DE102020107528A1 - System for fault diagnosis and / or fault prognosis in motor vehicles - Google Patents
System for fault diagnosis and / or fault prognosis in motor vehicles Download PDFInfo
- Publication number
- DE102020107528A1 DE102020107528A1 DE102020107528.6A DE102020107528A DE102020107528A1 DE 102020107528 A1 DE102020107528 A1 DE 102020107528A1 DE 102020107528 A DE102020107528 A DE 102020107528A DE 102020107528 A1 DE102020107528 A1 DE 102020107528A1
- Authority
- DE
- Germany
- Prior art keywords
- diagnostic
- behavior
- behavior vectors
- vectors
- database
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
Abstract
Das erfindungsgemäße Diagnosesystem zur Anomalie-Erkennung und/oder Fehler-Prognose in Kraftfahrzeugen, das auf Basis von Verhaltensvektoren sowohl bekannte Fehler als auch unbekannte Fehler klassifiziert, ist mit einer Kraftfahrzeug-internen Diagnose-Einheit (On-board Einheit) und/oder mit einer Kraftfahrzeug-externen Diagnose-Einheit (Off-board Einheit) ausgestattet. In mindestens einer der beiden Diagnose-Einheiten ist erfindungsgemäß eine erste Datenbank enthalten, in der zu bekannten Betriebsmodi bekannte Verhaltensvektoren abgespeichert sind. Weiterhin ist in mindestens einer der beiden Diagnose-Einheiten eine Diagnose-Steuereinheit mit einem Auswertealgorithmus zur Anomalie-Erkennung und/oder zur Fehler-Prognose enthalten, der einen Vektoren-Ähnlichkeitstest zum Vergleich ermittelter Verhaltensvektoren mit bekannten Verhaltensvektoren der Datenbank aufweist, um unbekannte Verhaltensvektoren zu identifizieren.The diagnostic system according to the invention for anomaly detection and / or error prognosis in motor vehicles, which classifies both known errors and unknown errors on the basis of behavior vectors, is equipped with an internal vehicle diagnostic unit (on-board unit) and / or with a Vehicle-external diagnostic unit (off-board unit) equipped. According to the invention, at least one of the two diagnostic units contains a first database in which behavior vectors known for known operating modes are stored. Furthermore, at least one of the two diagnostic units contains a diagnostic control unit with an evaluation algorithm for anomaly detection and / or for error prognosis, which has a vector similarity test for comparing determined behavior vectors with known behavior vectors in the database in order to identify unknown behavior vectors identify.
Description
Die Erfindung betrifft ein System zur Fehler-Diagnose und/oder Fehler-Prognose in Kraftfahrzeugen mit einem Auswertemodul, das auf Basis von Verhaltensvektoren Fehler klassifiziert.The invention relates to a system for error diagnosis and / or error prognosis in motor vehicles with an evaluation module which classifies errors on the basis of behavior vectors.
Technischer Hintergrund:Technical background:
Um die Leistungsfähigkeit von Diagnose und auch Prognose (
Die der Klassifizierung zugrundeliegenden bekannten Methoden liefert die Tabelle in
Es ist Aufgabe der Erfindung, derartige bekannte Methoden im Hinblick auf die Erkennung unbekannter Fehler weiterzubilden.It is the object of the invention to develop such known methods with regard to the detection of unknown errors.
Diese Aufgabe wird durch die Merkmale des Patentanspruchs 1 gelöst. Vorteilhafte Weiterbildungen der Erfindung sind die Gegenstände der abhängigen Patentansprüche.This object is achieved by the features of
Das erfindungsgemäße Diagnosesystem zur Anomalie-Erkennung und/oder Fehler-Prognose in Kraftfahrzeugen, das auf Basis von Verhaltensvektoren sowohl bekannte Fehler als auch unbekannte Fehler klassifiziert, ist mit einer Kraftfahrzeug-internen Diagnose-Einheit (On-Board Einheit) und/oder mit einer Kraftfahrzeug-externen Diagnose-Einheit (Off-Board Einheit) ausgestattet. In mindestens einer der beiden Diagnose-Einheiten ist erfindungsgemäß eine erste Datenbank enthalten, in der zu bekannten Betriebsmodi bekannte Verhaltensvektoren abgespeichert sind. Weiterhin ist in mindestens einer der beiden Diagnose-Einheiten eine Diagnose-Steuereinheit mit einem Auswertealgorithmus zur Anomalie-Erkennung und/oder zur Fehler-Prognose enthalten, der einen Vektoren-Ähnlichkeitstest zum Vergleich ermittelter Verhaltensvektoren mit bekannten Verhaltensvektoren der Datenbank aufweist, um unbekannte Verhaltensvektoren zu identifizieren.The inventive diagnostic system for anomaly detection and / or error prognosis in motor vehicles, which classifies both known errors and unknown errors on the basis of behavior vectors, is equipped with an internal vehicle diagnostic unit (on-board unit) and / or with a Vehicle-external diagnostic unit (off-board unit) equipped. According to the invention, at least one of the two diagnostic units contains a first database in which behavior vectors known for known operating modes are stored. Furthermore, at least one of the two diagnostic units contains a diagnostic control unit with an evaluation algorithm for anomaly detection and / or for error prognosis, which has a vector similarity test for comparing determined behavior vectors with known behavior vectors in the database in order to identify unknown behavior vectors identify.
Vorzugsweise werden identifizierte unbekannte Verhaltensvektoren in einer zweiten Datenbank abgespeichert, um sie mittels eines bewertenden Expertensystems entweder zur Erkennung von Fehlern zu einem früher bekannten Betriebsmodus oder als neue bekannte Verhaltensvektoren zu einem dann neuen bekannten Betriebsmodus in der ersten Datenbank abzuspeichern.Identified unknown behavior vectors are preferably stored in a second database in order to store them in the first database by means of an evaluating expert system either to detect errors in a previously known operating mode or as new known behavior vectors in a then new known operating mode.
In einer vorteilhaften Weiterbildung der Erfindung ist die Diagnose-Steuereinheit weiterhin derart ausgestaltet, dass eine Ausfallwahrscheinlichkeit vorhersagbar ist, nachdem eine Abweichungstendenz eines Verhaltensvektors zu einem Betriebsmodus über der Zeit hinsichtlich Winkel, Lage und/oder Länge detektiert und quantifiziert wurde.In an advantageous development of the invention, the diagnostic control unit is also designed in such a way that a failure probability is predictable after a tendency of a behavior vector to deviate from an operating mode has been detected and quantified over time with regard to angle, position and / or length.
Der Erfindung liegen folgende Überlegungen zugrunde, die auch anhand der Zeichnung näher erläutert werden. Es zeigt
-
1 eine detaillierte schematische Darstellung des erfindungsgemäßen Gesamtkonzepts, -
2 die qualitative Einordnung der Erfindung zur Klassifikation gemäß dem Stand der Technik in Bezug auf handhabbare Systemkomplexität abhängig von den Kosten und dem Aufwand zur Methodenerstellung, -
3 die qualitative Einordnung der Erfindung zur Klassifikation gemäß dem Stand der Technik in Bezug auf handhabbare Variantenvielfalt abhängig von den Kosten und dem Aufwand zur Methodenerstellung, -
4 einen Überblick der Systemtopologie eines erfindungsgemäßen Diagnosesystems, -
5 einen zwei-dimensionalen (f1, f2) Zustandsraum mit zwei aufeinander folgenden Zuständen und dem korrespondierenden Verhaltensvektor, -
6 einen zwei-dimensionalen Zustandsraum mit bekannten ähnlichen Verhaltensvektoren (u1, u2, u3) und beobachteten Verhaltensvektoren -
7 Verhaltensvektoren für den Fehlerprognose und Health Management Use-Case (=Anwendungsfall) und -
8 Verhaltensvektoren für den Anwendungsfall für die Qualitätssicherung („QA Use-Case“).
-
1 a detailed schematic representation of the overall concept according to the invention, -
2 the qualitative classification of the invention for classification according to the state of the art in terms of manageable system complexity depending on the costs and the effort involved in creating the method, -
3 the qualitative classification of the invention for classification according to the state of the art with regard to manageable variety of variants depending on the costs and the effort involved in creating the method, -
4th an overview of the system topology of a diagnostic system according to the invention, -
5 a two-dimensional (f 1 , f 2 ) state space with two successive states and the corresponding behavior vector, -
6th a two-dimensional state space with known similar behavior vectors (u 1 , u 2 , u 3 ) and observed behavior vectors -
7th Behavioral vectors for error prognosis and health management use case (= use case) and -
8th Behavioral vectors for the use case for quality assurance (“QA use case”).
In
- Das Diagnosesystem zur Anomalie-Erkennung und/oder Fehler-Prognose in Kraftfahrzeugen, das auf Basis von Verhaltensvektoren
u sowohl bekannte Fehler als auch unbekannte Fehler klassifiziert, weist eine Kraftfahrzeug-internen Diagnose-Einheit 1 (On-Board Einheit) und hier optional eine Kraftfahrzeug-externe Diagnose-Einheit 2 (Off-Board) auf. Bei diesem Ausführungsbeispiel ist in der ersten Diagnose-Einheit 1 eineerste Datenbank 3 enthalten, in der zu bekannten Betriebsmodimj bekannte Verhaltensvektoren u(mj ) abgespeichert sind. Weiterhin ist hier in der ersten Diagnose-Einheit 1 eine Diagnose-Steuereinheit 4 (Diagnose-ECU) mit einem Auswertealgorithmus zur Anomalie-Erkennung und/oder zur Fehler-Prognose enthalten, der einen Vektoren-Ähnlichkeitstest zum Vergleich ermittelter Verhaltensvektorenu mit bekannten Verhaltensvektoren u(mj ) derDatenbank 3 aufweist, um unbekannte Verhaltensvektoren u(mj )* zu identifizieren.
- The diagnostic system for anomaly detection and / or error prognosis in motor vehicles, which is based on behavior vectors
u Both known faults and unknown faults classified, has a motor vehicle-internal diagnostic unit 1 (on-board unit) and here optionally a motor vehicle-external diagnostic unit 2 (off-board). In this exemplary embodiment, thefirst diagnosis unit 1 contains afirst database 3 in which operating modes are knownm j known behavior vectors u (m j ) are saved. The firstdiagnostic unit 1 also contains a diagnostic control unit 4 (diagnostic ECU) with an evaluation algorithm for anomaly detection and / or for error prognosis, which performs a vector similarity test for comparing determined behavior vectorsu with known behavior vectors u (m j ) of thedatabase 3 to identify unknown behavior vectors u (m j )* to identify.
Die identifizierten unbekannten Verhaltensvektoren u(
In der Diagnose-Einheit 2 ist ein bewertendes Expertensystems 6 enthalten, das eine manuelle oder automatische Bewertung der identifizierten unbekannten Verhaltensvektoren u(
Im Übrigen sind in der ersten Diagnose-Einheit 1 der
Sowohl
System ÜberblickSystem overview
Wie in
On-board EinheitOn-board unit
Aufgabe der On-Board Einheit ist es, das technische System (hier Fahrzeug) auf Sensor-Ebene zu überwachen. Ein Diagnose-Service wird auf einem Steuergerät (
Off-board EinheitOff-board unit
Die Off-Board Einheit besteht aus einer Datenbank, welche bekannte Verhaltensvektoren (mit zugehörigen Betriebsmodi) enthält sowie einer optionalen Recheneinheit, auf welcher Algorithmen für die Anomalie-Detektion und Fehlererkennung sowie die
Das Verwenden einer Off-Board Einheit bietet den Vorteil Flotten-basiertes Lernen zu ermöglichen (siehe Diagnose Use-Case zur Detektion bekannter Fehler, Abschnitt 3.1.1).Using an off-board unit offers the advantage of enabling fleet-based learning (see Diagnostic Use Case for Detecting Known Errors, Section 3.1.1).
Verhaltensvektoren für die FahrzeugdiagnoseBehavioral vectors for vehicle diagnosis
Verhaltensvektoren repräsentieren das dynamische Systemverhalten in Vektor-Notation.Behavior vectors represent the dynamic system behavior in vector notation.
Der komplexe, Zeit-diskrete Systemzustand lässt sich als die Kombination einzelner, unabhängiger Sub-Zustände im hochdimensionalen Zustandsraum beschreiben. Ein (Sub-) Zustand ist eine physikalische Eigenschaft, welche über Sensorik beobachtet oder indirekt über Zustandsschätzer inferiert werden kann.The complex, time-discrete system state can be described as the combination of individual, independent sub-states in the high-dimensional state space. A (sub) state is a physical property that can be observed using sensors or indirectly inferred using state estimators.
Kraftfahrzeuge sind topologisch hochkomplexe Systeme und verfügen folglich über einen hochdimensionalen Zustandsraum. Durch Überwachen dieses Zustandsraums lassen sich multivariate Zeitreihen beobachten. Prinzipiell steckt in diesen Zeitreihen das dynamische Systemverhalten. Die Zeitreihen lassen sich allerdings nicht direkt für diagnostische Zwecke verwenden, sondern müssen aufbereitet werden.Motor vehicles are topologically highly complex systems and consequently have a high-dimensional state space. By monitoring this state space, multivariate time series can be observed. In principle, the dynamic system behavior is contained in these time series. However, the time series cannot be used directly for diagnostic purposes, but must be processed.
Das Konzept der Verhaltensvektoren ist die dynamische Erweiterung Zeitdiskreter Repräsentationen im Zustandsraum. Für einen gegebenen Betriebsmodus
Wird ein einfacher, zwei-dimensionaler Zustandsraum betrachtet, kann der Zusammenhang zwischen aufeinanderfolgenden Zuständen und dem Verhaltensvektor grafisch der
In gewissem Sinne, beschreiben Verhaltensvektoren den Pfad im Zustandsraum, den ein System während eines spezifischen Betriebsmodus nimmt. Da die Repräsentation mit Verhaltensvektoren auf physikalischen Eigenschaften beruht, folgt sie im Vergleich zu anderen System-Repräsentationen, keinem Black-Box Paradigma. Die Analyse von Verhaltensvektoren liefert somit nachvollziehbaren Einblick in Verhaltensmuster des Systems (wie zum Beispiel degradationsbehaftete Muster).In a sense, behavior vectors describe the path in state space that a system takes during a specific operating mode. Since the representation with behavior vectors is based on physical properties, it does not follow a black box paradigm compared to other system representations. The analysis of behavior vectors thus provides a comprehensible insight into behavior patterns of the system (such as patterns prone to degradation).
Diagnose Use-CaseDiagnosis use case
Innerhalb des Diagnose Use-Cases existieren drei mögliche Applikationen unter Anwendung von Verhaltensvektoren. Alle 3 Applikationen lassen sich den Daten-getriebenen Methoden zuordnen, wenden aber verschiedene Lernverfahren aus dem Bereich des maschinellen Lernens (
Für das einfachere Verständnis lässt sich das methodische Vorgehen für alle drei Applikationen anhand eines zweidimensionalen Zustandsraums, wie in
Detektion bekannter FehlerDetection of known errors
Allgemein kann ein Systemverhalten als fehlerbehaftet (nicht toleriert) oder fehlerfrei klassifiziert werden. In beiden Fällen existieren zu bekannten Betriebsmodi bekannte Verhaltensvektoren. Im Falle eines Fehlerfalls, kann der korrespondierende Verhaltensvektor als komplexes Fehler-Symptom (analog zu aktuellen Diagnosesystemen wie z. B.
Durch Überwachen des Systems (z. B. Fahrzeug im Feld) können Verhaltensvektoren gesammelt werden. Im Beispiel in
Das Nutzen von Verhaltensvektoren für die Fehlerdetektion bietet drei Vorteile gegenüber bekannten Symptom-basierten Ansätzen:
- - Die Methode ist in der Lage bedingte Fehler zu erkennen (Fehler, die sich aufgrund eines vorangegangenen Zustands einstellen)
- - Regelbasierte Diagnosefunktionen inklusive eventueller Grenzwerte müssen nicht durch Experten definiert werden. Stattdessen erlernen sich die Funktionen inkl. notwendiger Grenzwerte selbst (unter Verwendung von ML-Methoden/ Ähnlichkeitsmaße)
- - Im Vergleich zu Symptom-basierten Diagnose Systemen (z. B. DTCbasierte Diagnose), nutzen Verhaltensvektoren eine kontinuierliche Skala. Während DTCs erst durch das Verletzen von „Regeln“ gesetzt werden, lassen sich Verhaltensvektoren immer beobachten
- - The method is able to recognize conditional errors (errors that occur due to a previous status)
- - Rule-based diagnostic functions including any limit values do not have to be defined by experts. Instead, the functions, including the necessary limit values, learn by themselves (using ML methods / similarity measures)
- - Compared to symptom-based diagnosis systems (e.g. DTC-based diagnosis), behavior vectors use a continuous scale. While DTCs are only set when “rules” are violated, behavior vectors can always be observed
Anomalie Detektion (mögliche Fehler)Anomaly detection (possible errors)
Ziel der Anomalie Detektion ist es untypische/ unbekannte (Verhaltens-) Muster im System zu erkennen. Während bekannte Ansätze (z. B. SVM-/ Auto-Encoder basierte Methoden) zeitdiskrete multidimensionale Zustände überwachen, überwacht das Verfahren basierend auf Verhaltensvektoren multidimensionales Systemverhalten. Es wird die kurzzeitige Vergangenheit mitberücksichtigt.The aim of anomaly detection is to identify atypical / unknown (behavior) patterns in the system. While known approaches (e.g. SVM / auto encoder based methods) monitor time-discrete multidimensional states, the method monitors multidimensional system behavior based on behavior vectors. The short-term past is also taken into account.
Im Beispiel (
Um zu entscheiden, ob eine Anomalie vorliegt oder nicht, können Ähnlichkeitsmaße unter Nutzung der Vektoreigenschaften (Richtung, Lage im Raum, Länge, etc.) angewandt werden. Aus mathematischer Sicht werden die Distanzen zwischen dem beobachteten
Wesentlicher Unterschied (und Vorteil) der Anomalie Detektion mittels Verhaltensvektoren im Vergleich zu Zustands-basierten Verfahren (z. B. SVMbasiert), ist die Berücksichtigung der Dynamik des Systems. Während Zustandsbasierte Verfahren nur den relevanten zeitdiskreten Zustandsraum überwachen, berücksichtigt die auf Verhaltensvektoren basierte Methodik die kurzzeitige Vergangenheit. Fehlerfälle, welche aufgrund von vorangegangenen Zuständen auftreten, können einfach detektiert und von anderen Fehlerfällen abgegrenzt werden.The main difference (and advantage) of anomaly detection using behavior vectors compared to state-based methods (e.g. SVM-based) is the consideration of the dynamics of the system. While state-based methods only monitor the relevant discrete-time state space, the methodology based on behavior vectors takes the short-term past into account. Faults that occur due to previous states can be easily detected and differentiated from other faults.
Entdecken unbekannter FehlerDiscovering unknown errors
Während in der Theorie alle möglichen Fehler mittels Diagnosefunktionen abgedeckt sein sollten, ist dies in der Praxis nicht zu garantieren. Insbesondere die Vernetzung von Sensorik, Aktorik, Steuergeräten und Domänenübergreifenden Funktionen stellt Entwickler vor die Herausforderung komplexe Fehlerfälle bereits im Entwicklungsstadium zu identifizieren. Um Werkstätten darin zu unterstützen, Ursachen unzureichend abgesicherter Fehlerfälle zu identifizieren, kann eine auf Verhaltensvektoren basierte Methodik unbekannte Fehlerfälle während der Diagnose-Session identifizieren.While in theory all possible errors should be covered by diagnostic functions, this cannot be guaranteed in practice. In particular, the networking of sensors, actuators, control units and cross-domain functions presents developers with the challenge of identifying complex faults as early as the development stage. In order to support workshops in identifying the causes of insufficiently secured fault cases, a methodology based on behavior vectors can identify unknown fault cases during the diagnostic session.
Unter der Annahme, den Betriebsmodus
Im obigen Beispiel gemäß
Fehler-Prognose und Health Management (
Während der Diagnose Use-Case bereits eingetretene Fehlerfälle betrachtet, ist es das Ziel des
Da Verhaltensvektoren
Durch das Überwachen von Verhaltensvektoren
Um Abweichungen des Systemverhaltens zu quantifizieren, können die Vektoreigenschaften ausgenutzt werden. In
Um für den
- - Überwachung des Winkels δτ zwischen u(
mj ) und uτ(mj ) - - Überwachung der Lage von u(
mj ) im Zustandsraum - - Überwachung der Länge von u(
mj ) - - Eine Kombination der obigen Methoden
- - Monitoring the angle δ τ between u (
m j ) and u τ (m j ) - - Monitoring the position of u (
m j ) in the state space - - Monitoring the length of u (
m j ) - - A combination of the above methods
Alle beschriebenen Methoden folgen einem White-Box Paradigma und sind daher für Systemexperten nachvollziehbar.All of the methods described follow a white box paradigm and are therefore understandable for system experts.
Use-Case Qualitätssicherung (
Die Ursachen von Fehlern technischer Systeme sind vielfältig. Insbesondere die Ursachen der Fehler, die im Gewährleistungszeitraum auftreten, sind für die Qualitätssicherung von großem Interesse. Während Tester-Systeme vorwiegend zur Bestimmung der kleinsten tauschbaren Einheiten in den Werkstätten zum Einsatz kommen, zielt die Diagnose der
Eine, für die Qualitätssicherung geeignete, Methodik muss Fehlerdaten in nicht komprimierter Form sammeln, so dass grundlegende physikalische Prozesse, die zum Fehlerfall führten, nachvollzogen werden können. Dies ermöglicht das reproduzieren von Fehlerfällen unter Laborbedingungen. Verhaltensvektoren stellen genau diese Informationen (sofern sie im Fehlerfall aufgezeichnet wurden) dar.A methodology suitable for quality assurance must collect error data in uncompressed form so that the basic physical processes that led to the error can be traced. This enables error cases to be reproduced under laboratory conditions. Behavioral vectors represent precisely this information (provided that it was recorded in the event of an error).
Ein Fehlerfall ist relevant für die Qualitätssicherung, wenn er häufiger beobachtet wird, als statistisch zu erwarten wäre. Daher kann davon ausgegangen werden, dass eine hinreichende Menge Falldaten bekannt ist. Da aus den Falldaten neben beobachteten Verhaltensvektoren (des Fehlerfalls) auch der Betriebsmodus bekannt ist, stehen ebenfalls „gesunde“ Verhaltensvektoren des Betriebsmodus zur Verfügung.An error case is relevant for quality assurance if it is observed more often than would be statistically expected. It can therefore be assumed that a sufficient amount of case data is known. Since the operating mode is known from the case data in addition to the observed behavior vectors (of the error case), “healthy” behavior vectors of the operating mode are also available.
In
Neben der vielversprechenden Fehlerfall-spezifischen Analyse der uf(
BezugszeichenlisteList of reference symbols
- CM
- Condition Monitoring
- DTC
- Diagnostic Trouble Code
- ECU
- Electronic Control Unit
- GFS
- Geführte Fehlersuche
- Hl
- Health Indicator
- ML
- Maschinelles Lernen
- MLP
- Multi-Layer Perceptron (Verfahren des Maschinellen Lernens)
- PHM
- Prognostics and Health Management
- QA
- Quality Assurance
- RUL
- Remaining Useful Lifetime
- SVM
- Support Vector Machine (Verfahren des Maschinellen Lernens)
- α(u)
- Als Anomalie klassifizierter Verhaltensvektor u
- dth
- Distanz Grenzwert (als Ähnlichkeitsmaß)
- fi
- Dimension i (Physikalische Eigenschaft) im komplexen Zustandsraum
- mj
- Eindeutiger Betriebsmodusj
- si
- Eindeutiger Zustand zum Zeitpunkt i (Vektor)
- u, u*
- Verhaltensvektor, Beobachteter Verhaltensvektor
- CM
- Condition monitoring
- DTC
- Diagnostic Trouble Code
- ECU
- Electronic control unit
- GFS
- Guided troubleshooting
- St.
- Health indicator
- ML
- Machine learning
- MLP
- Multi-Layer Perceptron (machine learning method)
- PHM
- Prognostics and Health Management
- QA
- Quality assurance
- RUL
- Remaining Useful Lifetime
- SVM
- Support Vector Machine (method of machine learning)
- α (u)
- Behavior vector classified as an anomaly, etc.
- dth
- Distance limit value (as a measure of similarity)
- fi
- Dimension i (physical property) in the complex state space
- mj
- Unique operating mode j
- si
- Unique state at time i (vector)
- u, u *
- Behavior vector, observed behavior vector
Claims (3)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020107528.6A DE102020107528A1 (en) | 2020-03-18 | 2020-03-18 | System for fault diagnosis and / or fault prognosis in motor vehicles |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020107528.6A DE102020107528A1 (en) | 2020-03-18 | 2020-03-18 | System for fault diagnosis and / or fault prognosis in motor vehicles |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102020107528A1 true DE102020107528A1 (en) | 2021-09-23 |
Family
ID=77552571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102020107528.6A Pending DE102020107528A1 (en) | 2020-03-18 | 2020-03-18 | System for fault diagnosis and / or fault prognosis in motor vehicles |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102020107528A1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422935A (en) * | 2023-12-13 | 2024-01-19 | 深圳市鑫思诚科技有限公司 | Motorcycle fault non-contact diagnosis method and system |
-
2020
- 2020-03-18 DE DE102020107528.6A patent/DE102020107528A1/en active Pending
Non-Patent Citations (2)
Title |
---|
WOLF, Peter, et al. Pre-ignition detection using deep neural networks: A step towards data-driven automotive diagnostics. In: 2018 21st International Conference on Intelligent Transportation Systems (ITSC). IEEE, 2018. S. 176-183. |
ZHANG, Yilu, et al. Connected vehicle diagnostics and prognostics, concept, and initial practice. IEEE Transactions on Reliability, 2009, 58. Jg., Nr. 2, S. 286-294. |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117422935A (en) * | 2023-12-13 | 2024-01-19 | 深圳市鑫思诚科技有限公司 | Motorcycle fault non-contact diagnosis method and system |
CN117422935B (en) * | 2023-12-13 | 2024-03-08 | 深圳市鑫思诚科技有限公司 | Motorcycle fault non-contact diagnosis method and system |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102011108678B4 (en) | Event-driven data mining method for improving error code settings and isolating errors | |
DE102015214739A1 (en) | Determining a cause of a fault in a vehicle | |
DE102017222616A1 (en) | A method for automatically creating rules for rule-based anomaly detection in a data stream | |
DE19959526A1 (en) | Method for recognizing faults in a motor vehicle | |
DE112009000439T5 (en) | A vehicle information recording device, a vehicle information communication system, and a vehicle information communication method | |
DE102010052998A1 (en) | Software-centered methodology for checking and confirming error models | |
DE102018200887A1 (en) | diagnostic device | |
WO2008003575A2 (en) | Measuring arrangement comprising a state monitoring system, and method for monitoring the state of a measuring arrangement | |
DE102020212277A1 (en) | Method and device for determining a remaining service life based on a predictive diagnosis of components of an electric drive system using artificial intelligence methods | |
DE102017219473A1 (en) | A method for predictively detecting a failure of a component of a vehicle, computer readable medium, system, and vehicle comprising the system | |
EP3907707A1 (en) | Method and diagnostic device for carrying out a vehicle diagnosis | |
DE102020107528A1 (en) | System for fault diagnosis and / or fault prognosis in motor vehicles | |
WO2007022849A2 (en) | Method for identifying complex diagnoses in customer services | |
WO2010006928A1 (en) | Method and device for controlling and determining states of a sensor | |
DE102018132658A1 (en) | Method for computer-aided evaluation of a measurement of an electrical variable in a high-voltage electrical system of a predetermined electrically driven motor vehicle | |
DE112021005667T5 (en) | Method and device for detecting anomalies in a mechanical device or a mechanical component | |
DE102015218262A1 (en) | Data processing system and method for this for condition monitoring of a plurality of vehicles | |
DE102020108861A1 (en) | Method for determining a condition of a component | |
DE10307343B4 (en) | On-board diagnostic device and on-board diagnostic procedures for motor vehicles | |
DE102004056434A1 (en) | Diagnostic and Serviecesystem for a motor vehicle | |
DE10161998A1 (en) | Method for control system monitoring, especially of motor vehicle electrical or electronic systems, enables estimation of an aging factor for a whole system rather than just for individual components within it | |
DE102021202177A1 (en) | METHOD OF DETERMINING THE OPERATIONAL CONDITION OF VEHICLE COMPONENTS | |
DE10222072A1 (en) | Automatic diagnostic method for dynamic systems involves processing input data in probability network, feeding at least one system characterizing parameter into computation of diagnosis result | |
DE102019107242A1 (en) | Diagnostic method, diagnostic system and motor vehicle | |
DE102020209338A1 (en) | Method and device for determining the future probability of failure of an electric drive module of an electric vehicle |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified |