CN113490857B - 方法和测试设备 - Google Patents

Abstract

本发明涉及一种用于测试具有多个网络部分(A‑I、J‑Q)的网络(151、360、461)的方法，特别是在具有多个这样的网络(151、360、461)的线路组中，具有以下步骤：为多个参考网络(150)记录(S1)训练测量值(102)，参考网络(150)对应于待测试网络(151、360、461)，预处理(S2)记录的训练测量值(102)，以消除训练测量值(102)中的数据误差，用训练测量值(102)训练(S3)第一分类系统(104、204)，其中第一分类系统(104、204)基于来自机器学习领域的至少一种算法，并且被构造用于将网络(151、360、461)分类为无故障或有故障，利用训练测量值(102)训练(S4)第二分类系统(105、205)，其中第二分类系统(105、205)基于机器学习领域的至少一种算法，并且构造为对网络(151、360、461)的有故障网络部分(A‑I、J‑Q)进行分类，记录(S5)待测试网络(151、360、461)的测试测量值(107)，对记录的测试测量值(107)进行预处理(S6)，以消除训练测量值(102)中的数据误差，根据记录的测试测量值(107)利用经过训练的第一分类系统(104、204)将待测试网络(151、360、461)分类(S7)为无故障或有故障，如果待测试网络(151、360、461)被经过训练的第一分类系统(104、204)分类为有故障，利用经过训练的第二分类系统(105、205)对待测试网络(151、360、461)的有故障网络部分(A‑I、J‑Q)进行分类(S8)。本发明还公开了相应的测试设备。

Description

方法和测试设备

技术领域

本发明涉及一种用于测试线路组的测试设备。此外，本发明还涉及一种相应的方法。

背景技术

下面主要结合车辆的车载网络来描述本发明。应理解的是，本发明也可以与其他电气网络一起使用。

在现代车辆中安装了大量的电气和电子元件。例如，这样的部件可以是提供便利功能或驾驶员辅助功能的控制单元。在现代车辆中可以安装大量这样的控制单元。通常，控制装置通过线路组或电缆组相互电连接。这种线路组或电缆组在此可以具有不同的带有电源线和数据线的电气网络。

为了确保之后的车辆能够正常运行，必须检查线路组或电缆组。特别是在数据线或由数据线和其他组件组成的网络的情况下，检查其在高频情况下的特性变得越来越重要。除了单纯的存在性检验或通路检验之外，还可以根据位置和S参数检查阻抗等质量标准。

例如，可以采集和评估单个线路的空间分辨的阻抗曲线。然而，这种方法不能有效地应用于由多条相连接的数据线以及可能的其它电气或电子组件组成的网络。在这样的网络中，大量的反馈叠加在一起，这意味着无法直接和清晰地识别所采集的测量曲线中的各个干扰点。

发明内容

因此，本发明所要解决的技术问题是能够使用结构上尽可能简单的装置来测试复杂的线路网络。

该技术问题通过独立权利要求的主题实现。本发明的优选实施方式在从属权利要求、说明书和附图中给出。尤其是，一个权利要求类别的独立权利要求也可以类似于另一权利要求类别的从属权利要求地扩展。

根据本发明的方法用于测试具有多个、即一个或更多个网络部分的网络，特别是在具有多个、即一个或更多个这样的网络的线路组中。该方法包括以下步骤：记录多个，即一个或多个参考网络的训练测量值，其中参考网络与待测试网络相对应，对所记录的训练测量值进行预处理以消除训练测量值中的数据误差，使用训练测量值训练第一分类系统，其中第一分类系统基于机器学习领域的至少一种算法并且构造为将网络分类为无故障或有故障、用训练测量值训练第二分类系统，其中第二分类系统基于机器学习领域的至少一种算法并且构造为对网络的有故障的网络部分进行分类，记录用于待测试网络的测试测量值，预处理记录的测试测量值以消除训练测量值中的数据误差，根据记录的测试测量值用训练好的第一分类系统将待测试网络分类为无故障或有故障，如果待测试网络由经过训练的第一分类系统分类为有故障，则使用经过训练的第二分类系统分类待测试网络的有故障的网络部分。

根据本发明的测试设备用于测试具有多个、即一个或更多个网络部分的网络，特别是在具有多个、即一个或更多个这样的网络的线路组中。测试设备具有：第一数据采集装置，其被构造为用于记录多个、即一个或更多个参考网络的训练测量值，其中参考网络与待测试网络对应，计算装置，其被构造为用于预处理记录的训练测量值以消除训练测量值中的数据误差，第一分类系统，其基于机器学习领域的至少一种算法并且被构造为用于将网络分类为无故障或者有故障，其中计算装置还被构造为用于以训练测量值训练第一分类系统，第二分类系统，其基于来自机器学习领域的至少一种算法并且构造为用于对网络的有故障的网络部分进行分类，其中所述计算装置进一步构造为用于以训练测量值训练第二分类系统，第二数据采集装置，其被构造为用于记录待测试网络的测试测量值，带有测试控制装置，其被构造为用于对记录的测试测量值进行预处理，以消除训练测量值中的数据误差，其中测试控制装置还被构造为用于根据记录的测试测量值使用经过训练的第一分类系统将待测试网络分类为无故障或有故障，其中测试控制装置还被构造为，当待测试网络已被经过训练的第一分类系统分类为有故障时，使用经过训练的第二分类系统对待测试网络的有故障网络部分进行分类。

本发明基于这样的认识，即用常规方法不可能有效地测试线路组中的复杂网络。例如，在现代车辆中，在电气网络中越来越多地采用不仅建立点对点连接的高频数据线。例如，这样的电气网络也可以具有带有支线的总线结构或带有中心节点的星形结构。

基本上，近年来，电子控制单元之间的信息交换确实呈爆炸式增长。控制单元的数量增加，并且新型服务所需的额外联网增加了复杂性。由于各种原因，无线传输尚未进入车载网络：车辆内的众多屏蔽金属结构、电磁兼容性领域的预期问题或当今经常讨论的电子烟雾的潜在危险。因此，基于电缆的高频的数据传输尽可能无故障和可靠进行就显得尤为重要。两种可能的电缆类型是同轴电缆和UTP(非屏蔽双绞线)电缆。

同轴电缆由铜制成的实心内导体、绝缘电介质(非导电物质)、也用作回路导体的屏蔽层和保护电缆免受外部影响的喷涂护套组成。由于屏蔽设计，同轴电缆在高频范围具有良好的传输特性，但相对复杂，因此制造成本高。出于这个原因，在很多情况下使用UTP电缆，即没有明确屏蔽的双绞线电缆。它们的制造成本低廉，并且还具有两个决定性的优势。虽然该构造不提供屏蔽，但它具有高的抗干扰性。在两条线路上，信号相互反向施加，而外部干扰对两条线路的影响相同。因此存在差分信号传输。结果，调制信号的幅度加倍，并且在接收机中通过减法消除了干扰信号。

然而，迄今为止对例如数据线的测量曲线进行光学测试的方法不能用于复杂的网络。在UTP线路的更复杂的网络中，测量中大量反射的叠加尤其导致无法在网络中单独识别和定位特性曲线特征。

然而，自动驾驶等现代应用所需的数据传输速率越高，网络的一致性就越重要，以便能够保证无故障的数据传输。

因此，本发明提供了借助机器学习领域的方法或算法测试电气网络的可能性。

为此，记录一个或多个参考网络的训练测量值。术语“参考网络”被理解为其特性已经过一致性检验的网络，即，其处于限定状态，即例如没有故障。应理解的是，该测试可以在例如训练测量值的记录之前进行。由于对于每个待测试网络，在此涉及的是参考网络的一次性测试，因此可以为此使用(例如，在实验室条件下的)更复杂的方法。待测试网络的(例如，在批量生产中的)实际测试，在本发明的帮助下可以非常有效地进行。

例如，时域反射计可用于记录训练测量值，以及随后记录测试测量值。应当理解，也可以使用任何其他合适的方法。在时域反射计情况下，随时间测量电压曲线，并且其曲线被用作分析的基础。

原则上，时域反射计试图根据相应的电压曲线检测沿所用网络的误差。在电压曲线中，反映了馈入电压和由于阻抗变化导致的沿网络的反射。

在一端开路的双绞电缆的情况下，电阻是无限大的。对于电压反射系数，极限值计算结果为1，完全正反射。在发生短路的情况下，电阻几乎为0，导致系数为-1，完全负反射。如果终端阻抗与刚才提到的特殊情况不同，则可以检测到部分反射。当阻抗沿线路变化并且不是始终恒定时，会发生相同的效果。例如，当绞合松解、绝缘损坏、结构本身不是恒定生产的，甚至当电缆扭结或撕裂时，则会发生变化。为了执行时域反射计，电压电平被施加到网络的输入端，其沿着网络传播。根据线路末端的端接方式或阻抗沿网络的变化方式，会发生不同的反射，在馈入点由示波器记录这些反射。线路网络所显现的这种特征电压曲线(输出电压和输入电压的总和)源自其特性。在其他曲线图中，该电压曲线或相应的训练和测试测量数据也称为电指纹。

按照本发明，借助训练数据训练第一分类系统和第二分类系统。

然而，本发明的一个基本方面在于对记录的训练测量值进行预处理。训练测量值的记录为每个参考网络提供了原始形式的电子指纹，即未改变的训练测量值。

然而，按照本发明的理念，确定的是，未改变的训练测量值可能具有不足的数据质量或必须相应地进行订正或校正。根据本发明，这种订正或校正发生在对记录数据进行预处理的步骤中。

所记录的训练测量值中可能出现的误差或问题可以是，例如：各个测量序列之间或测量序列的各个测量曲线之间的偏移、测量序列内明显偏离的测量曲线、具有强烈波动的测量曲线、总测量误差或信号干扰。

在对记录的训练测量值进行预处理后，使用预处理的训练测量数据训练第一分类系统和第二分类系统。

可以训练唯一的分类系统，其识别，网络是无故障(OK)还是有故障(NOK)，并且在有故障的网络情况下识别，涉及网络的哪个部分。然而相应的研究显示，利用机器学习方法仅能困难地实施同时的OK/NOK质量和故障定位。

本发明由此设置两级的测试。在对本发明的研究中显示，通过第一分类系统可以以高的可靠性识别有缺陷或者说有故障的网络。此外表明，第二分类系统针对仅在已经分类为有故障的网络中识别故障位置或者故障点训练，相应训练过的第二分类系统可以以非常高的精度识别该故障位置或者故障点。因此，通过对网络进行这种两级的分析或者测试，可以以高精度识别有故障的网络并且同时定位故障。

因此，如果第一分类系统识别无故障的网络，相应的测试测量值不输送给第二分类系统。然而如果第一分类系统将网络识别为有故障，相应的测试测量值则被输送给第二分类系统。因为已经知道，测试测量值来自于有故障的网络，所以第二分类系统构造为，对具有缺陷的网络部分进行分类。

术语“网络部分”可以理解为表示网络中由它们的位置和/或长度标识的部分。此外，“网络部分”也可以理解为网络的限定部分，例如总线上的支线或两条支线之间的总线主线的一部分。例如，在星形结构的网络中，从中心节点或星形耦合器分出的每个分支都可以视为一个部分。

根据本发明的方法例如可以在相应的测试设备中实施。在这样的测试设备中，第一数据采集装置和第二数据采集装置可以是例如相同的数据采集装置。同样，计算装置和测试控制装置可以设置在单个计算单元中。例如，可以提供执行相应程序的计算机，用于预处理训练测量值和测试测量值以及训练分类系统和对网络进行分类。为此，可以在存储器中提供相应的程序或程序指令并且由耦合到存储器的处理器加载和执行。例如，计算机还可以具有适当的测量接口或耦合到适当的测量设备。

应当理解，测试设备可以被提供为例如分布式系统。例如，在这样的分布式系统情况下，训练测量值的采集和分类系统的训练可以独立于稍后的网络测试进行，例如在线路组的生产中。

在一个这样的实施方式中，例如，可以在实验室等中提供第一数据采集装置和计算装置。然而，第一数据采集装置和计算装置也可以直接在生产厂提供，例如仅临时提供，直到分类系统被训练之后。第二数据采集装置和测试控制装置可以直接在生产厂提供，用于在生产过程中对网络或电缆组进行测试。或者，计算装置和/或测试控制装置也可以例如在执行相应程序的中央服务器上提供。为了采集训练测量数据和/或测试测量数据，然后可以提供适当的能够耦合到中央服务器的测量设备或系统。

借助本发明，可以非常有效地识别复杂电气网络中的故障，特别是针对高频数据传输的故障。在此，不仅可以识别故障的存在，也可以识别故障在网络中的位置或将故障限定在一个网络部分。

其他的实施方式和改进从从属权利要求和参考附图的描述中得出。

在一个实施方式中，训练测量值的记录可以包括无故障的参考网络上的测量值的记录。此外，训练测量值的记录还可以包括在其中预定的网络部分产生了故障的参考网络上的测量值的记录。

对于分类系统的训练，必须提供相应的训练数据。因此，对于(例如在线路组中的)网络的分类，必须记录并提供训练数据，这些数据代表要识别的类别。

对于第一分类系统，因此必须记录在无故障网络中的训练测量值，以实现OK分类(无故障)。第一分类系统可以通过这样的方式进行训练，即它会自动将所有未被分类为OK的网络分类为NOK(非无故障)。或者，也可以针对作为NOK的分类，记录相应的训练测量值，以便训练第一分类系统。

如上所述，第一分类系统仅用于区分无故障(OK)和有故障(NOK)网络。另一方面，第二分类系统用于定位被识别为有故障网络中的故障。定位在此应理解为第二分类系统提供指示或分类，使得故障所在的网络部分能够被确定。

因此，训练数据或相应的训练测量值必须代表相应的故障。如果具有总线拓扑结构的网络(例如，具有连接总线用户的支线的中央线路)具有例如10个网段或网络部分，则必须为每个故障情况记录训练测量值。

因此，在用于记录训练测量值的第二步骤中，故障在每个网络段中一个接一个地产生，并且记录相应的训练测量数据。

因此，在具有10个网络部分的网络的情况下，执行10个测量序列，各个测量序列分别针对每一个具有相应故障的网络部分。

如上所述，时域反射计用于记录网络的电压曲线。电压曲线很大程度上取决于网络中阻抗的变化。因此，在相应的网络部分中产生的故障例如可以理解为故意引起的阻抗变化。

可以理解的是，当记录训练测量值时，可以直接连续进行大量测量。线路上测量信号的传输时间约为100cm/ns。使用当今常见的几米的电缆长度，可以在几纳秒的范围内完成测量。

因此，相应的数据采集装置可以在几秒钟内进行大量测量。这使得生成大量训练数据变得非常容易，例如每个测量任务的数千个测量。

在另一个实施方式中，为了在相应的网络部分中产生故障，可以改变围绕相应网络的相应线路的介电常数。

如果围绕线路的介电常数发生变化，则在该位置，线路的阻抗也会发生变化。如上所述，阻抗的变化会导致反射，这会反映在相应的测量中。

围绕电缆的介电常数可以通过例如用手抓住线路来完成。介电常数的这种变化导致线路阻抗的变化，这对应于几毫米量级的解捻。由于可以非常快速地进行测量，因此用手抓住线路是生成干扰点或故障点以及测量网络的一种非常简单的方法。尤其是在不同的网络部分中很容易产生故障。

可以理解，也可以提供用于容纳网络或线路组的线路的装置，其可以以受控方式在线路周围布置相应的元件，从而相应地改变介电常数。这可以在相应的网络中全自动地生成故障或干扰。

在另一实施方式中，记录的训练测量值的预处理可以包括识别和消除记录的训练测量值中的异常值。附加地或替代地，记录的测试测量值的预处理可以包括识别和消除记录的测试测量值中的异常值。

在采集训练测量值和测试测量值时，不同的测量误差会影响测量。可能的误差可能是，例如：缺失值、不一致和不正确的数据、以多次出现的数据组形式的冗余、异常值、整个数据组丢失。

缺失值导致不完整的数据，因此不能反映数据组中的全部现实。不一致和不正确的数据可能例如通过移动小数点可以很快形成。例如，这些值也可能位于值的有效范围之外。造成这种情况的原因有很多：例如，当多个数据源相互集成时，会出现不同的拼写、缩写和不同使用的标准(单位、格式)。多次出现的数据组形式的冗余是有问题的，因为它们将权重转移到更频繁出现的数据组上，因此相比其他，其更多地被算法考虑并用于模式识别。异常值往往会严重歪曲分析结果。如果整个数据组丢失，一些可能重要的对象也可能完全丢失，因此无法用于分析。

已经表明，如果数据收集计划得当，即训练测量值和测试测量值的测量或采集的计划得当，可以显著减少数据订正所涉及的工作量。在这种情况下，很少在数据中存在典型的数据误差。通过适当的谨慎，可以提前避免丢失、冗余或不正确的数据。

由此特别是要消除由于单个测量序列中的测量误差和测量干扰引起的异常值。

在一个实施方式中，异常值的识别可以包括识别和处理局部异常值或全局异常值。

与其余数据有很大差异的单个数据形式的异常值属于随机误差。保持在有效且合理的值域内但不再符合趋势的局部异常值通常难以识别。另一方面，与其余值显著偏离的全局异常值相对容易识别。

如果在单次测量中，例如在借助时域反射计进行采集的电压曲线的单次测量中，发现异常值，则必须对其进行相应处理。

如果已出识别数据误差(即异常值)本身，则可以采用不同的方式进行处理。可能的校正或处理包括：

-保留数据集组的误差，但要清楚地标记它们，以便在进一步使用时考虑到它们

-无效数据用定义的误差值来替换，其本身在随后也被识别为定义的误差值

-在错误值的情况下进行校正，并对单个对象，在缺失值的情况下进行估计。有多种选择：

-统计关键数字，例如算术平均值、中位数、最小值或最大值

-采用最近邻的值，其可以使用相似性度量来确定

-如果序列中缺少个别值，在时间序列中进行线性插值，以及在应用样条曲线时进行非线性插值

-使用在机器学习领域通过回归或其他预测类型进行基于模型的估计

-信号过滤，从而自动识别并同时去除异常值和许多数据误差

-在至少1个误差特征的情况下删除整个特征或整个数据组

在本发明中，如上所述，可以非常容易地生成大量的测量序列(也称为特征或数据组)。因此，通常有足够的数据可用于删除不正确的数据组。由此特别是，这也防止了测量序列中包含的信息被更改。

在另一个实施方式中，可以通过2-Sigma规则或通过根据Grubbs和Hampel的异常值测试或通过“局部异常因子”算法来识别异常值。

在2-Sigma规则的情况下，如果异常值与分布的均值相差至少两个标准偏差，则将它们声明为异常值。为了减少出错的概率，距离也可以增加到三个标准偏差。数据的正态分布对于2-Sigma规则的应用很重要。这可以通过适当的测试提前确保。

根据Grubbs的异常值检验是一种迭代方法，在该方法中，一个接一个地检测与算术平均值距离最大的异常值，直到不再出现异常值为止。Hampel异常值检验通过使用中位数m代替算术平均值并且使用与中位数的绝对偏差(MAD，Median Absolute Deviation)代替中位数的标准偏差来优化Grubbs测试。由此这使得异常值检测独立于均值和标准偏差的估计，异常值对该估计产生巨大影响并因此扭曲它们。

在进一步的实施方式中，对记录的训练测量值的预处理可以包括识别和消除记录的训练测量值中的偏移误差。附加地或替代地，记录的测试测量值的预处理可以包括识别和消除记录的测试测量值中的偏移误差。

以偏移量形式出现的在测量序列之间的系统偏差是另一种误差类型，无法通过仔细准备测量来消除。因此，可靠地识别偏移误差并使用合适的数据清理方法消除它们可以显著促进分类系统的训练或改善分类结果。

在进一步的实施方式中，偏移误差的识别和消除可以包括将记录的训练测量值转换为差分测量值。另外或替代地，偏移误差的识别和消除可以包括将记录的测试测量值转换为差分测量值。

术语差分测量值理解为测量序列中的测量值的值分别表征与先前值的距离。可以假设每个测量序列的第一值具有预定值，例如特别是0。

为便于说明，仅作为示例，将绝对值为3、6、7、9、3的测量序列转换为差分测量序列。转换的结果是0、3、1、2、-6。

将测量值显示为差分测量值或差分测量序列自动消除偏移并且非常容易执行。

在一个实施方式中，可以仅切出测量序列的一个区域并且可以进行偏移的识别和消除。特别地，可以例如从测量信号(例如电压电平)的馈入开始选择该范围。这样就避免了在开始实际测量之前将0V的测量值视为测量的一部分。然后，这些区域可分别用于进一步的测试过程。

在一个实施方式中，记录的训练测量值的预处理可以包括聚合多个单独的测量曲线，特别是2、4、8、16、32或64个单独的测量曲线。附加地或替代地，所记录的测试测量值的预处理可以包括聚合多个，特别是2、4、8、16、32或64个单独的测量曲线。

记录的训练测量值的预处理和记录的测试测量值的预处理也可以包括所谓的“特征工程”。特征工程描述了一个生成特征的过程，这些特征使机器学习算法能够做出良好的预测。为此，根据本发明，现有特征(例如，测量值)被组合或转换，以便创建新的有用信息。

特征工程的一种基本形式是例如数据缩减，其中缩减了非常广泛的数据集。特征工程的第二种形式是数据转换。

可能的具体实施可以包括，例如，归一化和缩放。例如，对于测试测量值，也可以给出它们与参考测量曲线的差异。例如，参考测量曲线可以作为在没有故障的情况下所有训练测量值的平均值来提供。此外，傅立叶变换，例如快速傅立叶变换，可以应用于测量值。另一种可能性是在时间轴上使用分箱，在这种情况下，n个连续数据点被它们的平均值替换。

如上所述，还可以聚合测量曲线。测量曲线的聚合已被证明对于测试网络的任务特别有利。为了聚合测量曲线，对单个测量点或测量曲线的测量值分别形成算术平均值。在此分别可以聚合不同数量的测量曲线。特别地，例如可以聚合16条测量曲线，这已被证明对分类系统的错误率特别有利。

在进一步的实施方式中，第一分类系统可以基于决策树算法或根据集成方法的算法(特别是AdaBoost算法)或逻辑回归算法或朴素贝叶斯分类器算法或K-最近邻分类器算法或支持向量机算法。附加地或替代地，第二分类系统可以基于决策树算法或根据集成方法的算法(特别是AdaBoost算法)或逻辑回归算法或朴素贝叶斯分类器算法或K-最近邻分类器算法或支持向量机算法。

决策树的工作方式与其他分类器不同，因为并非所有特性或特征都同时用于类别的预测，不过在建模方面亦是如此。依次决定哪一个接下来的特征最适合分离数据。这为各个特征创建了可以以树的形式可视化的规则层次结构。

决策树可以表示高度复杂的模型，由于层次结构，其可解释性保持非常清晰。借助集成方法，可以通过将许多不同的决策树组合成一个预测单元来提高性能，从而由其他分类器补偿单个分类器的错误决策。这增加了待描绘的复杂性，并且失去了可追溯性。两种可能的集成方法是随机森林(Random Forest)和Adaboost算法。

K-最近邻分类器描述了一种基于相似性的相对简单的分类方法。借助合适的距离度量确定最近邻居的定义的数量k。以这种方式确定的所有邻居都被分配到一个特定的类。选出在该选择中占主导地位的类并将其分配给要重新对应的对象。

根据适当的研究，决策树和K-最近邻分类器被认为是对线路组中的网络进行分类的最有前景的算法。

然而，也可以使用提到的其它算法。

逻辑回归确定一个对象最有可能属于哪个类。这个名字已经暗示了确定一个值，在这种情况下是一个观察值属于某个类的概率。然后，最高概率确定上述分配。

支持向量机在一定程度上与逻辑回归有关，它试图通过超平面的方式将不同类别的数据分开。其可以作为边界来相应地划分新的对象。

朴素贝叶斯分类器是一种基于贝叶斯定理的概率分类方法。分类器之所以是朴素的，因为它假设所有变量都是互相随机独立的。这意味着单个特征的值彼此没有直接影响。

在另一个实施方式中，可以对第一分类系统进行参数优化。附加地或替代地，也可以对第二分类系统进行参数优化。

上面提到的所有算法都有不同的参数，其可以针对每个分类任务被相应调整，以优化分类结果。这些参数的调整在此也称为参数优化。

参数优化的两种选择是所谓的网格搜索方法(Grid Search Ansatz)和所谓的随机搜索方法(Random Search Ansatz)。

在网格搜索的情况下，为待检查的参数确定了一个范围。然后检查所有可能的组合以确定哪种组合最适合解决问题。网格搜索特别适用于需要优化具有少量特征的少数参数并且提供有足够的可用计算时间的情况。

随机搜索提供了评估位于定义区域内的参数分配的随机组合的可能性。这尤其于适存在许多不同的参数维度并且由于所需的计算时间而无法进行网格搜索的情况。

下面以网络的OK/NOK测试的决策树的参数优化为例进行说明：

决策树中需要优化以下参数：

1.用于表示标准的“criterion”，其用于评估拆分质量，并在其基础上决定哪个拆分最适合。实现了基尼指数和熵。两者都需要测试。

2.'min_samples_leaf'表示，一个叶子中(类决策，Klassenentscheidung)分别必须有至少多少个对象，以便允许拆分。这示出了用于修剪决策树的中止标准。

在一个已完全形成的决策树的示例中，可能存在在某些情况下仅包含单个对象的端节点。因此，可以设想为过度训练。为此，在优化参数时，可以在1到20的范围内测试上述参数'min_samples_leaf'。由于考虑这两个参数时只有几种组合，所以应该使用网格搜索的概念。

在二分类模型的情况下，即，在用于OK/NOK分类的第一分类系统的情况下，如果使用基尼指数来计算拆分的质量并且以小的程度进行修剪，则预测模型在FScore的度量(β＝3)方面可以最可靠地工作。以小的程度意味着在参数优化后，决策树的叶子中必须至少有两个对象，即参数“min_samples_leaf”的值为2。

在多分类预测模型的情况下，即，在用于故障定位的第二分类系统的情况下，表明了修剪没有正面影响，但应当使用熵而不是基尼指数。此外，参数优化的差异不是很大，过度训练并没有起主要作用。已经表明，修剪越明显，预测越差。因此可以在参数优化后最小化修剪。

此外，以K-最近邻分类器的参数优化为例：

在K-最近邻分类器情况下必须优化以下参数：

1.'n_neighbors'：表示用于对对象进行分类的最近邻居的数量。例如，可以测试3到15之间的所有奇数值。

2.'p'：给出Minkowski度量的幂。p＝1对应于曼哈顿距离，p＝2对应于欧几里得距离。例如，可以测试从一到三的所有值。

3.'weights'：权重函数，指示如何对邻居进行加权以进行决策。要么全部权重相等(突出“均匀”)，要么使用距离的倒数(突出“距离”)来计算权重，以便使更近的邻居对结果有更大的影响。这两个选项都可以在参数优化的框架内进行尝试。

根据可掌握的可能组合数量，这里也可以使用网格搜索。例如，对于二分类预测模型，结果可以表明待考虑的邻居的数量不应选择得太高，因为会降低预测精度。例如，可以将此参数设置为小于11的值。

如果为预测而被确定的邻居的权重取决于距离，那么前述效果可能会消失，并且预测精度保持不变，直到待考虑的邻居数量达至最大值15。根据何种度量来计算距离的方式也可能没有任何影响。

出于这个原因，可以使用具有五个待考察的邻居且以欧几里德距离作为距离度量的K-最近邻分类器。只有邻居的权重可以取决于距离。这可以增加预测的鲁棒性。

这里提到的参数值既可以用于第一分类系统，也可以用于第二分类系统。

在另一个实施方式中，当训练第一分类系统时，预定部分的(特别地，70％至95％之间的)预处理的训练测量值可以用于训练第一分类系统，预处理的训练测量值的剩余部分可用于验证训练。附加地或替代地，当训练第二分类系统时，预处理的训练测量值的预定部分，特别是70％和95％之间的，可以用于训练第二分类系统，并且预处理的训练测量值的剩余部分可用于验证训练。

通过对训练测量值进行划分，可以确保有足够多数量的测量值可用于分类系统的检查。

如已经示出的，也是有利的是，一种程序、计算机程序产品或具有程序代码的计算机程序，其可以存储在机器可读载体或存储介质上，例如半导体存储器、硬盘或光存储器，并且用于根据上述实施方式之一执行、实施和/或控制方法的步骤，特别是当计算机程序产品或程序在计算机或设备上执行时。程序可以理解为计算机程序产品。程序指令也可以理解为程序代码。

附图说明

下面参考附图解释本发明的有利的实施例。其中：

图1示出了根据本发明的方法的实施例的流程图；

图2示出了根据本发明的方法的另一实施例的流程图，

图3示出了根据本发明的测试设备的实施例的框图；

图4示出了根据本发明的测试设备的另一实施例的框图。

图5示出了使用本发明的可能网络的示例；

图6示出了使用本发明的另一个可能网络的示例；和

图7示出了电气网络的测量图。

附图仅仅是示意性的表示并且仅用于解释本发明。相同或具有相同效果的元件自始至终具有相同的附图标记。

具体实施方式

为便于理解，在以下对方法相关附图的描述中，与设备相关的附图的附图标记保留作为参考。

图1示出了用于测试具有多个网络部分A-I、J-Q的网络151、360、461的方法的流程图。这样的网络151、360、461可以例如是用于具有大量此类网络151、360、461的车辆的线路组的组成部分。

在第一记录步骤S1中，为多个参考网络150记录训练测量值102。在此，参考网络150对应于待测试网络151、360、461。可以理解，训练测量值102可以全部在一个参考网络150上被采集，也可以在不同的参考网络150上被采集。

在第二预处理步骤S2中，对记录的训练测量值102进行预处理，以消除训练测量值102中的数据误差。

在第三训练步骤S3中，用训练测量值102训练第一分类系统104、204，其中第一分类系统104、204基于来自机器学习领域的至少一种算法并且被构造为用于将网络151、360、461分类为无故障或有故障。

在第四训练步骤S4中，利用训练测量值102训练第二分类系统105、205，其中第二分类系统105、205基于来自机器学习领域的至少一种算法并且被构造为用于将网络151、360、461的有故障网络部分A-I、J-Q以进行分类。

在第五记录步骤S5中，针对待测试网络151、360、461，确切说在待测试网络151、360、461上或在待测试网络151、360、461中记录测试测量值107。

在第六预处理步骤S6中，对记录的测试测量值107进行预处理，以消除训练测量值102中的数据误差。

在第七分类步骤S7中，待测试网络151、360、461被经过训练的第一分类系统104、204根据记录的测试测量值107分类为无故障或有故障。最后，在第八分类步骤S8中，如果待测试的网络151、360、461被训练的第一分类系统104、204分类为有故障，待测试网络151、360、461的有故障网络部分A-I、J-Q由经过训练的第二分类系统105、205分类。

根据本发明，因此分两个阶段生成分类结果。利用第一分类系统104、204，在步骤7中检查待测试的网络151、360、461是无故障(OK)，还是有故障(NOK)。然后仅对于不是无故障(NOK)的网络151、360、461，通过第二分类系统105、205确定故障位于哪个网络部分中。应理解的是，对于仅具有一个网络部分的网络151、360、461，可以跳过或省略该第二分类。

应理解的是，第一分类系统104、204和/或第二分类系统105、205例如可以基于决策树算法或根据集成方法的算法，特别是AdaBoost算法，或逻辑回归算法或朴素贝叶斯分类器算法或K-最近邻分类器算法或支持向量机算法。来自机器学习领域的其他算法，例如神经网络等，也是可行的。

图2示出了用于测试具有多个网络部分A-I、J-Q的网络151、360、461的另一方法的流程图。图2中的方法基于图1中的方法。然而特别地，在图2的方法中，更细致化地实施上述的步骤S1、S2和S6。

在步骤S1中，在记录的子步骤S11中，可以在一个或多个无故障的参考网络150上记录训练测量值102。无故障意味着对于参考网络150确保它们没有任何影响测量的故障。例如，这可以通过对参考网络150的先前测试来确保。应理解的是，用于参考网络150的一次性检查的测量可能比在待测试网络151、360、461处的(例如，在线路组的批量生产中的)稍后测量更复杂。

为了也能够针对故障的情况或针对待测试网络151、360、461的各个网络部分中的故障提供训练数据，以训练第一分类系统104、204或第二分类系统105、205，可以提供进一步的子步骤。在记录的子步骤S12中可以在其中预定网络部分A-I、J-Q上产生故障的参考网络150上记录或测量测量值。尤其是可以在所有网络部分上相继产生故障并且可以分别进行相应的测量和记录。例如，为了在相应的网络部分A-I、J-Q中产生故障，可以改变各自的网络151、360、461的相应线路周围的介电常数。

在预处理步骤S2中，在消除子步骤S21中，可以识别并消除记录的训练测量值102中的异常值。异常值的识别可以包括识别局部异常值或全局异常值并相应地处理它们。异常值的识别可以例如使用2-Sigma规则或使用根据Grubbs和Hampel的异常值测试或使用局部异常值因子算法来进行。

在预处理步骤S2中，还可以在识别和消除子步骤S22中对记录的训练测量值102中的偏移误差进行识别和消除。例如，为了识别和消除偏移误差，可以将记录的训练测量值102转换为差分测量值。

最后，预处理步骤S2可以有聚合子步骤S23。在子步骤S23中，可以聚合多条，特别是2、4、8、16、32或64条单独的测量曲线。

预处理步骤S6具有识别和消除子步骤S61，识别和消除记录的测试测量值107中的异常值。异常值的识别可以包括局部异常值或全局异常值的识别和处理。例如，可以使用基于2-sigma规则的算法或根据Grubbs和Hampel的异常值测试或局部异常值因子算法。

预处理步骤S6还可以有子步骤S62，其中在记录的测试测量值107中识别和消除偏移误差。例如，为了识别和消除偏移误差，可以将记录的测试测量值107转换为差分测量值。可以理解，不必执行明确的识别并且通过转换为差分测量值自动进行偏移校正。

最后，预处理步骤S6可以具有聚合子步骤S63。在该步骤S63中，可以聚合多条，特别是2、4、8、16、32或64条单独的测量曲线。

图3示出了用于测试具有多个网络部分的网络151的测试设备100的框图。例如，这样的网络151可以是具有多个这样的网络151的线路组的一部分。

测试设备100具有耦合到计算装置103的第一数据采集装置101。计算装置103耦合到第一分类系统104和第二分类系统105。此外，测试设备100具有耦合到测试控制装置108的第二数据采集装置106。测试控制装置108同样耦合到第一分类系统104和第二分类系统105。

第一数据采集装置101在操作期间记录多个参考网络150的训练测量值102。此处，参考网络150对应于待测试网络151。计算装置103处理记录的训练测量值102，并从这些数据中剔除对网络151中故障识别的识别质量有负面影响的数据误差。

第一分类系统104基于来自机器学习领域的至少一种算法并且被构造为用于将网络151分类为无故障或有故障。第二分类系统105基于来自机器学习领域的至少一种算法并且被构造为用于对网络151的有故障网络部分进行分类。计算装置103使用所采集的训练测量值102，以便用它们来训练第一分类系统104，并用它们来训练第二分类系统105。

第一分类系统104在训练之后被训练为，基于测量数据将网络151划分为无故障(即，OK网络)和非无故障(即，NOK网络)。另一方面，第二分类系统105在训练之后能够在有故障网络中识别具有故障的对应网络部分。

第二数据采集装置106为待测试网络151或在网络151中或网络上采集测试测量值107，并将其传送至测试控制装置108。测试控制装置108也使用记录的测试测量值107进行预处理以消除测试测量值107中的数据误差。

此外，测试控制装置108基于所记录的测试测量值107利用经过训练的第一分类系统104将待测试网络151分类为无故障或有故障。例如，分类结果109可以输出给用户用于文档或信息。如果网络151已被识别为有故障，则测试控制装置108用经过训练的第二分类系统105对待测试网络151的有故障的网络部分进行分类。

图4示出了另一测试设备200的框图。测试设备200基于测试设备100。因此，测试设备200具有数据采集装置215，其通过控制装置216的数据接口217耦合到计算单元218。计算单元218例如可以构造为计算机的处理器并且耦合到存储器219。在存储器中存储程序指令或命令203、204、205、208，它们反映形成计算装置103、第一分类系统104、第二分类系统105和测试控制装置208的功能的程序。在测试设备200中，上面作为单独单元描述的计算装置203、第一分类系统204、第二分类系统205和测试控制装置因此以基于程序的方式实现。

控制装置216例如可以构造为具有相应数据接口217和输出接口220的控制计算机。数据采集装置215在示例性测试设备200中取代了的第一数据采集装置101和第二数据采集装置106。因此，训练测量值和测试测量值均由数据采集装置215采集。

可以理解，在测试设备100、200的其他实施例中，测试设备100、200的上述元件中的至少一些可以实现为由处理器或计算装置执行的软件或计算机程序产品。此外，应理解的是，测试设备100、200的各个元件可以类似于相应方法步骤的上述扩展来扩展。

例如，计算装置103、203可以被构造成用于在记录训练测量值102的情况下记录无故障参考网络150上的测量值，且/或记录在其中预定的网络部分A-I、J-Q上产生故障的参考网络150上的测量值。为此，例如在相应的网络部分A-I、J-Q中，可以改变各个网络151、360、461的相应线路周围的介电常数。此外，计算装置103、203可以被构造为用于在记录的训练测量值102的预处理期间识别和消除记录的训练测量值102中的异常值，特别是局部异常值或全局异常值。例如，可以使用2-Sigma规则或根据Grubbs和Hampel的异常值测试或局部异常值因子算法。计算装置103、203还可以被构造为用于在记录的训练测量值(102)的预处理期间识别并消除记录的训练测量值(102)中的偏移误差。为此，例如可以将记录的训练测量值102转换为差分测量值。计算装置103、203还可以被构造为用于在对记录的训练测量值102进行预处理时分别聚合多条，特别是2、4、8、16、32或64条单独的测量曲线。

测试控制装置108、208可以例如被构造成用于在记录的测试测量值107的预处理期间识别和消除记录的测试测量值107中的异常值，特别是局部异常值或全局异常值。为此，可以使用2-sigma规则或根据Grubbs和Hampel的异常值测试或局部异常值因子算法。测试控制装置108、208还可以被设计成在记录的测试测量值107的预处理期间识别并消除记录的测试测量值107中的偏移误差。例如，为此可以将记录的测试测量值107转换为差分测量值。此外，测试控制装置108、208还可以设计为在对记录的测试测量值107进行预处理时，分别聚合多条，尤其是2、4、8、16、32或64条单独的测量曲线。

图5示出了用于本发明的网络360。网络360具有总线结构。因此，它由一条连续的主干线组成，在该主干线上，在预定位置提供了用于接触总线用户的支线。例如，这样的网络可以形成车辆中的CAN总线或FlexRay总线的基础。

在网络360中，各个网段或网络部分A-I均用字母标识，其中网络部分A、C、E、G和I形成中央主干线，而网络部分B、D、F、H分别表示支线。

这种网络360中的阻抗变化可以特别地例如通过支线的连接以及通过网络360的各个线路中的故障而产生。

训练数据的记录形成网络360的一种“指纹”。因此，本发明实现了，仅将其中阻抗变化实际上是由故障引起的网络识别为有故障的网络。如图7中清楚地示出的，这对于肉眼是不可能的，在图7中示出了可用于本发明的网络的测量曲线。

图6示出了用于本发明的另一个网络461。网络461具有星形耦合器462。星形耦合器462形成网络461的中央元件或中央分配器。在这样的网络461中没有支线。而是所有网络部分J-Q都连接到中央星形耦合器462。因此，所有线路或网络部分J-Q在星形耦合器462中会聚。

例如，这样的网络461也可以构成车辆中的CAN总线网络或FlexRay网络的基础。然后将各个总线用户连接到各个网络部分J-Q的末端。

图7示出了对电气网络461的测量图。

可以看出，在测量曲线中，还是可以在一定程度上追溯幅度的至少第一次移动(用垂直线表示)。原则上，当信号到达星形耦合器462时，由于信号在所有分支中的分布，预计幅度会下降(A)。同样，由于各个网络部分J-Q的长度不同，预计幅度也会随之增加。但是，无法再解释所有其他曲线模式。特别地，由于许多重叠，用户通过测量曲线无法视觉地识别网络中的故障。相比之下，借助本发明可以可靠地识别相应网络中的故障。

由于以上详细描述的设备和方法是实施例，因此本领域技术人员可以在不脱离本发明的范围的情况下以通常的方式对其进行大范围的修改。特别地，各个元件的机械布置和彼此之间的比例仅是示例性的。

附图标记列表

100、200 测试设备

101 第一数据采集装置

102 训练测量值

103、203 计算装置

104、204 第一分类系统

105、205 第二分类系统

106 第二数据采集装置

107 测试测量值

108、208 测试控制装置

109 第一分类结果

110 第二分类结果

215 数据采集装置

216 控制装置

217 数据接口

218 计算单元

219 存储器

220 输出接口

150 参考网络

151 网络

360 网络

461 网络

462 星形节点

A-I、J-Q 网络部分

S1-S8、S11、S12、S21 方法步骤

S22、S23、S61、S62、S63 方法步骤

Claims (16)

1.一种用于测试具有多个网络部分(A-I、J-Q)的网络(151、360、461)的方法，特别是在具有多个此类网络(151、360、461)的线路组中，所述方法具有以下步骤：

记录(S1)多个参考网络(150)的训练测量值(102)，其中，参考网络(150)对应待测试网络(151、360、461)，

对记录的所述训练测量值(102)进行预处理(S2)，以消除所述训练测量值(102)中的数据误差，

以所述训练测量值(102)来训练(S3)第一分类系统(104、204)，其中所述第一分类系统(104、204)基于至少一种机器学习领域的算法并且被构造为用于将网络(151、360、461)分类为无故障或有故障，

以所述训练测量值(102)来训练(S4)第二分类系统(105、205)，其中，第二分类系统(105、205)基于至少一种机器学习领域的算法并且被构造为用于对网络(151、360、461)的有故障网络部分(A-I、J-Q)进行分类，

记录(S5)所述待测试网络(151、360、461)的测试测量值(107)，

对记录的所述测试测量值(107)进行预处理(S6)以消除所述训练测量值(102)中的数据误差，

使用已训练的所述第一分类系统(104、204)根据记录的所述测试测量值(107)将所述待测试网络(151、360、461)分类(S7)为无故障或有故障，并且

如果待测试网络(151、360、461)已经被已训练的所述第一分类系统(104、204)分类为有故障，则通过已训练的所述第二分类系统(105、205)来分类(S8)所述待测试网络(151、360、461)的有故障网络部分(A-I、J-Q)。

2.根据权利要求1的方法，其中，记录(S1)训练测量值(102)包括记录(S11)无故障的参考网络(150)上的测量值，和

其中，记录(S1)训练测量值(102)包括记录(S12)在其中预定网络部分(A-I、J-Q)处产生故障的参考网络(150)上的测量值。

3.根据权利要求2的方法，其中，为了在相应的网络部分(A-I、J-Q)中产生故障，改变围绕各个网络(151、360、461)的相应线路的介电常数。

4.根据前述权利要求中任一项所述的方法，其中对记录的训练测量值(102)的预处理(S2)包括识别和/或消除(S21)记录的训练测量值(102)中的异常值，

其中，对记录的测试测量值(107)的预处理(S6)包括识别和消除(S61)记录的测试测量值(107)中的异常值。

5.根据权利要求4所述的方法，其中，异常值的识别包括识别和处理局部异常值或全局异常值。

6.根据权利要求4和5中任一项的方法，其中，异常值的识别通过2-Sigma规则或通过根据Grubbs和Hampel的异常值测试或通过局部异常值因子算法进行。

7.根据前述权利要求中任一项所述的方法，其中，对记录的训练测量值(102)的预处理(S2)包括识别和消除(S22)记录的训练测量值(102)中的偏移误差，和/或

其中，对记录的测试测量值(107)的预处理(S6)包括识别并消除(S62)记录的测试测量值(107)中的偏移误差。

8.根据权利要求7的方法，其中偏移误差的识别和消除(S22)包括将记录的训练测量值(102)转换为差分测量值，和/或

其中，偏移误差的识别和消除(S62)包括将记录的测试测量值(107)转换为差分测量值。

9.根据前述权利要求中任一项所述的方法，其中，记录的训练测量值(102)的预处理(S2)包括分别聚合(S23)多个，特别是聚合2、4、8、16、32或64个单独的测量曲线，和/或

其中，记录的测试测量值(107)的预处理(S6)包括分别聚合(S63)多个单独的测试曲线，特别是聚合2、4、8、16、32或64个单独的测量曲线。

10.根据前述权利要求中任一项所述的方法，其中，第一分类系统(104、204)基于决策树算法或根据集成方法的算法，特别是AdaBoost算法，或逻辑回归算法或朴素贝叶斯分类器算法或K-最近邻分类器算法或支持向量机算法，和/或

其中第二分类系统(105、205)基于决策树算法或根据集成方法的算法，特别是AdaBoost算法，或逻辑回归算法或朴素贝叶斯分类器算法或K-近邻算法-分类器算法或支持向量机算法。

11.根据权利要求10的方法，其中，对第一分类系统(104、204)进行参数优化，和/或

其中，对第二分类系统(105、205)进行参数优化。

12.根据前述权利要求中任一项所述的方法，其中，在训练(S3)第一分类系统(104、204)的情况下，预定部分的，特别是70％至95％之间的预处理的训练测量值(102)用于训练第一分类系统(104、204)，剩余部分的预处理的训练测量值(102)用于验证训练，和/或

其中，在训练(S4)第二分类系统(105、205)的情况下，预定部分的，特别是70％至95％之间的预处理的训练测量值(102)用于训练第一分类系统(104、204)，剩余部分的预处理的训练测量值(102)用于验证训练。

13.一种用于测试具有多个网络部分(A-I、J-Q)的网络(151、360、461)的测试设备(100、200)，特别是在具有多个这样的网络(151、360、461)的线路组中，所述设备具有：

第一数据采集装置(101)，该第一数据采集装置被构造为用于对多个参考网络(150)记录训练测量值(102)，其中，所述参考网络(150)对应于待测试网络(151、360、461)，

计算装置(103、203)，该计算装置被构造为用于对记录的训练测量值(102)进行预处理，以消除训练测量值(102)中的数据误差，

第一分类系统(104、204)，该第一分类系统基于至少一种机器学习领域的算法，并且被构造为用于将网络(151、360、461)分类为无故障或有故障，

其中，计算装置(103、203)还被构造为用训练测量值(102)训练第一分类系统(104、204)，

第二分类系统(105、205)，其基于机器学习领域的至少一种算法，并且构造为对网络(151、360、461)的有故障网络部分(A-I、J-Q)进行分类,

其中，所述计算装置(103、203)还被构造为用训练测量值(102)训练第二分类系统(105、205)，

第二数据采集装置(106)，该第二数据采集装置被构造为用于针对待测试网络(151、360、461)记录测试测量值(107)，以及

测试控制装置(108、208)，该测试控制装置被构造为用于对记录的测试测量值(107)进行预处理，以消除训练测量值(102)中的数据误差，

其中，所述测试控制装置(108、208)还构造为用于根据记录的测试测量值(107)利用训练后的第一分类系统(104，204)将待测试网络(151、360、461)分类为无故障或有故障，以及

其中，所述测试控制装置(108、208)还被构造成，如果待测试网络(151、360、461)已被经过训练的第一分类系统(104、204)分类为有故障，则以经过训练的第二分类系统(105、205)对待测试网络(151、360、461)的有故障网络部分(A-I、J-Q)进行分类。

14.根据权利要求13所述的测试设备(100、200)，

其中，计算装置(103、203)被构造为在记录训练测量值(102)的情况下记录无故障的参考网络(150)上的测量值，且/或

其中，计算装置(103、203)被构造为在记录训练测量值(102)的情况下记录在其中预定网络部分(A-I、J-Q)上产生故障的参考网络(150)上的测量值，其中，为了在相应网络部分(A-I、J-Q)中产生故障，特别地改变围绕各个网络(151、360、461)的相应线路的介电常数，且/或

其中，计算装置(103、203)构造为，在预处理记录的训练测量值(102)时，尤其是使用2-sigma规则或使用根据Grubbs和Hampel的异常值测试或使用局部异常值因子算法，识别和消除记录的训练测量值(102)中的异常值，特别是局部异常值或全局异常值，且/或

其中，计算装置(103、203)被构造为，在对记录的训练测量值(102)进行预处理时，尤其是通过以该计算装置将记录的训练测量值(102)转化为差分测量值，识别并消除记录的训练测量值(102)中的偏移误差，且/或

其中，计算装置(103、203)被构造成在记录的训练测量值(102)的预处理期间分别聚合多个，特别是2、4、8、16、32或64个单独的测量曲线，且/或

其中，第一分类系统(104、204)基于决策树算法或根据集成方法的算法，特别是AdaBoost算法，或逻辑回归算法或朴素贝叶斯分类器算法或K-最近邻分类器算法或支持向量机算法，其中，计算装置(103、203)被特别构造为用于对第一分类系统(104、204)进行参数优化。

15.根据前述权利要求13和14中的任一项所述的测试设备(100、200)，

其中，测试控制装置(108、208)被构造为，在对记录的测试测量值(107)进行预处理时，尤其是通过2-sigma规则或使用根据Grubbs和Hampel的异常值测试或使用局部异常值因子算法，识别和消除记录的测试测量值(107)中的异常值，特别是局部异常值或全局异常值，且/或

其中，测试控制装置(108、208)被构造为，在对记录的测试测量值(107)进行预处理时，尤其是通过该测试控制装置将记录的测试测量值(107)转化为差分测量值，识别并消除记录的测试测量值(107)中的偏移误差，且/或

其中，测试控制装置(108、208)被构造为，在记录的测试测量值(107)的预处理期间聚合多个，特别是2、4、8、16、32或64个单独的测量曲线，且/或

其中，第二分类系统(105、205)基于决策树算法或根据集成方法的算法，特别是AdaBoost算法，或逻辑回归算法或朴素贝叶斯分类器算法或K-最近邻分类器算法或支持向量机算法，特别是测试控制装置(108、208)被构造为对第二分类系统(105、205)进行参数优化。

16.一种机器可读存储介质，在所述机器可读存储介质上存储了计算机程序，所述计算机程序被构造为用于执行、实施和/或控制根据权利要求1至12中任一项所述的方法。