面向嵌入式车辆健康监测的双流物理增强无监督架构
机器学习
2026-02-12 v1 人工智能
摘要
对车辆运行强度的实时量化是商业和重型车队预测性维护和状态监测的关键。传统指标如里程数未能捕捉机械负担，而无监督深度学习模型检测统计异常——通常是瞬时表面冲击——但常将统计稳定误认为机械静止。我们认识到这一关键盲点：高负荷的稳态（如重载爬坡）在统计上看似正常，却对驱动系统造成显著疲劳。为解决此问题，我们提出了双流架构，将无监督学习用于表面异常检测，同时融合宏观物理代理用于累积负荷估计。该方法利用低频传感器数据生成多维健康向量，区分动态危险与持续的机械努力。经 RISC-V 嵌入式平台验证，该架构显示出低计算开销，使其在资源受限的 ECU 上实现全面、基于边缘的健康监测，无需云端监测的延迟或带宽成本。
引用
@article{arxiv.2602.10432,
title = {A Dual-Stream Physics-Augmented Unsupervised Architecture for Runtime Embedded Vehicle Health Monitoring},
author = {Enzo Nicolas Spotorno and Antonio Augusto Medeiros Frohlich},
journal= {arXiv preprint arXiv:2602.10432},
year = {2026}
}
备注
6 pages, submitted to IEEE ISIE 2026