DE102020213853A1 - Method and device for detecting a malfunction of a braking system - Google Patents
Method and device for detecting a malfunction of a braking system Download PDFInfo
- Publication number
- DE102020213853A1 DE102020213853A1 DE102020213853.2A DE102020213853A DE102020213853A1 DE 102020213853 A1 DE102020213853 A1 DE 102020213853A1 DE 102020213853 A DE102020213853 A DE 102020213853A DE 102020213853 A1 DE102020213853 A1 DE 102020213853A1
- Authority
- DE
- Germany
- Prior art keywords
- machine learning
- error
- error detection
- values
- detection device
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
- B60T17/00—Component parts, details, or accessories of power brake systems not covered by groups B60T8/00, B60T13/00 or B60T15/00, or presenting other characteristic features
- B60T17/18—Safety devices; Monitoring
- B60T17/22—Devices for monitoring or checking brake systems; Signal devices
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16D—COUPLINGS FOR TRANSMITTING ROTATION; CLUTCHES; BRAKES
- F16D66/00—Arrangements for monitoring working conditions, e.g. wear, temperature
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Valves And Accessory Devices For Braking Systems (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zur Erkennung einer Fehlfunktion einer Bremsanlage (10) eines Kraftfahrzeugs. Das Verfahren umfasst dabei die Schritte des Vergleichs von aktuellen Systemwerten (BW, AW) mit Vergleichsgrößen eines Prozessmodels (18), des Ausgebens einer Fehlermeldung an eine trainierte machine learning Fehlererkennung, falls eine Abweichung zwischen den Vergleichsgrößen und Systemwerten (BW, AW) größer ist als ein vorgegebener Toleranzbereich (T), des Durchführens einer machine learning funkion (30) der machine learning Fehlererkennung auf Basis der aktuellen Systemwerte (BW, AW), und des Ermittelns, ob aufgrund der Ergebnisse der machine learning funktion (30) ein Fehler vorliegt.The invention relates to a method for detecting a malfunction in a brake system (10) of a motor vehicle. The method includes the steps of comparing current system values (BW, AW) with comparison variables of a process model (18), outputting an error message to a trained machine learning error detection system if a deviation between the comparison variables and system values (BW, AW) is greater as a predetermined tolerance range (T), performing a machine learning function (30) of machine learning error detection based on the current system values (BW, AW), and determining whether there is an error based on the results of the machine learning function (30). .
Description
Die vorliegende Erfindung betrifft ein Verfahren und eine Vorrichtung zur Erkennung einer Fehlfunktion einer Bremsanlage eines Kraftfahrzeugs.The present invention relates to a method and a device for detecting a malfunction in a brake system of a motor vehicle.
Stand der TechnikState of the art
Aktuell werden in aller Regel modellgestützte Methoden zur Fehlererkennung in Bremssystemen eingesetzt, wobei die im statischen und dynamischen Prozessverhalten vorhandenen Abhängigkeiten verschiedener messbarer Signale durch Einsatz von mathematischen Prozessmodellen ausgenutzt werden. Bei einer modellgestützten Fehlererkennung wird der Prozess mit einem Prozessmodell verglichen. Anschließend werden Vergleichsgrößen mit verschiedenen Methoden erzeugt. Liegt eine Abweichung zwischen dem aktuellen Wert und der Vergleichsgröße außerhalb eines Toleranzbereichs wird ein Fehler ausgegeben.Currently, model-based methods for fault detection in brake systems are generally used, whereby the dependencies of various measurable signals that are present in the static and dynamic process behavior are exploited by using mathematical process models. In the case of model-based error detection, the process is compared with a process model. Subsequently, comparison values are generated using various methods. If there is a deviation between the current value and the comparison value outside of a tolerance range, an error is output.
Die
Die Schwierigkeit bei der Entwicklung modellgestützter Überwachungen in Bremssystemen liegt darin, dass in manchen komplexen Überwachungsaufgaben (z.B. Leckage, Luft, usw.) kein bzgl. nur sehr geringes explizites systematisches Wissen zur Modellbildung vorliegt. Würde es versucht werden, diese Fehlerfälle abdecken zu können, würde es aufgrund der Ungenauigkeit der Nachbildung zu vielen Falschmeldungen kommen.The difficulty in developing model-based monitoring in braking systems is that in some complex monitoring tasks (e.g. leakage, air, etc.) there is no or only very little explicit systematic knowledge about modeling. If an attempt were made to be able to cover these error cases, there would be many incorrect reports due to the inaccuracy of the simulation.
Die Aufgabe der vorliegenden Erfindung liegt darin, ein Verfahren und eine Vorrichtung zur Fehlererkennung anzugeben, mit welcher die Genauigkeit und die Zuverlässigkeit der Fehlererkennung erhöht wird.The object of the present invention is to specify a method and a device for error detection, with which the accuracy and reliability of the error detection is increased.
Offenbarung der ErfindungDisclosure of Invention
Die Aufgabe wird durch ein Verfahren zur Erkennung einer Fehlfunktion einer Bremsanlage eines Kraftfahrzeugs mit den Merkmalen nach Anspruch 1 und eine Vorrichtung zur Erkennung einer Fehlfunktion einer Bremsanlage eines Kraftfahrzeugs mit den Merkmalen nach Anspruch 4 gelöst. Die jeweils rückbezogenen abhängigen Ansprüche geben vorteilhafte Weiterbildungen der Erfindung wieder.The object is achieved by a method for detecting a malfunction of a brake system of a motor vehicle having the features of claim 1 and a device for detecting a malfunction of a brake system of a motor vehicle having the features of claim 4. The dependent claims refer back to advantageous developments of the invention.
Die Erfindung gibt ein Verfahren zur Erkennung einer Fehlfunktion einer Bremsanlage eines Kraftfahrzeugs an. Das Verfahren umfasst dabei die Schritte des Vergleichs von aktuellen Systemwerten mit Vergleichsgrößen eines Prozessmodels, des Ausgebens einer Fehlermeldung an eine trainierte machine learning Fehlererkennung, falls eine Abweichung zwischen den Vergleichsgrößen und Systemwerten größer ist als ein vorgegebener Toleranzbereich, des Durchführens einer machine learning funkion der machine learning Fehlererkennung auf Basis der aktuellen Systemwerte, und des Ermittelns, ob aufgrund der Ergebnisse der machine learning funktion ein Fehler vorliegt.The invention specifies a method for detecting a malfunction in a brake system of a motor vehicle. The method includes the steps of comparing current system values with comparison variables of a process model, outputting an error message to a trained machine learning error detection system if a deviation between the comparison variables and system values is greater than a specified tolerance range, performing a machine learning function of the machine learning Error detection based on the current system values, and determining whether there is an error based on the results of the machine learning function.
Gemäß der Erfindung wird die machine learning Fehlererkennung somit erst aktiv, wenn eine Fehlfunktion beim Vergleich mit einem Prozessmodel erkannt wird. Dadurch wird für die machine learning Fehlererkennung in einem regelgerechten Betrieb nicht aktiv. Die machine learning Fehlererkennung braucht relativ viel Rechenaufwand, so dass diese im Regelbetrieb eingespart werden kann. Da die Fehlermeldung durch die machine learning Fehlererkennung nochmals nachgeprüft wird, kann der Toleranzbereich enger gewählt werden als bei einem gewöhnlichen System. Außerdem kann der Aufwand bei der Entwicklung des Prozessmodels wesentlich reduziert werden. Dementsprechend werden mehr Fehlermeldungen im ersten Schritt gemeldet. Diese können durch eine Nachprüfung mittels der machine learning Fehlererkennung wieder verworfen werden.According to the invention, the machine learning error detection thus only becomes active when a malfunction is detected when compared with a process model. As a result, error detection is not active for machine learning in regular operation. The machine learning error detection requires a relatively large amount of computing effort, so that this can be saved in regular operation. Since the error message is checked again by machine learning error detection, the tolerance range can be narrower than with a conventional system. In addition, the effort involved in developing the process model can be significantly reduced. Accordingly, more error messages are reported in the first step. These can be discarded again by checking using machine learning error detection.
Durch die trainierte machine learning Fehlererkennung können jedoch auch die Fehlerfälle erkannt werden, zu denen kein explizites systematisches Wissen vorliegt. Da die machine learning Fehlererkennung speziell auf Fälle trainiert ist, welche von der ersten Fehlererkennung als positiv erkannt wurden, ist die Fehlererkennung solcher Fälle genauer möglich. Dadurch ist es möglich eine Fehlfunktion der Bremsanlage präziser und zuverlässigere vorherzusagen.However, the trained machine learning error detection can also detect errors for which there is no explicit systematic knowledge. Since the machine learning error detection is specially trained for cases that were recognized as positive by the first error detection, the error detection of such cases is possible more precisely. This makes it possible to predict a malfunction in the brake system more precisely and reliably.
In einer bevorzugten Ausführung der Erfindung werden vor einer Durchführung der machine learning funktion aus den aktuellen Systemwerten die für die machine learning funktion relevanten Werte berechnet. Es werden dadurch lediglich die Werte ausgerechnet, auf welche die machine learning funktion trainiert worden ist. Dadurch können unwichtige Informationen bereits vor der machine learning funktion verworfen werden, so dass Rechenaufwand eingespart werden kann.In a preferred embodiment of the invention, before the machine learning function is carried out, the values relevant to the machine learning function are calculated from the current system values. This only calculates the values on which the machine learning function has been trained. As a result, unimportant information can already be discarded before the machine learning function, so that computing effort can be saved.
In einer weiteren bevorzugten Ausführung der Erfindung wird in einem weiteren Schritt der trainierten machine learning Fehlererkennung der Fehlertyp identifiziert, für den Fall, dass die machine learning funktion einen Fehler feststellt. Es ist somit nicht lediglich möglich anzuzeigen, dass ein Fehler vorliegt, sondern auch welcher Fehler vorliegt. Es ist dadurch möglich die Wichtigkeit des Fehlers besser einzuschätzen, so dass entschieden werden kann, ob das Fahrzeug vorerst weiterbetrieben werden darf, oder sofort still gelegt werden muss. Auch wird dadurch die Zeit für eine Reparatur reduziert, da bereits im Vorfeld der genaue Fehlertyp ausgegeben werden kann.In a further preferred embodiment of the invention, in a further step of the trained machine learning error detection, the error type is identified in the event that the machine learning function detects an error. It is thus not only possible to indicate that an error has occurred lies, but also which error is present. This makes it possible to better assess the importance of the error, so that a decision can be made as to whether the vehicle may continue to be operated for the time being or whether it must be shut down immediately. This also reduces the time required for repairs, since the exact type of error can be output in advance.
Die Aufgabe der vorliegenden Erfindung wird zusätzlich gelöst durch eine Vorrichtung zur Erkennung einer Fehlfunktion einer Bremsanlage eines Kraftfahrzeugs, auf welcher das erfindungsgemäße Verfahren ausführbar ist. Die Vorrichtung umfasst dabei eine erste Fehlererkennungseinrichtung, welche auf Basis eines physikalischen Models aufgebaut ist, und eine zweite Fehlererkennungseinrichtung, welche eine machine-learning Funktion aufweist, wobei die zweite Fehlererkennungseinrichtung zur Überprüfung einer Fehlermeldung der ersten Fehlererkennungseinrichtung, dieser nachgeschaltet ist. Die zweite Fehlererkennungseinrichtung ist somit erst nach der ersten Fehlererkennungseinrichtung angeordnet, so dass diese erst aktiv wird, wenn die erste Fehlererkennungseinrichtung einen Fehler detektiert. Eine solche Vorrichtung weist daher im Wesentlichen die gleichen zu dem Verfahren beschriebenen Vorteile auf, so dass die Genauigkeit und die Zuverlässigkeit der Fehlererkennung erhöht wird.The object of the present invention is additionally achieved by a device for detecting a malfunction of a brake system of a motor vehicle, on which the method according to the invention can be carried out. The device comprises a first error detection device, which is constructed on the basis of a physical model, and a second error detection device, which has a machine-learning function, the second error detection device being connected downstream of the first error detection device to check an error message. The second error detection device is therefore only arranged after the first error detection device, so that it only becomes active when the first error detection device detects an error. Such a device therefore has essentially the same advantages described for the method, so that the accuracy and reliability of the error detection is increased.
In einer vorteilhaften Weiterbildung weist die zweite Fehlererkennungseinrichtung eine Fehleridentifizierungsfunktion auf, mit welcher der Fehlertyp identifizierbar ist. Mit der Fehleridentifizierungsfunktion werden die zuvor für das Verfahren beschriebenen Vorteile erzielt.In an advantageous development, the second error detection device has an error identification function with which the type of error can be identified. The advantages described above for the method are achieved with the error identification function.
Vorteilhafterweise weist die zweite Fehlererkennungseinrichtung eine Berechnungsfunktion auf, mit welcher relevant Werte für die machine learning funktion berechenbar sind. Mit einer solchen Berechnungsfunktion werden der machine learning funktion die Werte berechnet, welche für die Bestimmung eines Fehler notwendig sind, so dass das die machine learning funktion effizienter durchführbar ist.The second error detection device advantageously has a calculation function with which relevant values for the machine learning function can be calculated. With such a calculation function, the machine learning function calculates the values that are necessary for determining an error, so that the machine learning function can be carried out more efficiently.
Ausführungsbeispiele der Erfindung sind in der Zeichnung dargestellt und in der nachfolgenden Beschreibung näher erläutert. Es zeigt:
-
1 Vorrichtung zur Erkennung einer Fehlfunktion einer Bremsanlage nach einem Ausführungsbeispiel der Erfindung, und -
2 Verfahren zur Erkennung einer Fehlfunktion einer Bremsanlage nach einem Ausführungsbeispiel der Erfindung.
-
1 Device for detecting a malfunction of a brake system according to an embodiment of the invention, and -
2 Method for detecting a malfunction of a brake system according to an embodiment of the invention.
In
Die Vorrichtung zeigt zusätzlich eine erste Fehlererkennungseinrichtung 14. Dieser ersten Fehlererkennungseinrichtung 14 werden die aus den Bremsvorgabewerten BW und den Ausgangswerten AW bestehenden Systemwerte der Bremsanlage 10 zugeführt. Die erste Fehlererkennungseinrichtung 14 weist ein physikalisches Prozessmodel 18 auf, welches die Bremsanlage 10 nachgebildet. Das Prozessmodel 18 ist dabei derart ausgelegt, dass dieses den Normalfall der Bremsanlage 10 nachbildet. Die durch den Bremsvorgang im Normalfall generierten Ausgangswerte AW können dadurch nachgestellt werden.The device also has a first
Der ersten Fehlererkennungseinrichtung 14 werden ebenso die realen Ausgangssignale AW der Bremsanlage 10 zugeführt. Die erste Fehlererkennungseinrichtung 14 weist zusätzlich ein Vergleichseinheit 22 auf, mit welcher eine Abweichung zwischen den simulierten Ausgangswerten und den realen Ausgangswerten AW berechnet. In diese Vergleichseinheit 22 sind dabei Toleranzen für die Ausgangswerte AW hinterlegt, welche als normale Abweichungen zwischen der Simulation und dem realen Bremsvorgang angesehen werden.The real output signals A W of the
Sollten die Abweichung zwischen den simulierten Ausgangswerten und den realen Ausgangswerten AW diesen Toleranzbereich übersteigen, gibt die Vergleichseinheit 22 eine Fehlermeldung an eine zweite Fehlererkennungseinrichtung 26 aus. Die zweite Fehlererkennungseinrichtung 26 ist im Gegensatz zu der ersten Fehlererkennungseinrichtung 14 nicht dauerhaft aktiv, sondern wird erst aktiviert, wenn die erste Fehlererkennungseinrichtung 14 eine Fehlermeldung ausgibt. Der zweiten Fehlererkennungseinrichtung 26 werden dabei ebenso die Systemwerte BW, AW der Bremsanlage 10 zugeführt.Should the deviation between the simulated output values and the real output values A W exceed this tolerance range, the
Die zweite Fehlererkennungseinrichtung 26 weist eine trainierte machine learning funktion 30 auf, aufgrund derer ein Fehler auf Basis der trainierten Daten feststellbar ist. Zusätzlich weist die zweite Fehlererkennungseinrichtung 26 eine Berechnungsfunktion 34 auf, welche der eigentlichen machine learning funktion 30 vorgelagert ist. Diese Berechnungsfunktion 34 berechnet aus den Sensor Daten, die für die machine learning funktion 30 relevanten Werte.The second
Der machine leaning funktion 30 ist eine Fehleridentifizierungsfunktion 38 nachgelagert. Diese bestimmt, für den Fall, dass die machine learning funktion 30 einen Fehler ausgibt, den Fehlertyp. Die Parameter der Fehleridentifizierungsfunktion 38 wurden von den trainierten Daten offline gelernt.An error identification function 38 is downstream of the
Sollten die Abweichung ΔAW einer Vergleichsgröße jedoch größer als ein Toleranzbereich T sein, wird eine Fehlermeldung an eine trainierte machine learning Fehlererkennung ausgegeben. Diese machine learning Fehlererkennung führt in einem ersten Schritt C eine Berechnung durch, mit welcher relevante Werte für eine machine learning funktion 30 ermittelt werden. Anhand dieser Werte ermittelt die machine learning funktion 30 in einem nächsten Schritt D, ob ein Fehler der Bremsanlage 10 vorliegt. Falls ein Fehler vorliegt, wird in einem nächsten Schritt E der Fehlertyp identifiziert. Für den Fall, dass kein Fehler festgestellt wird, wird mit dem Verfahren wieder von neuem begonnen.However, should the deviation ΔA W of a comparison variable be greater than a tolerance range T, an error message is output to a trained machine learning error detection system. In a first step C, this machine learning error detection performs a calculation with which relevant values for a
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of documents cited by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturPatent Literature Cited
- EP 1492690 B1 [0003]EP 1492690 B1 [0003]
Claims (7)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020213853.2A DE102020213853A1 (en) | 2020-11-04 | 2020-11-04 | Method and device for detecting a malfunction of a braking system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020213853.2A DE102020213853A1 (en) | 2020-11-04 | 2020-11-04 | Method and device for detecting a malfunction of a braking system |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102020213853A1 true DE102020213853A1 (en) | 2022-05-05 |
Family
ID=81183956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102020213853.2A Pending DE102020213853A1 (en) | 2020-11-04 | 2020-11-04 | Method and device for detecting a malfunction of a braking system |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102020213853A1 (en) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1492690B1 (en) | 2002-03-30 | 2010-01-27 | Robert Bosch Gmbh | Method and device for monitoring a brake system |
-
2020
- 2020-11-04 DE DE102020213853.2A patent/DE102020213853A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1492690B1 (en) | 2002-03-30 | 2010-01-27 | Robert Bosch Gmbh | Method and device for monitoring a brake system |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE19933086B4 (en) | Method and device for mutual monitoring of control units | |
DE10307342B4 (en) | Device and method for model-based on-board diagnostics | |
DE19723079C1 (en) | Fault diagnosis device for automobile | |
DE102004030685A1 (en) | Feeler recognition system in a steer-by-wire steering system | |
DE102009002682A1 (en) | Residuum analyzing device for detecting e.g. oscillations in behaviors of electrohydraulic rudder positioning system of aircraft, has threshold value providing unit for providing threshold value by associating constant and adaptive portions | |
WO2000073903A2 (en) | Method and system for determining a fault tree of a technical system, computer program product and a computer readable storage medium | |
DE19743463A1 (en) | Fault identification method for microprocessor systems in motor vehicles | |
EP0966703A1 (en) | Method for computer-assisted error checking of sensors and/or actors in technical systems | |
DE19500188B4 (en) | Circuit arrangement for a brake system | |
EP1486658B1 (en) | Fault diagnosis method and apparatus for a motor vehicle system | |
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 | |
EP3546314A1 (en) | Method and device for fault identification for a technical system | |
DE102020213853A1 (en) | Method and device for detecting a malfunction of a braking system | |
DE102008016801A1 (en) | Onboard fault diagnosing method for vehicle, involves identifying component associated to failure characteristic signal difference by correlating determined signal difference with failure characteristic signal difference | |
DE10133670A1 (en) | Method for automatic generation of a knowledge base for a technical system diagnosis system from a model of the technical system, e.g. for fault monitoring and diagnosis of a motor vehicle onboard control system | |
DE102021109126A1 (en) | Procedure for testing a product | |
DE102021109129A1 (en) | Procedure for testing a product | |
EP3933593A1 (en) | Method and computer program for testing a technical system | |
DE102019113206A1 (en) | Method and control device for diagnosing a component of a vehicle | |
DE4237198A1 (en) | Method and device for checking a monitoring unit | |
DE102021115181B3 (en) | Method for testing a software application and software application related data of a vehicle, computer readable medium and system | |
DE102018131008A1 (en) | Method for checking and, if necessary, improving a vehicle diagnostic system | |
DE102010031323A1 (en) | Technical system i.e. internal-combustion engine, controlling/regulating method for motor vehicle, involves dividing gross error for components e.g. actuators and/or models, of technical system | |
DE10220811B4 (en) | Method and device for monitoring the functioning of a system | |
DE102021109127A1 (en) | Procedure for testing a product |