CN113799788A

CN113799788A - 用于处理信号的方法、计算机程序和设备

Info

Publication number: CN113799788A
Application number: CN202110665723.3A
Authority: CN
Inventors: A·U·萨斯; C·沃克斯
Original assignee: Volkswagen AG
Current assignee: Volkswagen AG
Priority date: 2020-06-16
Filing date: 2021-06-16
Publication date: 2021-12-17
Also published as: US20210390802A1; DE102020207449B4; DE102020207449A1

Abstract

本发明涉及用于处理信号的方法、具有指令的计算机程序和设备。本发明还涉及使用根据本发明的方法或根据本发明的设备的运输工具和工业机器。在第一步骤中以区段对所述信号进行定序（10）。然后为这些区段其中每个区段确定（11）至少一个统计学特征。然后可以可选地首先将所确定的统计学特征的特征空间变换（12）为较低维度的空间。基于所确定的统计学特征对信号进行聚类（13）。然后针对每个聚类确定（14）作为代表的信号。最后，至少提供（15）被确定为作代表的信号以用于进一步处理。替代地，可以使用（16）由所述聚类而产生的聚类来识别有缺陷的传感器。

Description

用于处理信号的方法、计算机程序和设备

技术领域

本发明涉及用于处理信号的方法、具有指令的计算机程序和设备。本发明还涉及在其中使用到根据本发明的方法或根据本发明的设备的运输工具以及工业机器。

背景技术

在当今的运输工具和其他机器中通常安装大量传感器，这些传感器提供关于所述运输工具或所述机器的一系列组件的传感器信号。除了所述传感器信号之外，还交换在车辆内未予测量但使用内部模型计算的经建模的变量。出现的其他信号是调节变量，这些调节变量是由控制器向安装在车辆中的执行器预给定的。这些信号尤其是还可以用于数据驱动地进行老化预测。

在此背景下，德国专利申请10 2019 204 463.8描述了一种用于预测机动车辆组件的老化过程的方法。在该方法中，针对至少两个时间段分别确定两个不同参数的至少两个信号变化过程，所述至少两个信号变化过程指示所述老化过程。根据所述至少两个时间段的至少两个信号变化过程而形成值对，为这些值对分别确定统计学特征。基于这些统计学特征的变化来预测老化过程。

在数据驱动的预测中，对所考虑的特征的选择在所述预测的质量中起着决定性的作用。这些特征越好，结果就越好。转用于运输工具则意味着：这些信号应当包含尽可能少的冗余信息，以便可以做出尽可能好的预测。因此适合于：将信号组合成聚类（Cluster），以便识别和去除冗余信息。

在对数据进行聚类的上下文中，DE 10 2019 121 945 A1描述了一种针对用于控制车辆的车辆组件的控制设备生成计算模型的方法。在第一步骤中对实验数据集进行分析，例如以主成分分析（Hauptkomponentenanalyse）的形式。所述实验数据集具有如下值，所述值借助于所述车辆的传感器所检测的并且可以利用所述值来描述所述车辆的状态。在第二步骤中根据对所述实验数据集的分析生成人工数据集。这些人工数据集分别具有至少一个人工值。在第三步骤中至少借助于所述人工数据集执行对所述计算模型的参数的适配。

DE 10 2019 112 700 A1还描述了一种用于处理数据流的方法。在该方法中，基于所述数据流生成范围搜索树。基于所述范围搜索树以及对经修改的具有噪声方案的基于密度的空间聚类应用的应用来对来自所述数据流的数据进行聚类。最后基于经聚类的数据识别出所述数据流中的异常。为此可以使用主成分分析。

然而，已经发现的是：信号时间序列的单纯聚类通常不会导致有用的结果。

发明内容

本发明的任务是提供用于处理信号的解决方案，其使得能够可靠地确定适合于数据驱动的预测的信号聚类。

该任务通过具有本发明的特征的方法、根据本发明的具有指令的计算机程序以及具有本发明的特征的设备来解决。本发明的优选设计是下文中描述的主题。

根据本发明的第一方面，一种用于处理信号的方法包括以下步骤：

-以区段（in Abschnitte）来对所述信号进行定序（Sequenzieren）；

-为这些区段其中的每个区段确定至少一个统计学特征；以及

-基于所确定的统计学特征对所述信号进行聚类。

根据本发明的另一方面，计算机程序包含指令，当由计算机执行时，所述指令促使所述计算机执行用于处理信号的以下步骤：

-以区段来对所述信号进行定序；

-为这些区段其中的每个区段确定至少一个统计学特征；以及

-基于所确定的统计学特征对所述信号进行聚类。

在此应广义地理解术语“计算机”。特别地，计算机还包括微控制器、嵌入式系统和其他基于处理器的数据处理设备。

所述计算机程序可以例如被提供用于电子调用或者可以存储在计算机可读存储介质上。

根据本发明的另一方面，一种用于处理信号的设备具有：

-用于以区段来对所述信号进行定序的定序模块；

-用于为这些区段其中的每个区段确定至少一个统计学特征的分析模块；以及

-用于基于所确定的统计学特征对所述信号进行聚类的聚类模块。

在许多情况下，数据库由分辨率非常高的测量组成，例如在汽车领域中在数据来自CAN总线的情况下。这些信号的时间序列的单纯聚类不会导致有用的结果。这有多个原因。一方面，这些信号具有不同大小的分辨率，因此即使是非常相似的信号也不能直接进行比较，例如在右前轮速度和左前轮速度的情况下。此外，这些信号的动态性非常高，使得尽管这些信号对于人类来说显然对应于相同的聚类，但在高分辨率表示中还是不会由算法将这些信号分配给共同的聚类。最后，原始时间序列的聚类是如此存储器密集型的（speicherintensiv），使得这只能依次进行，例如以具有分别为10分钟的持续时间的区段来进行。然而，利用这样的区段而进行的试验却达到了很差结果。

在根据本发明的解决方案中，数据库同样分成小序列。这些序列例如可以具有十分钟或几小时的持续时间。现在为这些序列计算统计学特征，即由这些时间间隔聚合（aggregieren）统计学的人工特征值。这些特征用作聚类算法的输入数据。结果是经聚类的信号。这些聚类可以用作针对进一步的处理步骤的出发点。作为数据库而优选地使用经改进的（veredelt）数据库，在所述经改进的数据库的情况下输入数据是等距的（äquidistant）且具有相同的长度。

由于只需要简单的数学运算，所述聚类算法可以在信号检测方面实现，例如在机动车辆中实现。这实现了数据高效的存储，并允许借助于云应用以节省数据的方式执行后续分析。

根据本发明的一个方面，在聚类之前将所确定的统计学特征的特征空间变换为较低维度的空间。优选地，在此转换为一维表示。由变换为更低维空间而导致：用于信号描述的高质量的数据压缩。由此产生的经减少的数据基础特别有利于在现有信号空间中正确标识相同的信号，因为该数据基础使得对数据的机器处理更加容易并支持无差错的信号分配。

根据本发明的一个方面，为了变换所述特征空间将主成分分析应用于所确定的统计学特征，或者选择至少一个所确定的统计学特征。所述主成分分析（也称为主轴变换（Hauptachsentransformation））理想地适合于对大规模数据集进行结构化，其方式是通过更少数量的尽可能更有说服力的主成分来逼近（nähern）当前存在的统计学变量。替代地，存在如下可能性：使用仅一个所确定的统计学特征或减少选择的统计学特征，例如特定时间段的平均值。使用该方案也可以获得合适的结果。可以凭经验确定哪些统计学特征最佳适合于具体应用。优选地，对所述统计学特征的选择能够在运行中加以适配。

根据本发明的一方面，所述至少一个统计学特征是平均值、最大值、最小值或分位数。分位数可以特别是四分位数，即分位数Q_0.25、Q_0.5和Q_0.75，也称为下四分位数、中四分位数和上四分位数。所有这些统计学特征都非常适合于后续形成聚类。当然，也可以确定统计学特征的选择或子集。

根据本发明的一个方面，为了对所述信号进行聚类使用基于密度的聚类方法、划分聚类方法或层次聚类方法。作为基于密度的聚类方法例如可以考虑DBSCAN算法。作为划分聚类方法适合的是：使用K均值算法。合适的层次聚类方法的示例是凝聚聚类或均值漂移算法。使用层次聚类方法的优点是不需要预先知道聚类的数量。此外，聚类的形状不受限制。优选地，将轮廓系数用于检测聚类的质量。

根据本发明的一个方面，针对由所述聚类而产生的每个聚类，确定作为代表（Repräsentant）的信号。通过针对每个聚类确定作为代表的信号，可以显著减少必须提供给例如基于云的应用以进行分析的数据量（Datenvolumen）。

根据本发明的一个方面，至少将被确定作为代表的信号输送给预测算法。所述预测算法可以例如被设计为以数据驱动的方式计算老化。优选地在此还附加地考虑所有尚未分配给任何聚类的信号。通过限制为被确定作为代表的信号和可能未经聚类的信号，避免了冗余信号在例如人工神经网络的结果获得中的影响，从而可以预期经优化的结果。

根据本发明的一个方面，由所述聚类而产生的聚类被用于识别有缺陷的传感器。基于对相同传感器信息的无错误聚类，使得能够探测出有缺陷的传感器，因为可以标识没有被分配给正确聚类的那些有缺陷的或已改变的信号或传感器。由此创建了全面的质量保证，其保障了可用信号的说服力。在此假设聚类必须在无差错的运行中始终找到相同的参与者。如果例如因为缺少信号或添加了另外的信号而发现显著的偏差，则这可表明传感器有缺陷。

根据本发明的方法或根据本发明的设备特别有利地用于（部分）自主或手动控制的运输工具中。所述运输工具特别可以是机动车辆，也可以是船舶、飞行器（例如飞行汽车（Volocopter））等。此外，根据本发明的解决方案还可以用于工业机器、例如生产机器或试验台中。

附图说明

结合附图，从以下描述中可以看出本发明的其他特征。

图1示意性地示出了用于处理信号的方法；

图2示出了用于处理信号的设备的第一实施方式；

图3示出了用于处理信号的设备的第二实施方式；

图4示意性地示出了其中实现根据本发明的解决方案的运输工具；

图5示意性地示出了应当受到预处理的一系列信号；

图6示意性地示出了在完成预处理之后来自图5的信号；

图7示意性地示出了将经预处理的信号分成多个区段；

图8说明了从这些区段中提取特征向量；

图9说明了将特征向量变换为统计学特征空间；

图10说明了将统计学特征的特征空间变换为一维表示；以及

图11图解了基于统计学特征的一维表示所产生的聚类。

具体实施方式

为了更好地理解本发明的原理，下面基于附图更详细地解释本发明的实施方式。可以理解，本发明不限于这些实施方式并且还可以对所描述的特征进行组合或修改，而并不脱离所附权利要求中定义的本发明保护范围。

图1示意性地示出了用于处理信号的方法，所述信号例如是传感器信号、经建模的变量或调节变量。在第一步骤中，以区段对所述信号进行定序10。然后为这些区段其中的每个区段确定11至少一个统计学特征，例如平均值、最大值、最小值或分位数。然后可以可选地首先将所确定的统计学特征的特征空间变换12为较低维度的空间。为此，例如可以将主成分分析应用于所述统计学特征或可以选择至少一个所确定的统计学特征。基于所确定的统计学特征对信号进行聚类13。为此例如可以使用基于密度的聚类方法、划分聚类方法或层次聚类方法。然后对于由聚类13而产生的每个聚类，确定14作为代表的信号。最后，至少提供15被确定作为代表的信号以用于进一步处理。例如，可以将被确定作为代表的信号输送给预测算法。所述预测算法例如可以被设计为以数据驱动的方式计算老化。优选地在此还附加地考虑所有尚未分配给任何聚类的信号。替代地，可以使用16由所述聚类而产生的聚类来识别有缺陷的传感器。

图2示出了用于处理信号的设备20的第一实施方式的简化示意图，所述信号例如是传感器信号、经建模的变量或调节变量。设备20具有输入端21，经由该输入端可以接收不同传感器41_i的信号S_i，这些传感器中示例性地示出了两个。定序模块22被设置为以区段来对信号S_i定序。分析模块23为这些区段其中的每个区段确定至少一个统计学特征，例如平均值、最大值、最小值或分位数。分析模块23可以可选地被设置为在确定了特征之后将所述统计学特征的特征空间变换为较低维度的空间，例如通过将主成分分析应用于所述统计学特征或者通过选择至少一个所确定的统计学特征。然后，聚类模块24基于所确定的统计学特征对信号S_i进行聚类。为此，例如可以使用基于密度的聚类方法、划分聚类方法或层次聚类方法。聚类模块24还被设置成，针对由所述聚类而产生的每个聚类，确定作为代表R_i的信号S_i。最后，经由设备20的输出端27至少提供被确定作为代表R_i的信号S_i以用于进一步处理。例如，可以将被确定作为代表的信号输送给预测算法或用于识别有缺陷的传感器。所述预测算法可以例如被设计为以数据驱动的方式计算老化。优选地在此还附加地考虑所有尚未分配给任何聚类的信号S_i。替代地，由所述聚类而产生的聚类C_i可以被输出并且可以用于识别有缺陷的传感器。

定序模块22、分析模块23和聚类模块24可以由控制模块25控制。必要时，可以通过用户接口27改变对定序模块22、分析模块23、聚类模块24或控制模块25的设置。在需要情况下，可以将设备20中累积的数据存储在设备20的存储器26中，例如用于以后评估或用于由设备20的组件使用。定序模块22、分析模块23、聚类模块24以及控制模块25可以实现为专用硬件，例如实现为集成电路。当然，它们也可以部分或完全组合或实现为在合适的处理器上、例如在GPU或CPU上运行的软件。输入端21和输出端27可以实现为分开的接口或实现为组合式双向接口。

图3示出了用于处理信号的设备30的第二实施方式的简化示意图。设备30具有处理器32和存储器31。例如，设备30是微控制器或嵌入式系统。指令存储在存储器31中，当由处理器32执行时，所述指令促使设备30执行根据所描述的方法之一的步骤。因此，存储在存储器31中的指令体现了可以由处理器32执行并且实现根据本发明的方法的程序。设备30具有用于接收信息，特别是信号的输入端33。经由输出端34提供由处理器32所产生的数据。此外，这些数据可以存储在存储器31中。输入端33和输出端34可以被组合成双向接口。

处理器32可以包括一个或多个处理单元，例如微处理器、数字信号处理器或其组合。

所描述的实施方式的存储器26、31既可以具有易失性存储区又可以具有非易失性存储区并且包括各种各样的存储设备和存储介质，例如硬盘、光存储介质或半导体存储器。

下面应当基于图4至图11描述本发明的优选实施方式。在该实施方式中考虑运输工具的信号。当然，根据本发明的解决方案不限于这种应用。根据本发明的解决方案尤其是还可以用于工业机器，例如生产机器或试验台中。

图4示意性地示出了其中实现了根据本发明的解决方案的运输工具40。在该示例中，运输工具40是机动车辆。所述机动车辆具有大量传感器41_i，这些传感器中示例性地示出其中一些并且可以由所述大量传感器提供与所述机动车辆的一系列组件相关的传感器信号。此外，所述机动车辆还具有根据本发明的用于处理信号的设备20。所述机动车辆的其他组件是导航系统42、数据传输单元43以及一系列辅助系统44，其中，示例性地示出这些辅助系统其中之一。借助于数据传输单元43，例如可以建立至服务提供者的连接，例如以用于信号的进一步处理。为了存储数据而存在存储器45。所述机动车辆的不同组件之间的数据交换经由网络46进行，例如经由CAN总线进行。

图5示意性地示出了应当受到预处理的一系列信号S_i。存在n个信号S_i，其中示例性地示出了三个信号S₁、S₂、S_n。这些信号可以是例如传感器信号、经建模的变量或调节变量。这些信号S_i可以例如在机动车辆的CAN总线上传输。在这些信号S_i中部分地会出现如下间隙（Lücke）或时间段T_i，在所述间隙或时间段中不存在可用的（verwertbar）数据。优选地，在预处理的范畴内，从所有信号S_i中去除这些时间段T_i，也即：从这些信号S_i中切除（ausschneiden）相对应的时间段T_i。在图6中示出预处理完成后的信号S_i。

图7示意性地示出了将经过预处理的信号S_i细分为区段A_{i_n}。在所示示例中，将信号S_i细分为分别具有相同的长度L的m个区段A_{i_n}。现在基于这些区段A_{i_n}进行时间序列解释（Zeitreiheninterpretation），其中针对每个信号S_i为这些区段其中的每个区段A_{i_n}提取特征向量。

图8说明了从区段A_{i_n}中提取特征向量。在该提取后存在m个具有特征的阵列。所述m个阵列的维度在此一方面通过信号的数量n确定，另一方面通过各个信号区段A_{i_n}的长度L确定。现在根据各个特征向量确定统计学特征。例如可以凭经验确定各个信号区段A_{i_n}的长度L。评估已经表明，为了确定在数百小时的使用时间段期间发生的老化，在一小时范围内的聚合达到了良好的结果。

图9说明了将特征向量变换为统计学特征空间。在确定了统计学特征后，存在m个具有统计学特征的阵列。所述m个阵列的维度在此一方面又通过信号的数量n确定，但另一方面现在通过为每个特征向量确定的统计学特征的数量A确定。假设以10Hz的频率解析车辆内的高分辨率的时间序列并且现在分别借助于统计学特征将这些时间序列合并为1小时，则将数据量从1×60×60×10=36000个测量值减少到一个值。

图10说明了将统计学特征的特征空间变换为一维表示。为此目的，所述统计学特征受到主成分分析。在该示例中，仅保留了单个主成分HK。在所述主成分分析后存在具有主成分HK的单个阵列。该阵列的维度在此一方面又通过信号的数量n确定，另一方面通过区段的数量m确定。该阵列用作聚类算法的基础。

图11图解了基于统计学特征的一维表示产生的聚类C_i。在所示的示例中，应识别出三个聚类C₁、C₂、C₃。每个聚类C_i包括多个信号S_i。附加地，存在没有分配给任何聚类C_i的信号S_n。现在可以从每个聚类C_i中选择信号S_i作为代表R_i。这例如可以是在相应聚类C_i中首先找到的参与者或在聚类C_i内最靠近聚类C_i的中心点的那个参与者。代表R_i以及未分配给聚类C_i的信号S_n以由虚线椭圆表示的方式最后得出了所产生的信号集合。优选地在运行期间规律地重复进行所述聚类，因为通过这种方式可以识别出有缺陷的传感器或异常值。然而，也可以一次性地进行聚类以便如此标识经聚类的信号集合。这使得能够仅考虑唯一的（unikat）信号，也即并不将含有与所述唯一的信号相同的信息的信号S_i考虑在内。

第一聚类C₁可以包括例如以下信号S_i：

S₁：左前轮的速度

S₂：右前轮的速度

S₂₄：左后轮的速度

S₁₅：右后轮的速度

S₅：车轮的速度

S₂₈：车辆的速度

这里将信号S₂₈，即车辆的速度，用作第一聚类C₁的代表R₁。

第二聚类C₂可以包括例如以下信号S_i：

S₇：所计算的档位

S₈：档位

S₇₆：目标档位

S₁₉：第2档位

这里将信号S₈，即档位，用作第二聚类C₂的代表R₂。

第三聚类C₃可以包括例如以下信号S_i：

S₃：时间1

S₃₃：时间2

S₂₁：时间3

S₁₄：时间4

S₁₂₀：时间5

S₆：时间6

S₄₁：时间7

这里将信号S₃，即第一个时间信号，用作第三聚类C₃的代表R₃。

其他聚类可以例如由说明踏板位置和发动机功率的信号产生，或者由说明油温和冷却剂温度的信号产生。

附图标记列表

10 对信号进行定序

11 确定统计学特征

12 变换特征空间

13 基于统计学特征对信号进行聚类

14 针对所述聚类确定作为代表的信号

15 提供代表以用于进一步处理

16 识别有缺陷的传感器

20 设备

21 输入端

22 定序模块

23 分析模块

24 聚类模块

25 控制模块

26 存储器

27 输出端

28 用户接口

30 设备

31 存储器

32 处理器

33 输入端

34 输出端

40 运输工具

41_i 传感器

42 导航系统

43 数据传输单元

44 辅助系统

45 存储器

46 网络

A 所确定的统计学特征的数量

A_{i_n} 区段

C_i 聚类

HK 主成分

L 区段的长度

m 区段的数量

n 信号的数量

R_i 代表

S_i 信号

T_i 时间段。

Claims

1.用于处理信号（S_i）的方法，所述方法具有以下步骤：

-以区段（A_{i_n}）来对所述信号（S_i）进行定序（10）；

-为所述区段其中的每个区段（A_{i_n}）确定（11）至少一个统计学特征；以及

-基于所确定的统计学特征对所述信号（S_i）进行聚类（13）。

2.根据权利要求1所述的方法，其中在所述聚类（13）之前将所确定的统计学特征的特征空间变换（12）为较低维度的空间。

3.根据权利要求2所述的方法，其中为了变换（12）所述特征空间将主成分分析应用于所确定的统计学特征，或者选择至少一个所确定的统计学特征。

4.根据前述权利要求中任一项所述的方法，其中所述至少一个统计学特征是平均值、最大值、最小值或分位数。

5.根据前述权利要求中任一项所述的方法，其中为了对所述信号（S_i）进行所述聚类（13）使用基于密度的聚类方法、划分聚类方法或层次聚类方法。

6.根据权利要求1至5中任一项所述的方法，其中针对由所述聚类（13）而产生的每个聚类（C_i），确定（14）作为代表（R_i）的信号（S_i）。

7.根据权利要求6所述的方法，其中至少将被确定作为代表的所述信号（S_i）输送给预测算法。

8.根据权利要求7所述的方法，其中所述预测算法以数据驱动的方式计算老化。

9.根据权利要求1至5中任一项所述的方法，其中由所述聚类（13）而产生的聚类（C_i）被用于识别有缺陷的传感器（41_i）。

10.具有指令的计算机程序，当由计算机执行时，所述指令促使所述计算机执行根据权利要求1至9中任一项所述的用于处理信号（S_i）的方法的步骤。

11.用于处理信号（S_i）的设备（20），所述设备具有：

-用于以区段（A_{i_n}）来对所述信号（S_i）进行定序（10）的定序模块（22）；

-用于为所述区段其中的每个区段（A_{i_n}）确定（11）至少一个统计学特征的分析模块（23）；以及

-用于基于所确定的统计学特征对所述信号（S_i）进行聚类（13）的聚类模块（24）。

12.运输工具（40），其特征在于，所述运输工具（40）具有根据权利要求11所述的用于处理信号（S_i）的设备（20），或被设置为执行根据权利要求1至9中任一项所述的用于处理信号（S_i）的方法。

13.工业机器，其特征在于，所述工业机器具有根据权利要求11所述的用于处理信号（S_i）的设备（20），或被设置为执行根据权利要求1至9中任一项所述的用于处理信号（S_i）的方法。