DE102017219473A1

DE102017219473A1 - A method for predictively detecting a failure of a component of a vehicle, computer readable medium, system, and vehicle comprising the system

Info

Publication number: DE102017219473A1
Application number: DE102017219473.1A
Authority: DE
Inventors: Philipp Ruchser; Tobias Karspeck; Caroline Tabbert
Original assignee: Bayerische Motoren Werke AG
Current assignee: Bayerische Motoren Werke AG
Priority date: 2017-11-02
Filing date: 2017-11-02
Publication date: 2019-05-02

Abstract

Die Erfindung betrifft ein Verfahren zum vorausschauenden Erkennen eines Ausfalls einer Komponente eines Fahrzeugs, das Verfahren umfassend: Empfangen von Daten mehrerer Messgrößen des Fahrzeugs, wobei die Messgrößen den Ausfall der Komponente des Fahrzeugs betreffen; Ermitteln einer Menge von Fahrzeugen in Abhängigkeit der empfangenen Daten der Messgrößen des Fahrzeugs und gespeicherten Daten von weiteren Fahrzeugen; Lernen einer Funktion mittels eines vorgegebenen Lernverfahrens basierend auf den Daten der ermittelten Fahrzeuge, wobei die Funktion eine oder mehrere Messgrößen aus den empfangenen Messgrößen umfasst, die charakteristisch für den Ausfall der Komponente des Fahrzeugs sind; Empfangen von weiteren Daten der Messgrößen der Komponente eines weiteren Fahrzeugs; Ermitteln einer Ausfallwahrscheinlichkeit für die Komponente des weiteren Fahrzeugs mittels der gelernten Funktion; Falls die Ausfallwahrscheinlichkeit einen vorgegebenen Schwellwert überschreitet: Erzeugen eines Servicesignals für die Komponente des weiteren Fahrzeugs, wobei das Servicesignal einen vorausschauenden Ausfall der Komponente des weiteren Fahrzeugs anzeigt.

The invention relates to a method for the anticipatory detection of a failure of a component of a vehicle, the method comprising: receiving data of a plurality of measured variables of the vehicle, wherein the measured variables relate to the failure of the component of the vehicle; Determining a set of vehicles in dependence on the received data of the measured variables of the vehicle and stored data of further vehicles; Learning a function by means of a predetermined learning method based on the data of the determined vehicles, the function comprising one or more measured variables from the received measured variables that are characteristic of the failure of the component of the vehicle; Receiving further data of the measured quantities of the component of another vehicle; Determining a probability of failure for the component of the further vehicle by means of the learned function; If the probability of failure exceeds a predetermined threshold: generating a service signal for the component of the further vehicle, wherein the service signal indicates a predictive failure of the component of the further vehicle.

Description

Die Erfindung betrifft ein Verfahren zum vorausschauenden Erkennen eines Ausfalls einer Komponente eines Fahrzeugs. Die Erfindung betrifft ferner ein computerlesbares Medium, ein System, sowie ein Fahrzeug umfassend das System zum vorausschauenden Erkennen des Ausfalls einer Komponente eines Fahrzeugs.The invention relates to a method for anticipatory detection of a failure of a component of a vehicle. The invention further relates to a computer readable medium, a system, and a vehicle comprising the system for predictively detecting the failure of a component of a vehicle.

Aus dem Stand der Technik sind Servicemaßnahmen für Fahrzeuge bekannt, bei denen eine Komponente eines Fahrzeugs bei einer Wartung des Fahrzeugs ausgetauscht wird, um einen Ausfall einer Komponente eines Fahrzeugs zu verhindern. Die Komponente des Fahrzeugs kann präventiv getauscht werden bzw. einer präventiven Wartung unterzogen werden. Die präventive Wartung kann zustandsunabhängig bei Komponenten des Fahrzeugs erfolgen, die beispielsweise Verschleißteile des Fahrzeugs sind, jedoch sensorisch nicht durch das Fahrzeug direkt überwacht werden können. Ferner kann der Ausfall einer Komponente des Fahrzeugs durch eine zustandsabhängige Wartung des Fahrzeugs verhindert werden. Die zustandsabhängige Wartung kann beispielsweise bei Komponenten des Fahrzeugs erfolgen, die Verschleißteile des Fahrzeugs sind und deren aktueller Zustand sensorisch direkt durch das Fahrzeug überwacht werden kann. Um einen Ausfall einer Komponente des Fahrzeugs zu vermeiden, die bei Auslegung nicht als ein Verschleißteil des Fahrzeugs klassifiziert ist oder nicht unmittelbar sensorisch überwacht wird, kann eine zustandsabhängige Wartung jedoch nicht verwendet werden.The prior art discloses service measures for vehicles in which a component of a vehicle is replaced during maintenance of the vehicle in order to prevent failure of a component of a vehicle. The component of the vehicle can be replaced preventively or subjected to preventive maintenance. The preventive maintenance can be carried out state-independent for components of the vehicle, which are, for example, wear parts of the vehicle, but can not be monitored directly by the vehicle sensory. Further, the failure of a component of the vehicle can be prevented by a condition-dependent maintenance of the vehicle. The condition-dependent maintenance can be carried out, for example, in components of the vehicle that are wearing parts of the vehicle and whose current state can be monitored directly by the vehicle. However, to avoid a failure of a component of the vehicle that is not classified as a wear part of the vehicle when designed or is not immediately sensor-monitored, condition-based maintenance can not be used.

Es ist daher eine Aufgabe der Erfindung, einen Ausfall einer Komponente eines Fahrzeugs effizient zu erkennen. Insbesondere ist es eine Aufgabe der Erfindung, einen Ausfall einer Komponente eines Fahrzeugs effizient zu verhindern, bevor der Ausfall der Komponente eintritt.It is therefore an object of the invention to efficiently detect a failure of a component of a vehicle. In particular, it is an object of the invention to efficiently prevent failure of a component of a vehicle before failure of the component occurs.

Gelöst wird diese Aufgabe durch die Merkmale der unabhängigen Ansprüche. Vorteilhafte Ausgestaltungen und Weiterbildungen der Erfindung ergeben sich aus den abhängigen Ansprüchen.This object is achieved by the features of the independent claims. Advantageous embodiments and modifications of the invention will become apparent from the dependent claims.

Gemäß einem ersten Aspekt zeichnet sich die Erfindung aus durch ein Verfahren, insbesondere ein computerimplementiertes Verfahren, zum vorausschauenden Erkennen eines Ausfalls einer Komponente eines Fahrzeugs. Die Komponente ist vorzugsweise ein Bauteil des Fahrzeugs, welches nicht als ein Verschleißteil des Fahrzeugs ausgelegt ist. In anderen Worten kann die Komponente ein Bauteil des Fahrzeugs sein, dessen Austausch während einer Nutzungsdauer des Fahrzeugs nicht vorgesehen ist. Das Fahrzeug kann ein Landfahrzeug, z.B. ein Kraftfahrzeug oder ein Motorrad, sein. Das Verfahren umfasst ein Empfangen von Daten mehrerer Messgrößen eines Fahrzeugs, wobei die Messgrößen den Ausfall der Komponente des Fahrzeugs betreffen. Eine Messgröße kann ein Indikator für einen Defekt einer Komponente des Fahrzeugs sein, z.B. ein Fehlercode. Eine Messgröße kann ferner eine Einflussgröße für einen Fehler einer Komponente umfassen, z.B. ein Fahrzeugnutzungsparameter. Beispielsweise können die Messgrößen zeitlich bei oder nach dem Ausfall der Komponente des Fahrzeugs durch ein oder mehrere Steuergeräte des Fahrzeugs erfasst und gespeichert werden, und/oder von dem bzw. den Steuergeräten des Fahrzeugs von einem oder mehreren Sensoren empfangen werden. Zusätzlich oder alternativ kann einen Messgröße eine Verteilung, einen Mittelwert, oder einen Zähler von einzelnen Messwerten über einen vorgegebenen Zeitraum umfassen. Das Verfahren umfasst weiterhin ein Ermitteln einer Menge von Fahrzeugen in Abhängigkeit der empfangenen Daten der Messgrößen des Fahrzeugs und gespeicherten Daten von weiteren Fahrzeugen. Die gespeicherten Daten der weiteren Fahrzeuge können Daten zu Messgrößen einer oder mehrerer Steuergeräte der weiteren Fahrzeuge sein. Vorzugsweise umfassen die Messgrößen, zu denen die Daten der weiteren Fahrzeuge gespeichert sind, die Messgrößen, die den Ausfall der Komponente des Fahrzeugs betreffen, mindestens teilweise oder vollständig.According to a first aspect, the invention is characterized by a method, in particular a computer-implemented method, for anticipatory recognition of a failure of a component of a vehicle. The component is preferably a component of the vehicle, which is not designed as a wear part of the vehicle. In other words, the component may be a component of the vehicle, the replacement of which is not provided during a useful life of the vehicle. The vehicle may be a land vehicle, e.g. a motor vehicle or a motorcycle. The method comprises receiving data of a plurality of measured variables of a vehicle, wherein the measured variables relate to the failure of the component of the vehicle. A measurand may be an indicator of a defect of a component of the vehicle, e.g. an error code. A measurand may further include an influence quantity for an error of a component, e.g. a vehicle usage parameter. For example, the measured variables can be detected and stored by one or more control devices of the vehicle during and after the failure of the component of the vehicle and / or received by the control device (s) of the vehicle from one or more sensors. Additionally or alternatively, a measured variable may include a distribution, an average, or a counter of individual measured values over a predetermined period of time. The method further comprises determining a quantity of vehicles as a function of the received data of the measured variables of the vehicle and stored data of other vehicles. The stored data of the other vehicles may be data for measured variables of one or more control devices of the other vehicles. Preferably, the measured quantities to which the data of the further vehicles are stored include the measured variables that relate to the failure of the component of the vehicle, at least partially or completely.

Das Verfahren kann eine Funktion mittels eines vorgegebenen Lernverfahrens basierend auf den Daten zu den Messgrößen der ermittelten Fahrzeuge lernen, wobei die Funktion eine oder mehrere Messgrößen aus den empfangenen Messgrößen umfasst, die charakteristisch für den Ausfall der Komponente des Fahrzeugs sind. Ferner kann das Verfahren weitere Daten der Messgrößen der Komponente eines weiteren Fahrzeugs empfangen und eine Ausfallwahrscheinlichkeit für die Komponente des weiteren Fahrzeugs mittels der gelernten Funktion ermitteln. Alternativ kann, falls die Ausfallwahrscheinlichkeit nicht direkt ermittelbar ist, ein Wert ermittelt werden, der als Ausfallwahrscheinlichkeit interpretiert werden kann. Falls die Ausfallwahrscheinlichkeit einen vorgegebenen Schwellwert überschreitet, kann ein Servicesignal für die Komponente des weiteren Fahrzeugs erzeugt werden, wobei das Servicesignal einen vorausschauenden Ausfall der Komponente des weiteren Fahrzeugs anzeigt.The method may learn a function by means of a predetermined learning method based on the data on the measured variables of the determined vehicles, wherein the function comprises one or more measured variables from the received measured variables which are characteristic for the failure of the component of the vehicle. Furthermore, the method can receive further data of the measured variables of the component of another vehicle and determine a failure probability for the component of the further vehicle by means of the learned function. Alternatively, if the probability of default can not be determined directly, a value can be determined which can be interpreted as a probability of default. If the probability of failure exceeds a predetermined threshold value, a service signal for the component of the further vehicle can be generated, wherein the service signal indicates a predictive failure of the component of the further vehicle.

Vorteilhafterweise kann durch das Lernen der Funktion mittels gespeicherter Daten zu dem bzw. den ausgefallenen Fahrzeugen und weiterer, nicht ausgefallener Fahrzeugen eine Ausfallwahrscheinlichkeit für eine Komponente eines Fahrzeugs bestimmt werden, die nicht als Verschleißteil des Fahrzeugs ausgelegt ist bzw. nicht sensorisch durch das Fahrzeug überwacht wird. Eine solche Komponente kann vorausschauend ausgetauscht werden und dadurch ein Ausfall des Fahrzeugs vermieden werden. Die Verfügbarkeit und Zuverlässigkeit des Fahrzeugs kann effizient erhöht werden.By learning the function by means of stored data for the failed vehicle (s) and other non-failed vehicles, it is advantageously possible to determine a failure probability for a component of a vehicle that is not designed as a wear part of the vehicle or is not monitored by the vehicle , Such a component can be exchanged proactively and This avoids a failure of the vehicle. The availability and reliability of the vehicle can be increased efficiently.

Gemäß einer vorteilhaften Ausgestaltung können die Messgrößen nutzungsdauerunabhängige Messgrößen und nutzungsdauerabhängige Messgrößen umfassen, und/oder können die Messgrößen persistierte Messgrößen eines oder mehrerer Steuergeräte des Fahrzeugs sein. Hiermit kann das Verfahren flexibel bestehende Messgrößen verwenden. Eine Änderung der Messgrößen und/oder eine Änderung bei dem Persistieren der Messgrößen auf den Steuergeräten sind nicht notwendig.According to an advantageous embodiment, the measured variables may include useful life-independent measured variables and useful-duration-dependent measured variables, and / or the measured variables may be persisted measured variables of one or more control devices of the vehicle. Hereby, the method can flexibly use existing measured variables. A change in the measured variables and / or a change in the persistence of the measured variables on the control units are not necessary.

Gemäß einer weiteren, vorteilhaften Ausgestaltung kann eine nutzungsdauerunabhängige Messgröße eine relative Verweildauer in einem vorgegebenen Temperaturbereich der Komponente und/oder eine relative Verweildauer in einem vorgegebenen Lastbereich der Komponente umfassen, und/oder kann eine nutzungsdauerabhängige Messgröße einen Entfernungszähler und/oder einen Betriebsstundenzähler umfassen. Hiermit kann das Verfahren auf bestehenden Messgrößen ausgeführt werden.According to a further advantageous embodiment, a useful life-independent measured variable may include a relative dwell time in a predetermined temperature range of the component and / or a relative dwell time in a predetermined load range of the component, and / or a service life-dependent measured variable may include a range counter and / or an operating hours counter. This allows the method to be executed on existing measured variables.

Gemäß einer weiteren, vorteilhaften Ausgestaltung kann die Funktion mittels eines überwachten Lernverfahrens erlernt werden, und/oder kann das überwachte Lernverfahren ein neuronales Netz sein. Hiermit kann die Funktion effizient bestimmt werden.According to a further advantageous embodiment, the function can be learned by means of a supervised learning method, and / or the monitored learning method can be a neural network. Hereby the function can be determined efficiently.

Gemäß einer weiteren, vorteilhaften Ausgestaltung kann das Ermitteln der Ausfallwahrscheinlichkeit außerhalb des weiteren Fahrzeugs auf einem Diagnosegerät oder auf einem Steuergerät des weiteren Fahrzeugs erfolgen. Hiermit kann das Verfahren flexibel onboard und/oder off-board ausgeführt werden.According to a further advantageous refinement, the determination of the probability of failure outside the further vehicle can be carried out on a diagnostic device or on a control device of the further vehicle. This allows the process to be carried out flexibly onboard and / or off-board.

Gemäß einer weiteren, vorteilhaften Ausgestaltung können die Daten der Messgrößen Diagnosedaten und/oder Telematikdaten des Fahrzeugs umfassen. Die Daten der Messgrößen können Daten von Fahrzeugen, insbesondere Daten von ausgefallenen oder defekten Fahrfahrzeugen umfassen, die für das überwachte Lernverfahren verwendet werden können. Hiermit können Messgrößen verschiedener Datenquellen und verschiedener Datenaktualität in das Verfahren einbezogen werden.According to a further advantageous embodiment, the data of the measured variables may include diagnostic data and / or telematics data of the vehicle. The data of the measured quantities may include data of vehicles, in particular data of failed or defective vehicles, which may be used for the monitored learning process. With this, measured quantities of different data sources and different data updates can be included in the procedure.

Gemäß einer weiteren, vorteilhaften Ausgestaltung kann das Ermitteln der Menge von Fahrzeugen ein Erzeugen eines Datenmusters mittels der empfangenen Daten der Messgrößen, und ein Ermitteln der Menge von Fahrzeugen in den gespeicherten Daten der Fahrzeuge mittels der erzeugten Datenmusters umfassen. Hiermit können Daten von Messgrößen des Ausfalls der Komponente aller Fahrzeuge als Muster dienen, um Fahrzeuge ähnlicher oder gleicher Daten zu identifizieren. Das Lernverfahren kann somit auf Daten aller Fahrzeuge ausgeführt werden.According to a further advantageous embodiment, determining the quantity of vehicles may comprise generating a data pattern by means of the received data of the measured quantities, and determining the quantity of vehicles in the stored data of the vehicles by means of the generated data pattern. This may be used as a template for data from failure metrics of the component of all vehicles to identify vehicles of similar or similar data. The learning process can thus be performed on data of all vehicles.

Gemäß einem weiteren Aspekt zeichnet sich die Erfindung aus durch ein computerlesbares Medium zum vorausschauenden Erkennen eines Ausfalls einer Komponente eines Fahrzeugs, wobei das computerlesbare Medium Instruktionen umfasst, die, wenn ausgeführt auf einem Computer oder einem Steuergerät, das oben beschriebene Verfahren ausführen.In another aspect, the invention features a computer-readable medium for predictively detecting a failure of a component of a vehicle, the computer-readable medium including instructions that, when executed on a computer or controller, perform the method described above.

Gemäß einem weiteren Aspekt zeichnet sich die Erfindung aus durch ein System zum vorausschauenden Erkennen eines Ausfalls einer Komponente eines Fahrzeugs, wobei das System dazu ausgebildet ist, das oben beschriebene Verfahren auszuführen.According to a further aspect, the invention is characterized by a system for predictively detecting a failure of a component of a vehicle, the system being designed to carry out the method described above.

Gemäß einem weiteren Aspekt zeichnet sich die Erfindung aus durch ein Fahrzeug umfassend das oben beschriebene System zum vorausschauenden Erkennen eines Ausfalls einer Komponente des Fahrzeugs.According to a further aspect, the invention is characterized by a vehicle comprising the above-described system for predictively detecting a failure of a component of the vehicle.

Weitere Merkmale der Erfindung ergeben sich aus den Ansprüchen, den Figuren und der Figurenbeschreibung. Alle vorstehend in der Beschreibung genannten Merkmale und Merkmalskombinationen sowie die nachfolgend in der Figurenbeschreibung genannten und/oder in den Figuren allein gezeigten Merkmale und Merkmalskombinationen sind nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder aber in Alleinstellung verwendbar.Further features of the invention will become apparent from the claims, the figures and the description of the figures. All of the features and feature combinations mentioned above in the description as well as the features and feature combinations mentioned below in the description of the figures and / or alone in the figures can be used not only in the respectively indicated combination but also in other combinations or in isolation.

Die Erfindung beruht auf den nachfolgend dargelegten Überlegungen:The invention is based on the following considerations:

Fahrzeuge zeichnen sich durch eine hohe Variantenvielfalt und damit einhergehend eine hohe Vielfalt unterschiedlicher Komponenten und unterschiedlicher Kombinationen von Komponenten aus. Komponenten von Fahrzeugen können direkt durch Sensoren des Fahrzeugs oder indirekt durch Messgrößen oder Kennzahlen überwacht werden. Vorzugsweise werden in Fahrzeugen vor allem Verschleißteile bzw. Verschleißkomponenten durch Messgrößen direkt oder indirekt überwacht, um einen Verschleiß präventiv anzeigen zu können. Komponenten, die keine Verschleißteile des Fahrzeugs sind, werden häufig nicht direkt oder nur indirekt überwacht. Ferner können Daten zu Messgrößen eines Fahrzeugs häufig nur zu bestimmten Zeitpunkten bestimmt und von dem Fahrzeug an einen Server übertragen werden. Dies führt dazu, dass umfangreiche Daten zu Messgrößen eines Fahrzeugs beispielsweise nur zu vorgegebenen Zeitpunkten, beispielsweise bei einem Werkstatttermin des Fahrzeugs, an einen Server übertragen werden. Umfangreiche oder vollständige Daten zu persistierten Messgrößen und/oder Kennzahlen des Fahrzeugs sind somit nur niederfrequent als Diagnosedaten verfügbar. Weiterhin können Ausfälle von Komponenten eines Fahrzeugs auftreten, die auf in der Entwicklung unbekannten oder nicht vollumfänglich abgesicherten Fehlermechanismen basieren oder die auf zur Entwicklung- und Testphase unbekannten beziehungsweise als ausreichend abgesichert eingestuften Fehlern basieren. Ausfälle von Komponenten basierend auf unbekannten Fehlern sollen im Weiteren betrachtet werden. Dies betrifft im Besonderen Ausfälle von Komponenten, die nicht als Verschleißkomponenten ausgelegt sind, d.h. es treten Fehler auf, die ex-ante bei einer Auslegung der Komponente nicht erwartet worden sind. Dies können beispielsweise Produktionsfehler der Komponente, Umweltparameter oder nicht abgesicherte Fahrzeugnutzungs- und/oder Komponentenbeanspruchungsmuster sein, die auf die Komponente einwirken und zu einem Fehler oder einem Ausfall der Komponente und weiter zu einem Ausfall des Fahrzeugs führen. Daten zu potentiellen Verfügbarkeitseinschränkungen durch einen möglichen Ausfall einer Komponente des Fahrzeugs sollen automatisch kommuniziert werden, um den Ausfall der Komponente und des Fahrzeugs, welches die Komponente umfasst, zu vermeiden.Vehicles are characterized by a high number of variants and, consequently, a high diversity of different components and different combinations of components. Components of vehicles may be monitored directly by sensors of the vehicle or indirectly by measures or measures. In vehicles, wear parts or wear components are preferably directly or indirectly monitored by measured variables in order to be able to preventively indicate wear. Components that are not wearing parts of the vehicle are often not monitored directly or indirectly. Furthermore, data on measured variables of a vehicle can often only be determined at certain times and transmitted from the vehicle to a server. This means that extensive data on measured variables of a vehicle, for example, only at predetermined times, for example, at a garage appointment of the vehicle to to transfer a server. Extensive or complete data on persisted measured variables and / or characteristic numbers of the vehicle are thus available only as low-frequency diagnostic data. Furthermore, failures of components of a vehicle can occur, which are based on development mechanisms that are unknown or not completely secured, or which are based on errors that are unknown to the development or test phase or classified as sufficiently secured. Failures of components based on unknown errors will be considered below. This particularly concerns failures of components which are not designed as wear components, ie errors occur which were not expected ex ante in a design of the component. These may be, for example, production errors of the component, environmental parameters or unsecured vehicle usage and / or component stress patterns that act on the component and lead to a fault or failure of the component and further to a failure of the vehicle. Data on potential availability constraints due to possible failure of a component of the vehicle should be automatically communicated to avoid the failure of the component and the vehicle comprising the component.

Im Folgenden wird anhand der beigefügten Zeichnungen ein bevorzugtes Ausführungsbeispiel der Erfindung beschrieben. Daraus ergeben sich weitere Details, bevorzugte Ausgestaltungen und Weiterbildungen der Erfindung. Im Einzelnen zeigen schematisch

1 ein beispielhaftes System von Steuergeräten eines Fahrzeugs, und
2 ein beispielhaftes System zum vorausschauenden Erkennen eines Ausfalls einer Komponente eines Fahrzeugs.

Hereinafter, a preferred embodiment of the invention will be described with reference to the accompanying drawings. This results in further details, preferred embodiments and further developments of the invention. In detail, show schematically

1 an exemplary system of control units of a vehicle, and
2 an exemplary system for predictively detecting a failure of a component of a vehicle.

Im Detail zeigt 1 ein beispielhaftes System 100 von Steuergeräten 102 eines Fahrzeugs 104. Das Fahrzeug 104 kann eine Vielzahl von Steuergeräten 102 umfassen. Ein Steuergerät 102 kann eine vorgegebene Funktion ausführen, z.B. eine Steuerung eines Verbrennungsmotors, eine Regelung von Bremseingriffen, etc. Dabei kann ein Steuergerät 102 Eingangsgrößen bzw. Messgrößen von Sensoren 106 zu Ausgangssignalen an Aktoren 108 verarbeiten. Eine Kommunikation zwischen den Steuergeräten 102, den Sensoren 106 und den Steuergeräten 102, sowie den Aktoren 108 und den Steuergeräten 102 erfolgt üblicherweise über einen Bus bzw. ein Bussystem 110 des Fahrzeugs 104. Über das Bussystem 110 können beispielsweise Messgrößen wie eine aktuelle Motordrehzahl oder eine Außentemperatur hochfrequent an ein Steuergerät 102 kommuniziert werden. Die Messgrößen können durch eine Applikations- bzw. Funktionslogik 112 eines Steuergeräts 102 online verarbeitet werden. Da die Messgrößen hochfrequent an das Steuergerät 102 übermittelt werden, können die Messgrößen auf einem Speichermedium 114 eines Steuergeräts nicht vollständig persistiert bzw. gespeichert werden. Auf dem Speichermedium 114 werden durch das Steuergerät 102 die Messgrößen in aggregierter oder transformierter Form gespeichert. Beispielsweise können die Messgrößen in einem Histogramm mit vorgegebenen Klassengrenzen oder innerhalb eines Kennfelds eines Motors, welches eine Verweildauer in verschiedenen Drehzahlbereichen aufzeichnet, gespeichert werden. Die gespeicherten bzw. persistierten Messgrößen können über verschiedene Kommunikationskanäle an einen Server eines Fahrzeugherstellers übertragen werden. Vorzugsweise werden die gespeicherten Messgrößen über ein zentrales Kommunikationsgateway 116 an den Server des Fahrzeugherstellers übertragen. Die Übertragung der gespeicherten Messgrößen kann direkt an den Server des Fahrzeugherstellers übertragen werden oder von einem lokalen Zwischenspeicher, der in dem Fahrzeug oder außerhalb des Fahrzeug angeordnet sein kann.In detail shows 1 an exemplary system 100 of control units 102 of a vehicle 104 , The vehicle 104 Can a variety of control devices 102 include. A control unit 102 can perform a predetermined function, such as a control of an internal combustion engine, a control of braking interventions, etc. This may be a control unit 102 Input variables or measured quantities of sensors 106 to output signals to actuators 108 to process. A communication between the control units 102 , the sensors 106 and the controllers 102 , as well as the actors 108 and the controllers 102 usually takes place via a bus or a bus system 110 of the vehicle 104 , About the bus system 110 For example, measured variables such as a current engine speed or an outside temperature can be high-frequency fed to a control unit 102 be communicated. The measured variables can be determined by an application or functional logic 112 a control unit 102 processed online. Since the measured variables are high-frequency to the control unit 102 can be transmitted, the measured variables on a storage medium 114 of a controller are not completely persisted or stored. On the storage medium 114 be through the control unit 102 the measured quantities are stored in aggregated or transformed form. For example, the measured quantities can be stored in a histogram with predetermined class limits or within a characteristic map of an engine which records a dwell time in different rotational speed ranges. The stored or persisted measured variables can be transmitted via different communication channels to a server of a vehicle manufacturer. The stored measured variables are preferably transmitted via a central communication gateway 116 transmitted to the server of the vehicle manufacturer. The transmission of the stored measured variables can be transmitted directly to the server of the vehicle manufacturer or from a local buffer which can be arranged in the vehicle or outside the vehicle.

2 zeigt im Detail ein beispielhaftes System 200 zum vorausschauenden Erkennen eines Ausfalls einer Komponente eines Fahrzeugs 104. Ein Analysemodul 202 kann von verschiedenen Datenquellen Daten zu einer oder mehreren Messgrößen von Sensoren einer Menge von Fahrzeugen 104 empfangen. Ein Fahrzeug 104 oder mehrere Fahrzeuge 104 aus der Menge von Fahrzeugen 104 können Daten zu Messgrößen an das Analysemodul 202 übermitteln, die den Ausfall einer Komponente des Fahrzeugs 104 betreffen. Das Analysemodul 202 kann beispielsweise auf einem Server in dem Backend eines Fahrzeugherstellers ausgeführt werden. Im Detail kann das Analysemodul 202 Klimadaten und/oder Verkehrsdaten von einer Datenquelle 204 empfangen. Ferner kann das Analysemodul Messgrößen von einem Produktionssystem 206 des Fahrzeugs 104 empfangen. Die Fahrzeuge 104 können an das Analysemodul Telematikmessgrößen übermitteln. Über ein Diagnosegerät 208 einer Werkstatt kann das Analysemodul 202 Diagnosedaten von Messgrößen des Fahrzeugs 104 empfangen. 2 shows in detail an exemplary system 200 for predictively detecting a failure of a component of a vehicle 104 , An analysis module 202 can collect data from one data source to one or more measured variables from sensors of a set of vehicles 104 receive. A vehicle 104 or more vehicles 104 from the crowd of vehicles 104 can transfer data to measured variables to the analysis module 202 convey that the failure of a component of the vehicle 104 affect. The analysis module 202 For example, it may be executed on a server in the backend of a vehicle manufacturer. In detail, the analysis module 202 Climate data and / or traffic data from a data source 204 receive. Furthermore, the analysis module can measure a production system 206 of the vehicle 104 receive. The vehicles 104 can transmit telematics measured quantities to the analysis module. Via a diagnostic device 208 a workshop can use the analysis module 202 Diagnostic data of measured variables of the vehicle 104 receive.

Das Analysemodul 202 kann automatisiert einen Ausfall oder einen Defekt einer Komponente, z.B. ein Bauteil, des Fahrzeugs 104 mit den empfangenen Messgrößen verknüpfen. Dazu kann das Analysemodul zunächst eine Menge von Fahrzeugen in Abhängigkeit der empfangenen Daten der Messgrößen des Ausfalls der Komponente des Fahrzeugs und gespeicherten Daten zu Messgrößen von weiteren Fahrzeugen bestimmen. Die empfangenen Daten der Messgrößen des Ausfalls der Komponente des Fahrzeugs können als Datenmuster dienen, um Fahrzeuge mit einem ähnlichen oder gleichen Datenmuster zu ermitteln. Die bestimmte Menge von Fahrzeugen kann von dem Analysemodul 202 verwendet werden, um ein Funktion zu lernen, die eine Verknüpfung zwischen dem Ausfall der Komponente des Fahrzeugs und den empfangenen Messgrößen spezifiziert. Mittels der gelernten Funktion kann ein Ausfallrisiko einer Komponente des Fahrzeugs berechnet werden.The analysis module 202 can automate a failure or defect of a component, such as a component of the vehicle 104 link with the received measurands. For this purpose, the analysis module can first determine a set of vehicles as a function of the received data of the measured variables of the failure of the component of the vehicle and stored data on measured variables of other vehicles. The received data of the measured variables of the failure of the component of the vehicle can serve as a data pattern to vehicles with a similar or identical data pattern. The certain amount of vehicles may be from the analysis module 202 be used to learn a function that specifies a link between the failure of the component of the vehicle and the received measures. By means of the learned function, a failure risk of a component of the vehicle can be calculated.

Im Detail kann die Funktion mittels eines vorgegebenen Lernverfahrens, insbesondere ein überwachtes maschinelles Lernverfahren, basierend auf den Daten der ermittelten Fahrzeuge durch das Analysemodul 202 gelernt werden, wobei die Funktion eine oder mehrere Messgrößen aus den empfangenen Messgrößen umfasst, die charakteristisch für den Ausfall der Komponente des Fahrzeugs sind. Das vorgegebene Lernverfahren lernt eine Funktion f:x → y, welche durch eine Ausprägungen von p Messgrößen (x ∈ℝ^p) auf das Ausfallrisiko y schließt. Die Funktion f kann verschiedenen Funktionsfamilien mit unterschiedlichen Parametergruppen und Strukturen entstammen. Beispielsweise kann die Funktion f mittels eines linearen Modells, wie beispielsweise linearer oder logistischer Regression, mittels Ensemblemodellen auf Basis von Entscheidungsbäumen, z.B. Random-Forest-Verfahren, oder mittels einem neuronalen Netz bestimmt werden. In allen Lernverfahren wird in einer Trainingsphase auf Daten mit bekanntem x und y die Funktion f gelernt, wobei eine Fehlermetrik auf den verwendeten Daten minimiert wird. Die Funktion f kann eine gewichtete Funktion sein. Eine Gewichtung der p Messgrößen kann durch das Lernverfahren ebenfalls bestimmt werden. Eine gewichtete Funktion f hat den Vorteil, dass automatisiert eine Relevanz der Messgrößen auf den Ausfall der Komponente ableitbar ist.In detail, the function can be determined by means of a predetermined learning method, in particular a monitored machine learning method, based on the data of the determined vehicles by the analysis module 202 be learned, wherein the function comprises one or more measured variables from the received measured variables, which are characteristic of the failure of the component of the vehicle. The given learning method learns a function f: x → y, which closes on the risk of default y by an expression of p measurands (x ∈ℝ ^p ). The function f can come from different families of functions with different parameter groups and structures. For example, the function f can be determined by means of a linear model, such as linear or logistic regression, by means of ensemble models based on decision trees, eg Random Forest methods, or by means of a neural network. In all learning methods, the function f is learned in a training phase on data with known x and y, whereby an error metric on the data used is minimized. The function f can be a weighted function. A weighting of the p measured variables can also be determined by the learning method. A weighted function f has the advantage that a relevance of the measured variables to the failure of the component can be derived automatically.

Das System 200 kann ein Vorhersagemodul 210 umfassen. Das Vorhersagemodul 210 kann in einem Steuergerät des Fahrzeugs 104 ausgeführt werden. Alternativ kann das Vorhersagemodul 210 einem Diagnosegerät 208 außerhalb des Fahrzeugs 104 ausgeführt werden. Das Vorhersagemodul 210 kann die gelernte Funktion des Analysemoduls 202 empfangen.The system 200 can be a predictor module 210 include. The prediction module 210 can be in a control unit of the vehicle 104 be executed. Alternatively, the prediction module 210 a diagnostic device 208 outside the vehicle 104 be executed. The prediction module 210 can be the learned function of the analysis module 202 receive.

Ferner kann das Vorhersagemodul weitere Daten von bekannten Messgrößen x der Komponente eines weiteren Fahrzeugs empfangen und die Ausfallswahrscheinlichkeit bzw. das Ausfallrisiko y für die Komponente des weiteren Fahrzeugs mittels der gelernten Funktion f berechnen. Die Funktion f kann bei Ausführung eine fahrzeugindividuelle Ausfallwahrscheinlichkeit bestimmen. Falls die Ausfallwahrscheinlichkeit einen vorgegebenen Schwellwert überschreitet, kann ein Servicesignal für die Komponente des weiteren Fahrzeugs erzeugt werden, wobei das Servicesignal einen vorausschauenden Ausfall der Komponente des weiteren Fahrzeugs anzeigt. Das Servicesignal kann beispielsweise über eine Ausgabeschnittstelle des Fahrzeugs an den Fahrer des Fahrzeugs übermittelt werden. Alternativ kann das Servicesignal an das Diagnosegerät 208 einer Werkstatt übermittelt werden.Furthermore, the prediction module can receive further data from known measured variables x of the component of another vehicle and calculate the failure probability or the default risk y for the component of the further vehicle by means of the learned function f. The function f can determine a vehicle-specific failure probability when executed. If the probability of failure exceeds a predetermined threshold value, a service signal for the component of the further vehicle can be generated, wherein the service signal indicates a predictive failure of the component of the further vehicle. The service signal can be transmitted, for example via an output interface of the vehicle to the driver of the vehicle. Alternatively, the service signal to the diagnostic device 208 be sent to a workshop.

Im Folgenden wird das System 200 und das Verfahren am Beispiel eines Ausfalls eines Zugstrebenhydrolagers näher beschrieben. Bei dem Ausfall des Zugstrebenhydrolagers eines Fahrzeugs, können persistierte Daten zu Messgrößen eines oder mehrerer Steuergeräte des Fahrzeugs an ein Analysemodul 202 übertragen werden. Das Analysemodul 202 identifiziert weitere Fahrzeuge, die ein Datenmuster aufweisen, welches den Daten der Messgrößen des Fahrzeugs mit dem Ausfall und/oder Fehlerspeicherinformationen entspricht. Aus den Daten der Messgrößen kann das Analysemodul eine Funktion lernen, die als Messgrößen eine Verweildauer im Leerlaufbereich des Verbrennungsmotors und eine Verweildauer in Bereichen hoher Außentemperatur umfasst. Beide Messgrößen können dabei gleich gewichtet sein. Beide Messgrößen weisen auf eine hohe thermische Belastung des Zugstrebenhydrolagers hin, welches im Motorraum verbaut ist und selbst sensorisch nicht überwacht wird. Die gelernte Funktion kann schließlich an das Vorhersagemodul aller weiteren Fahrzeuge oder an das Vorhersagemodul eines fahrzeugexternen Diagnosegeräts übertragen werden, um fahrzeugindividuell eine Ausfallwahrscheinlichkeit des Zugstrebenhydrolagers jedes einzelnen Fahrzeugs zu ermitteln und bei Überschreiten eines vorgegebenen Schwellwerts das Servicesignal zu erzeugen. Das Zugstrebenhydrolagers kann somit vor einem Ausfall in den Fahrzeugen gewechselt werden, was zu einer erhöhten Verfügbarkeit des Fahrzeugs führt.The following is the system 200 and the method using the example of a failure of a Zugstrebenhydrolagers described in more detail. In the event of failure of the train strut hydraulic mount of a vehicle, persisted data on measured variables of one or more control devices of the vehicle can be sent to an analysis module 202 be transmitted. The analysis module 202 identifies further vehicles having a data pattern that corresponds to the data of the measured variables of the vehicle with the failure and / or fault storage information. From the data of the measured variables, the analysis module can learn a function that includes as measured variables a residence time in the idle region of the internal combustion engine and a residence time in regions of high outside temperature. Both measured variables can be weighted equally. Both measures point to a high thermal load of the Zugstrebenhydrolagers out, which is installed in the engine compartment and even sensory is not monitored. Finally, the learned function can be transmitted to the prediction module of all other vehicles or to the prediction module of a vehicle-external diagnostic device in order to determine a failure probability of the tension strut hydraulic mount of each individual vehicle and to generate the service signal when a predetermined threshold value is exceeded. The Zugstrebenhydrolagers can thus be changed from a failure in the vehicles, resulting in increased availability of the vehicle.

Vorteilhafterweise können mittels bestehender Messgrößen Vorhersagen zu einem Ausfall einer nicht als Verschleißteil klassifizierten Komponente von Fahrzeugen, insbesondere Kraftfahrzeugen, erfolgen. Die Verfügbarkeit einer Flotte von Fahrzeugen mit dieser Komponente kann durch ein fahrzeugindividuelles, vorausschauendes Ersetzen der Komponente effizient erhöht werden.Advantageously, by means of existing measured variables, predictions can be made about a failure of a component of vehicles, in particular motor vehicles, which is not classified as a wearing part. The availability of a fleet of vehicles with this component can be efficiently increased by a vehicle-specific, anticipatory replacement of the component.

BezugszeichenlisteLIST OF REFERENCE NUMBERS

100100: Systemsystem
102102: Steuergerätcontrol unit
104104: Fahrzeugvehicle
106106: Sensorsensor
108108: Aktoractuator
110110: Fahrzeugbusvehicle bus
112112: Programmlogikprogram logic
114114: SpeicherStorage
200200: Systemsystem
202202: Analysemodulanalysis module
204204: DatenbankDatabase
206206: Produktionssystemproduction system
208208: Diagnosegerätdiagnostic device
210210: VorhersagemodulForecast Module

Claims

A method for predictively detecting a failure of a component of a vehicle, the method comprising: Receiving data of a plurality of measured variables of the vehicle, wherein the measured variables relate to the failure of the component of the vehicle; Determining a set of vehicles in dependence on the received data of the measured variables of the vehicle and stored data of further vehicles; Learning a function by means of a predetermined learning method based on the data of the determined vehicles, the function comprising one or more measured variables from the received measured variables that are characteristic of the failure of the component of the vehicle; Receiving further data of the measured quantities of the component of another vehicle; Determining a probability of failure for the component of the further vehicle by means of the learned function; and If the probability of default exceeds a given threshold: Generating a service signal for the component of the further vehicle, wherein the service signal indicates a predictive failure of the component of the further vehicle.

Method according to Claim 1 , wherein the measured variables include useful life-independent measured variables and service-life-dependent measured variables; and / or wherein the measured variables are persisted measured variables of one or more control units of the vehicle.

Method according to Claim 2 wherein a duration of use-independent measured variables comprises a relative dwell time in a predetermined temperature range of the component and / or a relative dwell time in a predetermined load range of the component; and / or wherein a service life-dependent measured variable comprises a distance counter and / or an operating hours counter.

The method of any one of the preceding claims, wherein the function is learned by a supervised learning method; and / or wherein the monitored learning method is a neural network.

Method according to one of the preceding claims, wherein the determination of the probability of failure outside of the other vehicle is carried out on a diagnostic device or on a control device of the other vehicle.

Method according to one of the preceding claims, wherein the data of the measured variables are diagnostic data and / or telematics data of the vehicle.

The method of any one of the preceding claims, wherein determining the amount of vehicles comprises: Generating a data pattern by means of the received data of the measured quantities; and Determining the amount of vehicles in the stored data of the vehicles by means of the generated data pattern.

A computer-readable medium for predictively detecting a failure of a component of a vehicle, the computer-readable medium comprising instructions that, when executed on a computer or controller, follow the method of any one of Claims 1 to 7 To run.

A system for predictively detecting a failure of a component of a vehicle, the system being adapted to perform the method of any one of Claims 1 to 7 perform.

A vehicle comprising the system for predictively detecting a failure of a component of the vehicle Claim 9 ,