AT528377A2 - Verfahren und System zur indirekten Messung einer Wahrscheinlichkeit für das Auftreten eines Defekts in einem Prüfling - Google Patents

Abstract

Die Erfindung betrifft ein computerimplementiertes Verfahren (100) zur indirekten Messung einer Wahrscheinlichkeit für das Auftreten eines Defekts in einem Prüfling einer Gattung technischer Einrichtungen, welche vorzugsweise Batterien (2) oder Fahrzeuge (3) sind, folgende Arbeitsschritte aufweisend: a) Messen von Zustandsdaten in einer Vielzahl technischer Einrichtungen der Gattung technischer Einrichtungen, wobei die Zustandsdaten umfassen, ob der Defekt aufgetreten ist; b) Messen (101) von Betriebsdaten der Vielzahl technischer Einrichtungen der Gattung und des Prüflings, wobei die Betriebsdaten Werteverläufe von zeitaufgelösten Messparametern umfassen und ein Betriebsverhalten und eine Umgebung einer jeweiligen technischen Einrichtung aus einem Feldbetrieb charakterisieren, wobei die Betriebsdaten derjenigen technischen Einrichtungen, bei denen der Defekt aufgetreten ist, entsprechend dem Ergebnis der Messung in Schritt a), defektmarkiert sind; c) Erzeugen (102) von Merkmalen durch Bearbeiten wenigstens eines Teils der Betriebsdaten mittels mathematischer Operationen und/oder durch Auswählen von Datenbereichen aus den Betriebsdaten; d) Auswählen (103) von in Bezug zu dem Defekt relevanten Merkmalen aus den erzeugten Merkmalen mittels einer Verkettung von Feature-Selection-Methoden; e) Trainieren eines probabilistischen Klassifikationsalgorithmus mittels der ausgewählten relevanten Merkmale und der jeweils dazugehörigen Zustandsdaten, wobei ein Klassifikator (1) erzeugt wird; und f) Generieren (203) von Ausgabedaten, umfassend eine Wahrscheinlichkeit für das Auftreten des Defekts im Prüfling, durch Anwenden des Klassifikators (1) auf Eingabedaten, welche auf den Betriebsdaten des Prüflings basieren.

Description

A ‚hes AT 528 377 A2 2025-12-15

Ss N

Beschreibung

VERFAHREN UND SYSTEM ZUR INDIREKTEN MESSUNG EINER WAHRSCHEINLICHKEIT FÜR DAS AUFTRETEN EINES DEFEKTS IN EINEM PRUFLING

[0001] Die Erfindung betrifft ein System und ein computerimplementiertes Verfahren zur indirekten Messung einer Wahrscheinlichkeit für das Auftreten eines Defekts in einem Prüfling einer Gattung technischer Einrichtungen, insbesondere einer HV-Batterie oder eines Fahrzeugs, mittels Betriebsdaten einer Vielzahl technischer Einrichtungen der Gattung und des Prüflings, welche Werteverläufe von zeitaufgelösten Messparametern umfassen und ein Betriebsverhalten und eine Umgebung einer jeweiligen technischen Einrichtung aus einem Feldbetrieb charakterisieren. Auf der Grundlage dieser Daten wird ein Klassifikationsalgorithmus trainiert, wodurch ein Klassifikator entsteht und wobei der Klassifikator auf Eingabedaten, welche auf den Betriebsdaten des Prüflings basieren, angewandt wird. Darüber hinaus betrifft die Erfindung ein entsprechendes System zur indirekten Messung einer Wahrscheinlichkeit für das Auftreten eines Defekts.

[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 Wahrscheinlichkeit für das Auftreten eines bestimmten Defekts zu bestimmen. Insbesondere sollen solche Wahrscheinlichkeiten für das Auftreten von Defekten 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 zur indirekten Messung einer Wahrscheinlichkeit für das Auftreten eines Defekts in einem Prüfling einer Gattung technischer Einrichtungen, welche vorzugsweise Batterien oder Fahrzeuge sind, folgende Arbeitsschritte aufweisend:

a) Messen von Zustandsdaten in einer Vielzahl technischer Einrichtungen der Gattung technischer Einrichtungen, wobei die Zustandsdaten umfassen, ob der Defekt aufgetreten ist;

b) Messen von Betriebsdaten der Vielzahl technischer Einrichtungen der Gattung und des Prüf-

A ‚hes AT 528 377 A2 2025-12-15

Ss N

lings, wobei die Betriebsdaten Werteverläufe von zeitaufgelösten Messparametern umfassen und ein Betriebsverhalten und eine Umgebung einer jeweiligen technischen Einrichtung aus einem Feldbetrieb charakterisieren, wobei die Betriebsdaten derjenigen technischen Einrichtungen, bei denen der Defekt aufgetreten ist, entsprechend dem Ergebnis der Messung in Schritt a), defektmarkiert werden;

c) Erzeugen von Merkmalen durch Bearbeiten wenigstens eines Teils der Betriebsdaten mittels mathematischer Operationen und/oder durch Auswählen von Datenbereichen aus den Betriebsdaten;

d) Auswählen von in Bezug zu dem Defekt relevanten Merkmalen aus den erzeugten Merkmalen mittels einer Verkettung von Feature-Selection-Methoden;

e) Trainieren eines probabilistischen Klassifikationsalgorithmus mittels der ausgewählten relevanten Merkmale und der jeweils dazugehörigen Zustandsdaten, wobei ein Klassifikator erzeugt wird; und

f) Generieren von Ausgabedaten, umfassend eine Wahrscheinlichkeit für das Auftreten des Defekts im Prüfling, durch Anwenden des Klassifikators auf Eingabedaten, welche auf den Betriebsdaten des Prüflings basieren.

[0009] Ein Messen im Sinne der vorliegenden Offenbarung ist vorzugsweise eine Bestimmung eines Messsignals mittels eines Sensors und/oder eine Nachbearbeitung eines Messignals zum Erzeugen der Betriebsdaten und zum Feststellen, ob der Defekt aufgetreten ist. Ein Messen kann auch eine technische Überprüfung durch eine Fachperson umfassen.

[0010] Messparameter im Sinne der vorliegenden Offenbarung umfassen vorzugsweise eine AuBentemperatur, eine Motortemperatur, Verweildauern in bestimmten 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 Ladezustands (SOC) basierend auf der HV-Busspannung, insbesondere während des Ladevorgangs, eine Differenz-Kühlmitteltemperatur bei Ladevorgängen, und/oder eine Differenz-Zellenspannung über die Entladevorgänge der Batterie.

[0011] Eine mathematische Operation im Sinne der vorliegenden Offenbarung sind Statistiken, insbesondere Mittelwert, Median, Minimum, Maximum oder Standardabweichung, oder Aggregation, Addition, Subtraktion, Multiplikation, Division, Differenzierung, Gradientenberechnung und/ oder Integration über bestimmte Dauern und/oder auch multivariate Integrale, bei welchen Messparameter multipliziert und dann integriert werden.

[0012] Eine Gattung von technischen Einrichtungen im Sinne der vorliegenden Offenbarung ist vorzugsweise eine Gesamtheit von technischen Einrichtungen, welche in ihren wesentlichen Merkmalen übereinstimmen und daher weiter vorzugsweise baugleich sind. Vorzugsweise sind die wesentlichen Komponenten der technischen Einrichtungen einer Gattung baugleich. Eine bestimmte technische Einrichtung ist mithin vorzugsweise eine Realisierung der Gattung von technischen Einrichtungen. Insbesondere unterscheiden sich technische Einrichtungen einer Gattung durch Toleranzen, insbesondere Fertigungstoleranzen und/oder Alterungs- bzw. Abnutzungserscheinungen.

[0013] Eine indirekte Messung im Sinne der vorliegenden Offenbarung ist ein Ermitteln eines gesuchten Werts, insbesondere des Parameters Wahrscheinlichkeit für das Auftreten des Defekts, mittels anderer zur Verfügung stehender Information eines zu vermessenden Systems. Der gesuchte Messwert dieses Parameters wird aus anderen physikalischen Parametern ermittelt.

[0014] Der Defekt ist im Sinne der Erfindung ein bestimmter Defekt, der in unterschiedlichen technischen Einrichtungen in gleicher oder ähnlicher Weise, also mit gleichem oder ähnlichem Fehlerbild auftritt. Der Defekt kann beispielsweise ein thermisches Durchgehen einer Batterie in einem batteriebetriebenen Fahrzeug, ein ansteigende Verdünnung Öls mit Kraftstoff in brenn-

A ‚hes AT 528 377 A2 2025-12-15

Ss N

kraftmaschinenbetriebenen Fahrzeugen, eine Effizienzreduktion eines Katalysatorsystems, ein Ausfall eines bestimmten mechanischen Elements in einem Getriebe oder andere.

[0015] Ein Fahrzeug im Sinne der vorliegenden Offenbarung kann vorzugsweise ein Personenkraftwagen, ein Lastkraftwagen, ein Motorrad, eine Baumaschine, ein Schiff oder ein landwirtschaftliches Nutzfahrzeug sein oder umfassen.

[0016] Mittels der Erfindung kann aus Messdaten, insbesondere historischen Messdaten, ein Vorhersagemodell für den Zustand eines Fahrzeugs erstellt werden, wenn zeitaufgelöste Betriebsdaten einer Mehrzahl von technischen Einrichtungen gleichen Typs oder gleicher Gattung gemessen werden können oder zur Verfügung stehen, bei denen der Defekt bereits mehrfach aufgetreten ist. Insbesondere ist das Verfahren daher für die Fehleridentifikation in Fahrzeugen einer Fahrzeugflotte geeignet. Mittels dieses Vorhersagemodells kann der physikalische Zustand des Fahrzeugs dann bestimmt werden. Darüber hinaus kann das Verfahren aber auch auf einzeine 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 Wahrscheinlichkeit für das Auftreten des Defekts gibt den physikalischen Zustand der Betriebsfähigkeit der technischen Einrichtung in Bezug auf diesen Defekt an.

[0018] Das Verfahren zur indirekten Messung einer Wahrscheinlichkeit für das Auftreten eines Defekts 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“). Mittels dieser Merkmale und der dazugehörigen Label wird ein Klassifikationsalgorithmus trainiert (Modeling). Dieses Modell kann, insbesondere anhand von Standard-Maßzahlen, evaluiert werden.

[0019] Der trainierte Klassifikator wird schließlich auf weitere zeitaufgelöste Messdaten des Prüflings, also insbesondere des Fahrzeugs oder der Fahrzeugkomponente, angewandt. Hierdurch werden die Wahrscheinlichkeiten für das Auftreten des Defekts im Prüfling ermittelt. Die zeitaufgelösten Messdaten liegen dabei als aggregierte Daten vor. Sollten die zeitaufgelösten Daten in anderer Form vorliegen, werden sie zuvor aggregiert, um die Anwendung des Klassifikators zu ermöglichen. Der Prüfling gehört ebenso wie die technischen Einrichtungen zur Gattung technischer Einrichtungen. Im Unterschied zu den technischen Einrichtungen, die die Datengrundlage des Verfahrens bilden, ist der Zustand des Prüflings hinsichtlich der Frage, ob der Defekt aufgetreten ist, unbekannt, oder er ist insofern bekannt, dass der Defekt im Prüfling nicht aufgetreten ist. Der Prüfling kann in einer besonderen Ausführungsform der Erfindung somit auch eine technische Einrichtung der Gattung technischer Einrichtungen sein.

[0020] Für eine Vorhersage der Wahrscheinlichkeit für das Auftreten des Defekts ist erfindungsgemäß vorgesehen, eine Verkettung von wenigstens zwei, drei oder vier Feature-Selection-Methoden hintereinander auszuführen. Hierdurch lässt sich die Anzahl an Kanälen mit Messdaten bzw. die Anzahl der aus diesen Messdaten gewonnenen bzw. erzeugten Merkmalen reduzieren, sodass zum Trainieren des Klassifikationsalgorithmus nur noch eine vergleichsweise geringe Anzahl an relevanten Merkmalen verbleibt. Durch das Entfernen irrelevanter oder redundanter Merkmale kann die Modellleistung verbessert werden. Dies reduziert Überanpassung (Overfitting), da das Modell nicht durch irrelevante Daten beeinflusst wird und sich besser auf die wichtigen Muster konzentrieren kann.

A ‚hes AT 528 377 A2 2025-12-15

Ss N

Weniger Merkmale bedeuten weniger Daten, die verarbeitet werden müssen. Dies führt zu einer schnelleren Trainingszeit und geringeren Anforderungen an Speicher und Rechenleistung. Dies ist besonders wichtig bei großen Datensätzen und komplexen Modellen. Zudem kann über die verbleibende eine Ursachenanalyse in Bezug auf einen physikalischen Zustand des jeweiligen Prüflings durchgeführt werden. So können die Merkmale oder die diesen zugrunde liegenden zeitaufgelösten Messdaten nach Anomalien untersucht werden, welche einen physikalischen Zustand ausgelöst haben.

[0021] Weitere Vorteile werden erzielt, wenn das Verfahren ferner den Schritt aufweist: Ausgeben der Wahrscheinlichkeit für das Auftreten des Defekts im Prüfling.

[0022] Vorzugsweise kann vorgesehen sein, dass das Verfahren automatisiert durchgeführt wird. 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.

[0023] In einer weiteren vorteilhaften Ausgestaltung des Verfahrens weist das Verfahren des Weiteren den folgenden Arbeitsschritt auf:

Durchführen einer Defektbeseitigungsmaßnahme, insbesondere sofern die Wahrscheinlichkeit für das Auftreten des Defekts einen Grenzwert überschreitet.

Je nach Art des Defekts können unterschiedliche Defektbeseitigungsmaßnahmen durchgeführt werden. Die Defektbeseitigungsmaßnahme kann unter anderem eine Umstellung eines Fertigungsprozesses der technischen Einrichtung, insbesondere 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.

[0024] 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.

[0025] Durch eine Evaluation des trainierten Klassifikators kann dessen Exaktheit bei der Vorhersage von physikalischen Zuständen überprüft werden.

[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 wesentlich höheren Einfluss auf die Qualität des trainierten Klassifikators als die Auswahl des Klassifikationsalgorithmus. Wie oben ausgeführt, werden die genannten Feature-Select- Methoden in einer Verkettung hintereinander ausgeführt. Mit dieser Auswahl und Reihenfolge können die relevantesten Merkmale zuverlässig identifiziert werden und darüber hinaus die Anzahl an Merkmalen, welche beim Trainieren des Klassifikationsalgorithmus verarbeitet werden müssen, wesentlich reduziert werden.

[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;

Ss N

* 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.

[0029] Die definierte Anzahl an Merkmalen ist vorzugsweise eine relative Anzahl der Gesamtanzahl an Merkmalen, kann aber auch eine absolute Anzahl an Merkmalen sein.

[0030] Die definierte Anzahl an Merkmalen ist vorzugsweise eine relative Anzahl der Gesamtanzahl an Merkmalen, kann aber auch eine absolute Anzahl an Merkmalen sein.

Ein vorläufiges Maschinenlernmodell im Sinne der vorliegenden Offenbarung beruht vorzugsweise 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).

[0031] 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).

[0032] 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.

[0033] 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.

[0034] 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.

[0035] 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.

[0036] In einer weiteren vorteilhaften Ausgestaltung des Verfahrens weist die Cluster-Based Se-

lection-Methode die folgenden Arbeitsschritte auf:

* Berechnen einer paarweisen Korrelation zwischen allen aus der vorherigen Feature-SelectionMethode übermittelten Merkmalen und den dazugehörigen Zustandsdaten anhand von Pear-

Ss N

son-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.

[0037] 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.

[0038] 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.

[0039] Durch die Verwendung eines probabilistischen Klassifikationsalgorithmus kann aus den Eingabedaten eine Wahrscheinlichkeit für das Auftreten des Defekts bestimmt werden.

[0040] In einer weiteren vorteilhaften Ausgestaltung weist das Verfahren des Weiteren die fol-

genden Arbeitsschritte auf:

* Vergleichen der Wahrscheinlichkeit für das Auftreten des Defekts in dem Prüfling mit einem Grenzwert; und

* Markieren des Prüflings als intakt oder als defekt auf der Grundlage des Vergleichs.

[0041] Durch die Markierung der technischen Einrichtung als defekt oder intakt kann ein Benutzer die Vorhersage besonders gut einordnen. Insbesondere können auch Defektbeseitigungsmaßnahmen auf Grundlage des Vergleichs durchgeführt werden.

[0042] 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 des Prüflings.

[0043] Durch das Berücksichtigen einer Kosten-Nutzen-Analyse bei der Markierung des Prüflings, insbesondere des Fahrzeugs oder der Fahrzeugkomponente, kann eine für die Sicherstellung der Funktion des Prüflings besonders vorteilhafte Entscheidungen getroffen werden.

[0044] Ein zweiter Aspekt der Erfindung betrifft ein System zur indirekten Messung einer Wahr-

scheinlichkeit für das Auftreten eines Defekts in einem Prüfling einer Gattung technischer Ein-

richtungen, welche vorzugsweise Fahrzeugbatterien oder Fahrzeuge sind, , aufweisend:

* Mittel zum Messen von Zustandsdaten in einer Vielzahl technischer Einrichtungen der Gattung technischer Einrichtungen, wobei die Zustandsdaten umfassen, ob der Defekt aufgetreten ist

Ss N

* Mittel zum Messen von Betriebsdaten der Vielzahl technischer Einrichtungen der Gattung und des Prüflings, wobei die Betriebsdaten Werteverläufe von zeitaufgelösten Messparametern umfassen und ein Betriebsverhalten und eine Umgebung einer jeweiligen technischen Einrichtung aus einem Feldbetrieb charakterisieren, sodass die Betriebsdaten derjenigen technischen Einrichtungen, bei denen der Defekt aufgetreten ist, defektmarkiert 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;

* 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 Trainieren eines probabilistischen Klassifikationsalgorithmus mittels der ausgewählten relevanten Merkmale und der jeweils dazugehörigen Zustandsdaten, wobei ein Klassifikator erzeugt wird; und

* Mittel zum Generieren von Ausgabedaten, umfassend eine Wahrscheinlichkeit für das Auftreten des Defekts im Prüfling, durch Anwenden des Klassifikators auf Eingabedaten, welche auf den Betriebsdaten des Prüflings basieren.

[0045] 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.

[0046] Weitere Vorteile werden erzielt, wenn das System ferner umfasst: Mittel zum Ausgeben der Wahrscheinlichkeit für das Auftreten des Defekts im Prüfling.

[0047] Ein Mittel im Sinne der Erfindung kann hard- und/oder softwaretechnisch ausgebildet sein und insbesondere eine, vorzugsweise mit einem Speicher- und/oder Bussystem daten- bzw. Signalverbundene, insbesondere digitale, Verarbeitungs-, insbesondere Mikroprozessoreinheit (CPU) und/oder ein oder mehrere Programme oder Programmmodule aufweisen. Die CPU kann dazu ausgebildet sein, Befehle, die als ein in einem Speichersystem abgelegtes Programm implementiert sind, abzuarbeiten, Eingangssignale von einem Datenbus zu erfassen und/oder Ausgangssignale an einen Datenbus abzugeben. Ein Speichersystem kann ein oder mehrere, insbesondere verschiedene, Speichermedien, insbesondere optische, magnetische, Festkörperund/oder andere nicht-flüchtige Medien, aufweisen. Das Programm kann derart beschaffen sein, dass es die hier beschriebenen Verfahren verkörpert bzw. auszuführen imstande ist, so dass die CPU die Schritte solcher Verfahren ausführen kann und damit insbesondere wenigstens eine technische Einrichtung analysieren oder einen Klassifikationsalgorithmus trainieren kann.

[0048] 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.

[0049] 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 528 377 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/Ob- jekten, parallele Verarbeitung oder Verarbeitung durch virtuelle Maschinen, entwickelt werden, um die hier beschriebenen Verfahren zu implementieren.

[0050] In einer weiteren besonderen Ausführungsform der Erfindung kann der Begriff „umfassen“ auch „sein“ bedeuten.

[0051] Weitere Merkmale und Vorteile ergeben sich aus der nachfolgenden Beschreibung von Ausführungsbeispielen in Bezug auf die Figuren. Es zeigen wenigstens teilweise schematisch:

[0052] Figur 1 ein funktionales Blockdiagramm eines Ausführungsbeispiels eines Systems zur indirekten Messung einer Wahrscheinlichkeit für das Auftreten eines Defekts in einem Prüfling; und

[0053] Figur 2 ein Flussdiagramm eines Ausführungsbeispiels eines Verfahrens zur indirekten Messung einer Wahrscheinlichkeit für das Auftreten eines Defekts in einem Prüfling.

[0054] 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 zur indirekten Messung einer Wahrscheinlichkeit für das Auftreten eines Defekts in einem Prüfling und Figur 2 ein Flussdiagramm eines mittels des Systems 10 ausführbaren Verfahrens 100 zur indirekten Messung einer Wahrscheinlichkeit zeigt.

[0055] 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.

[0056] Beispielsweise kann das Verfahren eingesetzt werden, um in einem Anwendungsfall die Wahrscheinlichkeit für ein thermisches Durchgehen einer Batterie eines Fahrzeuges zu ermitteln. Wird eine hohe Wahrscheinlichkeit für ein thermisches Durchgehen einer Batterie festgestellt, so muss diese ausgetauscht werden, da ansonsten ein Brand droht.

[0057] In einem vorgezogenen Arbeitsschritt 090 des Verfahrens 100 werden Zustandsdaten in einer Vielzahl technischer Einrichtungen der Gattung technischer Einrichtungen gemessen, wobei die Zustandsdaten umfassen, ob ein bestimmter Defekt in den jeweiligen technischen Einrichtungen aufgetreten ist. Hierbei ist es ausreichend, dass detektiert wird, wenn in einigen der technischen Einrichtungen der bestimmte Defekt aufgetreten ist. In dem vorgezogenen Arbeitsschritt 090 wird auch erfasst, bei welchen technischen Einrichtungen, hier: Batterien, der Defekt „thermisches Durchgehen aufgetreten ist. 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 erfasst werden. Dieser vorgezogene Schritt 090 wird vorzugsweise und im gezeigten Beispiel mit Mitteln 11 zum Messen von Zustandsdaten in technischen Einrichtungen durchgeführt.

[0058] Parallel dazu und oder anschließend daran werden 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

A ‚hes AT 528 377 A2 2025-12-15

Ss N

2 derselben Gattung, insbesondere derselben Bauart, erfasst. Vorzugsweise wird dies mittels einer Vielzahl von Sensoren 11 bewerkstelligt, welche an dem Personenkraftwagen 3 oder in der Umgebung des Personenkraftwagens 3 angeordnet sind. Weiter vorzugsweise kann es sich bei den Werteverläufen auch um historische Werteverläufe von zeitaufgelösten Messparametern handeln. Weiter Vorzug sind diese Betriebsdaten aus einem Feldbetrieb gewonnene, sogenannte Telemetriedaten.

[0059] Entsprechend dem Ergebnis der Messungen in dem vorgezogenen Arbeitsschritt 090 werden in dem ersten Arbeitsschritt 101 diejenigen Betriebsdaten der technischen Einrichtungen, hier: Batterien, markiert, bei denen der Defekt „thermisches Durchgehen aufgetreten ist. Dementsprechend werden 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 ist 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.

[0060] 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- und/oder Entladevorgängen, Batterietemperaturen, Zelltemperaturen, Batteriesteuerparameter, Differenz von maximaler zu minimaler Spannung pro Zelle, Ausbalancierung der Häufigkeitszahlen aller Zell-IDs, 2d-Histogramm des Wärmemanagements im Modus "Leerlauf" und einer Temperatur des Batterieschützes von über 25 Grad Celsius, insbesondere während des Ladevorgangs, 2d-Aufenthaltswärme- karte 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. Je nach Anwendungsfall können auch andere Messparameter genutzt werden.

[0061] 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 Batterie.

[0062] 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.

[0063] 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

10 / 24

A ‚hes AT 528 377 A2 2025-12-15

Ss N

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.

[0064] Des Weiteren werden in dem ersten Arbeitsschritt 101 Zustandsdaten der Batterie 2 und/oder des Fahrzeugs 3 während des Feldbetriebs erfasst. Diese Zustandsdaten charakterisieren physikalische Zustände der Batterie 2. Ein solcher physikalischer Zustand kann insbesondere eine Bauteil-Spezifikation, eine Dimension, eine Toleranz oder eine Altersveränderung sein.

[0065] Vorzugsweise werden die Betriebsdaten der Batterie 2 und die Zustandsdaten der Batterie 2 mittels Sensoren 11 erfasst, welche im Bereich der Batterie 2 und deren Umgebung oder im Bereich des Fahrzeugs 3 und dessen Umgebung angeordnet sind und eingerichtet sind, Messparameter zu bestimmen. Weiter vorzugsweise werden die Betriebsdaten und/oder die Zustandsdaten über eine Schnittstelle 11, insbesondere eine Datenschnittstelle, erfasst.

[0066] In dem oben genannten Anwendungsfall eines Identifizierens einer Wahrscheinlichkeit für ein thermisches Durchgehen einer Batterie 3 sind die Werteverläufe von zeitaufgelösten Messparametern Zeitreihen mit einer definierten Abtastrate, insbesondere von 30 Sekunden, welche an tausenden von batteriebetriebenen Fahrzeugen 3 als einer Gattung von technischen Einrichtungen aufgenommen wurden. Sechzig der Fahrzeuge 3 sind mit dem physikalischen Zustand „defekt“ identifiziert und 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.

[0067] In einem zweiten Arbeitsschritt 102 werden Merkmale erzeugt, welche sich zur Verarbeitung durch einen Klassifikationsalgorithmus eigenen (Feature Generation/Feature Engineering).

[0068] 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.

[0069] 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 Fahrzeug 3 und Merkmale, die die Umgebung der technischen Einrichtung beschreiben.

[0070] 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

A ‚hes AT 528 377 A2 2025-12-15

Ss N

Mittel 12 können dazu eingerichtet sein, die Merkmale automatisiert zu erzeugen.

[0071] 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.

[0072] Im einem dritten Arbeitsschritt 103 werden in Bezug zu dem Defekt relevante Merkmale mittels einer Verkettung von sogenannten Feature-Select-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.

[0073] In diesem dritten Arbeitsschritt 103 sollen jene Merkmale identifiziert werden, welche zur Charakterisierung der physikalischen Zustände des Fahrzeugs 3 oder der Batterie 2 am meisten beitragen. Beispielsweise kann bei der Auswahl der Merkmale untersucht werden, welche Merkmale am meisten dazu beitragen, „gesunde“ von „kranken“ Betriebsdaten des Fahrzeugs 3 oder der Batterie 2 zu unterscheiden. „Gesunde“ Betriebsdaten charakterisieren eine intakte technische Einrichtung, insbesondere ein intaktes Fahrzeug 3 oder eine intakte Batterie 2 insofern, dass in einer Messung festgestellt wurde, dass der bestimmte Defekt nicht aufgetreten ist. In intakten technischen Einrichtungen, intakten Fahrzeugen oder intakten Batterien können aber andere Defekte als der bestimmte Defekt aufgetreten sein Dagegen charakterisieren „kranke“ Betriebsdaten eine technische Einrichtung, insbesondere ein Fahrzeug 3 oder eine Batterie 2 insofern, dass in einer Messung festgestellt wurde, dass der Defekt aufgetreten ist, dessen Auftrittswahrscheinlichkeit gemessen werden soll. 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 neben der indirekten Messung der Ausfallwahrscheinlichkeit in einem Prüfling auch für eine Ursachenanalyse nach der Feststellung eines defekten Fahrzeugs 3 oder einer defekten Batterie 2 herangezogen werden (eine sogenannte „root-cause-analysis“).

[0074] Als Feature-Select-Methoden kommen vorzugsweise zwei, vorzugsweise drei oder alle der folgenden Feature-Select-Methoden zum Einsatz: Random Ranking 103A, Backward Ranking oder Elimination Algorithm 103 B, Cluster-Based Selection 103 C, Subset Refinement 103D. Vorzugsweise werden die zwei, bevorzugt drei oder alle vier Feature-Select-Methoden 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-Selection-Methode.

[0075] Die Random ranking-Methode 103A weist die folgenden Arbeitsschritte auf, wie in Fig. 2 dargestellt ist:

A ‚hes AT 528 377 A2 2025-12-15

Ss N

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.

[0076] 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.

[0077] 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.

[0078] 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.

[0079] 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.

[0080] 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 ausgewählten Untergruppe auf eine einstellige Anzahl an Falten, insbesondere fünf, einer Kreuzvalidierung, um festzustellen, welche Untergruppen zu den besten Modellleistungen führen; und

A ‚hes AT 528 377 A2 2025-12-15

Ss N

Speichern 103C-5 aller Bewertungsmetriken für jedes trainierte vorläufige Maschinenlernmodell sowie die Bedeutung der Merkmale.

[0081] 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.

[0082] 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).

[0083] Hierbei kann für jede Feature-Selection-Methode 103A, 103B, 103C, 103D das gleiche oder ein anderes Maschinenlernmodell zum Einsatz kommen.

[0084] In dem oben genannten Anwendungsfall der indirekten Messung einer Wahrscheinlichkeit des thermischen Durchgehens sind Betriebsdaten der Fahrzeuge, deren Batterien abgebrannt sind, bezüglich des Defekts “thermisches Durchgehen” defektmarkiert worden. Dieser Defekt ist unmittelbar und eindeutig von einem Techniker, der das defekte Fahrzeug sieht, erkennbar. Ferner werden, wie in Fig. 1 dargestellt, innerhalb der Verkettung von Feature-Selection-Methoden 103 die Anzahl von mehr als 4800 Merkmalen in einem ersten Schritt durch Random Ranking 103 A auf etwa 890 Merkmale reduziert. In einem zweiten Schritt wird diese Anzahl durch Backward Ranking 103B auf etwa 260 Merkmale reduziert. In einem dritten Schritt wird diese Anzahl wiederum durch Cluster Based-Selection 103C auf etwa 130 Merkmale reduziert. Schließlich kann in einem vierten Schritt durch Subsequent Refinement 103D diese Anzahl auf sechs relevante Merkmale reduziert werden. Diese verbleibenden Merkmale sind wie folgt:

[0085] EVENTS_CHARGING_MEAN_DELTA_CELL_VOLTAGE_STD_LAST_YEAR:

Für jeden Ladezyklus wird der Mittelwert von Differenz von maximaler zu minimaler Spannung pro Zelle berechnet. Die Standardabweichung der Mittelwerte für die Daten des letzten Jahres ergibt das Merkmal „Standardabweichung der Deltazellenspannung über die Ladeereignisse hinweg“ (aggregiert als durchschnittliche Standardabweichung aller Ladeereignisse). Mit diesem Merkmal wird analysiert, wie gestreut ist der Spannungsunterschied der Zellen während des Ladens (Delta-Abnahme und -Anstieg) ist. 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. In kritischen Fahrzeugen besteht dieser Unterschied für längere Zeit.

[0086] AGG_LAST_YEAR_STD_FREQUENCY_COUNTS_BALANCING_CELL ID: Als Signale von Interesse, welche zu den Betriebsdaten gehören, werden BatteriezellenBalancing-Status (Mehrzahl) zusammen mit den Batteriezellen-IDs, derjenigen Batterie-

14 / 24

zellen, 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.

[0087] HEAT_BatteryThermalManagementModeHvBatteryContactorTemp_charge_ldie_Higher HVCondatorTemp_PERCENT: Hierbei wird die Verweildauer des Fahrzeugs im Wärmemanagementmodus „Leerlauf“ bei warmen/heißen Batteriekontakttemperaturen des HV-Batterieschützes aggregiert. Die Verweildauer des HV-Batterieschützes über einem bestimmten Grenzwert, hier T>25 °C, während des Ladevorgangs wird gemessen. Das Ziel dieses Merkmals ist, heiße Batterietemperaturen im Thermomodus im „Leerlauf“ Zustand zu identifizieren. Die Temperatur des HV-Schützes kann durch verschiedene Ausfälle der Komponenten im Batterieanschlusskasten beeinflusst werden. Wenn eine dieser Komponenten defekt ist, steigt die Temperatur an. Es scheint, dass dieser Zustand bei den fehlerhaften Fahrzeugen besonders stark im Niedrigstrombetrieb (Leerlauf des thermischen Systems) auftritt. Auslöser für ein thermisches Ereignis sind höchstwahrscheinlich die Zellen, die sich unter der EEEinheit befinden.

[0088] HEAT_CellTempAvgSocHvBus_charge_HigherCellTempAvg_SOCHVBus_PERCENT: Die Durchschnittliche Zelltemperatur, berechnet aus Minimum und Maximum der Zelltemperatur und der Ladezustand (SOC) basierend auf der HV-Bus-Spannung werden als Betriebsdaten genutzt. Aus diesen werden die Verweildauern des Fahrzeugs bei warmen/heißen Batteriezelltemperaturen über einem Grenzwert und niedrigem SOC während des Ladevorgangs aggregiert. Dieses Merkmals korreliert hohe Zelltemperaturen bei niedrigen Busspannung. Dieses Features soll erkennen, ob eine oder mehrere Zellen in einem Batteriepack fehlerhaft sind (insbesondere bei verbesserter Selbstentladung). Wir betrachten die SoC auf der Grundlage der gesamten Spannung des Batteriepacks und stellen fest, dass fehlerhafte Fahrzeuge meist eine niedrigere SoC aufweisen, selbst wenn sie mit der gleichen Abschaltspannung aufgeladen werden, und gleichzeitig weisen diese Fahrzeuge eine höhere Durchschnittstemperatur auf. Je höher die Zellentemperatur und je niedriger der Ladezustand eines Fahrzeugs ist, desto wahrscheinlicher ist es, dass mehr als eine Zelle betroffen ist.

[0089] EVENTS_CHARGING_STD_DELTA_COOLANT_TEMP_AVG_LAST_YEAR: Der Mittelwert der Delta-Kühltemperatur wird über die Ladeereignisse, aggregiert als Standardabweichung aller Ladeereignisse des letzten Jahres berechnet. Die Delta-Kühltemperatur ist die Batteriezellen-Kühlmitteltemperatur am Eingang minus die Batteriezellen-Kühlmitteltemperatur am Ausgang. Für alle Ladevorgänge des letzten Jahres wurde die Standardabweichung der durchschnittlichen 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 Standardabwei-

chung 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.

[0090] EVENTS_BATTERY_DISCHARGE_STD_DELTA_CELL_VOLTAGE_AVG_GRAD_TO-

TAL:

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.

[0091] 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.

[0092] In einem vierten Arbeitsschritt 104 wird ein Klassifikator 1 durch Trainieren eines probabilistischen Klassifikationsalgorithmus mittels der ausgewählten relevanten Merkmale und der jeweils dazugehörigen Zustandsdaten erzeugt.

[0093] Der vierte Arbeitsschritt 104 wird durch Mittel 14 zum Trainieren eines probabilistischen Klassifikationsalgorithmus durchgeführt.

[0094] In einem fünften Arbeitsschritt 105 werden die Ausgabedaten durch Anwenden des Klassifikators 1 auf Eingabedaten, welche auf den Betriebsdaten des Prüflings basieren, bestimmt. Die Ausgabedaten umfassen eine Wahrscheinlichkeit für das Auftreten des Defekts im Prüfling.

[0095] Optional kann die Wahrscheinlichkeit für das Auftreten des Defekts mit einem Grenzwert verglichen werden. Wird der Grenzwert von der jeweiligen technischen Einrichtung 2, 3 überschritten bzw. unterschritten, so wird die jeweilige technische Einrichtung 2, 3 vorzugsweise in einem sechsten Arbeitsschritt 106 als defekt markiert. ein Grenzwert zur Unterscheidung von intakten und defekten technischen Einrichtungen der jeweiligen Gattung bestimmt. Vorzugsweise wird hierfür eine Kosten-Nutzen-Analyse zwischen einem reaktiven und proaktiven Austausch des Prüflings 3, 4 der Gattung durchgeführt. Weiter vorzugsweise wird der Grenzwert hierbei in der Weise festgelegt, dass bei einer vergleichsweise hohen Ausfallwahrscheinlichkeit des Fahrzeugs 3 und/oder der Batterie 2 die jeweilige technische Einrichtung 2,3 als defekt markiert wird.

[0096] Vorzugsweise wird der Grenzwert auf der Grundlage einer Kosten-Nutzen-Analyse zwischen einem reaktiven und einem proaktiven Austausch des Prüflings 2, 3 bestimmt.

[0097] Der fünfte Arbeitsschritt 105 und sechste Arbeitsschritt 106 werden jeweils vorzugsweise durch Mittel 15 zum Generieren von Ausgabedaten und durch Mittel (nicht dargestellt) zum Markieren einer technischen Einrichtung 2, 3 durchgeführt.

[0098] In einem optionalen siebten Arbeitsschritt 107 wird eine Defektbeseitigungsmaßnahme an dem Prüfling durchgeführt, wenn die Wahrscheinlichkeit für das Auftreten des Defekts einen Grenzwert überschreitet. Bei den defekten Batterien konnte ein Grenzwert von 2% defekte und intakte Batterien zuverlässig unterscheiden, Als Defektbeseitigungsmaßnahme wurde ein Batte-

16 / 24

A ‚hes AT 528 377 A2 2025-12-15

Ss N

rietausch durchgeführt. Eine wirksame Defektbeseitigungsmaßnahme kann je nach Menge der Defekten technischen Einrichtungen, Defekt oder Ursache des Defekts auch eine Änderung der Produktion der technischen Einrichtung, 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.

[0099] 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 um binäre Zustandsdaten, der Klassifikation „defekt“ oder „intakt“ hinsichtlich eines bestimmten Defekts. Das Ergebnis ist ein Multi- Klassen-Klassifikator, der zu geeignet ist, Daten hinsichtlich der Wahrscheinlichkeit des Auftretens dieses Defekts zu klassifizieren.

[00100] 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 Ausführungsbeispielen „intakt“ oder „defekt“.

[00101] Weitere mögliche Klassifikationsalgorithmen sind generalisierte lineare Modelle, Random Forest, XGBoost, Supportvektormaschinen, gestapelte Klassifikationsalgorithmen (stacked classifiers). Vorzugsweise werden interpretierbar Klassifikationsalgorithmen verwendet, die auch gut mit Ausreißern umgehen können.

[00102] Der siebte Arbeitsschritt 107 wird vorzugsweise durch Mittel 17 zur Durchführung einer Defektbeseitigungsmaßnahme durchgeführt. In einer besonderen Ausführungsform der Erfindung weist ein solches Mittel 17 eine Schnittstelle, insbesondere Datenschnittstelle auf, um die Betriebsparameter eines Batteriemanagementsystems anzupassen.

[00103] In einem weiteren optionalen achten Arbeitsschritt wird der trainierte Klassifikator vorzugsweise 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.

[00104] Der achte Arbeitsschritt wird vorzugsweise von Mitteln 18 zum Bestimmen einer Evaluation des trainierten Klassifikators ausgeführt.

[00105] 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.

[00106] In dem geschilderten Anwendungsfall des Identifizierens eines bevorstehenden thermischen Durchgehens der Batterie 3 wurde neben der Ermittlung der Ausfallwahrscheinlichkeit in einer Mehrzahl von elektrisch betriebenen Fahrzeugen festgestellt, dass 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 deutete darauf hin, dass es schon von Beginn an eine gesunde und eine kranke Population gegeben hat und dass das zugrunde liegende Problem von einem Produktionsfehler kommt. Auch die Auswertungen von low_cell_voltage und high_cell_voltage_deltas und high_temperatures und high_temperature_Deltas bestätigten diese Indizierung. Zusätzlich zur Reparatur der defekten Fahrzeuge durch Austausch deren Batterien konnte auf diese Weise auch der Produktionsfehler ermittelt und durch Anpassung der Produktion eliminiert werden.

[00107] Eine Vielzahl von Anwendungsfällen ist mit dem Verfahren möglich. Exemplarisch wer17124

A ‚hes AT 528 377 A2 2025-12-15

Ss N

den zwei weitere genannt.

[00108] Ein weiterer Anwendungsfall ist eine Untersuchung von unerwünschten Öl-Verdünnung in einer Gattung von Fahrzeugen, wodurch diese ausfielen: In diesem Anwendungsfall konnte aufgrund der ausgewählten Merkmale (Auswertung von Dieselpartikelfilter-Regenerationen (DPF-Regenerationen), Anzahl und Dauer der erfolgreichen und gescheiterten DPF- bzw. NOxRegenerationen) darauf geschlossen werden, dass sich diese Merkmale bei defekten Fahrzeugen gegenüber intakten Fahrzeugen signifikant unterscheiden. Bei mehr gescheiterten Regeneration gelangte nämlich immer ein bisschen mehr Kraftstoff in das Öl, wodurch dieses verdünnt wurde und zu den Ausfällen führte.

[00109] Ein weiterer exemplarischer Anwendungsfall ist die Untersuchung einer mangelnden Effizienz eines 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.

[00110] 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 / 24

Claims (15)

A ‚hes AT 528 377 A2 2025-12-15 Ss N Patentansprüche

1. Computerimplementiertes Verfahren (100) zur indirekten Messung einer Wahrscheinlichkeit für das Auftreten eines Defekts in einem Prüfling einer Gattung technischer Einrichtungen, welche vorzugsweise Batterien (2) oder Fahrzeuge (3) sind, folgende Arbeitsschritte aufweisend:

a) Messen von Zustandsdaten in einer Vielzahl technischer Einrichtungen der Gattung technischer Einrichtungen, wobei die Zustandsdaten umfassen, ob der Defekt aufgetreten ist;

b) Messen (101) von Betriebsdaten der Vielzahl technischer Einrichtungen der Gattung und des Prüflings, wobei die Betriebsdaten Werteverläufe von zeitaufgelösten Messparametern umfassen und ein Betriebsverhalten und eine Umgebung einer jeweiligen technischen Einrichtung aus einem Feldbetrieb charakterisieren, wobei die Betriebsdaten derjenigen technischen Einrichtungen, bei denen der Defekt aufgetreten ist, entsprechend dem Ergebnis der Messung in Schritt a), defektmarkiert sind;

c) Erzeugen (102) von Merkmalen durch Bearbeiten wenigstens eines Teils der Betriebsdaten mittels mathematischer Operationen und/oder durch Auswählen von Datenbereichen aus den Betriebsdaten;

d) Auswählen (103) von in Bezug zu dem Defekt relevanten Merkmalen aus den erzeugten Merkmalen mittels einer Verkettung von Feature-Selection-Methoden;

e) Trainieren eines probabilistischen Klassifikationsalgorithmus mittels der ausgewählten relevanten Merkmale und der jeweils dazugehörigen Zustandsdaten, wobei ein Klassifikator (1) erzeugt wird; und

f) Generieren (203) von Ausgabedaten, umfassend eine Wahrscheinlichkeit für das Auftreten des Defekts im Prüfling, durch Anwenden des Klassifikators (1) auf Eingabedaten, welche auf den Betriebsdaten des Prüflings basieren.

2. Verfahren nach Anspruch 1, wobei das Verfahren automatisiert durchgeführt wird.

3. Verfahren nach einem der vorhergehenden Ansprüche, ferner umfassend den Schritt: Durchführen einer Defektbeseitigungsmaßnahme, insbesondere sofern die Wahrscheinlichkeit für das Auftreten des Defekts einen Grenzwert überschreitet.

4. Verfahren nach Anspruch 3, wobei die Defektbeseitigungsmaßnahme eine Kalibrierung des Prüflings, eine Reparatur des Prüflings, einen Austausch des Prüflings oder eines Teils des Prüflings und/oder eine Ausmusterung des Prüflings umfasst.

5. 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.

6. Verfahren nach Anspruch 5, 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;

19 / 24

* 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.

7. Verfahren nach Anspruch 6, 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.

8. Verfahren nach einem der Ansprüche 5 bis 7, 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, bevorzugt 15% aller erzeugten Merkmale.

9. Verfahren (100) nach einem der Ansprüche 5 bis 8, 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.

10. Verfahren (100) nach einem der Ansprüche 5 bis 9, 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 diejenigen Untergruppe ausgewählt werden, welche die Zustandsdaten

11.

12.

13.

14.

15.

AT 528 377 A2 2025-12-15

am zutreffendsten bestimmen.

Verfahren (200) nach einem der vorhergehenden Ansprüche, des Weiteren die folgenden Arbeitsschritte aufweisend:

Vergleichen (105; 205) der Wahrscheinlichkeit für das Auftreten des Defekts in dem Prüfling mit einem Grenzwert; und

Markieren (106; 206) des Prüflings als intakt oder als defekt auf der Grundlage des Vergleichs.

Verfahren nach Anspruch 11, des Weiteren den folgenden Arbeitsschritt aufweisend: Bestimmen (104; 204) des Grenzwerts zur Unterscheidung von intakten und defekten technischen Einrichtungen auf der Grundlage einer Kosten-Nutzen-Analyse zwischen einem reaktiven und einem proaktiven Austausch des Prüflings.

Verfahren (100; 200) nach einem der vorhergehenden Ansprüche, wobei der Klassifikationsalgorithmus aus der folgenden Gruppe ausgewählt ist: naive Bayes, logistische Regression, Gradient Boosting, Random Forest.

System (10) zur indirekten Messung von Zuständen eines Prüflings einer bestimmten Gattung technischer Einrichtungen, welche vorzugsweise Batterien (2) oder Fahrzeuge (3) sind, durch Training eines Klassifikationsalgorithmus, 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 Zustandsdaten der jeweiligen technischen Einrichtung während des Feldbetriebs;

* 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;

* Mittel zum Auswählen (13A, 13B, 13C, 13D) von relevanten Merkmalen aus den erzeugten Merkmalen mittels einer Verkettung von Feature-Selection-Methoden; und

* Mittel zum Trainieren (14) des Klassifikationsalgorithmus mittels der relevanten Merkmale und der jeweils dazugehörigen Zustandsdaten, wobei der Klassifikator erzeugt wird;

wobei die Zustandsdaten die physikalischen Zustände der technischen Einrichtungen (2, 3) charakterisieren.

System (20) zur indirekten Messung einer Wahrscheinlichkeit für das Auftreten eines Defekts in einem Prüfling einer Gattung technischer Einrichtungen, welche vorzugsweise Batterien (2) oder Fahrzeuge (3) sind, insbesondere nach An, aufweisend:

* Mittel zum Messen von Zustandsdaten in einer Vielzahl technischer Einrichtungen der Gattung technischer Einrichtungen, wobei die Zustandsdaten umfassen, ob der Defekt aufgetreten ist;

* Mittel zum Messen von Betriebsdaten der Vielzahl technischer Einrichtungen der Gattung und des Prüflings, wobei die Betriebsdaten Werteverläufe von zeitaufgelösten Messparametern umfassen und ein Betriebsverhalten und eine Umgebung einer jeweiligen technischen Einrichtung aus einem Feldbetrieb charakterisieren, sodass die Betriebsdaten derjenigen technischen Einrichtungen, bei denen der Defekt aufgetreten ist, defektmarkiert sind;

* Mittel zum Erzeugen (102) von Merkmalen durch Bearbeiten wenigstens eines Teils der Betriebsdaten mittels mathematischer Operationen und/oder durch Auswählen von Datenbereichen aus den Betriebsdaten;

* Mittel zum Auswählen (103) von in Bezug zu dem Defekt relevanten Merkmalen aus den erzeugten Merkmalen mittels einer Verkettung von Feature-Selection-Methoden

* Mittel zum Trainieren eines probabilistischen Klassifikationsalgorithmus mittels der ausgewählten relevanten Merkmale und der jeweils dazugehörigen Zustandsdaten, wobei ein Klassifikator erzeugt wird; und

* Mittel zum Generieren von Ausgabedaten, umfassend eine Wahrscheinlichkeit für das Auftreten des Defekts im Prüfling, durch Anwenden des Klassifikators auf Eingabedaten, welche auf den Betriebsdaten des Prüflings basieren.

Hierzu 2 Blatt Zeichnungen