DE102018132158A1

DE102018132158A1 - Klassifikation von Signalen zur Diagnose für ein Kraftfahrzeug

Info

Publication number: DE102018132158A1
Application number: DE102018132158.9A
Authority: DE
Inventors: Michael Beham; Robert von Haefen
Original assignee: Bayerische Motoren Werke AG
Current assignee: Bayerische Motoren Werke AG
Priority date: 2018-12-13
Filing date: 2018-12-13
Publication date: 2020-06-18

Abstract

Ein Aspekt der Erfindung betrifft ein Computerimplementiertes Verfahren zum Trainieren eines Klassifikators zur Diagnose für ein Kraftfahrzeug. Ein Schritt des Verfahrens ist das Zuordnen zumindest eines Sensorsignals mittels einer durch Selbstlernen trainierten Künstlichen Intelligenz zu einer Signalklasse. Ein weiterer Schritt des Verfahrens ist das Entgegennehmen oder Bestimmen von zumindest einer Reparaturinformation. Ein weiterer Schritt des Verfahrens ist das Zuordnen einer Signalklasse zu der zumindest einen Reparaturinformation.

Description

Die Erfindung betrifft ein Computer-implementiertes Verfahren, eine Vorrichtung und eine Verwendung zur Klassifikation von Signalen zur Diagnose für ein Kraftfahrzeug.
Aus der US 2014/0336869 A1 ist bekannt, zur Diagnose und insbesondere zur prädiktiven Diagnose von Kraftfahrzeugen Signale des Kraftfahrzeugs auszuwerten.
Es ist Aufgabe der Erfindung, ein verbessertes Verfahren und eine verbesserte Vorrichtung zur Klassifikation von Signalen zur Diagnose für ein Kraftfahrzeug anzugeben.
Die Aufgabe wird durch die Merkmale der unabhängigen Patentansprüche gelöst. Vorteilhafte Ausführungsformen sind in den abhängigen Ansprüchen beschrieben. Es wird darauf hingewiesen, dass zusätzliche Merkmale eines von einem unabhängigen Patentanspruch abhängigen Patentanspruchs ohne die Merkmale des unabhängigen Patentanspruchs oder nur in Kombination mit einer Teilmenge der Merkmale des unabhängigen Patentanspruchs eine eigene und von der Kombination sämtlicher Merkmale des unabhängigen Patentanspruchs unabhängige Erfindung bilden können, die zum Gegenstand eines unabhängigen Anspruchs, zu einer Teilungsanmeldung oder einer Nachanmeldung gemacht werden kann. Dies gilt in gleicher Weise für in der Beschreibung beschriebene technische Lehren, die eine von den Merkmalen der unabhängigen Patentansprüche unabhängige Erfindung bilden können.
Ein erster Aspekt der Erfindung betrifft ein Computer-implementiertes Verfahren zum Trainieren eines Klassifikators zur Diagnose für ein Kraftfahrzeug.
Der Klassifikator ist insbesondere ein Verfahren oder eine Vorrichtung zur Einteilung von. beispielsweise abstrakten, Objekten oder Situationen in Klassen.
Die Diagnose für das Kraftfahrzeug ist beispielsweise das Erkennen des Vorliegens eines Fehlers oder einer Beschädigung eines Kraftfahrzeugbauteils. Alternativ oder zusätzlich ist die Diagnose für das Kraftfahrzeug beispielsweise das Identifizieren des Fehlers oder der Beschädigung, also die Feststellung, um welchen Fehler oder um welche Beschädigung es sich handelt.
Ein Schritt des Verfahrens ist das Entgegennehmen von zumindest einem Sensorsignal eines Sensors des Kraftfahrzeugs.
Der Sensor kann insbesondere ein akustischer Sensor sein, beispielsweise ein Mikrofon. Der akustische Sensor kann dabei beispielsweise eingerichtet sein, Ultra- und/oder Infraschallwellen zu detektieren. Alternativ kann der Sensor insbesondere auch ein optischer Sensor sein, beispielsweise eine Kamera.
Der Sensor kann beispielsweise im Innenraum des Kraftfahrzeugs, im Motorraum des Kraftfahrzeugs oder am Fahrzeugexterieur angeordnet sein.
Das zumindest eine Sensorsignal umfasst dabei insbesondere eine Zeitreihe von zumindest zwei Datenpunkten eines Signals.
Ein weiterer Schritt des Verfahrens ist das Zuordnen des zumindest einen Sensorsignals mittels einer durch Selbstlernen trainierten Künstlichen Intelligenz zu einer Signalklasse.
Selbstlernen, insbesondere unüberwachtes Lernen und »Deep Learning«, bezeichnet maschinelles Lernen mit und ohne Kontextbezug ohne im Voraus bekannte Zielwerte sowie ohne Belohnung durch die Umwelt. Die Künstliche Intelligenz versucht, in den Eingabedaten Muster zu erkennen, die vom strukturlosen Rauschen abweichen.
Bekannte Ansätze zum Selbstlernen sind beispielsweise Clusteranalyse (z.B. mittels „k-means“ oder „Random Forests“), künstliche neuronale Netzwerke (z.B. mittels „Autoencoder“ oder „Deep Learning“).
Wenn das zumindest eine Sensorsignal ein akustisches Signal ist, dann kann die Signalklasse beispielsweise charakteristisch sein für ein Klappern, Klacken, Klopfen, Pochen, Quietschen oder Knarzen. Alternativ oder zusätzlich kann die Signalklasse beispielsweise auch charakteristisch sein für eine relative Position der Quelle des Signals zum Sensor.
Insbesondere erfolgt das Zuordnen des zumindest einen Sensorsignals mittels der selbstlernendes Künstlichen Intelligenz zu einer Signalklasse in Abhängigkeit von zumindest einer Eigenschaft des Sensorsignals, wobei die zumindest eine Eigenschaft des Sensorsignals beispielsweise für eine Schwingung des Signals charakteristisch ist.
Bei einem akustischen Signal ist die Schwingung des Signals beispielsweise eine akustische Schwingung. Bei einem optischen Signal ist die Schwingung beispielsweise eine schwingende Kante in einem Bild.
Ein weiterer Schritt des Verfahrens ist das Entgegennehmen oder Bestimmen von zumindest einer Reparaturinformation, wobei die Reparaturinformation für ein Kraftfahrzeugbauteil und/oder einen Zustand des Kraftfahrzeugbauteils charakteristisch ist.
Die zumindest eine Reparaturinformation kann beispielsweise bei einem Serviceaufenthalt des Kraftfahrzeugs manuell oder automatisiert bestimmt werden oder zeitnah über Mobilfunk (z.B. 5G).
Die Reparaturinformation identifiziert insbesondere das Kraftfahrzeugbauteil oder den Zustand des Kraftfahrzeugbauteils statistisch signifikant.
Ein weiterer Schritt des Verfahrens ist das Zuordnen einer Signalklasse zu der zumindest einen Reparaturinformation.
In einer bevorzugten Ausführungsform erfolgt das Zuordnen der Signalklasse zu der zumindest einen Reparaturinformation, derart, dass eine Signalklasse, deren zugeordnetes, zumindest eine Sensorsignal in einem vorgebbaren Zeitfenster vor der Zuordnung erstmalig mit zumindest einer vorgebbaren Häufigkeit auftrat, der Reparaturinformation zugeordnet wird.
Die zumindest eine vorgebbare Häufigkeit kann beispielsweise als ein Schwellwert derart vorgegeben werden, dass statistisch nicht signifikant auftretende Sensorsignale das Zuordnen der Signalklasse zu der zumindest einen Reparaturinformation nicht beeinflussen.
Das vorgebbare Zeitfenster kann beispielsweise derart vorgegeben werden, dass es dem Zeitraum zwischen zwei Service-, beziehungsweise Wertstattaufenthalten entspricht. In diese Fall könnte eine zwischen zwei Serviceaufenthalten erstmalig auftretende Signalklasse einer im späteren Serviceaufenthalt erstmalig auftretenden Reparaturinformation zugewiesen werden.
In einer bevorzugten alternativen Ausführungsform erfolgt das Zuordnen der Signalklasse zu der zumindest einen Reparaturinformation durch Entgegennehmen einer Bedienhandlung. Insbesondere ist die Bedienhandlung ein manuelles Zuweisen der zumindest einen Reparaturinformation zu der Signalklasse, beispielsweise bei einem Service-, beziehungsweise Wertstattaufenthalt.
Ein weiterer Schritt des Verfahrens ist das Trainieren des Klassifikators mit dem zumindest einen Sensorsignal und der dem zumindest einen Sensorsignal über die Signalklasse zugeordneten Reparaturinformation sowie Kontextwissen („Deep Learning“).
Ein weiterer Aspekt der Erfindung betrifft eine Vorrichtung zur Datenverarbeitung, umfassend Mittel zur Ausführung der Schritte des Verfahrens nach einem der Ansprüche 1 bis 8.
Ein weiterer Aspekt der Erfindung betrifft die Verwendung des mit dem Verfahren nach einem der Ansprüche 1 bis 8 trainierten Klassifikators zur Diagnose eines Schadens des Kraftfahrzeugbauteils.
Mittels des trainierten Klassifikators kann insbesondere ein bereits eingetretener Schaden des Kraftfahrzeugbauteils diagnostiziert werden. Es kann also beispielsweise das beschädigte Kraftfahrzeugbauteil erkannt werden und/oder die Art des Schadens festgestellt werden.
Ein weiterer Aspekt der Erfindung betrifft die Verwendung des mit dem Verfahren nach einem der Ansprüche 1 bis 8 trainierten Klassifikators zur Prädiktion eines Schadens des Kraftfahrzeugbauteils.
Mittels des trainierten Klassifikators kann insbesondere ein noch nicht eingetretener Schaden des Kraftfahrzeugbauteils diagnostiziert werden. Es kann also beispielsweise das beschädigte Kraftfahrzeugbauteil erkannt werden und/oder die Art des Schadens festgestellt werden.
Ein weiterer Aspekt der Erfindung betrifft die Verwendung des mit dem Verfahren nach einem der Ansprüche 1 bis 8 trainierten Klassifikators zum Erkennen einer Veränderung im Umfeld des Kraftfahrzeugs.
Die Veränderung im Umfeld des Kraftfahrzeugs ist insbesondere eine das Fahrverhalten des Kraftfahrzeugs beeinflussende Veränderung im Umfeld des Kraftfahrzeugs, beispielsweise eine Reibwertänderung.
Ein weiterer Aspekt der Erfindung betrifft die Verwendung des mit dem Verfahren nach einem der Ansprüche 1 bis 8 trainierten Klassifikators zum Erkennen von nicht sichtbaren Fahrzeugen, insbesondere Einsatzfahrzeuge, im Umfeld des Kraftfahrzeugs.
Die vorstehenden Ausführungen zum erfindungsgemäßen Verfahren nach dem ersten Aspekt der Erfindung gelten in entsprechender Weise auch für die erfindungsgemäße Vorrichtung nach dem zweiten Aspekt der Erfindung und die erfindungsgemäße Verwendung nach dem dritten Aspekt der Erfindung; vorteilhafte Ausführungsbeispiele der erfindungsgemäßen Vorrichtung und der erfindungsgemäßen Verwendung entsprechen den beschriebenen vorteilhaften Ausführungsbeispielen des erfindungsgemäßen Verfahrens.
Die Erfindung wird nachfolgend anhand eines Ausführungsbeispiels unter Zuhilfenahme der beigefügten Zeichnungen beschrieben. In diesen zeigen:

1 ein Ausführungsbeispiel ein Ausführungsbeispiel der erfindungsgemäßen Vorrichtung zur Datenverarbeitung, und
2 ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens.

1 zeigt ein Ausführungsbeispiel der erfindungsgemäßen Vorrichtung zur Datenverarbeitung zum Trainieren eines Klassifikators K zur Diagnose für ein Kraftfahrzeug.
Die erfindungsgemäße Vorrichtung ist dabei eingerichtet, zumindest ein Sensorsignal ss eines Sensors S des Kraftfahrzeugs entgegenzunehmen 100, und das zumindest eine Sensorsignal ss mittels einer durch Selbstlernen trainierten Künstlichen Intelligenz SKI zu einer Signalklasse sk zuzuordnen 110.
Das zumindest eine Sensorsignal ss umfasst dabei beispielsweise eine Zeitreihe von zumindest zwei Datenpunkten eines optischen Signals und/oder eines akustisches Signals, insbesondere eines Infraschallsignals oder ein Ultraschallsignals.
Das Zuordnen 110 des zumindest einen Sensorsignals ss mittels der selbstlernendes Künstlichen Intelligenz SKI zu einer Signalklasse sk erfolgt insbesondere in Abhängigkeit von zumindest einer Eigenschaft des Sensorsignals ss erfolgt.
Außerdem ist die erfindungsgemäße Vorrichtung eingerichtet, zumindest einer Reparaturinformation ri entgegenzunehmen 120 oder zu bestimmen, wobei die Reparaturinformation ri für ein Kraftfahrzeugbauteil und/oder einen Zustand des Kraftfahrzeugbauteils charakteristisch ist.
Die Reparaturinformation ri identifiziert dabei das Kraftfahrzeugbauteil oder den Zustand des Kraftfahrzeugbauteils statistisch signifikant.
Darüber hinaus ist die erfindungsgemäße Vorrichtung eingerichtet, die Signalklasse sk zu der zumindest einen Reparaturinformation ri zuzuordnen 130, insbesondere mittels einer Zuordnungseinheit ZE.
Die Reparaturinformation ri kann dabei der Zuordnungseinheit ZE beispielsweise während Werkstattaufenthalts übermittelt werden.
Die erfindungsgemäße Vorrichtung ist eingerichtet, den Klassifikator K mit dem zumindest einen Sensorsignal ss und der dem zumindest einen Sensorsignal ss über die Signalklasse sk zugeordneten Reparaturinformation ri zu trainieren 140, beispielsweise mittels einer Trainingseinheit TE, die in einem überwachten Lernverfahren den Klassifikator K trainiert 140.
Der trainierte Klassifikator K kann insbesondere verwendet werden, um einen Schaden des Kraftfahrzeugbauteils in Abhängigkeit von dem zumindest einen Sensorsignal ss diagnostizieren. Der Klassifikator K kann das zumindest eine Sensorsignal ss beispielsweise direkt von dem Sensor S des Kraftfahrzeugs entgegennehmen.
2 zeigt ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens zum Trainieren eines Klassifikators K zur Diagnose für ein Kraftfahrzeug
Ein Schritt des Verfahrens ist das Entgegennehmen 100 von zumindest einem Sensorsignal ss eines Sensors S des Kraftfahrzeugs.
Das zumindest eine Sensorsignal ss ist beispielsweise eine Zeitreihe von zumindest zwei Datenpunkten eines akustischen Signals, das insbesondere einen Infraschall- und/oder einen Ultraschallumfang umfasst.
Ein weiterer Schritt des Verfahrens ist das Zuordnen 110 des zumindest einen Sensorsignals ss mittels einer durch Selbstlernen trainierten Künstlichen Intelligenz SKI zu einer Signalklasse sk.
Die Signalklasse ist beispielsweise charakteristisch für ein klapperndes Geräusch.
Das Zuordnen 110 des zumindest einen Sensorsignals ss mittels der selbstlernendes Künstlichen Intelligenz SKI zu einer Signalklasse sk erfolgt insbesondere in Abhängigkeit von zumindest einer Eigenschaft des Sensorsignals ss. Beispielsweise kann die zumindest eine Eigenschaft des Sensorsignals ss im Fall des klappernden Geräusches für eine Schwingung des Sensorsignals ss charakteristisch sein.
Ein weiterer Schritt des Verfahrens ist das Entgegennehmen 120 von zumindest einer Reparaturinformation ri, wobei die Reparaturinformation ri für ein Kraftfahrzeugbauteil und/oder einen Zustand des Kraftfahrzeugbauteils charakteristisch ist, und wobei die Reparaturinformation ri das Kraftfahrzeugbauteil oder den Zustand des Kraftfahrzeugbauteils statistisch signifikant identifiziert.
Die Reparaturinformation ri ist beispielsweise charakteristisch für eine Beschädigung eines Bauteils des Fahrswerks des Kraftfahrzeugs.
Ein weiterer Schritt des Verfahrens ist das Zuordnen 130 der Signalklasse sk zu der zumindest einen Reparaturinformation ri.
Das Zuordnen 130 der Signalklasse sk zu der zumindest einen Reparaturinformation ri, erfolgt beispielsweise derart, dass eine Signalklasse sk, deren zugeordnetes, zumindest eine Sensorsignal ss in einem vorgebbaren Zeitfenster vor dem Zuordnen 130 erstmalig mit zumindest einer vorgebbaren Häufigkeit auftrat, der Reparaturinformation ri zugeordnet wird.
Wenn das genannte klappernde Geräusch beispielsweise erst kurz vor dem Entgegennehmen 120 der Reparaturinformation ri erstmalig aufgetreten ist, so wir die Signalklasse sk, die für das klappernde Geräusch charakteristisch ist, der Reparaturinformation ri zugeordnet.
Ein weiterer Schritt des Verfahrens ist das Trainieren 140 des Klassifikators K mit dem zumindest einen Sensorsignal ss und der dem zumindest einen Sensorsignal ss über die Signalklasse sk zugeordneten Reparaturinformation ri.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

US 2014/0336869 A1 [0002]

Claims

Computerimplementiertes Verfahren zum Trainieren eines Klassifikators (K) zur Diagnose für ein Kraftfahrzeug, umfassend die Schritte: • Entgegennehmen (100) von zumindest einem Sensorsignal (ss) eines Sensors (S) des Kraftfahrzeugs, • Zuordnen (110) des zumindest einen Sensorsignals (ss) mittels einer durch Selbstlernen trainierten Künstlichen Intelligenz (SKI) zu einer Signalklasse (sk), • Entgegennehmen (120) oder Bestimmen von zumindest einer Reparaturinformation (ri), wobei die Reparaturinformation (ri) für ein Kraftfahrzeugbauteil und/oder einen Zustand des Kraftfahrzeugbauteils charakteristisch ist, • Zuordnen (130) der Signalklasse (sk) zu der zumindest einen Reparaturinformation (ri), • Trainieren (140) des Klassifikators (K) mit dem zumindest einen Sensorsignal (ss) und der dem zumindest einen Sensorsignal (ss) über die Signalklasse (sk) zugeordneten Reparaturinformation (ri).
Computerimplementiertes Verfahren nach Anspruch 1, wobei das zumindest eine Sensorsignal (ss) • ein optisches Signal und/oder • ein akustisches Signal, insbesondere ein Infraschallsignal oder ein Ultraschallsignal, umfasst.
Computerimplementiertes Verfahren nach einem der vorherigen Ansprüche, wobei das zumindest eine Sensorsignal (ss) eine Zeitreihe von zumindest zwei Datenpunkten eines Signals umfasst.
Computerimplementiertes Verfahren nach einem der vorherigen Ansprüche, wobei die Reparaturinformation (ri) das Kraftfahrzeugbauteil oder den Zustand des Kraftfahrzeugbauteils statistisch signifikant identifiziert.
Computerimplementiertes Verfahren nach einem der vorherigen Ansprüche, wobei das Zuordnen (110) des zumindest einen Sensorsignals (ss) mittels der selbstlernendes Künstlichen Intelligenz (SKI) zu einer Signalklasse (sk) in Abhängigkeit von zumindest einer Eigenschaft des Sensorsignals (ss) erfolgt.
Computerimplementiertes Verfahren nach Anspruch 4, wobei die zumindest eine Eigenschaft des Sensorsignals (ss) für eine Schwingung des Sensorsignals (ss) charakteristisch ist.
Computerimplementiertes Verfahren nach einem der vorherigen Ansprüche, wobei das Zuordnen (130) der Signalklasse (sk) zu der zumindest einen Reparaturinformation (ri), derart erfolgt, dass eine Signalklasse (sk), deren zugeordnetes, zumindest eine Sensorsignal (ss) in einem vorgebbaren Zeitfenster vor dem Zuordnen (130) erstmalig mit zumindest einer vorgebbaren Häufigkeit auftrat, der Reparaturinformation (ri) zugeordnet wird.
Computerimplementiertes Verfahren nach einem der vorherigen Ansprüche, wobei das Zuordnen (130) der Signalklasse (sk) zu der zumindest einen Reparaturinformation (ri) durch Entgegennehmen einer Bedienhandlung erfolgt.
Vorrichtung zur Datenverarbeitung, umfassend Mittel zur Ausführung der Schritte des Verfahrens nach einem der Ansprüche 1 bis 8.
Verwendung des mit dem Verfahren nach einem der Ansprüche 1 bis 8 trainierten Klassifikators (K) zur Diagnose eines Schadens des Kraftfahrzeugbauteils.
Verwendung des mit dem Verfahren nach einem der Ansprüche 1 bis 8 trainierten Klassifikators (K) zur Prädiktion eines Schadens des Kraftfahrzeugbauteils.
Verwendung des mit dem Verfahren nach einem der Ansprüche 1 bis 8 trainierten Klassifikators (K) zum Erkennen einer Veränderung im Umfeld des Kraftfahrzeugs.
Verwendung des mit dem Verfahren nach einem der Ansprüche 1 bis 8 trainierten Klassifikators (K) zum Erkennen von nicht sichtbaren Fahrzeugen, insbesondere Einsatzfahrzeuge, im Umfeld des Kraftfahrzeugs.