DE102018003801A1

DE102018003801A1 - Verfahren und Steueranordnung zur Vorhersage einer Fehlfunktion einer Radlagereinheit einer Achse in einem Fahrzeug

Info

Publication number: DE102018003801A1
Application number: DE102018003801.8A
Authority: DE
Inventors: Olof Steinert; Jonas Biteus; Isolde Snellman; Fredrik Holmer; Sara Sylvan; Annette Hultåker; Tony Lindgren
Original assignee: Scania CV AB
Current assignee: Scania CV AB
Priority date: 2017-05-16
Filing date: 2018-05-09
Publication date: 2018-11-22
Anticipated expiration: 2038-05-10
Also published as: SE541828C2; DE102018003801B4; SE1750605A1

Abstract

Die vorliegende Offenbarung betrifft ein Verfahren zur Vorhersage einer Wahrscheinlichkeit einer Fehlfunktion einer Radlagereinheit einer Vorderachse in einem Fahrzeug. Gemäß einem Aspekt betrifft die Offenbarung ein Verfahren zur Vorhersage einer Wahrscheinlichkeit einer Fehlfunktion einer Radlagereinheit einer Vorderachse in einem Fahrzeug während eines bevorstehenden Vorhersage-Zeitraums von vorgegebener Länge. Das Verfahren umfasst das Erhalten (S1) eines maschinellen Lernmodells, wobei das maschinelle Lernmodell eine Wahrscheinlichkeit einer Fehlfunktion der Radlagereinheit als Ausgabe bei einer Menge von Eingabeparametern liefert, und das Empfangen (S2) von ersten Entscheidungsdaten in Bezug auf die Nutzung des Fahrzeugs von wenigstens einem Sensor oder Messer im Fahrzeug. Das Verfahren umfasst ferner das Erhalten (S3) von zweiten Entscheidungsdaten in Bezug auf wenigstens eine physikalische Eigenschaft des Fahrzeugs und das Schätzen der Wahrscheinlichkeit einer Fehlfunktion des Radlagers durch Ausführen des maschinellen Lernmodells mit den ersten und zweiten Entscheidungsdaten zum Bilden der Menge von Eingabeparametern. Die vorliegende Erfindung betrifft ebenfalls eine zur Vorhersage einer Wahrscheinlichkeit einer Fehlfunktion einer Radlagereinheit einer Vorderachse in einem Fahrzeug ausgebildete Steueranordnung. Die vorliegende Erfindung betrifft ebenfalls ein Computerprogramm und ein Computerprogrammprodukt zum Ausführen des Verfahrens.

Description

Technisches Gebiet
Die vorliegende Offenbarung betrifft ein Verfahren zur Vorhersage einer Wahrscheinlichkeit einer Fehlfunktion einer Radlagereinheit einer Vorderachse in einem Fahrzeug. Die vorliegende Erfindung betrifft ebenfalls eine zur Vorhersage einer Wahrscheinlichkeit einer Fehlfunktion einer Radlagereinheit einer Vorderachse in einem Fahrzeug ausgebildete Steueranordnung. Die vorliegende Erfindung betrifft ebenfalls ein Computerprogramm und ein Computerprogrammprodukt zum Ausführen des Verfahrens.
Hintergrund
Bei Schwerlastfahrzeugen wie etwa Lastkraftwagen unterliegen die Radlagereinheiten und insbesondere die Radlagereinheiten der Lenkachsen (typischerweise die Vorderachse) äußeren Belastungen während der Fahrt. Dies kann dazu führen, dass sich Teile der Radlagereinheiten lösen und dass die Funktion der Radlagereinheiten im Laufe der Zeit beeinträchtigt wird. Im schlimmsten Fall können die Räder blockieren. Somit kann ein Defekt der Radlagereinheiten einer Vorderachse während der Fahrt zu schweren Unfällen führen. Beispielsweise kann ein Defekt der Vorderachs-Radlagereinheiten zu einer Fahrzeugpanne führen. Eine Fahrzeugpanne ist ein Reparaturstatusbegriff, der besagt, dass das Fahrzeug nicht betriebsbereit ist. Er bezeichnet somit einen dringenden Reparaturstatus.
Eine übliche Weise zum Testen von Radlagereinheiten in einem Fahrzeug besteht darin, dass der Servicetechniker bei der planmäßigen Wartung die Räder manuell auf Spiel oder Geräusche prüft und dass weitere Maßnahmen getroffen werden, wenn dies als erforderlich erachtet wird. Solche weiteren Maßnahmen erfordern typischerweise eine Demontage der gesamten Radlagereinheit. Dieses Verfahren kann unzuverlässig sein, da es vom menschlichen Faktor abhängt. Ferner kann das. Durchführen der manuellen Prüfung an Schwerlastfahrzeugen mit großen Rädern schwierig sein.
Aufgrund der mit einem Defekt in einer Radlagereinheit verknüpften Gefahr wurden verschiedene Möglichkeiten zum Erhöhen der Wahrscheinlichkeit des Erfassens eines Defekts in den Radlagerkomponenten vorab vorgeschlagen. Eine Lösung besteht im Hinzufügen neuer Sensoren in direkter Verbindung mit den Radlagereinheiten, die den Intaktheitsstatus der Komponenten der Radlagereinheiten direkt messen. Ein Nachteil bei diesem Ansatz besteht darin, dass die Produktkosten erhöht werden und eine neue Komponente hinzugefügt wird, die defekt werden kann. Ferner ist das Hinzufügen weiterer Sensoren nicht immer möglich. Eine weitere Lösung besteht im Erhöhen der Häufigkeit der planmäßigen Wartung, was den Nachteil aufweist, dass dies die Gesamtkosten für die Wartung erhöht. Selbst bei einer häufigeren planmäßigen Wartung kann das Erfassen von Defekten schwierig sein.
Zusammenfassung
Eine Aufgabe der Offenbarung besteht im Beheben wenigstens einer der Nachteile bestehender Lösungen. Eine weitere Aufgabe besteht im Bereitstellen einer Möglichkeit zum Vorhersagen eines Defekts der Radlagereinheiten ohne Verwenden von neuen Sensoren oder Durchführen einer zusätzlichen Wartung. Eine weitere Aufgabe besteht im Bereitstellen einer Lösung, welche die Sicherheit während der Fahrt erhöht und die Zahl von Fahrzeugpannen verringert. Eine weitere Aufgabe besteht im Erhöhen der Wahrscheinlichkeit des Erfassens von Defekten der Radlagereinheiten, bevor ein Defekt auftritt.
Diese Aufgaben und weitere werden wenigstens teilweise von einer Steueranordnung und einem Verfahren erfüllt, das die Vorhersage einer Wahrscheinlichkeit einer Fehlfunktion einer Radlagereinheit einer Vorderachse in einem Fahrzeug ermöglicht.
Gemäß einem Aspekt betrifft die Offenbarung ein Verfahren zur Vorhersage einer Wahrscheinlichkeit einer Fehlfunktion einer Radlagereinheit einer Vorderachse in einem Fahrzeug während eines bevorstehenden Vorhersage-Zeitraums von vorgegebener Länge. Das Verfahren umfasst das Erhalten eines maschinellen Lernmodells, wobei das maschinelle Lernmodell eine Wahrscheinlichkeit einer Fehlfunktion der Radlagereinheit als Ausgabe bei einer Menge von Eingabeparametern liefert, und das Empfangen von ersten Entscheidungsdaten in Bezug auf die Nutzung des Fahrzeugs von wenigstens einem Sensor oder Messer im Fahrzeug. Das Verfahren umfasst ferner das Erhalten von zweiten Entscheidungsdaten in Bezug auf wenigstens eine physikalische Eigenschaft des Fahrzeugs und das Schätzen der Wahrscheinlichkeit einer Fehlfunktion des Radlagers durch Ausführen des maschinellen Lernmodells mit den ersten und zweiten Entscheidungsdaten zum Bilden der Menge von Eingabeparametern.
Durch das Verwenden dieser Lösung kann die Zahl von Fahrzeugpannen verringert werden. Ferner kann die Wahrscheinlichkeit einer Fehlfunktion vorhergesagt werden, ohne zusätzliche Sensoren hinzuzufügen oder die Radlagereinheiten sonst komplexer zu gestalten und ohne direkt die Wahrscheinlichkeit eines Defekts zu messen.
Gemäß einigen Ausführungsformen umfasst das Verfahren das Erzeugen des maschinellen Lernmodells durch die Analyse von einer Flotte von Fahrzeugen gesammelten Trainingsdaten.
Gemäß einigen Ausführungsformen weist der wenigstens eine Sensor oder Messer einen Abstand zu einer anderen Funktion als die Radlagereinheit auf und/oder steht in Bezug zu dieser. Somit können Sensoren, die bereits für andere Zwecke genutzt werden, wiederverwendet werden.
Gemäß einigen Ausführungsformen umfasst das Verfahren das Ermitteln einer Aktion auf der Basis der geschätzten Wahrscheinlichkeit einer Fehlfunktion der Radlagereinheit. Gemäß einigen Ausführungsformen umfasst die Aktion eine Angabe, dass eine weitere Steuerung der Radlagereinheit erforderlich ist. Beispielsweise kann die ermittelte Wahrscheinlichkeit verwendet werden, um zu ermitteln, wann ein Fahrzeugservice erforderlich ist. Somit muss ein Service nur durchgeführt werden, wenn er vermutlich erforderlich ist.
Gemäß einigen Ausführungsformen umfasst das Verfahren das Melden der berechneten Wahrscheinlichkeit oder der ermittelten Aktion an einen Bediener des Fahrzeugs oder Bediener/Computer in einem Back-Office. Somit können geeignete Maßnahmen getroffen werden.
Gemäß einigen Ausführungsformen umfasst das maschinelle Lernmodell; ein Random-Forest-Modell, ein Entscheidungsbaummodell und/oder ein Generalized-Boosted-Regressionsmodell. Es können auch Varianten von allgemein bekannten Modellen verwendet werden.
Gemäß einigen Ausführungsformen umfassen die ersten Entscheidungsdaten wenigstens ein Element der Gruppe umfassend: die vom Fahrzeug zurückgelegte Gesamtfahrstrecke, die Gesamtbetriebszeit des Fahrzeugs (seit Austausch der Radlagereinheit), die Durchschnittsgeschwindigkeit während der Betriebszeit, den durchschnittlichen Kraftstoffverbrauch des Fahrzeugs, die Leerlaufzeit des Fahrzeugs mit und ohne Nebenantrieb, die Häufigkeit von Fahrzeugstopps, einen Prozentsatz der Gesamtfahrleistung mit mehr als 2 % oder 8 % Straßensteigung und das durchschnittliche Bruttolastzuggewicht über die Gesamtfahrstrecke mit und ohne Last. Somit können Parameter wiederverwendet werden, die typischerweise bereits im Fahrzeug zur Verfügung stehen.
Gemäß einigen Ausführungsformen werden die zweiten Entscheidungsdaten aus einem Datenspeicher im Fahrzeug oder außerhalb des Fahrzeugs erhalten. Gemäß einigen Ausführungsformen umfassen die zweiten Entscheidungsdaten ein beliebiges Element oder alle Elemente der Gruppe umfassend: den Achsabstand, die Radkonfiguration, den Vorderachstyp, das Vorderachsgewicht, die Motorleistung und den Motortyp. Es können Parameter gespeichert und verwendet werden, die vom Hersteller erhalten werden können.
Gemäß einem zweiten Aspekt betrifft die Offenbarung eine zur Vorhersage einer Wahrscheinlichkeit einer Fehlfunktion einer Radlagereinheit einer Vorderachse in einem Fahrzeug während eines bevorstehenden Vorhersage-Zeitraums von vorgegebener Länge ausgebildete Steueranordnung. Die Steueranordnung umfasst eine zum Empfangen von ersten Entscheidungsdaten von wenigstens einem Sensor oder Messer im Fahrzeug ausgebildete Kommunikationsschnittstelle und eine Steueranordnung. Die Steueranordnung ist zum Erhalten eines maschinellen Lernmodells, wobei das maschinelle Lernmodell eine Wahrscheinlichkeit einer Fehlfunktion der Radlagereinheit als Ausgabe bei einer Menge von Eingabeparametern liefert, Empfangen von ersten Entscheidungsdaten in Bezug auf die Nutzung des Fahrzeugs unter Verwendung der Kommunikationsschnittstelle und Erhalten von zweiten Entscheidungsdaten in Bezug auf wenigstens eine physikalische Eigenschaft des Fahrzeugs ausgebildet. Die Steueranordnung ist ferner zum Schätzen der Wahrscheinlichkeit einer Fehlfunktion des Radlagers durch Ausführen des maschinellen Lernmodells mit den ersten und zweiten Entscheidungsdaten zum Bilden der Menge von Eingabeparametern ausgebildet.
Gemäß einigen Ausführungsformen umfasst die Steueranordnung einen zum Speichern des maschinellen Lernmodells und/oder der zweiten Entscheidungsdaten ausgebildeten Datenspeicher.
Gemäß einem dritten Aspekt betrifft die Offenbarung ein Fahrzeug umfassend eine Radlagereinheit, wenigstens einen Sensor oder Messer und eine zum Ausführen des zuvor und nachfolgend beschriebenen Verfahrens ausgebildete Steueranordnung.
Gemäß einem vierten Aspekt betrifft die Offenbarung ein Computerprogramm P, wobei das Computerprogramm P einen Computerprogrammcode zum Veranlassen einer Steueranordnung oder eines mit der Steueranordnung verbundenen Computers zum Ausführen des zuvor und nachfolgend beschriebenen Verfahrens umfasst.
Gemäß einem fünften Aspekt betrifft die Offenbarung ein Computerprogrammprodukt umfassend einen auf einem nichtflüchtigen computerlesbaren Medium gespeicherten Programmcode zum Ausführen der Verfahrensschritte gemäß dem zuvor beschriebenen Verfahren, wenn der Computerprogrammcode von einer Steueranordnung oder einem mit der Steueranordnung verbundenen Computer ausgeführt wird.
Figurenliste
Ausführungsformen der Erfindung sind ausführlich in Bezug auf beigefügte Zeichnungen beschrieben, die Beispiele von Ausführungsformen der Erfindung darstellen.

1a zeigt ein Fahrzeug, in dem das vorgeschlagene Verfahren verwendet werden kann, und eine externe Steueranordnung, in der das vorgeschlagene Verfahren ausgeführt werden kann.
1b zeigt eine Steueranordnung des Fahrzeugs von 1a im Detail.
2 zeigt ein Fließbild eines Verfahrens gemäß einem ersten Aspekt.
3 zeigt die externe Steueranordnung gemäß einem zweiten Aspekt.
4 zeigt einen Beispielentscheidungsbaum eines maschinellen Lernmodells.

Ausführliche Beschreibung
Das Verfahren und die Steueranordnung wie nachfolgend beschrieben schlägt eine Möglichkeit zur Vorhersage einer Wahrscheinlichkeit einer Fehlfunktion einer Radlagereinheit einer Vorderachse in einem Fahrzeug unter Verwendung eines datengetriebenen Modells, beispielsweise eines aus maschinellem Lernen abgeleiteten Modells, vor. Solch ein Modell wird durch die Analyse von sogenannten Trainingsdaten erzeugt, die beispielsweise in einer Werkstatt oder bei der Herstellung gesammelt werden. Beispielsweise werden Daten in Bezug auf die Nutzung des Fahrzeugs jedes Mal gespeichert, wenn eine Radlagereinheit defekt wird. Auf diese Weise kann ermittelt werden, wie sich verschiedene Parameter auf die Radlagereinheiten auswirken.
Somit kann aus Trainingsdaten ein Modell zum Beschreiben der Funktion (oder Fehlfunktion) der Radlagereinheiten erzeugt werden. Das Modell verwendet typischerweise Parameter in Bezug auf die Nutzung des Fahrzeugs als Eingabe und liefert eine Wahrscheinlichkeit des Defekts als Ausgabe auf der Basis der Eingabedaten. Das Modell verwendet typischerweise ebenfalls andere Parameter, beispielsweise Parameter in Bezug auf die physikalischen Eigenschaften des Fahrzeugs, als Eingabe. Das maschinelle Lernmodell kann als Blackbox betrachtet werden, die eine Menge von Eingabedaten als Eingabe verwendet und eine Wahrscheinlichkeit einer Fehlfunktion auf der Basis der Eingabedaten liefert. Das Modell kann zum Treffen von Vorhersagen über zukünftige Defekte der Radlagereinheiten verwendet werden.
Das heißt, das vorgeschlagene Verfahren beinhaltet, dass Sensordaten wie Geschwindigkeit, Kraftstoffverbrauch, Fahrzeuggewicht usw. von einem Fahrzeug gesammelt und an eine externe oder interne Steueranordnung gesendet werden, die ebenfalls über einen Zugriff auf andere Fahrzeugdaten wie Informationen zu Fahrgestell, Motor usw. verfügt. Durch Verwenden eines maschinellen Lernmodells können die gesammelten Daten zum Beurteilen genutzt werden, ob eine Gefahr eines Defekts des Radlagers in naher Zukunft vorliegt.
1a zeigt ein Fahrzeug 1, in dem das vorgeschlagene Verfahren verwendet werden kann, und eine externe Steueranordnung 2, in der das vorgeschlagene Verfahren ausgeführt werden kann.
Das Fahrzeug 1 ist beispielsweise ein Nutzfahrzeug wie ein Lastkraftwagen, ein Bus oder ein anderes Schwerlastfahrzeug. Gemäß einigen Ausführungsformen ist das Fahrzeug 1 ein normaler Kraftwagen. 1a zeigt lediglich eine schematische Darstellung und stellt lediglich Teile des Fahrzeugs 1 dar, die mit der Offenbarung verknüpft sind. Diese Teile sind natürlich viel kleiner, als sie in der Konzeptzeichnung erscheinen, und sie sind typischerweise unter dem Fahrerhaus angeordnet.
Das Fahrzeug 1 von 1a umfasst eine Kommunikationsschnittstelle 11, elektrische Steueranordnungen, elektronische Steuergeräte 12 (in 1a sind die einzelnen elektronischen Steuergeräte mit 12a, 12b, 12c und 12d bezeichnet), Sensoren 13 (in 1a sind die einzelnen Sensoren 13 mit 13b, 13c und 13d bezeichnet), Räder 14, einen CAN-Bus 15 und Messer 16.
Die elektronischen Steuergeräte 12, hier ebenfalls als Steueranordnungen bezeichnet, sind im Wesentliche Digitalcomputer, die ein oder mehrere elektrische Systeme (oder elektrische Teilsysteme) des Fahrzeugs 1 auf der Basis von beispielsweise von an verschiedenen Teilen und in verschiedenen Komponenten des Fahrzeugs angeordneten Sensoren 13 und Messern 16 gelesenen Informationen steuern. Elektronisches Steuergerät ist ein allgemeiner Begriff, der in der Kraftfahrzeugelektronik für ein integriertes System verwendet wird, das ein oder mehrere elektronische Systeme oder Teilsysteme in einem Transportfahrzeug steuert.
Die elektronischen Steuergeräte 12 kommunizieren über ein Controller Area Network (CAN) 15. Das CAN 15 ist ein Netzwerk, das zum Durchführen der Kommunikation zwischen den verschiedenen Steueranordnungen 12, 12a, 12b, 12c im Fahrzeug 1 verwendet wird. Beispielsweise werden Sensordaten im CAN-Bus bereitgestellt, wodurch diese von anderen elektronischen Steuergeräten im Fahrzeug 1 verwendet werden können. Das CAN 15 verwendet ein nachrichtenbasiertes Protokoll. Häufig sind mehrere verbundene CAN-Netzwerke im Fahrzeug 1 angeordnet. Zur Vereinfachung ist in 1a nur ein CAN 15 dargestellt. Beispiele für alternative Kommunikationsprotokolle, die für die interne Kommunikation verwendet werden können, sind TTP (Time-Triggered Protocol), Flexray Ethernet usw.
Die elektronischen Steuergeräte in einem Fahrzeug sind typischerweise durch die entsprechenden verschiedenen Teilsystemen des Fahrzeugs 1 bezeichnet (identifiziert), die sie ausführen. Zur Vereinfachung sind nur vier elektronische Steuergeräte im Beispiel von 1a dargestellt, das heißt ein Koordinator (Coordinator, COO), ein Motormanagementsystem (Engine Management System, EMS), ein Instrumentenblock (Instrument Cluster, ICL) und ein Bremsmanagementsystem (BMS). Das Fahrzeug 1 umfasst aber typischerweise viel mehr elektronische Steuergeräte.
Der COO 12a ist ein elektronisches Steuergerät, das alle Teilsysteme des Fahrzeugs 1 koordiniert. Der COO kann direkt mit verschiedenen Sensoren 13 und Messern 16, beispielsweise Neigungssensoren und Gewichtssensoren, verbunden sein. Das EMS 12b ist zum Steuern der Kraftquelle oder des Motors des Fahrzeugs 1 ausgebildet. Das EMS kann einen Kraftstoff-Füllstandsensor 13b umfassen. Der ICL 12c ist zum Steuern des Armaturenbretts des Fahrzeugs 1 ausgebildet. Der ICL umfasst beispielsweise einen Fahrtenschreiber (Tachograph, TCO) 120, der die Geschwindigkeit des Fahrzeugs über einen bestimmten Zeitraum protokolliert. Der TCO 120 kann typischerweise einen Bewegungssensor 13c umfassen. Ferner ist das Bremsmanagementsystem (BMS) 12d zum Steuern der Bremsanlagen ausgebildet. Das BMS kann ebenfalls zum Empfangen von Daten von den Sensoren 13d ausgebildet sein. Bei elektronischen Steuergeräten an Bord werden Signale kontinuierlich gesammelt und in Variablen mit physikalischen Einheiten umgewandelt. Die an Bord gesammelten Variablen werden regelmäßig zu einer externen Steueranordnung 2, beispielsweise einem Back-Office-Daten-Framework, hochgeladen, in dem die Informationen gespeichert werden.
1b zeigt eine beispielhafte Steueranordnung 12, hier ein elektronisches Steuergerät, im Detail. Das elektronische Steuergerät umfasst Hardware und Software. Die Hardware umfasst typischerweise verschiedene elektronische Komponenten auf einer gedruckten Schaltung. Die wichtigste dieser Komponenten ist typischerweise eine Verarbeitungseinheit/-schaltung 121, beispielsweise ein Mikroprozessor, mit einem Speicher 122, beispielsweise einem EPROM oder einem Flash-Speicherchip. Die Software (auch als Firmware bezeichnet) besteht typischerweise auf Softwarecode auf untergeordneter Ebene, der im Mikrocontroller ausgeführt wird.
Die vier Räder 14 des Fahrzeugs 1 sind an den entsprechenden Achsen des Fahrzeugs 1 durch Radlagereinheiten befestigt. Die Radlagereinheiten 141 sind beispielsweise mit Kugellagern oder Rollenlagern ausgestattet. Das Verfahren kann in jedem Fahrzeug ungeachtet der Zahl von Rädern verwendet werden.
Die Kommunikationsschnittstelle 11 ist eine zum Durchführen der Kommunikation mit einem System außerhalb des Fahrzeugs 1 ausgebildete Schnittstelle. Beispielsweise können von Sensoren 13 und Messern 16 im Fahrzeug 1 gelesene Daten über die Kommunikationsschnittstelle 11 kommuniziert werden. In 1a ist die Kommunikationsschnittstelle 11 zum Durchführen der Kommunikation mit der externen Steueranordnung 2 ausgebildet. Die Kommunikationsschnittstelle 11 kann zum Durchführen einer drahtlosen Kommunikation, beispielsweise mit Ethernet oder einem Mobilkommunikationsprotokoll, ausgebildet sein. Die Kommunikationsschnittstelle 11 kann ebenfalls oder alternativ für die drahtgebundene Kommunikation ausgebildet sein. Eine drahtgebundene Kommunikationsschnittstelle ermöglicht typischerweise eine Kommunikation mit dem CAN-Bus 15 über einen speziellen Steckverbinder beispielsweise in einer Werkstatt. Die Kommunikationsschnittstelle 11 kann in ein elektronisches Steuergerät 12 integriert sein. Beispielsweise ist die Kommunikationsschnittstelle 11 ein Teil des COO 12a.
Die externe Steueranordnung 2 ist außerhalb vom Fahrzeug 1 angeordnet. Die externe Steueranordnung 2 ist beispielsweise ein Back-Office-System. Solch ein Back-Office-System kann von einer Werkstatt und/oder vom Hersteller des Fahrzeugs 1 betätigt werden. Die externe Steueranordnung 2 ist zum Ausführen von einem oder mehreren der Schritte des vorgeschlagenen Verfahrens zur Vorhersage einer Wahrscheinlichkeit einer Fehlfunktion einer Radlagereinheit wie nachfolgend beschrieben ausgebildet. Die externe Steueranordnung 2 weist somit die zuvor und nachfolgend beschriebenen Vorteile für jede entsprechende Ausführungsform auf.
Nachfolgend ist ein Verfahren gemäß einem ersten Aspekt in Bezug auf 1a und 2 beschrieben. 2 zeigt ein Fließbild für das vorgeschlagene Verfahren zur Vorhersage einer Wahrscheinlichkeit einer Fehlfunktion einer Radlagereinheit 141 einer Vorderachse 142 in einem Fahrzeug 1 während eines bevorstehenden Vorhersage-Zeitraums von vorgegebener Länge. Das Verfahren wird beispielsweise auf Anforderung durchgeführt (beispielsweise bei Anstoßen durch eine Werkstattkraft) oder kann ausgelöst werden, wenn neue Entscheidungsdaten zur Verfügung stehen.
Wie zuvor beschrieben verwendet das vorgeschlagene Verfahren ein maschinelles Lernmodell zum Berechnen einer Wahrscheinlichkeit eines Defekts einer Radlagereinheit 141 einer Vorderachse 142 in einem Fahrzeug 1. Somit umfasst in einem ersten Schritt S1 das Verfahren das Erhalten S1 eines maschinellen Lernmodells, das eine Wahrscheinlichkeit der Fehlfunktion der Radlagereinheit 141 als Ausgabe bei einer Menge von Eingabe von Eingabeparametern liefert. Das heißt, das maschinelle Lernmodell verwendet eine Menge von Parametern als Eingabe und erzeugt auf der Basis der Eingabe eine Wahrscheinlichkeit als Ausgabe. Das maschinelle Lernmodell wird beispielsweise durch rekursives Aufteilen der Trainingsdaten auf Blöcke von homogenen Elementen durch die am selektivsten unterscheidenden Kriterien erzeugt. Die Schwellen und/oder Intervalle des maschinellen Lernmodells können auf der Basis von Betriebsfahrzeugdaten, etwa historischen Betriebsfahrzeugdaten, eingestellt und/oder vorgegeben werden. Im Wesentlichen können Betriebsfahrzeugdaten während des Betriebs des Fahrzeugs 1 gesammelt und gespeichert werden. Anschließend können diese Daten analysiert und mit Austausch, Fehlfunktion und/oder Wartung der Radlagereinheit 141 korreliert werden. Dadurch können die Werte für die Schwellen und/oder Intervalle auf der Basis der historischen Betriebsdaten angepasst werden, so dass Radlagereinheiten, deren Fehlfunktion innerhalb eines Vorhersage-Zeitraums t_pred wahrscheinlich ist, zuverlässig identifiziert werden können.
Das maschinelle Lernmodell kann allgemein bekannte Vorhersagemodelle wie im maschinellen Lernen eingesetzt verwenden. Das maschinelle Lernmodell kann gemäß einigen Ausführungsformen einen Entscheidungsbaum-Algorithmus verwenden. Ein Entscheidungsbaum-Algorithmus ist eine fließbildähnliche Struktur mit einer Zahl von internen Knoten, wobei jeder Knoten einen Test darstellt, beispielsweise einen Vergleich eines Messwerts mit einer Schwelle und/oder einem Intervall. Von den Knoten erstrecken sich zwei Zweige, wobei jeder Zweig ein Ergebnis des Tests darstellt. Durch diese internen Knoten und Zweige wird eine Baumstruktur aufgebaut und die Blätter am Ende von jedem letzten Zweig geben eine Entscheidung an, das heißt, ob es wahrscheinlich („Ja“) oder nicht wahrscheinlich („Nein“) ist, dass eine Radlagereinheit-Fehlfunktion innerhalb des bevorstehenden Vorhersage-Zeitraums t_pred eintritt. Eine Beispielentscheidung 3 eines maschinellen Lernmodells ist in 4 dargestellt.
Die Entscheidung/Schlussfolgerung kann gemäß einigen Ausführungsformen stattdessen oder zusätzlich einen Algorithmus mit einem Generalized-Boosted-Regressionsmodell (GBM) verwenden. Der GBM-Algorithmus ist ein maschinelles Lernverfahren für Regressions- und Klassifizierungsprobleme umfassend beispielsweise eine Gesamtheit von Entscheidungsbäumen, die auf der Basis einer Kosten- oder Verlustfunktion optimiert wird. Der GBM-Algorithmus liefert eine Entscheidung, das heißt, ob es wahrscheinlich („Ja“) oder nicht wahrscheinlich („Nein“) ist, dass eine Radlagereinheit-Fehlfunktion innerhalb des bevorstehenden Vorhersage-Zeitraums t_pred auftreten wird.
Das Random-Forest-(RF-)Modell ist ein weiteres Beispiel für ein Modell, das verwendet werden kann. Random Forest bezeichnet ein Gesamtheitslernverfahren zur Klassifizierung, Regression und für andere Aufgaben, das im Aufbau einer Mehrzahl von Entscheidungsbäumen zum Trainingszeitpunkt und Ausgeben der Klasse, die den Modus der Klassen (Klassifizierung) oder mittleren Vorhersage (Regression) der einzelnen Bäume darstellt, besteht.
Das maschinelle Lernmodell ermittelt die Wahrscheinlichkeit einer Fehlfunktion während eines bevorstehenden Vorhersage-Zeitraums t_pred von vorgegebener Länge, beispielsweise von einem Monat. Der bevorstehende Vorhersage-Zeitraum t_pred kann eine ausreichende Länge aufweisen, so dass der Fahrer/Verwalter/Eigentümer des Fahrzeugs die Möglichkeit hat, die Radlagereinheit 141 einer Wartung zu unterziehen, das heißt das Fahrzeug 1 in eine Fahrzeugwerkstatt o. Ä. zu bringen, bevor die Fehlfunktion der Radlagereinheit tatsächlich eintritt. Der bevorstehende Vorhersage-Zeitraum t_pred kann ebenfalls ausreichend kurz sein, so dass der Fahrer/Verwalter/Eigentümer nicht zu früh mit Warnungen belästigt wird.
Der Vorhersage-Zeitraum t_p", kann intelligent gewählt werden, beispielsweise so, dass er im Wesentlichen dann endet, wenn eine bevorstehende, bereits geplante Fahrzeugwartung erfolgen soll. Dadurch wird die Vorhersage, ob eine Fehlfunktion innerhalb des bevorstehenden Vorhersage-Zeitraums t_pred wahrscheinlich ist, auch zu einer Vorhersage, ob es erforderlich ist, eine zusätzliche Wartung vor der bereits geplanten Wartung einzuplanen, oder nicht.
Das maschinelle Lernmodell wird normalerweise vorab von einem Remotecomputer oder -system erzeugt, das heißt von einem System außerhalb des Knotens zum Ausführen des Verfahrens. Das maschinelle Lernmodell wird beispielsweise auf der Basis von bei der Herstellung protokollierten Trainingsdaten erzeugt. Das maschinelle Lernmodell muss anschließend beispielsweise auf die externe Steueranordnung 2 zum Ausführen des Verfahrens heruntergeladen werden. Das Erhalten S1 beinhaltet anschließend, dass das maschinelle Lernmodell von einem externen Anbieter heruntergeladen wird, etwa vom Hersteller des Fahrzeugs 1.
Das Modell wird gegebenenfalls nicht von einem Remotecomputer oder -system erzeugt. Manchmal wird es stattdessen dort erzeugt, wo das Verfahren ausgeführt wird. Somit umfasst gemäß einigen Ausführungsformen das vorgeschlagene Verfahren einen einleitenden Schritt zum Erzeugen S0 des maschinellen Lernmodells durch die Analyse von Trainingsdaten. Trainingsdaten können beispielsweise von einer Flotte von Fahrzeugen gesammelt werden. Beispielsweise werden Daten unregelmäßig von jedem Fahrzeug in einer Flotte von Fahrzeugen während beispielsweise der normalen Wartung gesammelt oder es können regelmäßig Trainingsdaten durch remotes Herunterladen gesammelt werden. Ferner können Daten von Werkstätten gesammelt werden, die melden, wenn eine Reparatur einer Radlagereinheit durchgeführt wurde. Die Trainingsdaten können ab dem Zeitpunkt einer Inbetriebnahme der Radlagereinheit gesammelt werden, was mehrere Jahre umfassen kann. Die Klassifizierung in den Trainingsdaten können Daten entsprechend einem Zeitraum (das heißt mit einer ähnlichen Länge) umfassen, der dem Vorhersage-Zeitraum t_pred entspricht.
Wenn das maschinelle Lernmodell in der externen Steueranordnung 2 erzeugt wurde, die das Verfahren ausführt, umfasst das Erhalten S1 beispielsweise das Abrufen des maschinellen Lernmodells von einem internen Datenspeicher der Steueranordnung 2 wie dem Speicher 23.
Das Verfahren umfasst ferner in einem zweiten Schritt das Empfangen S2 von ersten Entscheidungsdaten in Bezug auf die Nutzung des Fahrzeugs 1 von wenigstens einem Sensor 13 oder Messer 16 im Fahrzeug 1. Das heißt, es werden Parameter in Bezug auf die Nutzung des Fahrzeugs 1 vom Fahrzeug 1 beispielsweise durch die Kommunikationsschnittstelle 21 empfangen. Die ersten Entscheidungsdaten werden beispielsweise von den Sensoren 13 oder von den Steueranordnungen 12 des Fahrzeugs 1 geliefert. Eine große Zahl von Fahrzeugparametern werden normalerweise bereits in modernen Fahrzeugsystemen verwendet. Im Wesentlichen können alle solchen Parameter vom Verfahren der vorliegenden Offenbarung verwendet werden. Das heißt, die ersten Entscheidungsdaten werden typischerweise von Komponenten geliefert, die allgemein an Bord von jedem Fahrzeug vorhanden sind. Solche Parameter sind nicht direkt mit den Radlagereinheiten 141 verknüpft. Somit weist gemäß einigen Ausführungsformen der wenigstens eine Sensor 13 oder Messer 16 einen physischen Abstand zur Radlagereinheit 141 auf. Beispielsweise werden die ersten Entscheidungsdaten von EMS 12b, ICL 12c oder BMS 12d gesammelt.
Gemäß einigen Ausführungsformen steht der wenigstens eine Sensor 13 oder Messer 16 in Bezug zu einer anderen Fahrzeugfunktion als die Radlagereinheit 141. Eine zugrundeliegende Idee des vorgeschlagenen Verfahrens ist die Verwendung von Sensordaten, die nicht direkt in Bezug zu den Radlagereinheiten 141 stehen, aber mit dem Verschleiß der Radlagereinheiten 141 korrelieren. Typischerweise bedeutet dies das Verwenden von bereits bestehenden Verfahren zum Erhalten von Daten in Bezug auf die Nutzung des Fahrzeugs 1 wie Verfahren zum Messen von Kraftstoffverbrauch, Fahrzeuggeschwindigkeit, Topographie, Fahrzeuggewicht sowie Starts und Stopps.
Die ersten Entscheidungsdaten umfassen in einer beispielhaften Ausführungsform ein Element, mehrere Elemente oder alle Elemente der Gruppe umfassend die folgenden Betriebsdaten und Sensoren. In der Praxis kann eine Wahrscheinlichkeit auf der Basis von nur einem Parameter geschätzt werden; je mehr Parameter aber hinzugefügt werden, desto besser wird das Modell im Allgemeinen sein.
Durchschnittliche Fahrleistung oder zurückgelegte Strecke, _D
Die durchschnittliche Fahrleistung ist die in einer bestimmten Zeit, etwa einem Jahr, zurückgelegte Strecke. Dieser Parameter kann beispielsweise von einem Standard-Fahrzeuggeschwindigkeitssensor oder -Tageskilometerzähler im Fahrzeug 1 und/oder von einer anderen geeigneten Vorrichtung, die vom Fahrzeug 1 zurückgelegte Strecken D ermitteln kann, etwa eine Navigationsvorrichtung, gegebenenfalls umfassend wenigstens einen Positionssensor, beispielsweise einen Global-Positioning-System-(GPS-)Sensor, geliefert werden.
Im maschinellen Lernmodell (siehe nachfolgend) kann die Strecke D mit einer Streckenschwelle D_threshold einer Menge von einer oder mehreren Streckenschwellen und/oder einem Streckenintervall D_interval einer Menge von einer oder mehreren Streckenintervallen verglichen werden, um zu ermitteln, ob eine Gefahr einer Fehlfunktion der Radlagereinheit 141 vorliegt. Diese Streckenschwellen und/oder Streckenintervalle können Werte aufweisen, die dementsprechend gewählt werden, in welcher Stufe des Vorhersage-Algorithmus, beispielsweise in welcher Stufe eines verwendeten Entscheidungsbaum-Algorithmus und/oder eines verwendeten Algorithmus mit einem Generalized-Boosted-Regressionmodell, die Streckenschwellen und/oder Streckenintervalle zu verwenden sind. Auf die gleiche Weise wie die Fahrstrecke können die folgenden Parameter als Eingabe für das maschinelle Lernmodell verwendet werden.
Betriebszeit
Die Betriebszeit ist die Gesamtzeit, die der Motor während eines bestimmten Zeitraums, etwa eines Jahrs, gelaufen ist (einschließlich Leerlauf). Die Betriebszeit wird von einer Borduhr und einem Motor-ein-Signal berechnet.
Durchschnittsgeschwindigkeit
Die Durchschnittsgeschwindigkeit ist die Durchschnittsgeschwindigkeit während der Betriebszeit (ohne Leerlauf). Die Durchschnittsgeschwindigkeit wird von einem Tageskilometerzähler und einer Borduhr berechnet.
Durchschnittlicher Kraftstoffverbrauch
Der durchschnittliche Kraftstoffverbrauch ist der durchschnittliche Kraftstoffverbrauch über eine bestimmte Strecke, beispielsweise der durchschnittliche Kraftstoffverbrauch auf 100 km. Der durchschnittliche Kraftstoffverbrauch wird beispielsweise von einem Kraftstoffeinspritzsensor des Fahrzeugs berechnet.
Leerlaufzeit
Die Leerlaufzeit wird mit und ohne Nebenantrieb angegeben, wobei ein Nebenantrieb bedeutet, dass Kraft vom Fahrzeug 1 zum Antreiben einer angeschlossenen Ausrüstung, beispielsweise eines Krans oder einer Zementmischmaschine, verwendet wird. Die Leerlaufzeit wird beispielsweise vom Tageskilometerzähler, Bewegungssensor oder Kraftstoffsensor berechnet.
Stopphäufigkeit
Die Stopphäufigkeit wird für eine bestimmte Strecke angegeben, beispielsweise auf 100 km. Die Stopphäufigkeit wird von Tageskilometerzähler und Bewegungssensor berechnet.
Prozentsatz der Gesamtfahrleistung größer einem vorgegebenen Schwellenwert
Dieser Parameter stellt den Prozentsatz der Gesamtfahrleistung dar, bei dem das Fahrzeug 1 auf einer Straße mit einer Steigung größer einem vorgegebenen Schwellenwert, beispielsweise 2 % oder 8 %, gefahren ist. Dieser Parameter wird von Neigungssensor und Bewegungssensor oder aus der Fahrzeugposition in Kombination mit Kartendaten berechnet.
Durchschnittliches Bruttolastzuggewicht
Das Bruttolastzuggewicht wird über die Gesamtfahrstrecke mit und ohne Last angegeben. Das durchschnittliche Bruttolastzuggewicht wird von einem Gewichtssensor oder einem virtuellen Sensor unter Anwendung der Bewegungsgesetze zusammen mit der berechneten Kraft, die vom Antriebsstrang erzeugt wird, berechnet.
In einigen Fällen ist es sinnvoller, die Betriebsfaktoren aus anderen Sensorwerten als die zuvor genannten zu berechnen. Beispielsweise kann der Kraftstoffverbrauch durch Überwachen der Einspritzzeiten im Motor ermittelt werden.
Wenn die Radlagereinheit 141 ausgetauscht und/oder gewartet wird, werden ein oder mehrere der Parameter, beispielsweise die Zeitraumparameter, gemäß einer Ausführungsform auf Null zurückgesetzt, so dass die Zeiträume jeweils für eine Verwendung einer neuen Radlagereinheit einzeln und/oder für eine Verwendung einer gewarteten Radlagereinheit einzeln berechnet werden.
In einem dritten Schritt S3 umfasst das Verfahren das Erhalten S3 von zweiten Entscheidungsdaten in Bezug auf wenigstens eine physikalische Eigenschaft des Fahrzeugs 1. Die zweiten Daten sind beispielsweise Fahrgestelldaten oder Motordaten. Im Gegensatz zu den ersten Entscheidungsdaten ändern sich die zweiten Entscheidungsdaten typischerweise nicht im Laufe der Zeit. Somit können die zweiten Entscheidungsdaten bei der Herstellung ermittelt und gespeichert werden. Die zweiten Entscheidungsdaten können in einem Datenspeicher in der externen Steueranordnung 2 oder einem Datenspeicher 122 im Fahrzeug 1 gespeichert werden oder können in einem Back-Office, beispielsweise einer zentralen Datenbank beim Hersteller, gespeichert werden. In einem Back-Office werden die Daten zusammen mit einer spezifischen Fahrzeug-Identifikationsnummer gespeichert. Die Fahrzeug-Identifikationsnummer dient zum Sammeln der Fahrgestellinformationen von einer zentralen Datenbank beim Hersteller. Wenn in den gesammelten Daten eine Variable fehlt, kann diese Variable durch eine Darstellung von fehlenden Daten ersetzt werden. Somit umfasst gemäß einigen Ausführungsformen das Erhalten S3 das Lesen oder Abrufen der zweiten Entscheidungsdaten von einem Datenspeicher 122 im Fahrzeug 1, einem Datenspeicher 23 in der externen Steueranordnung 2 oder von einem remoten Datenspeicher.
Die zweiten Entscheidungsdaten umfassen in einer beispielhaften Ausführungsform beliebige oder alle der folgenden Parameter: Achsabstand, Radkonfiguration, Vorderachstyp, Vorderachsgewicht, Motorleistung und Motortyp. Auf die gleiche Weise wie die ersten Entscheidungsdaten können diese Parameter als Eingabe für das maschinelle Lernmodell verwendet werden.
In einem vierten Schritt S4 umfasst das Verfahren das Schätzen S4 der Wahrscheinlichkeit einer Fehlfunktion der Radlagereinheit 141 durch Ausführen des maschinellen Lernmodells mit den ersten und zweiten Entscheidungsdaten zum Bilden der Menge von Eingabeparametern. Zur Vorhersage der Fehlfunktion der Radlagereinheit werden erste und zweite Entscheidungsdaten dem maschinellen Lernmodell als Eingabe übergeben. Das maschinelle Lernmodell erzeugt typischerweise eine Wahrscheinlichkeit im Bereich von 0 bis 1.
Gemäß einigen Ausführungsformen umfasst das Verfahren ferner das Ermitteln S5 einer Aktion auf der Basis der ermittelten Wahrscheinlichkeit einer Fehlfunktion der Radlagereinheit 141. Das heißt, es wird die im vierten Schritt S4 geschätzte Wahrscheinlichkeit verwendet. Beispielsweise wird die ermittelte Wahrscheinlichkeit mit verschiedenen Schwellenwerten verglichen. Die Aktion umfasst beispielsweise eine Angabe, dass eine weitere Steuerung der Radlagereinheit 141 erforderlich ist. Das Ermitteln umfasst beispielsweise das Berechnen einer Vorhersage von JA oder NEIN, wobei JA angibt, dass der betreffende Lastkraftwagen wahrscheinlich einen Defekt an den Vorderachs-Radlagereinheiten innerhalb eines vorgegebenen Zeitraums aufweisen wird.
Gemäß einigen Ausführungsformen umfasst das Verfahren das Melden S6 der berechneten Wahrscheinlichkeit oder der ermittelten Aktion an einen Bediener des Fahrzeugs 1 oder Bediener/Computer in einem Back-Office. Beispielsweise kann die Vorhersage einem Fahrer in einer Fahrerschnittstelle, einem Flottenmanager und/oder einem Eigentümer des Fahrzeugs 1 über ein geeignetes Benachrichtigungs-/Informationssystem dargestellt werden. Auf der Basis dieser dargestellten Vorhersage können der Fahrer, der Flottenmanager und/oder der Eigentümer geeignete Maßnahmen ergreifen, um Fahrzeugprobleme und/oder einen Stillstand zu vermeiden, beispielsweise das Fahrzeug 1 in eine Werkstatt bringen.
Die Entscheidungsdaten in Bezug auf die Nutzung des Fahrzeugs kann eine geeignete Zahl von Parametern umfassen. Verschiedene Parameter tragen unterschiedlich zu einer Vorhersagezuverlässigkeit/-genauigkeit bei. Häufig wird die Vorhersage zuverlässiger, auf je mehr Parameter die Vorhersage beruht. Daher kann durch sorgfältiges Auswählen, welche Parameter und/oder Parameterzahl zum Verwenden als Basis für die Vorhersage der Wahrscheinlichkeit einer Fehlfunktion der Radlagereinheit eingesetzt werden, die Zuverlässigkeit/Genauigkeit der Vorhersage angepasst werden. Gemäß einer Ausführungsform der vorliegenden Erfindung können die spezifischen Parameter und/oder die Zahl von Parametern zum Einschließen in den Entscheidungsdaten auf der Basis der Merkmale der Radlagereinheit, etwa des Herstellers, und/oder anderen Fahrzeugspezifikationen, etwa Motorgröße, Nebenantrieb, welche Achsen/Wellen mit Luftfederungen ausgestattet sind, und/oder des Typs des Fahrzeugs 1, beispielsweise Lastkraftwagen, Holzfahrzeug, Lieferwagen, Fernverkehrsbus oder Stadtverkehrsbus, oder einer Kombination einer Mehrzahl der Merkmale angepasst werden.
Wie zuvor beschrieben können die Entscheidungsdaten, mit denen die Fehlfunktionsvorhersage erfolgt, eine geeignete Zahl von Parametern umfassen. Verschiedene Parameter tragen unterschiedlich zur Vorhersage bei, beispielsweise in Bezug auf die Zuverlässigkeit und Genauigkeit der Vorhersage. Gemäß einer Ausführungsform der vorliegenden Erfindung können die Parameter in Bezug auf die ihre Bedeutung für die Vorhersagequalität klassifiziert, beispielsweise auf der Basis der vorhergehenden Nummerierung (1-8), wobei die Zahl 1 die größte Bedeutung bezeichnet und die Zahl 8 die kleinste Bedeutung. Somit kann eine geeignete Zahl von Parametern zum Einschließen in der Vorhersage auf der Basis der Qualifizierung ausgewählt werden.
Im Allgemeinen wird die Vorhersage zuverlässiger, auf je mehr Parameter die Vorhersage beruht. Daher kann eine gewünschte Zuverlässigkeit für die Vorhersage gewählt werden, beispielsweise durch Beginnen mit dem wichtigsten Parameter gemäß der Klassifizierung, beispielsweise dem vorhergehenden Parameter 1) in Bezug auf die Strecke _D, und anschließend Hinzufügen von Parametern der Klassifizierung, gegebenenfalls durch Beginnen mit dem zweitwichtigsten Parameter, beispielsweise dem Parameter 2) in Bezug auf den Zeitraum, usw., bis eine gewünschte/erforderliche Zuverlässigkeit für die Vorhersage erreicht ist.
Gemäß einer Ausführungsform der vorliegenden Erfindung kann ein Problem in Bezug auf fehlende Daten, beispielsweise aufgrund eines defekten Sensors, durch Eingabe eines Standard-/Vorgabewerts in den Entscheidungsfindungs-Algorithmen gelöst werden. Somit kann die Vorhersage der Wahrscheinlichkeit einer Fehlfunktion der Radlagereinheit gemäß den hier beschriebenen Ausführungsformen ebenfalls durchgeführt werden, wenn Daten fehlen. Die Standard-/Vorgabewerte können beispielsweise als ein Durchschnittswert für diesen Parameter für das Fahrzeug und/oder für mehrere Fahrzeuge, beispielsweise eine Flotten von Fahrzeugen, gewählt werden.
In einem zweiten Aspekt betrifft die Offenbarung die zum Ausführen des Verfahrens von 2 ausgebildete externe Steueranordnung 2. Die externe Steueranordnung 2 ist beispielsweise ein Server umfassend Hardware und Software. Die externe Steueranordnung 2 ist insofern extern, als sie sich außerhalb des Fahrzeugs 1 befindet. Die externe Steueranordnung 2 kann alternativ ein Computersystem sein, das beispielsweise mehrere Server umfasst.
3 zeigt eine beispielhafte Ausführungsform der externen Steueranordnung 2. Die wichtigsten der Hardwarekomponenten der externen Steueranordnung 2 sind typischerweise eine oder mehrere Verarbeitungseinheiten/-schaltungen 22 mit Datenspeicherkapazität, etwa ein Speicher 23. Der Datenspeicher 23 ist zum Speichern des maschinellen Lernmodells und/oder von ersten und/oder zweiten Entscheidungsdaten ausgebildet.
Die externe Steueranordnung 2 umfasst ebenfalls eine Kommunikationsschnittstelle 21 zur Kommunikation mit dem Fahrzeug 1. Die Kommunikationsschnittstelle 21 ist beispielsweise eine zum Kommunizieren mit einer Kommunikationsschnittstelle 11 des Fahrzeugs 1 ausgebildete drahtlose Kommunikationsschnittstelle. Gemäß einigen Ausführungsformen ist die externe Steueranordnung 2 ein externes elektronisches Steuergerät, das über die Kommunikationsschnittstelle 21 mit dem CAN-Bus 15 verbunden ist. Die Kommunikationsschnittstelle 21 ist dann ein spezieller Steckverbinder.
Die externe Steueranordnung 2 und/oder die Verarbeitungseinheit 22 sind zum Erhalten eines maschinellen Lernmodells ausgebildet, wobei das maschinelle Lernmodell eine Wahrscheinlichkeit der Fehlfunktion der Radlagereinheit 141 als Ausgabe bei einer Menge von Eingabe von Eingabeparametern liefert. Die externe Steueranordnung 2 ist beispielsweise zum Erhalten des maschinellen Lernmodells von einem internen Speicher oder von einem remoten System ausgebildet.
Die externe Steueranordnung 2 und/oder die Verarbeitungseinheit 22 sind zum Empfangen von ersten Entscheidungsdaten in Bezug auf die Nutzung des Fahrzeugs 1 mit der Kommunikationsschnittstelle 11 ausgebildet. Gemäß einigen Ausführungsformen ist die externe Steueranordnung 2 zum Senden einer Anforderung an das Fahrzeug 1 und zum Empfangen der ersten Entscheidungsdaten als Reaktion auf die Anforderung ausgebildet.
Die externe Steueranordnung 2 und/oder die Verarbeitungseinheit 22 sind ferner zum Erhalten von zweiten Entscheidungsdaten in Bezug auf wenigstens eine physikalische Eigenschaft des Fahrzeugs 1 ausgebildet. Die zweiten Entscheidungsdaten werden typischerweise im Speicher 23 der externen Steueranordnung 2 gespeichert. Anschließend umfassen die zweiten Entscheidungsdaten das Lesen des Speichers 23. Die externe Steueranordnung 2 und/oder die Verarbeitungseinheit 22 sind ebenfalls zum Schätzen der Wahrscheinlichkeit einer Fehlfunktion des Radlagers durch Ausführen des maschinellen Lernmodells mit den ersten und zweiten Entscheidungsdaten zum Bilden der Menge von Eingabeparametern wie zuvor in Bezug auf das vorhergehende Verfahren beschrieben ausgebildet.
Die externe Steueranordnung 2 und/oder die Verarbeitungseinheit 22 sind ferner zum Ausführen aller Ausführungsformen des zuvor beschriebenen Verfahrens ausgebildet.
Das Verfahren zur Vorhersage einer Wahrscheinlichkeit einer Fehlfunktion einer Radlagereinheit gemäß der vorliegenden Erfindung ist typischerweise in einem Computerprogramm implementiert, das, wenn es auf einem Computer wie der Verarbeitungseinheit 22 ausgeführt wird, den Computer zum Ausführen des Verfahrens anweist. Das Computerprogramm wird beispielsweise im Speicher 23 der Steueranordnung 2 gespeichert.
Das Computerprogramm besteht üblicherweise aus einem auf einem nichtflüchtigen digitalen Speichermedium gespeicherten Computerprogrammprodukt P, in dem das Computerprogramm auf dem computerlesbaren Medium des Computerprogrammprodukts integriert ist. Das computerlesbare Medium umfasst einen geeigneten Speicher wie beispielsweise: ROM (Read-Only Memory), PROM (Programmable Read-Only Memory), EPROM (Erasable PROM), Flash-Speicher, EEPROM (Electrically Erasable PROM).
In der zuvor beschriebenen beispielhaften Ausführungsform wird das vorgeschlagene Verfahren von einer externen Steueranordnung ausgeführt. In einer anderen Ausführungsform wird das vorgeschlagene Verfahren hingegen von einer beliebigen oder allen der Steueranordnungen 12 (beispielsweise elektronischen Steuergeräten) des Fahrzeugs 1 ausgeführt. Das Verfahren wird beispielsweise vom COO 12a ausgeführt. Alternativ kann das Verfahren von einer speziellen Steueranordnung (nicht dargestellt) im Fahrzeug 1 implementiert sein. Die Steueranordnung(en) 12 zum Ausführen des Verfahrens empfängt/empfangen anschließend die erforderlichen Daten zum Ermitteln der Vorhersage von anderen Steueranordnungen 12 des Fahrzeugs 1, etwa von COO 12a, EMS 12b, ICL 12c, BMS 12d, und/oder von einem oder mehreren Sensoren 13 oder Messern 16 des Fahrzeugs 1. Es können ebenfalls Daten von Fernsteuerungen und/oder Datenspeichern empfangen werden. Die Steueranordnung 12 ermittelt/berechnet anschließend die Wahrscheinlichkeit einer Fehlfunktion der Radlagereinheit auf der Basis der empfangenen Daten, beispielsweise durch die Verwendung einer geeigneten Auswertungssoftware zum Ausführen der hier beschriebenen Verfahrensschritte.
Wenn eine interne Steueranordnung 12 die Vorhersagen der Fehlfunktion der Radlagereinheit ermittelt, kann das Ergebnis dieser Vorhersagen vom Fahrzeug 1 an einen Remotecomputer oder ein Remotesystem, beispielsweise an die externe Steueranordnung 2, gesendet werden, wobei eine drahtlose Verbindung, beispielsweise gemäß einem geeigneten Standard zur drahtlosen Kommunikation, für die Übertragung der Daten verwendet werden kann.
Die externe Steueranordnung 2 führt anschließend eine Analyse der Vorhersageinformationen durch und kann einem Fahrzeugeigentümer anschließend eine geeignete Aktion vorschlagen. Diese Aktion kann im Vorschlag bestehen, das Fahrzeug 1 zu einer Werkstatt zu bringen, um den Status der Radlagereinheit 141 zu überprüfen.
Die vorliegende Erfindung ist nicht auf die zuvor beschriebene Ausführungsform beschränkt. Stattdessen betrifft und umfasst die vorliegende Erfindung alle verschiedenen Ausführungsformen, die im Umfang der unabhängigen Ansprüche enthalten sind.

Claims

Verfahren zur Vorhersage einer Wahrscheinlichkeit einer Fehlfunktion einer Radlagereinheit (141) einer Vorderachse (142) in einem Fahrzeug (1) während eines bevorstehenden Vorhersage-Zeitraums t_pred von vorgegebener Länge, wobei das Verfahren umfasst: - das Erhalten (S1) eines maschinellen Lernmodells, wobei das maschinelle Lernmodell eine Wahrscheinlichkeit der Fehlfunktion der Radlagereinheit (141) als Ausgabe bei einer Menge von Eingabe von Eingabeparametern liefert, - das Empfangen (S2) von ersten Entscheidungsdaten in Bezug auf die Nutzung des Fahrzeugs (1) von wenigstens einem Sensor (13) oder Messer (16) im Fahrzeug (1), wobei die Daten nicht direkt mit den Radlagereinheiten verknüpft sind, - das Erhalten (S3) von zweiten Entscheidungsdaten in Bezug auf wenigstens eine physikalische Eigenschaft des Fahrzeugs (1), und - das Schätzen (S3) der Wahrscheinlichkeit einer Fehlfunktion des Radlagers während der bevorstehenden Vorhersagezeitdauer t_pred von vorgegebener Länge durch Ausführen des maschinellen Lernmodells mit den ersten und zweiten Entscheidungsdaten zum Bilden der Menge von Eingabeparametern.
Verfahren nach Anspruch 1, umfassend: - das Erzeugen (S0) des maschinellen Lernmodells durch die Analyse von von einer Flotte von Fahrzeugen gesammelten Trainingsdaten.
Verfahren nach Anspruch 1 oder 2, wobei der wenigstens eine Sensor (13) oder Messer (16) einen Abstand zu einer anderen Funktion als die Radlagereinheit (141) aufweist und/oder in Bezug zu dieser steht.
Verfahren nach einem der vorhergehenden Ansprüche umfassend: - das Ermitteln (S5) einer Aktion auf der Basis der geschätzten Wahrscheinlichkeit einer Fehlfunktion der Radlagereinheit (141).
Verfahren nach Anspruch 4, wobei die Aktion eine Angabe umfasst, dass eine weitere Steuerung der Radlagereinheit (141) erforderlich ist.
Verfahren nach Anspruch 1-3 oder 4-5, umfassend: - das Melden (S6) der berechneten Wahrscheinlichkeit oder der ermittelten Aktion an einen Bediener des Fahrzeugs (1) oder Bediener/Computer in einem Back-Office.
Verfahren nach einem der vorhergehenden Ansprüche, wobei das maschinelle Lernmodell; ein Random-Forest-Modell, ein Entscheidungsbaummodell und/oder ein Generalized-Boosted-Regressionsmodell umfasst.
Verfahren nach einem der vorhergehenden Ansprüche, wobei die ersten Entscheidungsdaten ein beliebiges oder alle Elemente umfassen der Gruppe umfassend: - die vom Fahrzeug (1) zurückgelegte Gesamtfahrstrecke, - die Gesamtbetriebszeit des Fahrzeugs (1), - die Durchschnittsgeschwindigkeit während der Betriebszeit, - den durchschnittlichen Kraftstoffverbrauch des Fahrzeugs (1), - die Leerlaufzeit des Fahrzeugs mit und ohne Nebenantrieb, - die Häufigkeit von Fahrzeugstopps, - einen Prozentsatz der Gesamtfahrleistung mit mehr als 2 % Straßensteigung, - einen Prozentsatz der Gesamtfahrleistung mit mehr als 8 % Straßensteigung, und - das durchschnittliche Bruttolastzuggewicht über die Gesamtfahrstrecke mit und ohne Last.
Verfahren nach einem der vorhergehenden Ansprüche, wobei die zweiten Entscheidungsdaten aus einem Datenspeicher im Fahrzeug (1) oder außerhalb des Fahrzeugs (1) erhalten werden.
Verfahren nach einem der vorhergehenden Ansprüche, wobei die zweiten Entscheidungsdaten ein beliebiges oder alle Elemente umfassen der Gruppe umfassend: - den Achsabstand, - die Radkonfiguration, - den Vorderachstyp, - das Vorderachsgewicht, - Motorleistung, und - Motortyp.
Computerprogramm, gekennzeichnet durch Computermittel, das bei Ausführen auf einem Computer den Computer zum Ausführen des Verfahrens nach einem der Ansprüche 1-10 veranlasst.
Computerprogrammprodukt umfassend ein computerlesbares Medium und ein Computerprogramm nach Anspruch 11, wobei das Computerprogramm im computerlesbaren Medium enthalten ist.
Zur Vorhersage einer Wahrscheinlichkeit einer Fehlfunktion einer Radlagereinheit (141) einer Vorderachse (142) in einem Fahrzeug (1) während eines bevorstehenden Vorhersage-Zeitraums t_pred von vorgegebener Länge ausgebildete Steueranordnung (2, 12), wobei die Steueranordnung (2) umfasst: - eine Verarbeitungsschaltung (22, 122), ausgebildet zum: • Erhalten eines maschinellen Lernmodells, wobei das maschinelle Lernmodell eine Wahrscheinlichkeit der Fehlfunktion der Radlagereinheit (141) als Ausgabe bei einer Menge von Eingabe von Eingabeparametern liefert, • Empfangen von ersten Entscheidungsdaten in Bezug auf die Nutzung des Fahrzeugs (1), wobei die Daten nicht direkt mit den Radlagereinheiten verknüpft sind, • Erhalten von zweiten Entscheidungsdaten in Bezug auf wenigstens eine physikalische Eigenschaft des Fahrzeugs (1), und • Schätzen der Wahrscheinlichkeit einer Fehlfunktion des Radlagers durch Ausführen des maschinellen Lernmodells mit den ersten und zweiten Entscheidungsdaten zum Bilden der Menge von Eingabeparametern.
Steueranordnung (2) nach Anspruch 13, umfassend - einen zum Speichern des maschinellen Lernmodells und/oder der zweiten Entscheidungsdaten ausgebildeten Datenspeicher (23) und/oder - eine zum Empfangen von ersten Entscheidungsdaten von wenigstens einem Sensor (13) oder Messer (16) im Fahrzeug (1) ausgebildete Kommunikationsschnittstelle (21).
Fahrzeug (1) umfassend: - eine Radlagereinheit (141); - wenigstens einen Sensor (13) oder Messer(16) und - eine zum Ausführen des Verfahrens nach einem der Ansprüche 1-10 ausgebildete Steueranordnung (12).