DE102020207537A1

DE102020207537A1 - Zustandsdiagnosevorrichtung und Verfahren eines beweglichen Systembauteils

Info

Publication number: DE102020207537A1
Application number: DE102020207537.9A
Authority: DE
Inventors: Dong-Chul Lee; In-Soo Jung
Original assignee: Hyundai Motor Co; Kia Motors Corp
Current assignee: Hyundai Motor Co; Kia Corp
Priority date: 2020-01-06
Filing date: 2020-06-18
Publication date: 2021-07-08
Also published as: US11741761B2; KR20210088240A; US20240021029A1; US20210209871A1

Abstract

Eine Zustandsdiagnosevorrichtung eines beweglichen Systembauteils kann eine Sensoreinheit zum Messen und Sammeln von Zustandsdaten eines beweglichen Systembauteils, das für einen Motor relevant ist, umfassen, und eine Grafiksteuerung zum primären Diagnostizieren von Klassifizierungsdaten, die durch Klassifizieren der Zustandsdaten gemäß einer vorbestimmten Filterbedingung als ein normaler Zustand oder ein anormaler Zustand durch ein mehrschichtiges Lernen Modell generiert werden.

Description

HINTERGRUND DER OFFENBARUNG
Gebiet der Offenbarung
Die vorliegende Offenbarung betrifft eine Technologie zur Kontrolle des Motorgeräusches und insbesondere eine Vorrichtung und ein Verfahren zur Zustandsdiagnose eines beweglichen Systembauteils unter Verwendung einer Technologie künstlicher Intelligenz, die in der Lage ist, Anomalien und Abnormalitäten eines bestimmten Bauteils präzise zu diagnostizieren, indem die perkussive Charakteristik eines beweglichen Systems verwendet wird, die sich direkt auf die Dauerhaltbarkeitsleistung eines Motors auswirkt.
Beschreibung des Standes der Technik
Wenn ein anormales Geräuschproblem in einem Fahrzeug auftritt, wird eine Technologie verwendet, bei der ein Spezialist ein Schwingungs- oder Geräuschsignal unmittelbar misst und analysiert, um die Ursache zu diagnostizieren. Daher besteht das Problem, die Ursache durch lange Erfahrung bei der Messung und Analyse von Daten finden zu müssen.
Ferner besteht das Problem darin, dass selbst wenn die Ursache gefunden wird, eine Menge Datenvergleiche erforderlich sind, um zwischen Normalität und Abnormalität des entsprechenden Bauteils zu klassifizieren.
Der in der Beschreibung des Standes der Technik beschriebene Inhalt soll zum Verständnis des Hintergrunds der vorliegenden Offenbarung beitragen und kann einschließen, was dem Fachmann, an den sich die vorliegende Offenbarung richtet, nicht bereits bekannt ist.
ZUSAMMENFASSUNG DER OFFENBARUNG
Um die oben genannten Probleme zu lösen, ist ein Ziel der vorliegenden Offenbarung eine Zustandsdiagnosevorrichtung und ein Verfahren für ein bewegliches Systembauteil bereitzustellen, die in der Lage ist, normale und anormale Zustände eines bestimmten Bauteils unter Verwendung der perkussiven Charakteristik eines beweglichen Systems präzise zu diagnostizieren.
Zudem ist ein weiteres Ziel der vorliegenden Offenbarung das Bereitstellen einer Zustandsdiagnosevorrichtung und eines Verfahrens für ein bewegliches Systembauteil, das einen Diagnosealgorithmus zum Klassifizieren der Perkussiven (repräsentativen Geräuschcharakteristika, die als die Abnormalität bestimmt werden) eines Geräusch-, Schwingungs-, Härteniveaus (GSH) eines Fahrzeugs im Gebrauch implementiert, um einem Benutzer präzise Informationen zu liefern.
Darüber hinaus ist ein weiteres Ziel der vorliegenden Offenbarung das Bereitstellen einer Zustandsdiagnosevorrichtung und eines Verfahrens für ein bewegliches Systembauteil, das geeignet ist gemäß eines GSH-Zustand schonend aufrechterhalten zu werden und nicht ein Dauerhaltbarkeitsproblem.
Um diese Ziele zu erreichen, stellt die vorliegende Offenbarung eine Zustandsdiagnosevorrichtung für ein bewegliches Systembauteil bereit, die in der Lage ist, normale und anormale Zustände eines bestimmten Bauteils unter Verwendung der perkussiven Charakteristik des beweglichen Systems präzise zu diagnostizieren.
Die Zustandsdiagnosevorrichtung des beweglichen Systembauteils umfasst

eine Sensoreinheit zum Messen und Sammeln von Zustandsdaten eines beweglichen Systembauteils, das für einen Motor relevant ist; und
eine Grafiksteuerung für die primäre Diagnose von Klassifizierungsdaten, die durch die Klassifizierung der Zustandsdaten gemäß einer vorbestimmten Filterbedingung als ein normaler Zustand oder als ein anormaler Zustand durch ein mehrschichtiges Lernen Modell (Deep-Learning-Modell) generiert werden.

Gegenwärtig handelt es sich bei den Zustandsdaten um Geräuschdaten und Schwingungsdaten des beweglichen Systembauteils.
Zudem handelt es sich bei den Zustandsdaten um Geräuschdaten und Schwingungsdaten des anormalen Zustands, die durch einen Ausfall des beweglichen Systembauteils generiert werden, sowie um Geräuschdaten und Schwingungsdaten nach Laufleistung gemäß dem normalen Zustand des Motors.
Außerdem werden die Zustandsdaten nur dann erfasst, wenn der Motor im Leerlauf und bei einer vorgegebenen konstanten Drehzahl ist.
Darüber hinaus ist das mehrschichtige Lernen Modell eine Struktur, die aus einem rekurrenten neuronalen Netzwerk (Recurrent Neural Network, RNN), einem Aufmerksamkeitsmechanismus und einem mehrschichtigen neuronalen Netzwerk (Deep Neural Network, DNN) ausgebildet ist.
Darüber hinaus führt die Grafiksteuerung eine sekundäre Diagnose zum Berechnen eines Normalniveaugrades durch, wenn dieser als normaler Zustand diagnostiziert wird.
Außerdem ist der Normalniveaugrad ein Wert, der auf einem Geräusch-, Schwingungs-, Härteniveaus (GSH) des Motors basiert.
Zudem wird der Normalniveaugrad ausgedrückt durch ein relatives Energieverhältnis in einem Frequenzband, indem Perkussive unter den Zustandsdaten generiert werden, die größer als ein vorbestimmter Referenzwert sind, ein relatives Energieverhältnis in einem Frequenzband, das den Schalldruck von Niederfrequenz- zu Hochfrequenzbändern regelt, und einen Wert, der durch Multiplikation eines extrahierten Ergebniswertes, der durch Klassifizierung nur einer perkussiven Komponente in dem entsprechenden Frequenzband extrahiert wurde, mit jedem Gewicht summiert wird.
Zudem wird der extrahierte Ergebniswert unter Verwendung eines Harmonisch-Perkussiven Quellentrennungsalgorithmus (Harmonic-Percussive Source Separation, HPSS) berechnet.
Zudem führt die Grafiksteuerung einen Variablen-Zylinder-Management-Auswertungsmodus (Variable Cylinder Management, VCM) aus, der eine Beschleunigungsbedingung für die erneute Messung der Zustandsinformation hinzufügt.
Andererseits stellt eine weitere Ausgestaltung der vorliegenden Offenbarung ein Zustandsdiagnoseverfahren eines beweglichen Systembauteils bereit, umfassend, Sammeln, durch eine Sensoreinheit, die Zustandsdaten eines beweglichen Systembauteils, das für einen Motor relevant ist, misst und sammelt; Klassifizieren, durch eine Grafiksteuerung, welche die Zustandsdaten gemäß einer vorbestimmten Filterbedingung klassifiziert, um Klassifizierungsdaten zu generieren; und primäres Diagnostizieren, durch die Grafiksteuerung, der Klassifizierungsdaten als normaler Zustand oder als anormaler Zustand mittels eines mehrschichtigen Lernen Modells.
Darüber hinaus umfasst das Zustandsdiagnoseverfahren das Durchführen, durch die Grafiksteuerung, einer sekundären Diagnose zum Berechnen eines Normalniveaugrades, wenn dieser als normaler Zustand diagnostiziert wird.
Zudem umfasst das Zustandsdiagnoseverfahren das Ausführen, durch die Grafiksteuerung, eines Variablen-Zylinder-Management-Auswertungsmodus (VCM), der eine Beschleunigungsbedingung zur erneuten Messung der Zustandsinformation hinzufügt.
Gemäß der vorliegenden Offenbarung ist es möglich, die Normalität/Anormalität (Ausfall) des sich bewegenden Systems, das ein Problem in der Dauerhaltbarkeitsleistung des Motors verursacht, mit einer Genauigkeit von etwa 100 % durch die primäre mehrschichtige Lernen Technik zu diagnostizieren.
Ein weiterer Effekt der vorliegenden Offenbarung besteht darin, dass es möglich ist, Informationen bereitzustellen, indem Geräusch-, Schwingungs- und Härteniveaus (GSH) des Fahrzeugs, die vom Benutzer für jede Normalzustandsbedingung erkannt werden, auf der Grundlage der perkussiven Komponente unter den anormalen Geräuschcharakteristika des sich bewegenden Systems klassifiziert werden.
Ein weiterer Effekt der vorliegenden Offenbarung besteht darin, dass es möglich ist, eine Technologie zur Zustandsbestimmung anzuwenden, bei der eine Harmonisch-Perkussive Quellentrennungstechnik (Harmonic-Percussive Source Technique, HPSS) verwendet wird, die das Energiedichteverhältnis im Frequenzband mit starker Perkussivengenerierung, das Energiedichteverhältnis im Frequenzband, das den Schalldruck regelt (das GSH-Niveau, das vom allgemeinen Benutzer registriert wird), und nur die periodische Geräuschkomponente, welche die Perkussive aus der gemessenen Geräusch- oder Schwingungskomponente generiert, extrahiert.
Figurenliste

1 ist ein Blockdiagramm, das eine Ausgestaltung einer Zustandsdiagnosevorrichtung eines beweglichen Systembauteils gemäß einer Ausgestaltung der vorliegenden Offenbarung zeigt.
2 ist ein Blockdiagramm, das eine Ausgestaltung eines großen datenbasierten Zustandsdiagnose-Informationsbereitstellungssystems gemäß einer Ausgestaltung der vorliegenden Offenbarung zeigt.
3 ist ein Blockdiagramm, das eine detaillierte Ausgestaltung einer in 1 gezeigten Grafiksteuerung zeigt.
4 ist ein Flussdiagramm, das einen Prozess der Diagnose eines normalen Zustands oder eines anormalen Zustands des beweglichen Systembauteils gemäß einer Ausgestaltung der vorliegenden Offenbarung zeigt.
5 ist ein konzeptionelles Diagramm, das einen Algorithmus zur Diagnose eines Zustands auf einem mehrschichtigen Lernen basierenden beweglichen Systems gemäß einer Ausgestaltung der vorliegenden Offenbarung zeigt.
6A bis 6C sind konzeptionelle Diagramme, die eine Diagnose des Geräusch-, Vibrations- und Härteniveaus (GSH) eines normalen Zustands gemäß einer Ausgestaltung der vorliegenden Offenbarung zeigen.
7 ist ein Diagramm, das ein Bildschirmbeispiel zur Darstellung von Erfolg und Misserfolg der Geräuschmessung gemäß einer Ausgestaltung der vorliegenden Offenbarung zeigt.
8 ist ein Diagramm, das ein Ausführungsbeispiel für ein primäres Diagnoseergebnis einer graphischen Benutzeroberfläche (GUI) für Diagnoseanwendungen gemäß einer Ausgestaltung der vorliegenden Offenbarung zeigt.
9 ist ein Diagramm, das ein Ausführungsbeispiel für ein sekundäres Diagnoseergebnis einer graphischen Benutzeroberfläche (GUI) für Diagnoseanwendungen gemäß einer Ausgestaltung der vorliegenden Offenbarung zeigt.

BESCHREIBUNG SPEZIEFISCHER AUSFÜHRUNGSFORMEN
In der vorliegenden Offenbarung können verschiedene Modifikationen und verschiedene Ausführungsformen vorgenommen werden, so dass spezifische Ausführungsformen in den Abbildungen gezeigt und in der Beschreibung detailliert beschrieben werden. Es sollte jedoch verstanden werden, dass es nicht beabsichtigt ist, die vorliegende Offenbarung auf die besonderen offenbarten Formen zu beschränken, sondern alle Modifikationen, Äquivalente und Alternativen einschließt, die in den Sinn und technischen Umfang der vorliegenden Offenbarung fallen.
Gleiche Bezugszahlen werden in der Beschreibung für gleichartige Komponenten bei jeder Abbildung verwendet.
Die Begriffe „erste“, „zweite“ und dergleichen können zur Veranschaulichung verschiedener Komponenten verwendet werden, aber die Komponenten sollen durch die Begriffe nicht eingeschränkt werden. Die Begriffe werden verwendet, um ein Element von einem anderen zu unterscheiden.
Beispielsweise kann eine erste Komponente als eine zweite Komponente bezeichnet werden, und ebenso kann die zweite Komponente auch als die erste Komponente bezeichnet werden, ohne vom Umfang der vorliegenden Offenbarung abzuweichen. Der Begriff „und/oder“ umfasst jeden Gegenstand einer Kombination aus einer Vielzahl von verwandten aufgeführten Gegenständen oder jeden Gegenstand einer Vielzahl von verwandten aufgeführten Gegenständen.
Sofern nicht anders definiert, haben alle Begriffe, einschließlich der hier verwendeten technischen und wissenschaftlichen Begriffe, dieselbe Bedeutung, wie diese üblicherweise vom Fachmann verstanden wird, an den sich die vorliegende Offenbarung richtet.
Es ist weiter zu verstehen, dass Begriffe, wie diese in allgemein gebräuchlichen Wörterbüchern definiert sind, zusätzlich so ausgelegt werden sollen, dass diese eine Bedeutung haben, die mit ihrer Bedeutung im Zusammenhang mit dem betreffenden Stand der Technik übereinstimmt, und dass diese nicht in einem idealisierten oder übermäßig formalen Sinn ausgelegt werden, es sei denn, dies ist in der Anmeldung ausdrücklich definiert.
Nachfolgend werden eine Zustandsdiagnosevorrichtung und ein Verfahren eines beweglichen Systembauteils gemäß einer Ausgestaltung der vorliegenden Offenbarung unter Bezugnahme auf die beigefügten Abbildungen ausführlich beschrieben.
1 ist ein Blockdiagramm, das eine Ausgestaltung einer Zustandsdiagnosevorrichtung 100 eines beweglichen Systembauteils gemäß einer Ausgestaltung der vorliegenden Offenbarung zeigt. Unter Bezugnahme auf 1 kann die Zustandsdiagnosevorrichtung 100 des beweglichen Systembauteils eingerichtet sein, dass diese einen Motor 110, eine Sensoreinheit 120, eine Motorsteuerung 140, eine Grafiksteuerung 150, eine Fahrzeugsteuerung 160, eine Kommunikationssteuerung 170, eine drahtlose Kommunikationseinheit 180 und dergleichen umfasst.
Der Motor 110 können Motoren mit stetig variabler Ventilsteuerung (Continuous Variable Valve Timing, CVVT), doppelter Freilauf-Nockenwelle (Double Over Head Camshaft, DOHC), kontinuierlicher Ventilsteuerung (Continuous Valve Timing, CAT), Benzin-Direkteinspritzung (Gasoline Direct Injection, GAI) und Mehrpunkt-Injektion (Multi Point Injection, MPI) sein, die Benzin als Kraftstoff verwenden, Motoren mit Common-Rail-Direkteinspritzung (Common-Rail-Direct Injection, CRDI), hochgerichteten Turbo-Ladeluftkühler (High Direction Turbo Intercooler, HTI) und Turbolader mit variabler Geometrie (Variable Geometry Turbocharge, VGT), die Diesel als Kraftstoff verwenden, ein Motor mit Flüssigpropaneinspritzung (Liquid Propane Injection, LPi), der Gas als Kraftstoff verwendet, oder dergleichen sein.
Die Sensoreinheit 120 betrifft insgesamt Sensoren und führt eine Funktion zum Erzeugen von Schwingungsdaten und Geräuschdaten von beweglichen Systembauteilen, die zum Motor 110 gehören, aus. Das heißt, die Sensoreinheit 120 führt eine Funktion des Erzeugens der Schwingungsdaten und der Geräuschdaten durch Installation eines Schwingungssensors, eines Geräuschsensors und dergleichen, die den beweglichen Systembauteilen der im Motor eingerichteten Teilen entsprechen, aus. Die beweglichen Systembauteile können ein Kolben, ein Getriebe, ein Ventil, eine Kupplung und dergleichen sein.
Obwohl 1 die Sensoreinheit 120 zum besseren Verständnis getrennt vom Motorblock 110 zeigt, kann die Sensoreinheit 120 integral mit dem Motorblock 110 eingerichtet sein.
Die Motorsteuerung 140 führt eine Funktion zum Steuern der Leistung des Motors 110 entsprechend der Steuerung einer Fahrzeugsteuerung aus. Darüber hinaus generiert die Motorsteuerung 140 Motorsteuerdaten, die für eine Steuerung des Motors 110 relevant sind.
Motorsteuerdaten, fahrzeuginterne Kommunikationsnachrichtendaten (d.h. Controller Area Network (CAN)-Daten), Umgebungsdaten und dergleichen können durch die Sensoreinheit 120, die Motorsteuerung 140 und dergleichen gesammelt werden. Die bordeigenen Kommunikationsnachrichtendaten, die Umgebungsdaten und dergleichen können verschiedene Zustandsüberwachungsdaten des Motors sein. Bei den Motordaten kann es sich um Umdrehungen pro Minute (UPM), Zylinderinformationen, Hubraum und dergleichen als für den Motor relevante Daten handeln.
Die Motorsteuerdaten können als für die Motorsteuerung relevante Daten Kühlmitteltemperatur, Öltemperatur, Lufttemperatur, Verbrennungsdruck und dergleichen sein. Bei den fahrzeuginterne Kommunikationsnachrichtendaten handelt es sich um Daten, die für eine Steuerung einer Zusatzeinrichtung für das Fahrzeug wie z.B. eines Spiegelreglers (nicht abgebildet), eines Schiebedachs (nicht abgebildet), eines elektrischen Fensterhebers (nicht abgebildet), einer Sitzverstellung (nicht abgebildet) und dergleichen sowie für eine Steuerung, die eng mit dem Betrieb zusammenhängt, wie z.B. eine Motorsteuerung, eine Getriebesteuerung, ein Anti-Blockier-Bremssystem (ABS) (nicht abgebildet), eine aktive Federung (nicht abgebildet) und das Schalten relevant sind.
Die fahrzeuginternen Kommunikationsnachrichtendaten sind ein Konzept, das Fahrzeugdaten und Umgebungsdaten umfasst. Daher sind die Umgebungsdaten Daten mit Ausnahme der Fahrzeugdaten. Bei den Umgebungsdaten kann es sich um Betriebsinformationen einer Klimaanlage, Zustandsinformationen einer Tür und dergleichen handeln.
Unter Bezugnahme auf 1 kann die Sensoreinheit 120 insbesondere Geräusche, Vibrationen, Härte (GSH) oder dergleichen in einem Motorraum und im Fahrzeuginnenraum messen.
Die Grafiksteuerung 150 umfasst eine Grafikverarbeitungseinheit (GPU) und dergleichen und führt Diagnose und Vorhersage durch mehrschichtiges Lernen auf der Grundlage großer Datenmengen (Big Data) durch. Das heißt, die Grafiksteuerung 150 führt eine Funktion zur Diagnose eines anormalen Zustands durch mehrschichtiges Lernen auf der Grundlage großer Datenmengen aus, die sich aus verschiedenen anormalen Geräuschdaten und Schwingungsdaten zusammensetzen. Darüber hinaus führt die Grafiksteuerung 150 eine Funktion des Empfangens von Dokumentinformationen aus, indem das Wissen für den entsprechenden anormalen Zustand durchsucht wird, der durch Klassifizieren der großen Datenmengen diagnostiziert wurde, um diese dem Fahrer zur Verfügung zu stellen.
Um ein solches mehrschichtiges Lernen durchzuführen, kann die Grafiksteuerung 150 eine grafische Prozessoreinheit (Graphic Processor Unit, GPU) umfassen. Tausende bis Zehntausende von Kernen der Arithmetischen-Logik-Einheiten-Kerne sind innerhalb der GPU angeordnet. Dadurch ist eine gleichzeitige Parallelverarbeitung möglich.
Die Fahrzeugsteuerung 160 führt eine Funktion der Steuerung von Komponenten zum Steuern des Fahrzeugs aus. Insbesondere kann die Fahrzeugsteuerung 160 Motorinformationen von der Motorsteuerung 140 zum Steuern des Motors (nicht dargestellt) über die Grafiksteuerung 150 erfassen. Bei den Motorinformationen kann es sich um eine Motordrehzahl pro Minute (UPM), einen Motorstart, einen Leerlaufzustand und dergleichen handeln. Die Fahrzeugsteuerung 160 kann eine elektronische Steuereinheit (ECU), eine Hybrid-Steuereinheit (HCU) oder dergleichen sein. Obwohl in 1 nur der Motor dargestellt ist, können ebenso sowohl der Motor als auch ein Antrieb (nicht dargestellt) eingerichtet sein und nur der Motor kann eingerichtet sein. Wenn der Motor eingerichtet ist, kann eine Motorsteuerung (nicht dargestellt) zum Steuern des Motors eingerichtet sein. Die Motorsteuerung kann eingerichtet sein, dass diese einen Umrichter, einen Konverter und dergleichen zum Steuern des Motors umfasst.
Die Kommunikationssteuerung 170 führt eine Funktion zum Steuern der Kommunikation zwischen den Komponenten im Fahrzeug aus. Die Kommunikation zwischen den Komponenten ist durch Multimedia-Controller Area Network (MM-CAN), Body-Controller Area Network (B-CAN), Hochgeschwindigkeits-Controller Area Network (CAN), eine Kommunikationsleitung (z.B. 500 kbps), eine Kommunikationsleitung mit flexibler Datenrate (CAN-FD), eine Flexlay-Kommunikationsleitung, eine lokale Interconnect Network (LIN) Kommunikationsleitung, eine Power Line Communication (PLC) Kommunikationsleitung, eine Control Pilot (CP) Kommunikationsleitung oder dergleichen verbunden, so dass eine obere Steuerung Befehle an eine untere Steuerung liefert, während diese Informationen zwischen den Steuerungen austauscht.
Die drahtlose Kommunikationseinheit 180 führt eine Funktion aus, Daten nach außen zu übertragen oder die Daten von außen zu empfangen. Zu diesem Zweck kann die drahtlose Kommunikationseinheit 180 eingerichtet sein, einen Mikroprozessor, eine Kommunikationsschaltung und dergleichen zu umfassen. Natürlich ist, obwohl nur die drahtlose Kommunikationseinheit 180 gezeigt ist, auch eine drahtgebundene Kommunikation möglich.
Auch wenn in 1 kein Speicher gezeigt ist, kann der Speicher eingerichtet sein. Der Speicher kann wenigstens einen Typ Speichermedium umfassen: einen Flash-Speicher, eine Festplatte, eine Multimediakarte vom Mikrotyp, einen Speicher vom Kartentyp (z.B. Secure Digital (SD) oder eXtreme Digital (XD) Speicher oder dergleichen), einen Speicher mit wahlfreiem Zugriff (RAM), einen statischen Speicher mit wahlfreiem Zugriff (SRAM), einen Festwertspeicher (ROM), einen elektrisch löschbaren programmierbaren Festwertspeicher (EEPROM), einen programmierbaren Festwertspeicher (PROM), einen Magnetspeicher, eine Magnetplatte und eine optische Platte.
2 ist ein Blockdiagramm einer Ausgestaltung eines auf großen Datenmengen basierenden Zustandsdiagnose-Informationsbereitstellungssystems 200 gemäß einer Ausgestaltung der vorliegenden Offenbarung. Unter Bezugnahme auf 2 kann das auf große Datenmengen basierende Zustandsdiagnose-Informationsbereitstellungssystem 200 aus einem Fahrzeug 100, einem ersten und zweiten Kommunikationsnetzwerk 210-1, 210-2, einem zentralen Server 220, ersten bis n-ten Kommunikationsterminals 230-1 bis 230-n und dergleichen gebildet sein. Die drahtlose Kommunikationseinheit 180 des Fahrzeugs 100 kann über das erste Kommunikationsnetz 210-1 mit dem zentralen Server 220 verbunden sein. Zudem können die ersten bis n-te Kommunikationsterminals 230-1 bis 230-n über das zweite Kommunikationsnetz 210-2 mit dem zentralen Server 220 verbunden sein.
Das erste und das zweite Kommunikationsnetz 210-1, 210-2 bedeuten eine Verbindungsstruktur, die in der Lage ist, Informationen zwischen den jeweiligen Knoten auszutauschen, wie z.B. eine Vielzahl von Terminals und Servern, und können ein öffentliches Telefonnetz (PSTN), ein öffentliches Datennetz (PSDN), ISDN Netze (ISDN), Breitband-ISDN (BISDN), ein lokales Netzwerk (LAN), ein Großstadtnetz (MAN), ein weites Netz (WLAN) oder dergleichen sein.
Die vorliegende Offenbarung ist jedoch nicht darauf beschränkt und kann Code Division Mehrfachzugriff (Code Division Multiple Access, CDMA), Breitband-Code Division Mehrfachzugriff (Wideband Code Division Multiple Access, WCDMA), drahtloses Breitband (Wireless Broadband, Wibro), Wireless Fidelity (WiFi), Hochgeschwindigkeits-Downlink-Paketzugriff (High Speed Downlink Packet Access, HSDPA) Netzwerk, Bluetooth, Nahfeldkommunikation (Near Field Communication, NFC) Netzwerk, Satelliten-Rundfunknetzwerk, analoges Rundfunknetzwerk, digitales Multimedia Broadcasting (DMB) Netzwerk oder dergleichen, welches ein drahtloses Kommunikationsnetzwerk ist, sein. Alternativ kann es sich auch um eine Kombination dieser drahtgebundenen Kommunikationsnetze und drahtlosen Kommunikationsnetze handeln.
Der zentrale Server 220 kann eingerichtet sein, ein Erfassungsmodul 221, ein Informationsbereitstellungsmodul 222 und dergleichen zu umfassen. Das Erfassungsmodul 221 führt die Funktion des Erfassens der durch die Grafiksteuerung 150 generierten Diagnoseergebnisinformationen über das erste Kommunikationsnetzwerk 210-1 aus. Das Informationsbereitstellungsmodul 222 führt eine Funktion der Analyse und Bereitstellung der Diagnoseergebnisinformationen aus.
Die Diagnoseergebnisinformationen, die Analyseinformationen und dergleichen werden in der Datenbank 225 gespeichert. Natürlich kann die Datenbank 225 Fahrzeuginformationen, Fahrerinformationen des Fahrzeugs und dergleichen speichern. Die Fahrerinformationen können ein Name, eine Telefonnummer, eine Adresse und dergleichen sein und die Fahrzeuginformationen können eine Fahrzeug-Identifikationsnummer (VIN), ein Produktionsjahr, ein Fahrzeugtyp, ein Motortyp und dergleichen sein.
Die Datenbank 225 kann auch auf dem zentralen Server 220 eingerichtet sein und kann auf einem separaten Datenbank-Server eingerichtet sein.
Die ersten bis n-ten Kommunikationsterminals 230-1 bis 230-n sind Terminals im Besitz eines technischen Experten und können ein Mobiltelefon, ein Smartphone, ein Laptop-Computer, ein digitales Sendeterminal und ein persönlicher digitaler Assistent (Personal Digital Assistant, PDA), ein portabler Multimedia Player (PMP), ein Navigationsgerät, ein Notizblock oder dergleichen sein. Daher können die Analyseinformationen und dergleichen an die ersten bis n-ten Kommunikationsterminals 230-1 bis 230-n in einer Kombination aus Grafik, Sprache und Text ausgegeben werden.
3 ist ein Blockdiagramm einer detaillierten Ausgestaltung der in 1 gezeigten Grafiksteuerung 150. Unter Bezugnahme auf 3 kann die Grafiksteuerung 150 eingerichtet sein, ein Sammelmodul 310, ein Analysemodul 320, ein Extraktionsmodul 330, ein Lernmodul 340, ein Diagnosemodul 350, eine Ausgabeeinheit 360 und dergleichen zu umfassen. Das Sammelmodul 310 führt eine Funktion zum Sammeln der durch die Erfassungseinheit 120 und die Motorsteuerung 140 generierten Daten aus. Das heißt, das Sammelmodul 310 sammelt die Schwingungsdaten, die Geräuschdaten und die Daten der fahrzeuginternen Kommunikationsnachrichten, um große Datenmengen zu generieren. Darüber hinaus kann das Sammelmodul 310 zusätzlich Laufmusterdaten des Fahrers, Straßendaten, Verkehrsdaten und dergleichen erfassen. Die Daten zum Laufverhalten können ein Sicherheitsabstand, Geschwindigkeitsüberschreitung, plötzliche Beschleunigung, plötzliche Abbremsung, plötzlicher Stopp, plötzlicher Start und dergleichen sein. Die Straßendaten können Straßendaten sein, die auf dem Satellitennavigationssystem (Global Positioning System, GPS) basieren. Die Verkehrsdaten stellen das Verkehrsaufkommen dar. Diese Straßendaten und/oder Verkehrsdaten können vom GPS-System über die drahtlose Kommunikationseinheit 180 übertragen werden.
Das Analysemodul 320 führt eine Funktion zum Analysieren der Merkmale nach Geräuschart in den gesammelten großen Datenmengen.
Das Extraktionsmodul 330 führt eine Funktion zur Extraktion eines Merkmalsvektors in Bezug auf die analysierten Daten aus.
Das Lernmodul 340 führt die Funktion der Durchführung einer primären Klassifikation aus, indem dieses primäres mehrschichtiges Lernen auf den extrahierten Merkmalsvektor anwendet.
Das Diagnosemodul 350 führt eine Funktion der Generierung der Diagnoseergebnisinformation durch Klassifikation der GSH in fünf Klassen aus, wobei nur die Daten verwendet werden, die durch Anwendung von sekundärem mehrschichtigen Lernen als normaler Zustand bestimmt wurden.
Die Ausgabeeinheit 360 führt eine Funktion der Ausgabe der erzeugten Diagnoseergebnisinformationen aus.
Unter Bezugnahme auf 3 werden die Diagnoseergebnisinformationen dem Fahrer über die Ausgabeeinheit 360 zur Verfügung gestellt. Die Diagnoseergebnisinformationen können aus einer Kombination von Sprache, Text und Grafik gebildet sein.
Zu diesem Zweck kann die Ausgabeeinheit 360 eingerichtet sein, ein Soundsystem, ein Display und dergleichen zu umfassen. Bei der Anzeige kann es sich um eine Flüssigkristallanzeige (LCD), eine Leuchtdiodenanzeige (LED), eine organische LED-Anzeige (OLED), einen berührungsempfindlichen Bildschirm, eine flexible Anzeige, ein Head-Up-Display (HUD) oder dergleichen handeln. Natürlich dient die Ausgabeeinheit 360 nicht nur als Eingabemittel, sondern auch als Ausgabe der Informationen. Das heißt, wenn die Ausgabeeinheit 360 ein Berührungsbildschirm ist, kann der Fahrer auch einen Ausführungsbefehl über den Berührungsbildschirm eingeben.
Der in den 2 und 3 beschriebene Begriff „-modul“ bezieht sich auf eine Einheit zur Verarbeitung wenigstens einer Funktion oder Operation, die in einer Software und/oder Hardware implementiert sein kann. Bei der Hardware-Implementierung kann diese durch eine anwendungsspezifische integrierte Schaltung (ASIC), eine digitale Signalverarbeitung (DSP), ein programmierbares Logikbauelement (PLD), ein feldprogrammierbares Gate-Array (FPGA), einen Prozessor, einen Mikroprozessor, andere elektronische Einheiten oder eine Kombination davon implementiert sein. Bei der Softwareimplementierung kann diese eine Softwarekomponente (Element), eine objektorientierte Softwarekomponente, eine Klassenkomponente und eine Aufgabenkomponente, einen Prozess, eine Funktion, ein Attribut, eine Prozedur, eine Unterroutine, das Segment eines Programmcodes, einen Treiber, Firmware, einen Mikrocode, Daten, Datenbanken, eine Datenstruktur, eine Tabelle, ein Array und eine Variable umfassen. Die Software, die Daten und dergleichen können in einem Speicher gespeichert und von einem Prozessor ausgeführt werden. Der Speicher oder der Prozessor können verschiedene Mittel verwenden, die dem Fachmann bekannt sind.
4 ist ein Flussdiagramm, das einen Prozess der Diagnose eines normalen Zustands oder eines anormalen Zustands eines beweglichen Systembauteils gemäß einer Ausgestaltung der vorliegenden Offenbarung zeigt. Unter Bezugnahme auf 4 werden große Datenmengen einschließlich der Geräuschdaten und der Schwingungsdaten der beweglichen Systembauteile des Motors 110 unter Verwendung der Sensoreinheit 120 generiert. Anschließend werden Daten, die einer Filterbedingung aus der großen Datenmenge entsprechen, als Eingangsdaten verwendet (S410). Die Filterbedingung kann beispielsweise aus drei Bedingungen bestehen. Das heißt, es kann sein: ① Leerlaufgeräusch, ② 2.000 Umdrehungen pro Minute (UPM), ③ 3.000 UPM. Die spezifische Motordrehzahl ist eine N-Stufen-Rennbedingung bei konstanter Drehzahl.
Die primäre Diagnose wird durch ein primäres mehrschichtiges Lernen Modell in Bezug auf die primär eingegebenen Eingabedaten durchgeführt (S420). Das heißt, ein Merkmalsvektor wird durch ein faltendes neuronales Netzwerk (Convolution Neural Network, CNN), eine Max-Pooling-Technik, eine Squeeze- und Anregungstechnik in Bezug auf einen vorbestimmten Typ von Eingabedaten (d.h. die während einer vorbestimmten Zeit ausgegebenen Bilddaten) erfasst. Das heißt, das faltende neuronale Netzwerk (CNN) ist Faltung (3x3-Filter) + Batch-Normalisierung (BN) + Aktivierungsfunktion (ReLU) und wendet eine CNN x 2-Technik an.
Anschließend werden die Squeeze- und Anregungstechnik und die Max-Pooling-Technik (4 x 4) angewendet. Dann wird erneut ein CNN x 3 nacheinander angewendet und die Squeeze- und Anregungstechnik sowie die Max-Pooling-Technik (4 x 4) angewendet. Auf diese Weise wird ein Merkmalsvektor erfasst. Bei der Squeeze- und Anregungstechnik handelt es sich um eine Technik, bei der durch Hervorhebung des Bildmerkmals, das im CNN-Bildverarbeitungsschritt wichtig ist, ein hohes Gewicht gesetzt wird.
Anschließend wird eine primäre Klassifikation des Merkmalsvektors unter Verwendung eines tiefen neuronalen Netzwerk Modells (Deep Neural Network, DNN) durchgeführt, bei dem es sich um ein mehrschichtiges Lernen Modell handelt. Das mehrschichtige Lernen Modell besteht aus einem rekurrenten neuronalen Netzwerk (Recurrent Neural Network, RNN), einem Aufmerksamkeitsmechanismus und einem mehrschichtigen neuronalen Netzwerk (Deep Neural Network, DNN), und die Abbildung, welche dies zeigt, ist in 5 dargestellt. 5 wird nachfolgend beschrieben. Das RNN kann insbesondere eine geschlossene wiederkehrende Einheit (Gated Recurrent Unit, GRU) sein.
Das Modell für mehrschichtiges Lernen wird unter Verwendung großer Datenmengen (Geräusch und Vibration) generiert, die durch ein Klassifizierungsmodell eingerichtet werden. Die großen Datenmengen umfassen sowohl anormale Geräusch-/Vibrationsdaten als auch normale Geräusch-/Vibrationsdaten, die durch das Haltbarkeitsproblem der beweglichen Systembauteile verursacht werden. Die anormalen Geräusch-/Schwingungsdaten sind die Geräusch-/Schwingungsdaten im anormalen Zustand, die durch den Ausfall des beweglichen Systems des Motors verursacht werden. Im Gegensatz dazu sind die normalen Geräusch-/Vibrationsdaten die Geräusch-/Vibrationsdaten nach Laufleistung im normalen Zustand gemäß dem normalen Motor.
Unter Bezugnahme auf 4 werden ein anomaler Zustand und ein normaler Zustand durch die primäre Diagnose (S431, S432) ermittelt. Als Kriterium für das Ermitteln des anormalen Zustands wird dieser als anormaler Zustand verarbeitet, wenn einer oder mehrere als Ergebnis der Diagnose von drei Geräuschdaten anormal sind.
Wenn es sich um den anormalen Zustand handelt, wird der Text ausgegeben, der angibt, dass es sich um den anormalen Zustand handelt, und die Diagnose wird durch eine Ansagemeldung, wie beispielsweise die Überprüfung oder der Austausch des Motors, beendet. Natürlich kann die Ansagemeldung eine Kombination aus Text, Sprache und Grafik sein.
Wenn es sich um den normalen Zustand handelt, wird der Zeichentext, der angibt, dass es sich um den normalen Zustand handelt, ausgegeben, und die sekundäre Diagnose wird durchgeführt. Das heißt, die sekundäre Diagnose wird nur mit den Geräusch-/Vibrationsdaten durchgeführt, die als normaler Zustand ermittelt wurden (S440). Bei der sekundären Diagnose werden sowohl die als primäre Eingabe verwendeten Eingabedaten als auch die Daten im normalen Zustand verwendet. Die sekundäre Diagnose diagnostiziert das GSH-Niveau im normalen Zustand. Das Diagramm dieser sekundären Diagnose ist in den 6A bis 6C dargestellt. Diese werden nachfolgend beschrieben.
Unter Bezugnahme auf 4 wird durch die sekundäre Diagnose (S450) ein Normalniveaugrad berechnet. Der Normalniveaugrad wird als Werte ausgedrückt. Diese werden wie folgt ausgedrückt. Tabelle 1

Grade 1 2 3 4 5

Punkte 0.00-0.19 0.20-0.39 0.40-0.59 0.60-0.79 0.80-1.00
5 ist ein konzeptionelles Diagramm, das einen Algorithmus zur Diagnose eines Zustands eines auf mehrschichtigem Lernen basierenden Bewegungssystems gemäß einer Ausgestaltung der vorliegenden Offenbarung zeigt. Unter Bezugnahme auf 5 wird ein Aufmerksamkeitsmechanismus von vorwärts und rückwärts auf einen Knoten (d.h. große Datenmengen, Big Data) im Big-Data-Alignment-Block 510 angewendet. Nachdem dieser Aufmerksamkeitsmechanismus angewendet wurde, wird ein Knoten (watt (t)) durch einen Addierer 520 gewichtet, um in die Eingabeschicht eines DNN-Blocks 530 eingegeben zu werden. Die vom mehrschichtigen neuronalen Netzwerk (DNN) in die Eingabeschicht eingegebenen Werte werden von einer Ausgabeschicht ausgegeben, um einen Wahrscheinlichkeitswert in einem Ausgabeblock 550 durch einen Softmax-Funktionsblock 540 zu berechnen. Im Ausgabeblock 550 wird ein Durchschnittswert (J) aller Eingaben berechnet. Dieser wird als Gleichung wie folgt ausgedrückt. $J (w) = - \frac{1}{N} \sum [y_{n} log \hat{y_{n}} + (1 - y_{n}) log (1 - \hat{y_{n}})]$
wobei sich w auf einen Gewichts- und Verzerrungsparameter, N auf eine Chargengröße, y_n auf einen Zielwert und $\hat{y_{n}}$
auf einen Ausgabewert bezieht.
Bei der Durchführung des DNN tritt ein Ausfall auf. Diese wird nur auf eine 1-Schicht-Struktur angewendet und da das Lernen durch zufälliges Schneiden der Knoten so viel wie eine Drop-Rate beim Ausführen des Zeitraums durchgeführt wird, tritt der Effekt auf, verschiedene Modelle zusammenzufügen. Das bedeutet, dass eine Überanpassung verhindert und die Diagnosegenauigkeit verbessert werden kann.
[1,484] bedeutet, dass 242 Knotendaten (d.h. große Datenmengen) durch bidirektionales RNN (GRU) Lernen extrahiert werden. Zudem wird als Ergebnis der Durchführung der Bidirektionalität für 121 Knotendaten ein doppelter Gesamtalgorithmus für das Frühstadium angewendet. Daher werden 484 Knoteninformationen durch Zusammenführen von 242 Knoteninformationen zur Startzeit und 242 Knotendateninformationen zur Endzeit erfasst.
Die Gradienten-Rückwärtsausbreitung ist ein Adam-Optimierer.
Die 6A bis 6C sind konzeptionelle Diagramme, welche die Diagnose der Geräusche, Schwingungen, Härteniveaus (GSH) im normalen Zustand gemäß einer Ausgestaltung der vorliegenden Offenbarung zeigen. 6A ist ein konzeptionelles Diagramm zur Berechnung eines relativen Energieverhältnis (Messung₁) in einem Frequenzband, in dem die Erschütterung in den beweglichen Systembauteilen bei einem vorbestimmten bestimmten Niveau oder mehr stark erzeugt wird. Unter Bezugnahme auf 6A wird ein relatives Verhältnis berechnet, indem ein Abschnitt 612, indem die Perkussive von einem Spektrogramm 610 gemäß den Geräusch- oder Schwingungsdaten generiert wird, durch einen verbleibenden Abschnitt 611 geteilt wird.
6B ist ein konzeptionelles Diagramm zur Berechnung eines relativen Energieverhältnisses (Messung₂) in einem Frequenzband, das den Schalldruck (d.h. die Intensität der Geräusche) in niedrigen zu hohen Frequenzbändern in den beweglichen Systembauteilen bestimmt. Unter Bezugnahme auf 6B wird ein relatives Verhältnis berechnet, indem ein Abschnitt 622, in dem der Schalldruck von dem Spektrogramm 620 gemäß den Geräusch- oder Schwingungsdaten bei einem vorbestimmten bestimmten Grad oder mehr erzeugt wird, durch den verbleibenden Abschnitt 621 geteilt wird.
6C ist ein konzeptionelles Diagramm zur Klassifizierung nur der perkussiven Komponente in einem problematischen entsprechenden Frequenzband unter Verwendung eines Harmonisch-Perkussiven Quellentrennungsalgorithmus (Harmonic-Percussive Source Separation, HPSS) zur Berechnung eines Ergebniswertes (Messung₃). Unter Bezugnahme auf 6C wird der Ergebniswert des relativen Verhältnisses berechnet, indem ein gefiltertes Spektrogramm 630 erzeugt wird, indem die Perkussive im Spektrogramm 610 generiert wird, und indem das Spektrogramm 630 durch Verwendung des HPSS-Algorithmus aus dem Spektrogramm 630 durch die perkussive Komponente 631 in eine harmonische Komponente 632 und eine perkussive Komponente 631 aufgeteilt und gefiltert wird.
Im Allgemeinen trennt der Harmonisch-Perkussive Quellentrennungsalgorithmus (Harmonic-Percussive Source Separation, HPSS) das Signal nach der Kurzzeit-Fourier-Transformation (STFT = Short Time Fourier Transform) in eine H-Komponente, die eine harmonische Komponente ist, und eine P-Komponente, die eine perkussive Komponente auf der Frequenzachse ist. Das heißt, die H-Komponente wird durch Anwendung eines horizontalen Medianfilters entlang der Frequenzachse getrennt und die P-Komponente wird durch Anwendung eines vertikalen Medianfilters entlang der Zeitachse getrennt. Eine binäre Maske wird durch Anwendung eines Schwellenwertes auf ein H/P- oder P/H-Verhältnis erzeugt. Dadurch wird eine elementweise Multiplikation mit dem STFT-Koeffizienten und der binären Maske eines Eingangssignals durchgeführt, um schließlich die H-Komponente und die P-Komponente zu trennen.
Unter weiterer Bezugnahme auf die 6A bis 6C wird ein Normalniveaugrad durch ein relatives Energieverhältnis im Frequenzband ausgedrückt, in dem die Perkussive unter den Zustandsdaten generiert wird, die größer als ein vorbestimmter Referenzwert ist, ein relatives Energieverhältnis im Frequenzband, das den Schalldruck im Niederfrequenz- zum Hochfrequenzband bestimmt, und ein Wert, der durch Multiplikation eines extrahierten Ergebniswertes, der durch Klassifizierung nur der perkussiven Komponente im entsprechenden Frequenzband extrahiert wurde, mit jedem Gewicht summiert wird. Dies wird als Gleichung wie folgt ausgedrückt. $Score = (α \cdot {measure}_{1} + β \cdot {measure}_{3}) / (α+β+γ)$
wobei α=0.5, β=0.5, γ=1.0
Zudem, Messung₁: max. (1,5 bis 4 kHz Frequenzbandenergie/Gesamtfrequenzbandenergie),
Messung₂: max. (0,5 bis 8 kHz Frequenzbandenergie/Gesamtfrequenzbandenergie),
Messung₃: max. (spezifische Frequenzbandenergie der P-Komponente/spezifische Frequenzbandstärke des Originalsignals).
Die jeweiligen Messungen sind auf einen Wert zwischen 0 und 1 normierte Min-Max. D.h. es werden die Min- und Max-Werte in den Trainingsdaten verwendet.
7 ist ein Diagramm mit einem Bildschirmbeispiel, das den Erfolg und Misserfolg der Geräuschmessung gemäß einer Ausgestaltung der vorliegenden Offenbarung darstellt. Unter Bezugnahme auf 7 wird der Leerlauf in einem Bereich mit weniger Außengeräuschen gehalten und dieser wird automatisch in einem Zustand gemessen, in dem 2000 UPM und 2500 UPM für 3,0 Sekunden gehalten werden. Die 3,0-Sekunden-Messung für jeden Zustand wird als „Erfolg“, „unter während der Messung“ und „Misserfolg“ im Zeitablaufbalkenformat 710, 720, 730 angegeben. Wenn es sich um „Erfolg“ handelt, wird die „Speichern“-Taste 711 zum Speichern ausgewählt, und wenn es sich um „Misserfolg“ handelt, wird die automatische Messung erneut durchgeführt, indem eine „Neu Messen“-Taste 712 ausgewählt wird.
Die für die Speicherung erforderlichen Daten sind Leerlauf/2000/2500 UPM Geräusche und 3,0 Sekunden, und die Motordrehzahlinformation ist für die Diagnose unnötig. In der Zwischenzeit wird diese Messung unter einer Bedingung konstanter Drehzahl durchgeführt. Der konstante Drehzahlbedingungsbereich (d.h. die Motordrehzahl) ist eine Solldrehzahl von ± 100 UPM.
8 ist ein Diagramm, das ein Ausgestaltungsbeispiel eines primären Diagnoseergebnisses einer graphischen Benutzeroberfläche (GUI) für die Diagnoseanwendung gemäß einer Ausgestaltung der vorliegenden Offenbarung zeigt. Unter Bezugnahme auf 8 werden ein „anormales“ und ein „normales“ Anzeigefenster 810 auf dem Bildschirm entsprechend dem Diagnoseergebnis eingeschaltet. Wenn die sekundäre Diagnose bei der primären Diagnose ausgewählt wurde, wird ein Sekundäre-Diagnose-Aktive-Fenster 820 angezeigt. Zudem kann eine Wiederholungsdurchführungstaste 830 eingerichtet sein, die Wiederholung zu aktivieren, wenn diese nach der Messung auf die Diagnose umgeschaltet wird. Dadurch kann das Geräusch im Speicher gespeichert werden.
9 ist ein Diagramm, das ein Ausgestaltungsbeispiel für ein sekundäres Diagnoseergebnis der graphischen Benutzeroberfläche (GUI) für die Diagnoseanwendung gemäß einer Ausgestaltung der vorliegenden Offenbarung zeigt. Unter Bezugnahme auf 9 wird das Ergebnis der sekundären Diagnose auf dem Bildschirm angezeigt. Der Normalniveaugrad wird als Balkendarstellung-Ergebnisausgabe 910 angezeigt, so dass die Fahrer diesen intuitiv leicht verstehen können. Darüber hinaus kann die „Eintritt Messungsmodus“ Taste 920 eingerichtet sein, einen Variablen-Zylinder-Management-Auswertungsmodus (VCM) auszuführen, der eine Beschleunigungsbedingung für eine genauere Neumessung hinzufügt. Wenn die „Eintritt Messungsmodus“ Taste 920 gewählt wird, wird auf den Bildschirm für die Geräuschmessung umgeschaltet.
Zudem können die Schritte eines Verfahrens oder eines Algorithmus, die in Verbindung mit den hierin offenbarten Ausführungsformen beschrieben werden, in Form von Programmbefehlen implementiert sein, die von verschiedenen Computermitteln wie einem Mikroprozessor, einem Prozessor und einer zentralen Prozessoreinheit (CPU) ausgeführt werden können, um auf einem computerlesbaren Medium aufgezeichnet zu werden. Der computerlesbare Datenträger kann einen Programm (-anweisungs-) Code, eine Datendatei, eine Datenstruktur und dergleichen allein oder in Kombination umfassen.
Der auf dem Datenträger aufgezeichnete Programm (-anweisungs-) Code kann ein speziell für die vorliegende Offenbarung entworfener und konstruierter Code sein, oder dieser kann auch dem Computerfachmann bekannt und verfügbar sein. Beispiele für computerlesbare Aufzeichnungsmedien umfassen magnetische Medien wie eine Festplatte, eine Diskette und ein Magnetband, optische Medien wie eine CD-ROM, eine DVD und eine Blu-ray sowie Halbleiter-Speicherelemente wie ein ROM, ein RAM und ein Flash-Speicher, die speziell zum Speichern und Ausführen des Programm (anweisungs-) Codes eingerichtet sind.
Hierbei umfassen Beispiele für den Programm (-anweisungs-) Code nicht nur einen von einem Compiler erzeugten Maschinencode, sondern auch einen Hochsprachencode, der von einem Computer mit Hilfe eines Interpreters oder dergleichen ausgeführt werden kann. Die oben beschriebene Hardwareeinrichtung kann eingerichtet sein, als ein oder mehrere Software-Module zu arbeiten, um die Operationen der vorliegenden Offenbarung auszuführen, und umgekehrt.

Claims

Zustandsdiagnosevorrichtung eines beweglichen Systembauteils, umfassend: eine Sensoreinheit zum Messen und Sammeln von Zustandsdaten eines beweglichen Systembauteils, das für einen Motor relevant ist; und eine Grafiksteuerung für ein primäres Diagnostizieren von Klassifizierungsdaten, die durch Klassifizieren der Zustandsdaten gemäß einer vorbestimmten Filterbedingung als ein normaler Zustand oder als ein anormaler Zustand durch ein mehrschichtiges Lernen Modell generiert werden.
Zustandsdiagnosevorrichtung des beweglichen Systembauteils nach Anspruch 1, wobei die Zustandsdaten Geräuschdaten und Schwingungsdaten des sich bewegenden Systembauteils sind.
Zustandsdiagnosevorrichtung des beweglichen Systembauteils nach Anspruch 2, wobei die Zustandsdaten Geräuschdaten und Schwingungsdaten des anormalen Zustands sind, die durch einen Ausfall des sich bewegenden Systembauteils generiert werden, und Geräuschdaten und Schwingungsdaten nach Laufleistung gemäß dem normalen Zustand des Motors sind.
Zustandsdiagnosevorrichtung des beweglichen Systembauteils nach einem der vorhergehenden Ansprüche, wobei die Zustandsdaten nur dann erfasst werden, wenn der Motor im Leerlauf und bei einer vorbestimmten konstanten Drehzahl ist.
Zustandsdiagnosevorrichtung des beweglichen Systembauteils nach einem der vorhergehenden Ansprüche, wobei das mehrschichtige Lernen Modell eine Struktur ist, die ein rekurrentes neuronales Netzwerk (RNN), einen Aufmerksamkeitsmechanismus und ein mehrschichtiges neuronales Netzwerk (DNN) umfasst.
Zustandsdiagnosevorrichtung des bewegten Systembauteils nach einem der vorhergehenden Ansprüche, wobei die Grafiksteuerung eine sekundäre Diagnose zum Berechnen eines Normalniveaugrades durchführt, wenn dieser als normaler Zustand diagnostiziert wird.
Zustandsdiagnosevorrichtung des beweglichen Systembauteils nach Anspruch 6, wobei der Normalniveaugrad ein Wert ist, der auf einem Geräusch-, Vibrations- und Härteniveau (GSH) des Motors basiert.
Zustandsdiagnosevorrichtung des beweglichen Systembauteils nach Anspruch 7, wobei der Normalniveaugrad ausgedrückt wird durch ein relatives Energieverhältnis in einem Frequenzband, in dem Perkussive unter den Zustandsdaten generiert werden, die größer als ein vorbestimmter Referenzwert sind, ein relatives Energieverhältnis in einem Frequenzband, das den Schalldruck von Niederfrequenz- zu Hochfrequenzbändern regelt, und ein Wert, der durch Multiplikation eines extrahierten Ergebniswertes, der durch Klassifizieren nur einer perkussiven Komponente in dem entsprechenden Frequenzband extrahiert wird, mit jedem Gewicht summiert wird, wobei der extrahierte Ergebniswert unter Verwendung eines Harmonisch-Perkussiven Quellentrennungsalgorithmus (Harmonic-Percussive Source Separation, HPSS) berechnet wird.
Zustandsdiagnosevorrichtung des beweglichen Systembauteils nach einem der vorhergehenden Ansprüche, wobei die Grafiksteuerung einen Variablen-Zylinder-Management-Auswertungsmodus (VCM) ausführt, der eine Beschleunigungsbedingung zur erneuten Messung der Zustandsinformation hinzufügt.
Zustandsdiagnoseverfahren eines beweglichen Systembauteils, umfassend: Sammeln, durch eine Sensoreinheit, die Zustandsdaten eines beweglichen Systembauteils, die für einen Motor relevant sind, misst und sammelt; Klassifizieren, durch eine Grafiksteuerung, welche die Zustandsdaten gemäß einer vorbestimmten Filterbedingung klassifiziert, um Klassifizierungsdaten zu generieren; und primäre Diagnose, durch die Grafiksteuerung, der Klassifizierungsdaten als ein normaler Zustand oder ein anormaler Zustand durch ein mehrschichtiges Lernen Modell.