一事件时，服务器140可以将第一事件的数量增加1。服务器140可以将每个识别的事件总数存储在例如服务器140的存储器中。
65.在确定第一事件的数量大于或等于第二阈值时，服务器140被编程为确定事件传递函数。事件传递函数将第一事件与关于事件范围内的每个第一事件的数据关联。事件范围是由与第一事件相关联的车辆部件参数的数据的最小值和最大值限定的范围。服务器140可以将第一事件和关于每个第一事件的数据输入到输出事件传递函数的第二机器学习程序。第二机器学习程序可以基本上类似于第一机器学习程序，如上面所讨论的。
66.另外，在确定事件传递函数时，服务器140可以基于事件传递函数和传递函数来确定耐久性传递函数。耐久性传递函数将车辆环境数据与耐久性范围内的车辆部件数据关联。例如，服务器140可以组合(例如，添加)事件传递函数和传递函数：
67.d(x)＝w1t(x)+w2e(x)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
68.其中d(x)表示耐久性传递函数，t(x)表示传递函数，e(x)表示事件传递函数，并且w1和w2是权重，例如，在0与1之间。权重w1和w2可以通过对实际车辆部件125操作和模拟的虚拟部件125操作进行许多观察来以经验确定。服务器140可以通过组合指定范围和事件范围(例如，将它们相加)来确定耐久性范围。例如，服务器140可以例如通过减小车辆部件参数的最小值和/或增加其最大值来增大指定范围，以包括事件范围。
69.在确定第一事件的数量小于第二阈值时，服务器140可以为每个第一事件生成事件包络。事件包络是车辆环境数据和车辆部件数据随时间变化的曲线图。服务器140将在一定时间段内收集的车辆环境数据和车辆部件数据输入到事件包络。事件包络显示所述时间段期间车辆环境数据和车辆部件数据的变化。事件包络居中，即，原点在第一事件。也就是说，所述时间段在第一事件的时间之前和之后以相等的持续时间延伸。所述时间段可以是例如预定时间段，例如30秒、2分钟、5分钟等。时间段可以存储在例如服务器140的存储器中。
70.服务器140可以被编程为向用户计算机145提供事件包络。例如，服务器140可以例如经由网络135将事件包络传输到用户计算机145。然后，用户计算机145可以向用户显示事件包络。用户计算机145可以是被编程为提供诸如本文所公开的操作的常规计算装置，即，包括一个或多个处理器和一个或多个存储器。此外，可以经由网络135(例如，因特网、蜂窝网络和/或某个其他广域网)来访问用户计算机145。
71.在与事件包络相同或不同的传输中，服务器140可以请求指定第一事件的不存在或存在的用户输入。用户计算机145可以包括人机接口(hmi)，所述hmi包括用户输入装置，诸如旋钮、按钮、开关、踏板、操纵杆、触摸屏和/或传声器等。输入装置可以包括传感器以检测用户输入并将用户输入数据提供给用户计算机145。也就是说，用户计算机145可以被编程为从hmi接收用户输入。用户可以例如通过按下触摸屏显示器上的虚拟按钮、通过提供语音命令等经由hmi来提供每个用户输入。例如，包括在hmi中的触摸屏显示器可以包括传感器以检测用户按下触摸屏显示器上的虚拟按钮以例如指定识别的事件的存在或不存在，该输入可以被接收在用户计算机145中并用于确定对用户输入的选择。然后，用户计算机145可以向服务器140提供用户输入。例如，用户计算机145可以例如经由网络135将指定用户输入的响应传输到服务器140。
72.然后，例如，服务器140可以基于指定第一事件的存在的用户输入来更新部件参数的指定范围。例如，服务器140可以增大指定范围以包括与第一事件相关联的车辆部件数据。相反，服务器140可以基于指定不存在第一事件的用户输入来维持指定范围。
73.另外或替代地，在确定第一事件的数量小于第二阈值时，服务器140可以被编程为基于车辆部件125的健康数据来更新指定范围。服务器140可以将健康数据与第一事件关联。例如，服务器140可以将健康状况数据与第一事件进行比较。当包括在健康状况数据中的车辆部件数据与第一事件的车辆部件数据匹配时，服务器140可以将健康状况数据与第一事件关联。当包括在健康状况数据中的车辆部件数据与第一事件的车辆部件数据不匹配时，服务器140可以确定健康状况数据与第一事件之间无关联。
74.健康状况数据是识别车辆部件125中的可能故障等(即，与定义的正常操作行为的偏差)的数据。健康状况数据可以包括与车辆部件125相关联的诊断故障代码。服务器140可以例如从车辆计算机110接收dtc。在这种示例中，车辆计算机110可以例如从监测相应车辆部件125的一个或多个传感器115接收描述车辆部件125的操作的数据。当一个或多个车辆部件参数在指定范围之外时，车辆计算机110可以为车辆部件125设置dtc。然后，车辆计算机110可以将dtc和车辆部件数据提供给服务器140，例如经由网络135传输。然后，服务器140可以更新指定范围以包括与dtc相关联的车辆部件数据。另外或替代地，健康数据可以包括与车辆部件相关联的保修数据。服务器140可以例如经由网络135从一个或多个计算机(诸如用户计算机145或与经销商、维修站等相关联的计算机)接收保修数据。保修数据包括车辆部件数据。然后，服务器140可以更新指定范围以包括与保修数据相关联的车辆部件数据。
75.服务器140被编程为基于更新的指定范围来确定更新的传递函数。例如，服务器140可以将车辆环境数据、车辆部件数据和车辆部件参数的更新的指定范围输入到第一机器学习程序，如上面所讨论的。在这种情况下，第一机器学习程序输出更新的传递函数。更新的传递函数将车辆环境数据与车辆部件参数的更新的指定范围内的车辆部件数据关联。
76.服务器140可以为每个车辆部件125生成部件模型。“部件模型”是描述部件125的测量值(即，尺寸)(例如，长度、宽度、高度、厚度、轮廓或曲率等)以及构造部件所需的其他属性(包括材料组成)的三维表示。部件模型可以在工程图(诸如计算机辅助设计(cad)图和/或计算机辅助工程(cae)模型)中呈现。例如，部件125可以是转向差速器，所述转向差速器将扭矩从动力传动系统传输到车轮。在这种示例中，应优化部件125以在维持材料强度的
同时减少制造部件125的材料的量，以在预定时间段(例如，由制造商保修指定的时间，例如5年)和/或预定使用量(例如，6万英里)内传输扭矩。部件模型可以存储在例如服务器140的存储器中。服务器140可以根据部件125的预定尺寸集来生成第一部件模型，并且可以将第一部件模型的大小和/或形状调整为另一部件模型。
77.服务器140可以将部件模型和函数(例如，传递函数、更新的传递函数或耐久性传递函数中的一者)输入到预测性损坏模型。“预测性损坏模型”是对由部件模型表示的虚拟部件125上的应力的模拟，所述应力例如机械应力、热应力、随时间变化的应力、来自部件125的各部分的移动的应力等。预测性损坏模型可以是cae模型，所述cae模型接收部件模型和函数作为输入并生成指示虚拟部件125上的应力的数据作为输出。也就是说，预测性损坏模型可以是从输入(诸如模拟的扭矩)模拟虚拟部件125上的应力的等式或等式集。例如，预测性损坏模型的输出可以包括“疲劳极限”，即指定虚拟部件上生成超出材料屈服强度的应变的应力的运动量。例如，旋转部件125(例如转向差速器)的疲劳极限可以是应力在指定扭矩下达到屈服强度时的转数。也就是说，指定的扭矩可以使虚拟部件125旋转并生成应力。当应力引起达到或超出屈服强度的应变时，预测性损坏模型可以输出达到屈服强度时的转数作为疲劳极限。
78.服务器140可以基于预测性损坏模型来调整部件模型的一个或多个虚拟参数，例如，大小、形状、重量、材料厚度等。如上所述，部件模型描述了虚拟部件125的大小、形状和材料组成。服务器140可以基于来自预测性损坏模型的输出来调整部件模型，以调整来自预测性损坏模型的输出。服务器140可以基于预测性损坏模型的输出来调整部件模型的虚拟参数。例如，服务器140可以减小部件模型的一部分的大小以生成新的部件模型，以减少构造部件125所需的材料量，并将调整后的部件模型输入到预测性损坏模型以生成调整后的部件模型的疲劳极限。在另一示例中，服务器140可以将部件模型的大小增加到调整后的部件模型，以减少由虚拟部件125上的应力引起的应变。
79.服务器140可以调整部件模型，直到满足一个或多个优化标准为止。在这种背景下，“优化标准”是当服务器140调整部件模型时虚拟部件125的改变的可测量的量。示例性优化标准包括例如大小、成本、重量、疲劳极限等。例如，服务器140可以减小部件模型的大小，并将调整后的部件模型输入到预测性损坏模型，直到满足重量优化标准和疲劳极限优化标准为止。也就是说，当服务器140减小部件模型的大小时，根据部件模型构造的车辆部件125的重量减小，并且车辆部件125的疲劳极限减小。服务器140可以将函数和连续调整的部件模型输入到连续的预测性损坏模型，直到满足一个或多个优化标准为止。服务器140可以调整部件模型的大小，以减轻虚拟部件125的重量，同时维持由优化标准指定的疲劳极限。替代地或另外，服务器140可以调整部件模型的形状和/或材料组成以满足优化标准。例如，服务器140可以识别部件模型中应力超出第一应力阈值的部分，并且可以增加所述部分的材料厚度以将应力减小到低于第一应力阈值。服务器140可以识别部件模型中应力低于第二应力阈值的第二部分，并且可以减小第二部分的材料厚度以减轻第二部分的重量。应力阈值可以是例如材料的屈服强度乘以预定安全系数(例如，0.8)。第二应力阈值可以是材料的屈服强度乘以最小应力乘数(例如，0.2)。
80.在满足优化标准时，服务器140可以将调整后的部件模型输入到车辆动力学模型中。“车辆动力学模型”是描述车辆105运动的运动学模型，所述运动学模型输出根据调整后
的部件模型构造的虚拟部件125的性能数据。车辆动力学模型包括多个虚拟路段的模型，每个路段表示与事件相关联的一个或多个路况，如上所述。每个路段包括指定的曲率、斜率和坡度，以及交通标志、交通灯和道路标记。另外或替代地，车辆动力学模型可以接收函数，并且可以根据函数对虚拟部件125的性能进行建模。也就是说，车辆动力学模型根据从多个车辆105接收的车辆环境数据和车辆部件数据来输出虚拟部件125的性能。通过将具有调整后的部件模型的虚拟车辆输入到车辆动力学模型，服务器140可以收集关于虚拟部件125的由调整后的部件模型表示的关于对应于事件的路段的性能的数据。也就是说，服务器140可以在补充预测性损坏模型的多个不同(模拟的和/或实际的)环境和车辆使用场景中测试虚拟部件125。
81.图2a是用于设计车辆部件125的示例性过程200的流程图的第一部分(图2b中示出了第二部分，因为整个流程图不适合于单张图纸)。过程200在框205中开始。过程200可以由服务器140来实行，所述服务器执行存储在其存储器中的程序指令。
82.在框205中，服务器140例如经由网络135从多个车辆105接收车辆环境数据和车辆部件数据。例如，每个车辆105中的车辆计算机110可以被编程为获得一个或多个车辆部件125的车辆部件数据。例如，车辆计算机110可以从与相应的车辆部件125相关联的一个或多个传感器115接收传感器115数据。传感器115数据可以包括一个或多个车辆部件参数。如上所述，车辆部件参数是车辆部件125的可测量的操作量。然后，车辆计算机110可以例如经由网络135将车辆部件数据传输到服务器140。
83.另外，车辆计算机110可以被编程为获得车辆环境数据。如上所述，车辆环境数据包括道路数据、天气数据、交通密度数据、车辆性能数据和用户输入数据。车辆计算机110可以基于传感器115数据确定车辆环境数据，如上面所讨论的。然后，车辆计算机110可以例如经由网络135将车辆环境数据传输到远程服务器计算机140。过程200在框210中继续。
84.在框210中，服务器140生成将车辆环境数据与指定范围内的车辆部件数据关联的传递函数。如上所述，指定范围是由对应于正常车辆部件操作的车辆部件参数的最小值和最大值限定的范围。例如，服务器140可以将车辆环境数据、车辆部件数据和指定范围输入到输出传递函数的第一机器学习程序，如上面所讨论的。过程200在框215中继续。
85.在框215中，服务器140确定车辆部件的事件总数。如上所述，事件是关于道路的一组特性，该组特性包括道路属性和道路上的车辆使用属性。服务器140可以通过对指定范围之外的车辆部件数据中的每个数据进行计数来确定事件的总数。过程200在框220中继续。
86.在框220中，服务器140确定事件的总数是否大于或等于下限(如上面所讨论的)。例如，服务器140可以将事件总数与下限进行比较。当事件总数大于或等于下限时，过程200在框230中继续。否则，过程200在框225中继续。
87.在框225中，服务器140更新指定范围。例如，服务器140可以将指定范围减小预定百分比(如上面所讨论的)。过程200返回到框220。
88.在框230中，服务器140基于在指定范围之外的每个数据来识别每个事件。例如，服务器140可以将在指定范围之外的每个数据和与每个数据相关联的车辆环境数据输入到另一个机器学习程序中，所述另一个机器学习程序输出每个数据的所识别的事件。如上所述，机器学习程序可以基于数据来识别多个事件。过程200在框235中继续。
89.在框235中，服务器140确定识别的(例如，第一)事件的数量是否大于或等于第一
阈值(如上面所讨论的)。例如，在识别第一事件时，服务器140可以将第一事件的数量增加1。然后，服务器140可以将第一事件的数量与第一阈值进行比较。当第一事件的数量大于或等于第一阈值时，过程200在框240中继续。否则，过程200在框255中继续。
90.在框240中，服务器140基于第一事件更新指定范围。例如，服务器140可以例如通过减小车辆部件参数的最小值和/或增大最大值来增大指定范围，以包括与第一事件相关联的车辆部件数据。过程200在框245中继续。
91.在框245中，服务器140基于更新的指定范围来更新传递函数。例如，服务器140可以将车辆环境数据、车辆部件数据和更新的指定范围输入到第一机器学习程序。然后，第一机器学习程序可以输出更新的传递函数，所述更新的传递函数将车辆环境数据与更新的指定范围内的车辆部件数据关联。过程200在框250中继续。
92.在框250中，服务器140将更新的传递函数输入到预测性损坏模型。另外，服务器140可以为每个车辆部件125生成部件模型，并且可以将部件模型输入到预测性损坏模型。服务器140可以基于来自预测性损坏模型的输出来调整部件模型的一个或多个虚拟参数，如上面所讨论的。服务器140可以通过将更新的传递函数和连续调整的部件模型输入到连续预测性损坏模型来继续调整部件模型，直到满足一个或多个优化标准(如上面所讨论的)为止。过程200在框295中继续。
93.现在转向图2b，在图2a所示的框250之后，在框255中，服务器140确定第一事件的数量是否大于或等于第二阈值(如上面所讨论的)。当第一事件的数量大于或等于第二阈值时，过程200在框260中继续。否则，过程200在框275中继续。
94.在框260中，服务器140基于第一事件生成事件传递函数。事件传递函数将第一事件与关于事件范围内的每个第一事件的数据关联。如上所述，事件范围是由与第一事件相关联的车辆部件参数的数据的最小值和最大值限定的范围。服务器140可以将第一事件和关于每个第一事件的数据输入到输出事件传递函数的第二机器学习程序。第二机器学习程序可以基本上类似于第一机器学习程序，如上面所讨论的。过程200在框265中继续。
95.在框265中，服务器140基于事件函数和传递函数来生成耐久性传递函数。耐久性传递函数将车辆环境数据与耐久性范围内的车辆部件数据关联。例如，服务器140可以组合事件传递函数和传递函数(例如，将它们相加)，如上面所讨论的。另外，服务器140可以通过组合指定范围和事件范围(例如，将它们相加)来确定耐久性范围。过程200在框270中继续。
96.在框270中，服务器140将耐久性传递函数输入到预测性损坏模型。另外，服务器140可以为每个车辆部件125生成部件模型，并且可以将部件模型输入到预测性损坏模型。服务器140可以基于来自预测性损坏模型的输出来调整部件模型的一个或多个虚拟参数，如上面所讨论的。服务器140可以通过将耐久性传递函数和连续调整的部件模型输入到连续预测性损坏模型来继续调整部件模型，直到满足一个或多个优化标准(如上面所讨论的)为止。过程200在框295中继续。
97.在框275中，服务器140为每个第一事件生成事件包络。如上所述，事件包络是车辆环境数据和车辆部件数据随时间变化的曲线图。服务器140可以在一定时间段(如上面所讨论的)内收集的车辆环境数据和车辆部件数据输入到事件包络。过程200在框280中继续。
98.在框280中，服务器140可以请求指定第一事件的不存在或存在的用户输入。例如，服务器140可以例如经由网络135将请求和事件包络传输到用户计算机145。用户计算机145
可以包括hmi以检测用户输入并向用户计算机145提供用户输入数据。用户计算机145可以基于用户输入数据来确定对用户输入的选择。然后，用户计算机145可以例如经由网络135将对用户输入的选择传输到服务器140。
99.在框285中，服务器140确定是否存在第一事件。例如，服务器140可以从用户计算机145接收用户选择，如框280中所讨论的。在用户选择指定存在第一事件的情况下，服务器140可以确定存在第一事件。在用户选择指定不存在第一事件的情况下，服务器140可以确定不存在第一事件。
100.另外或替代地，服务器140可以例如从用户计算机145或另一计算机接收车辆部件125的健康状况数据。如上面所讨论的，健康状况数据可以包括与车辆部件125相关联的dtc和/或保修数据。然后，服务器140可以将健康状况数据与第一事件进行比较。在健康状况数据与第一事件相关联的情况下，服务器140可以确定存在第一事件。在健康状况数据不与第一事件关联的情况下，服务器140可以确定不存在第一事件。当存在第一事件时，过程200继续返回到框240。否则，过程200在框290中继续。
101.在框290中，服务器140将传递函数输入到预测性损坏模型。另外，服务器140可以为每个车辆部件125生成部件模型，并且可以将部件模型输入到预测性损坏模型。服务器140可以基于来自预测性损坏模型的输出来调整部件模型的一个或多个虚拟参数，如上面所讨论的。服务器140可以通过将传递函数和连续调整的部件模型输入到连续预测性损坏模型来继续调整部件模型，直到满足一个或多个优化标准(如上面所讨论的)为止。过程200在框295中继续。
102.在框295中，服务器140确定根据调整后的部件模型构造的虚拟部件的性能。例如，服务器140可以将调整后的部件模型输入到输出虚拟部件125的性能数据的车辆动力学模型(如上面所讨论的)中。通过将虚拟部件125输出到车辆动力学模型，服务器140可以在补充预测性损坏模型的多个不同(模拟的和/或实际的)环境和车辆使用场景中测试虚拟部件125。过程200在框295之后结束。
103.如本文所使用，副词“基本上”意指形状、结构、测量结果、数量、时间等因为材料、机加工、制造、数据传输、计算速度等的缺陷而可能偏离精确描述的几何形状、距离、测量结果、数量、时间等。
104.通常，所描述的计算系统和/或装置可以采用许多计算机操作系统中的任一者，包括但绝不限于以下版本和/或变型：ford应用、applink/smart device link中间件、microsoft操作系统、microsoft操作系统、unix操作系统(例如，由加利福尼亚州红木海岸的甲骨文公司发布的操作系统)、由纽约州阿蒙克市的国际商业机器公司发布的aix unix操作系统、linux操作系统、由加利福尼亚州库比蒂诺的苹果公司发布的mac osx和ios操作系统、由加拿大滑铁卢的黑莓有限公司发布的blackberry os、以及由谷歌公司和开放手机联盟开发的android操作系统、或由qnx软件系统公司提供的car信息娱乐平台。计算装置的示例包括但不限于车载计算机、计算机工作站、服务器、台式机、笔记本、膝上型计算机或手持计算机、或某一其他计算系统和/或装置。
105.计算机和计算装置一般包括计算机可执行指令，其中所述指令可能够由一个或多
个计算装置(诸如以上所列出的那些)执行。可以从使用多种编程语言和/或技术创建的计算机程序编译或解译计算机可执行指令，所述编程语言和/或技术单独地或者组合地包括但不限于java
tm
、c、c++、matlab、simulink、stateflow、visual basic、java script、perl、html等。这些应用中的一些可以在诸如java虚拟机、dalvik虚拟机等虚拟机上编译和执行。通常来说，处理器(例如，微处理器)例如从存储器、计算机可读介质等接收指令，并执行这些指令，从而执行一个或多个过程，包括本文所述过程中的一者或多者。此类指令和其他数据可以使用各种计算机可读介质来存储和传输。计算装置中的文件通常是存储在诸如存储介质、随机存取存储器等计算机可读介质上的数据的集合。
106.存储器可以包括计算机可读介质(也称为处理器可读介质)，所述计算机可读介质包括参与提供可以由计算机(例如，由计算机的处理器)读取的数据(例如，指令)的任何非暂时性(例如，有形)介质。此类介质可以采取许多形式，包括但不限于非易失性介质和易失性介质。非易失性介质可以包括例如光盘或磁盘以及其他持久性存储器。易失性介质可以包括例如通常构成主存储器的动态随机存取存储器(dram)。此类指令可以由一种或多种传输介质传输，所述一种或多种传输介质包括同轴电缆、铜线和光纤，包括构成联接到ecu的处理器的系统总线的电线。计算机可读介质的常见形式包括例如软盘、柔性盘、硬盘、磁带、任何其他磁性介质、cd-rom、dvd、任何其他光学介质、穿孔卡片、纸带、具有孔图案的任何其他物理介质、ram、prom、eprom、快闪eeprom、任何其他存储器芯片或盒式磁带、或者计算机可从其读取的任何其他介质。
107.数据库、数据存储库或本文所述的其他数据存储装置可以包括用于存储、访问和检索各种数据的各种机构，包括分层数据库、文件系统中的文件集、呈专用格式的应用数据库、关系数据库管理系统(rdbms)等。每个此类数据存储装置通常包括在采用计算机操作系统(诸如以上所提到的那些操作系统中的一个操作系统)的计算装置内，并且经由网络以多种方式中的任一种或多种方式来访问。文件系统可以从计算机操作系统访问，并且可以包括以各种格式存储的文件。除了用于创建、存储、编辑和执行已存储的程序的语言(诸如上述pl/sql语言)之外，rdbms还通常采用结构化查询语言(sql)。
108.在一些示例中，系统元件可以被实施为一个或多个计算装置(例如，服务器、个人计算机等)上、存储在与其相关联的计算机可读介质(例如，磁盘、存储器等)上的计算机可读指令(例如，软件)。计算机程序产品可以包括存储在计算机可读介质上的用于执行本文所述的功能的此类指令。
109.根据本发明，提供了一种系统，所述系统具有计算机，所述计算机包括处理器和存储器，所述存储器存储可由处理器执行以进行以下操作的指令：将关于多个车辆的操作的车辆环境数据和用于车辆部件的车辆部件数据输入到机器学习程序中，以获得将车辆环境数据与在指定范围内的车辆部件参数内的车辆部件数据关联的传递函数；基于确定车辆部件数据中的一个数据在指定范围之外来识别第一事件；基于第一事件来更新车辆部件的预测性损坏模型；以及基于来自预测性损坏模型的输出来调整部件模型的虚拟参数。
110.根据实施例，所述指令还包括用于进行以下操作的指令：在确定多个车辆的第一事件的数量等于阈值时，将第一事件和关于每个第一事件的数据输入到第二机器学习程序；从第二机器学习程序输出将第一事件与第一事件的数据关联的事件传递函数；通过组合传递函数和事件传递函数来确定耐久性传递函数；以及基于耐久性传递函数来更新预测
性损坏模型。
111.根据实施例，所述指令还包括用于更新指定范围以包括关于每个第一事件的数据的指令。
112.根据实施例，所述指令还包括用于在确定第一事件的数量低于阈值时请求指定第一事件的存在或不存在的用户输入的指令。
113.根据实施例，所述指令还包括用于在接收到指定第一事件的存在的用户输入时更新指定范围以包括数据的指令。
114.根据实施例，所述指令还包括用于生成包括车辆部件数据中的一个数据的事件包络并将事件包络提供给用户计算机的指令。
115.根据实施例，所述指令还包括用于在确定第一事件的数量高于阈值时更新指定范围以包括数据的指令。
116.根据实施例，所述指令还包括用于基于第一事件的数量小于或等于下限来减小指定范围的指令。
117.根据实施例，所述指令还包括用于进行以下操作的指令：在调整部件模型的虚拟参数时，基于第一事件更新调整后的部件模型的预测性损坏模型，以及基于调整后的部件模型的预测性损坏模型的输出来调整调整后的部件模型的虚拟部件。
118.根据实施例，所述指令还包括用于进行以下操作的指令：基于第一事件来更新连续的调整后的部件模型的连续的预测性损坏模型，直到满足虚拟参数的优化标准为止。
119.根据实施例，所述指令还包括用于进行以下操作的指令：将调整后的部件模型输入到车辆动力学模型中，所述车辆动力学模型输出根据调整后的部件模型构造的虚拟部件的性能数据。
120.根据实施例，所述车辆动力学模型包括多个路段的模型，并且性能数据包括虚拟部件在每个路段中操作的数据。
121.根据实施例，所述车辆动力学模型包括多个环境状况的模型，并且性能数据包括虚拟部件在多个环境状况下操作的数据。
122.根据实施例，所述指令还包括用于在检测到与车辆部件相关联的诊断故障代码时将第一事件与诊断故障代码关联并且更新指定范围以包括数据的指令。
123.根据实施例，所述指令还包括用于在确定第一事件的数量在预定时间之后为零时增大指定范围的指令。
124.根据实施例，所述预测性损坏模型的输出生成指示虚拟部件上的应力的数据。
125.根据实施例，所述车辆环境数据包括道路数据、天气数据、交通密度数据、车辆性能数据和用户输入数据。
126.根据本发明，一种方法包括：将关于多个车辆的操作的车辆环境数据和用于车辆部件的车辆部件数据输入到机器学习程序中，以获得将车辆环境数据与在指定范围内的车辆部件参数内的车辆部件数据关联的传递函数；基于确定车辆部件数据中的一个数据在指定范围之外来识别第一事件；基于第一事件来更新车辆部件的预测性损坏模型；以及基于来自预测性损坏模型的输出来调整部件模型的虚拟参数。
127.根据实施例，以上发明的特征还在于：在确定多个车辆的第一事件的数量等于阈值时，将第一事件和关于每个第一事件的数据输入到第二机器学习程序；从第二机器学习
程序输出将第一事件与第一事件的数据关联的事件传递函数；通过组合传递函数和事件传递函数来确定耐久性传递函数；以及基于耐久性传递函数来更新预测性损坏模型。
128.根据实施例，以上发明的特征还在于：在调整部件模型的虚拟参数时，基于第一事件更新调整后的部件模型的预测性损坏模型，以及基于调整后的部件模型的预测性损坏模型的输出来调整调整后的部件模型的虚拟部件。