-
Die vorliegende Erfindung betrifft ein Verfahren zum Betreiben einer Funktion einer Vorrichtung, insbesondere eines Kraftfahrzeugs, wobei die Funktion mittels eines Modells eines neuronalen Netzwerks lokal angelernt wird.
-
Neuronale Netzwerke zum Anlernen, Betreiben und ggf. Optimieren von Gerätefunktionen sind seit längerem als solches bekannt. Dabei wird ein Modell mit Inputdaten gefüttert, zum Beispiel Betriebsdaten und Umgebungsbedingungen des Gerätes. Mittels definierter Knoten werden diese Inputdaten miteinander verknüpft und erzeugen Outputdaten, mit dessen Hilfe die Gerätefunktion betrieben werden kann. Betreiben umfasst neben einem Regelbetrieb im Weitesten Sinne auch das Verbessern bestehender Funktionen, inklusiver das Verändern der Ein- und Ausschaltzeitpunkte der Funktion, sowie das Erkennen, Erlernen, Definieren und Initiieren neuer Funktionen, welche nicht originär im Betriebsumfang der betreffenden Vorrichtung vorgesehen waren. Die neuen Funktionen sind somit Ergebnis des Betreiben des Neuronalen Netzes. Sie können bestehende Funktionen erweitern oder auch ersetzen. Neben lokalen Lernverfahren, welche auf dem betroffenen Gerät selber lokal ablaufen, und zentralen Lernverfahren, bei welchem das Anlernen einer oder mehrerer gleichartiger oder ähnlicher Geräte auf einem zentralen Server erfolgen, ist ferner auch ein sogenanntes kollaboratives Lernen, auch „Federated Learning“ bekannt. Dies ist eine Variante des maschinellen Lernens, bei welcher über eine Vielzahl dezentraler Geräte mit lokal ermittelten Betriebsdaten lokale Modelle trainiert werden, wobei die lokal erfassten Daten nicht miteinander ausgetauscht werden, sondern nur die Modellparameter verschiedener solcher dezentraler Geräte - zumeist über einen zentralen Server - ausgetauscht werden. Die Modellparameter sind typischerweise Verknüpfungswerte zwischen den Knoten des neuronalen Netzwerks. Durch verschiedene Modellparameter einzelner Geräte kann ein globales Modell mit vereinheitlichten Modellparametern erzeugt werden.
-
„Neuronales Netz“ steht hier exemplarisch für alle Maschinenlernverfahren, bei welchen mehrere lokale Betriebsparameter erfasst werden, miteinander verknüpft werden und damit Rückschlüsse auf das Betriebsverhalten ermittelt wird. Insbesondere kann eine Bewertung eines Betriebszustandes - z.B. ein zeitliches Zusammentreffen oder eine zeitliche Abfolge mehrerer Betriebsparameter - bewertet werden. Diese Bewertung kann eine normal-anormal Erkennung oder eine mehrstufige Klassifizierung oder Kategorisierung des Betriebszustandes oder der Funktion umfassen. Andere Begriffe im Zusammenhang mit Maschinenlernen sind beispielsweise künstliche Intelligenz oder Deep Learning.
-
Kollaboratives Lernen benötigt also eine Mehrzahl von verteilten, gleichwertigen oder ähnlichen Vorrichtungen, welche typischerweise räumlich voneinander getrennt und autonom arbeiten. Unter „lokal“ wird im Folgenden verstanden, dass ein Vorgang (z.B. Erfassung, Berechnung) auf oder in der jeweiligen individuellen Vorrichtung erfolgt, ohne das explizite Wissen über diese anderen Vorrichtungen, welche über einen oder mehrere Zentralserver oder ein Netzwerk in einem systemischen Bezug stehen.
-
In 2A ist schematisch die Funktionsweise eines kollaboratives Lernens angedeutet, wie dies aus dem Stand der Technik bekannt ist. In einem ersten Schritt wird ein Modell 40 mit einer definierten Topologie bestimmt oder ausgewählt. Diese Topologie legt die Knoten des Modells 40 fest und beschreibt mit Modellparametern die Verknüpfungen. Die Bestimmung oder Auswahl des Modells kann vom Server 10 oder anderweitig vorgegeben werden, z.B. vorkonfiguriert sein. In einem zweiten Schritt wird optional dieses Modell 40 von dem Server 10 an die verbundenen Vorrichtungen 20A - 20N kommuniziert, falls das Modell 40 nicht bereits anderweitig auf den Vorrichtungen 20A - 20N eingerichtet ist. Lokal können Modelle 40 selbstverständlich erweitert sein. In diesem Falle umfassen alle verbundenen Vorrichtungen 20A - 20N einen minimalen, gemeinsamen Satz von Knoten und Modellparametern, die im Folgenden dann berücksichtigt werden. Die Parameterbereiche/ Skalen können unterschiedlich sein oder mit unterschiedlicher Genauigkeit erfasst sein (z.B. mit unterschiedlicher n-Bit Auflösung oder Integer gegenüber „free float numbers“.
-
In einem dritten Schritt wird dieses für alle Vorrichtungen 20A - 20N gleiche Modell 40 (und mit denselben Modellparametern) lokal, also mit lokal erfassten Daten trainiert. In einem vierten Schritt werden die lokal ermittelten Wertetupel 50 für die Modellparameter an den Server 10 übermittelt, welcher auf dieser Basis, d.h. ohne Kenntnis der lokal erfassten Daten, sondern nur aus den daraus ermittelten „antrainierten“ Modellparametern ein globales Modell 50' ermittelt. Die lokal ermittelten Modellparameter können wegen der Unterschiede des Betriebs gleicher oder gleichwertiger Vorrichtung 20 oder durch Qualitätsunterschiede der einzelnen Vorrichtungen 20 voneinander abweichen. Diese Unterschiede können beispielsweise bei der Gewichtung der einzelnen Modellparameter für die Ermittlung des globalen Modells berücksichtigt werden.
-
Es ist die Aufgabe der Erfindung, solche Lernverfahren weiter zu verbessern und damit Funktionen für Vorrichtungen, welche in gleicher oder ähnlicher Form in einer Vielzahl verbreitet sind, zu bereitzustellen, zu verändern oder zu optimieren.
-
Diese Aufgabe wird durch ein Verfahren gemäß Anspruch 1 sowie durch einen Server gemäß Anspruch 10 gelöst. Vorteilhafte Aus- und Weiterbildungen ergeben sich aus den abhängigen Ansprüchen.
-
Bei dem erfindungsgemäßen Verfahren zum Betreiben einer Funktion einer Vorrichtung wird ein Modell eines neuronalen Netzwerks mit festgelegter Topologie und festgelegten Modellparametern für eine Vielzahl von Vorrichtungen einer festgelegten Gattung bestimmt, und es werden in der Vielzahl der Vorrichtungen mehrere für den Betrieb der Vorrichtung relevante Betriebsparameter und/oder Nutzungsparameter jeweils zu verschiedenen Zeitpunkten als Betriebspunkte lokal erfasst. Dabei wird mit der Hilfe der erfassten Betriebspunkte das Modell lokal angelernt, wobei so ein lokales Wertetupel der Modellparameter ermittelt wird. Die lokalen Wertetupel der Modellparameter werden von den Vorrichtungen an einen Server zur weiteren Verarbeitung übermittelt. Das erfindungsgemäße Verfahren ist dadurch gekennzeichnet, dass Konfigurationseigenschaften erfasst werden und dem jeweiligen Wertetupel zugeordnet werden. Die Konfigurationseigenschaften betreffen dabei die Vorrichtungen, gegebenenfalls damit assoziierten Benutzer oder die Kontextbedingungen der Benutzung. Des Weiteren ist das erfindungsgemäße Verfahren dadurch gekennzeichnet, dass aus einer Mehrzahl von an den Server übermittelten Wertetupeln in Abhängigkeit von den erfassten Konfigurationseigenschaften ein Super-Wertetupel berechnet wird und dem Super-Wertetupel wenigstens eine Konfigurationseigenschaft oder wenigstens ein Konfigurationseigenschaftsbereich zugeordnet wird. Dies ermöglicht das Clustern ähnlicher Vorrichtungen und das gezielte Übertragen von Lernergebnissen einer der Vorrichtungen auf jene der anderen Vorrichtungen, welche aufgrund von Ähnlichkeiten der Konfiguration am meisten von einem solchen Lernergebnis profitieren können. Damit können Fehler basierend auf unterschiedlichen Gerätefunktionen oder - komponenten besser klassifiziert werden, insbesondere wenn bei der Vielzahl der Vorrichtungen unterschiedliche Funktionsumfänge oder Unterkomponenten eingerichtet sind.
-
Die Berechnung des Super-Wertetupels kann auf an sich beliebige Art erfolgen, z.B. durch arithmetische Mittelung oder über Parameter einer Regressionsanalyse. Ferner können die einzelnen Wertetupel unterschiedlich stark gewichtet werden oder anderweitig statistisch bearbeitet werden, z.B. durch entfernen statistisch überrepräsentierter Beiträge.
-
Betriebsparameter können an sich beliebige für den Betrieb relevante Größen sein. Sie umfassen beispielsweise mechanische Größen wie Druck, elektrische Größen wie Spannung, Thermodynamische Größen wie Temperatur, oder chemische Größen wie Stoffkonzentrationen. Diese können in der Vorrichtung selbst oder auch in der Umgebung der Vorrichtung erfassbar sein. Ferner können die Betriebsparameter für Zeitpunkte, für Zeitintervalle gelten oder auch über die Zeit integriert sein.
-
Die Vorrichtung betreffenden Konfigurationsdaten können insbesondere auf einem separaten Server oder auch auf der betreffenden Vorrichtung selbst gespeichert sein.
-
Die mit der Vorrichtung assoziierten Benutzerdaten umfassen insbesondere Alter und Geschlecht, sowie Daten die Hinweise auf die Erfahrung im Umgang mit der betreffenden Vorrichtung geben.
-
Kontextbedingungen der Benutzung umfassen insbesondere Umgebungsbedingungen wie Temperatur oder Luftfeuchte, insbesondere wenn diese nicht oder nicht regelmäßig von der Vorrichtung erfasst werden. Sie können auch die Tageszeit, Jahreszeit oder Standortinformationen umfassen. Die Kontextbedingungen können ferner nicht nur für die Benutzung gelten, sondern auch für die überwiegende Benutzung oder die vermutete Benutzung während einer Zeitspanne - z.B. aufgrund vom Wohnort des Benutzers.
-
In einer Ausbildung der Erfindung umfassen die Konfigurationseigenschaften die SW- oder HW-Version einer in der Vorrichtung verbauten Komponente und/oder länderspezifischer Varianten der Vorrichtung oder dessen Komponenten. Die Berücksichtigung dieser Konfigurationseigenschaften können das Lernverfahren sehr effektiv differenzieren.
-
Gemäß einer Ausbildung der Erfindung ist vorgesehen, dass eine Konfigurationseigenschaft einer ersten gattungsgemäßen Vorrichtung oder eines damit assoziierten Benutzers mit einer einem Super-Wertetupel zugeordneten Konfigurationseigenschaft oder Konfigurationseigenschaftsbereich verglichen wird. Wenn die so ermittelten Konfigurationseigenschaften in einem festgelegten Verhältnis stehen, wird dieses Super-Wertetupel vom Server an die erste Vorrichtung übermittelt und/oder zur Übermittlung bereitgestellt. Insbesondere sind die Konfigurationseigenschaft der ersten Vorrichtung und diejenige des Super-Wertetupels identisch. Das lokale Wertetupel des angelernten Modells des neuronalen Netzwerks kann dann unter Berücksichtigung des Super-Wertetupel verändert werden, wodurch eine Gerätefunktion verbessert oder auch neu erstellt werden kann.
-
Die Konfigurationseigenschaft der ersten Vorrichtung kann aber auch in dem Konfigurationseigenschaftsbereich des Super-Wertetupels liegen oder innerhalb einer maximal zulässigen Weise abweichen. Es können auch mehrere Konfigurationseigenschaften verglichen werden, wobei dann die Art der voneinander abweichenden Konfigurationseigenschaften, d.h. denjenigen der ersten Vorrichtung einerseits und denjenigen dem Super-Wertetupel zugeordneten andererseits, definiert ist.
-
Das Super-Wertetupel kann das vorherige lokale Wertetupel vollständig ersetzen. Es kann dieses optional aber auch nur nach einer beliebigen mathematischen Operation modifizieren, beispielsweise durch Mittelung, Gewichtung oder Korrelation, insbesondere in dem Maße wie die Konfigurationseigenschaften nicht identisch, sondern nur ähnlich waren.
-
Gemäß einer Ausbildung der Erfindung ist vorgesehen, dass den Betriebspunkten eine Bewertung der Funktion der Vorrichtung, insbesondere eine Anomalie-Bewertung, zugeordnet wird. In diesem Fall kann ferner vorgesehen sein, dass das neuronale Netzwerk eine Anomalie der Funktion für einen Betriebspunkt erkennt und die Wertetupel der Modellparameter aus historisch erfassten Daten neu berechnet werden. Dies ist insbesondere dann vorteilhaft, wenn das neuronale Netzwerk auffällige Betriebspunkte identifiziert, welche vorher gar nicht oder nicht in dem Maße aufgetreten sind, insbesondere durch Alterungsprozesse oder Bedienfehler. Durch solche Erkenntnisse können insbesondere auch neue Funktionalitäten oder Betriebszustände definierbar sein.
-
In einer Weiterbildung der Erfindung ist vorgesehen, dass auf die Neuberechnung der Modellparameter ein erneutes Übersenden der Wertetupel an den Server erfolgt, im Server eine Neuberechnung des Super-Wertetupels durchgeführt wird und das neu berechnete Super-Wertetupel an andere Vorrichtungen mit den entsprechenden Konfigurationseigenschaften übermittelt wird oder zur Übermittlung bereitgestellt wird. Hierdurch können erstmalig auftretende Anomalien in den ähnlichen Vorrichtungen auch dann berücksichtigt werden, wenn dies in der Trainingsphase nicht möglich gewesen wäre. Es kann damit ggf. ein Funktionsfehlverhalten frühzeitig erkannt werden.
-
Die Erfindung lässt sich auf eine Vielzahl von vernetzten Vorrichtungen und Systemen insbesondere im Bereich der sogenannten „Internet of Things“ (loT) anwenden. Gemäß einer Ausgestaltung der Erfindung kann das Verfahren vorteilhafterweise für Funktionen von Kraftfahrzeugen, Robotern oder Mobilitätsdienstsysteme angewendet werden. Hier ist eine besonders gute Datenlage der Konfigurationsdaten vorhanden (Datenbanken von Herstellern, Vertragswerkstätten oder auch einem Kraftfahrzeugmelderegister). Die für Kraftfahrzeuge betreffende Funktionen umfassen insbesondere Längsregelung, Querregelung, Lichtregelung, Objekterfassung, Fahrerstatusüberwachung, Sicherheitsfunktionen und Komfortfunktion. Sicherheitsfunktionen sind beispielsweise auch Funktionen zu Cybersecurity (z.B. betreffend die Manipulation von SW oder die Absicherung gegenüber unerlaubtem externer Zugriff). Die Fahrzeugfunktionen können dabei manuell oder automatisiert ausgeführt sein, wobei auch teilautomatisierte Funktionen bekannt sind.
-
Der erfindungsgemäße Server zum Unterstützen des Betriebs einer Funktion einer Vorrichtung ist eingerichtet, Wertetupel der Modellparameter von einer Vielzahl von Vorrichtungen einer festgelegten Gattung zu empfangen, wobei für die Vielzahl von Vorrichtungen ein Modell eines neuronalen Netzwerks mit festgelegter Topologie und festgelegten Modellparametern bestimmt ist. Der erfindungsgemäße Server ist dadurch gekennzeichnet, dass er des Weiteren eingerichtet ist, um Konfigurationseigenschaften zu erfassen und dem jeweiligen Wertetupel zuzuordnen. Der Server ist ferner dazu eingerichtet, aus einer Mehrzahl von den empfangenen Wertetupeln in Abhängigkeit von den erfassten Konfigurationseigenschaften ein Super-Wertetupel zu berechnen und dem Super-Wertetupel wenigstens eine Konfigurationseigenschaft oder wenigstens ein Konfigurationseigenschaftsbereich zuzuordnen.
-
Die Erfindung wird nun anhand von Ausführungsbeispielen und mit Bezug zu den 1 bis 3 näher erläutert.
- Die 1 zeigt schematisch eine Fahrzeugflotte, welche mit einem Server zum kooperativen Lernen zur Optimierung von Fahrzeugfunktionen in Verbindung stehen, gemäß einem Ausführungsbeispiel der Erfindung.
- die 2A und 2B zeigen schematisch die Funktionsweise eines kollaborativen Lernens, wie dies aus dem Stand der Technik (2A) bekannt ist, bzw. erfindungsgemäß erweitert wurde (2B), und
- die 3 zeigt schematisch eine Topologie eines neuronalen Netzwerks, wie dies aus dem Stand der Technik als solches bekannt ist.
-
In der 1 ist schematisch eine Fahrzeugflotte, welche mit einem Server zum kooperativen Lernen zur Optimierung von Fahrzeugfunktionen in Verbindung stehen, gemäß einem Ausführungsbeispiel der Erfindung dargestellt. Unter einer Fahrzeugflotte wird hier allgemein eine Vielzahl von Fahrzeugen 20 verstanden. Diese können einem gemeinsamen Besitzer oder Betreiber zuzuordnen sein, oder aber auch unabhängig voneinander sein. Andere Ausführungsbeispiele sind ebenso denkbar, wie allgemein untereinander gattungsgemäß ähnliche vernetzte Vorrichtungen aus dem Bereich „Internet of Things“, z.B. Smart Meters, Smartphones, Industrieroboter oder dergleichen.
-
Ein Zentralserver 10 ist mit einer Vielzahl von Kraftfahrzeugen 20A - 20N über ein Kommunikationsnetz 30 verbunden. Im Folgenden werden Kraftfahrzeuge allgemein mit 20 bezeichnet, wenn nicht ein bestimmtes Kraftfahrzeug gemeint ist. Das Kommunikationsnetz 30 umfasst insbesondere ein Mobilfunknetz, z.B. nach dem 3G, 4G oder 5G Standard, ohne aber darauf festgelegt zu sein. Insbesondere ist der Zentralserver 10 dazu eingerichtet, Informationen zu einer Topologie wenigstens eines Models eines neuronalen Netzwerks 40, sowie dazugehörige generische Modellparameter {x} zu senden sowie Wertetupel 50, 51 der angenommenen Werte der Modellparameter auszutauschen, worauf noch mit Bezug zu den 2 und 3 näher eingegangen wird.
-
Der Zentralserver 10 ist ferner mit Datenbanken 15 - 18 auf weiteren Servern verbunden. Im Ausführungsbeispiel umfasst die Datenbank 15 Konfigurationsmerkmale über diverse SW- oder HW-Versionen sowie länderspezifischen Varianten der in den Kraftfahrzeugen 20 verbauten Komponenten gemäß der ersten Inbetriebnahme des jeweiligen Kraftfahrzeugs 20. In der Datenbank 16 sind, beispielsweise aus einer Wartungsvertragswerkstatt, sämtliche Veränderungen des HW- und SW-Zustandes gespeichert, wie beispielsweise Datum und Version eines SW-Upgrades und Austauschdatum und Hersteller von Ersatzteilen, wie z.B. Bremsbeläge, Injektoren und dergleichen. In der Datenbank 17 sind Daten, die den Fahrzeughalter betreffen, gespeichert, beispielsweise die Postleitzahl des Wohnortes, Alter etc. Diese Datenbank 17 kann eine Datenbank eines Versicherungsgebers sein und in Verbindung mit anderen Datenbanken, z.B. einer behördlichen Verkehrsteilnehmerkartei (nicht dargestellt), stehen. In der Datenbank 18 können weitere Daten zur Verfügung stehen, z.B. allgemeine Wetter- und Klimadaten. Die Server bzw. assoziierten Datenbanken 10, 15 - 18 können an sich beliebig konfiguriert sein. Sie können beispielsweise weiter aufgeteilt und an verschiedenen Standorten stehen der als sogenannte Cloudlösung eingerichtet sein. Sie können aber auch zentral an einem Ort auf demselben Server eingerichtet sein.
-
Der Zentralserver 10 ist somit in der Lage, Konfigurationsdaten über individuelle Kraftfahrzeuge 20 abzufragen und diese mit den Wertetupeln des Modells des neuronalen Netzwerks in Verbindung zu bringen, um die individuellen Kraftfahrzeuge 20 dabei zu unterstützen, verschiedene Fahrzeugfunktionen zu optimieren oder neu zu entwerfen.
-
Die 2B zeigt schematisch die Funktionsweise eines kollaboratives Lernens, wie dies aus dem Stand der Technik bekannt ist und erfindungsgemäß verändert wurde. In einem ersten Schritt wählt der Server 10 ein Modell mit einer definierten Topologie, welche die Knoten des Modells und die dazugehörigen Modellparameter festlegt (alternativ kann das Modell wahlweise auch in anderer Form für die betrachteten Kraftfahrzeuge 20 festgelegt sein, z.B. durch Vorkonfiguration oder z.B. durch Standardisierung, nicht dargestellt). In einem zweiten Schritt kommuniziert der Server 10 die Modellinformationen der Topologie des neuronalen Netzwerks an die Kraftfahrzeuge 20. Der Einfachheit halber wird angenommen, dass die Modelle für alle Kraftfahrzeuge 20 gleich sind. Ist dies nicht der Fall, wird sich auf den deckungsgleichen Teil des Modells beschränkt.
-
Jede Fahrzeugfunktion kann im Prinzip auf ein eigenes Modell gestützt sein. Somit können auch mehrere Fahrzeugfunktion über ggf. mehrere Modelle trainiert und optimiert werden. Der Einfachheit halber wird sich hier auf eine Fahrzeugfunktion beschränkt, falls nichts anderes erwähnt wird. Verschiedene Modelle können auch in einem weiteren Schritt zu einem Hyper-Modell kombiniert werden.
-
In einem dritten Schritt trainieren alle Kraftfahrzeuge 20 mit diesem gleichen Modell und mit denselben Modellparametern {x} für die entsprechende Fahrzeugfunktion mit lokal erfassten Daten von Betriebsparametern. Im einfachen Beispiel aus der 3 dienen x0, x1 und x2 als Input. Je nach Fahrzeugfunktion können auch mehr Inputparameter x0 - xn vorhanden sein.
-
Gemäß einer erster Fahrzeugfunktion „Bremsen“ umfassen die Inputdaten x0 - xn z.B. eine Bremskraft und eine Temperatur.
-
Gemäß einer zweiten Fahrzeugfunktion „Fahrerstatusüberwachung“ umfassen die Inputdaten x0 - xn z.B. Merkmale aus einem Kamerabild. Die Fahrerstatusüberwachung kann dabei auch mit anderen Fahrzeugfunktionen verknüpft sein, z.B. Inputdaten über das Überfahren einer durchgezogenen Linie.
-
Wie in der 3 gezeigt, werden aus den Inputdaten x0 - xn im Trainingsverfahren die weiteren Modellparameter x0-1 ... x2-2 als Matrix {x} miteinander verknüpft und schließlich für jeden Betriebspunkt eine Bewertung Y0, Y1 als Output erzeugt. Dieser Outputvektor {y} kann auch als Teil der Matrix {x} aufgefasst werden. Die Bewertung kann insbesondere für Y0= normaler Zustand und Y1= anormaler Zustand der Fahrzeugfunktion kodiert sein. Über die Verknüpfungen lernt das neuronale Netz schließlich die signifikanten Zusammenhänge und ermittelt so der Wertematrix {w}, welche die entsprechend für die Verknüpfungen der Modellparameter x0-1 bis x2-2 ermittelten Werte w0-0 bis w2-2(2) beinhalten. Die darin enthaltenen Wertzahlen können auch als Wertekolonne oder Wertetupel 50 dargestellt werden.
-
In einem vierten Schritt (2B) werden die lokal im jeweiligen Kraftfahrzeug 20 ermittelten Wertetupel 50 für die Modellparameter {x} an den Server 10 übermittelt. Die Wertetupel 50 werden aus verschiedenen Gründen für alle Kraftfahrzeuge 20 zumindest leichte Unterschiede aufweisen. Dies liegt nicht nur daran, dass die Trainingsbedingungen für jedes Kraftfahrzeug 20 unterschiedlich sind, sondern auch daran, dass heutzutage nur wenige Kraftfahrzeuge 20 die exakt gleiche Konfiguration aufweisen. So verändert eine Motorvariante nicht nur die Leistung des jeweiligen Kraftfahrzeugs 20, sondern auch den Verbrauch und das Gesamtgewicht. Des Weiteren sind zahlreiche Fahrzeugvarianten bekannt (manuelles gegenüber automatischem Getriebe, Verbau gleichartiger Komponenten verschiedener Zulieferer etc). Ferner macht es einen Unterschied, wie und unter welchen Umgebungsbedingungen das Kraftfahrzeug gefahren wird.
-
Der Server 10 empfängt die Wertetupel 50 der verschiedenen Kraftfahrzeuge 20. Er empfängt beispielsweise für eine erste Funktion ein erstes Wertetupel 50A1 vom Kraftfahrzeug 20A, ein weiteres Wertetupel 50B1 von einem Kraftfahrzeug 20B usw. Die Wertetupel werden im Folgenden allgemein mit 50 bezeichnet, wenn nicht ein bestimmtes Wertetupel gemeint ist. Dies wird dann mit dem entsprechenden Suffix A - N für das jeweilige Kraftfahrzeug 20A - 20N und die jeweilige Funktion indiziert. Dasselbe gilt auch für die Super-Tupel 51, auf die weiter unten noch eingegangen wird.
-
Die lokal erfassten Rohdaten werden nicht übermittelt. Diese wären viel zu umfangreich, um sie alle von den jeweiligen Kraftfahrzeugen 20 an den Server zu übertragen. Darüber hinaus könnte es Gründe des Datenschutzes geben, weshalb nicht alle Rohdaten ungefiltert, z.B. nicht anonymisiert übertragen werden dürfen.
-
Erfindungsgemäß ermittelt der Server 10 in einem fünften Schritt aus einer Mehrzahl von den empfangenen Wertetupeln 50 in Abhängigkeit von den über die Datenbanken 15 -18 erfassten Konfigurationseigenschaften verschiedene Super-Wertetupel 51. Dies erfolgt beispielsweise durch Gruppieren oder Sortieren der empfangenen Wertetupel nach gleichen oder ähnlichen Konfigurationseigenschaften. Beispielsweise werden alle gleichen SW-Versionen einer Komponente bei der Berechnung eines zugehörigen Super-Wertetupels 51 berücksichtigt. Beispielsweise wird ein Super-Wertetupel 51X aus allen Wertetupeln 50 jener Kraftfahrzeuge 20 ermittelt, die die SW Version 1.0 haben. Ein weiteres Super-Wertetupel 51Y wird aus allen Wertetupeln 50 jener Kraftfahrzeuge 20 gebildet, die die SW Version 2.0 aufweisen. Weitere Kriterien der Gruppierung oder Clusterung kann auf Basis anderer Konfigurationsdaten erfolgen, beispielsweise auf Basis des Herstellers einer ausgetauschten Fahrzeugkomponente, des Alters der Fahrzeugkomponente, des Alters des Fahrzeughalters oder einer Klimabedingung am Wohnsitzes des Fahrzeughalters ermittelt werden. Eine Gruppierung könnte sich auch auf Daten von vergleichbaren Zeiträumen beziehen, also z.B. Fahrten bei Regen oder unter speziellen Bedingungen (Autobahnfahrt). Es können beliebige mit dem Kraftfahrzeug 20 assoziierbare Eigenschaften zur Sortierung oder Clusterung benutzt werden, auch z.B. jene Umgebungsbedingungen, welche vorherrschen, wenn das Kraftfahrzeug 20 ist und sich somit ggf. von der lokalen Erfassung entziehen (z.B. Temperaturen über einen Zeitraum der Nichtbenutzung des Kraftfahrzeuges). Dies kann selber über ein neuronales Netzwerk im Server 10 erkannt oder trainiert werden. Den so ermittelten Super-Wertetupeln 51 wird dann eine Konfigurationseigenschaft (z.B. eine Produktnummer bzw. Hersteller einer bestimmten Komponente oder eine bestimmte SW-Version) oder ein Konfigurationseigenschaftsbereich (z.B. eine Auswahlliste von SW-Versionen, ein Laufleistungsintervall des Kraftfahrzeugs oder eine mit dem Kraftfahrzeug assoziierbare Jahresmitteltemperatur) entsprechend der vorgenommenen Gruppierung oder Clusterung zugeordnet.
-
In einem sechsten Schritt vergleicht der Server 10 die den Super-Wertetupeln 51 zugeordneten Konfigurationseigenschaften mit den Konfigurationseigenschaften der jeweiligen Kraftfahrzeuge. Im einfachsten Fall findet der Server 10 eine exakte Übereinstimmung einer Konfigurationseigenschaft und übermittelt das Super-Wertetupel 51X an das entsprechende Kraftfahrzeug 20A. Der Server 10 kann davon abweichend aber auch dann das Super-Wertetupel 51X an ein Kraftfahrzeug 51N kommunizieren, wenn zwischen den Konfigurationsdaten eine Diskrepanz besteht. Beispielsweise handelt es sich um benachbarte Wertebereiche, wie benachbarte Landkreise der Fahrzeughalter oder aufeinander folgende SW-Versionsnummern.
-
Das Kraftfahrzeug 20 kann sein lokales Wertetupel 50 unter Berücksichtigung des vom Server 10 mitgeteilten Super-Wertetupels 51 verändern. In einer Ausführungsvariante des erfindungsgemäßen Verfahrens übernimmt das Kraftfahrzeug 20 das Super-Wertetupel 51 und ersetzt damit das lokale Wertetupel 50, wenn die Konfigurationseigenschaften gleich waren. Es sind auch beliebige andere Ausführungsvarianten möglich. So kann das Super-Wertetupel auch nur zur Modifikation des bestehenden Wertetupels 50 verwendet oder gar verworfen werden.
-
In manchen Anwendung kann es eine große Zahl von Kontextdaten und Konfigurationseigenschaften geben die möglicherweise relevant sind. Um solche unerwarteten Fälle zu erkennen, kann das obige Verfahren um eine automatisierte Zuordnung der Wertetupel zu Konfigurationseigenschaften erweitert werden, da dies durch die große Zahl von Eigenschaften nicht einfach ist. Zum Beispiel können ungewöhnliche Geräusche oder Vibrationen in einem Kraftfahrzeug 20 von vielen verschiedenen Bauteilen beeinflusst werden. Hier können Verfahren der Statistik und des maschinellen Lernens zur Korrelationsanalyse oder Sensitivitätsanalyse automatisch ermitteln, welche Konfigurationseigenschaften mit welchen Wertetupeln 50 der Modelle korrelieren. Beispielsweise können die Lernverfahren in einem Kraftfahrzeug 20 anhand einer Zahl von im Kraftfahrzeug 20 erfassten Parametern, hier als p bezeichnet, die typischen Geräusche lernen.
-
Die Modelle und Wertetupel 50 derjenigen Kraftfahrzeuge 20 mit ungewöhnlichen Geräuschen sind dann typischerweise anders ausgeprägt als diejenigen ohne solche Geräusche. Auf der Ebene der Modellparameter {x} kann man nun diese Parameter p nicht explizit sehen, aber man kann die verschiedenen Ausprägungen der Modelle klassifizieren und mit der Vielzahl von Konfigurationseigenschaften mit statistischen Verfahren abgleichen, um möglichst relevante Konfigurationseigenschaften zu finden. Über das obige Verfahren mit der Kombination einer großen Zahl von Modellen kann hier mit verbesserter Zuverlässigkeit ein solches Verhalten durch die Kombination von korrelierenden Modellen (Super-Werte Tupel) charakterisiert werden und eine mögliche Ursache erkannt werden. Die Korrelationsanalyse arbeitet hier nicht auf den realen Daten, wie sonst üblich, sondern nur mit den Werten auf den Modellen. Da die Konfigurationsparameter aber bekannt sind, können hier trotzdem konkrete Probleme erkannt werden. Aber auch nur mit den Modellparametern {x} kann man in vielen Fällen diese klassifizieren und dann mit den realen Konfigurationsparameter korrelieren.
-
Das lokale neuronale Netzwerk in einem Kraftfahrzeug 20 kann optional eine Anomalie der Fahrzeugfunktion für einen Betriebspunkt erkennen. Geschieht dies nach Beendigung der Trainingsphase, kann es vorteilhaft sein, das Wertetupel 50 der Modellparameter aus historisch erfassten Daten neu zu berechnen. Nach einer solchen Neuberechnung der Werte {w} der Modellparameter {x} kann ein erneutes Übersenden des Wertetupels 50 an den Server 10 erfolgen. Wird beispielsweise eine in den Trainingsdaten noch nicht berücksichtigte Grenzsituation erfasst, kann eine solche Neuberechnung wichtig sein, um das Modell zu verbessern. Serverseitig kann dann ebenfalls eine Neuberechnung des Super-Wertetupels 51 durchgeführt werden, welches dann ebenso an andere Kraftfahrzeuge 20 mit den entsprechenden Konfigurationseigenschaften übermittelt wird.
-
Bei Verwendung des erfindungsgemäßen Modells kann ein einzelnes Kraftfahrzeug 20 schnell von erfassten Betriebsdaten anderer hinreichend ähnlicher Kraftfahrzeuge 20 profitieren. In jedem Fall kann die Bewertung eines anormalen Zustandes der Fahrzeugfunktion entsprechend aufgearbeitet werden. Sie kann beispielsweise in einen Fehlerspeicher eingetragen und direkt an eine Werkstatt übermittelt oder beim nächsten Werkstattbesuch routinemäßig ausgelesen werden. Ferner kann ein entsprechender Warnhinweis an den Fahrer ausgegeben werden.
-
Die vielfältig angedeuteten Ausführungsvarianten können an sich beliebig miteinander kombiniert werden. So ist die Art der Zuordnung der Konfigurationseigenschaften prinzipiell unabhängig von dem Umgang des betreffenden Kraftfahrzeugs 20, wenn ein neues Super-Tupel 51 empfangen wurde. Auch können für verschiedene Fahrzeugfunktionen unterschiedliche Anpassungsstrategien ausgewählt werden.
-
Bezugszeichenliste
-
- 10
- Zentralserver
- 15 - 18
- Datenbänke
- 20A - 20N
- Kraftfahrzeuge
- 30
- Kommunikationsnetz
- 40
- neuronales Netzwerk
- 50
- Wertetupel
- 51
- Super-Wertetupel
