| Abstract: | Motor vehicles produce a large amount of data. This data is of great interest
for many tasks including event detection, monitoring, and predictive maintenance.
In this work, we focus on the battery related data (battery voltage) and address
the problem of discovering noticeable patterns such as the cranking patterns. To
this end, we propose a complete workflow which identifies, cleans and discriminates
patterns of interest. The proposed workflow leverages a novel distance measure
which combines the benefits of Fréchet and Dynamic Time Warping distances. The
patterns of interest are then used to: (i) identify interesting events in a real-time
setting, (ii) estimate the state of health of the underlying battery and how it evolves
through time.***
Les véhicules à moteur produisent une grande quantité de données. Ces données
sont d’un grand intérêt pour de nombreuses tâches, notamment la détection
d’événements, la surveillance et la maintenance prédictive. Dans ce travail, nous
nous concentrons sur les données relatives à la batterie (tension de la batterie) et
nous abordons le problème de la découverte de motifs perceptibles tels que ceux
liés au démarrage. À cette fin, nous proposons un processus complet qui identifie,
nettoie et discrimine les motifs d’intérêt. Le processus proposé s’appuie sur une
nouvelle mesure de la distance qui combine les avantages des distances de Fréchet et
de la déformation temporelle dynamique (DTW). Les motifs d’intérêt sont ensuite
utilisés pour : (i) identifier des événements intéressants en temps réel, (ii) estimer
l’état de santé de la batterie sous-jacente et son évolution dans le temps. |
