AT528325A1 - Verfahren und System zur Erzeugung eines Klassifikators zur indirekten Messung von physikalischen Zuständen eines Prüflings - Google Patents

Verfahren und System zur Erzeugung eines Klassifikators zur indirekten Messung von physikalischen Zuständen eines Prüflings

Info

Publication number
AT528325A1
AT528325A1 ATA50443/2024A AT504432024A AT528325A1 AT 528325 A1 AT528325 A1 AT 528325A1 AT 504432024 A AT504432024 A AT 504432024A AT 528325 A1 AT528325 A1 AT 528325A1
Authority
AT
Austria
Prior art keywords
features
data
technical equipment
feature
classifier
Prior art date
Application number
ATA50443/2024A
Other languages
English (en)
Inventor
Zivadinovic Dipl -Ing Bakk Techn Milan
Rupert Rehrl Dr Christian
Schagerl Dipl -Ing Gerhard
Krznaric MSc Sanja
Original Assignee
Avl List Gmbh
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Avl List Gmbh filed Critical Avl List Gmbh
Priority to ATA50443/2024A priority Critical patent/AT528325A1/de
Priority to PCT/AT2025/060218 priority patent/WO2025245555A1/de
Publication of AT528325A1 publication Critical patent/AT528325A1/de

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2115—Selection of the most significant subset of features by evaluating different subsets according to an optimisation criterion, e.g. class separability, forward selection or backward elimination
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computing Systems (AREA)
  • Secondary Cells (AREA)

Abstract

Die Erfindung betrifft ein computerimplementiertes Verfahren (100) zum Erzeugen eines Klassifikators (1) zur indirekten Messung von physikalischen Zuständen eines Prüflings einer Gattung von Batterien (2) oder Fahrzeugen (3) durch Training eines Klassifikationsalgorithmus, folgende Arbeitsschritte aufweisend: - Erfassen (101) von Betriebsdaten einer Vielzahl technischer Einrichtungen der Gattung, welche Werteverläufe von zeitaufgelösten Messparametern umfassen und ein Betriebsverhalten und eine Umgebung einer jeweiligen technischen Einrichtung aus einem Feldbetrieb charakterisieren, und von Zustandsdaten der jeweiligen technischen Einrichtung während des Feldbetriebs; - Erzeugen (102) von Merkmalen durch Bearbeiten wenigstens eines Teils der Betriebsdaten mittels mathematischer Operationen und/oder durch Auswählen von Datenbereichen aus den Betriebsdaten; - Auswählen (103) von relevanten Merkmalen aus den erzeugten Merkmalen mittels einer Verkettung von Feature-Selection-Methoden; und - Trainieren (107) des Klassifikationsalgorithmus mittels der relevanten Merkmale und der jeweils dazugehörigen Zustandsdaten, wobei der Klassifikator (1) erzeugt wird; wobei die Zustandsdaten die physikalischen Zustände der technischen Einrichtungen (2, 3) charakterisieren.

Description

A ‚hes AT 528 325 A1 2025-12-15
Ss N
Beschreibung
VERFAHREN UND SYSTEM ZUR ERZEUGUNG EINES KLASSIFIKATORS ZUR INDIREKTEN MESSUNG VON PHYSIKALISCHEN ZUSTÄNDEN EINES PRÜFLINGS
[0001] Die Erfindung betrifft ein System und ein computerimplementiertes Verfahren zum Erzeugen eines Klassifikators zur indirekten Messung von physikalischen Zuständen eines Prüflings einer Gattung technischer Einrichtungen, insbesondere eines physikalischen Systems (z.B. HVBatterie) oder eines Fahrzeugs, durch Training eines Klassifikationsalgorithmus, wobei Betriebsdaten einer Vielzahl technischer Einrichtungen der Gattung, welche Werteverläufe von zeitaufgelösten Messparametern umfassen und ein Betriebsverhalten und eine Umgebung einer jeweiligen technischen Einrichtung aus einem Feldbetrieb charakterisieren, und Zustandsdaten der jeweiligen technischen Einrichtung während des Feldbetriebs erfasst werden, wobei auf der Grundlage dieser Daten der Klassifikationsalgorithmus trainiert wird, wodurch der Klassifikator entsteht. Darüber hinaus betrifft die Erfindung einen entsprechenden computerimplementierten Klassifikator und ein System und computerimplementiertes Verfahren zur Anwendung eines solchen Klassifikators.
[0002] Die Qualität ist heutzutage einer der wichtigsten Entscheidungsfaktoren bei der Auswahl eines Kunden zwischen Wettbewerberprodukten in einem Produktsegment. Daher ist das Verständnis über die Kausalität zwischen einzelnen Einrichtungen eines Produkts im Produktverbund und möglichen Defekten über den gesamten Lebenszyklus entscheidend für den Geschäftserfolg eines Produkts und damit auch eines Unternehmens.
[0003] Ein Beispiel für die Anforderungen an ein Produkt, beispielsweise eines Fahrzeugs, ist die Lebensdauer von einzelnen Einrichtungen, beispielsweise der Batterie. Diese Lebensdauer hat einen direkten Einfluss auf die Gesamtbetriebskosten (total cost of ownership) eines Produkts, welche für den Endverbraucher sehr wichtig sind. Diesbezüglich sollte das Produkt einen vorgegebenen Wert nicht überschreiten.
[0004] Um die Funktion eines Produkts auch nach der Herstellung und der Auslieferung an den Kunden sicherstellen zu können, ist es daher von hohem Interesse des Herstellers, die Eigenschaften des Produkts, bei Einheiten mit mehreren technischen Einrichtungen auch einzelne Einrichtungen der Einheit bestimmen zu können. Solche Eigenschaften sind durch physikalische Zustände des Produkts charakterisiert.
[0005] Die Kenntnis der Eigenschaften eines Produkts bzw. von einzelnen technischen Einrichtungen, welche Teil dieses Produkts sind, ist im Allgemeinen wichtiger, je mehr einzelne technische Einrichtungen das Produkt bzw. die Einheit ausmachen. Ein Beispiel für ein solch komplexes Produkt sind HV-Batterien für elektrobetriebene Fahrzeuge oder die elektrobetriebenen Fahrzeuge selbst. Bei solchen Produkten ist es oftmals schwierig, ausgehend von einem Symptom, welches auf eine Fehlfunktion oder mehrere Fehlfunktionen schließen lässt, auf den der Fehlfunktion zugrundeliegenden physikalischen Parameter oder auf die technische Einrichtung zu schließen oder diesen oder diese gar zu identifizieren, welcher oder welche das Symptom hervorruft.
[0006] Es ist eine Aufgabe der Erfindung, ein System und ein Verfahren bereitzustellen, um physikalischen Zustände eines zu untersuchenden technischen Produkts zu bestimmen. Ins-besondere sollen solche physikalischen Zustände bestimmt werden, welche mit bisher bekannten Verfahren nur schwer oder gar nicht messbar sind.
[0007] Diese Aufgaben werden durch die Lehre der unabhängigen Ansprüche gelöst. Vorteilhafte Ausgestaltungen werden in den abhängigen Ansprüchen beansprucht.
[0008] Ein erster Aspekt der Erfindung betrifft ein computerimplementiertes Verfahren zum Erzeugen eines Klassifikators zur indirekten Messung von physikalischen Zuständen eines Prüflings einer Gattung technischer Einrichtungen, welche vorzugsweise Batterien oder Fahrzeuge sind, durch Training eines Klassifikationsalgorithmus, folgende Arbeitsschritte aufweisend:
e Erfassen von Betriebsdaten einer Vielzahl technischer Einrichtungen der Gattung, welche Werteverläufe von zeitaufgelösten Messparametern umfassen und ein Betriebsverhalten und eine Umgebung einer jeweiligen technischen Einrichtung aus einem Feldbetrieb charakterisieren, und von Zustandsdaten der jeweiligen technischen Einrichtung während dem Feldbetrieb;
e Erzeugen von Merkmalen durch Bearbeiten wenigstens eines Teils der Betriebsdaten mittels mathematischer Operationen und/oder durch Auswählen von Datenbereichen aus den Betriebsdaten;
e Auswählen von relevanten Merkmalen aus den erzeugten Merkmalen mittels einer Verkettung von Feature-Selection-Methoden; und
e Trainieren des Klassifikationsalgorithmus mittels der relevanten Merkmale und der jeweils dazugehörigen Zustandsdaten, wobei der Klassifikator erzeugt wird;
wobei die Zustandsdaten die physikalischen Zustände der technischen Einrichtungen charakteri-
sieren.
[0009] Ein Erfassen im Sinne der vorliegenden Offenbarung ist vorzugsweise ein Einlesen von gemessenen Betriebsdaten über eine Datenschnittstelle. Alternativ oder zusätzlich beinhaltet ein Erfassen eine Bestimmung eines Messsignals mittels eines Sensors und/oder eine Nachbearbeitung eines Messignals zum Erzeugen der Betriebsdaten.
[0010] Messparameter im Sinne der vorliegenden Offenbarung umfassen vorzugsweise eine AuBentemperatur, Batterietemperaturen, Zelltemperaturen, Verweildauern in unterschiedlichen Geschwindigkeitsbereichen, eine Anzahl von Kaltstarts, eine Anzahl von Fahrten mit einer bestimmten minimalen Dauer, eine Anzahl von Regenerationen, Ladezustände, Lade-/Entladevorgänge, Batteriesteuerparameter, eine Differenz von maximaler zu minimaler Spannung pro Zelle, eine Ausbalancierung der Häufigkeitszahlen aller Zell-IDs, ein 2d-Histogramm des Wärmemanagements im Modus "Leerlauf" und einer Temperatur des Batterieschützes von über 25 Grad Celsius, insbesondere während des Ladevorgangs, ein 2d-Verweildauerhistogramm der Zelltemperatur und des SOC basierend auf der HV- Busspannung, insbesondere während des Ladevorgangs, eine Differenz-Kühlmitteltemperatur bei Ladevorgängen, und/oder eine Differenz-Zellenspannung über die Entladevorgänge der Batterie.
[0011] Eine mathematische Operation im Sinne der vorliegenden Offenbarung sind Statistiken, insbesondere Mittelwert, Median, Minimum, Maximum oder Standardabweichung, oder Aggregation, Addition, Subtraktion, Multiplikation, Division, Differenzierung, Gradientenberechnung und/oder Integration über bestimmte Dauern und/oder auch multivariate Integrale, bei welchen Messparameter multipliziert und dann integriert werden.
[0012] Eine Gattung von technischen Einrichtungen im Sinne der vorliegenden Offenbarung ist vorzugsweise eine Gesamtheit von technischen Einrichtungen, welche in ihren wesentlichen Merkmalen übereinstimmen und daher weiter vorzugsweise baugleich sind. Vorzugsweise sind die wesentlichen Komponenten der technischen Einrichtungen einer Gattung baugleich. Eine bestimmte technische Einrichtung ist mithin vorzugsweise eine Realisierung der Gattung von technischen Einrichtungen. Insbesondere unterscheiden sich technische Einrichtungen einer Gattung durch Toleranzen, insbesondere Fertigungstoleranzen und/oder Alterungs- bzw. Abnutzungserscheinungen.
[0013] Eine indirekte Messung im Sinne der vorliegenden Offenbarung ist vorzugsweise ein Ermitteln eines gesuchten Messwerts eines Parameters mittels anderer zur Verfügung stehender Information eines zu vermessenden Systems. Weiter vorzugsweise wird der gesuchte Messwert eines Parameters aus wenigstens einem anderen physikalischen Parameter ermittelt.
[0014] Ein Fahrzeug im Sinne der vorliegenden Offenbarung kann vorzugsweise ein Personenkraftwagen, ein Lastkraftwagen, ein Motorrad, eine Baumaschine, ein Schiff, ein landwirtschaftliches Nutzfahrzeug, ein Zug oder ein anderes Transportmittel sein oder umfassen.
[0015] Mittels der Erfindung kann aus Messdaten, insbesondere historischen Messdaten, ein Vorhersagemodell für den Zustand eines Fahrzeugs erstellt werden. Mittels dieses Vorhersagemodells kann der physikalische Zustand des Fahrzeugs dann bestimmt werden. Darüber hinaus kann das Verfahren aber auch auf einzelne Fahrzeugkomponenten angewandt werden, wie bei-
A ‚hes AT 528 325 A1 2025-12-15
Ss N
spielsweise eine Batterie, eine Brennstoffzelle, ein Motor, ein Getriebe, ein Bremssystem oder andere.
[0016] Die physikalischen Zustände können hierbei Eigenschaften der Fahrzeugkomponente angeben, welche als physikalische Größen oder auch als Wahrscheinlichkeiten für eine Eigenschaft definiert sind.
[0017] Das Vorhersagemodell ist als Klassifikator ausgebildet und wird wie folgt trainiert: zeitaufgelöste Messdaten, welche gelabelt sind, werden eingelesen. Auf der Grundlage dieser zeitaufgelösten Messdaten werden Merkmale erzeugt („Feature Generation“ oder „Feature Engineering“). Hierbei kommen insbesondere statistische Berechnung auf der Grundlage der zeitaufgelösten Messdaten zum Einsatz. Aus den erzeugten Merkmalen werden die relevantesten Merkmale, also solche Merkmale, welche für den physikalischen Zustand, der durch die Label angegeben wird, ursächlich sind, ausgewählt („Feature-Selection“). Mittels dieser Merkmale und der dazugehörigen Label wird ein Klassifikationsalgorithmus trainiert (Modeling). Der trainierte Algorithmus ist der Klassifikator. Anders ausgedrückt wird ein Klassifikationsmodell mit einem Algorithmus wie beispielsweise Lineare Regression (lasso), Entscheidungsbäume, Random Forest (RF) oder XGBoost (XGB) mit einer geringen Anzahl an Schätzfunktionen, oder Generalized Linear Model (GLM) unter Berücksichtigung der relevanten Merkmale trainiert. Vorzugsweise wird dieses Modell anhand von Standard-Maßzahlen evaluiert.
[0018] Der trainierte Klassifikator wird schließlich auf weitere zeitaufgelöste Messdaten von Fahrzeugen oder Fahrzeugkomponenten angewandt. Hierbei werden die physikalischen Zustände der Fahrzeuge oder der Fahrzeugkomponenten ermittelt. Die zeitaufgelösten Messdaten liegen dabei als aggregierte Daten vor. Sollten die zeitaufgelösten Daten in anderer Form vorliegen, werden sie zuvor aggregiert, um die Anwendung des Klassifikators zu ermöglichen.
[0019] Für eine exakte Vorhersage eines physikalischen Zustands eines Fahrzeugs oder einer Fahrzeugkomponente ist erfindungsgemäß vorgesehen, eine Verkettung von wenigstens zwei, drei oder vier Feature-Selection-Methoden hintereinander auszuführen. Hierdurch lässt sich die Anzahl an Kanälen mit Messdaten bzw. die Anzahl der aus diesen Messdaten gewonnenen bzw. erzeugten Merkmalen reduzieren, sodass zum Trainieren des Klassifikationsalgorithmus nur noch eine vergleichsweise geringe Anzahl an relevanten Merkmalen verbleibt. Durch das Entfernen irrelevanter oder redundanter Merkmale kann die Modellleistung verbessert werden. Dies reduziert Überanpassung (Overfitting), da das Modell nicht durch irrelevante Daten beeinflusst wird und sich besser auf die wichtigen Muster konzentrieren kann.
[0020] Weniger Merkmale bedeuten weniger Daten, die verarbeitet werden müssen. Dies führt zu einer schnelleren Trainingszeit und geringeren Anforderungen an Speicher und Rechenleistung. Dies ist besonders wichtig bei großen Datensätzen und komplexen Modellen. . Zudem kann über die verbleibenden, eine Ursachenanalyse in Bezug auf einen physikalischen Zustand des jeweiligen Prüflings durchgeführt werden. So können die Merkmale oder die diesen zugrunde liegenden zeitaufgelösten Messdaten nach Anomalien untersucht werden, welche einen physikalischen Zustand ausgelöst haben.
[0021] In einer weiteren vorteilhaften Ausgestaltung des Verfahrens ist der Klassifikationsalgorithmus ein probabilistischer Klassifikationsalgorithmus, und das Verfahren weist des Weiteren die folgenden Arbeitsschritte auf:
e Ableiten einer Ausfallwahrscheinlichkeit für die jeweilige technische Einrichtung anhand der relevanten Merkmale und der Zustandsdaten der Vielzahl an technischen Einrichtungen, wobei die Ausfallwahrscheinlichkeit der jeweiligen technischen Einrichtung beim Trainieren des Klassifikationsalgorithmus berücksichtigt wird.
[0022] Wird der Klassifikationsalgorithmus mit einer ausreichend großen Anzahl an zeitaufgelösten Messdaten verschiedener Fahrzeuge oder Fahrzeugkomponenten trainiert, kann eine Ausfallwahrscheinlichkeit für das Fahrzeug oder die Fahrzeugkomponenten abgeleitet werden und beim Trainieren des probabilistischen Klassifikationsalgorithmus berücksichtigt werden. Hierdurch können entsprechend bei einer Anwendung des trainierten Klassifikators auch Ausfallwahrscheinlichkeiten in Bezug auf einen physikalischen Zustand des Fahrzeugs oder der Fahrzeug-
A ‚hes AT 528 325 A1 2025-12-15
Ss N
komponente angegeben werden.
[0023] In einer weiteren vorteilhaften Ausgestaltung weist das Verfahren den folgenden Arbeits-
schritt auf:
e Bewerten des computerimplementierten Klassifikators mittels wenigstens einer StandardMaßzahl, insbesondere aus der folgenden Gruppe an Standard-Maßzahlen: Area under the ROC Curve, Recall, Precision, True Positive Rate.
[0024] Durch eine Evaluation des trainierten Klassifikators kann dessen Exaktheit bei der Vorhersage von physikalischen Zuständen überprüft werden.
[0025] In einer weiteren vorteilhaften Ausgestaltung des Verfahrens werden wenigstens zwei, vorzugsweise drei oder alle der folgenden Feature-Selection-Methoden ausgewählt:
e Random Ranking;
e Backward Ranking oder Backward Elimination;
e Cluster-Based Selection;
e Subset Refinement;
wobei die jeweils ausgewählten Feature-Selection-Methoden gemäß der durch die obige Aufzählung definierte Reihenfolge ausgeführt werden.
[0026] Die Auswahl der Merkmale hat einen wesentlich höheren Einfluss auf die Qualität des trainierten Klassifikators als die Auswahl des Klassifikationsalgorithmus. Wie oben ausgeführt, werden die genannten Feature-Selection-Methoden in einer Verkettung hintereinander ausgeführt. Hierdurch können die relevantesten Merkmale zuverlässig identifiziert werden und darüber hinaus die Anzahl an Merkmalen, welche beim Trainieren des Klassifikationsalgorithmus verarbeitet werden müssen, wesentlich reduziert werden.
[0027] In einer weiteren vorteilhaften Ausgestaltung des Verfahrens weist die Random Ranking-
Methode die folgenden Arbeitsschritte auf:
ee Auswählen einer zufälligen Teilmenge von Merkmalen;
e Ausführen einer mehrfachen, insbesondere fünffachen (k=5), Kreuzvalidierung für ein vorläufiges Maschinenmodell mit den ausgewählten Merkmalen, wobei die Relevanz der ausgewählten Merkmale für ein jeweils trainiertes vorläufige Maschinenlernmodell bestimmt wird;
e Speichern einer Relevanz der ausgewählten Merkmale für jedes während der Kreuzvalidierung trainierte vorläufige Maschinenlernmodell;
e Wiederholen der vorausgehenden Arbeitsschritte in mehreren Iterationen, bis alle Merkmale wenigstens einmal ausgewählt wurden;
e Ordnen der Merkmale nach ihrer durchschnittlichen Relevanz; und
e* _ Ausgeben einer definierten Anzahl von Merkmalen mit der höchsten Relevanz an die nachfolgende Feature-Selection-Methode, bevorzugt 15% aller erzeugten Merkmale.
[0028] Die definierte Anzahl an Merkmalen ist vorzugsweise eine relative Anzahl der Gesamtanzahl an Merkmalen, kann aber auch eine absolute Anzahl an Merkmalen sein.
[0029] Ein vorläufiges Maschinenlernmodell im Sinne der vorliegenden Offenbarung beruht vorZzugsweise auf einem der nachfolgenden Klassifikationsalgorithmen: Lineare Regression (lasso), Entscheidungsbäume, Random Forest (RF) oder XGBoost (XGB) mit einer geringen Anzahl an Schätzfunktionen, oder Generalized Linear Model (GLM).
[0030] In einer weiteren vorteilhaften Ausgestaltung des Verfahrens weist die Kreuzvalidierung
die folgenden Arbeitsschritte auf:
e Trainieren des vorläufigen Maschinenlernmodells unter Verwendung der ausgewählten Merkmale mittels k-1/k der Betriebsdaten und der Zustandsdaten;
e Bewerten des trainierten vorläufigen Maschinenlernmodells mittels 1/k der Betriebsdaten und der Zustandsdaten; und
e Bestimmen einer Relevanz der Merkmale auf der Grundlage der Bewertung des trainierten vorläufigen Maschinenmodells.
A ‚hes AT 528 325 A1 2025-12-15
Ss N
[0031] Zu weiteren Details einer Kreuzvalidierung im Sinne der vorliegenden Offenbarung wird auf die Veröffentlichung lan H. Witten, Eibe Frank und Mark A. Hall: Data Mining: „Praktische Werkzeuge und Techniken des maschinellen Lernens“, 3. Auflage. Morgan Kaufmann, Burlington, MA 2011, ISBN 978-0-12-374856-0 (waikato.ac.nz)) verwiesen.
[0032] In einer weiteren vorteilhaften Ausgestaltung des Verfahrens weist die Backward Ranking-
Methode die folgenden Arbeitsschritte auf:
e Trainieren eines vorläufigen Maschinenlernmodells mit den Merkmalen;
e Entfernen des am wenigsten relevanten Merkmals;
e \Wiederholen der vorausgehenden Arbeitsschritte in mehreren Iterationen, bis alle Merkmale entfernt wurden; und
e Ordnen der Merkmale nach ihrer Relevanz, wobei das Merkmal, das als erstes entfernt wurde, den niedrigsten Rang erhält und das zuletzt entfernte Merkmal den höchsten Rang; und
e* _ Ausgeben einer definierten Anzahl von Merkmalen mit der höchsten Relevanz an die nachfolgende Feature-Selection-Methode, bevorzugt 15% aller erzeugten Merkmale.
[0033] Zu weiteren Details eines Backward Ranking im Sinne der vorliegenden Offenbarung wird auf die Veröffentlichung Zhou, Ji-Yuan, et al.: "Prediction of hepatic inflammation in chronic hepatitis B patients with a random forest-backward feature elimination algorithm.", World Journal of Gastroenterology 27.21 (2021): 2910) verwiesen.
[0034] In einer weiteren vorteilhaften Ausgestaltung des Verfahrens weist die Cluster-Based Se-
lection-Methode die folgenden Arbeitsschritte auf:
e Berechnen einer paarweisen Korrelation zwischen allen aus der vorherigen Feature-Selection-Methode übermittelten Merkmalen und den dazugehörigen Zustandsdaten anhand von Pearson-Korrelationskoeffizienten;
e Clustern der Merkmale auf der Grundlage ihrer Korrelation mit Hilfe agglomerativer Clustering-Techniken;
e Auswählen von Merkmalen aus jedem Cluster nach dem Zufallsprinzip, so dass Untergruppen von Merkmalen entstehen, deren Informationen weder redundant noch unvollständig sind;
e Trainieren und Validieren von vorläufigen Maschinenlernmodellen unter Verwendung der ausgewählten Untergruppe auf eine einstellige Anzahl an Falten, insbesondere fünf, einer Kreuzvalidierung, um festzustellen, welche Untergruppen zu den besten Modellleistungen führen; und
e Speichern aller Bewertungsmetriken für jedes trainierte vorläufige Maschinenlernmodell sowie die Bedeutung der Merkmale.
[0035] Zu weiteren Details eines Clusterns von Merkmalen im Sinne der vorliegenden Offenbarung wird auf Chormunge, Smita, und Sudarson Jena: "Korrelationsbasierte Merkmalsauswahl mit Clustering für hochdimensionale Daten", Journal of Electrical Systems and Information Technology 5.3 (2018): 542-549 verwiesen.
[0036] In einer weiteren vorteilhaften Ausgestaltung des Verfahrens weist die Subset Refine-
ment-Methode die folgenden Arbeitsschritte auf, welche auf wenigstens einige Untergruppen der
Merkmale zur Verbesserung der Relevanz der jeweiligen Untergruppe angewendet werden:
e wenn sich die Relevanz eines Merkmals bei einem erneuten Trainieren eines vorläufigen Maschinenlernmodells ändert, Entfernen des Merkmals;
e wenn zwei Merkmale eine hohe Pearson-Korrelation aufweisen, Entfernen des Merkmals mit der geringeren Relevanz; und
e wenn ein Merkmal eine hohe Pearson-Korrelation mit einem anderen Merkmal aufweist, das beim Backward-Ranking mit einer höheren Relevanz eingestuft wird, Ersetzen des Merkmals durch das andere Merkmal; und
e Trainieren des vorläufigen Maschinenlernmodells mit jeder der verbesserten Untergruppen;
wobei die Merkmale diejenigen Untergruppe ausgewählt werden, welche die Zustandsdaten am
zutreffendsten bestimmen.
A ‚hes AT 528 325 A1 2025-12-15
Ss N
[0037] In einer weiteren vorteilhaften Ausgestaltung des Verfahrens ist der Klassifikationsalgorithmus ein probabilistischer Klassifikationsalgorithmus.
[0038] Durch die Verwendung eines probabilistischen Klassifikationsalgorithmus kann für das Auftreten der jeweiligen physikalischen Zustände eine Auftrittswahrscheinlichkeit ausgegeben werden.
[0039] In einer weiteren vorteilhaften Ausgestaltung weist das Verfahren des Weiteren die fol-
genden Arbeitsschritte auf:
e Vergleichen der Zustandsdaten der jeweiligen technischen Einrichtung mit einem Grenzwert; und
e Markieren der technischen Einrichtung als intakt oder als defekt auf der Grundlage des Vergleichs.
[0040] Durch die Markierung der technischen Einrichtung als defekt oder intakt kann ein Benutzer die Vorhersage besonders gut einordnen.
[0041] In einer weiteren vorteilhaften Ausgestaltung weist das Verfahren den folgenden Arbeits-
schritt auf:
e Bestimmen des Grenzwerts zur Unterscheidung von intakten und defekten technischen Einrichtungen auf der Grundlage einer Kosten-Nutzen-Analyse zwischen einem reaktiven und einem proaktiven Austausch der technischen Einrichtung.
[0042] Durch das Berücksichtigen einer Kosten-Nutzen-Analyse bei der Markierung der technischen Einrichtung, insbesondere des Fahrzeugs oder der Fahrzeugkomponente, kann eine für die Sicherstellung der Funktion der technischen Einrichtung besonders vorteilhafte Entscheidungen getroffen werden.
[0043] In einer weiteren vorteilhaften Ausgestaltung des Verfahrens unterteilen die Zustandsdaten die technischen Einrichtungen in eine erste Gruppe, bei welchen ein Defekt auftritt, und eine zweite Gruppe, bei welchen dieser Defekt nicht auftritt, wobei die Einrichtungen der ersten Gruppe als defekt und die Einrichtungen der zweiten Gruppe als intakt markiert sind.
[0044] Die im Vorhergehenden in Bezug auf den ersten Aspekt der Erfindung beschrieben Vorteile und Merkmale gelten für die übrigen Aspekte der Erfindung entsprechend und umgekehrt.
[0045] Ein zweiter Aspekt der Erfindung betrifft einen computerimplementierten Klassifikator zur
indirekten Messung von physikalischen Zuständen einer technischen Einrichtung einer Gattung
von technischen Einrichtungen, welche vorzugsweise Batterien oder Fahrzeuge sind, wobei der
Klassifikator durch ein Training eines Klassifikationsalgorithmus erzeugt ist, wobei der Klassifika-
tionsalgorithmus durch folgende Arbeitsschritte, welche für jede Trainingseingabe einer Vielzahl
an Trainingseingaben durchgeführt werden, konfiguriert wurde:
e Erfassen von Betriebsdaten einer Vielzahl technischer Einrichtungen, wobei die Betriebsdaten Werteverläufe von zeitaufgelösten Messparametern umfassen und ein Betriebsverhalten und eine Umgebung einer jeweiligen technischen Einrichtung aus einem Feldbetrieb charakterisieren, und von Zustandsdaten der jeweiligen technischen Einrichtung;
e Erzeugen von Merkmalen durch Bearbeiten wenigstens eines Teils der Betriebsdaten mittels mathematischer Operationen und/oder durch Auswählen von Datenbereichen aus den Betriebsdaten;
e Auswählen von relevanten Merkmalen aus den erzeugten Merkmalen mittels einer Verkettung von Feature-Selection-Methoden; und
e Trainieren des Klassifikationsalgorithmus mittels der relevanten Merkmale und der jeweils dazugehörigen Zustandsdaten, wobei der Klassifikator erzeugt wird;
wobei die Zustandsdaten die physikalischen Zustände der technischen Einrichtungen charakteri-
sieren.
[0046] Ein dritter Aspekt der Erfindung betrifft ein computerimplementiertes Verfahren zur indirekten Messung von physikalischen Zuständen einer zu analysierenden technischen Einrichtung einer bestimmten Gattung, insbesondere einer Batterie, mittels eines Klassifikators, folgende Ar-
A ‚hes AT 528 325 A1 2025-12-15
Ss N
beitsschritte aufweisend:
e Erfassen von Betriebsdaten der zu analysierenden technischen Einrichtung, wobei die Betriebsdaten Werteverläufe von zeitaufgelösten Messparametern umfassen und ein Betriebsverhalten der technischen Einrichtung und eine Umgebung der technischen Einrichtung aus einem Feldbetrieb charakterisieren; und
e Bestimmen von Ausgabedaten durch Anwenden des Klassifikators auf Eingabedaten, welche auf den Betriebsdaten basieren, wobei die Ausgabedaten die physikalischen Zustände der zu analysierenden technischen Einrichtung charakterisieren.
[0047] Mittels des Verfahrens zur indirekten Messung von physikalischen Zuständen können Konfigurationen einer technischen Einrichtung aus deren Betriebsdaten ermittelt werden, ohne die physikalischen Zustände an der technischen Einrichtung selbst feststellen zu müssen. Vorzugsweise kann darüber hinaus in Abhängigkeit der ermittelten Zustandsdaten durch Analyse der Werte/Werteverläufe der Messparameter und/oder der erzeugten Merkmale die Ursache für einen Defekt festgestellt werden.
[0048] In einer weiteren vorteilhaften Ausgestaltung weist das Verfahren des Weiteren den Ar-
beitsschritt auf:
e Erzeugen von Merkmalen durch Bearbeiten wenigstens eines Teils der Betriebsdaten mittels einer mathematischen Operation und/oder durch Auswählen von Daten-bereichen aus den Messparametern und den bearbeiteten Messparametern, wobei die Eingabedaten die Merkmale umfassen.
[0049] In einer weiteren vorteilhaften Ausgestaltung des Verfahrens ist der Klassifikationsalgorithmus ein probabilistischer Klassifikationsalgorithmus, wobei die Ausgabedaten eine Ausfallwahrscheinlichkeit der technischen Einrichtung angeben.
[0050] In einer weiteren vorteilhaften Ausgestaltung des Verfahrens sind die Ausgabedaten der technischen Einrichtungen in eine erste Gruppe, bei welchen ein Defekt auftritt, und eine zweite Gruppe, bei welchen dieser Defekt nicht auftritt, unterteilt, wobei die Einrichtungen der ersten Gruppe als defekt und die Einrichtungen der zweiten Gruppe als intakt markiert sind.
[0051] In einer weiteren vorteilhaften Ausgestaltung des Verfahrens ist der Klassifikationsalgorithmus aus der folgenden Gruppe ausgewählt: Naive Bayes, logistische Regression, Gradient Boosting, Random Forest.
[0052] Ein vierter Aspekt der Erfindung betrifft ein System zum Erzeugen eines Klassifikators zur
indirekten Messung von Zuständen eines Prüflings einer Gattung technischer Einrichtungen, ins-
besondere einer Batterie oder eines Fahrzeugs, durch Training eines Klassifikationsalgorithmus, aufweisend:
e Mittel zum Erfassen von Betriebsdaten einer Vielzahl technischer Einrichtungen der Gattung, wobei die Betriebsdaten Werteverläufe von zeitaufgelösten Messparametern umfassen und ein Betriebsverhalten und eine Umgebung einer jeweiligen technischen Einrichtung aus einem Feldbetrieb charakterisieren, und von Zustandsdaten der jeweiligen technischen Einrichtung während des Feldbetriebs;
e Mittel zum Erzeugen von Merkmalen durch Bearbeiten wenigstens eines Teils der Betriebsdaten mittels mathematischer Operationen und/oder durch Auswählen von Datenbereichen aus den Betriebsdaten;
e Mittel zum Auswählen von relevanten Merkmalen aus den erzeugten Merkmalen mittels einer Verkettung von Feature-Selection-Methoden; und
e Mittel zum Trainieren des Klassifikationsalgorithmus mittels der relevanten Merkmale und der jeweils dazugehörigen Zustandsdaten, wobei der Klassifikator erzeugt wird;
wobei die Zustandsdaten die physikalischen Zustände der technischen Einrichtungen charakteri-
sieren.
[0053] Ein fünfter Aspekt der Erfindung betrifft ein System zur indirekten Messung von physikalischen Zuständen einer zu analysierenden technischen Einrichtung, folgende Arbeitsschritte aufweisend:
e Mittel zum Erfassen von Betriebsdaten der technischen Einrichtung, wobei die Betriebsdaten Werteverläufe von zeitaufgelösten Messparametern umfassen und ein Betriebsverhalten der technischen Einrichtung und eine Umgebung der technischen Einrichtung aus einem Feldbetrieb charakterisieren; und
e Mittel zum Bestimmen von Ausgabedaten durch Anwenden des Klassifikators auf Eingabedaten, welche auf den Betriebsdaten basieren, wobei die Ausgabedaten die physikalischen Zustände der technischen Einrichtung charakterisieren.
[0054] Ein Mittel im Sinne der Erfindung kann hard- und/oder softwaretechnisch ausgebildet sein und insbesondere eine, vorzugsweise mit einem Speicher- und/oder Bussystem daten- bzw. Signalverbundene, insbesondere digitale, Verarbeitungs-, insbesondere Mikroprozessoreinheit (CPU) und/oder ein oder mehrere Programme oder Programmmodule aufweisen. Die CPU kann dazu ausgebildet sein, Befehle, die als ein in einem Speichersystem abgelegtes Programm implementiert sind, abzuarbeiten, Eingangssignale von einem Datenbus zu erfassen und/oder Ausgangssignale an einen Datenbus abzugeben. Ein Speichersystem kann ein oder mehrere, insbesondere verschiedene, Speichermedien, insbesondere optische, magnetische, Festkörperund/oder andere nicht-flüchtige Medien, aufweisen. Das Programm kann derart beschaffen sein, dass es die hier beschriebenen Verfahren verkörpert bzw. auszuführen imstande ist, so dass die CPU die Schritte solcher Verfahren ausführen kann und damit insbesondere wenigstens eine technische Einrichtung analysieren oder einen Klassifikationsalgorithmus trainieren kann.
[0055] Der hier verwendete Begriff Mittel erstreckt sich auf alle hierin dargelegten Strukturen, Materialien oder Handlungen sowie auf alle Äquivalente davon. Ferner umfassen die Strukturen, Materialien oder Handlungen und deren Äquivalente alles, was in der Zusammenfassung, der Kurzbeschreibung der Figuren, der detaillierten Beschreibung, der Zusammenfassung und den Ansprüchen selbst beschrieben ist. Ein System und/oder dessen Mittel können vorzugsweise die Form einer reinen Hardware-Variante, einer reinen Software-Variante (einschließlich Firmware, residenter Software, Mikrocode usw.) oder einer Kombination von Software- und Hardware-Aspekten annehmen, die allgemein als "Schaltkreis", "Modul" oder "System" bezeichnet werden. Jede Kombination aus einem oder mehreren computerlesbaren Medien kann verwendet werden. Das computerlesbare Medium kann ein computerlesbares Signalmedium oder ein computerlesbares Speichermedium sein.
[0056] Die Systeme und Verfahren gemäß der vorliegenden Offenbarung können vorzugsweise in Verbindung mit einem entsprechend eingerichteten Computer, einem programmierten Mikroprozessor oder Mikrocontroller und einem oder mehreren peripheren integrierten Schaltungselementen, einem ASIC oder einer anderen integrierten Schaltung, einem digitalen Signalprozessor, einer fest verdrahteten elektronischen oder logischen Schaltung, wie z. B. einer Schaltung mit diskreten Elementen, einer programmierbaren logischen Vorrichtung oder Gatteranordnung, wie z. B. einer programmierbaren logischen Vorrichtung (PLD), einer programmierbaren logischen Anordnung (PLA), einer feldprogrammierbaren Gatteranordnung (FPGA), einer programmierbaren logischen Anordnung (PAL), oder einem vergleichbaren Mittel, implementiert werden. Im Allgemeinen können alle Geräte oder Mittel, die in der Lage sind, die hier dargestellte Methodik zu implementieren, zur Umsetzung der verschiedenen Aspekte dieser Offenbarung verwendet werden. Beispielhafte Hardware umfasst Computer, Handheld-Geräte, Telefone (z. B. zellulare, internetfähige, digitale, analoge, hybride und andere) und andere in der Technik bekannte Hardware. Einige dieser Geräte umfassen Prozessoren (z. B. einen einzelnen oder mehrere Mikroprozessoren), Speicher, nichtflüchtige Speicher, Eingabegeräte und Ausgabegeräte. Darüber hinaus können alternative Software-Implementierungen, einschließlich, aber nicht beschränkt auf, verteilte Verarbeitung oder verteilte Verarbeitung von Komponenten/Objekten, parallele Verarbeitung oder Verarbeitung durch virtuelle Maschinen, entwickelt werden, um die hier beschriebenen Verfahren zu implementieren.
[0057] Weitere Merkmale und Vorteile ergeben sich aus der nachfolgenden Beschreibung von Ausführungsbeispielen in Bezug auf die Figuren. Es zeigen wenigstens teilweise schematisch:
[0058] Figur 1 ein funktionales Blockdiagramm eines Ausführungsbeispiels eines Systems zum Erzeugen eines Klassifikators zur indirekten Messung von Zuständen ei-
Ss N
nes Prüflings;
[0059] Figur 2 ein Flussdiagramm eines Ausführungsbeispiels eines Verfahrens zum Erzeugen eines Klassifikators zur indirekten Messung von Zuständen eines Prüflings;
[0060] Figur 3 ein funktionales Blockdiagramm eines Ausführungsbeispiels eines Systems zur indirekten Messung von physikalischen Zuständen eines Prüflings; und
[0061] Figur 4 ein Flussdiagramm eines Ausführungsbeispiels eines Verfahrens zur indirekten Messung von physikalischen Zuständen eines Prüflings.
[0062] Im Folgenden wird ein Ausführungsbeispiels eines Trainings eines Klassifikationsalgorithmus anhand der Figur 1 und der Figur 2 erläutert, wobei Figur 1 ein funktionales Blockdiagramm eines Systems 10 zum Erzeugen eines Klassifikators und Figur 2 ein Flussdiagramm eines mittels des Systems 10 ausführbaren Verfahrens 100 zum Erzeugen des Klassifikators zeigt.
[0063] Die Beschreibung bezieht sich hierbei auf eine Batterie 2 eines elektromotorischen Personenkraftwagens 3 als technische Einrichtung. Es ist für den Fachmann jedoch offensichtlich, dass das dargestellte Verfahren 100 und System 10 auch in Bezug auf andere technische Einrichtung zum Einsatz kommen können, insbesondere auf die Personenkraftwagen 3 selbst.
[0064] Beispielsweise kann der Klassifikator eingesetzt werden, um in einem Anwendungsfall ein thermisches Durchgehen einer Batterie eines Fahrzeuges vorherzusagen. Wird eine hohe Auftrittswahrscheinlichkeit r ein thermisches Durchgehen einer Batterie festgestellt, so muss diese ausgetauscht werden, da ansonsten ein Brand droht.
[0065] In einem ersten Arbeitsschritt 101 des Verfahrens 100 werden Betriebsdaten mit Werteverläufen von zeitaufgelösten Messparametern, welche ein Betriebsverhalten und eine Umgebung charakterisieren, einer Vielzahl von Batterien 2 derselben Gattung, insbesondere derselben Bauart, erfasst. Vorzugsweise wird dies mittels einer Vielzahl von Sensoren 11 bewerkstelligt, welche an dem Personenkraftwagen 3 oder in der Umgebung des Personenkraftwagens 3 angeordnet sind. Weiter vorzugsweise kann es sich bei den Werteverläufen auch um historische Werteverläufe von zeitaufgelösten Messparametern handeln. Weiter Vorzug sind diese Betriebsdaten aus einem Feldbetrieb gewonnene, sogenannte Telemetriedaten.
[0066] Die Werteverläufe von zeitaufgelösten Messparametern oder auch Zeitreihendaten beschreiben eine Nutzung des Personenkraftwagens 3. Als Messparameter kommen die Parameter infrage, welche über ein Bussystem der Fahrzeugsteuerung, insbesondere ein CAN-Netzwerk, zur Verfügung stehen. Die Messparameter können hierbei aus der folgenden Gruppe an Messparametern ausgewählt sein, wobei die Auswahl von der jeweiligen Anwendung abhängt: Außentemperatur, Motortemperatur, Verweildauern in bestimmten Geschwindigkeitsbereichen, Anzahl von Kaltstarts, Anzahl von Fahrten mit einer bestimmten minimalen Dauer, Anzahl von Regenerationen, Ladezustände, Anzahl von Lade- und/oder Entladevorgängen, Batterietemperaturen, Zelltemperaturen, Batteriesteuerparameter, Differenz von maximaler zu minimaler Spannung pro Zelle, Ausbalancierung der Häufigkeitszahlen aller Zell-IDs, 2d-Histogramm des Wärmemanagements im Modus "Leerlauf" und einer Temperatur des Batterieschützes von über 25 Grad Celsius, insbesondere während des Ladevorgangs, 2d-Aufenthaltswärmekarte der Zelltemperatur und des SOC basierend auf der HV-Busspannung, insbesondere während des Ladevorgangs, Differenz-Kühlmitteltemperatur bei Ladevorgängen, und/oder Differenz-Zellenspannung über die Entladevorgänge der Batterie.
[0067] Ist die Gattung technischer Einrichtungen Fahrzeugbatterien, umfassen die Messparameter vorzugsweise zumindest eine Anzahl von Lade-/Entladevorgängen, Batterietemperaturen, Zelltemperaturen, Batteriesteuerparameter, eine Differenz von maximaler zu minimaler Spannung pro Zelle, eine Ausbalancierung der Häufigkeitszahlen aller Zell-IDs, ein 2d-Histogramm des Wärmemanagements im Modus "Leerlauf" und einer Temperatur des Batterieschützes von über 25 Grad Celsius, insbesondere während des Ladevorgangs, eine 2d-Aufenthaltswärmekarte der Zelltemperatur und des SOC basierend auf der HV- Busspannung, insbesondere während des Ladevorgangs, eine Differenz-Kühlmitteltemperatur bei Ladevorgängen, und/oder eine Diffe-
10 / 30
A ‚hes AT 528 325 A1 2025-12-15
Ss N
renz-Zellenspannung über die Entladevorgänge der Batterie.
[0068] Ist die Gattung technischer Einrichtungen Fahrzeuge, umfassen die Messparameter vorZzugsweise zumindest eine Außentemperatur, eine Motortemperatur, Verweildauern in bestimmten Geschwindigkeitsbereichen, Anzahl von Kaltstarts und/oder eine Anzahl von Fahrten mit einer bestimmten minimalen Dauer.
[0069] Ist die Gattung technischer Einrichtung „batteriebetriebene Fahrzeuge“, umfassen die Messparameter vorzugsweise zumindest eine Außentemperatur, eine Motortemperatur, Verweildauern in bestimmten Geschwindigkeitsbereichen, Anzahl von Kaltstarts und/oder eine Anzahl von Fahrten mit einer bestimmten minimalen Dauer, eine Anzahl von Lade- /Entladevorgängen, Batterietemperaturen, Zelltemperaturen, Batteriesteuerparameter, eine Differenz von maximaler zu minimaler Spannung pro Zelle, eine Ausbalancierung der Häufigkeitszahlen aller Zell-IDs, ein 2d-Histogramm des Wärmemanagements im Modus "Leerlauf" und einer Temperatur des Batterieschützes von über 25 Grad Celsius, insbesondere während des Ladevorgangs, eine 2d-Aufenthaltswärmekarte der Zelltemperatur und des SOC basierend auf der HV-Busspannung, Iinsbesondere während des Ladevorgangs, eine Differenz-Kühlmitteltemperatur bei Ladevorgängen, und/oder eine DifferenzZellenspannung über die Entladevorgänge der Batterie.
Des Weiteren werden in dem ersten Arbeitsschritt 101 Zustandsdaten der Batterie 2 und/oder des Fahrzeugs 3 während des Feldbetriebs erfasst. Diese Zustandsdaten charakterisieren physikalische Zustände der Batterie 2. Ein solcher physikalischer Zustand kann insbesondere eine Bauteil-Spezifikation, eine Dimension, eine Toleranz oder eine Altersveränderung sein. Vorzugsweise ist ein physikalischer Zustand eine Eigenschaft der Batterie 3, insbesondere einer der Zustände „intakt“ oder „defekt“. Weiter vorzugsweise können die Zustandsdaten auch als Auftrittswahrscheinlichkeit, insbesondere Ausfallwahrscheinlichkeit der Batterie 3, einer Eigenschaft angegeben sein.
[0070] Vorzugsweise werden die Betriebsdaten der Batterie 2 und die Zustandsdaten der Batterie 2 mittels Sensoren 11 erfasst, welche im Bereich der Batterie 2 und deren Umgebung oder im Bereich des Fahrzeugs 3 und dessen Umgebung angeordnet sind und eingerichtet sind, Messparameter zu bestimmen. Weiter vorzugsweise werden die Betriebsdaten und/oder die Zustandsdaten über eine Schnittstelle 11, insbesondere eine Daten Schnittstelle, erfasst.
[0071] In dem oben genannten Anwendungsfall eines Identifizierens eines bevorstehenden thermischen Durchgehens einer Batterie 3 sind die Werteverläufe von zeitaufgelösten Messparameter eine Zeitreihe mit einer definierten Abtastrate, insbesondere von 30 Sekunden, welche an tausenden von batteriebetriebenen Fahrzeugen 3 als einer Gattung von technischen Einrichtungen aufgenommen wurden. Sechzig der Fahrzeuge 3 sind mit dem physikalischen Zustand defekt identifiziert und entsprechend gekennzeichnet bzw. gelabelt, die übrigen Fahrzeuge 3 sind mit dem physikalischen Zustand intakt identifiziert und entsprechend gekennzeichnet bzw. gelabelt. Fünfzig der als „defekt“ gekennzeichneten Fahrzeuge 3 weisen defekte und daher zu ersetzende Batterien 2 auf, zehn weitere weisen sicherheitstechnische Batteriedefekte auf.
[0072] In einem zweiten Arbeitsschritt 102 werden Merkmale erzeugt, welche sich zur Verarbeitung durch einen Klassifikationsalgorithmus eigenen (Feature Generation/Feature Engineering).
[0073] Die In den Betriebsdaten enthaltenen Werteverläufe von zeitaufgelösten Messparametern bestehen aus einzelnen Messwerten pro Zeitschritt, zum Beispiel ein Temperaturwert pro Minute. Diese Messwerte werden vorzugsweise mit einem physikalischen Messsystem, zum Beispiel einem Sensor 11, gemessen und abgespeichert. Zum Training des Klassifikationsrhythmus werden jedoch im Normalfall nicht die zeitaufgelösten Messparameter verwendet, sondern es werden sogenannte Merkmale aus den zeitaufgelösten Betriebsdaten berechnet. Diese Merkmale können numerisch, zum Beispiel Größe, Gewicht, kategorial, zum Beispiel Farbe, Typ, zeitlich, zum Beispiel Uhrzeit, Datum, oder auch geographisch, zum Beispiel Standortkoordinaten, sein.
[0074] Vorzugsweise werden die Merkmale mittels mathematischer Operationen und/oder durch Auswahl von Datenbereichen aus den Betriebsdaten erzeugt. Die Merkmale sind dabei vorzugsweise aggregierte Werte und eine alternative Beschreibung der Zeitreihendaten. Beispiele für Merkmale sind Statistiken, zum Beispiel Mittelwert, Minimum, Maximum, von Parametern wie Au-
A ‚hes AT 528 325 A1 2025-12-15
Ss N
ßBentemperatur, Motortemperatur, etc., Verweildauer in bestimmten Geschwindigkeitsbereichen, Anzahl von Kaltstarts, Anzahl von Fahrten mit einer bestimmten minimalen Dauer, Anzahl von Regeneration, etc. Weitere Merkmale sind beispielsweise ein Höhenprofil eines Straßennetzes, ein Straßenzustand, eine Außentemperatur oder eine Luftfeuchtigkeit der Umgebung. Entsprechend können die Merkmale eingeteilt werden in Merkmale, die die technische Einrichtung oder deren Betrieb beschreiben, im vorliegenden Ausführungsbeispiel die Batterie 2 oder das Fahrzeug 3 und Merkmale, die die Umgebung der technischen Einrichtung beschreiben.
[0075] Das Erzeugen der Merkmale wird vorzugsweise mittels Mitteln 12 zum Erzeugen von Merkmalen durchgeführt. Insbesondere sind diese Mittel eingerichtet, Datenbereiche aus den Betriebsdaten auszuwählen und diese mittels mathematischer Operationen zu bearbeiten.
[0076] In dem oben genannten Anwendungsfall eines Identifizierens des thermischen Durchgehens werden für jedes der Fahrzeuge 3 der Gattung mehr als 4800 Merkmale erzeugt. Einige der Merkmale enthalten eindimensionale oder zweidimensionale Histogramme der aufgezeichneten Signale. Beispiele für solche Signale oder zeitaufgelöste Messparameter sind eine Zelltemperatur, eine Spannung, eine Stromstärke, eine Umgebungstemperatur, etc. Andere Merkmale repräsentierten Zusammenfassungen von Signalen und Aufzeichnungen über ein Jahr oder auch spezifische Ereignisse. Solche spezifischen Ereignisse können beispielsweise ein Schnellladen der Batterie 2, ein Normalladen, eine Batterieentladungen, eine Selbstentladung der Batterie 2, etc. sein.
[0077] Im einem dritten Arbeitsschritt 103 werden relevante Merkmale mittels einer Verkettung von sogenannten Feature-Select-Methoden aus den im zweiten Arbeitsschritt 102 erzeugten Merkmalen ausgewählt. Die relevanten Merkmale werden in diesem Prozessschritt so ausgewählt, dass sie in Bezug auf einen bestimmten Defekt relevant sind. Die Merkmale sind erzeugt worden durch Bearbeiten wenigstens eines Teils der Betriebsdaten mittels mathematischer Operationen und/oder durch Auswählen von Datenbereichen aus den Betriebsdaten erzeugt worden und weisen dadurch technische Bezüge auf.
[0078] In diesem dritten Arbeitsschritt 103 sollen jene Merkmale identifiziert werden, welche zur Charakterisierung der physikalischen Zustände des Fahrzeugs 3 oder der Batterie 2 am meisten beitragen. Beispielsweise kann bei der Auswahl der Merkmale untersucht werden, welche Merkmale am meisten dazu beitragen, „gesunde“ von „kranken“ Betriebsdaten des Fahrzeugs 3 oder der Batterie 2 zu unterscheiden. „Gesunde“ Betriebsdaten charakterisieren eine intakte technische Einrichtung, insbesondere ein intaktes Fahrzeug 3 oder eine intakte Batterie 2, insofern, dass in einer Messung festgestellt wurde, dass der bestimmte Defekt nicht aufgetreten ist. In intakten technischen Einrichtungen, intakten Fahrzeugen oder intakten Batterien können aber andere Defekte als der bestimmte Defekt aufgetreten sein. „Kranke“ Betriebsdaten charakterisieren eine defekte technische Einrichtung, insbesondere ein defektes Fahrzeug 3 oder eine defekte Batterie 2 insofern, dass in einer Messung festgestellt wurde, dass der bestimmte Defekt aufgetreten ist. Die Auswahl wird vorzugsweise ausschließlich auf der Grundlage der erfassten Betriebsdaten bzw. Werteverläufen von zeitaufgelösten Messparameter vorgenommen. Die gefundenen, wichtigsten Merkmale können auch einen Hinweis auf eine den „kranken“ Betriebsdaten zugrunde liegende Fehlfunktion geben. Daher können diese für eine Ursachenanalyse nach der Feststellung eines defekten Fahrzeugs 3 oder einer defekten Batterie 2 herangezogen werden (eine sogenannte „root-cause-analysis“).
[0079] Als Feature-Selection-Methoden kommen vorzugsweise zwei, vorzugsweise drei oder alle der folgenden Feature-Select-Methoden zum Einsatz: Random Ranking 103A, Backward Ranking oder Backward Elimination 103 B, Cluster-Based Selection 103 C, Subset Refinement 103D. Insbesondere werden zwei, bevorzugt drei oder besonders bevorzugt alle vier Feature-SelectMethoden in der oben genannten Reihenfolge angewandt. Entsprechend können folgende Kombinationen zum Einsatz kommen: Random Ranking und Backward Ranking, Random Ranking und Cluster-Based Selection, Random Ranking und Subset Refinement, Random Ranking und Backward Ranking und Cluster-Based Se- lection, Random Ranking und Backward Ranking und Cluster-Based Selection und Subset Refinement, Backward Ranking und Cluster-Based Selection, Backward Ranking und Subset Refinement, Backward Ranking und Cluster-Based Selection
A ‚hes AT 528 325 A1 2025-12-15
Ss N
und Subset Refinement, Cluster-Based Selection und Subset Refinement. Hierbei gelten Backward Ranking und Backward Elimination als zwei Varianten der gleichen Feature-Selection-Methode.
[0080] Die Random ranking-Methode 103A weist vorzugsweise die folgenden Arbeitsschritte auf, wie in Fig. 2 dargestellt ist:
Auswählen 103A-1 einer zufälligen Teilmenge von Merkmalen;
Ausführen 103A-2 einer mehrfachen, insbesondere fünffachen (k=5), Kreuzvalidierung für ein vorläufiges Maschinenmodell mit den ausgewählten Merkmalen, wobei die Relevanz der ausgewählten Merkmale für ein jeweils trainiertes vorläufige Maschinenlernmodell bestimmt wird; Speichern 103A-3 einer Relevanz der ausgewählten Merkmale für jedes während der Kreuzvalidierung trainierte vorläufige Maschinenlernmodell;
Wiederholen 103A-4 der vorausgehenden Arbeitsschritte in mehreren Iterationen, bis alle Merkmale wenigstens einmal ausgewählt wurden;
Ordnen 103A-5 der Merkmale nach ihrer durchschnittlichen Relevanz; und
Ausgeben 103A-6 einer definierten Anzahl von Merkmalen mit der höchsten Relevanz an die nachfolgende Feature-Selection-Methode, bevorzugt 15% aller erzeugten Merkmale.
[0081] Die Kreuzvalidierung weist vorzugsweise die folgenden Arbeitsschritte auf:
Trainieren 103A-2-1 des vorläufigen Maschinenlernmodells unter Verwendung der ausgewählten Merkmale mittels k-1/k der Betriebsdaten und der Zustandsdaten;
Bewerten 103A-2-2 des trainierten vorläufigen Maschinenlernmodells mittels 1/k der Betriebsdaten und der Zustandsdaten; und
Bestimmen 103A-2-3 einer Relevanz der Merkmale auf der Grundlage der Bewertung des trainierten vorläufigen Maschinenmodells.
[0082] Zu weiteren Details einer Kreuzvalidierung im Sinne der vorliegenden Offenbarung wird auf die Veröffentlichung lan H. Witten, Eibe Frank und Mark A. Hall: Data Mining: „Praktische Werkzeuge und Techniken des maschinellen Lernens“, 3. Auflage. Morgan Kaufmann, Burlington, MA 2011, ISBN 978-0-12-374856-0 (waikato.ac.nz)) verwiesen.
[0083] Die Backward Ranking-Methode 103B weist vorzugsweise die folgenden Arbeitsschritte auf:
Trainieren 103B-1 eines vorläufigen Maschinenlernmodells mit den Merkmalen;
Entfernen 103B-2 des am wenigsten relevanten Merkmals;
Wiederholen 103B-3 der vorausgehenden Arbeitsschritte in mehreren Iterationen, bis alle Merkmale entfernt wurden; und
Ordnen 103B-4 der Merkmale nach ihrer Relevanz, wobei das Merkmal, das als erstes entfernt wurde, den niedrigsten Rang erhält und das zuletzt entfernte Merkmal den höchsten Rang; und Ausgeben 103B-5 einer definierten Anzahl von Merkmalen mit der höchsten Relevanz an die nachfolgende Feature-Selection-Methode, bevorzugt 15% aller erzeugten Merkmale.
[0084] Zu weiteren Details eines Backward Ranking im Sinne der vorliegenden Offenbarung wird auf die Veröffentlichung Zhou, Ji-Yuan, et al.: "Prediction of hepatic inflammation in chronic hepatitis B patients with a random forest-backward feature elimination algorithm.", World Journal of Gastroenterology 27.21 (2021): 2910) verwiesen.
[0085] Die Cluster-Based Selection-Methode 103C weist vorzugsweise die folgenden Arbeitsschritte auf:
Berechnen 103C-1 einer paarweisen Korrelation zwischen allen aus der vorherigen Fea- tureSelection-Methode übermittelten Merkmalen und den dazugehörigen Zustandsdaten anhand von Pearson-Korrelationskoeffizienten;
Clustern 103C-2 der Merkmale auf der Grundlage ihrer Korrelation mit Hilfe agglomerati- ver Clustering-Techniken;
Auswählen 103C-3 von Merkmalen aus jedem Cluster nach dem Zufallsprinzip, so dass Untergruppen von Merkmalen entstehen, deren Informationen weder redundant noch un-vollständig sind;
Trainieren und Validieren 103C-4 von vorläufigen Maschinenlernmodellen unter Verwendung der
13 / 30
A ‚hes AT 528 325 A1 2025-12-15
Ss N
ausgewählten Untergruppe auf eine einstellige Anzahl an Falten, insbesondere fünf, einer Kreuzvalidierung, um festzustellen, welche Untergruppen zu den besten Modellleistungen führen; und
Speichern 103C-5 aller Bewertungsmetriken für jedes trainierte vorläufige Maschinenlernmodell sowie die Bedeutung der Merkmale.
[0086] Die Subset Refinement-Methode 103D weist vorzugsweise die folgenden Arbeitsschritte auf, welche auf wenigstens einige Untergruppen der Merkmale zur Verbesserung der Relevanz der Untergruppe angewendet werden:
wenn sich die Relevanz eines Merkmals bei einem erneuten Trainieren eines vorläufigen Maschinenlernmodells ändert, Entfernen 103D-1 des Merkmals;
wenn zwei Merkmale eine hohe Pearson-Korrelation aufweisen, Entfernen 103D-2 des Merkmals mit der geringeren Relevanz; und
wenn ein Merkmal eine hohe Pearson-Korrelation mit einem anderen Merkmal aufweist, das beim Backward-Ranking mit einer höheren Relevanz eingestuft wird, Ersetzen 103D- 3 des Merkmals durch das andere Merkmal; und
Trainieren 103D-4 des vorläufigen Maschinenlernmodells mit jeder der verbesserten Untergruppen;
wobei die Merkmale diejenigen Untergruppe ausgewählt werden, welche die Zustandsdaten am zutreffendsten bestimmen.
[0087] Als vorläufige Maschinenlernmodelle können folgende Algorithmen zum Einsatz kommen: Lineare Regression (lasso), Entscheidungsbäume, Random Forest (RF) oder XGBoost (XGB) mit einer geringen Anzahl an Schätzfunktionen, oder Generalized Linear Model (GLM).
[0088] Hierbei kann für jede Feature-Selection-Methode 103A, 103B, 103C, 103D das gleiche oder ein anderes Maschinenlernmodell zum Einsatz kommen.
[0089] In dem oben genannten Anwendungsfall eines Identifizierens des thermischen Durchgehens sind Betriebsdaten der Fahrzeuge, deren Batterien abgebrannt sind, bezüglich des Defekts “thermisches Durchgehen” defektmarkiert worden. Dieser Defekt ist unmittelbar und eindeutig von einem Techniker, der das defekte Fahrzeug sieht, erkennbar. Ferner werden, wie in Fig. 1 dargestellt, innerhalb der Verkettung von Feature-Selection-Methoden 103 die Anzahl von mehr als 4800 Merkmalen in einem ersten Schritt durch Random Ranking 103 A auf etwa 890 Merkmale reduziert. In einem zweiten Schritt wird diese Anzahl durch Backward Ranking 103B auf etwa 260 Merkmale reduziert. In einem dritten Schritt wird diese Anzahl wiederum durch Cluster Based-Selection 103C auf etwa 130 Merkmale reduziert. Schließlich kann in einem vierten Schritt durch Subsequent Refinement 103D diese Anzahl auf sechs relevante Merkmale reduziert werden. Diese verbleibenden relevanten Merkmale sind wie folgt:
[0090] EVENTS_CHARGING_MEAN_DELTA_CELL_VOLTAGE_STD_LAST_YEAR: Für jeden Ladezyklus wird der Mittelwert von Differenz von maximaler zu minimaler Spannung pro Zelle berechnet. Die Standardabweichung der Mittelwerte für die Daten des letzten Jahres ergibt das Merkmal „Standardabweichung der Deltazellenspannung über die Ladeereignisse hinweg“ (aggregiert als durchschnittliche Standardabweichung aller Ladeereignisse). Mit diesem Merkmal wird analysiert, wie gestreut ist der Spannungsunterschied der Zellen während des Ladens (Delta-Abnahme und -Anstieg) ist.
[0091] Es berücksichtigt sowohl die großen Spannungsunterschiede als auch die Spannungsunterschied-Schwankungen während des Ladens. Da die Standardabweichung bei defekten Fahrzeugen bzw. Fahrzeugbatterien größer ist, als bei intakten, bedeutet die Relevanz dieses Merkmal, dass die einzelnen Zellen stark unausgeglichen geladen werden. Ursache für dieses relevante Signal können Mikrokurzschlüsse auf Elektrodenebene sein, die auf eine Zelle über stark verstärkte Selbstentladung wirken. Wenn der Spannungsunterschied eine stark gekrümmte Kurve ist, deutet dies auf einen starken SoC-Unterschied während des Ladevorgangs hin, der auch dann bestehen bleibt, wenn der Ausgleich erfolgt ist. Die Standardabweichung dieses Signals ergibt die Zeit, die unterschiedliche SoCs bestehen. In kritischen Fahrzeugen besteht dieser Unterschied für längere Zeit.
14 / 30
A ‚hes AT 528 325 A1 2025-12-15
8 N 8
[0092] AGG_LAST_YEAR_STD_FREQUENCY_COUNTS_BALANCING_CELL_ID: Als Signale von Interesse, welche zu den Betriebsdaten gehören, werden Batteriezellen-Balancing-Status (Mehrzahl) zusammen mit den Batteriezellen-IDs, derjenigen Batteriezellen, die ein Batteriezellen-Balancing ausgelöst haben, gewählt. Dabei wird gezählt, wie oft welche Batteriezelle ein Batteriezellen-Balancing ausgelöst hat, wobei auch die Nullen mitgezählt werden, also Batteriezellen, welche nie ein Batteriezellen-Balancing ausgelöst haben. Anschließend wird eine Standardabweichung der Anzahl der ausgelösten Batteriezellen-Balancings aller Zellen-IDs gebildet. Hierbei werden nur die Daten des letzten Jahres betrachtet. Die kritischen Zell-IDs sind bei Fahrzeugen mit hohem Risiko eines thermischen Durchgehens um einige wenige Batteriezellen gruppiert. Dieses Feature berücksichtigt sowohl die Balancing-Dauer (mit der Standardabweichung) als auch die „Zentralisierung“ auf einige wenige problematische Zellen für das Balancing. HEAT_BatteryThermalManagementModeHvBatteryContactorTemp_charge_ldlie_Higher HVCondatorTemp_PERCENT: Hierbei wird die Verweildauer des Fahrzeugs im Wärmemanagementmodus „Leerlauf“ bei warmen/heißen Batteriekontakttemperaturen des HV-Batterieschützes aggregiert. Die Verweildauer des HV-Batterieschützes über einem bestimmten Grenzwert, hier T>25 °C, während des Ladevorgangs wird gemessen. Das Ziel dieses Merkmals ist, heiße Batterietemperaturen im Thermomodus im „Leerlauf“ Zustand zu identifizieren. Die Temperatur des HV-Schützes kann durch verschiedene Ausfälle der Komponenten im Batterieanschlusskasten beeinflusst werden. Wenn eine dieser Komponenten defekt ist, steigt die Temperatur an. Es scheint, dass dieser Zustand bei den fehlerhaften Fahrzeugen besonders stark im Niedrigstrombetrieb (Leerlauf des thermischen Systems) auftritt. Auslöser für ein thermisches Ereignis sind höchstwahrscheinlich die Zellen, die sich unter der EE- Einheit befinden. HEAT_CellTempAvgSocHvBus_charge_HigherCellTempAvg_SOCHVBus_PERCENT: Die Durchschnittliche Zelltemperatur, berechnet aus Minimum und Maximum der Zelltemperatur und der Ladezustand (SOC) basierend auf der HV-Bus-Spannung werden als Betriebsdaten genutzt. Aus diesen werden die Verweildauern des Fahrzeugs bei warmen/heißen Batteriezelltemperaturen über einem Grenzwert und niedrigem SOC während des Ladevorgangs aggregiert. Dieses Merkmals korreliert hohe Zelltemperaturen bei niedrigen Busspannung. Dieses Features soll erkennen, ob eine oder mehrere Zellen in einem Batteriepack fehlerhaft sind (insbesondere bei verbesserter Selbstentladung). Wir betrachten die SoC auf der Grundlage der gesamten Spannung des Batteriepacks und stellen fest, dass fehlerhafte Fahrzeuge meist eine niedrigere SoC aufweisen, selbst wenn sie mit der gleichen Abschaltspannung aufgeladen werden, und gleichzeitig weisen diese Fahrzeuge eine höhere Durchschnittstemperatur auf. Je höher die Zellentemperatur und je niedriger der Ladezustand eines Fahrzeugs ist, desto wahrscheinlicher ist es, dass mehr als eine Zelle betroffen ist. EVENTS_CHARGING_STD_DELTA_COOLANT_TEMP_AVG_LAST_YEAR: Der Mittelwert der Delta-Kühltemperatur wird über die Ladeereignisse, aggregiert als Standardabweichung aller Ladeereignisse des letzten Jahres berechnet. Die Delta-Kühltemperatur ist die Batteriezellen-Kühlmitteltemperatur am Eingang minus die Batteriezellen-Kühlmitteltemperatur am Ausgang. Für alle Ladevorgänge des letzten Jahres wurde die Standardabweichung der durchschnittlichen DeltaKühltemperatur berechnet. Hierdurch kann ermittelt werden, wie groß ist die Streuung des durchschnittlichen Kühlmittel-Deltas während des Ladevorgangs (Abnahme und Zunahme des Deltas) ist. Außerdem kann ein Wechsel zwischen Heizung und Kühlung während des Ladevorgangs erkannt werden. Dieses Maß berücksichtigt sowohl die Verteilung der Zelltemperatur in der Fahrzeugbatterie als auch ihre Dynamik, die durch die Steuerung des thermischen Systems verursacht wird. Auf den ersten Blick mag es so aussehen, als ob die Kühlleistung während des Ladens mit geringer Leistung die Temperaturverteilung im Akkupack unnötig erhöht. Als Ursache für das relevante Feature wurden interne Zelldefekte festgestellt, die oft zu einer stärkeren Selbsterhitzung einer betroffenen Batteriezelle als bei anderen Batteriezellen führen. Wenn eine Zelle nicht gut mit dem Kühlsystem verbunden ist, reagiert die Zellentemperatur nicht gut auf den Betrieb des Kühlsystems. Wird die Standardabweichung der Kühlmitteleinlasstemperatur gegenüber der Kühlmittelauslasstemperatur berechnet, kann ein Signal verwendet werden, das diese beiden Effekte zeigt, die durch die Kontrollstrategie des thermischen Systems verstärkt werden. Die Standardabweichung ist hoch, wenn das Kühlsystem häufig umschaltet, um die höchste Zelle unter dem Schwellenwert zu halten, ohne die niedrigste Zelle zu unterkühlen.
15 / 30
A ‚hes AT 528 325 A1 2025-12-15
Ss N
EVENTS_BATTERY_DISCHARGE_STD_DELTA_CELL_VOLTAGE_AVG_GRAD_ TOTAL: Das Delta-Zellspannungssignal (maximale minus minimale Zellspannung) wird herangenommen, um daraus für jedes Entladeereignis den durchschnittlichen Gradienten dieses Signals zu berechnen. Für alle Entladungsereignisse über die gesamte Lebensdauer der Fahrzeugbatterie wird die Standardabweichung des durchschnittlichen Gradienten berechnet. Die Schwankung der Zellspannung ist ein wichtiger Indikator für interne Kurzschlüsse auf Elektrodenebene (Grate und durch Elektrodenvergiftung verursachte Dendriten). Dies ist ein hochwertiges Maß für das Spannungsrauschen trotz einer nur geringen Abtastrate der Daten. Wenn eine Batteriezelle einen fehlerhaften Zustand aufweist, der zu einem Anstieg des Zellwiderstands führt, ist dies in der geringen Auflösung von Datenpunkten mit 30s Abstand nicht leicht zu finden. Wenn ein Delta zwischen der minimalen und der maximalen Zellenspannung während des Entladevorgangs besteht, kann ein Widerstandsunterschied vorliegen, auch wenn er nicht quantifiziert werden kann. Der Gradient dieses Signals zeigt jedoch einen sich entwickelnden Unterschied während des Betriebs.
[0093] Der dritte Arbeitsschritt 103 wird vorzugsweise durch Mittel 13 zum Auswählen von relevanten Merkmalen ausgeführt. Diese Mittel 13 führen mehrere Feature-Selection-Methoden hintereinander aus, insbesondere in einer Art Verkettung.
[0094] In einem vierten Arbeitsschritt 104 wird vorzugsweise auf der Grundlage der Zustandsdaten, welche einen physikalischen Zustand des Fahrzeugs 3 und/oder der Batterie 2 charakterisieren, ein Grenzwert zur Unterscheidung von intakten und defekten technischen Einrichtung der jeweiligen Gattung bestimmt. Vorzugsweise wird hierfür eine Kosten-Nutzen-Analyse zwischen einem reaktiven und proaktiven Austausch der jeweiligen technischen Einrichtung 3, 4 der Gattung durchgeführt. Weiter vorzugsweise wird der Grenzwert hierbei in der Weise festgelegt, dass bei einer vergleichsweise hohen Ausfallwahrscheinlichkeit des Fahrzeugs 3 und/oder der Batterie 2 die jeweilige technische Einrichtung 2,3 als defekt markiert wird.
[0095] Der vierte Arbeitsschritt 104 wird vorzugsweise durch Mittel 14 zum Bestimmen eines Grenzwerts durchgeführt. Vorzugsweise wird der Grenzwert auf der Grundlage einer Kosten-Nutzen-Analyse zwischen einem reaktiven und einem proaktiven Austausch der technischen Einrichtung 2, 3 bestimmt.
[0096] In einem fünften Arbeitsschritt 105 werden vorzugsweise die Zustandsdaten einer jeweiligen technischen Einrichtung 2, 3 der Gattung mit dem Grenzwert verglichen. Wird der Grenzwert von der jeweiligen technischen Einrichtung 2, 3 überschritten bzw. unterschritten, so wird die jeweilige technische Einrichtung 2, 3 vorzugsweise in einem sechsten Arbeitsschritt 106 als defekt markiert.
[0097] Der fünfte Arbeitsschritt 105 und sechste Arbeitsschritt 106 werden jeweils vorzugsweise durch Mittel zum Vergleichen der Zustandsdaten 15 und durch Mittel 16 zum Markieren einer technischen Einrichtung 2, 3 durchgeführt.
[0098] In einem siebten Arbeitsschritt 107 wird der Klassifikationsalgorithmus mittels der in dem dritten Arbeitsschritt ausgewählten relevanten Merkmale und der jeweils dazugehörigen Zustandsdaten, welche vorzugsweise gemäß der vierten bis sechsten Arbeitsschritte 104 bis 106 klassifiziert bzw. gelabelt sind, trainiert.
[0099] Für das Training des Klassifikationsalgorithmus, welches eine Art Modellierung darstellt, kommt ein sogenanntes überwachtes Lernen (englisch: Supervised Learning) zum Einsatz. Je nach Art der Zustandsdaten kann es sich hierbei um ein Training mit binären Zustandsdaten der Klassifikation “defekt” oder “intakt” oder Multi-Klassen-Zustandsdaten mit noch weiteren Klassifikationen, jeweils hinsichtlich eines bestimmten Defekts handeln. Das Ergebnis ist entweder ein binärer Klassifikator ein Multi-Klassen-Klassifikator, der dazu angepasst ist, Betriebsdaten hinsichtlich der Wahrscheinlichkeit des Auftretens dieses bestimmten Defekts zu klassifizieren. Der Klassifikator nutzt hierzu die Korrelation zwischen den relevanten Merkmalen, die aufgrund der Zustandsdaten ausgewählt worden sind und den zu prüfenden Betriebsdaten.
[00100] Ein Beispiel für einen Klassifikationsalgorithmus, welcher im Rahmen der Offenbarung zum Einsatz kommen kann, ist eine logistische Regression. Hierbei wird eine logistische Funktion
16 / 30
A ‚hes AT 528 325 A1 2025-12-15
Ss N
bei linearer Regression angewendet, insbesondere Lasso, Ridge oder Elastic. Im Falle eines Trainings mit binären Zustandsdaten erhält man eine binäre Antwort, in den angeführten Ausführungsbeispielen „intakt“ oder „defekt“.
[00101] Weitere mögliche Klassifikationsalgorithmen sind generalisierte lineare Modelle, Random Forest, XGBoost, Supportvektormaschinen, gestapelte Klassifikationsalgorithmen (stacked classifiers). Vorzugsweise werden interpretierbar Klassifikationsalgorithmen verwendet, die auch gut mit Ausreißern umgehen können.
[00102] Der siebte Arbeitsschritt 107 wird vorzugsweise durch Mittel 17 zum Trainieren eines Klassifikationsalgorithmus durchgeführt. Insbesondere weist ein solches Mittel 17 eine Schnittstelle, insbesondere Datenschnittstelle auf, um die erzeugten und ausgewählten Merkmale sowie die dazugehörigen Zustandsdaten, welche physikalische Zustände des Fahrzeugs drei oder der Batterie 2 charakterisieren, an den zu trainierenden Klassifikationsalgorithmus auszugeben.
[00103] In einem achten Arbeitsschritt 108 wird der trainierte Klassifikator vorzugsweise evaluiert. Weiter vorzugsweise kommen hierbei Standard-Maßzahl, wie beispielsweise Area Under the ROC Curve, Recall, Precision, True positive rate, etc. zum Einsatz. Insbesondere wird hierbei eine Güte des trainierten Klassifikators bestimmt. Üblicherweise wird der Klassifikationsalgorithmus auf einem ersten Teil der Betriebsdaten trainiert und der trainierte Klassifikator auf einen zweiten Teil der vorhandenen Betriebsdaten evaluiert. Hierdurch kann ein Overfitting vermieden werden.
[00104] Der achte Arbeitsschritt 108 wird vorzugsweise von Mitteln 18 zum Bestimmen einer Evaluation des trainierten Klassifikators ausgeführt.
[00105] Der trainierte Klassifikator ist dazu angepasst, auf unbekannte Betriebsdaten technischer Einrichtungen 2, 3 derselben Gattung angewandt zu werden, um physikalische Zustände dieser technischen Einrichtungen 2, 3 zu ermitteln. Darüber hinaus kann der trainierte Klassifikator auch auf jene technischen Einrichtungen 2, 3 angewandt werden, anhand deren der zugrunde liegende Klassifikationsalgorithmus trainiert wurde. Hierdurch können die physikalischen Zustände dieser Einrichtungen 2, 3 neu bestimmt werden. Vor dem Hintergrund der Vielzahl an technischen Einrichtungen 2, 3, mittels welcher der Klassifikator trainiert wurde, kann mittels des trainierten Klassifikators eine Auftrittswahrscheinlichkeit eines bestimmten physikalischen Zustands, insbesondere einer Ausfallwahrscheinlichkeit, für die untersuchte technische Einrichtung 2, 3 bestimmt werden. Der physikalische Zustand kann hierbei sowohl durch physikalische Größen wie auch durch Auftrittswahrscheinlichkeiten für einen bestimmten physikalischen Zustand angegeben werden.
[00106] Die Anwendung eines trainierten Klassifikators wird nachfolgend in Bezug auf Ausführungsbeispiele eines computerimplementierten Verfahrens 200 sowie eines Systems 20 zur indirekten Messung von physikalischen Zuständen einer technischen Einrichtung 2, 3 anhand der Figur 3 und der Figur 4 erläutert. Figur 3 zeigt hierbei ein funktionales Blockdiagramm des Systems 20, Figur 4 ein Flussdiagramm des Verfahrens 200.
[00107] In einem ersten Arbeitsschritt 201 werden Betriebsdaten der zu analysierenden technischen Einrichtung 2, 3, im Rahmen des beschriebenen Ausführungsbeispiels ein batteriebetriebenes Fahrzeug 3 oder eine Batterie 2 eines solchen Fahrzeugs 3, erfasst, wobei die Betriebsdaten Werteverläufe von zeitaufgelösten Messparametern umfassen. Auch diese Betriebsdaten charakterisieren ein Betriebsverhalten der zu analysierenden technischen Einrichtungen und eine Umgebung der zu analysierenden technischen Einrichtung aus einem Feldbetrieb. Die Betriebsdaten brauchen jedoch, im Gegensatz zur Trainingsphase, nicht gelabelt sein. Mithin sind die physikalischen Zustände des zu analysierenden Fahrzeugs 3 oder der zu analysierenden Batterie 2 im Normalfall unbekannt.
[00108] Vorzugsweise weist auch das System 20 entsprechende Mittel 21 zum Erfassen von Betriebsdaten auf. Vorzugsweise sind diese Mittel 21 als Schnittstelle, insbesondere Datenschnittstelle ausgebildet. Weiter vorzugsweise sind diese Mittel 21 als Sensoren ausgebildet, welche die Messparameter unmittelbar erfassen können.
17 / 30
A ‚hes AT 528 325 A1 2025-12-15
Ss N
[00109] In einem zweiten Arbeitsschritt 202 werden vorzugsweise Merkmale durch Bearbeiten wenigstens eines Teils der Betriebsdaten mittels einer mathematischen Operation und/oder durch Auswertung von Datenbereichen aus den Messparametern und überarbeiteten Messparametern erzeugt.
[00110] Vorzugsweise werden wenigstens jene Messparameter erfasst, welche zum Erzeugen der relevanten Merkmale notwendig sind. Weiter vorzugsweise sind die Messparameter und/oder die jeweiligen relevanten Merkmale dieselben, welche bereits in Bezug auf das Verfahren 100 zum Trainieren eines Klassifikationsalgorithmus genannt wurden.
[00111] Vorzugsweise weist das System 20 entsprechend Mittel 22 zum Erzeugen von Merkmalen auf.
[00112] Im einem dritten Arbeitsschritt 203 werden Ausgabedaten durch Anwenden des Klassifikators auf die Eingabedaten bestimmt. Die Eingabedaten basieren auf dem Betriebsdaten und sind insbesondere die erzeugten Merkmale und vorzugsweise die als relevant identifizierten Merkmale. Die Ausgabedaten charakterisieren die physikalischen Zustände der zu untersuchenden Fahrzeugs 3 oder der zu untersuchenden Batterie 2.
[00113] Vorzugsweise weist das System 20 entsprechend Mittel 23 zum Bestimmen von Ausgabedaten auf. In dem in Fig. 3 gezeigten Ausführungsbeispiel werden physikalische Zustände der Batterie 2 ermittelt, wie durch die dargestellte Batterie in dem Kasten 23 in Fig. 3 angedeutet ist.
[00114] Weiter vorzugsweise werden die Ausgabedaten, wie in Fig. 3 gezeigt, über eine weitere Schnittstelle 24, insbesondere eine Benutzerschnittstelle oder eine Datenschnittstelle, ausgegeben.
[00115] In einem fünften Arbeitsschritt 205 kann vorzugsweise ein Grenzwert eingezogen werden, welcher definiert, ob das Fahrzeug 3 oder die Batterie 2 als technische Einrichtungen „defekt“ oder „intakt“ sind. Dieser Grenzwert kann ebenfalls in einer Kosten-Nutzen-Analyse bestimmt werden, wobei vorzugsweise Kosten für einen reaktiven Tausch den Kosten eines proaktiven Tauschs gegenübergestellt werden.
[00116] In einem sechsten Arbeitsschritt 206 können die mittels des Verfahrens 200 ermittelten Zustandsdaten der jeweils zu analysierenden technischen Einrichtung mit dem Grenzwert verglichen werden. In einem siebten Arbeitsschritt 207 kann die zu analysierenden technischen Einrichtung, insbesondere der Prüfling, dann entsprechend ihres/seines physikalischen Zustands in Bezug auf den Grenzwert markiert werden, vorzugsweise als „intakt“ oder „defekt“. Entsprechend weist das System 20 des Weiteren vorzugsweise Mittel 25 zum Bestimmen eines Grenzwerts, Mittel 26 zum Vergleichen und Mittel 27 zum Markieren auf. Auch die Markierung kann über die Schnittstelle 24 ausgegeben werden.
[00117] Dieses Verfahren 200 kann für verschiedene Zwecke eingesetzt werden, beispielsweise für die vorausschauende Wartung („Predictive Maintenance“), die Risikobewertung und die kontinuierliche Überwachung eines Fuhrparks, von Fahrzeugkomponenten und anderer technischer Einrichtungen.
[00118] In dem geschilderten Anwendungsfall des Identifizierens eines bevorstehenden thermischen Durchgehens der Batterie 3 wurde festgestellt, dass der die Ursache („Root Cause“) ein Produktionsfehler ist. Aus den Auswertungen der verwendeten Merkmale konnte man sehen, dass kalendarische Alterung nur einen minimalen Einfluss hat (Vergleich von Delta_cell_temp_avg (während einer Batterieentladung), delta_cell_avg (während normalen Ladens), min_cell_voltage_avg (während Batterieentladung), delta_soc_bus_per_kwh (während normalem Laden). Das deutete darauf hin, dass es schon von Beginn an eine gesunde und eine kranke Population gegeben hat und dass das zugrunde liegende Problem von einem Produktionsfehler kommt. Auch die Auswertungen von low_cell_voltage und high_cell_voltage_deltas und high_temperatures und high_temperature_Deltas wiesen darauf hin.
[00119] Ein weiterer Anwendungsfall ist eine Untersuchung der Öl-Verdünnung: In diesem Anwendungsfall lies sich aufgrund der Messparameter und der ausgewählten Merkmale (Auswer-
18 / 30
A ‚hes AT 528 325 A1 2025-12-15
Ss N
tung von Dieselpartikelfilter-Regenerationen (DPF-Regenerationen), Anzahl und Dauer der erfolgreichen und gescheiterten DPF bzw. NOx-Regenerationen) darauf schließen, dass sich bei defekten Fahrzeugen die Merkmale signifikant von denen intakter Fahrzeuge unterscheiden. Bei gescheiterten Regeneration gelangt nämlich immer mehr Kraftstoff in das Öl, wodurch dieses verdünnt wird und zu Ausfällen führt.
[00120] Ein weiterer Anwendungsfall ist die Untersuchung der Effizienz des Katalysatorsystems: Die Auswertung beschäftigt sich mit der Auswertung, welches Fahrverhalten zu einem Ausfall des Katalysators führt. Die Hauptunterschiede zwischen intakten und defekten Fahrzeugen waren in Bezug auf Leerlaufereignisse (mehr Leerlaufereignisse, längere Leerlaufdauer, mehr Leerlaufereignisse bei sehr kalten und heißen Umgebungstemperaturen, ...), Motorbetrieb (Höherer Prozentsatz des Betriebs mit sehr hoher Motorlast) und verwandten P-Codes zu sehen.
[00121] Es sei darauf hingewiesen, dass es sich bei den Ausführungsbeispielen lediglich um Beispiele handelt, die den Schutzbereich, die Anwendungen und den Aufbau in keiner Weise einschränken sollen. Vielmehr wird dem Fachmann durch die vorausgehende Beschreibung ein Leitfaden für die Umsetzung mindestens eines Ausführungsbeispiels gegeben, wobei diverse Änderungen, insbesondere in Hinblick auf die Funktion und Anordnung der beschriebenen Bestandteile, vorgenommen werden können, ohne den Schutzbereich zu verlassen, wie er sich aus den Ansprüchen und diesen äquivalenten Merkmalskombinationen ergibt Patentansprüche.
19 / 30
A ‚hes AT 528 325 A1 2025-12-15
Ss N
Patentansprüche
1. Computerimplementiertes Verfahren (100) zum Erzeugen eines Klassifikators (1) zur indirekten Messung von physikalischen Zuständen eines Prüflings einer Gattung technischer Einrichtungen, welche vorzugsweise Fahrzeugbatterien (2) oder Fahrzeuge (3) sind, durch Training eines Klassifikationsalgorithmus, folgende Arbeitsschritte aufweisend:
e Erfassen (101) von Betriebsdaten einer Vielzahl technischer Einrichtungen der Gattung, wobei die Betriebsdaten Werteverläufe von zeitaufgelösten Messparametern umfassen und ein Betriebsverhalten und eine Umgebung einer jeweiligen technischen Einrichtung aus einem Feldbetrieb charakterisieren, und von Zustandsdaten der jeweiligen technischen Einrichtung während des Feldbetriebs;
e Erzeugen (102) von Merkmalen durch Bearbeiten wenigstens eines Teils der Betriebsdaten mittels mathematischer Operationen und/oder durch Auswählen von Datenbereichen aus den Betriebsdaten;
e Auswählen (103) von relevanten Merkmalen aus den erzeugten Merkmalen mittels einer Verkettung von Feature-Selection-Methoden; und
e Trainieren (107) des Klassifikationsalgorithmus mittels der relevanten Merkmale und der jeweils dazugehörigen Zustandsdaten, wobei der Klassifikator (1) erzeugt wird;
wobei die Zustandsdaten die physikalischen Zustände der technischen Einrichtungen (2, 3) charakterisieren.
2. Verfahren nach Anspruch 1, des Weiteren den folgenden Arbeitsschritt aufweisend: Bewerten (108) des computerimplementierten Klassifikators mittels wenigstens einer Standard-Maßzahl, insbesondere aus der folgenden Gruppe an Standard-Maßzahlen:
Area under the ROC Curve, Recall, Precision, True Positive Rate.
3. Verfahren (100) nach einem der vorhergehenden Ansprüche, wobei wenigstens zwei, vorzugsweise drei oder besonders bevorzugt alle der folgenden Feature-Selection-Methoden ausgewählt werden:
e Random Ranking (103A);
e Backward ranking (103B);
e Cluster-Based Selection (103C);
e Subset Refinement (103D); wobei die jeweils ausgewählten Feature-Selection-Methoden gemäß der durch die obige Aufzählung definierte Reihenfolge ausgeführt werden.
4. Verfahren nach Anspruch 3, wobei die Random ranking-Methode (103A) die folgenden Arbeitsschritte aufweist:
e Auswählen (103A-1) einer zufälligen Teilmenge von Merkmalen;
e Ausführen (103A-2) einer mehrfachen, insbesondere fünffachen (k=5), Kreuzvalidierung für ein vorläufiges Maschinenmodell mit den ausgewählten Merkmalen, wobei die Relevanz der ausgewählten Merkmale für ein jeweils trainiertes vorläufige Maschinenlernmodell bestimmt wird;
e Speichern (103A-3) einer Relevanz der ausgewählten Merkmale für jedes während der Kreuzvalidierung trainierte vorläufige Maschinenlernmodell;
e Wiederholen (103A-4) der vorausgehenden Arbeitsschritte in mehreren Iterationen, bis alle Merkmale wenigstens einmal ausgewählt wurden;
e Ordnen (103A-5) der Merkmale nach ihrer durchschnittlichen Relevanz; und
e* Ausgeben (103A-6) einer definierten Anzahl von Merkmalen mit der höchsten Relevanz an die nachfolgende Feature-Selection-Methode, bevorzugt 15% aller erzeugten Merkmale.
5. Verfahren nach Anspruch 4, wobei die Kreuzvalidierung (103A-2) die folgenden Arbeitsschritte aufweist: e Trainieren (103A-2-1) des vorläufigen Maschinenlernmodells unter Verwendung der ausgewählten Merkmale mittels k-1/k der Betriebsdaten und der Zustandsdaten; e Bewerten (103A-2-2) des trainierten vorläufigen Maschinenlernmodells mittels 1/k
der Betriebsdaten und der Zustandsdaten; und e Bestimmen (103A-2-3) einer Relevanz der Merkmale auf der Grundlage der Bewertung des trainierten vorläufigen Maschinenmodells.
6. Verfahren nach einem der Ansprüche 3 bis 5, wobei die Backward Ranking-Methode (103B) die folgenden Arbeitsschritte aufweist:
e Trainieren (103B-1) eines vorläufigen Maschinenlernmodells mit den Merkmalen;
e Entfernen (103B-2) des am wenigsten relevanten Merkmals;
e Wiederholen (103B-3) der vorausgehenden Arbeitsschritte in mehreren Iterationen, bis alle Merkmale entfernt wurden; und
e Ordnen (103B-4) der Merkmale nach ihrer Relevanz, wobei das Merkmal, das als erstes entfernt wurde, den niedrigsten Rang erhält und das zuletzt entfernte Merkmal den höchsten Rang; und
e* Ausgeben (103B-5) einer definierten Anzahl von Merkmalen mit der höchsten Relevanz an die nachfolgende Feature-Selection-Methode, bevorzugt 15% aller erzeugten Merkmale.
7. Verfahren (100) nach einem der Ansprüche 3 bis 6, wobei die Cluster-Based Selection-Methode (103C) die folgenden Arbeitsschritte aufweist:
e Berechnen (103C-1) einer paarweisen Korrelation zwischen allen aus der vorherigen Feature-Selection-Methode übermittelten Merkmalen und den dazugehörigen Zustandsdaten anhand von Pearson-Korrelationskoeffizienten;
e Clustern (103C-2) der Merkmale auf der Grundlage ihrer Korrelation mit Hilfe agglomerativer Clustering-Techniken;
e Auswählen (103C-3) von Merkmalen aus jedem Cluster nach dem Zufallsprinzip, so dass Untergruppen von Merkmalen entstehen, deren Informationen weder redundant noch unvollständig sind;
e Trainieren und Validieren (103C-4) von vorläufigen Maschinenlernmodellen unter Verwendung der ausgewählten Untergruppe auf eine einstellige Anzahl an Falten, insbesondere fünf, einer Kreuzvalidierung, um festzustellen, welche Untergruppen zu den besten Modellleistungen führen; und
e Speichern (103C-5) aller Bewertungsmetriken für jedes trainierte vorläufige Maschinenlernmodell sowie die Bedeutung der Merkmale.
8. Verfahren (100) nach einem der Ansprüche 3 bis 7, wobei die Subset Refinement-Methode (103D) die folgenden Arbeitsschritte aufweist, welche auf wenigstens einige Untergruppen der Merkmale zur Verbesserung der Relevanz der Untergruppe angewendet werden:
e* wenn sich die Relevanz eines Merkmals bei einem erneuten Trainieren eines vorläufigen Maschinenlernmodells ändert, Entfernen (103D-1) des Merkmals; e wenn zwei Merkmale eine hohe Pearson-Korrelation aufweisen, Entfernen (103D-2) des Merkmals mit der geringeren Relevanz; und e* wenn ein Merkmal eine hohe Pearson-Korrelation mit einem anderen Merkmal aufweist, das beim Backward-Ranking mit einer höheren Relevanz eingestuft wird, Ersetzen (103D-3) des Merkmals durch das andere Merkmal; und e Trainieren (103D-4) des vorläufigen Maschinenlernmodells mit jeder der verbesserten Untergruppen; wobei die Merkmale diejenigen Untergruppe ausgewählt werden, welche die Zustandsdaten am zutreffendsten bestimmen.
9. Ein computerimplementierter Klassifikator (1) zur indirekten Messung von physikalischen Zuständen eines Prüflings einer Gattung technischer Einrichtungen, welche vorzugsweise Fahrzeugbatterien (2) oder Fahrzeuge (3) sind, wobei der Klassifikator (1) durch ein Training eines Klassifikationsalgorithmus erzeugt ist, wobei der Klassifikationsalgorithmus durch folgende Arbeitsschritte, welche für jede Trainingseingabe einer Vielzahl an Trainingseingaben durchgeführt werden, konfiguriert wurde:
e Erfassen von Betriebsdaten einer Vielzahl technischer Einrichtungen der Gattung,
10.
11.
12.
13.
14.
15.
16.
AT 528 325 A1 2025-12-15
wobei die Betriebsdaten Werteverläufe von zeitaufgelösten Messparametern umfassen und ein Betriebsverhalten und eine Umgebung einer jeweiligen technischen Einrichtung aus einem Feldbetrieb charakterisieren, und von Zustandsdaten der jewelligen technischen Einrichtung;
e Erzeugen von Merkmalen durch Bearbeiten wenigstens eines Teils der Betriebsdaten mittels mathematischer Operationen und/oder durch Auswählen von Datenbereichen aus den Betriebsdaten;
e Auswählen von relevanten Merkmalen aus den erzeugten Merkmalen mittels einer Verkettung von Feature-Selection-Methoden; und
e Trainieren des Klassifikationsalgorithmus mittels der relevanten Merkmale und der Jeweils dazugehörigen Zustandsdaten, wobei der Klassifikator (1) erzeugt wird;
wobei die Zustandsdaten die physikalischen Zustände der technischen Einrichtungen (2, 3) charakterisieren.
Computerimplementiertes Verfahren (200) zur indirekten Messung von physikalischen Zuständen eines Prüflings einer Gattung technischer Einrichtungen, welche vorzugsweise Fahrzeugbatterien (2) oder Fahrzeuge (3) sind, mittels eines Klassifikators (1), insbesondere nach Anspruch 9 und/oder welcher mittels eines Verfahrens (100) gemäß einem der Ansprüche 1 bis 9 erzeugt ist, folgende Arbeitsschritte aufweisend:
e Erfassen (201) von Betriebsdaten des Prüflings, wobei die Betriebsdaten Werteverläufe von zeitaufgelösten Messparametern umfassen und ein Betriebsverhalten des Prüflings und eine Umgebung des Prüflings aus einem Feldbetrieb charakterisieren;
e Bestimmen (203) von Ausgabedaten durch Anwenden des Klassifikators (1) auf Eingabedaten, welche auf den Betriebsdaten basieren, wobei die Ausgabedaten die physikalischen Zustände des Prüflings charakterisieren; und
e Ausgeben (204) der Ausgabedaten.
Verfahren nach Anspruch 10, des Weiteren den Arbeitsschritt aufweisend:
e Erzeugen (202) von Merkmalen durch Bearbeiten wenigstens eines Teils der Betriebsdaten mittels einer mathematischen Operation und/oder durch Auswählen von Datenbereichen aus den Messparametern und den bearbeiteten Messparametern, wobei die Eingabedaten die Merkmale umfassen.
Verfahren (200) nach Anspruch 10 oder 11, wobei der Klassifikationsalgorithmus ein probabilistischer Klassifikationsalgorithmus ist, wobei die Ausgabedaten eine Ausfallwahrscheinlichkeit des Prüflings angeben.
Verfahren (200) nach einem der Ansprüche 10 bis 12, wobei die Zustandsdaten und/oder die Ausgabedaten die technischen Einrichtungen der Gattung in eine erste Gruppe, bei welchen ein Defekt auftritt, und eine zweite Gruppe, bei welchen dieser Defekt nicht auftritt, unterteilen, wobei die technischen Einrichtungen der ersten Gruppe als defekt und die technischen Einrichtungen der zweiten Gruppe als intakt markiert sind.
Verfahren (200) nach einem der Ansprüche 10 bis 13, des Weiteren die folgenden Arbeitsschritte aufweisend:
Vergleichen (105; 205) der Zustandsdaten oder der Ausgabedaten der jeweiligen technischen Einrichtung (2, 3), insbesondere des Prüflings, mit einem Grenzwert; und
Markieren (106; 206) der jeweiligen technische Einrichtung (2, 3) als intakt oder als defekt auf der Grundlage des Vergleichs.
Verfahren nach einem der Ansprüche 10 bis 14, des Weiteren den folgenden Arbeitsschritt aufweisend:
Bestimmen (104; 204) des Grenzwerts zur Unterscheidung von intakten und defekten technischen Einrichtungen auf der Grundlage einer Kosten-Nutzen-Analyse zwischen einem reaktiven und einem proaktiven Austausch der technischen Einrichtung.
Verfahren (100; 200) nach einem der Ansprüche 10 bis 15, wobei der Klassifikationsalgorith-
mus aus der folgenden Gruppe ausgewählt ist: naive Bayes, logistische Regression, Gradient Boosting, Random Forest.
17. System (10) zum Erzeugen eines Klassifikators zur indirekten Messung von Zuständen eines Prüflings einer bestimmten Gattung technischer Einrichtungen, welche vorzugsweise Fahrzeugbatterien (2) oder Fahrzeuge (3) sind, durch Training eines Klassifikationsalgorithmus, aufweisend:
e Mittel zum Erfassen (11) von Betriebsdaten einer Vielzahl technischer Einrichtungen der Gattung, wobei die Betriebsdaten Werteverläufe von zeitaufgelösten Messparametern umfassen und ein Betriebsverhalten und eine Umgebung einer jeweiligen technischen Einrichtung aus einem Feldbetrieb charakterisieren, und von Zustandsdaten der jeweiligen technischen Einrichtung während des Feldbetriebs;
e Mittel zum Erzeugen (12) von Merkmalen durch Bearbeiten wenigstens eines Teils der Betriebsdaten mittels mathematischer Operationen und/oder durch Auswählen von Datenbereichen aus den Betriebsdaten;
e Mittel zum Auswählen (13A, 13B, 13C, 13D) von relevanten Merkmalen aus den erzeugten Merkmalen mittels einer Verkettung von Feature-Selection-Methoden; und
e Mittel zum Trainieren (17) des Klassifikationsalgorithmus mittels der relevanten Merkmale und der jeweils dazugehörigen Zustandsdaten, wobei der Klassifikator erzeugt wird;
wobei die Zustandsdaten die physikalischen Zustände der technischen Einrichtungen (2, 3) charakterisieren.
18. System (20) zur indirekten Messung von physikalischen Zuständen eines Prüflings einer Gattung technischer Einrichtungen, welche vorzugsweise Fahrzeugbatterien (2) oder Fahrzeuge (3) sind, mittels eines Klassifikators (1), insbesondere nach Anspruch 9, aufweisend:
e Mittel zum Erfassen (21) von Betriebsdaten der technischen Einrichtung, wobei die Betriebsdaten Werteverläufe von zeitaufgelösten Messparametern umfassen und ein Betriebsverhalten der technischen Einrichtung und eine Umgebung der technischen Einrichtung aus einem Feldbetrieb charakterisieren; und
e Mittel zum Bestimmen (23) von Ausgabedaten durch Anwenden des Klassifikators (1) auf Eingabedaten, welche auf den Betriebsdaten basieren, wobei die Ausgabedaten die physikalischen Zustände der technischen Einrichtung charakterisieren.
Hierzu 4 Blatt Zeichnungen

Claims (8)

A ‚hes AT 528 325 A1 2025-12-15 Ss N Neue Patentansprüche
1. Computerimplementiertes Verfahren (100) zum Erzeugen eines Klassifikators (1) zur indirekten Messung von physikalischen Zuständen eines Prüflings einer Gattung technischer Einrichtungen, welche vorzugsweise Fahrzeugbatterien (2) oder Fahrzeuge (3) sind, durch Training eines Klassifikationsalgorithmus, folgende Arbeitsschritte aufweisend:
e Erfassen (101) von Betriebsdaten einer Vielzahl technischer Einrichtungen der Gattung, wobei die Betriebsdaten Werteverläufe von zeitaufgelösten Messparametern umfassen und ein Betriebsverhalten und eine Umgebung einer jeweiligen technischen Einrichtung aus einem Feldbetrieb charakterisieren, und von Zustandsdaten der jeweiligen technischen Einrichtung während des Feldbetriebs;
e Erzeugen (102) von Merkmalen durch Bearbeiten wenigstens eines Teils der Betriebsdaten mittels mathematischer Operationen und/oder durch Auswählen von Datenbereichen aus den Betriebsdaten;
e Auswählen (103) von relevanten Merkmalen aus den erzeugten Merkmalen mittels einer Verkettung von Feature-Selection-Methoden; und
e Trainieren (107) des Klassifikationsalgorithmus mittels der relevanten Merkmale und der jeweils dazugehörigen Zustandsdaten, wobei der Klassifikator (1) erzeugt wird;
wobei die Zustandsdaten die physikalischen Zustände der technischen Einrichtungen (2, 3) charakterisieren, wobei alle der folgenden Feature-Selection-Methoden ausgewählt werden:
e Random Ranking (103A);
e Backward ranking (103B);
e Cluster-Based Selection (103C);
e Subset Refinement (103D);
wobei die jeweils ausgewählten Feature-Selection-Methoden gemäß der durch die obige Aufzählung definierte Reihenfolge ausgeführt werden; und
der trainierte Klassifikator dazu angepasst ist, auf Betriebsdaten technischer Einrichtungen der Gattung technischer Einrichtungen angewandt zu werden, um physikalische Zustände dieser technischen Einrichtungen zu ermitteln.
2. Verfahren nach Anspruch 1, des Weiteren den folgenden Arbeitsschritt aufweisend: Bewerten (108) des computerimplementierten Klassifikators mittels wenigstens einer StandardMaßzahl, insbesondere aus der folgenden Gruppe an Standard-Maßzahlen:
Area under the ROC Curve, Recall, Precision, True Positive Rate.
3. Verfahren nach Anspruch 1 oder 2, wobei die Random ranking-Methode (103A) die folgenden Arbeitsschritte aufweist:
e Auswählen (103A-1) einer zufälligen Teilmenge von Merkmalen;
e Ausführen (103A-2) einer mehrfachen, insbesondere fünffachen (k=5), Kreuzvalidierung für ein vorläufiges Maschinenmodell mit den ausgewählten Merkmalen, wobei die Relevanz der ausgewählten Merkmale für ein jeweils trainiertes vorläufige Maschinenlernmodell bestimmt wird;
e Speichern (103A-3) einer Relevanz der ausgewählten Merkmale für jedes während der Kreuzvalidierung trainierte vorläufige Maschinenlernmodell;
e Wiederholen (103A-4) der vorausgehenden Arbeitsschritte in mehreren Iterationen, bis alle Merkmale wenigstens einmal ausgewählt wurden;
e Ordnen (103A-5) der Merkmale nach ihrer durchschnittlichen Relevanz; und
e* Ausgeben (103A-6) einer definierten Anzahl von Merkmalen mit der höchsten Relevanz an die nachfolgende Feature-Selection-Methode, bevorzugt 15% aller erzeugten Merkmale.
4. Verfahren nach einem der Ansprüche 1 bis 3, wobei die Backward Ranking-Me- thode (103B) die folgenden Arbeitsschritte aufweist: e Trainieren (103B-1) eines vorläufigen Maschinenlernmodells mit den Merkmalen; e Entfernen (103B-2) des am wenigsten relevanten Merkmals;
ZULETZT VORGELEGTE ANSPRÜCHE
e Wiederholen (103B-3) der vorausgehenden Arbeitsschritte in mehreren Iterationen, bis alle Merkmale entfernt wurden; und
e Ordnen (103B-4) der Merkmale nach ihrer Relevanz, wobei das Merkmal, das als erstes entfernt wurde, den niedrigsten Rang erhält und das zuletzt entfernte Merkmal den höchsten Rang; und
e* Ausgeben (103B-5) einer definierten Anzahl von Merkmalen mit der höchsten Relevanz an die nachfolgende Feature-Selection-Methode, bevorzugt 15% aller erzeugten Merkmale.
5. Verfahren (100) nach einem der Ansprüche 1 bis 4, wobei die Cluster-Based Sel- ectionMethode (103C) die folgenden Arbeitsschritte aufweist:
e Berechnen (103C-1) einer paarweisen Korrelation zwischen allen aus der vorherigen Feature-Selection-Methode übermittelten Merkmalen und den dazugehörigen Zustandsdaten anhand von Pearson-Korrelationskoeffizienten;
e Clustern (103C-2) der Merkmale auf der Grundlage ihrer Korrelation mit Hilfe agglomerativer Clustering-Techniken;
e Auswählen (103C-3) von Merkmalen aus jedem Cluster nach dem Zufallsprinzip, so dass Untergruppen von Merkmalen entstehen, deren Informationen weder redundant noch unvollständig sind;
e Trainieren und Validieren (103C-4) von vorläufigen Maschinenlernmodellen unter Verwendung der ausgewählten Untergruppe auf eine einstellige Anzahl an Falten, insbesondere fünf, einer Kreuzvalidierung, um festzustellen, welche Untergruppen zu den besten Modellleistungen führen; und
e Speichern (103C-5) aller Bewertungsmetriken für jedes trainierte vorläufige Maschinenlernmodell sowie die Bedeutung der Merkmale.
6. Verfahren (100) nach einem der vorhergehenden Ansprüche, wobei die Subset Re- finement-Methode (103D) die folgenden Arbeitsschritte aufweist, welche auf wenigstens einige Untergruppen der Merkmale zur Verbesserung der Relevanz der Untergruppe angewendet werden:
e* wenn sich die Relevanz eines Merkmals bei einem erneuten Trainieren eines vorläufigen Maschinenlernmodells ändert, Entfernen (103D-1) des Merkmals; e wenn zwei Merkmale eine hohe Pearson-Korrelation aufweisen, Entfernen (103D-2) des Merkmals mit der geringeren Relevanz; und e* wenn ein Merkmal eine hohe Pearson-Korrelation mit einem anderen Merkmal aufweist, das beim Backward-Ranking mit einer höheren Relevanz eingestuft wird, Ersetzen (103D-3) des Merkmals durch das andere Merkmal; und e Trainieren (103D-4) des vorläufigen Maschinenlernmodells mit jeder der verbesserten Untergruppen; wobei die Merkmale diejenigen Untergruppe ausgewählt werden, welche die Zustandsdaten am zutreffendsten bestimmen.
7. Verfahren (100; 200) nach einem der vorhergehenden Ansprüche, wobei der Klassifikationsalgorithmus aus der folgenden Gruppe ausgewählt ist: naive Bayes, logistische Regression, Gradient Boosting, Random Forest.
8. System (10) zum Erzeugen eines Klassifikators zur indirekten Messung von Zuständen eines Prüflings einer bestimmten Gattung technischer Einrichtungen, welche vorzugsweise Fahrzeugbatterien (2) oder Fahrzeuge (3) sind, durch Training eines Klassifikationsalgorithmus, aufweisend:
e Mittel zum Erfassen (11) von Betriebsdaten einer Vielzahl technischer Einrichtungen der Gattung, wobei die Betriebsdaten Werteverläufe von zeitaufgelösten Messparametern umfassen und ein Betriebsverhalten und eine Umgebung einer jeweiligen technischen Einrichtung aus einem Feldbetrieb charakterisieren, und von Zustandsdaten der jeweiligen technischen Einrichtung während des Feldbetriebs;
e Mittel zum Erzeugen (12) von Merkmalen durch Bearbeiten wenigstens eines Teils
ZULETZT VORGELEGTE ANSPRÜCHE
der Betriebsdaten mittels mathematischer Operationen und/oder durch Auswählen von Datenbereichen aus den Betriebsdaten;
e Mittel zum Auswählen (13A, 13B, 13C, 13D) von relevanten Merkmalen aus den erzeugten Merkmalen mittels einer Verkettung von Feature-Sel- ection-Methoden, wobei alle der folgenden Feature-Selection-Methoden ausgewählt werden:
Random Ranking (103A);
Backward ranking (103B);
Cluster-Based Selection (103C);
Subset Refinement (103D); und
wobei die jeweils ausgewählten Feature-Selection-Methoden gemäß der durch die obige Aufzählung definierte Reihenfolge ausgeführt werden; und
e Mittel zum Trainieren (17) des Klassifikationsalgorithmus mittels der relevanten Merkmale und der jeweils dazugehörigen Zustandsdaten, wobei der Klassifikator erzeugt wird; wobei die Zustandsdaten die physikalischen Zustände der technischen Einrichtungen (2, 3) charakterisieren; und der trainierte Klassifikator dazu angepasst ist, auf Betriebsdaten technischer Einrichtungen der Gattung technischer Einrichtungen angewandt zu werden, um physikalische Zustände dieser technischen Einrichtungen zu ermitteln.
30 / 30
ZULETZT VORGELEGTE ANSPRÜCHE
ATA50443/2024A 2024-05-29 2024-05-29 Verfahren und System zur Erzeugung eines Klassifikators zur indirekten Messung von physikalischen Zuständen eines Prüflings AT528325A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
ATA50443/2024A AT528325A1 (de) 2024-05-29 2024-05-29 Verfahren und System zur Erzeugung eines Klassifikators zur indirekten Messung von physikalischen Zuständen eines Prüflings
PCT/AT2025/060218 WO2025245555A1 (de) 2024-05-29 2025-05-28 Verfahren und system zur erzeugung eines klassifikators zur indirekten messung von physikalischen zuständen eines prüflings

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
ATA50443/2024A AT528325A1 (de) 2024-05-29 2024-05-29 Verfahren und System zur Erzeugung eines Klassifikators zur indirekten Messung von physikalischen Zuständen eines Prüflings

Publications (1)

Publication Number Publication Date
AT528325A1 true AT528325A1 (de) 2025-12-15

Family

ID=96092779

Family Applications (1)

Application Number Title Priority Date Filing Date
ATA50443/2024A AT528325A1 (de) 2024-05-29 2024-05-29 Verfahren und System zur Erzeugung eines Klassifikators zur indirekten Messung von physikalischen Zuständen eines Prüflings

Country Status (2)

Country Link
AT (1) AT528325A1 (de)
WO (1) WO2025245555A1 (de)

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9881428B2 (en) * 2014-07-30 2018-01-30 Verizon Patent And Licensing Inc. Analysis of vehicle data to predict component failure

Also Published As

Publication number Publication date
WO2025245555A1 (de) 2025-12-04

Similar Documents

Publication Publication Date Title
DE102020100668B4 (de) Charakterisierung von wiederaufladbaren Batterien mit Maschinen-gelernten Algorithmen
EP3766120B1 (de) Charakterisierung von lithium-plating bei wiederaufladbaren batterien
EP4168813B1 (de) Bestimmung eines alterungszustands eines energiespeichers
DE102019125375A1 (de) Zustandswert für wiederaufladbare Batterien
DE112019004082T5 (de) System und Verfahren zur Vorhersage von Ausfällen industrieller Maschinen
DE102021110152A1 (de) Erkennung von hängenden zellen und überwachung des zellzustandes
DE102021203865A1 (de) Verfahren und Vorrichtung zum Bewerten eines relativen Alterungszustands einer Gerätebatterie auf Basis einer Gerätegruppen-basierenden Serienstreuung der Gerätebatterien
DE102022210276A1 (de) Verfahren zur Erkennung von Defekten in einem System
DE102020111788A1 (de) Verfahren und vorrichtung zur erkennung defekter zellen innerhalb einer batterie
DE102021125478B4 (de) Bestimmung eines alterungswerts für batterien mit strom-spannungs-zeitreihen in zeitdomäne und belastungsdomäne
DE102019212909A1 (de) Verfahren zum Detektieren eines Fehlers in einem Batteriesystem sowie Batteriesystem und Kraftfahrzeug
DE102021211158A1 (de) Verfahren und Vorrichtung zum Betreiben eines Frühwarn-Systems zum robusten Erkennen eines Fehlers eines elektrischen Energiespeichers für ein Gerät mithilfe von maschinellen Lernverfahren
EP4430413A1 (de) Bestimmung des gesundheitszustands von batterien mit dynamischem diagnose-belastungsprofil
DE102022126645A1 (de) Akkumulatorzustandsüberwachung und -störungserkennung
EP4054899B1 (de) Verfahren und system zum vorhersagen einer motorstart-performance eines elektrischen energiespeichersystems
DE102020008050A1 (de) Charakterisierung von wiederaufladbaren Batterien mit Maschinen-gelernten Algorithmen
DE102023104218A1 (de) Erkennung des Batteriezustands basierend auf dem natürlichen Konditionierungsverhalten
WO2022162060A1 (de) Big-data für fehlererkennung in batteriesystemen
DE102018132658A1 (de) Verfahren zur rechnergestützten Auswertung einer Messung einer elektrischen Größe in einem Hochvolt-Bordnetz eines vorgegebenen elektrisch angetriebenen Kraftfahrzeugs
AT528325A1 (de) Verfahren und System zur Erzeugung eines Klassifikators zur indirekten Messung von physikalischen Zuständen eines Prüflings
AT528377A2 (de) Verfahren und System zur indirekten Messung einer Wahrscheinlichkeit für das Auftreten eines Defekts in einem Prüfling
DE102023200585B4 (de) Verfahren und Vorrichtung zur prädiktiven Diagnose einer Gerätebatterie eines technischen Geräts mithilfe eines Trace-Graph-Modells
AT528376A2 (de) Verfahren und System zum Identifizieren einer Ursache eines Defekts
DE102023209120A1 (de) Verfahren und Vorrichtung zum Erstellen eines robusten Anomalie-Erkennungsmodells zum Erkennen einer aktuellen oder anstehenden Anomalie einer Gerätebatterie unter Nutzung einer erweiterten Autoencoder-Architektur
EP4666220A1 (de) Verfahren und vorrichtung zum maschinellen lernen für die alterungsvorhersage einer komponente eines fahrzeugs