CN114616561A - 确定技术设备的系统行为与标准值范围的不允许偏差的方法 - Google Patents
确定技术设备的系统行为与标准值范围的不允许偏差的方法 Download PDFInfo
- Publication number
- CN114616561A CN114616561A CN202080076894.6A CN202080076894A CN114616561A CN 114616561 A CN114616561 A CN 114616561A CN 202080076894 A CN202080076894 A CN 202080076894A CN 114616561 A CN114616561 A CN 114616561A
- Authority
- CN
- China
- Prior art keywords
- network
- technical
- neural network
- head
- technical installation
- 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
Links
- 238000009434 installation Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 47
- 230000006399 behavior Effects 0.000 claims description 20
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006866 deterioration Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
- B60W50/0205—Diagnosing or detecting failures; Failure detection models
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T2270/00—Further aspects of brake control systems not otherwise provided for
- B60T2270/30—ESP control system
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
- B60W50/0205—Diagnosing or detecting failures; Failure detection models
- B60W2050/021—Means for detecting failure or malfunction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
在借助于人工神经网络确定技术设备的不允许偏差的方法中，在学习阶段向所述人工神经网络输送所述技术设备的输入数据和输出数据，在随后的预测中仅将所述输入数据输送给所述神经网络并且在所述神经网络中计算与所述技术设备的输出数据进行比较的输出比较数据。
Description
技术领域
本发明涉及一种借助于人工神经网络确定技术设备的系统行为与标准值范围的不允许偏差的方法。
背景技术
在DE 10 2018 206 805 B3中描述了一种借助于两个机器学习系统来预测对象的驾驶机动的方法。第一机器学习系统根据第一输入变量确定表征所述对象的输出变量，第二机器学习系统根据第二输入变量确定表征所述对象的状态的第二输出变量。根据输出变量预测所述对象的未来运动。在该文献中，第一机器学习系统包括深度神经网络，而第二机器学习系统包括概率图形模型。
DE 10 2018 209 916 A1公开了一种借助于神经网络的层序列基于输送给所述神经网络的输入层的输入信号来确定输出信号序列的方法。在定义的时间点，新的输入信号已经被输送给所述神经网络，而先前的输入信号仍在通过所述神经网络传播。
发明内容
借助于根据本发明的方法，可以确定技术设备的系统行为与标准值范围的不允许偏差。通过这种方式可以在故障实际发生之前预测所述技术设备的全部或部分故障，从而可以及时采取相应的对策。通过这种方式可以使用易于实现的措施来监视所述技术设备的状态。可以及时确定系统行为的恶化和系统异常。通过预给定并与标准值范围进行比较，可以持续监视技术设备的状态变化过程并确定以下时间点，到该时间点为止保证了技术设备正常工作并且从该时间点开始不再或至少不再完全能够确保正常工作。
用于确定技术设备的不允许偏差的方法使用人工神经网络，在学习阶段向所述人工神经网络输送所述技术设备的输入数据和输出数据。通过与所述技术设备的输入数据和输出数据进行比较，在所述人工神经网络中创建对应的链接，并针对所述技术设备的系统行为训练所述神经网络。
在学习阶段之后的预测阶段，可以在所述神经网络中可靠地预测所述设备的系统行为。为此在预测阶段仅将所述技术设备的输入数据输送给所述神经网络，并在所述神经网络中计算与所述技术设备的输出数据进行比较的输出比较数据。如果该比较表明所述技术设备的输出数据（优选作为测量值检测）与神经网络的输出比较数据之差偏离太大并超过了极限值，则所述技术设备的系统行为与标准值范围存在不允许的偏差。然后可以采取合适的措施，例如可以产生或存储警告信号或者可以停用所述技术设备的部分功能（所述技术设备的降级）。如有必要，可以在出现不允许偏差的情况下切换到替代技术设备。
借助于上述方法，可以持续监视真实的技术设备。在学习阶段，所述神经网络从其输入端以及从其输出端都获得了技术设备的足够多的信息，从而可以在所述神经网络中以足够的准确度映射和模拟所述技术设备。这允许在随后的预测阶段监视所述技术设备并预测系统行为的恶化。通过这种方式，特别是可以预测所述技术设备的剩余使用寿命。
根据一个有利的实施方式，所述神经网络被细分为基础网络和头网络，它们共同形成所述神经网络。所述基础网络和所述头网络均由大量层组成，其中所述基础网络和所述头网络一起工作，但可细分为子网络。根据所述技术设备的类型，可以使用不同类型的层，特别是在头网络中，例如卷积层或密集层。
必要时可能有利的是，设置与共同的头网络作用的多个基础网络。例如可以为每个高动态测量通道分别使用一个基础网络。
在学习阶段，针对第一技术设备的系统行为训练所述基础网络和所述头网络二者。这代表了学习阶段的第一部分。在学习阶段的第一部分之后的第二部分中，在与所述第一技术设备相同设计的第二技术设备上进行所述训练。在学习阶段的第二部分，仅训练所述头网络，而不训练所述基础网络。
该实施方式的优点在于，可以针对所述第二技术设备的特定系统行为来训练所述头网络，其中实现了所述神经网络的电子设备只需具有相对较小的计算能力。相反，在学习阶段的第一部分中基于第一技术设备的训练可以在其他具有更高计算能力的电子设备上执行。
将学习阶段细分为第一部分和第二部分以及在学习阶段的第一部分中既训练基础网络又训练头网络，在学习阶段的第二部分中只训练头网络，一方面满足了对在所述神经网络中映射技术设备的系统行为的准确度的高要求，另一方面满足了所述神经网络在具有有限计算能力的电子设备上的运行能力的要求。特别地，可以在车间或开发环境等中集中执行所述学习阶段的与第一技术设备有关的第一部分，而所述学习阶段的第二部分分散地执行，例如在车辆中执行。在这种情况下，学习阶段的第二部分例如在车辆中的控制设备上执行，例如在ESP（电子稳定程序）模块的控制设备上执行。
根据另一有利实施方式，在学习阶段之后的预测阶段中，所述基础网络和所述头网络都用于确定所述第二技术设备的不允许偏差。从学习阶段的第一部分针对技术设计相同的设备训练所述基础网络，同样从学习阶段的第一部分针对技术设计相同的设备训练所述头网络，并且还从学习阶段的第二部分针对特殊的第二技术设备训练所述头网络。在预测阶段，所述基础网络和所述头网络相互作用以确定第二技术设备的系统行为中的不允许偏差。预测阶段比学习阶段需要更少的计算能力，从而两个子网络——所述基础网络和所述头网络——都可以在预测阶段在计算能力降低的电子设备上运行。
根据另一有利实施方式，所述头网络的神经元数量小于所述基础网络的神经元数量。该差异例如可以是至少五倍或至少十倍。即使使用至多是十分之一的头网络，也可以保证在学习阶段的第二部分中充分适配于第二技术设备的系统行为。
所述基础网络和所述头网络的相互作用按照以下方式进行，即所述基础网络的输出在学习阶段和预测阶段用作所述头网络的输入。在预测阶段，所述基础网络还接收来自技术设备的输入数据，借助于所述神经网络监视所述技术设备。此外，还可以将第二技术设备的输入数据的测量值输送给所述头网络，特别是动态相对较小的测量值的平均值。作为输入输送给基础网络的来自第二技术设备的输入数据也可以代表测量值，特别是在高动态范围内，其中该输入在时域或频域中被输送给所述基础网络。
关于输入数据的类型或类别的附加输入信息可以输送给所述头网络。这例如是来自聚类分析的信息，优选地是关于要在第二技术设备中执行的机动的类型的信息。在技术设备在车辆中的情况下，特别是制动系统或制动系统的子系统的情况下，它可以是例如驾驶机动的类型，例如制动过程或交通拥堵后驾驶。
根据另一有利实施方式，输送给所述基本网络并且必要时输送给所述头网络的输入数据可以经受预处理。有利地待执行的第一预处理步骤规定将技术设备、特别是第二技术设备的可用测量值（检查所述可用测量值以确定系统行为是否存在不允许的偏差）或所述可用测量值的子集细分为固定长度的时间段。附加地或替代地，还可以根据已知逻辑细分所述测量值或其子集，例如以特定于机动的方式。在技术设备只是暂时激活的情况下，也可以在每次激活时选择所述细分。
另一个有利的预处理步骤规定，对所述测量值进行聚类分析，例如借助于k均值算法。与特定类别有关的信息特别是可以直接输送给头网络，这导致结论准确度的提高。
根据又一个有利的预处理步骤，对特别是输送给所述基础网络并且优选地是高动态测量值的测量值进行傅立叶变换，特别是快速傅立叶变换或短时傅立叶变换（STFT），以将输入数据从时域传输到频域。在使用STFT的情况下，在此可以使用每个频率范围的平均值、最大值、中值或模态值以减少数据量。预处理步骤的这些可能性也可以应用于动态较少的输入数据或测量数据。
如有必要，可以通过减少对测量值的采样来减少动态测量值的数据量。
本发明还涉及一种电子设备，例如车辆中的控制设备，所述电子设备配备有用于执行上述方法的装置。这些装置特别是至少一个计算单元和至少一个存储单元，分别用于执行必要的计算和用于存储输入数据和输出数据。
本发明还涉及一种具有程序代码的计算机程序产品，所述程序代码被设计为执行上述方法步骤。所述计算机程序产品可以存储在机器可读存储介质上并且可以在上述电子设备中运行。
所述方法例如可以应用于监视车辆中技术系统的状态，例如转向系统或制动系统。在这种情况下，所述电子设备有利地是控制设备，通过所述控制设备可以操控所述技术设备的组件。此外，还可以在较大系统内仅监视一个子系统作为技术设备，例如在制动系统中监视ESP模块（电子稳定程序）。
附图说明
其他优点和适宜的实施方式在其他权利要求、附图描述和附图中得出。
图1示出了具有第一ESP模块的符号表示的框图，该第一ESP模块被输送了输入数据并产生输出数据，具有并联连接的神经网络，该神经网络由基础网络和头网络组成并且处于学习阶段的第一部分，
图2示出了根据图1的框图，但是具有第二ESP模块和处于学习阶段的第二部分中的神经网络，
图3示出了根据图2的框图，具有第二ESP模块和处于预测阶段的神经网络，
图4以详细图示出了神经网络的基础网络和头网络。
在这些图中，相同的部件具有相同的附图标记。
具体实施方式
在根据图1的框图中示出了用于车辆中制动系统的ESP模块形式的技术设备1的原理图示，该技术设备具有输入数据和输出数据以及并联连接的神经网络4。例如用作技术设备的ESP模块1包括用于在制动系统中产生期望的、经过调制的制动压力的ESP泵和用于操控ESP泵的控制设备。向ESP模块1输送输入数据2，例如用于ESP模块1的电可操作ESP泵的输入电流，其中ESP模块1响应于输入数据2产生输出数据3，例如液压制动压力。
神经网络4与技术设备1并联连接，该神经网络在学习阶段针对技术设备1的系统行为受到训练，为此技术设备1的输入数据2和输出数据3都在学习阶段输送给神经网络4。
神经网络4细分为基础网络和头网络，基础网络和头网络都具有多个层并且相互作用。基础网络6的输出代表头网络7的输入。基础网络6明显大于头网络7，基础网络的神经元数量优选地是头网络7的神经元数量的至少5倍或至少10倍。
图1代表学习阶段的第一部分，在该第一部分中针对技术设备1的系统行为训练基础网络6和头网络7二者。为此，将技术设备1的输入数据2和输出数据都作为输入输送给基础网络6并且在基础网络6和头网络7中创建链接。
根据图1的学习阶段的第一部分可以在技术设备1的开发阶段期间执行。在学习阶段的第一部分结束后，基础网络6的训练就结束了。
图2示出了神经网络4的学习阶段的第二部分，其中该学习阶段的第二部分在第二技术设备5上执行，该第二技术设备5在技术上与第一技术设备1相同设计。学习阶段的该第二部分仅与神经网络4的头网络7有关，而在学习阶段的第二部分中不再训练基础网络6。该实施方式使得由于计算不太密集的执行可以在性能相应较弱的控制设备上执行学习阶段的第二部分，特别是直接在第二技术设备5的安装地点。在ESP模块5的情况下，学习阶段的第二部分可以在ESP模块的控制设备中执行。
在学习阶段的第二部分中，第二技术设备5的输入数据2和输出数据3也作为输入被输送给神经网络4，但仅输送给神经网络的头网络7。
图3示出了处于神经网络4的预测阶段的第二技术设备5。学习阶段已完成，针对具体应用使用第二技术设备5充分训练了头网络7。在根据图3的预测阶段，将第二技术设备5的输入数据2作为输入输送给神经网络4，其中在所述神经网络中用基础网络6和头网络7基于所学习的行为产生输出比较数据，将所述输出比较数据与第二技术设备5的输出数据3进行比较。如果偏差大到使得技术设备5的输出数据3位于给定的标准值范围之外，则技术设备5的系统行为出现不允许的严重恶化，由此可以推断使用寿命缩短或技术设备5即将发生部分失效或完全失效。然后可以采取措施，例如产生警告信号或减少技术设备5的功能范围。
图4详细示出了具有基础网络6和头网络7的神经网络4的结构。基础网络6包括多个单独的基础网络或子基础网络6a、6b和6c，向这些基础网络或子基础网络分别输送高动态测量通道的时域或频域内的测量值作为输入数据。在学习阶段，这些是来自技术设备的输入数据和输出数据，而在预测阶段，这些是来自技术设备的输入数据。
在输出端，子基础网络6a、6b和6c中产生的数据作为输入输送给头网络7，在头网络7中在学习阶段创建进一步的链接，并在预测阶段对所考虑的技术设备的系统行为进行预测。在学习阶段的第二部分中，可以将来自第二技术设备的输出数据作为输入直接输送给头网络7，这也可以从图2得出。
在预测阶段，可以将补充信息或静态测量值或较少动态测量值的平均值作为附加输入输送给头网络7，所述补充信息例如是关于输入数据的类型或类别的信息。
Claims (13)
1.一种借助于人工神经网络（4）确定技术设备（1、5）的系统行为与标准值范围的不允许偏差的方法，所述技术设备（1、5）的输入数据（2）和输出数据（3）在学习阶段中输送给所述人工神经网络，其中在所述学习阶段之后的预测阶段仅将所述技术设备（5）的输入数据（2）输送给所述神经网络（4），并在所述神经网络（4）中计算输出比较数据，其中如果所述技术设备（5）的输出数据（3）由于与所述神经网络（4）的输出比较数据之差而位于所述标准值范围之外，则确定所述技术设备（5）存在不允许偏差。
2.根据权利要求1所述的方法，其特征在于，将所述神经网络（4）细分为基础网络（6）和头网络（7），其中在所述学习阶段的第一部分在第一技术设备（1）上既训练所述基础网络（6）又训练所述头网络（7），而在所述学习阶段的第二部分在与所述第一技术设备（1）相同设计的第二技术设备（5）上仅训练所述头网络（7）。
3.根据权利要求2所述的方法，其特征在于，在所述预测阶段中，所述基础网络（6）和所述头网络（7）都用于确定所述第二技术设备（5）的不允许偏差。
4.根据权利要求2或3所述的方法，其特征在于，所述头网络（7）的神经元数量小于所述基础网络（6）的神经元数量，特别是至多是五分之一或十分之一。
5.根据权利要求2至4中任一项所述的方法，其特征在于，所述基础网络（6）的输出用作所述头网络（7）的输入。
6.根据权利要求2至5中任一项所述的方法，其特征在于，将所述第二技术设备（5）的测量值作为输入输送给所述头网络（7）。
7.根据权利要求2至6中任一项所述的方法，其特征在于，将关于所述输入数据（2）的类型或类别的信息作为输入输送给所述头网络（7）。
8.根据权利要求2至7中任一项所述的方法，其特征在于，所述神经网络（4）包括多个基础网络（6），向所述多个基础网络输送不同的输入数据（2）。
9.根据权利要求8所述的方法，其特征在于，将不同基础网络（6）的输出输送给共同的头网络（7）。
10.根据权利要求2至9中任一项所述的方法，其特征在于，所述输入数据（2）在所述神经网络（4）中的处理进行之前经受预处理。
11.一种电子设备，特别是车辆中的控制设备，具有被构造用于执行根据权利要求1至10中任一项所述的方法的装置。
12.一种具有程序代码的计算机程序产品，所述程序代码被设计为执行根据权利要求1至10中任一项所述的方法的步骤。
13.一种机器可读存储介质，其上存储有根据权利要求12所述的计算机程序产品。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102019217071.4A DE102019217071A1 (de) | 2019-11-06 | 2019-11-06 | Verfahren zum Ermitteln einer unzulässigen Abweichung des Systemverhaltens einer technischen Einrichtung von einem Normwertebereich |
| DE102019217071.4 | 2019-11-06 | ||
| PCT/EP2020/081029 WO2021089659A1 (de) | 2019-11-06 | 2020-11-05 | Verfahren zum ermitteln einer unzulässigen abweichung des systemverhaltens einer technischen einrichtung von einem normwertebereich |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114616561A true CN114616561A (zh) | 2022-06-10 |
Family
ID=73172659
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202080076894.6A Pending CN114616561A (zh) | 2019-11-06 | 2020-11-05 | 确定技术设备的系统行为与标准值范围的不允许偏差的方法 |
Country Status (8)
| Country | Link |
|---|---|
| US (1) | US20220374711A1 (zh) |
| JP (1) | JP7450027B2 (zh) |
| KR (1) | KR20220092531A (zh) |
| CN (1) | CN114616561A (zh) |
| BR (1) | BR112022008252A2 (zh) |
| DE (1) | DE102019217071A1 (zh) |
| FR (1) | FR3102870A1 (zh) |
| WO (1) | WO2021089659A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102021204849A1 (de) | 2021-05-12 | 2022-11-17 | Volkswagen Aktiengesellschaft | Prädiktion einer Charakteristik einer Zielflotte |
| DE102021213236A1 (de) | 2021-11-24 | 2023-05-25 | Volkswagen Aktiengesellschaft | Verfahren und Vorrichtung zum Bereitstellen eines Schätzwertes für mindestens einen Zustandsparameter und/oder Steuerparameter eines Systems |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103733210A (zh) * | 2011-08-18 | 2014-04-16 | 西门子公司 | 用于对技术系统进行计算机辅助的建模的方法 |
| RU2013133304A (ru) * | 2013-07-18 | 2015-02-10 | Федеральное государственное бюджетное учреждение науки Институт конструкторско-технологической информатики Российской академии наук (ИКТИ РАН) | Способ и устройство технической диагностики сложного технологического оборудования на основе нейронных сетей |
| CN106055579A (zh) * | 2016-05-20 | 2016-10-26 | 上海交通大学 | 基于人工神经网络的车辆性能数据清洗系统及其方法 |
| CN106125714A (zh) * | 2016-06-20 | 2016-11-16 | 南京工业大学 | 结合bp神经网络与二参数威布尔分布的故障率预测方法 |
| CN109816094A (zh) * | 2019-01-03 | 2019-05-28 | 山东省科学院海洋仪器仪表研究所 | 基于神经网络l-m算法的光学溶解氧传感器非线性温度补偿方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0829538A (ja) * | 1994-07-13 | 1996-02-02 | Mitsubishi Electric Corp | 放射線検出装置 |
| CA2611408A1 (en) * | 2005-06-09 | 2006-12-14 | Drive Diagnostics Ltd. | System and method for displaying a driving profile |
| JP6904057B2 (ja) * | 2017-05-19 | 2021-07-14 | 株式会社リコー | 画像形成システム及び画像形成方法 |
| DE102017223751A1 (de) * | 2017-12-22 | 2019-06-27 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Erkennung von Anomalien in einem Datenstrom eines Kommunikationsnetzwerks |
| WO2019168167A1 (ja) * | 2018-03-02 | 2019-09-06 | 学校法人立命館 | 検証方法、検証装置、コンピュータプログラム、及び、検証システム |
| DE102018206805B3 (de) | 2018-05-03 | 2019-09-12 | Robert Bosch Gmbh | Verfahren, Vorrichtung und Computerprogramm zum Prädizieren einer zukünftigen Bewegung eines Objekts |
-
2019
- 2019-11-06 DE DE102019217071.4A patent/DE102019217071A1/de active Pending
-
2020
- 2020-11-02 FR FR2011210A patent/FR3102870A1/fr active Pending
- 2020-11-05 JP JP2022523262A patent/JP7450027B2/ja active Active
- 2020-11-05 US US17/755,696 patent/US20220374711A1/en active Pending
- 2020-11-05 WO PCT/EP2020/081029 patent/WO2021089659A1/de active Application Filing
- 2020-11-05 KR KR1020227016991A patent/KR20220092531A/ko unknown
- 2020-11-05 BR BR112022008252A patent/BR112022008252A2/pt unknown
- 2020-11-05 CN CN202080076894.6A patent/CN114616561A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103733210A (zh) * | 2011-08-18 | 2014-04-16 | 西门子公司 | 用于对技术系统进行计算机辅助的建模的方法 |
| RU2013133304A (ru) * | 2013-07-18 | 2015-02-10 | Федеральное государственное бюджетное учреждение науки Институт конструкторско-технологической информатики Российской академии наук (ИКТИ РАН) | Способ и устройство технической диагностики сложного технологического оборудования на основе нейронных сетей |
| CN106055579A (zh) * | 2016-05-20 | 2016-10-26 | 上海交通大学 | 基于人工神经网络的车辆性能数据清洗系统及其方法 |
| CN106125714A (zh) * | 2016-06-20 | 2016-11-16 | 南京工业大学 | 结合bp神经网络与二参数威布尔分布的故障率预测方法 |
| CN109816094A (zh) * | 2019-01-03 | 2019-05-28 | 山东省科学院海洋仪器仪表研究所 | 基于神经网络l-m算法的光学溶解氧传感器非线性温度补偿方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220092531A (ko) | 2022-07-01 |
| DE102019217071A1 (de) | 2021-05-06 |
| US20220374711A1 (en) | 2022-11-24 |
| JP7450027B2 (ja) | 2024-03-14 |
| FR3102870A1 (fr) | 2021-05-07 |
| BR112022008252A2 (pt) | 2022-07-12 |
| JP2022552868A (ja) | 2022-12-20 |
| WO2021089659A1 (de) | 2021-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aydemir et al. | Anomaly monitoring improves remaining useful life estimation of industrial machinery | |
| US11989983B2 (en) | Deep learning of fault detection in onboard automobile systems | |
| US20200326698A1 (en) | Failure prediction device, failure prediction method, computer program, calculation model learning method, and calculation model generation method | |
| US9915925B2 (en) | Initiated test health management system and method | |
| CN104850889B (zh) | 一种飞机旋转作动器驱动装置自适应故障检测、隔离与健康评估的方法 | |
| JP7201844B2 (ja) | グラディエントベースのセンサ識別を利用した障害予測 | |
| EP2920658B1 (en) | Resilient optimization and control for distributed systems | |
| CN114616561A (zh) | 确定技术设备的系统行为与标准值范围的不允许偏差的方法 | |
| MXPA04004897A (es) | Sistema y metodo para procesar un nuevo caso de diagnostico con relacion a datos historicos de caso y determinar una clasificacion de posibles reparaciones. | |
| US20190217867A1 (en) | Method for operating an electrical system of a motor vehicle | |
| CN110334865B (zh) | 一种基于卷积神经网络的电力设备故障率预测方法及系统 | |
| EP4081873A1 (en) | Sensor fault prediction method and apparatus | |
| KR20150084613A (ko) | 데이터 마이닝을 이용한 타워크레인 고장예측방법 | |
| CN114323671A (zh) | 借助人工智能方法基于对电驱动系统的组件的预测诊断来确定剩余使用寿命的方法和设备 | |
| CN113360338A (zh) | 用于监控机器的状态的方法和计算单元 | |
| KR102130272B1 (ko) | 경험모델 기반 예측 알고리즘의 최적화 방법 | |
| US20230137625A1 (en) | Health monitoring methods for early fault detection in high voltage battery packs used in electric vehicles | |
| Davari et al. | A fault detection framework based on lstm autoencoder: A case study for volvo bus data set | |
| CN113574398A (zh) | 用于监视铁路轨道设备的道岔的方法 | |
| US20040039560A1 (en) | Method computer program product and computer system for maintenance | |
| CN114600132A (zh) | 用于确定技术装置的系统行为与标准值范围的不容许的偏差的方法 | |
| WO2018078769A1 (ja) | 制御装置 | |
| Sahasrabudhe et al. | Experimental Analysis of Machine Learning Algorithms used in Predictive Maintenance | |
| CN114641781A (zh) | 确定技术设备的系统行为与标准值范围的不允许偏差的方法 | |
| CN115135526A (zh) | 用于监控车辆的车载网络的方法和装置 |
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 |