AT528376A2 - Verfahren und System zum Identifizieren einer Ursache eines Defekts - Google Patents

Verfahren und System zum Identifizieren einer Ursache eines Defekts

Info

Publication number
AT528376A2
AT528376A2 ATA50445/2024A AT504452024A AT528376A2 AT 528376 A2 AT528376 A2 AT 528376A2 AT 504452024 A AT504452024 A AT 504452024A AT 528376 A2 AT528376 A2 AT 528376A2
Authority
AT
Austria
Prior art keywords
features
defect
data
feature
technical equipment
Prior art date
Application number
ATA50445/2024A
Other languages
English (en)
Other versions
AT528376A3 (de
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 ATA50445/2024A priority Critical patent/AT528376A3/de
Priority to PCT/AT2025/060216 priority patent/WO2025245553A1/de
Publication of AT528376A2 publication Critical patent/AT528376A2/de
Publication of AT528376A3 publication Critical patent/AT528376A3/de

Links

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
    • B60L3/003—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to inverters
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
    • B60L3/0046—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
    • B60L3/0053—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to fuel cells
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
    • B60L3/0061—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electrical machines
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/12—Recording operating variables ; Monitoring of operating variables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L50/00—Electric propulsion with power supplied within the vehicle
    • B60L50/50—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells
    • B60L50/70—Electric propulsion with power supplied within the vehicle using propulsion power supplied by batteries or fuel cells using power supplied by fuel cells
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
    • B60L53/60—Monitoring or controlling charging stations
    • B60L53/65—Monitoring or controlling charging stations involving identification of vehicles or their battery types
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/18—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries of two or more battery modules
    • B60L58/21—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries of two or more battery modules having the same nominal voltage
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/18—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries of two or more battery modules
    • B60L58/22—Balancing the charge of battery modules
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/24—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries for controlling the temperature of batteries
    • B60L58/26—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries for controlling the temperature of batteries by cooling
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/24—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries for controlling the temperature of batteries
    • B60L58/27—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries for controlling the temperature of batteries by heating
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L7/00—Electrodynamic brake systems for vehicles in general
    • B60L7/10—Dynamic electric regenerative braking
    • B60L7/18—Controlling the braking effect
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Program-control systems
    • G05B19/02—Program-control systems electric
    • G05B19/04—Program control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/048—Monitoring; Safety
    • 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2200/00—Type of vehicles
    • B60L2200/12—Bikes
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2200/00—Type of vehicles
    • B60L2200/18—Buses
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2200/00—Type of vehicles
    • B60L2200/26—Rail vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2200/00—Type of vehicles
    • B60L2200/32—Waterborne vessels
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2200/00—Type of vehicles
    • B60L2200/36—Vehicles designed to transport cargo, e.g. trucks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2200/00—Type of vehicles
    • B60L2200/40—Working vehicles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/10—Vehicle control parameters
    • B60L2240/12—Speed
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/42—Drive Train control parameters related to electric machines
    • B60L2240/425—Temperature
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/545—Temperature
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/547—Voltage
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/60—Navigation input
    • B60L2240/64—Road conditions
    • B60L2240/645—Type of road
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/60—Navigation input
    • B60L2240/64—Road conditions
    • B60L2240/647—Surface situation of road, e.g. type of paving
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/60—Navigation input
    • B60L2240/66—Ambient conditions
    • B60L2240/662—Temperature
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/60—Navigation input
    • B60L2240/66—Ambient conditions
    • B60L2240/667—Precipitation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/80—Time limits
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/46—Control modes by self 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
    • G01R31/005—Testing of electric installations on transport means
    • G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
    • G01R31/007—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks using microprocessors or computers
    • 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
    • G01R31/34—Testing dynamo-electric machines
    • 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]
    • 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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3835—Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only voltage measurements
    • 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
    • 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
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/52—Testing for short-circuits, leakage current or ground faults
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24001—Maintenance, repair
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24015—Monitoring
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24033—Failure, fault detection and isolation
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24053—Diagnostic of controlled machine
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or discharging batteries or for supplying loads from batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Energy (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Sustainable Development (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Secondary Cells (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

Die Erfindung betrifft ein computerimplementiertes Verfahren (100) zum Identifizieren einer Ursache eines mehrfach auftretenden Defekts in technischen Einrichtungen einer Gattung technischer Einrichtungen, welche vorzugsweise Fahrzeugbatterien (2) oder Fahrzeuge (3) sind, folgende Arbeitsschritte aufweisend: 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 defektbezogenen Zustandsdaten der jeweiligen technischen Einrichtung, wobei die Betriebsdaten derjenigen technischen Einrichtungen, bei denen der Defekt aufgetreten ist, defektmarkiert sind; Erzeugen (102) von Merkmalen durch Bearbeiten wenigstens eines Teils der Betriebsdaten mittels mathematischer Operationen und/oder durch Auswählen von Datenbereichen aus den Betriebsdaten, wobei die Merkmale jeweils mit unterschiedlichen möglichen Ursachen des Defekts korreliert sind; Auswählen (103) von in Bezug zu dem Defekt relevanten Merkmalen aus den erzeugten Merkmalen mittels einer Verkettung von Feature-Selection-Methoden, und Identifizieren (104) der Ursache des Defekts als Intersektion (1) der unterschiedlichen möglichen Ursachen des Defekts, mit denen die relevanten Merkmalen korreliert sind.

Description

A ‚hes AT 528 376 A2 2025-12-15
Ss N
Beschreibung
VERFAHREN UND SYSTEM ZUM IDENTIFIZIEREN EINER URSACHE EINES DEFEKTS
[0001] Die Erfindung betrifft ein computerimplementiertes Verfahren und ein System zum Identifizieren einer Ursache eines mehrfach auftretenden Defekts in technischen Einrichtungen einer Gattung technischer Einrichtungen, welche vorzugsweise Fahrzeugbatterien oder Fahrzeuge sind, 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 mittels mathematischer Operationen Merkmale erzeugt werden, die mit unterschiedlichen möglichen Ursachen des Defekts korreliert sind und anschlieBend mittels einer Verkettung von Feature-Selection-Methoden relevante Merkmale identifiziert werden, so dass sich eine Ursache als Intersektion der möglichen Ursachen ergibt.
[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 die Ursache eines mehrfach auftretenden Defekts eines zu untersuchenden technischen Produkts zu identifizieren. Insbesondere sollen solche physikalischen Zustände bestimmt werden, welche mit bisher bekannten Verfahren nur schwer oder gar nicht messbar sind.
[0007] Diese Aufgaben mit 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 Iden-
tifizieren einer Ursache eines mehrfach auftretenden Defekts in technischen Einrichtungen einer
Gattung technischer Einrichtungen, welche vorzugsweise Fahrzeugbatterien oder Fahrzeuge
sind, folgende Arbeitsschritte aufweisend:
* 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 Feld-
Ss N
betrieb charakterisieren und von Zustandsdaten der jeweiligen technischen Einrichtung, wobei die Betriebsdaten derjenigen technischen Einrichtungen, bei denen der Defekt aufgetreten ist, defektmarkiert sind;
* Erzeugen von Merkmalen durch Bearbeiten wenigstens eines Teils der Betriebsdaten mittels mathematischer Operationen und/oder durch Auswählen von Datenbereichen aus den Betriebsdaten, wobei die Merkmale jeweils mit unterschiedlichen möglichen Ursachen und/oder Effekten des Defekts korreliert sind;
* Auswählen von in Bezug zu dem Defekt relevanten Merkmalen aus den erzeugten Merkmalen mittels einer Verkettung von Feature-Selection-Methoden, und
* Identifizieren der Ursache des Defekts als Intersektion oder Intersektionen der unterschiedlichen möglichen Ursachen und/oder Effekten des Defekts, mit denen die relevanten Merkmale korreliert sind.
[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, eine Motortemperatur, Verweildauern in unterschiedlichen Geschwindigkeitsbereichen, eine Anzahl von Kaltstarts, eine Anzahl von Fahrten mit einer bestimmten minimalen Dauer, eine Anzahl von Regenerationen, Ladezustände, Lade-/Entladevorgänge, 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, 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] Ein Identifizieren einer Ursache eines mehrfach auftretenden Defekts im Sinne der vorliegenden Offenbarung ist vorzugsweise eine indirekte Messung in dem Sinne, dass ein UrsacheWirkungs-Zusammenhang zwischen dem bestimmten Defekt und einem physikalisch-technischen Auslöser und/oder zwischen dem Defekt und einem Effekt, der dem Defekt nachfolgt, also durch den Defekt ausgelöst wird, ermittelt wird. Der Erfindung liegt dabei zugrunde, dass jeder Defekt eine Ursache hat, die bei Vorhandensein von ausreichenden Daten auch identifiziert werden kann und, dass Defekte sich in ihren Effekten zeigen, die ebenfalls mit dem Defekt korreliert sind. Sofern eine ausreichende Anzahl von Daten vorhanden ist, mit denen Merkmale erzeugt werden können, die beliebig viele Defektursachen umfassen können aber zumindest die tatsächliche Defektursache umfassen, ist auch jede Ursache des Defekts identifizierbar. Abweichungen von Betriebsdaten können auf bestimmte Defektursachen Hinweisen. Tritt ein Defekt mehrfach auf, ist die Defektursache zunächst im Allgemeinen unbekannt. Da die Ursache unbekannt ist,
A ‚hes AT 528 376 A2 2025-12-15
Ss N
sind auch Korrelationen zwischen Daten oder Merkmalen von Daten und dem Defekt im Allgemeinen zunächst unbekannt. Der Erfindung liegt dabei die überraschende Erkenntnis zugrunde, dass über Werteverläufe von zeitaufgelösten Messparametern und einer Korrelation von aus den Werteverläufen erzeugten Merkmalen unterschiedlichen mit Defektursachen eine Identifizierung der Defektursache möglich ist. Die durch das Verfahren ausgewählten relevanten Merkmale sind dabei vorzugsweise dazu angepasst, die Ursache des Defekts zu Identifizieren.
[0014] Eine Intersektion der relevanten Merkmale ist im Sinne der Erfindung allgemein eine technische Zusammenschau oder ein Wirkungszusammenhangs. Insbesondere kann eine Intersektion eine Überlappung von möglichen Ursachen und/oder Effekten sein, nach deren Bildung nur eine mögliche Defektursache verbleibt. Alternative Intersektionen zwischen den möglichen Ursachen des Defekts können auch in Zusammenhang mit technischem Basiswissen über die technische Einrichtung folgen, mit welchem aus den relevanten Merkmalen im Zusammenhang nur eine mögliche Defektursache verbleibt, welche den Defekt in Zusammenhang mit allen relevanten Merkmalen erklärbar macht. Grundsätzlich ist der Begriff Intersektion breit auszulegen. Manche Defekte haben mehr als eine Ursache oder zeigen sich durch mehr als einen Effekt. Diese zeigen sich dadurch, dass mehrere Intersektionen der unterschiedlichen möglichen Ursachen und/oder Effekte des Defekts, mit denen die relevanten Merkmale korreliert sind, nebeneinander identifiziert werden. Ein solches Verhalten kann beispielsweise auftreten, wenn zwei Ursachen nur dann zu einem Defekt führen, wenn sie zufällig gemeinsam auftreten, aber nur wenig oder gar nicht korreliert sind, beispielsweise ein Materialfehler und ein Betrieb bei besonders niedriger Außentemperatur. Auch in diesem Fall ist eine Identifikation der Ursache des Defekts mit dem erfindungsgemäßen Verfahren möglich, wobei in diesem Fall die Identifikation als mehrere Intersektionen, also als Kombination von mehreren Intersektionen erfolgt.
[0015] Ein Fahrzeug im Sinne der vorliegenden Offenbarung sind vorzugsweise Personenkraftwagen, Lastkraftwagen, Motorräder, Baumaschinen, Schiffe, landwirtschaftliche Nutzfahrzeuge, Züge oder andere Transportmittel.
[0016] 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 beispielsweise eine Batterie oder eine Brennstoffzelle, einen Motor, ein Bremssystem, ein Getriebe oder andere. Die Zustandsdaten, weisen wenigstens die Information auf, ob einer der Zustände „defekt“ oder „intakt“ vorliegt, also ob der Defekt aufgetreten ist, oder ob der Defekt nicht aufgetreten ist. Die Erfassung der Zustandsdaten kann insbesondere automatisiert durch ein Defektüberwachungssystem und/oder in einer Werkstatt erfolgen. Zusätzlich können die Zustandsdaten noch andere physikalische Zustände wie eine Bauteil-Spezifikation, eine Dimension, eine Toleranz der technischen Einrichtung aufweisen.
[0017] Die physikalischen Zustände können hierbei Eigenschaften der Fahrzeugkomponente angeben, welche als physikalische Größen oder auch als Wahrscheinlichkeiten für eine Eigenschaft definiert sind.
[0018] Das Verfahren zur Identifikation basiert darauf, dass auf der Grundlage der zeitaufgelösten Messdaten Merkmale erzeugt werden („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“).
[0019] Für eine exakte Identifikation der Ursache eines Mehrfach auftretenden Defekts und damit eines physikalischen Zustands einer technischen Einrichtung 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 Identifizieren der Ursache des Defekts nur noch eine vergleichsweise geringe Anzahl an relevanten Merk-
A ‚hes AT 528 376 A2 2025-12-15
Ss N
malen 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. 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.
Weitere Vorteile werden erzielt, wenn das Verfahren ferner den Schritt umfasst: Trainieren eines Klassifikationsalgorithmus mittels der relevanten Merkmale und der jeweils dazugehörigen Zustandsdaten, wobei ein Klassifikator erzeugt wird.
[0020] Der Klassifikationsalgorithmus wird mittels der zuvor ausgewählten in Bezug zu dem Defekt relevanten Merkmale und der dazugehörigen Label trainiert (Modeling). Dieses Modell wird vorzugsweise anhand von Standard-Maßzahlen evaluiert. Der trainierte Klassifikator kann auf weitere zeitaufgelöste Messdaten von technischen Einrichtungen der Gattung angewandt werden. Hierbei werden die physikalischen Zustände der Fahrzeuge oder der Fahrzeugkomponenten ermittelt.
[0021] Hierbei kann vorzugsweise vorgesehen sein, dass der Klassifikationsalgorithmus ein probabilistischer Klassifikationsalgorithmus ist, wobei das Verfahren weist des Weiteren die folgenden Arbeitsschritte aufweist:
* 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 Wahrscheinlichkeit für Auftreten des Defekts das Fahrzeug oder die Fahrzeugkomponenten abgeleitet werden.
[0023] In einer weiteren vorteilhaften Ausgestaltung weist das Verfahren den folgenden Arbeits-
schritt auf:
* 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 Ausführungsform wird das Verfahren automatisiert durchgeführt. Die automatisierte Durchführung umfasst insbesondere das automatische Erzeugen der Merkmale, welches manuell ein zeitaufwändiger Prozess ist sowie die Anwendung der Verkettung von Feature-Selection-Methoden zum Auswählen der relevanten Merkmale.
[0026] In einer weiteren vorteilhaften Ausgestaltung des Verfahrens werden wenigstens zwei, vorzugsweise drei oder alle der folgenden Feature-Selection-Methoden ausgewählt:
* Random Ranking;
* Backward Ranking oder Backward Elimination;
* Cluster-Based Selection;
* Subset Refinement;
wobei die jeweils ausgewählten Feature-Selection-Methoden gemäß der durch die obige Aufzählung definierte Reihenfolge ausgeführt werden.
[0027] Die Auswahl der Feature-Selection-Methoden und deren Reichenfolge hat einen hohen Einfluss auf die Geschwindigkeit des Verfahrens und/oder, je nach Anwendungsfall auf die Qualität der identifizierten Merkmale. Mit dieser Auswahl und Reihenfolge können die relevantesten Merkmale in unterschiedlichen Anwendungsfällen zuverlässig identifiziert werden und darüber hinaus die Anzahl an Merkmalen, welche beim Identifizieren der Ursache des Defekts geprüft werden müssen, wesentlich reduziert werden.
A ‚hes AT 528 376 A2 2025-12-15
Ss N
[0028] In einer weiteren vorteilhaften Ausgestaltung des Verfahrens weist die Random Ranking-
Methode die folgenden Arbeitsschritte auf:
* Auswählen einer zufälligen Teilmenge von Merkmalen;
* 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;
* Speichern einer Relevanz der ausgewählten Merkmale für jedes während der Kreuzvalidierung trainierte vorläufige Maschinenlernmodell;
* Wiederholen der vorausgehenden Arbeitsschritte in mehreren Iterationen, bis alle Merkmale wenigstens einmal ausgewählt wurden;
* Ordnen der Merkmale nach ihrer durchschnittlichen Relevanz; und
* Ausgeben einer definierten Anzahl von Merkmalen mit der höchsten Relevanz an die nachfolgende Feature-Selection-Methode, bevorzugt 20% oder weniger, besonders bevorzugt 15% oder weniger aller erzeugten Merkmale.
Die definierte Anzahl an Merkmalen ist vorzugsweise eine relative Anzahl der Gesamtanzahl an
Merkmalen, kann aber auch eine absolute Anzahl an Merkmalen sein. Die Anzahl der relevanten
Merkmale, die ausreicht, um die Ursache des Defekts eindeutig zu identifizieren, beträgt in vielen
Fällen weniger als 10, besonders häufig zwischen 4 und 8.
[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:
* Trainieren des vorläufigen Maschinenlernmodells unter Verwendung der ausgewählten Merkmale mittels k-1/k der Betriebsdaten und der Zustandsdaten;
* Bewerten des trainierten vorläufigen Maschinenlernmodells mittels 1/k der Betriebsdaten und der Zustandsdaten; und
* Bestimmen einer Relevanz der Merkmale auf der Grundlage der Bewertung des trainierten vorläufigen Maschinenmodells.
[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:
* Trainieren eines vorläufigen Maschinenlernmodells mit den Merkmalen;
* Entfernen des am wenigsten relevanten Merkmals;
* Wiederholen der vorausgehenden Arbeitsschritte in mehreren Iterationen, bis alle Merkmale entfernt wurden; und
* 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
* Ausgeben einer definierten Anzahl von Merkmalen mit der höchsten Relevanz an die nachfolgende Feature-Selection-Methode, bevorzugt 20% oder weniger, besonders bevorzugt 15% oder weniger aller erzeugten Merkmale.
[0033] Die definierte Anzahl an Merkmalen ist vorzugsweise eine relative Anzahl der Gesamtanzahl an Merkmalen, kann aber auch eine absolute Anzahl an Merkmalen sein.
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-
A ‚hes AT 528 376 A2 2025-12-15
Ss N
lection-Methode die folgenden Arbeitsschritte auf:
* Berechnen einer paarweisen Korrelation zwischen allen aus der vorherigen Feature- Selection-Methode übermittelten Merkmalen und den dazugehörigen Zustandsdaten anhand von Pearson-Korrelationskoeffizienten;
* Clustern der Merkmale auf der Grundlage ihrer Korrelation mit Hilfe agglomerativer ClusteringTechniken;
* Auswählen von Merkmalen aus jedem Cluster nach dem Zufallsprinzip, so dass Untergruppen von Merkmalen entstehen, deren Informationen weder redundant noch unvollständig sind;
* 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
* 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:
* wenn sich die Relevanz eines Merkmals bei einem erneuten Trainieren eines vorläufigen Maschinenlernmodells ändert, Entfernen des Merkmals;
* wenn zwei Merkmale eine hohe Pearson-Korrelation aufweisen, Entfernen 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 des Merkmals durch das andere Merkmal; und
* Trainieren des vorläufigen Maschinenlernmodells mit jeder der verbesserten Untergruppen;
wobei die Merkmale diejenigen Untergruppe ausgewählt werden, welche die Zustandsdaten am
zutreffendsten bestimmen.
[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:
* Vergleichen der Zustandsdaten der jeweiligen technischen Einrichtung mit einem Grenzwert; und
* 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:
* 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
A ‚hes AT 528 376 A2 2025-12-15
Ss N
die Sicherstellung der Funktion der technischen Einrichtung besonders vorteilhafte Entscheidungen getroffen werden.
[0043] Ein zweiter Aspekt der Erfindung betrifft ein System zum Identifizieren einer Ursache eines mehrfach auftretenden Defekts in technischen Einrichtungen einer Gattung technischer Einrichtungen, insbesondere einer Batterie oder eines Fahrzeugs, aufweisend:
* 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 defektbezogenen Zustandsdaten der jeweiligen technischen Einrichtung während des Feldbetriebs, sodass die Betriebsdaten derjenigen technischen Einrichtungen, bei denen der Defekt aufgetreten ist, defektmarkierbar sind;
* Mittel zum Erzeugen von Merkmalen durch Bearbeiten wenigstens eines Teils der Betriebsdaten mittels mathematischer Operationen und/oder durch Auswählen von Datenbereichen aus den Betriebsdaten, wobei die Merkmale jeweils mit unterschiedlichen möglichen Ursachen des Defekts korreliert sind;
* Mittel zum Auswählen von in Bezug zu dem Defekt relevanten Merkmalen aus den erzeugten Merkmalen mittels einer Verkettung von Feature-Selection-Methoden; und
+ Mittel zum Identifizieren der Ursache des Defekts als Intersektion der unterschiedlichen möglichen Ursachen des Defekts, mit denen die relevanten Merkmale korreliert sind.
[0044] Merkmale und Details, die im Zusammenhang mit dem erfindungsgemäßen Verfahren beschrieben sind, selbstverständlich auch im Zusammenhang mit dem erfindungsgemäßen System und jeweils umgekehrt, sodass bezüglich der Offenbarung zu den einzelnen Erfindungsaspekten stets wechselseitig Bezug genommen wird beziehungsweise werden kann.
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, Festkörper- und/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.
[0045] 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.
[0046] 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
A ‚hes AT 528 376 A2 2025-12-15
Ss N
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.
[0047] In einer weiteren besonderen Ausführungsform der Erfindung kann der Begriff „umfassen“ auch „sein“ bedeuten.
[0048] Weitere Merkmale und Vorteile ergeben sich aus der nachfolgenden Beschreibung von Ausführungsbeispielen in Bezug auf die Figuren. Es zeigen wenigstens teilweise schematisch:
[0049] Figur 1 ein funktionales Blockdiagramm eines Ausführungsbeispiels eines Systems zum Identifizieren einer Ursache eines mehrfach auftretenden Defekts in technischen Einrichtungen einer Gattung; und
[0050] Figur 2 ein Flussdiagramm eines Ausführungsbeispiels eines Verfahrens zum Identifizieren einer Ursache eines mehrfach auftretenden Defekts in technischen Einrichtungen einer Gattung;
[0051] 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 Identifizieren einer Ursache eines mehrfach auftretenden Defekts und Figur 2 ein Flussdiagramm eines mittels des Systems 10 ausführbaren Verfahrens 100 zum Identifizieren einer Ursache eines mehrfach auftretenden Defekts in technischen Einrichtungen einer Gattung technischer Einrichtungen zeigt.
[0052] 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.
[0053] Beispielsweise kann das Verfahren eingesetzt werden, um in einem Anwendungsfall die Ursache eines thermischen Durchgehens einer Batterie eines Fahrzeuges zu identifizieren. Wird eine Ursache für ein thermisches Durchgehen einer Batterie identifiziert, so können unterschiedliche Defektbeseitigungsmaßnahmen an wenigstens einer technischen Einrichtung der Gattung durchgeführt werden. Die Defektbeseitigungsmaßnahme wird in Abhängigkeit der Defektursache ausgewählt und kann unter anderem eine Umstellung eines Fertigungsprozesses der Batterie oder des Fahrzeugs, eine Änderung der Betriebsparameter, beispielsweise der Ladeparameter, einen Rückruf, eine Reparatur, eine Wartung, ein Austausch der Batterie, ein Software-Update, eine Ausmusterung des Fahrzeugs und/oder eine Überwachung der Batterie umfassen.
[0054] 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 (nicht explizit dargestellt) 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.
[0055] In dem ersten Arbeitsschritt wird ebenfalls erfasst, bei welchen technischen Einrichtungen, hier: Batterien, der Defekt „thermisches Durchgehen aufgetreten ist. Dementsprechend werden
A ‚hes AT 528 376 A2 2025-12-15
Ss N
die Betriebsdaten derjenigen technischen Einrichtungen, bei denen der Defekt aufgetreten ist, defektmarkiert. Die Betriebsdaten derjenigen technischen Einrichtungen, bei denen der Defekt nicht aufgetreten ist, bleiben unmarkiert oder können intaktmarkiert werden. Hierdurch wird eine Unterscheidung zwischen "defekten“ und „intakten“ Daten ermöglicht. Das Erfassen des Defekts „thermischen Durchgehen“ kann nach einer Messung und eines Schadensberichts einer Werkstatt oder auch eines Polizeiberichts erfolgen. Das Schadensbild ist durch einen von der Batterie ausgehenden Brand im Fahrzeug eindeutig und einfach messbar. Andere Schadensbilder können insbesondere mittels einer Fahrzeugsensorik oder in einer Werkstatt ebenfalls durch Messung erfasst werden.
[0056] Die Werteverläufe von zeitaufgelösten Messparametern oder auch Zeitreihendaten beschreiben eine Nutzung des Personenkraftwagens 3. Als Messparameter kommen insbesondere diejenigen 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-/Entladevorgängen, Batterietemperaturen, Zelltemperaturen, Batteriesteuerparameter, Differenz von maximaler zu minimaler Spannung pro Zelle, Ausbalancierung der Häufigkeitszahlen aller Zell-IDs, 2d-Histogramm des ”Thermal Managements” im Modus „Leerlauf“ und einer Temperatur des Batterieschützes über einem Schwellwert, 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.
[0057] 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 Differenz-Zellenspannung über die Entladevorgänge der Fahrzeugbatterie.
[0058] 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. Neben Fahrzeugbatterien und Fahrzeugen können selbstverständlich auch Ursachen eines mehrfach auftretenden Defekts in andere technische Komponenten, insbesondere andere Fahrzeugkomponenten, in einer technischen Einrichtung identifiziert werden.
[0059] 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 Differenz-Zellenspannung über die Entladevorgänge der Batterie.
[0060] Des Weiteren werden in dem ersten Arbeitsschritt 101 defektbezogene Zustandsdaten
A ‚hes AT 528 376 A2 2025-12-15
Ss N
der Batterie 2 und/oder des Fahrzeugs 3 während des Feldbetriebs erfasst. Diese Zustandsdaten charakterisieren physikalische Zustände, insbesondere in Bezug auf das Vorhandensein des Defekts der Batterie 2. Ein solcher physikalischer Zustand kann ferner eine Bauteil-Spezifikation, eine Dimension, eine Toleranz oder eine Altersveränderung umfassen. Vorzugsweise ist ein physikalischer Zustand eine Eigenschaft der Batterie 3 einer der Zustände „intakt“ oder „defekt“.
[0061] Vorzugsweise werden die Betriebsdaten der Batterie 2 und die Zustandsdaten der Batterie 2 mittels Sensoren 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, insbesondere eine Datenschnittstelle, erfasst.
[0062] In dem oben genannten Anwendungsfall eines Identifizierens einer Ursache eines Defekts, die auch bei Batterien vorhanden war, bei denen ein thermisches Durchgehen stattfand, sind die Werteverläufe von zeitaufgelösten Messparametern Zeitreihen mit definierten Abtastraten, 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 dessen Betriebsdaten entsprechend defektmarkiert bzw. als defekt gelabelt, die übrigen Fahrzeuge 3 sind mit dem physikalischen Zustand intakt identifiziert und entsprechend intaktmarkiert bzw. als intakt gelabelt. Die zu den als „defekt“ markierten Betriebsdaten zugehörigen Fahrzeuge 3 weisen insofern defekte Batterien 2 auf, dass diese durch ein thermisches Durchgehen nicht mehr betriebsfähig sind.
[0063] In einem zweiten Arbeitsschritt 102 werden Merkmale erzeugt, welche jeweils mit unterschiedlichen möglichen Ursachen des Defekts korreliert sind. Ferner können sich die Merkmale zur Verarbeitung durch einen Klassifikationsalgorithmus eignen (Feature Gene- ration/Feature Engineering). Beispielsweise kann ein Merkmal, welches eine Temperaturmessung in einem bestimmten Betriebszustand betrifft, je nach Betriebszustand mit zu hohen externen Temperaturbedingungen, internen Kurzschlüssen, einem besonderen Alterungszustand, mechanischen Beschädigungen und/oder einem fehlerhaft konfigurierten Batteriemanagementsystem korreliert sein. Diese unterschiedlichen möglichen Ursachen können Hinweise auf die Ursache geben, wenn das Merkmal mit der Verkettung von Feature-Selection-Methoden als in Bezug zu dem Defekt als relevant ausgewählt wird. Wird dieses oder andere ähnlich korrelierte Merkmale dagegen nicht ausgewählt, kann eine andere Ursache durch das erfindungsgemäße Verfahren identifiziert werden,
[0064] 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 Mitteln zum Erfassen von Betriebsdaten 11 erfasst. Diese können ein physikalisches Messsystem mit ein oder mehreren Sensoren umfassen, welches dazu eingerichtet ist, die Werteverläufe der Messparameter zeitaufgelöst zu messen und abzuspeichern. 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.
[0065] 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 AuBentemperatur, 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 Fahr-
A ‚hes AT 528 376 A2 2025-12-15
Ss N
zeug 3 und Merkmale, die die Umgebung der technischen Einrichtung beschreiben.
[0066] 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. Die Mittel 12 können dazu eingerichtet sein, die Merkmale automatisiert zu erzeugen.
[0067] 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. Aufgrund des Bezugs zu physikalischen Messdaten und damit zu physikalischen Einrichtungen sind die Merkmale mit möglichen Ursachen des Defekts korreliert.
[0068] Im einem dritten Arbeitsschritt 103 werden in Bezug zu dem Defekt relevante Merkmale, mittels einer Verkettung von sogenannten Feature-Selection-Methoden aus den im zweiten Arbeitsschritt 102 erzeugten Merkmalen ausgewählt. Im Ausführungsbeispiel wird dies durch Mittel zum Auswählen 13 von in Bezug zu dem Defekt relevanten Merkmalen aus den erzeugten Merkmalen mittels einer Verkettung von Feature-Selection-Methoden. Dabei sind dies explizit Mittel zum Auswählen mittels Random Ranking 13A, Mittel zum Auswählen mittels Backward ranking 13B, Mittel zum Auswählen mittels Cluster-Based Selection 13C und Mittel zum Auswählen mittels Subset Refinement 13D. Die jeweils ausgewählten Feature-Selection-Methoden gemäß der durch die obige Aufzählung definierte Reihenfolge ausgeführt werden.
[0069] In diesem dritten Arbeitsschritt 103 sollen jene Merkmale identifiziert werden, welche in Bezug auf die Ursache des Defekts des Fahrzeugs 3 oder der Batterie 2 wesentlich sind. Hierzu wird bei der Auswahl der Merkmale untersucht, welche Merkmale ermöglichen, „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. Dagegen charakterisieren „kranke“ Betriebsdaten eine technische Einrichtung, insbesondere ein Fahrzeug 3 oder eine 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“).
[0070] Als Feature-Select-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 Selection, 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 und Subset Refinement, Cluster-Based Selection und Subset Refinement. Hierbei gelten Backward Ranking und Backward Elimination als zwei Varianten der gleichen Feature-Select-Me-
A ‚hes AT 528 376 A2 2025-12-15
Ss N
thode.
[0071] Die Random ranking-Methode 103A weist 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 20% oder weniger, besonders bevorzugt 15% oder weniger aller erzeugten Merkmale.
[0072] Die Kreuzvalidierung weist 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.
[0073] 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.
[0074] 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 20% oder weniger, besonders bevorzugt 15% oder weniger aller erzeugten Merkmale.
[0075] 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.
[0076] Die Cluster-Based Selection-Methode 103C weist vorzugsweise die folgenden Arbeitsschritte auf:
Berechnen 103C-1 einer paarweisen Korrelation zwischen allen aus der vorherigen Feature-Selection-Methode übermittelten Merkmalen und den dazugehörigen Zustandsdaten anhand von Pearson-Korrelationskoeffizienten;
Clustern 103C-2 der Merkmale auf der Grundlage ihrer Korrelation mit Hilfe agglomerativer Clustering-Techniken;
Auswählen 103C-3 von Merkmalen aus jedem Cluster nach dem Zufallsprinzip, so dass Untergruppen von Merkmalen entstehen, deren Informationen weder redundant noch unvollständig sind;
Trainieren und Validieren 103C-4 von vorläufigen Maschinenlernmodellen unter Verwendung der
A ‚hes AT 528 376 A2 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.
[0077] 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.
[0078] 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).
[0079] Hierbei kann für jede Feature-Selection-Methode 103A, 103B, 103C, 103D das gleiche oder ein anderes Maschinenlernmodell zum Einsatz kommen.
[0080] In dem oben genannten Anwendungsfall eines Identifizierens der Ursache des Defekts thermisches Durchgehen 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 wurde in einer bestimmten Gattung batterieelektrischer Fahrzeuge, wie in Fig. 1 dargestellt, innerhalb der Verkettung von Feature-Selection-Methoden 103 die Anzahl von 4845 Merkmalen in einem ersten Schritt durch Random Ranking 103 A auf 892 Merkmale reduziert. In einem zweiten Schritt wird diese Anzahl durch Backward Ranking 103B auf 268 Merkmale reduziert. In einem dritten Schritt wird diese Anzahl wiederum durch Cluster Based-Selection 103C auf 128 Merkmale reduziert. Schließlich kann in einem vierten Schritt durch Subsequent Refinement 103D diese Anzahl auf sechs relevante Merkmale reduziert werden. Diese verbleibenden Merkmale sind im hier gezeigten Beispiel wie folgt:
EVENTS_CHARGING_MEAN_DELTA_CELL_VOLTAGE_STD_LAST_YEAR:
[0081] 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. Es berücksichtigt sowohl die großen Spannungsunterschiede als auch die SpannungsunterschiedSchwankungen 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.
Ss N
In kritischen Fahrzeugen besteht dieser Unterschied für längere Zeit. AGG_LAST_YEAR_STD_FREQUENCY_COUNTS_BALANCING_CELL ID:
[0082] Als Signale von Interesse, welche zu den Betriebsdaten gehören, werden BatteriezellenBalancing-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_CellTempAvgSocHvBus_charge_HigherCellTempAvg_SOCHVBus_PERCENT:
[0083] 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 EEEinheit befinden.
EVENTS_CHARGING_STD_DELTA_COOLANT_TEMP_AVG_LAST_YEAR:
[0084] 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 Delta-Kühltemperatur berechnet. Hierdurch kann ermittelt werden, wie groß ist die Streuung des durchschnittlichen KühlmittelDeltas 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.
EVENTS_BATTERY_DISCHARGE_STD_DELTA_CELL_VOLTAGE_AVG_GRAD_ TOTAL:
[0085] Das Delta-Zeillspannungssignal (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 WMderstandsunterschied vorliegen, auch wenn er nicht quantifiziert werden kann. Der Gradient dieses Signals zeigt jedoch einen sich entwickelnden Unterschied während des Betriebs. 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. Eine exemplarische Verkettung ist in Figur 2 dargestellt.
[0086] In einem vierten Arbeitsschritt 104 wird eine Ursache des Defekts als Intersektion 1 der unterschiedlichen möglichen Ursachen des Defekts, mit denen die relevanten Merkmale korreliert sind. Während jedes der Merkmale einen Möglichkeitsraum von unterschiedlichen möglichen Ursachen des Defekts aufspannt, ist die Intersektion 1 dieser nach Durchführung des Verfahrens eine bestimmte Ursache des Defekts, die so genau identifiziert ist, dass die mit einer Defektbeseitigungsmaßnahme beseitigt werden kann. In manchen Fällen kann die eine Defektursache auch eine Kombination aus unterschiedlichen Ursachen sein. Auch diese können durch das Verfahren in gleicher Weise identifiziert werden.
[0087] Der vierte Arbeitsschritt 104 wird vorzugsweise durch Mittel 14 zum Identifizieren einer Ursache des Defekts als Intersektion 1 der unterschiedlichen möglichen Ursachen des Defekts, mit denen die relevanten Merkmale korreliert sind, durchgeführt. Im dargestellten Ausführungsbeispiel wurde ein Herstellungsfehler als Ursache des Defekts identifiziert.
[0088] In einem optionalen fünften Arbeitsschritt 105 wurde daher als Defektbeseitigungsmaßnahme des identifizierten Defekts eine Umstellung eines Fertigungsprozesses der Batterien durchgeführt. Hierdurch sind Defekte an einer Vielzahl von technischen Einrichtungen der Gattung in Abhängigkeit der identifizierten Defektursache beseitigt worden, die jedoch erst in Produktion waren oder deren Produktion erst in Zukunft erfolgte. Die Defektbeseitigungsmaßnahme kann je nach Defekt aber auch eine Änderung der Betriebsparameter, einen Rückruf, eine Reparatur, eine Wartung, ein Austausch, ein Software-Update, eine Ausmusterung und/oder eine Überwachung der technischen Einrichtung umfassen.
[0089] In einem weiteren optionalen sechsten Arbeitsschritt 106 wird ein Klassifikationsalgorithmus mittels der in dem dritten Arbeitsschritt ausgewählten relevanten Merkmale und der jeweils dazugehörigen Zustandsdaten trainiert.
[0090] Für das Training des Klassifikationsalgorithmus, welches eine Art Modellierung darstellt, kommt ein sogenanntes überwachtes Lernen (englisch: Supervised Learning) zum Einsatz. Bei den Zustandsdaten handelt es sich wie beschrieben, um binäre Zustandsdaten, der Klassifikation „defekt“ oder „intakt“ hinsichtlich eines bestimmten Defekts. Das Ergebnis kann darüber hinaus ein Multi-Klassen-Klassifikator sein, der zu geeignet ist, Daten hinsichtlich der Wahrscheinlichkeit des Auftretens dieses Defekts zu klassifizieren. Ein Multi-Klassen-Klassifikator kann dazu angepasst sein, Betriebsdaten hinsichtlich der Wahrscheinlichkeit des Auftretens dieses bestimmten Defekts zu klassifizieren. Der Klassifikator nutzt hierzu die Korrelation zwischen den relevanten Merkmalen, die aufgrund der defektmarkierten Betriebsdaten ausgewählt worden sind und den zu prüfenden Betriebsdaten.
[0091] Ein Beispiel für einen Klassifikationsalgorithmus, welcher im Rahmen der Offenbarung zum Einsatz kommen kann, ist eine logistische Regression. Hierbei wird eine logistische Funktion bei linearer Regression angewendet, insbesondere Lasso, Ridge oder Elastic. Im Falle eines Trainings mit binären Zustandsdaten erhält man eine binäre Antwort, in den angeführten Ausfüh-
16 / 23
A ‚hes AT 528 376 A2 2025-12-15
Ss N
rungsbeispielen „intakt“ oder „defekt“.
[0092] 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.
[0093] Der sechste Arbeitsschritt 106 wird vorzugsweise durch Mittel 17 zum Trainieren eines Klassifikationsalgorithmus durchgeführt. Insbesondere weist ein solches Mittel 17 eine Schnittstelle, insbesondere eine 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.
[0094] In einem weiteren optionalen siebten Arbeitsschritt 107 wird der trainierte Klassifikator evaluiert. Weiter vorzugsweise kommen hierbei Standard-Maßzahlen, 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.
[0095] Der achte Arbeitsschritt 107 wird vorzugsweise von Mitteln zum Bestimmen einer Evaluation des trainierten Klassifikators ausgeführt.
[0096] Ein trainierter Klassifikator ist dazu angepasst, auf unbekannte Betriebsdaten technischer Einrichtungen 2, 3 derselben Gattung angewandt zu werden, um eine Wahrscheinlichkeit für das Auftreten des Defekts in diesen technischen Einrichtungen 2, 3 zu ermitteln. Insbesondere kann der trainierte Klassifikator auch auf jene technischen Einrichtungen 2, 3 angewandt werden, anhand deren der zugrunde liegende Klassifikationsalgorithmus trainiert wurde. Hierdurch können die Wahrscheinlichkeiten für das Auftreten des Defekts in diesen Einrichtungen 2, 3 bestimmt werden. Anders ausgedrückt kann vor dem Hintergrund der Vielzahl an technischen Einrichtungen 2, 3, mittels welcher der Klassifikator trainiert wurde, mittels des trainierten Klassifikators eine Auftrittswahrscheinlichkeit eines bestimmten physikalischen Zustands, insbesondere einer Ausfallwahrscheinlichkeit, für die untersuchte technische Einrichtung 2, 3 bestimmt werden. Die Wahrscheinlichkeit für das Auftreten des Defekts in einer bestimmten technischen Einrichtung ist ein physikalischer Zustand, dem ein konkreter Wert zugeordnet werden kann und der durch dieses Verfahren indirekt gemessen werden kann.
[0097] Dieses Verfahren 100 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.
[0098] 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 relevanten Merkmale folgte, 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 indizierte, dass es schon von Beginn an eine gesunde und eine kranke Population gegeben hat und dass das zugrunde liegende Problem von einem Produktionsfehler kommt. Die Auswertungen von low_cell_voltage und high_cell_voltage_deltas und high_temperatures und high_temperature_Deltas bestätigten diese Indizierung.
[0099] Eine Vielzahl von Anwendungsfällen ist möglich. Exemplarisch werden zwei weitere genannt.
[00100] Ein weiterer Anwendungsfall ist eine Untersuchung der Öl-Verdünnung in einer Gattung von Fahrzeugen: In diesem Anwendungsfall konnte aufgrund der Messparameter und der aus-
A ‚hes AT 528 376 A2 2025-12-15
Ss N
gewählten Merkmal (Auswertung von Dieselpartikelfilter-Regenerationen (DPF-Regenerationen), Anzahl und Dauer der erfolgreichen und gescheiterten DPF- bzw. NOx-Regenerationen) darauf geschlossen werden, dass sich bei defekten Fahrzeugen die Merkmale signifikant von denen intakter Fahrzeuge unterscheiden. Bei mehr gescheiterten Regeneration gelangte nämlich immer ein bisschen mehr Kraftstoff in das Öl, wodurch dieses verdünnt wurde und zu Ausfällen führte.
[00101] Ein weiterer exemplarischer Anwendungsfall ist die Untersuchung der mangelnden Effizienz des Katalysatorsystems in einer anderen Gattung von Fahrzeugen: Hierbei indizierten die relevanten Merkmale, dass ein bestimmtes 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 identifiziert worden.
[00102] 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.
18 / 23

Claims (12)

A ‚hes AT 528 376 A2 2025-12-15 Ss N Patentansprüche
1. Computerimplementiertes Verfahren (100) zum Identifizieren einer Ursache eines mehrfach auftretenden Defekts in technischen Einrichtungen einer Gattung technischer Einrichtungen, welche vorzugsweise Fahrzeugbatterien (2) oder Fahrzeuge (3) sind, folgende Arbeitsschritte aufweisend:
* 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 defektbezogenen Zustandsdaten der jeweiligen technischen Einrichtung, wobei die Betriebsdaten derjenigen technischen Einrichtungen, bei denen der Defekt aufgetreten ist, defektmarkiert sind;
* Erzeugen (102) von Merkmalen durch Bearbeiten wenigstens eines Teils der Betriebsdaten mittels mathematischer Operationen und/oder durch Auswählen von Datenbereichen aus den Betriebsdaten, wobei die Merkmale jeweils mit unterschiedlichen möglichen Ursachen und/oder Effekten des Defekts korreliert sind;
* Auswählen (103) von in Bezug zu dem Defekt relevanten Merkmalen aus den erzeugten Merkmalen mittels einer Verkettung von Feature-Selection-Methoden, und
* Identifizieren (104) der Ursache des Defekts als Intersektion (1) oder Intersektionen der unterschiedlichen möglichen Ursachen und/oder Effekten des Defekts, mit denen die relevanten Merkmale korreliert sind.
2. Verfahren nach Anspruch 1, wobei das Verfahren ferner den Schritt umfasst: Durchführen einer Defektbeseitigungsmaßnahme an wenigstens einer technischen Einrichtung der Gattung, wobei die Defektbeseitigungsmaßnahme vorzugsweise eine Umstellung eines Fertigungsprozesses, eine Änderung der Betriebsparameter, einen Rückruf, eine Reparatur, eine Wartung, ein Austausch, ein Software-Update, eine Ausmusterung und/oder eine Überwachung der technischen Einrichtung.
3. Verfahren nach einem der Ansprüche 1 oder 2, ferner umfassend den Schritt: Trainieren eines Klassifikationsalgorithmus mittels der relevanten Merkmale und der jeweils dazugeh6örigen Zustandsdaten, wobei ein Klassifikator erzeugt wird.
4. Verfahren (100) nach einem der vorhergehenden Ansprüche, wobei wenigstens zwei, vorzugsweise drei oder besonders bevorzugt alle der folgenden Feature-Selection-Methoden ausgewählt werden:
* Random Ranking (103A);
* Backward ranking (103B);
* Cluster-Based Selection (103C);
* Subset Refinement (103D); wobei die jeweils ausgewählten Feature-Selection-Methoden gemäß der durch die obige Aufzählung definierte Reihenfolge ausgeführt werden.
5. Verfahren nach Anspruch 3, wobei die Random ranking-Methode (103A) die folgenden Arbeitsschritte aufweist:
* 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 20% oder weniger, besonders bevorzugt 15% oder weniger aller erzeugten Merkmale.
6. Verfahren nach Anspruch 5, wobei die Kreuzvalidierung (103A-2) die folgenden Arbeitsschritte aufweist:
* 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.
7. Verfahren nach einem der Ansprüche 4 bis 6, wobei die Backward Ranking-Methode (103B) die folgenden Arbeitsschritte aufweist:
* 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, vorzugsweise 20% oder weniger, besonders bevorzugt 15% oder weniger aller erzeugten Merkmale.
8. Verfahren (100) nach einem der Ansprüche 4 bis 7, wobei die Cluster-Based Selection-Methode (103C) die folgenden Arbeitsschritte aufweist: Berechnen (103C-1) einer paarweisen Korrelation zwischen allen aus der vorherigen Feature-Selection-Methode übermittelten Merkmalen und den dazugehörigen Zustandsdaten anhand von Pearson-Korrelationskoeffizienten;
* Clustern (103C-2) der Merkmale auf der Grundlage ihrer Korrelation mit Hilfe agglomerativer Clustering- Techniken;
* Auswählen (103C-3) von Merkmalen aus jedem Cluster nach dem Zufallsprinzip, so dass Untergruppen von Merkmalen entstehen, deren Informationen weder redundant noch unvollständig sind;
* 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
* Speichern (103C-5) aller Bewertungsmetriken für jedes trainierte vorläufige Maschinenlernmodell sowie die Bedeutung der Merkmale.
9. Verfahren (100) nach einem der Ansprüche 4 bis 8, 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:
* 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 derjenigen Untergruppe ausgewählt werden, welche die Zustandsdaten am zutreffendsten bestimmen.
10. Verfahren (100; 200) nach einem der Ansprüche 3 bis 9, wobei der Klassifikationsalgorithmus aus der folgenden Gruppe ausgewählt ist: naive Bayes, logistische Regression, Gradient Boosting, Random Forest.
11. System (10) zum Identifizieren einer Ursache eines mehrfach auftretenden Defekts in technischen Einrichtungen einer Gattung technischer Einrichtungen, welche vorzugsweise Fahrzeugbatterien (2) oder Fahrzeuge (3) sind, aufweisend:
* 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 defektbezogenen Zustandsdaten der jeweiligen technischen Einrichtung sodass die Betriebsdaten derjenigen technischen Einrichtungen, bei denen der Defekt aufgetreten ist, defektmarkierbar sind;
* 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, wobei die Merkmale jeweils mit unterschiedlichen möglichen Ursachen des Defekts korreliert sind;
* Mittel zum Auswählen (13A, 13B, 13C, 13D) von in Bezug zu dem Defekt relevanten Merkmalen aus den erzeugten Merkmalen mittels einer Verkettung von Feature-Selection-Methoden; und
* Mittel zum Identifizieren der Ursache des Defekts als Intersektion (1) der unterschiedlichen möglichen Ursachen des Defekts, mit denen die relevanten Merkmale korreliert sind.
12. System (20) zur indirekten Messung von physikalischen Zuständen einer technischen Einrichtung einer Gattung technischer Einrichtungen, welche vorzugsweise Fahrzeugbatterien @) oder Fahrzeuge (3) sind, aufweisend: ein System nach Anspruch 11;
* Mittel zum Trainieren eines Klassifikationsalgorithmus mittels der relevanten Merkmale und der jeweils dazugehörigen Zustandsdaten, wobei ein Klassifikator, der dazu angepasst ist, eine Auftrittswahrscheinlichkeit des Defekts zu bestimmen, erzeugt wird.
* Mittel zum Anwenden des Klassifikators auf Betriebsdaten einer technischen Einrichtung der Gattung, bei welcher der Defekt nicht aufgetaucht ist.
Hierzu 2 Blatt Zeichnungen
ATA50445/2024A 2024-05-29 2024-05-29 Verfahren und System zum Identifizieren einer Ursache eines Defekts AT528376A3 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
ATA50445/2024A AT528376A3 (de) 2024-05-29 2024-05-29 Verfahren und System zum Identifizieren einer Ursache eines Defekts
PCT/AT2025/060216 WO2025245553A1 (de) 2024-05-29 2025-05-28 Verfahren und system zum identifizieren einer ursache eines defekts

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
ATA50445/2024A AT528376A3 (de) 2024-05-29 2024-05-29 Verfahren und System zum Identifizieren einer Ursache eines Defekts

Publications (2)

Publication Number Publication Date
AT528376A2 true AT528376A2 (de) 2025-12-15
AT528376A3 AT528376A3 (de) 2026-01-15

Family

ID=96092711

Family Applications (1)

Application Number Title Priority Date Filing Date
ATA50445/2024A AT528376A3 (de) 2024-05-29 2024-05-29 Verfahren und System zum Identifizieren einer Ursache eines Defekts

Country Status (2)

Country Link
AT (1) AT528376A3 (de)
WO (1) WO2025245553A1 (de)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11544630B2 (en) * 2018-10-15 2023-01-03 Oracle International Corporation Automatic feature subset selection using feature ranking and scalable automatic search
US11151808B2 (en) * 2018-12-06 2021-10-19 GM Global Technology Operations LLC Vehicle fault root cause diagnosis
CN115310552A (zh) * 2022-08-17 2022-11-08 博众精工科技股份有限公司 换电站远程故障解决方法及系统
CN117439868A (zh) * 2023-09-26 2024-01-23 青岛经济技术开发区海尔热水器有限公司 故障定位方法、装置、电子设备及存储介质
CN117290151B (zh) * 2023-11-27 2024-06-18 宁德时代新能源科技股份有限公司 电源模块的故障原因确定方法、装置、设备、系统和介质
CN117909881A (zh) * 2023-12-29 2024-04-19 元始智能科技(南通)有限公司 多源数据融合的抽油机的故障诊断方法及装置

Also Published As

Publication number Publication date
AT528376A3 (de) 2026-01-15
WO2025245553A1 (de) 2025-12-04

Similar Documents

Publication Publication Date Title
DE102020100668B4 (de) Charakterisierung von wiederaufladbaren Batterien mit Maschinen-gelernten Algorithmen
EP4168813B1 (de) Bestimmung eines alterungszustands eines energiespeichers
DE102012223393A1 (de) Verfahren und System für die Grundursachenanalyse und Qualitätsüberwachung von Fehlern auf Systemebene
DE102022210276A1 (de) Verfahren zur Erkennung von Defekten in einem System
DE102017208770B4 (de) Verfahren zur Prüfung eines Batteriezustands und Prüfvorrichtung zur Prüfung eines Batteriezustands
DE102020111788A1 (de) Verfahren und vorrichtung zur erkennung defekter zellen innerhalb einer batterie
DE112018004979T5 (de) Batterienutzungsüberwachung mit hoher Abdeckung
DE102020126358A1 (de) Verwaltungssystem mit überwachungssteuerung für wiederaufladbare energiespeichervorrichtung in elektrofahrzeugen
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
EP4054899B1 (de) Verfahren und system zum vorhersagen einer motorstart-performance eines elektrischen energiespeichersystems
DE102021204847A1 (de) Betrieb eines elektrischen Energiespeichers in einem Kraftfahrzeug
DE102020008050A1 (de) Charakterisierung von wiederaufladbaren Batterien mit Maschinen-gelernten Algorithmen
AT528376A2 (de) Verfahren und System zum Identifizieren einer Ursache eines Defekts
WO2022162060A1 (de) Big-data für fehlererkennung in batteriesystemen
AT528377A2 (de) Verfahren und System zur indirekten Messung einer Wahrscheinlichkeit für das Auftreten eines Defekts in einem Prüfling
AT528325A1 (de) Verfahren und System zur Erzeugung eines Klassifikators zur indirekten Messung von physikalischen Zuständen eines Prüflings
DE102023200585B4 (de) Verfahren und Vorrichtung zur prädiktiven Diagnose einer Gerätebatterie eines technischen Geräts mithilfe eines Trace-Graph-Modells
DE102024129774A1 (de) Verfahren, systeme und computerlesbare medien zum verwenden eines modells für maschinelles lernen (ml) bei der batterieverwaltung
DE102023104214B4 (de) Computerimplementiertes Verfahren zur prädiktiven Erkennung des Batteriezustands anhand des Konditionierungsverhaltens des Batteriepacks
DE102023206657A1 (de) Verfahren und Vorrichtung zur Prädiktion eines Fehlers einer Gerätebatterie
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