CN116432002A - 用于提供和评估用于变点检测的传感器模型的方法和装置 - Google Patents
用于提供和评估用于变点检测的传感器模型的方法和装置 Download PDFInfo
- Publication number
- CN116432002A CN116432002A CN202310030321.5A CN202310030321A CN116432002A CN 116432002 A CN116432002 A CN 116432002A CN 202310030321 A CN202310030321 A CN 202310030321A CN 116432002 A CN116432002 A CN 116432002A
- Authority
- CN
- China
- Prior art keywords
- time
- sensor
- point
- evaluation
- sensor signal
- 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
Images
Classifications
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
用于提供和评估用于变点检测的传感器模型的方法和装置。本发明涉及用来评估用于确定传感器信号时间序列(S)中的变点时间点的基于数据的传感器模型(5)的方法,所述方法具有如下步骤:‑在传感器信号时间序列(S)的评估时间窗中提供(S2)评估信号时间序列(A);‑根据所述评估信号时间序列(A)来确定(S3)彼此有时移或者分别彼此偏移多个采样步长的传感器信号片段(F1、F2、F3、F4),其中所述传感器信号片段(F1、F2、F3、F4)具有比所述评估信号时间序列更短的长度;‑借助于FFT或者格兹尔算法,根据所述传感器信号片段(F1、F2、F3、F4)来确定(S4)一个或多个频率贡献;‑在经过训练的基于数据的传感器模型(5)中评估(S5、S6)所述频率贡献,以便确定在所述评估时间窗内的变点时间点。
Description
技术领域
本发明涉及一种用来提供和评估用于识别传感器信号时间序列中的变点(Change-Point)时间点的传感器模型的方法并且尤其是涉及用于提供基于数据的传感器模型以评估可解释的物理动机特征的措施。
背景技术
用于采集物理量的传感器通常被连续扫描。这样,例如可以借助于适合的传感器来采集压力、质量流量、加速度、温度、振动、加速度等等。接着,在传感器或传感器系统的输出端处通常在预先给定的采样时间点提供传感器信号时间序列,作为电信号或数字化信号。该传感器信号时间序列说明了传感器信号的随时间的变化过程,作为传感器信号时间序列。
为了进行评估,可以分析这种传感器信号时间序列,使得依据传感器信号的变化过程可以采集技术系统的特殊特征。传感器信号可以以多种方式来被评估,而一种应用在于:通过对该传感器信号时间序列的评估来确定系统状态的显著变化的时间点、即所谓的变点时间点。为此,通常提供传感器模型,该传感器模型给该传感器信号时间序列的片段分配说明变点时间点的信息。
发明内容
按照本发明,提出了一种按照权利要求1所述的用来评估用于变点检测的基于数据的传感器模型的方法、一种按照并列独立权利要求所述的用于训练基于数据的传感器模型以基于预先给定的传感器信号时间序列来提供变点时间点的方法以及按照并列独立权利要求所述的相对应的装置。
其它的设计方案在从属权利要求中说明。
按照第一方面,提供了一种用来评估用于确定传感器信号时间序列中的变点时间点的基于数据的传感器模型的方法,该方法具有如下步骤:
-在传感器信号时间序列的评估时间窗中提供评估信号时间序列;
-根据该评估信号时间序列来确定彼此有时移或者分别彼此偏移多个采样步长的传感器信号片段,其中这些传感器信号片段具有比该评估信号时间序列更短的长度;
-尤其是借助于FFT(快速傅里叶变换)、DFT(离散傅里叶变换)或者格兹尔(Goertzel)算法,根据这些传感器信号片段来确定一个或多个频率贡献;
-在经过训练的基于数据的传感器模型中评估这些频率贡献,以便确定在该评估时间窗内的变点时间点。
如开头所述,上述方法涉及一种用于评估在采样步长内连续被采样的传统传感器的传感器信号时间序列的传感器模型。这种传感器例如可以是压力传感器、质量流量传感器、加速度传感器、振动传感器、辐射传感器等等。为了监控随时间的变化,此类传感器通常以预先确定的采样频率在时间上连续地被采样,并且这样以模拟或数字化方式来提供传感器信号时间序列。这种传感器信号时间序列可以以多种方式来被评估。
为了监控系统状态,通常需要检测在待测量技术系统中发生显著状态变化的时间点。这种时间点称为变点时间点。
一组基于数据的传感器模型已被证明对于评估传感器信号时间序列以确定变点时间点来说特别有用。为此,该传感器信号时间序列被采样,并且通过评估时间窗来选择传感器信号的时间段。该传感器信号时间序列的在该评估时间窗内被采集的部分作为评估信号时间序列以输入向量的形式被输送给传感器模型。该传感器模型可以被配置为基于数据的分类模型,使得根据该输入向量来输出被设计成分类向量的输出向量。该分类向量通常具有带多个元素的维数,这些元素分别分配有类别,并且这些元素分别被分配给在该传感器信号时间序列的评估时间窗内的特定时间点。分类向量的argmax对应于待确定的分类,即在输出向量中的相关元素的索引值对应于在评估时间窗内的预先规定的特定时间点。因此,该传感器模型可以被设计用于将变点时间点指定为分类向量,其中该变点时间点被指定为分类向量的argmax。
通过使用该传感器模型作为分类模型,对评估信号时间序列进行分类并且由此根据经过训练的传感器模型来确定在该传感器信号时间序列中的在所选择的评估信号窗内的变点时间点。接着,分类向量的元素的值、即通常是具有最高值的元素,具有索引值,该索引值确定在该传感器信号时间序列中的与该变点时间点相对应的时间点。
这种基于数据的传感器模型的训练通常优选地利用预先给定的训练数据集以本身公知的方式来进行。这些训练数据集给可通过在预先给定的评估信号时间窗内对传感器信号进行采样所获得的输入向量(评估信号时间序列)分派分类向量作为标签。
纯粹基于神经网络的基于数据的传感器模型的问题在于:该传感器模型的行为难以预测并且无法保证该传感器模型的在特定值范围内的输出。由此,通常不容许在安全关键的系统中、诸如在机动车辆等等处的具有驾驶相关性的系统中使用。
该传感器模型可以被训练用于给评估点时间序列的频率贡献分别分配变点时间点。这些频率贡献可涉及一个或多个预先确定的频率。
上述方法规定:对评估信号时间序列进行预处理,以便确定物理上可解释的频率特征。
如果使用基于频率的频率特征来评估基于数据的传感器模型,则该行为可解释并且该传感器模型可以这样被应用于安全关键的系统。
该传感器模型可解释,原因在于所确定的频率特征是物理激发的,即这种频率特征表明或者检测到频率何时在此处占主导地位。现在,这些特征利用线性函数来总结,并且输出Argmax作为所检测到的类别。即,该分类基于物理特征的线性组合。针对每个预测,可以确定其基于哪些特征(以及权重如何)。
按照上述方法,基于频率来分析来自传感器信号时间序列中的评估信号时间序列,以便逐段地获得针对一个或多个预先给定的频率的频率贡献。为此,将评估信号时间序列分解成多个相对于彼此偏移的采样时间窗,并且根据所得到的信号时间序列片段来确定一个或多个相对应的频率贡献。可以规定:这些频率贡献基于一个或多个预先给定的频率以及尤其是作为基础的正弦或余弦信号的相位来被确定。这些频率贡献例如可具有在预先给定的频率处的频谱的幅度值,例如通过FFT或格兹尔算法来获得。例如,根据其来对信号时间序列片段进行分析的频率信号可对应于具有预先给定的相位和频率的余弦信号。这些代表该传感器模型的超参数。
根据各个信号时间序列片段分别得出一个或多个频率贡献,所述频率贡献分别代表关于评估信号时间序列的输入特征。这些将在传感器信号时间序列的变化过程中的信息压缩成可理解的频率贡献。随后,这些频率贡献依据该传感器模型的一个或多个神经元层来被进一步处理。可以输出回归值或分类向量。回归值可以直接指定该变化时间点作为argmax,并且分类向量可以通过索引值来指定该变化时间点作为argmax。
为了对这种基于数据的传感器模型进行训练,根据训练数据时间序列来提取相对应的频率贡献作为特征,并且将这些频率贡献分配给相对应的标签,即变点时间点。在这种情况下,该传感器模型能仅通过对神经元层的模型参数的适配来被训练。可以以本身公知的方式借助于基于梯度的方法来进行该训练。
按照另一方面,提供了一种用于训练基于数据的传感器模型以对评估点时间序列进行评估以便确定变点时间点的方法,该方法具有如下步骤:
-提供训练数据集,这些训练数据集分别说明了评估点时间序列和以变点时间点为形式的标签;
-根据该评估信号时间序列来确定彼此有时移或者分别彼此偏移多个采样步长的传感器信号片段,其中这些传感器信号片段具有比该评估信号时间序列更短的长度;
-借助于FFT、DFT或者格兹尔算法,根据这些传感器信号片段来确定一个或多个频率贡献;
-利用这些频率贡献和被分配给这些频率贡献的变点时间点来训练基于数据的传感器模型。
按照另一方面,提供了一种用于执行上述方法之一的装置。
附图说明
随后,依据随附的附图更详细地阐述实施方式。其中:
图1示出了用于采集传感器信号时间序列的传感器系统的示意图;
图2示出了用来阐明用于利用先前的基于频率的特征提取来评估基于数据的传感器模型的方法的流程图;
图3示出了具有传感器信号片段的评估信号时间序列的图示;
图4示出了用来阐明用于利用先前的基于频率的特征提取来训练基于数据的传感器模型的方法的流程图;以及
图5示出了用于将燃料喷射到具有控制单元的内燃机的气缸中的喷射系统的示意图,在该控制单元中实现传感器模型。
具体实施方式
在下文,依据图1的框图和图2的流程图来更详细地描述对传感器模型的评估。图1示出了具有传感器2的传感器系统1,该传感器被设计用于记录和采集连续的测量信号。传感器2例如可以对应于压力传感器、质量流量传感器、温度传感器、加速度传感器、振动传感器、辐射传感器等等,并且在步骤S1中利用采样率来被采样,以便以离散的采样步长来获得连续的传感器信号时间序列S。
传感器信号时间序列S可对应于对变化的物理量的采集,该物理量例如按照循环过程来发生变化。循环过程被采集并且包含循环的状态变化,该循环的状态变化反映在物理量的变化中。
在步骤S2中,传感器信号时间序列S被输送给预处理块3,该预处理块循环地将评估时间窗应用于传感器信号时间序列S,以便确定评估信号时间序列A。该评估信号时间序列具有预先给定的数目的采样值,这些采样值由传感器信号时间序列S生成。预处理块3根据对评估时间窗的规定来创建评估信号时间序列A作为预定长度的向量。
评估信号时间序列A在时间上关于传感器信号时间序列被设计为使得该评估信号时间序列尽可能包括变点时间点的重复的状态变化。
在步骤S3中,评估信号时间序列A被输送给特征提取块4。特征提取块4从评估信号时间序列A分别提取信号时间序列片段,这些信号时间序列片段分别对应于评估信号时间序列A的片段并且具有更短的长度,例如评估信号时间序列A的长度的30%与70%之间。这些信号时间序列片段相对于彼此例如彼此偏移一个采样值或者预先给定的数目的采样值。在图3中示例性示出:信号时间序列片段F1、F2、F3、F4在评估信号时间序列A上的位置可以是怎样的。
在步骤S4中,在特征提取块4中进一步将频率分析功能应用于这些信号时间序列片段F1、F2、F3、F4中的每个信号时间序列片段,例如以FFT(快速傅里叶变换)、DFT(离散傅里叶变换)或者格兹尔算法为形式。格兹尔算法是一种特殊形式的离散傅里叶变换,利用该离散傅里叶变换可以高效地计算各个离散频谱分量。
借助于频率分析,可以针对这些信号时间序列片段F1、F2、F3、F4中的每个信号时间序列片段来确定一个或多个预先确定的频率的频谱分量、即频率贡献。这些预先确定的频率对应于基于数据的传感器模型的预先给定的超参数。
现在,在步骤S5中,将这些信号时间序列片段F1、F2、F3、F4中的每个信号时间序列片段的一个或多个频率贡献F输送给以单层或多层神经网络为形式的传感器模型5。该神经网络的神经元函数以本身公知的方式被定义为前一神经元层的利用加权向量来加权的输出值或者频率贡献与相对应的偏置值的总和。该总和可以被加载非线性激活函数。结果可以作为用于在下一神经元层中进一步处理的输出向量或者作为分类结果来被输出。
因此,在步骤S6中,传感器模型5可以输出与分类输出相对应的输出向量O。如上所述,输出向量O具有其索引值指示在评估时间窗内的时间点或时间段并且被固定分配给该时间点或时间段的元素。
在图4中示出了用于阐明对基于数据的传感器模型5的训练的流程图。基于在步骤S11中提供的训练数据集,这些训练数据集分别包括评估信号时间序列A并且必要时包括技术系统的一个或多个其它状态参量以及所分配的以分类向量为形式的标签,首先将这些训练数据集输送给特征提取块4,如其也被用于对评估信号时间序列A的上述评估的那样。
在步骤S12中,特征提取块4将评估信号时间序列A划分成信号时间序列片段F1、F2、F3、F4,如图3中所阐明的那样,针对这些信号时间序列片段分别以上述方式来确定一个频率贡献或多个频率贡献。在步骤S13中,根据这些信号时间序列片段F1、F2、F3、F4,通过频率分析来得出针对预先确定的频率和相位的相对应的一个或多个频率贡献,所述频率贡献作为以输入向量为形式的输入参量被输送给设计成神经网络的传感器模型5。
现在,在步骤S14中,根据所得到的频率贡献来训练传感器模型5的神经网络。即,在训练时也将利用训练数据集所提供的评估信号时间序列A划分成多个信号时间序列片段F1、F2、F3、F4,这些信号时间序列片段彼此偏移地分别代表来自评估信号时间序列A中的时间片段。评估信号时间序列A例如分配有以变点时间点为形式的标签,尤其是以其argmax说明变点时间点的分类向量为形式。用于训练的分类向量可以在与该标签的变点时间点相对应的索引位置具有条目1,而在其余位置提供值0。
神经网络借助于本身公知的基于梯度的方法、诸如反向传播来被训练,以便使模型参数、即人工神经元的权重和偏置值相对应地适配。优选地,神经网络具有两个神经元层,其中输出层可以被设计用于仅仅降维到作为输出向量O的分类向量的维度。
图5作为传感器系统1的示例示出了机动车辆的内燃机12的喷射系统10,针对该内燃机示例性示出了气缸13(尤其是多个气缸)。内燃机12优选地被设计成具有直接喷射的柴油发动机,但是也可以被设计成汽油发动机。
气缸13具有进气阀14和排气阀15,用于输送新鲜空气以及用于排出燃烧废气。
此外,用于运行内燃机12的燃料经由喷射阀16被喷射到气缸13的燃烧室17中。为此,将燃料经由燃料供应管路18来输送给喷射阀,经由该燃料供应管路以本身公知的方式(例如共轨(Common Rail))在高燃料压力下提供燃料。
喷射阀16具有能以电磁方式或者以压电方式操控的致动器单元21,该致动器单元与阀针22耦合。在喷射阀6的关闭状态下,阀针22位于针座23上。通过对致动器单元21的操控,阀针22沿纵向方向被移动并且释放在针座23中的阀孔的一部分,以便将处在压力下的燃料喷射到气缸13的燃烧室17中。
喷射阀16还具有压电传感器25,该压电传感器布置在喷射阀6中。压电传感器25由于在通过喷射阀6所引导的燃料中的压力变化而变形,并且生成电压信号作为传感器信号。
该喷射在控制单元30的控制下进行,该控制单元通过对致动器单元21的通电来指定所要喷射的燃料量。传感器信号借助于在控制单元30中的A/D转换器31在时间上被采样,尤其是以0.5至5MHz的采样率来在时间上被采样。由此获得传感器信号时间序列。
还提供压力传感器18,以便确定在喷射阀16上游的燃料压力。
在内燃机12运行时,传感器信号用于确定喷射阀16的正确的打开或关闭时间点。为此,传感器信号借助于A/D转换器31并且通过对评估时间窗的规定来被数字化成相对应的评估点时间序列A,并且通过上述特征提取以及利用经过训练的基于数据的传感器模型5进行的后续评估来被评估,据此可以根据燃料压力和其它运行参量来确定喷射阀16的打开时长并且相对应地确定所喷射的燃料量。为了确定该打开时长,尤其是需要打开时间点和关闭时间点,以便将该打开时长确定为这些参量的随时间的差。
结合上述传感器系统1,所采样的压力信号对应于传感器信号时间序列,其中用于打开或关闭喷射阀的操控时间点可以被认为是用于该标签的变点时间点。评估时间窗基于在内燃机中的喷射过程的具有时间位置的循环重复来得出,该时间位置基本上开始于被操控的打开时间点之前的预定时长,并且可以被确定为曲轴转角。
Claims (10)
1.一种用来评估用于确定传感器信号时间序列(S)中的变点时间点的基于数据的传感器模型(5)的方法,所述方法具有如下步骤:
-在传感器信号时间序列(S)的评估时间窗中提供(S2)评估信号时间序列(A);
-根据所述评估信号时间序列(A)来确定(S3)彼此有时移或者分别彼此偏移多个采样步长的传感器信号片段(F1、F2、F3、F4),其中所述传感器信号片段(F1、F2、F3、F4)具有比所述评估信号时间序列更短的长度;
-借助于FFT或者格兹尔算法,根据所述传感器信号片段(F1、F2、F3、F4)来确定(S4)一个或多个频率贡献;
-在经过训练的基于数据的传感器模型(5)中评估(S5、S6)所述频率贡献,以便确定在所述评估时间窗内的变点时间点。
2.根据权利要求1所述的方法,其中所述传感器模型(5)被训练用于给评估点时间序列(A)的频率贡献分别分配变点时间点。
3.根据权利要求1或2所述的方法,其中所述频率贡献基于一个或多个预先给定的频率以及尤其是作为基础的正弦或余弦信号的相位来被确定。
4.根据权利要求1至3中任一项所述的方法,其中所述传感器模型(5)被设置为单层或多层神经网络。
5.一种用于训练基于数据的传感器模型(5)以对评估点时间序列(A)进行评估以便确定变点时间点的方法,所述方法具有如下步骤:
-提供(S11)训练数据集,所述训练数据集分别说明了评估点时间序列(A)和以变点时间点为形式的标签;
-根据所述评估信号时间序列(A)来确定(S12)彼此有时移或者分别彼此偏移多个采样步长的传感器信号片段(F1、F2、F3、F4),其中所述传感器信号片段(F1、F2、F3、F4)具有比所述评估信号时间序列(A)更短的长度;
-借助于FFT或者格兹尔算法,根据所述传感器信号片段(F1、F2、F3、F4)来确定(S13)一个或多个频率贡献;
-利用所述频率贡献和被分配给所述频率贡献的变点时间点来训练(S14)所述基于数据的传感器模型(5)。
6.根据权利要求5所述的方法,其中所述基于数据的传感器模型(5)以深度神经网络的形式来设计并且借助于基于反向传播的训练方法来被训练。
7.根据权利要求1至6中任一项所述的方法,其中所述传感器模型(5)被设计用于将所述变点时间点指定为分类向量,其中所述变点时间点被指定为所述分类向量的argmax。
8.一种装置,其用于执行根据权利要求1至7中任一项所述的方法。
9.一种计算机程序产品,所述计算机程序产品包括如下指令,在通过计算机来执行程序时,所述指令促使所述计算机执行根据权利要求1至7中任一项所述的方法的步骤。
10.一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执行时促使所述计算机执行根据权利要求1至7中任一项所述的方法的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022200284.9 | 2022-01-13 | ||
DE102022200284.9A DE102022200284A1 (de) | 2022-01-13 | 2022-01-13 | Verfahren und Vorrichtung zum Bereitstellen und Auswerten eines Sensormodells für eine Change-Point-Detektion |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116432002A true CN116432002A (zh) | 2023-07-14 |
Family
ID=86895290
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310030321.5A Pending CN116432002A (zh) | 2022-01-13 | 2023-01-09 | 用于提供和评估用于变点检测的传感器模型的方法和装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230222329A1 (zh) |
CN (1) | CN116432002A (zh) |
DE (1) | DE102022200284A1 (zh) |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004030782A1 (de) | 2004-06-25 | 2006-01-19 | Fev Motorentechnik Gmbh | Fahrzeug-Steuergerät mit einem neuronalen Netz |
DE102016216945A1 (de) | 2016-09-07 | 2018-03-08 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Ausführen einer Funktion basierend auf einem Modellwert eines datenbasierten Funktionsmodells basierend auf einer Modellgültigkeitsangabe |
DE102019209690A1 (de) | 2018-09-10 | 2020-03-12 | Robert Bosch Gmbh | Verfahren zur Steuerung der Kraftstoffzumessung in eine Brennkraftmaschine |
DE102018217310A1 (de) | 2018-10-10 | 2020-04-16 | Robert Bosch Gmbh | Verfahren zum Auswerten von Zeitseriensignalen |
DE102019220530A1 (de) | 2019-12-23 | 2021-06-24 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zur Ermittlung einer Bauteileigenschaft während eines Fertigungsprozesses |
-
2022
- 2022-01-13 DE DE102022200284.9A patent/DE102022200284A1/de active Pending
-
2023
- 2023-01-09 CN CN202310030321.5A patent/CN116432002A/zh active Pending
- 2023-01-12 US US18/153,655 patent/US20230222329A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
DE102022200284A1 (de) | 2023-07-13 |
US20230222329A1 (en) | 2023-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116431984A (zh) | 用于训练用于变点检测的传感器模型的方法和装置 | |
US20230229121A1 (en) | Method and device for training a data-based time determining model for determining an opening or closing time of an injection valve using a machine learning method | |
Pla et al. | Increasing knock detection sensitivity by combining knock sensor signal with a control oriented combustion model | |
CN116432002A (zh) | 用于提供和评估用于变点检测的传感器模型的方法和装置 | |
Pla et al. | A supervised machine learning technique for combustion diagnosis using a vibration sensor signal | |
Bi et al. | Fault diagnosis of valve clearance in diesel engine based on BP neural network and support vector machine | |
US20220292307A1 (en) | Computer-implemented method and device for training a data-based point in time determination model for determining an opening point in time or a closing point in time of an injection valve with the aid of machine learning methods | |
US11846244B2 (en) | Method and apparatus for operating a fuel injection valve with the aid of machine learning methods | |
US20230313752A1 (en) | Method and device for operating a fuel injection valve | |
CN116075829A (zh) | 用于借助机器学习方法来运行燃料喷射阀的方法和设备 | |
Wolf et al. | Unsupervised data-driven automotive diagnostics with improved deep temporal clustering | |
Bhadane et al. | Misfire detection of automotive engines with convolutional neural network | |
US20230222352A1 (en) | Method for Training a Data-Based Evaluation Model | |
DE102021202287A1 (de) | Verfahren und Vorrichtung zum Betreiben eines Kraftstoffeinspritzventils mithilfe maschineller Lernverfahren | |
Devasenapati et al. | Random forest based misfire detection using kononenko discretiser | |
JP2023103189A (ja) | 異種のデータ点の距離尺度を決定するための距離メトリックを決定するための方法及び装置 | |
Kirillov et al. | Algorithmic method of analysis of time series data for definition of prognostic parameters of engine fault | |
DE102021205589B4 (de) | Verfahren und Vorrichtung zum Betreiben eines Kraftstoffeinspritzventils mithilfe maschineller Lernverfahren | |
Komorska et al. | On-line diagnosis of mechanical defects of the combustion engine with principal components analysis | |
Urgiles et al. | Application of feed-forward backpropagation neural network for the diagnosis of mechanical failures in engines provoked ignition | |
Kirillov et al. | System of the automatic preventive on-line monitoring and diagnostics of car engines on the basis of the new methods of preventive diagnostics | |
DE102021208280A1 (de) | Verfahren und Vorrichtung zum Bereitstellen eines datenbasierten Zeitpunktbestimmungsmodells für die Bestimmung eines Öffnungs- oder Schließzeitpunkts eines Einspritzventils mithilfe maschineller Lernverfahren | |
US20230221685A1 (en) | Method and Apparatus for Training and Evaluating an Evaluation Model for a Classification Application | |
DE102021205590A1 (de) | Verfahren und Vorrichtung zum Betreiben eines Kraftstoffeinspritzventils mithilfe maschineller Lernverfahren | |
Harrison et al. | Gas turbine vibration analysis with fuzzy ART neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |