DE102021102712A1

DE102021102712A1 - Method and system for acoustic diagnosis of a motor vehicle based on operating noise

Info

Publication number: DE102021102712A1
Application number: DE102021102712.8A
Authority: DE
Inventors: Simon Schmitt
Original assignee: Audi AG
Current assignee: Audi AG
Priority date: 2021-02-05
Filing date: 2021-02-05
Publication date: 2022-08-11

Abstract

Die vorliegende Erfindung betrifft ein Verfahren zur akustischen Diagnose eines Kraftfahrzeugs anhand von Betriebsgeräuschen. Dabei werden an einem Analyseort Betriebsgeräusche eines zu diagnostizierenden Kraftfahrzeugs unter mindestens einer vorgebbaren ersten Randbedingung erzeugt. Diese werden unter mindestens einer zweiten Randbedingung aufgenommen, ein entsprechender Datensatz erstellt und vom Analyseort an eine davon entfernte Auswertevorrichtung übermittelt. Dort erfolgt die Auswertung des Datensatzes mittels eines wissensbasierten Systems. Das Auswerteergebnis wird an den Analyseort übermittelt, wo, falls das Auswerteergebnis einen Fehler am Kraftfahrzeug anzeigt, der Fehler repariert wird. Die Erfindung betrifft überdies ein entsprechendes System zur akustischen Diagnose eines Kraftfahrzeugs anhand von Betriebsgeräuschen.The present invention relates to a method for the acoustic diagnosis of a motor vehicle based on operating noises. In this case, operating noises of a motor vehicle to be diagnosed are generated at an analysis location under at least one predeterminable first boundary condition. These are recorded under at least one second boundary condition, a corresponding data record is created and transmitted from the analysis location to an evaluation device located at a distance from it. There, the data set is evaluated using a knowledge-based system. The evaluation result is transmitted to the analysis site where, if the evaluation result indicates a fault in the motor vehicle, the fault is repaired. The invention also relates to a corresponding system for acoustic diagnosis of a motor vehicle based on operating noises.

Description

Die Erfindung betrifft ein Verfahren zur akustischen Diagnose eines Kraftfahrzeugs anhand von Betriebsgeräuschen. Sie betrifft überdies ein System zur akustischen Diagnose eines Kraftfahrzeugs anhand von Betriebsgeräuschen.The invention relates to a method for the acoustic diagnosis of a motor vehicle based on operating noises. It also relates to a system for acoustic diagnosis of a motor vehicle based on operating noise.

Bekanntermaßen wirken in einem Kraftfahrzeug die unterschiedlichsten Bauteile und Bauteilgruppen zusammen. Dabei kommt es immer wieder zu außergewöhnlichen Betriebsgeräuschen, die auf einen Fehler hinweisen, der bereits entstanden ist oder sich ankündigt. In diesem Zusammenhang ist der Begriff „NVH-Messung“ zur Geräuschanalyse bekannt, wobei „NVH“ steht für Noise = Geräusch, V für Vibration und H für Harshness = Rauhigkeit. In diesem Zusammenhang versucht beispielsweise ein Kunde in der Werkstatt, das unnormale Betriebsgeräusch zu beschreiben, wobei er Wort wählt wie „wummern, schmettern, heulen, klopfen, brummen, rauschen, mahlen, klappern, knacken, jaulen, rattern, pfeifen, klingeln, schaben, knistern, klirren, rasseln, summen“. Für eine Kundenbeschwerde, man höre ein klopfendes Geräusch, wenn sich der Motor im Leerlauf befindet, können unterschiedliche Ursachen in Frage kommen, beispielsweise die Nockenwelle, die Ölpumpe, der Kettenspanner, eine falsche Motorsteuerung. Es kann aber auch sein, dass das Betriebsgeräusch normal ist.As is known, the most diverse components and component groups interact in a motor vehicle. There are always unusual operating noises that indicate an error that has already occurred or is about to occur. In this context, the term "NVH measurement" is known for noise analysis, where "NVH" stands for noise = noise, V for vibration and H for harshness = roughness. In this context, for example, a customer in the workshop tries to describe the abnormal operating noise, choosing words such as "thumping, smashing, howling, knocking, humming, hissing, grinding, rattling, cracking, howling, rattling, whistling, ringing, scraping , crackle, jingle, rattle, hum". A customer complaint that there is a knocking noise when the engine is idling can have various causes, for example the camshaft, the oil pump, the chain tensioner, incorrect engine timing. However, it may also be that the operating noise is normal.

In diesem Zusammenhang können werkstattseitig akustische Messungen an Kundenfahrzeugen vorgenommen werden, beispielsweise unter Verwendung mehrerer Sensoren, wie Mikrofone oder Beschleunigungsmesser. Überdies können Betriebsparameter, wie Drehzahl und Geschwindigkeit, erfasst und den aufgezeichneten Messwerten zugeordnet werden. Diese können dann in der Werkstatt oder herstellerseitig vom Fachpersonal gesichtet und angehört werden, um Rückschlüsse auf die Fehlerursache zu treffen. In einem markenunabhängigen Test wurden in diesem Zusammenhang 24 Sound-Dateien erzeugt, die Geräusche von Motoren mit fehlerhafter Nockenwelle sowie fehlerhafter Ölpumpe, allerdings auch Geräusche von Motoren umfassen, die in Ordnung sind. Das Fachpersonal wurde gebeten, die Sound-Dateien in vier Kategorien einzuordnen, und zwar fehlerhafte Nockenwelle, fehlerhafte Ölpumpe, Motor in Ordnung, andere Art von Geräusch.In this context, workshop-side acoustic measurements can be made on customer vehicles, for example using multiple sensors such as microphones or accelerometers. In addition, operating parameters such as engine speed and speed can be recorded and assigned to the recorded measured values. These can then be viewed and listened to by qualified personnel in the workshop or at the manufacturer's site in order to draw conclusions about the cause of the error. In a brand-independent test, 24 sound files were generated in this context, which include the noises of engines with a faulty camshaft and a faulty oil pump, but also noises from engines that are OK. The technical staff was asked to classify the sound files into four categories, namely faulty camshaft, faulty oil pump, engine ok, other kind of noise.

Bei einer Auswertung der Ergebnisse von hundert Teilnehmern, wurde festgestellt, dass 50,3 % das Geräusch in die falsche Kategorie einordneten. Lediglich 49,7% ordneten das Geräusch in die richtige Kategorie ein. Wird demnach eine Reparatur aufgrund der zugeordneten vermuteten Fehlerkategorie vorgenommen, werden ungefähr 50% der Reparaturkosten erzeugt durch Reparatur des falschen Bauteils.Analyzing the results of 100 participants, it was found that 50.3% put the noise in the wrong category. Only 49.7% classified the noise in the correct category. Accordingly, if a repair is carried out based on the suspected error category assigned, approximately 50% of the repair costs are generated by repairing the wrong component.

In diesem Zusammenhang ist es beispielsweise aus der DE 10 2012 025 033 A1 bekannt, eine Ferndiagnose eines Fehlerzustands in einem Kraftfahrzeug mittels einer fahrzeugexternen Serveranordnung durchzuführen. Dabei wird eine Überwachungseinrichtung in dem Kraftfahrzeug bereitgestellt, durch welche in Abhängigkeit von dem Fehlerzustand eine Fehlerbeschreibung sowie fehlerzustandsunabhängige Metadaten betreffend eine aktuelle Systemkonfiguration erzeugt und an die Serveranordnung übertragen werden. Dort werden die Fehlerbeschreibung und die Metadaten mit zumindest einer in einem Speicher der Serveranordnung gespeicherten Fehlerklasse verglichen, wobei jede Fehlerklasse jeweils zu einem bekannten Fehler zumindest eine Fehlerbeschreibung und zugehörige Metadaten umfasst. In dem Fall, dass keine passende Fehlerklasse in dem Speicher gefunden wird, wird an die Überwachungseinrichtung ein Steuerbefehl gesendet, durch welchen die Überwachungseinrichtung zum Ermitteln von Trace-Daten veranlasst wird.In this context it is, for example, from DE 10 2012 025 033 A1 known to carry out a remote diagnosis of a fault condition in a motor vehicle by means of a vehicle-external server arrangement. In this case, a monitoring device is provided in the motor vehicle, by means of which a fault description and fault state-independent metadata relating to a current system configuration are generated as a function of the fault state and transmitted to the server arrangement. There, the error description and the metadata are compared with at least one error class stored in a memory of the server arrangement, each error class comprising at least one error description and associated metadata for a known error. In the event that no suitable error class is found in the memory, a control command is sent to the monitoring device, which prompts the monitoring device to determine trace data.

Die Aufgabe der vorliegenden Erfindung besteht darin, eine Möglichkeit zur Verbesserung einer akustischen Diagnose eines Kraftfahrzeugs anhand von Betriebsgeräuschen bereitzustellen, die eine möglichst zielgerichtete Erkennung eines Fehlers eines Bauteils oder einer Bauteilgruppe ermöglicht, um so Reparaturkosten zu minimieren.The object of the present invention is to provide a possibility for improving an acoustic diagnosis of a motor vehicle based on operating noises, which enables a fault in a component or a component group to be identified as specifically as possible, in order to minimize repair costs.

Diese Aufgabe wird gelöst durch ein Verfahren mit den Merkmalen von Patentanspruch 1 sowie durch ein System mit den Merkmalen von Patentanspruch 11.This object is achieved by a method having the features of patent claim 1 and by a system having the features of patent claim 11.

Der vorliegenden Erfindung liegt die Erkenntnis zugrunde, dass die Ursache für Falschbeurteilungen im Stand der Technik durch zu viele Freiräume bei der Messung und der Auswertung zu sehen ist: So kann ein unterschiedlicher Messaufbau, eine unterschiedliche Messtechnik sowie ein unterschiedlicher Erfahrungsschatz beim zuständigen Fachpersonal zu unterschiedlichen Ergebnissen führen.The present invention is based on the finding that the cause of incorrect assessments in the prior art can be seen in too much freedom in measurement and evaluation: A different measurement setup, a different measurement technique and a different wealth of experience among the responsible specialist staff can lead to different results to lead.

Bei dem erfindungsgemäßen Verfahren ist demnach vorgesehen, dass in einem Schritt a) ein zu diagnostizierendes Kraftfahrzeug an einem Analyseort bereitgestellt wird. In einem Schritt b) werden Betriebsgeräusche des zu diagnostizierenden Kraftfahrzeugs unter mindestens einer vorgebbaren ersten Randbedingung erzeugt. In einem Schritt c) werden die Betriebsgeräusche unter mindestens einer zweiten vorgebbaren Randbedingung aufgenommen und ein entsprechender Datensatz erstellt. Anschließend wird in einem Schritt d) der Datensatz vom Analyseort an eine davon entfernte Auswertevorrichtung übermittelt. Dieser Datensatz wird in einem Schritt e) mittels eines wissensbasierten Systems ausgewertet. Anschließend wird das Auswerteergebnis in einem Schritt f) an den Analyseort übermittelt. Falls das Auswerteergebnis einen Fehler am Kraftfahrzeug anzeigt, wird in einem Schritt g) der Fehler am Analyseort repariert.In the method according to the invention it is therefore provided that in a step a) a motor vehicle to be diagnosed is provided at an analysis location. In a step b), operating noises of the motor vehicle to be diagnosed are generated under at least one predefinable first boundary condition. In a step c), the operating noises are recorded under at least one second predefinable boundary condition and a corresponding data record is created. Then, in a step d), the data set is sent from the analysis location to an evaluation device that is remote from it transmitted. This data record is evaluated in step e) using a knowledge-based system. The evaluation result is then transmitted to the analysis site in a step f). If the evaluation result indicates a fault in the motor vehicle, the fault is repaired at the analysis location in step g).

Mittels der Vorgabe von Randbedingungen kann eine quasi normierte Erzeugung und Aufnahme der Betriebsgeräusche sichergestellt werden. Um bei der Auswertung einen subjektiven Einfluss des Fachpersonals zu unterbinden, wird erfindungsgemäß zur Auswertung ein wissensbasiertes System herangezogen.By specifying boundary conditions, a quasi-standardized generation and recording of the operating noise can be ensured. In order to prevent a subjective influence of the specialist personnel during the evaluation, a knowledge-based system is used for the evaluation according to the invention.

Diese drei Maßnahmen wirken zusammen und führen zu reproduzierbaren Ergebnissen, die frei von subjektiven menschlichen Fehlerquellen sind. Bei einer zu dem oben genannten Beispiel vergleichbaren Analyse wurde eine Trefferquote von mehr als 95% ermittelt. Mittels der vorliegenden Erfindung kann daher in der weit überwiegenden Anzahl der Fälle sichergestellt werden, dass tatsächlich das fehlerbehaftete Bauteil beziehungsweise die Bauteilgruppe repariert wird. Überdies ergibt sich eine Reduktion der Reparaturzeit, da zielgerichtet das fehlerhafte Bauteil repariert werden kann. Es ergibt sich eine Verbesserung der Kundenzufriedenheit durch eine Vergrößerung der Analysekompetenz. Es besteht weiterhin die Möglichkeit, im Rahmen eines Service-Aufenthalts einen akustischen Fingerabdruck zu erzeugen, um ein Bauteil oder eine Bauteilgruppe über die Lebensdauer zu überwachen. Die gesammelten Daten und Ergebnisse können auswertevorrichtungsseitig zur weiteren Verbesserung der Auswertung gesammelt werdenThese three measures work together and lead to reproducible results that are free from subjective human sources of error. In an analysis comparable to the above example, a hit rate of more than 95% was determined. In the vast majority of cases, the present invention can therefore be used to ensure that the defective component or component group is actually repaired. In addition, there is a reduction in the repair time, since the defective component can be repaired in a targeted manner. There is an improvement in customer satisfaction through an increase in analysis competence. There is also the option of generating an acoustic fingerprint during a service visit in order to monitor a component or a component group over its service life. The collected data and results can be collected on the evaluation device side to further improve the evaluation

Eine bevorzugte Ausführungsform zeichnet sich dadurch aus, dass in Schritt b) mindestens eine der folgenden ersten Randbedingungen vorgegeben wird: Drehzahl des Motors, Fahrzeuggeschwindigkeit, Aktivieren oder Betätigen einer vorgebbaren Fahrzeugfunktion, insbesondere mittels eines Bedienelements, sowie Abbremsen aus einer vorgebbaren Geschwindigkeit in den Stillstand innerhalb einer vorgebbaren Zeitdauer. Auf diese Weise werden reproduzierbare Randbedingungen festgelegt für den Verfahrensschritt des Erzeugens von Betriebsgeräuschen des zu diagnostizierenden Fahrzeugs.A preferred embodiment is characterized in that in step b) at least one of the following first boundary conditions is specified: engine speed, vehicle speed, activation or actuation of a specified vehicle function, in particular by means of an operating element, and braking from a specified speed to a standstill within a predetermined period of time. In this way, reproducible boundary conditions are defined for the method step of generating operating noises of the vehicle to be diagnosed.

Bevorzugt wird in Schritt c) mindestens eine der folgenden zweiten Randbedingungen vorgegeben: Messaufbau, insbesondere Sensorposition und Sensoranzahl, sowie Messtechnik, insbesondere Art des Sensors. Hinsichtlich des Sensors kommen insbesondere Mikrofone sowie Beschleunigungssensoren in Betracht. Auf diese Weise werden die Betriebsgeräusche unter reproduzierbaren Randbedingungen aufgenommen, das heißt aufgezeichnet. Durch die Festlegung der Randbedingungen beim Erzeugen sowie beim Aufnehmen der Betriebsgeräusche kann eine reproduzierbare Analyseumgebung geschaffen werden, so dass im Schritt e) beim Auswerten des entsprechenden Datensatzes mittels eines wissensbasierten Systems die Ergebnisse mit Ergebnissen verglichen werden können, die ebenfalls unter Verwendung derselben ersten und zweiten Randbedingungen kreiert wurden. Demnach wird ein Datensatz unter normierten Bedingungen erzeugt, der mit Datensätzen verglichen werden kann, die unter denselben normierten Bedingungen erzeugt wurden.At least one of the following second boundary conditions is preferably specified in step c): measurement setup, in particular sensor position and number of sensors, and measurement technology, in particular type of sensor. With regard to the sensor, microphones and acceleration sensors are particularly suitable. In this way, the operating noises are recorded under reproducible boundary conditions, i.e. recorded. By defining the boundary conditions when generating and recording the operating noises, a reproducible analysis environment can be created, so that in step e) when evaluating the corresponding data set using a knowledge-based system, the results can be compared with results that are also obtained using the same first and second boundary conditions were created. Accordingly, a data set is created under normalized conditions, which can be compared with data sets that were created under the same normalized conditions.

Eine besonders bevorzugte Ausführungsform zeichnet sich dadurch aus, dass vor Schritt b) in Abhängigkeit eines Fehlerverdachts am Analyseort nach Übermittlung des Fehlerverdachts vom Analyseort an eine zentrale Instanz von der zentralen Instanz mindestens die eine erste und/oder die eine zweite Randbedingung vorgegeben wird. Eine besonders zuverlässige und schnelle Auffindung eines potentiellen Fehlers wird dadurch ermöglicht, dass die mindestens eine erste und/oder die mindestens eine zweite vorgebbare Randbedingung im Hinblick auf einen Fehlerverdacht gewählt wird. So würde es wenig Sinn machen, zur Analyse eines außergewöhnlichen Motorgeräuschs die Geräusche bei einem Bremsvorgang zu analysieren. Sofern bei einer ersten Auswertung kein eindeutiges Ergebnis hinsichtlich eines Fehlers vorliegt oder kein Fehler gefunden werden konnte, können die mindestens eine erste und/oder mindestens eine zweite Randbedingung im Hinblick auf einen alternativen Fehlerverdacht in einem sich anschließenden Diagnosevorgang unter Wiederholung der Schritte b) bis g) vorgegeben werden. Dies kann weiter wiederholt werden, bis ein eindeutiges Ergebnis vorliegt.A particularly preferred embodiment is characterized in that before step b) depending on a suspected error at the analysis location after transmission of the suspected error from the analysis location to a central entity, at least one first and/or one second boundary condition is specified by the central entity. A particularly reliable and rapid finding of a potential error is made possible by selecting the at least one first and/or the at least one second predefinable boundary condition with regard to a suspected error. So it would make little sense to analyze the noises during a braking process to analyze an unusual engine noise. If there is no clear result with regard to an error in a first evaluation or no error could be found, the at least one first and/or at least one second boundary condition with regard to an alternative suspected error can be checked in a subsequent diagnostic process by repeating steps b) to g ) are specified. This can be repeated further until a clear result is obtained.

Als Fehlerverdacht können folgende Geräuscharten zur Auswahl bereitgestellt werden: Motorgeräusch, Bremsengeräusch, Getriebegeräusch, Windgeräusch, Innenraumgeräusch. Mit anderen Worten gibt der Fehlerverdacht im Wesentlichen eine grobe Orientierung im Hinblick auf geeignet zu wählende erste und/oder zweite Randbedingungen. Wie bereits erwähnt, kann bei einer Konkretisierung des Fehlerverdachts eine neuere spezifischere Vorgabe der ersten und/oder zweiten Randbedingungen folgen. Wenn beispielsweise für den Fehler lediglich zwei bestimmte Bauteile in Betracht kommen, können die ersten und/oder zweiten Randbedingungen bauteilspezifisch gewählt werden, so dass zwei aufeinanderfolgende Diagnosen unter Wiederholung der Schritte b) bis g) vorgenommen werden.The following types of noise can be made available for selection as suspected errors: engine noise, brake noise, transmission noise, wind noise, interior noise. In other words, the suspected error essentially provides a rough orientation with regard to first and/or second boundary conditions to be selected in a suitable manner. As already mentioned, if the suspected fault becomes more specific, a newer, more specific specification of the first and/or second boundary conditions can follow. If, for example, only two specific components come into consideration for the error, the first and/or second boundary conditions can be selected component-specifically, so that two consecutive diagnoses are carried out while repeating steps b) to g).

Bevorzugt wird in Schritt e) ein bestimmtes wissensbasiertes System aus einer Vielzahl von wissensbasierten Systemen in Abhängigkeit des Fehlerverdachts ausgewählt. In diesem Zusammenhang ist es von Vorteil, wenn mehrere der wissensbasierten Systeme zur Auswahl, insbesondere in Abhängigkeit des Fehlerverdachts, bereitgestellt werden: maschinelles Lernen, neuronales Netzwerk, Maximalpeak-Suche innerhalb eines vorgebbaren Frequenzbereichs. Beispielsweise eignen sich die wissensbasierten Systeme maschinelles Lernen sowie neuronales Netzwerk besonders gut bei der Analyse von Motorgeräuschen oder Getriebegeräuschen. Die Maximalpeak-Suche innerhalb eines vorgebbaren Frequenzbereichs eignet sich besonders bei der Analyse eines Bremsengeräuschs.In step e), a specific knowledge-based system from a large number of scientific sensor-based systems depending on the suspected error. In this context, it is advantageous if several of the knowledge-based systems are made available for selection, in particular depending on the suspected error: machine learning, neural network, maximum peak search within a specifiable frequency range. For example, the knowledge-based systems of machine learning and neural networks are particularly well suited to the analysis of engine noise or gear noise. The maximum peak search within a definable frequency range is particularly suitable for analyzing brake noise.

Vor Schritt e) wird bevorzugt mindestens ein Fahrzeugparameter aus der folgenden Gruppe an die zentrale Instanz übermittelt und in Schritt e) berücksichtigt: Typ des Kraftfahrzeugs, Typ des Motors, Gesamtlaufleistung, Datum des letzten Kundendienstes, Laufleistung seit letztem Kundendienst, bisherige Reparaturen am Kraftfahrzeug, bisherige Unfallschäden des Kraftfahrzeugs.Before step e), at least one vehicle parameter from the following group is preferably transmitted to the central entity and taken into account in step e): type of motor vehicle, type of engine, total mileage, date of the last customer service, mileage since the last customer service, previous repairs to the motor vehicle, Previous accident damage to the motor vehicle.

Auf diese Weise kann festgestellt werden, ob das Betriebsgeräusch für dieses Kraftfahrzeug normal ist, ob bei vergleichbaren Kraftfahrzeugen diesen Typs dieselben Betriebsgeräusche aufgetreten sind, was dort gegebenenfalls die Fehlerursache war, sowie ob die Ursache in einem mangelhaften Service oder in einer mangelhaften Reparatur zu finden ist. Diese Fahrzeugparameter können in dem wissensbasierten System angewendet werden, insbesondere bei der Auswertung des Datensatzes des zu diagnostizierenden Kraftfahrzeugs sowie bei den dort vorliegenden Datensätzen.In this way it can be determined whether the operating noise is normal for this motor vehicle, whether the same operating noises have occurred in comparable motor vehicles of this type, what may have been the cause of the fault there, and whether the cause can be found in poor service or in poor repairs . These vehicle parameters can be used in the knowledge-based system, in particular when evaluating the data set of the motor vehicle to be diagnosed and the data sets available there.

Im Schritt e) wird bevorzugt mindestens eines der folgenden Ergebnisse bereitgestellt: kein Fehler feststellbar; Fehler feststellbar, jedoch nicht oder nicht eindeutig klassifizierbar; Klassifikation des Fehlers mit Angabe des fehlerhaften Bauteils oder der fehlerhaften Bauteilgruppe. Wie bereits erwähnt, können bei einem nicht eindeutig klassifizierbaren Fehler die Diagnoseschritte d) bis g) wiederholt werden, insbesondere unter Variation der ersten und/oder zweiten Randbedingungen. Das Ergebnis kann einen Zahlenwert darstellen, wobei vorgegeben wird, innerhalb welchem Zahlenbereich ein Zahlenwert als Ergebnis kein Fehler feststellbar klassifiziert wird, innerhalb welchem Zahlenbereich eine Klassifikation des Fehlers angenommen wird und innerhalb welchem Zahlenbereich die Feststellung eines Fehlers angenommen wird, der jedoch nicht oder nicht eindeutig klassifizierbar ist. Der Zahlenwert kann eine Wahrscheinlichkeit darstellen.In step e), at least one of the following results is preferably provided: no error detectable; Errors can be identified, but not or not clearly classifiable; Classification of the error with specification of the defective component or the defective group of components. As already mentioned, in the case of an error that cannot be clearly classified, the diagnostic steps d) to g) can be repeated, in particular by varying the first and/or second boundary conditions. The result can represent a numerical value, with it being specified within which numerical range a numerical value is classified as the result no error detectable, within which numerical range a classification of the error is assumed and within which numerical range the determination of an error is assumed, which, however, is not or not clearly is classifiable. The numerical value can represent a probability.

Bevorzugt wird innerhalb von Schritt e) vor der Anwendung eines wissensbasierten Systems auf den übermittelten Datensatz der übermittelte Datensatz gemäß mindestens einem der folgender Kriterien bearbeitet: Auswahl eines Frequenzbereichs, Auswahl eines Zeitbereichs, Auswahl eines Lautstärkebereichs, Anwendung eines Filters. Dies kann manuell erfolgen, um die Daten, mit denen das wissensbasierte System gespeist wird, im Hinblick auf eine möglichst deutliche Wahrnehmung des außergewöhnlichen Betriebsgeräuschs zu optimieren. Das jeweilige Betriebsgeräusch kann optional nach Anwendung der entsprechenden Kriterien abgespielt werden, so dass manuell entschieden werden kann, ob der unnormal klingende Geräuschanteil des Betriebsgeräuschs deutlicher zu hören ist als zuvor. Dies führt dazu, dass die Auswertung mittels des wissensbasierten Systems schneller konvergiert und zu besonders zuverlässigen und eindeutigen Ergebnissen führt.Within step e), before a knowledge-based system is applied to the transmitted data set, the transmitted data set is preferably processed according to at least one of the following criteria: selection of a frequency range, selection of a time range, selection of a volume range, use of a filter. This can be done manually in order to optimize the data feeding the knowledge-based system with a view to the clearest possible perception of the unusual operating noise. The respective operating noise can optionally be played back after applying the corresponding criteria, so that a manual decision can be made as to whether the abnormal-sounding noise component of the operating noise can be heard more clearly than before. The result of this is that the evaluation using the knowledge-based system converges more quickly and leads to particularly reliable and unambiguous results.

Weitere vorteilhafte Ausführungsformen ergeben sich aus den Unteransprüchen.Further advantageous embodiments emerge from the dependent claims.

Die oben genannte Aufgabe wird auch gelöst durch ein erfindungsgemäßes System zur akustischen Diagnose eines Kraftfahrzeugs anhand von Betriebsgeräuschen. Dieses System umfasst eine Aufnahmevorrichtung zum Aufnehmen von Betriebsgeräuschen eines zu diagnostizierenden Kraftfahrzeugs an einem Analyseort, eine Recheneinrichtung am Analyseort zum Erstellen eines entsprechenden Datensatzes aus den aufgenommenen Betriebsgeräuschen, eine Auswertevorrichtung, die an einem vom Analyseort entfernten Ort angeordnet und ausgelegt ist, den Datensatz mittels eines wissensbasierten Systems auszuwerten, um einen Fehler am Kraftfahrzeug aufzufinden, eine erste Sende-/Empfangsvorrichtung am Analyseort zum Übermitteln des Datensatzes vom Analyseort an die vom Analyseort entfernte Auswertevorrichtung und zum Empfangen eines Ergebnisses der Auswertevorrichtung, sowie eine zweite Sende-/Empfangsvorrichtung am Ort der Auswertevorrichtung zum Empfangen des Datensatzes vom Analyseort und zum Übermitteln eines Ergebnisses der Auswertevorrichtung an die erste Sende-/Empfangsvorrichtung.The above-mentioned object is also achieved by a system according to the invention for the acoustic diagnosis of a motor vehicle based on operating noises. This system comprises a recording device for recording operating noises of a motor vehicle to be diagnosed at an analysis location, a computing device at the analysis location for creating a corresponding data set from the recorded operating noises, an evaluation device which is arranged and designed at a location remote from the analysis location, the data set using a evaluate knowledge-based system in order to find a fault in the motor vehicle, a first transceiver at the analysis site for transmitting the data set from the analysis site to the evaluation device remote from the analysis site and for receiving a result of the evaluation device, and a second transceiver at the site of the evaluation device for receiving the data set from the analysis location and for transmitting a result of the evaluation device to the first transceiver.

Zu der Erfindung gehören auch Weiterbildungen des erfindungsgemäßen Systems, die Merkmale aufweisen, wie sie bereits im Zusammenhang mit den Weiterbildungen des erfindungsgemäßen Verfahrens beschrieben worden sind. Aus diesem Grund sind die entsprechenden Weiterbildungen des erfindungsgemäßen Systems hier nicht noch einmal beschrieben.The invention also includes developments of the system according to the invention, which have features as have already been described in connection with the developments of the method according to the invention. For this reason, the corresponding developments of the system according to the invention are not described again here.

Das in den Ansprüchen erwähnte Kraftfahrzeug ist bevorzugt als Kraftwagen, insbesondere als Personenkraftwagen oder Lastkraftwagen, oder als Personenbus oder Motorrad ausgestaltet.The motor vehicle mentioned in the claims is preferably designed as a motor vehicle, in particular as a passenger car or truck, or as a passenger bus or motorcycle.

Die Erfindung umfasst auch die Kombinationen der Merkmale der beschriebenen Ausführungsformen. Die Erfindung umfasst also auch Realisierungen, die jeweils eine Kombination der Merkmale mehrerer der beschriebenen Ausführungsformen aufweisen, sofern die Ausführungsformen nicht als sich gegenseitig ausschließend beschrieben wurden.The invention also includes the combinations of features of the described embodiments. The invention also includes implementations that each have a combination of the features of several of the described embodiments, provided that the embodiments were not described as mutually exclusive.

Im Folgenden sind Ausführungsbeispiele der Erfindung beschrieben. Hierzu zeigt:

1 einen Signalflussgraphen für ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens;
2 Beispiele für im Rahmen der Auswertung erzeugte Muster bzw. Bilder, die unterschiedlichen Fehlerquellen zugeordnet sind;
3 als ein Beispiel eines wissensbasierten Systems ein neuronales Netzwerk auf der Basis von Faltung (convolutional neuronal network) in Anwendung auf ein beispielhaftes Muster gemäß 2;
4 eine Benutzeroberfläche der Auswertevorrichtung mit Auswahlmöglichkeiten für Frequenzbereich, Zeitbereich sowie Lautstärkebereich;
5 ein Beispiel für ein erstes Auswerteergebnis des wissensbasierten Systems;
6 ein zweites Auswerteergebnis des wissensbasierten Systems; und
7 ein Ausführungsbeispiel eines erfindungsgemäßen Systems zur akustischen Diagnose eines Kraftfahrzeugs anhand von Betriebsgeräuschen.

Exemplary embodiments of the invention are described below. For this shows:

1 a signal flow graph for an embodiment of the method according to the invention;
2 Examples of patterns or images generated as part of the evaluation, which are assigned to different error sources;
3 as an example of a knowledge-based system, a convolutional neural network applied to an example pattern according to FIG 2 ;
4 a user interface of the evaluation device with selection options for the frequency range, time range and volume range;
5 an example of a first evaluation result of the knowledge-based system;
6 a second evaluation result of the knowledge-based system; and
7 an embodiment of a system according to the invention for acoustic diagnosis of a motor vehicle based on operating noises.

Bei den im Folgenden erläuterten Ausführungsbeispielen handelt es sich um bevorzugte Ausführungsformen der Erfindung. Bei den Ausführungsbeispielen stellen die beschriebenen Komponenten der Ausführungsformen jeweils einzelne, unabhängig voneinander zu betrachtende Merkmale der Erfindung dar, welche die Erfindung jeweils auch unabhängig voneinander weiterbilden. Daher soll die Offenbarung auch andere als die dargestellten Kombinationen der Merkmale der Ausführungsformen umfassen. Des Weiteren sind die beschriebenen Ausführungsformen auch durch weitere der bereits beschriebenen Merkmale der Erfindung ergänzbar.The exemplary embodiments explained below are preferred embodiments of the invention. In the exemplary embodiments, the described components of the embodiments each represent individual features of the invention that are to be considered independently of one another and that each also develop the invention independently of one another. Therefore, the disclosure is also intended to encompass combinations of the features of the embodiments other than those illustrated. Furthermore, the described embodiments can also be supplemented by further features of the invention that have already been described.

In den Figuren bezeichnen gleiche Bezugszeichen jeweils funktionsgleiche Elemente.In the figures, the same reference symbols designate elements with the same function.

1 zeigt in schematischer Darstellung einen Signalflussgraphen für ein Ausführungsbeispiel eines erfindungsgemäßen Verfahrens zur akustischen Diagnose eines Kraftfahrzeugs anhand von Betriebsgeräuschen. In Schritt 100 wird ein zu diagnostizierendes Kraftfahrzeug an einem Analyseort bereitgestellt. Im Schritt 110 werden Betriebsgeräusche des zu diagnostizierenden Kraftfahrzeugs unter mindestens einer vorgebbaren ersten Randbedingung erzeugt. Dies betrifft insbesondere die Drehzahl des Motors, die Fahrzeuggeschwindigkeit, das Aktivieren oder Betätigen einer vorgebbaren Fahrzeugfunktion, insbesondere mittels eines Bedienelements, sowie das Abbremsen aus einer vorgebbaren Geschwindigkeit in den Stillstand innerhalb einer vorgebbaren Zeitdauer. Im Schritt 120 werden die Betriebsgeräusche unter mindestens einer zweiten vorgebbaren Randbedingung aufgenommen und ein entsprechender Datensatz erstellt. Die zweite Randbedingung betrifft den Messaufbau und/oder die Messtechnik. Hinsichtlich des Messaufbaus betrifft dies insbesondere die Sensorposition und die Sensoranzahl. Hinsichtlich der Messtechnik betrifft es insbesondere die Art des Sensors bzw. der Sensoren. Als Sensoren kommen insbesondere Mikrofone und Beschleunigungssensoren in Betracht. Die Sensoranzahl kann eins, zwei, drei, vier oder noch mehr sein. Die Sensorposition kann verschiedene Positionen am Kraftfahrzeug oder auch außerhalb des Kraftfahrzeugs am Analyseort betreffen. 1 shows a schematic representation of a signal flow graph for an embodiment of a method according to the invention for acoustic diagnosis of a motor vehicle based on operating noises. In step 100, a motor vehicle to be diagnosed is provided at an analysis location. In step 110, operating noises of the motor vehicle to be diagnosed are generated under at least one predefinable first boundary condition. This relates in particular to the engine speed, the vehicle speed, the activation or actuation of a predeterminable vehicle function, in particular by means of an operating element, and braking from a predeterminable speed to a standstill within a predeterminable period of time. In step 120, the operating noises are recorded under at least one second predefinable boundary condition and a corresponding data record is created. The second boundary condition relates to the measurement setup and/or the measurement technology. With regard to the measurement setup, this applies in particular to the sensor position and the number of sensors. With regard to the measurement technology, it particularly affects the type of sensor or sensors. In particular, microphones and acceleration sensors come into consideration as sensors. The number of sensors can be one, two, three, four or even more. The sensor position can relate to different positions on the motor vehicle or also outside of the motor vehicle at the analysis location.

In Schritt 130 wird der Datensatz vom Analyseort an eine davon entfernte Auswertevorrichtung übermittelt. Die Auswertevorrichtung kann beispielsweise in einem zentralen Server, bevorzugt beim Hersteller oder einer mit der Fehleranalyse beauftragten Firma, angeordnet sein. Die Übermittlung kann per Funk oder drahtgebunden erfolgen.In step 130, the data set is transmitted from the analysis location to an evaluation device remote from it. The evaluation device can be arranged, for example, in a central server, preferably at the manufacturer's or at a company commissioned with error analysis. Transmission can be by radio or wired.

In Schritt 140 wird der Datensatz mittels eines wissensbasierten Systems ausgewertet. Bevorzugt wird ein bestimmtes wissensbasiertes System aus einer Vielzahl von wissensbasierten Systemen in Abhängigkeit eines Fehlerverdachts ausgewählt. Bevorzugt werden folgende wissensbasierte Systeme zur Auswahl bereitgestellt: maschinelles Lernen, neuronales Netzwerk, Maximalpeak-Suche innerhalb eines vorgebbaren Frequenzbereichs. Bevorzugt wird vor Schritt 110 in Abhängigkeit eines Fehlerverdachts am Analyseort nach Übermittlung des Fehlerverdachts vom Analyseort an eine zentrale Instanz, bevorzugt am Ort der Auswertevorrichtung, von der zentralen Instanz mindestens die eine erste und/oder eine zweite Randbedingung vorgegeben. Schritt 140 umfasst demnach insbesondere einen Abgleich mit einem trainierten Algorithmus oder mit Vorgabewerten. In Schritt 140 kann bei Motorgeräuschen beispielsweise ein maschinelles Lernen oder ein neuronales Netzwerk sinnvoll sein, um die aus den Messdaten erzeugten akustischen Bilder und Muster zu klassifizieren. Bei Bremsengeräuschen kann auch eine einfachere Analysemethode angewendet werden, zum Beispiel eine Maximalpeak-Suche des Frequenzbereichs, um daraus die bestimmende Quietschfrequenz zu ermitteln, welche anschließend mit einem vorgegebenen Frequenzwert abgeglichen wird, um eine Reparaturempfehlung aufgrund der verschiedenen Tonhöhen, die von unterschiedlicher Komponenten der Bremsanlage ausgehen, abzugebenIn step 140 the data record is evaluated using a knowledge-based system. A specific knowledge-based system is preferably selected from a large number of knowledge-based systems as a function of a suspected error. The following knowledge-based systems are preferably made available for selection: machine learning, neural network, maximum peak search within a definable frequency range. Preferably, before step 110, depending on a suspected error at the analysis location, after the suspected error has been transmitted from the analysis location to a central entity, preferably at the location of the evaluation device, at least one first and/or one second boundary condition is specified by the central entity. Step 140 accordingly includes in particular a comparison with a trained algorithm or with default values. In step 140, in the case of engine noise, for example, machine learning or a neural network can be useful in order to classify the acoustic images and patterns generated from the measurement data. In the case of brake noise, a simpler analysis method can also be used, for example a Maximum peak search of the frequency range in order to determine the determining squeak frequency, which is then compared with a specified frequency value in order to make a repair recommendation based on the different pitches that emanate from different components of the brake system

Als Fehlerverdacht werden bereitgestellt: Motorgeräusch, Bremsengeräusch, Getriebegeräusch, Windgeräusch, Innenraumgeräusch.The following are provided as suspected faults: engine noise, brake noise, transmission noise, wind noise, interior noise.

In Schritt 150 wird das Auswerteergebnis an den Analyseort übermittelt, bevorzugt ebenfalls wieder per Funk oder drahtgebunden.In step 150, the evaluation result is transmitted to the analysis site, preferably again by radio or by wire.

Wird im Schritt 160 festgestellt, dass das Auswerteergebnis ein eindeutiges Ergebnis darstellt, das heißt entweder erstens kein Fehler gefunden wurde oder zweitens ein Fehler des Kraftfahrzeugs gefunden wurde, bevorzugt mit Klassifikation des Fehlers unter Angabe des fehlerhaften Bauteils oder der fehlerhaften Bauteilgruppe, wird in Schritt 170 das Verfahren beendet, entweder im ersten Fall ohne Reparatur oder im zweiten Fall mit Reparatur des Fehlers am Analyseort. Ergibt sich in Schritt 160 jedoch, dass zwar ein Fehler feststellbar ist, jedoch nicht oder nicht eindeutig klassifizierbar ist, wird das Verfahren zurückverzweigt zu Schritt 110 und wiederholt.If it is determined in step 160 that the evaluation result is a clear result, i.e. either firstly no fault was found or secondly a fault in the motor vehicle was found, preferably with classification of the fault, specifying the faulty component or the faulty component group, in step 170 the procedure ends, either in the first case without repair or in the second case with repair of the error at the analysis site. However, if it is found in step 160 that an error can be detected, but cannot be classified or cannot be clearly classified, the method branches back to step 110 and is repeated.

Alternativ oder im Falle, dass selbst nach einer vorgebbaren Anzahl von Wiederholungen kein eindeutiges Ergebnis vorliegt, kann eine Aufforderung versendet werden, dass die Messergebnisse an den Hersteller zur manuellen Einzelfallanalyse/-überprüfung gesendet werden sollen.Alternatively, or in the event that there is no clear result even after a predeterminable number of repetitions, a request can be sent that the measurement results should be sent to the manufacturer for manual individual case analysis/checking.

2 zeigt Bilder oder Muster, die im Rahmen der Auswertung erhalten werden für unterschiedliche Fehler des zu diagnostizierenden Kraftfahrzeugs. In der Fahrzeug- und Maschinenakustik besteht oftmals ein besonderes Interesse am Zusammenhang des Spektrums von Tönen von der Motordrehzahl n oder der zeitlichen Struktur. Der spektrale Verlauf eines Tons, ermittelt beispielsweise durch FFT (Fast Fourier Transformation), kann daher in Abhängigkeit von der Drehzahl oder in Abhängigkeit von der Messzeit dargestellt sein. Für diese Form des Spektrogramms wird die Bezeichnung „Campbell-Diagramm“ verwendet. Die x-Achse in 2 ist die Zeit. Aus den Abständen einer bestimmten Geräuschkomponente, d.h. eines bestimmten regelmäßig auftretenden Spektralanteils, innerhalb eines Geräusches im Zeitbereich und der im Hintergrund mitgemessenen Motordrehzahlen kann ein Bezug der Taktfrequenz (1/s) der bestimmten Geräuschkomponente zur Motordrehzahl n (1/min) hergestellt werden. Je heller bestimmte Pixel in den jeweiligen Bildern sind, umso höher ist zu dem entsprechenden Zeitpunkt der entsprechende Lautstärkepegel des zugehörigen Spektralanteils. 2 shows images or patterns that are obtained as part of the evaluation for different faults in the motor vehicle to be diagnosed. In vehicle and machine acoustics, there is often a special interest in the connection between the spectrum of tones and the engine speed n or the temporal structure. The spectral profile of a tone, determined for example by FFT (Fast Fourier Transformation), can therefore be displayed as a function of the speed or as a function of the measurement time. The term "Campbell diagram" is used for this form of spectrogram. The x-axis in 2 is the time. The clock frequency (1/s) of the specific noise component can be related to the engine speed n (1/min) from the intervals of a specific noise component, ie a specific regularly occurring spectral portion, within a noise in the time domain and the engine speeds measured in the background. The brighter certain pixels are in the respective images, the higher the corresponding volume level of the associated spectral component at the corresponding point in time.

Bild A zeigt ein Muster, das sich bei einer fehlerhaften Nockenwelle ergibt. Es treten Spektralanteile, d.h. Wiederholungen, bei dem 0,5-fachen der Motordrehzahl n auf, deren Tonhöhe zwischen 800 und 3500 Hz beträgt. Bild B zeigt ein Muster, das sich bei einer defekten Ölpumpe ergibt. Es treten Spektralanteile bei dem 1-fachen der Motordrehzahl n auf. Die Tonhöhe beträgt zwischen 800 und 2500 kHz. Bild C zeigt ein Bild, das sich bei einem defekten Kettenspanner ergibt. Es treten Spektralanteile bei dem 0,5/3-fachen der Motordrehzahl n auf. Die Frequenz beträgt ungefähr 1200 Hz. Bild D zeigt das Ergebnis einer falschen Motorsteuerung nach einer Reparatur. Es treten Spektralanteile mit dem halbfachen der Motordrehzahl n auf. Die Tonhöhe beträgt ungefähr 50 Hz. Bild E zeigt ein Bild, das sich bei einem fehlerfreien Kraftfahrzeug ergibt. Insbesondere durch Vergleich der Bilder A, B, C und D mit Bild E lassen sich die Unterschiede, die charakteristisch für den jeweiligen Fehler sind, deutlich erkennen.Image A shows a pattern that results from a faulty camshaft. Spectral components, i.e. repetitions, occur at 0.5 times the engine speed n, the pitch of which is between 800 and 3500 Hz. Image B shows a pattern that results from a defective oil pump. Spectral components occur at 1 times the engine speed n. The pitch is between 800 and 2500 kHz. Picture C shows a picture that results from a defective chain tensioner. Spectral components occur at 0.5/3 times the engine speed n. The frequency is approximately 1200 Hz. Figure D shows the result of incorrect engine timing after repair. Spectral components occur with half the engine speed n. The pitch is approximately 50 Hz. Image E shows an image that results from a fault-free motor vehicle. In particular, by comparing images A, B, C and D with image E, the differences that are characteristic of the respective defect can be clearly seen.

Im Rahmen der Auswertung wird demnach eine Rohsignalaufnahme für eine Mustererkennung aufbereitet. Die für die Mustererkennung aufbereiteten Bilder sind 2 zu entnehmen. In einem ersten Schritt wird demnach ein Betriebsgeräusch unter Berücksichtigung der ersten und zweiten Randbedingungen über der Zeit aufgezeichnet. Es schließt sich eine FFT (Fast-Fourier-Transformation)-Analyse über der Zeit an, was zu einer zeitbasierten Untersuchung der Geräuschaufnahmen führt. Anschließend erfolgt eine Mustererstellung. Dazu wird die FFT-Analyse des Vorschritts gefiltert und über der Zeit dargestellt zur Charakterisierung motorordnungs- und zeitbasierter Geräuschphänomene. Bei dem in 2 dargestellten Ausführungsbeispiel wurde eine diskrete Fourier-Transformation mit einer Rechteckfensterung verwendet, um im Campbell-Diagramm diese Geräuschmuster möglichst gut sichtbar darzustellen. Die in 2 dargestellten Campbell-Diagramme ermöglichen somit eine Klassifikation der akustischen Muster im Hinblick auf eine mögliche Fehlerursache.Accordingly, as part of the evaluation, a raw signal recording is processed for pattern recognition. The images processed for pattern recognition are 2 refer to. In a first step, an operating noise is recorded over time, taking into account the first and second boundary conditions. This is followed by an FFT (Fast Fourier Transform) analysis over time, leading to a time-based examination of the noise recordings. A sample is then created. For this purpose, the FFT analysis of the previous step is filtered and plotted against time to characterize engine order and time-based noise phenomena. At the in 2 In the exemplary embodiment shown, a discrete Fourier transformation with a rectangular window was used in order to display these noise patterns as clearly as possible in the Campbell diagram. In the 2 The Campbell diagrams shown thus enable the acoustic pattern to be classified with regard to a possible cause of the error.

3 zeigt ein Beispiel für ein CNN (Convolutional Neural Network = gefaltetes neuronales Netzwerk), welches für die Auswertung der Bilder gemäß 2 besonders geeignet ist. Es handelt sich um eine Sonderform eines künstlichen neuronalen Netzes, das speziell für maschinelles Lernen und die Verarbeitung von Bild- oder Audiodaten vorgesehen ist. 3 zeigt die Struktur eines typischen CNNs zur Bildklassifikation. Subsampling entspricht Pooling. Dieses Netz besitzt pro Convolutional Layer mehrere Filterkernel, so dass Schichten an Feature Maps entstehen, die jeweils die gleiche Eingabe bekommen, jedoch aufgrund unterschiedlicher Gewichtsmatrizen unterschiedliche Features extrahieren. 3 shows an example of a CNN (Convolutional Neural Network = folded neural network), which is used for the evaluation of the images according to 2 is particularly suitable. It is a special form of an artificial neural network that is specifically intended for machine learning and the processing of image or audio data. 3 shows the structure of a typical CNN for image classification. Subsampling corresponds to pooling. This network has several filter kernels per convolutional layer, so that layers of feature maps are created, each with the same input get, but extract different features due to different weight matrices.

Grundsätzlich besteht die Struktur eines klassischen gefalteten neuronalen Netzwerks aus einem oder mehreren Convolutional Layer, gefolgt von einem Pooling-Layer. Diese Einheit kann sich prinzipiell beliebig oft wiederholen. Bei ausreichend Wiederholungen spricht man dann von Deep Convolutional Neural Networks, die in den Bereich Deep Learning fallen. In der Regel liegt die Eingabe als zweidimensionale Matrix (vorliegend die Pixel eines Graustufen- oder Farbbilds) vor. Dementsprechend sind die Neuronen im Convolutional Layer angeordnet. Die Aktivierung jedes Neurons wird über eine diskrete Faltung berechnet. Dabei wird schrittweise eine vergleichsweise kleine Faltungsmatrix (Filterkernel) über die Eingabe bewegt. Die Eingabe eines Neurons im Convolutional Layer berechnet sich als inneres Produkt des Filterkernels mit dem aktuell unterlegenden Bildausschnitt. Dementsprechend reagieren benachbarte Neuronen im Convolutional Layer auf sich überlappende Bereiche (ähnliche Frequenzen in Audiosignalen oder lokale Umgebungen in Bildern).Basically, the structure of a classic folded neural network consists of one or more convolutional layers, followed by a pooling layer. In principle, this unit can be repeated as often as you like. With sufficient repetitions, one then speaks of deep convolutional neural networks, which fall into the area of deep learning. Typically, the input is a two-dimensional matrix (here, the pixels of a grayscale or color image). Accordingly, the neurons are arranged in the convolutional layer. The activation of each neuron is calculated via a discrete convolution. A comparatively small convolution matrix (filter kernel) is moved step by step over the input. The input of a neuron in the convolutional layer is calculated as the inner product of the filter kernel with the currently underlying image section. Accordingly, neighboring neurons in the convolutional layer respond to overlapping areas (similar frequencies in audio signals or local environments in images).

Hervorzuheben ist, dass ein Neuron in diesem Layer nur auf Reize in einer lokalen Umgebung des vorherigen Layers reagiert. Dies folgt dem biologischen Vorbild des rezeptiven Feldes. Zudem sind die Gewichte für alle Neuronen eines Convolutional Layer identisch. Das führt dazu, dass beispielsweise jedes Neuron im ersten Convolutional Layer kodiert, zu welcher Intensität eine Kante in einem bestimmten lokalen Bereich der Eingabe vorliegt. Die Kantenerkennung als erster Schritt der Bilderkennung besitzt hohe biologische Plausibilität.It should be emphasized that a neuron in this layer only responds to stimuli in a local environment of the previous layer. This follows the biological example of the receptive field. In addition, the weights for all neurons of a convolutional layer are identical. This means that, for example, each neuron in the first convolutional layer encodes the intensity of an edge in a specific local area of the input. Edge detection as the first step in image recognition has high biological plausibility.

Der mittels diskreter Faltung ermittelte Input eines jeden Neurons wird nun von einer Aktivierungsfunktion in den Output verwandelt, der die relative Feuerfrequenz eines echten Neurons modellieren soll.The input of each neuron, determined by discrete convolution, is now transformed by an activation function into the output intended to model the relative firing frequency of a real neuron.

Im folgenden Schritt, dem Pooling, werden überflüssige Informationen verworfen. Zur Objekterkennung in Bildern etwa ist die exakte Position einer Kante im Bild von vernachlässigbarem Interesse - die ungefähre Lokalisierung eines Features ist hinreichend. Es gibt verschiedene Arten des Pooling. Mit Abstand am stärksten verbreitet ist das Max-Pooling, wobei aus jedem 2 x 2 Quadrat auf Neuronen des Convolutional Layers nur die Aktivität des aktivsten (daher „max“) Neurons für die weiteren Berechnungsschritte beibehalten wird. Die Aktivität der übrigen Neuronen wird verworfen. Trotz der Datenreduktion verringert sich in der Regel die Performance des Netzwerks nicht durch das Pooling.In the next step, pooling, superfluous information is discarded. For object recognition in images, for example, the exact position of an edge in the image is of negligible interest - the approximate localization of a feature is sufficient. There are different types of pooling. By far the most widespread is max-pooling, whereby only the activity of the most active (hence "max") neuron from each 2 x 2 square on neurons of the convolutional layer is retained for the further calculation steps. The activity of the remaining neurons is discarded. Despite the data reduction, the performance of the network does not generally decrease as a result of pooling.

Nach einigen sich wiederholenden Einheiten, bestehend aus Convolutional und Pooling Layer, kann das Netzwerk mit einem oder mehreren Fully-Connected-Layern entsprechend der Architektur des mehrlagigen Perzeptrons abschließen. Es wird vor allem bei der hier gewünschten Klassifizierung angewendet. Die Anzahl der Neuronen im letzten Layer korrespondiert dann üblicherweise zu der Anzahl an Objektklassen, die das Netz unterscheiden soll. Die Ausgabe der letzten Schicht des CNNs wird in der Regel durch eine Softmax-Funktion einer translations- aber nicht skaleninvarianten Normalisierung über alle Neuronen im letzten Layer in eine Wahrscheinlichkeitsverteilung überführt.After a few repeating units, consisting of convolutional and pooling layers, the network can terminate with one or more fully connected layers according to the architecture of the multi-layer perceptron. It is primarily used for the classification required here. The number of neurons in the last layer then usually corresponds to the number of object classes that the network should distinguish. The output of the last layer of the CNN is usually converted into a probability distribution over all neurons in the last layer by a softmax function of a translation-but not scale-invariant normalization.

Mit Bezug auf 6 sind derartige Wahrscheinlichkeiten für unterschiedliche Bauteile beziehungsweise Bauteilgruppen erkennbar. So zeigt die linke Säule die Wahrscheinlichkeit für einen Fehler in der Nockenwelle X, die mittlere Säule die Wahrscheinlichkeit für einen Fehler in der Ölpumpe Y und die rechte Säule die Wahrscheinlichkeit für einen Fehler im Kettenspanner Z. Es ist im vorliegenden Beispiel daher mit hoher Wahrscheinlichkeit davon auszugehen, dass das unnormale Betriebsgeräusch von einem Fehler der Nockenwelle verursacht wird.Regarding 6 such probabilities can be identified for different components or groups of components. The column on the left shows the probability of a fault in the camshaft X, the middle column the probability of a fault in the oil pump Y and the column on the right the probability of a fault in the chain tensioner Z. In this example, there is a high probability of this suspect that the abnormal operating noise is caused by a camshaft failure.

CNNs werden in aller Regel überwacht trainiert. Während des Trainings wird dabei für jeden gezeigten Input der passende One-Hot-Vektor bereitgestellt. Via Back-Propagation wird der Gradient eines jeden Neurons berechnet und die Gewichte in Richtung des steilsten Abfalls der Fehleroberfläche angepasst.CNNs are usually trained under supervision. During training, the appropriate one-hot vector is provided for each input shown. The gradient of each neuron is calculated via back-propagation and the weights are adjusted in the direction of the steepest descent of the error surface.

4 zeigt eine Benutzeroberfläche, die es ermöglicht, den Frequenzbereich, den Zeitbereich sowie den Lautstärkebereich, der der weiteren Auswertung zugrunde zu legen ist, zu definieren. Weiterhin können akustische Filter zur Auswahl angeboten werden, die auf das jeweilige Geräusch angewendet werden können. Auf diese Weise können störende Bereiche oder Anteile ausgefiltert werden, so dass das anormale Betriebsgeräusch möglichst ausgeprägt für die weitere Auswertung zur Verfügung steht. Wie durch die Darstellung über dem Bild zum Ausdruck gebracht, besteht die Möglichkeit, das bearbeitete Betriebsgeräusch abzuspielen, um es im Hinblick auf die vorgenommenen Änderungen zu überprüfen. 4 shows a user interface that makes it possible to define the frequency range, the time range and the volume range on which further evaluation is to be based. Furthermore, acoustic filters can be offered for selection, which can be applied to the respective noise. In this way, disturbing areas or parts can be filtered out so that the abnormal operating noise is available for further evaluation as pronounced as possible. As reflected by the plot above the image, there is an opportunity to play back the edited operational sound to review the changes made.

5 zeigt eine Darstellung eines Auswerteergebnisses, wonach grundsätzlich angezeigt wird, ob ein Fehler gefunden wurde (nio) oder ob kein Fehler gefunden wurde (io). Wird, wie hier, mit hoher Wahrscheinlichkeit entsprechend der angezeigten Säulenhöhe ein Fehler gefunden, schließt sich ein zweites Auswerteergebnis an, welches in 6 dargestellt ist und weiter oben bereits diskutiert wurde. 5 shows a representation of an evaluation result, according to which it is basically displayed whether an error was found (nio) or whether no error was found (io). If, as here, an error is found with a high degree of probability according to the column height displayed, a second evaluation result follows, which is 6 is shown and has already been discussed above.

7 zeigt ein System 10 zur akustischen Diagnose eines Kraftfahrzeugs 12 anhand von Betriebsgeräuschen. Dieses umfasst eine Aufnahmevorrichtung 14 zum Aufnehmen von Betriebsgeräuschen des zu diagnostizierenden Kraftfahrzeugs 12 am Analyseort. Die Aufnahmevorrichtung 14 ist mit einer Recheneinrichtung 16 gekoppelt zum Erstellen eines entsprechenden Datensatzes aus den aufgenommenen Betriebsgeräuschen. Eine erste Sende-/Empfangsvorrichtung 18 am Analyseort dient zum Übermitteln des Datensatzes vom Analyseort an eine vom Analyseort entfernte Auswertevorrichtung 20 und zum Empfangen eines Ergebnisses der Auswertevorrichtung 20. Eine zweite Sende-/Empfangsvorrichtung 22 am Ort der Auswertevorrichtung 20 dient zum Empfangen des Datensatzes vom Analyseort und zum Übermitteln eines Ergebnisses der Auswertevorrichtung 20 an die erste Sende-/Empfangsvorrichtung 18. Die Auswertevorrichtung 20 ist an einem vom Analyseort entfernten Ort angeordnet und ausgelegt, den Datensatz mittels eines wissensbasierten Systems auszuwerten, um einen Fehler am Kraftfahrzeug 12 aufzufinden. 7 shows a system 10 for acoustic diagnosis of a motor vehicle 12 based on operating noises. This includes a recording device 14 for recording operating noises of the motor vehicle 12 to be diagnosed at the analysis location. The recording device 14 is coupled to a computing device 16 for creating a corresponding data set from the recorded operating noises. A first transmitting/receiving device 18 at the analysis site is used to transmit the data set from the analysis site to an evaluation device 20 remote from the analysis site and to receive a result from the evaluating device 20. A second transmitting/receiving device 22 at the site of the evaluating device 20 is used to receive the data set from Analysis location and for transmitting a result of the evaluation device 20 to the first transceiver 18. The evaluation device 20 is arranged at a location remote from the analysis location and designed to evaluate the data set using a knowledge-based system in order to find a fault in the motor vehicle 12.

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

DE 102012025033 A1 [0005]

Claims

Method for acoustic diagnosis of a motor vehicle (12) based on operating noises, comprising the following steps: a) providing a motor vehicle (12) to be diagnosed at an analysis location (step 100); b) generating operating noises of the motor vehicle (12) to be diagnosed under at least one predefinable first boundary condition (step 110); c) recording the operating noises under at least one second predefinable boundary condition and creating a corresponding data set (step 120); d) transmission of the data set from the analysis location to an evaluation device (20) remote therefrom (step 130); e) evaluating the data set using a knowledge-based system (step 140); f) transmission of the evaluation result to the analysis location (step 150); g) if the evaluation result indicates a fault in the motor vehicle (12): repairing the fault at the analysis site (steps 160, 170).

procedure after claim 1 , characterized in that in step b) at least one of the following first boundary conditions is specified: - speed of the motor; - vehicle speed; - Activate or operate a predetermined vehicle function, in particular by means of a control element; - Braking from a predetermined speed to a standstill within a predetermined period of time.

Method according to one of the preceding claims, characterized in that in step c) at least one of the following second boundary conditions is specified: - measurement setup, in particular sensor position and number of sensors; - Measurement technology, in particular the type of sensor.

Procedure according to one of claims 2 or 3 , characterized in that before step b) depending on a suspected error at the analysis location after transmission of the suspected error from the analysis location to a central entity, at least one first and/or one second boundary condition is specified by the central entity.

procedure after claim 4 , characterized in that are provided as a suspected fault for selection: - engine noise; - brake noise; - gear noise; - wind noise; - Interior noise.

procedure after claim 5 ,, characterized in that in step e) a specific knowledge-based system is selected from a variety of knowledge-based systems depending on the suspected error.

procedure after claim 6 , characterized in that several of the following knowledge-based systems for selection, in particular depending on the suspected error, are provided: - machine learning; - neural network; - Maximum peak search within a definable frequency range.

Method according to one of the preceding claims, characterized in that before step e) at least one vehicle parameter from the following group is transmitted to the central entity and taken into account in step e): - type of motor vehicle (12); - type of engine; - total mileage; - date of last service; - mileage since last service; - Previous repairs to the motor vehicle (12); - Previous accident damage to the motor vehicle (12).

Method according to one of the preceding claims, characterized in that in step e) at least one of the following results is provided: - no error detectable; - Errors can be determined, but not or not clearly classifiable; - Classification of the fault with specification of the faulty component or the faulty component group.

Method according to one of the preceding claims, characterized in that within step e) before the application of a knowledge-based system to the transmitted data set, the transmitted data set is processed according to at least one of the following criteria: - selection of a frequency range; - Selection of a time range; - Selection of a volume range.

System for acoustic diagnosis of a motor vehicle (12) based on operating noises, comprising: - a recording device (14) for recording operating noises of a motor vehicle (12) to be diagnosed at an analysis location; - a computing device (16) at the analysis site for Creation of a corresponding data record from the recorded operating noises; - An evaluation device (20) which is arranged at a location remote from the analysis site and is designed to evaluate the data record using a knowledge-based system in order to locate a fault in the motor vehicle (12); - a first transmitting/receiving device (18) at the analysis location for transmitting the data set from the analysis location to the evaluation device (20) remote from the analysis location and for receiving a result of the evaluation device (20); and - a second transceiver (22) at the location of the evaluation device (20) for receiving the data set from the analysis location and for transmitting a result of the evaluation device (20) to the first transceiver (18).