CN114186601A - 用于借助于人工智能方法进行在机动车中的技术装置处的操纵识别的方法和设备 - Google Patents

用于借助于人工智能方法进行在机动车中的技术装置处的操纵识别的方法和设备 Download PDF

Info

Publication number
CN114186601A
CN114186601A CN202110974065.6A CN202110974065A CN114186601A CN 114186601 A CN114186601 A CN 114186601A CN 202110974065 A CN202110974065 A CN 202110974065A CN 114186601 A CN114186601 A CN 114186601A
Authority
CN
China
Prior art keywords
vector
reconstruction
error
input
input vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110974065.6A
Other languages
English (en)
Inventor
A·瑟罗特
J·S·布赫纳
M·汉瑟尔曼
N·伊德
S·纳格尔
T·布兰兹
T·斯特劳斯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of CN114186601A publication Critical patent/CN114186601A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G06F16/2365—Ensuring data consistency and integrity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/55—Detecting local intrusion or implementing counter-measures
    • G06F21/552—Detecting local intrusion or implementing counter-measures involving long-term monitoring or reporting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/50—Monitoring users, programs or devices to maintain the integrity of platforms, e.g. of processors, firmware or operating systems
    • G06F21/55—Detecting local intrusion or implementing counter-measures
    • G06F21/56—Computer malware detection or handling, e.g. anti-virus arrangements
    • G06F21/566—Dynamic detection, i.e. detection performed at run-time, e.g. emulation, suspicious activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Hardware Design (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Virology (AREA)
  • Exhaust Gas After Treatment (AREA)

Abstract

用于借助于人工智能方法进行在机动车中的技术装置处的操纵识别的方法和设备。本发明涉及一种用于技术装置（1）、尤其是机动车中的技术装置、尤其是废气后处理装置的操纵识别的方法，所述方法具有如下步骤：‑提供（S1）输入向量（E）的时间序列，所述输入向量具有一个或多个系统参量（G）并且具有用于干预所述技术装置（1）的至少一个调定量（S）；‑使用（S2、S3）基于数据的操纵识别模型，所述操纵识别模型包括循环神经网络（61）和自动编码器（62），所述循环神经网络被构造用于根据所述输入向量（E）来确定状态向量（Z），所述自动编码器被构造用于根据所述状态向量（Z）来确定重构向量（E'）；‑根据取决于所述重构向量（E'）的重构误差来识别（S4、S5）异常；‑根据所述重构误差来识别（S8）操纵。

Description

用于借助于人工智能方法进行在机动车中的技术装置处的操 纵识别的方法和设备
技术领域
本发明涉及机动车，以及尤其是用于对机动车的装置进行操纵识别的方法。本发明还涉及废气后处理装置和用于识别操纵并且用于对废气后处理装置进行诊断的方法。
背景技术
机动车中的技术装置可能以不允许的方式被操纵，以便实现对于驾驶员来说有利的运行。这样，可以操纵废气后处理装置，用于发动机系统的功率提高或者用于材料消耗、尤其是尿素的减少。
通常，用于识别操纵的方法基于规则。基于规则的操纵监控方法具有如下缺点：只有已知的操纵策略可以被识别或只有已知的操纵可以被拦截。因此，这种防御策略对于新型操纵来说没有辨别力。此外，检测复杂的技术系统连同其在调节系统中的依赖关系并且创建用于识别操纵的相对应的规则花费高。
例如，对于废气后处理装置来说，由于其动态特性，运行状态是各式各样的并且尤其是在很少出现的系统状态的情况下并不能明确地与操纵的存在关联起来。例如，如今的用于脱氧（通过将尿素注入废气中来还原氮）的SCR废气后处理系统（SCR：SelectiveCatalytic Reduction（选择性催化还原））拥有对如下系统参数的法律规定的监控，所述系统参数对于无错误的运行来说是重要的。这些系统参数在车载诊断的框架内被监控是否遵循物理上合理的极限值并且由此来予以合理性检查。对于其值根据SCR调节的不同调定量的组合而得到的系统固有参数来说，还可以检查在系统干预之后是否出现所预期的系统反应。这样，例如在所限定的条件下提高尿素剂量之后，通过布置在下游的氮氧化物传感器测量，能预期到氮氧化物排放的减少。
然而，越来越多地使用所谓的SCR仿真器，这些SCR仿真器能够改变在监控系统的程序代码中的数据或者该监控系统所使用的传感器值的数据，使得即使SCR系统只是受限地活跃或者完全不再活跃，误识别也通过该监控系统来被排除。由此，在车辆运行中，可以降低维护花费，并且在容忍氮氧化物排放提高的情况下可以节省加注尿素的成本。传统的诊断功能被经模拟的传感器信号所欺骗，这使得对操纵的识别变得困难。
发明内容
按照本发明，规定了一种按照权利要求1所述的用于在技术装置、尤其是机动车中的技术装置、尤其是废气后处理装置中的操纵识别的方法以及一种按照并列权利要求所述的设备和一种按照并列权利要求所述的技术系统。
其它的设计方案在从属权利要求中说明。
按照第一方面，规定了一种用于技术装置、尤其是机动车中的技术装置、尤其是废气后处理装置的操纵识别的方法，该方法具有如下步骤：
- 提供输入向量的时间序列，该输入向量具有一个或多个系统参量并且具有用于干预该技术装置的至少一个调定量；
- 使用基于数据的操纵识别模型，该操纵识别模型包括循环神经网络和自动编码器，该循环神经网络被构造用于根据输入向量来确定状态向量，该自动编码器被构造用于根据状态向量来确定重构向量；
- 根据取决于该重构向量的重构误差来识别异常；
- 根据该重构误差来识别操纵。
可以规定：该技术装置包括废气后处理装置，其中输入向量包括针对尿素注射系统的调定量，作为所述调定量。
按照上述方法，提出：使用机器学习方法，以便实行对机动车中的技术装置的操纵识别。借助于基于数据的操纵识别模型，所基于的技术装置的正常行为被教导并且与其正常行为的偏差被视为操纵的结果。
借助于深度学习方法，可以独立识别该技术装置对于所基于的操纵识别来说重要的依赖性和特性。由于在正在运行时该技术装置的正常行为在操纵识别模型中被训练，所以可以识别该技术装置的与其有偏差的行为。这具有如下优点：新的和到目前为止未知的操纵尝试也可以通过这种操纵识别模型来被识别。
上述方法规定了一种操纵识别，其中循环网络（RNN）与自动编码器结构相结合地被使用。原则上，RNN自动编码器结构被训练用于使用输入向量的时间序列并且在RNN、诸如LSTM（Long Short-Term Memory（长短期记忆））中将该时间序列处理成状态向量。针对时间步长，输入向量包括一个或多个系统参量、用于干预该技术装置的至少一个调定量以及可选地至少一个系统参数。输入向量的时间序列对应于输入向量的在连续时间步长的序列，在这些时间步长中，所描述的方法周期性地被实施。因此，输入向量的时间序列对应于所述一个或多个系统参量、用于干预该技术装置的至少一个调定量以及可选地所述至少一个系统参数的时间序列。
状态向量映射了该技术装置的行为，也就是说，在经训练的RNN网络中，输入向量的时间序列被处理成状态向量。由此，状态向量取决于输入向量的时间序列。
可以规定：借助于循环神经网络，从输入向量中确定针对每个时间步长的状态向量，其中自动编码器被训练用于将状态向量映射到输入向量上，其中重构误差说明了在输入向量与通过自动编码器所重构的输入向量之间的区别。
因此，借助于循环网络，根据输入向量在每个时间步长的时间序列来形成状态向量，该状态向量可以优选地具有比输入向量更高的维度。然后，传统的自动编码器基于深度神经网络来被使用，以便识别在这些输入向量的时间序列中的异常。自动编码器被训练来将在每个时间步长中来自循环网络的状态向量映射到相同时间步长的输入向量上。
为了识别在该技术装置运行时的异常，评估自动编码器的重构误差。在此，输入向量与被重构的输入向量之间的偏差被评估。尤其是，重构误差可以借助于预先给定的误差函数来被确定，该误差函数尤其是基于原始输入向量与重构向量之间的均方误差（MeanSquared Error）、Huber损失函数（Huber-Loss-Funktion）或者均方根误差（Root-MeanSquared Error）。
可以预先给定规则的时间步长，针对这些时间步长评估该技术装置的行为。这些行为根据重构误差分别被分类为异常或者正常行为。依据在这些时间步长期间所识别出的异常的百分比，可以识别对该技术装置的操纵。
可以规定：根据在时间步长中输入向量与被重构的输入向量之间的区别来确定重构误差，以便说明每个时间步长是否有异常。
按照一个实施方式，重构误差可以根据重构向量在连续的时间步长中被确定，以便针对每个时间步长查明是否存在异常，其中如果在这些时间步长期间异常的比例超过预先给定的比例阈值，则识别出对该技术装置的操纵或用信号通知该技术装置的异常行为。
还可以借助于循环网络从输入向量确定针对每个时间步长的状态向量，其中自动编码器被训练用于将状态向量映射到自身，其中重构误差说明了在状态向量与通过自动编码器所重构的状态向量之间的区别。
可以规定：通过针对所述一个或多个系统参量和所述至少一个调定量中的每一个预先给定单独的误差阈值来识别在时间步长中的异常，其中如果预先确定的数目的所述一个或多个系统参量和所述至少一个调定量超过相应的单独的误差阈值，则识别出在时间步长中有异常。
尤其可以借助于验证数据集来确定单独的误差阈值，其中针对所述一个或多个系统参量和所述至少一个调定量中的每一个的误差阈值被选择为使得与预先给定的百分位相对应地没有识别出误差。
按照一个实施方式，可以用信号通知所识别出的操纵，或者可以根据所识别出的操纵来运行该技术装置。
按照另一方面，规定了一种用于技术装置、尤其是机动车中的技术装置、尤其是废气后处理装置的操纵识别的设备，其中该设备被构造用于：
- 提供输入向量的时间序列，该输入向量具有一个或多个系统参量并且具有用于干预该技术装置的至少一个调定量；
- 使用基于数据的操纵识别模型，该操纵识别模型包括循环神经网络和自动编码器，该循环神经网络被构造用于根据输入向量来确定状态向量，该自动编码器被构造用于根据状态向量来确定重构向量；
- 根据取决于该重构向量的重构误差来识别异常；
- 根据该重构误差来识别操纵。
附图说明
实施方式随后依据随附的附图进一步予以阐述。其中：
图1示出了作为技术系统的示例的废气后处理装置的示意图；
图2示出了阐明用于图1的废气后处理装置的操纵识别的方法的流程图；以及
图3示出了以对输入向量的时间序列的评估为基础的用于在操纵识别的情况下使用的自动编码器的网络结构的示意图。
具体实施方式
图1示出了用于具有内燃机3的发动机系统1的废气后处理系统2的示意图。废气后处理装置2被设计用于对内燃机3的燃烧废气的废气后处理。内燃机3可以构造成柴油发动机。
废气后处理装置2具有微粒过滤器21和SCR催化净化器22。在微粒过滤器21的上游、微粒过滤器21的下游和SCR催化净化器22的下游利用相应的温度传感器23、24、25来测量废气温度，并且在SCR催化净化器22的上游和下游利用相应的NOx传感器26、27来测量NOx含量，并且将所述废气温度和所述NOx含量在控制单元4中进行处理。传感器信号作为系统参量G被提供给控制单元。
设置尿素储存器51、尿素泵52和针对尿素的可控注射系统53。注射系统53使得能够通过控制单元4来被控制地借助于调定量S将预定量的尿素输送到SCR催化净化器22上游的燃烧废气中。
控制单元4根据已知方法通过规定针对注射系统53的调定量来控制尿素到SCR催化净化器22上游的输送，以便实现对燃烧废气的尽可能好的催化净化，使得氮氧化物含量尽可能被减少。
传统的操纵设备对传感器信号和/或调节信号进行操纵，以便减少或者完全停止尿素的消耗。
虽然可以通过基于规则地监控废气后处理装置的运行状态来识别这样的操纵，但是并不是所有相对应的不被允许的运行状态都可以用这种方式来被检查。因而，提出了一种基于操纵识别模型的操纵识别方法。这可以在控制单元4中被实施，如依据图2的流程图示例性示出的那样。该方法可以在控制单元4中作为软件和/或硬件来被实现。
在步骤S1中，检测由系统参量G和针对尿素的注射系统53的调定量S构成的输入向量的时间序列。系统参量S可包括如下参量中的一个或多个参量：上述废气温度；上述NOx浓度；当前发动机力矩；内燃机3的当前充气量；内燃机3的转速；内燃机3的被注入的燃料量；废气系统中的压力；NH3浓度；在燃烧废气中的氧气浓度；DeNOX效率（DeNOx效率依据在SCR催化净化器之前和之后的NOx浓度来被确定）；发动机温度；驾驶员期望力矩，例如通过油门踏板位置来预先给定；车速；环境压力；环境温度；换挡的所选挡位；车辆重量；废气再循环阀的位置；和燃烧废气中的炭烟量。
借助于操纵识别模型来评估（由系统参量G和调定量S构成的）输入向量的时间序列，以便识别废气后处理装置2的行为是否有异常。为此，系统参量G和调定量S的时间序列在步骤S2中被输送给操纵识别模型，如示例性地在图3中所示。
操纵识别模型60具有循环神经网络61，以便给系统参量G和调定量S的时间序列以本身公知的方式分配状态向量Z。循环神经网络61例如可以作为LSTM（Long Short-TermMemory（长短期记忆））、GRU单元（Gated Recurrent Unit（门控循环单元））或者可映射时间动态的任意其它循环结构。循环神经网络的共同之处在于：这些循环神经网络在输入向量的时间序列的每个时间步长中都产生状态向量（hidden state（隐藏状态））。
循环神经网络61的状态向量Z的维度可以被任意选择，然而已经表明：如果状态向量Z具有比由系统参量G和调定量S构成的输入向量更高的维度，则异常识别的可靠性更好。
循环神经网络61针对废气后处理装置2的正常运行情况来被训练。因此，状态向量Z表征废气后处理装置2的行为。循环神经网络61尤其被训练用于将系统参量G和调定量S的时间序列映射到状态向量Z上，该状态向量在理想情况下与废气后处理装置2的动态行为无关地不发生变化。
在步骤S3中，状态向量Z作为具有编码器部分63和解码器部分64的自动编码器62的结果被输送。编码器部分63和解码器部分64可以被构造成由全连接层（Fully ConnectedLayer）构成的深度神经网络。激活函数同样可以被自由选择，诸如Leaky-ReLU等等。
自动编码器62的编码器部分63将状态向量Z压缩成（相比于状态向量Z）维度降低的特征向量M，并且解码器部分64将特征向量M扩展成相同时间步长的原始输入向量。
在步骤S4中，在异常识别单元65中，确定在解码器部分64的输出端处的被重构的输入向量E'与在循环神经网络61的输入端处的输入向量E之间的重构误差R。解码器部分64的输出层应该具有输入向量E的大小，以便重构相应的输入向量E'。
用于识别废气后处理装置2的行为的异常的重构误差可以逐个信号地、也就是说针对每个时间步长地在异常识别单元65中被计算。例如，可以将重构误差确定为L2范数。
现在，在评估单元66中，可以在步骤S5中根据重构误差与误差阈值的比较来查明是否存在异常。误差阈值可以固定地预先给定或者作为百分位值逐个信号地、也就是说针对每个系统参量G或调定量S（输入向量参量）地单独被确定。百分位值对应于可以以本身公知的方式借助于验证数据集来被确定的参数。验证数据集是输入向量的映射了废气后处理装置1的正常运行的时间序列。
验证数据集被用于（逐个信号地）确定输入向量E与其重构之间的重构误差。在此，针对每个输入向量参量的误差阈值被选择为使得与预先给定的百分位相对应地没有识别出误差。例如，针对每个输入向量参量可以预先给定介于99.9%与99.99%之间的百分位。据此，分别得到针对这些输入向量参量中的每个输入向量参量的百分位值。
如果在这些输入向量参量中的至少一个输入向量参量的情况下的重构误差超过百分位值，则识别出在所涉及到的时间步长中有异常。为此，在步骤S6中，可以针对每个时间步长使时间步长计数器有增量，并且当识别出了有异常时可以使异常计数器有增量。
在正在运行时，可以根据计数器内容来确定比例/百分比，该比例/百分比说明了关于所有被考虑的时间步长在这些时间步长中的多少个时间步长中将输入向量识别为异常。通过在步骤S7中的预先给定的比例与比例阈值的阈值比较，可以查明自从开始运行以来有多少百分比的行驶被识别为了异常。如果该比例值超过预先给定的比例阈值（二选一：是），则可以推断出有操纵尝试并且相对应地在步骤S8中报告这一点。否则（二选一：否），该方法以步骤S1继续。
可以在多个时期期间以本身公知的方式来对操纵识别模型进行训练。在此，在每个时期内都对所有训练数据进行处理。训练数据对应于系统参量和调定量的时间序列，这些系统参量和调定量在废气后处理装置2的防操纵的运行环境中被记录。这些训练数据的输入向量（系统参量G和调定量S）的时间序列可包括例如500至3000个时间步长的值。为了对操纵识别模型进行训练，循环神经网络61和自动编码器62可以被训练为使得针对每个时间步长的输入向量E都对应于在自动编码器的输出侧所获得的被重构的输入向量E'。接着，用于对操纵识别模型进行训练的误差函数可以使用被重构的输入向量与原始输入向量之间的均方误差或者均方根误差。
在一个替选的实施方式中，自动编码器62可以被构造或训练用于将针对每个时间步长的状态向量Z映射到包括系统参量G和调定量S的状态向量Z上。
在这种情况下，可以确定被重构的状态向量与原始状态向量Z之间的重构误差。
为了确定重构误差，可以基于原始输入向量与被重构的输入向量之间的均方误差、Huber损失函数或者均方根误差来确定相对应的误差函数。所确定的误差值可以借助于用于训练网络参数的反向传播来被传播，其中可以使用对于神经网络来说常见的梯度下降法、如SGD、Adam、AdamW或AdaGrad，作为优化策略。

Claims (11)

1.一种用于技术装置（1）、尤其是机动车中的技术装置、尤其是废气后处理装置的操纵识别的方法，所述方法具有如下步骤：
- 提供（S1）输入向量（E）的时间序列，所述输入向量具有一个或多个系统参量（G）并且具有用于干预所述技术装置（1）的至少一个调定量（S）；
- 使用（S2、S3）基于数据的操纵识别模型，所述操纵识别模型包括循环神经网络（61）和自动编码器（62），所述循环神经网络被构造用于根据所述输入向量（E）来确定状态向量（Z），所述自动编码器被构造用于根据所述状态向量（Z）来确定重构向量（E'）；
- 根据取决于所述重构向量（E'）的重构误差来识别（S4、S5）异常；而且
- 根据所述重构误差来识别（S8）操纵。
2.根据权利要求1所述的方法，其中重构误差根据重构向量（E'）在连续的时间步长中被确定，以便针对每个时间步长查明是否存在异常，其中如果在所述时间步长期间异常的比例超过预先给定的比例阈值，则识别出对所述技术装置（1）的操纵。
3.根据权利要求1或2所述的方法，其中借助于所述循环神经网络（61），从所述输入向量（E）中确定针对每个时间步长的状态向量（Z），其中所述自动编码器（62）被训练用于将所述状态向量（Z）映射到所述输入向量（E）上，其中所述重构误差说明了在所述输入向量（E）与通过所述自动编码器（62）所重构的输入向量（E'）之间的区别。
4.根据权利要求1至3中任一项所述的方法，其中所述重构误差借助于预先给定的误差函数来被确定，所述误差函数尤其是基于原始输入向量与所述重构向量之间的均方误差、Huber损失函数或者均方根误差。
5.根据权利要求1至4中任一项所述的方法，其中通过针对所述一个或多个系统参量（G）和所述至少一个调定量（S）中的每一个预先给定单独的误差阈值来识别在时间步长中的异常，其中如果预先确定的数目的所述一个或多个系统参量（G）和所述至少一个调定量（S）超过相应的单独的误差阈值，则识别出在时间步长中有异常。
6.根据权利要求5所述的方法，其中借助于验证数据集来确定所述单独的误差阈值，其中针对所述一个或多个系统参量（G）和所述至少一个调定量（S）中的每一个的误差阈值被选择为使得与预先给定的百分位相对应地没有识别出误差。
7.根据权利要求1至6中任一项所述的方法，其中所述技术装置（1）包括废气后处理装置，其中所述输入向量包括针对尿素注射系统的调定量，作为所述调定量。
8.根据权利要求1至7中任一项所述的方法，其中用信号通知所识别出的操纵，或者其中根据所识别出的操纵来运行所述技术装置（1）。
9.一种用于技术装置（1）、尤其是机动车中的技术装置、尤其是废气后处理装置的操纵识别的设备，其中所述设备被构造用于：
- 提供（S1）输入向量（E）的时间序列，所述输入向量具有一个或多个系统参量（G）并且具有用于干预所述技术装置（1）的至少一个调定量（S）；
- 使用（S2、S3）基于数据的操纵识别模型，所述操纵识别模型包括循环神经网络（61）和自动编码器（62），所述循环神经网络被构造用于根据所述输入向量（E）来确定状态向量（Z），所述自动编码器被构造用于根据所述状态向量（Z）来确定重构向量（E'）；
- 根据取决于所述重构向量（E'）的重构误差来识别（S4、S5、S6）异常；
- 根据所述重构误差来识别（S8）操纵。
10.一种计算机程序产品，所述计算机程序产品包括如下指令，在通过计算机来实施程序时，所述指令促使所述计算机实施根据权利要求1至8中任一项所述的方法的步骤。
11.一种机器可读存储介质，所述机器可读存储介质包括如下指令，所述指令在通过计算机来实施时促使所述计算机实施根据权利要求1至8中任一项所述的方法的步骤。
CN202110974065.6A 2020-08-25 2021-08-24 用于借助于人工智能方法进行在机动车中的技术装置处的操纵识别的方法和设备 Pending CN114186601A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020210727.0A DE102020210727A1 (de) 2020-08-25 2020-08-25 Verfahren und Vorrichtung zur Manipulationskennung an einer technischen Einrichtung in einem Kraftfahrzeug mithilfe Methoden künstlicher Intelligenz
DE102020210727.0 2020-08-25

Publications (1)

Publication Number Publication Date
CN114186601A true CN114186601A (zh) 2022-03-15

Family

ID=80221348

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110974065.6A Pending CN114186601A (zh) 2020-08-25 2021-08-24 用于借助于人工智能方法进行在机动车中的技术装置处的操纵识别的方法和设备

Country Status (3)

Country Link
US (1) US20220067023A1 (zh)
CN (1) CN114186601A (zh)
DE (1) DE102020210727A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220163201A (ko) * 2021-06-02 2022-12-09 현대자동차주식회사 차량의 변속 제어 장치 및 그 방법
KR20220169279A (ko) * 2021-06-18 2022-12-27 현대자동차주식회사 무단 변속기의 풀리 제어 장치 및 그 방법
DE102022203343A1 (de) 2022-04-05 2023-10-05 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Betreiben eines Systems zum Erkennen einer Anomalie eines elektrischen Energiespeichers für ein Gerät mithilfe von maschinellen Lernverfahren

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10328015A1 (de) 2003-06-23 2005-01-13 Volkswagen Ag Virtuelle Lambdasonde für ein Kraftfahrzeug
FR2893983B1 (fr) 2005-11-29 2011-03-25 Renault Sas Procede et systeme d'estimation d'une temperature des gaz d'echappement et moteur a combustion interne equipe d'un tel systeme
US10118119B2 (en) * 2015-06-08 2018-11-06 Cts Corporation Radio frequency process sensing, control, and diagnostics network and system
US10594712B2 (en) * 2016-12-06 2020-03-17 General Electric Company Systems and methods for cyber-attack detection at sample speed
US11215102B2 (en) * 2018-01-16 2022-01-04 Cts Corporation Radio frequency sensor system incorporating machine learning system and method
DE102019201953B4 (de) 2019-02-14 2021-01-28 Audi Ag Verfahren und Detektionsvorrichtung zum Detektieren eines Eingriffs in ein Kraftfahrzeug sowie Kraftfahrzeug mit einer Detektionsvorrichtung
US20200293032A1 (en) * 2019-03-13 2020-09-17 General Electric Company Extremely fast substation asset monitoring system and method

Also Published As

Publication number Publication date
US20220067023A1 (en) 2022-03-03
DE102020210727A1 (de) 2022-03-03

Similar Documents

Publication Publication Date Title
CN114186601A (zh) 用于借助于人工智能方法进行在机动车中的技术装置处的操纵识别的方法和设备
US9683507B2 (en) System, method, and apparatus for controlling an aftertreatment system having a particulate filter and a rich NOx conversion device
US11346267B2 (en) Operating an exhaust gas aftertreatment system of an internal combustion engine and an exhaust gas aftertreatment system
EP2180157B1 (en) Diagnostic method for selective catalytic reduction (SCR) exhaust treatment system
DE102012206001B4 (de) Verfahren zur Diagnose einer Fehlerbedingung eines bereichsweisen Hängenbleibens eines Stickoxidsensors in einem Fahrzeug sowie ein dieses Verfahren verwendendes Fahrzeug
Isermann Combustion engine diagnosis
US20160319727A1 (en) Method for on-board diagnosis of an oxidation catalyst in an exhaust-gas system of an internal combustion engine of a vehicle
US11635011B2 (en) Controller and method for controlling operation of an aftertreatment system based on short-term and long-term cumulative degradation estimates
CN111301436A (zh) 用于对车辆的组件的被篡改的运行进行识别的方法
EP0796988B1 (en) Method of diagnosing the efficiency of an exhaust gas stoichiometric composition sensor placed downstream of a catalytic converter
US20220316384A1 (en) Method and device for manipulation detection on a technical device in a motor vehicle with the aid of artificial intelligence methods
US9677451B2 (en) Electronic control module for an internal combustion engine
CN102102565B (zh) 在内燃发动机运转过程中进行“车上”故障诊断的方法和装置
CN114810292A (zh) 废气后处理系统的操纵识别的计算机实现的方法和设备
EP2556227A1 (en) Device and method for detecting a state of a sensor in the exhaust system of a motor vehicle
EP4180642A1 (en) Non-intrusive reductant injector clogging detection
SE1250961A1 (sv) Förfarande och system vid avgasrening
US11933239B2 (en) Method, processing unit, and computer program for operating an internal combustion engine having at least one catalytic converter
CN115095412B (zh) 柴油车尾气的scr系统监测方法、装置、设备、介质
US20240044275A1 (en) Verfahren zur diagnose eines partikelfilters für einen verbrennungsmotor
CN114251164B (zh) 怠速和运行后状态下的传感器偏移诊断
CN110030069B (zh) 用于学习scr-催化器系统的输送模块的泵的至少一个泵特征的方法
CN114135408A (zh) 车辆系统以及检测燃料喷射器故障的系统和方法
WO2022194595A1 (de) Verfahren und vorrichtung zur manipulationskennung an einer technischen einrichtung in einem kraftfahrzeug mithilfe methoden künstlicher intelligenz
CN115217599A (zh) 用于诊断用于内燃机的scr系统的方法和设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination