DE102021126014A1

DE102021126014A1 - Verfahren und vorrichtung zum vorhersagen von reifenverschleiss unter verwenden von maschinenlernen

Info

Publication number: DE102021126014A1
Application number: DE102021126014.0A
Authority: DE
Inventors: Jae Han CHOI; Jae Wan Kwon
Original assignee: Hyundai Motor Co; Kia Corp
Current assignee: Hyundai Motor Co; Kia Corp
Priority date: 2020-12-16
Filing date: 2021-10-07
Publication date: 2022-06-23
Also published as: US20220185032A1; KR20220086386A; CN114636570A

Abstract

Verfahren und Vorrichtung zum Vorhersagen von Reifenverschleiß unter Verwenden von Maschinenlernen,wobei das Verfahren zum Vorhersagen von Reifenverschleiß in einer Vorrichtung, welche in einem Fahrzeug montiert ist, aufweisen kann: Importieren einer Reifenverschleißdatenbank, welche basierend auf Basisdaten erstellt ist, Erstellen eines Datensatzes mittels Vorverarbeitens der Basisdaten, Klassifizieren des Datensatzes für jedes Fahrzeugantrieb-Verfahren, Optimieren eines Hyperparameters für Maschinenlernen basierend auf dem klassifizierten Datensatz, und Vorhersagen einer Reifenverschleißlebensdauer des Fahrzeugs mittels Ausführens des Maschinenlernens anhand des optimierten Hyperparameters.

Description

HINTERGRUND DER ERFINDUNG/OFFENBARUNG
GEBIET DER ERFINDUNG/OFFENBARUNG
Die vorliegende Erfindung/Offenbarung betrifft eine Reifenverschleißvorhersagetechnologie (z.B. eine Kraftfahrzeugreifen-Verschleiß-Vorhersage-Technologie), und genauer gesagt eine Reifenverschleißvorhersagetechnologie, welche Künstliche-Intelligenz-Maschinenlernen (z.B. Künstliche-Intelligenz-Maschinelles-Lernen) verwendet (z.B. anwendet).
BESCHREIBUNG DER VERWANDTEN TECHNIK
Die Reifenverschleißlebensdauer (z.B. die Zeitdauer, während welcher Reifen beständig gegen Verschleiß/Abnutzung sind; z.B. die Produktlebensdauer bzw. Produktlebenserwartung von Reifen) sowie der Reifenverschleißbetrag und die Verschleißmuster (z.B. Verschleißbilder) sind vor dem Durchführen praktischer Versuche/Untersuchungen (z.B. praktischer Tests, Prüfungen und Begutachtungen) schwierig vorherzusagen.
Derzeit werden die Reifenverschleißeigenschaften (z.B. das Reifenverschleißverhalten bzw. die Beständigkeit der Reifen gegen Verschleiß) herausgefunden durch Tatsächliche-Straße-Fahren (z.B. durch Versuchsfahrten auf tatsächlichen Straßen; z.B. durch Versuche unter realen Bedingungen) (oder durch einen Tatsächliche-Straße-Simulation-Innenraum-Trommel-Fähren-Versuch) nach der Produktion eines Reifenmusters (z.B. Versuchsreifens bzw. Reifenprototyps).
Die Reifen-Finite-Elemente-Methode-Analyse (Reifen-FEM-Analyse) (z.B. die Finite-Elemente-Methode-Analyse für Reifen) sagt den Verschleiß (z.B. die Abnutzung) voraus gemäß (z.B. in Abhängigkeit von) einem Reifenmuster (z.B. Reifenprofil), einer Innenstruktur (z.B. einem Innenaufbau) und einer Laufflächenstoffmischung (z.B. der Laufflächenmaterialzusammensetzung), aber ist unzureichend für die Entwicklung und Nutzung von Reifen aufgrund der geringen Korrelation mit dem tatsächlichen Fahren (z.B. den tatsächlichen Fahrbedingungen).
Dementsprechend besteht ein Bedarf an einem Verfahren, bei welchem ein Reifenentwickler (z.B. jemand, welcher Reifen entwickelt und/oder herstellt) den Reifenverschleiß quantitativ analysieren und eine Verschleißlebensdauer von Reifen (z.B. eine Zeitdauer, während welcher Reifen beständig gegen Verschleiß/Abnutzung sind; z.B. eine Produktlebensdauer bzw. Produktlebenserwartung von Reifen) im Voraus vorhersagen kann, um präventiv (z.B. vorsorglich) Maßnahmen für Probleme (z.B. Gegenmaßnahmen gegen Probleme), welche in der Zukunft auftreten können, zu ergreifen.
Die Informationen, welche in diesem „Hintergrund der Erfindung/Offenbarung“-Abschnitt offenbart sind, dienen lediglich der Verbesserung des Verständnisses des allgemeinen Hintergrunds der Erfindung/Offenbarung und dürfen nicht verstanden werden als eine Anerkennung oder als irgendeine Form von Hinweis darauf, dass diese Informationen den Stand der Technik bilden, welcher dem Fachmann bereits bekannt ist.
KURZBESCHREIBUNG DER ERFINDUNG/OFFENBARUNG
Verschiedene Aspekte der vorliegenden Erfindung/Offenbarung zielen darauf ab, ein Reifenverschleißvorhersageverfahren, welches Künstliche-Intelligenz-Maschinenlernen (z.B. Künstliche-Intelligenz-Maschinelles-Lernen) verwendet (z.B. anwendet), sowie eine Vorrichtung dafür bereitzustellen.
Verschiedene Aspekte der vorliegenden Erfindung/Offenbarung stellen bereit: ein Reifenverschleißvorhersageverfahren bzw. Reifenabriebvorhersageverfahren, welches Künstliche-Intelligenz-Maschinenlernen (z.B. KI-Maschinenlernen bzw. KI-Maschinelles-Lernen) verwendet (z.B. anwendet), welches konfiguriert ist, um Maßnahmen für zukünftige Probleme (z.B. Gegenmaßnahmen gegen zukünftige Probleme) präventiv zu ergreifen mittels Vereinfachens der Entwicklung eines virtuellen Fahrzeugs (z.B. virtuellen Kraftfahrzeugs) durch frühzeitige Vorhersage und Analyse (z.B. Berechnung) von Reifenverschleißeigenschaften beim Auswerten von Reifenverschleiß vor dem praktischen Fahren (z.B. vor dem tatsächlichen Fahren), sowie eine Vorrichtung dafür.
Verschiedene Aspekte der vorliegenden Erfindung/Offenbarung stellen ein Mehrere-Ausgabewerte-Regression-Vorhersage-Modell (z.B. Mehrere-Ausgabewerte-Regression-Analyse-Vorhersage-Modell) bereit, welches eine Maschinenlernen-Technik anwendet und konfiguriert ist zum quantitativen Ausführen von datenbasierter Reifenverschleißvorhersage basierend auf einem Lern/ Vorhersage-Datenbankrahmen, welcher gebildet ist für die Entwicklung eines Maschinenlernen-Algorithmus.
Verschiedene Aspekte der vorliegenden Erfindung/Offenbarung stellen bereit: ein Reifenverschleißvorhersageverfahren, welches KI-Maschinenlernen anwendet, welches konfiguriert ist für das Vereinfachen von Echtzeit-Aktiv-Steuerung (z.B. Echtzeit-Aktiv-Steuern) und Betriebsführung (z.B. Betriebsmanagement bzw. Betriebsführen) von autonomen Fahrzeugen/Mobilitätsfahrzeugen (z.B. von autonomen Kraftfahrzeugen, Fortbewegungsfahrzeugen und/oder Beförderungsfahrzeugen) mittels des Verknüpfens des Mehrere-Ausgabewerte-Regression-Vorhersage-Modells, welches Künstliche-Intelligenz-Maschinenlernen-Techniken anwendet, mit Fahrzeugsteuervorrichtungen, Infotainment-Systemen (z.B. Kombinationssystemen aus Autoradio, Navigationssystem, Freisprecheinrichtung, Fahrerassistenzsysteme etc.) und Mobilitätsbetreibern bzw. Mobilitätsanbietern, sowie eine Vorrichtung dafür.
Verschiedene Aspekte der vorliegenden Erfindung/Offenbarung stellen bereit: ein Reifenverschleißvorhersageverfahren, welches KI-Maschinenlernen anwendet, welches konfiguriert ist zum Ausführen einer Relativer-Vergleich-und-Beitrag-Analyse (z.B. zum Ausführen eines relativen Vergleichs und einer Beitragsanalyse) von Verschleißmerkmalen für jeden Reifenverschleißeinflussfaktor, sowie eine Vorrichtung dafür.
Die technischen Probleme, welche mittels des vorliegenden erfinderischen Konzepts (z.B. mittels des vorliegenden Erfindungsgegenstands) gelöst werden soll, sind nicht auf die zuvor erwähnten Probleme beschränkt, und jedwede anderen technischen Probleme, welche hierin nicht erwähnt sind/werden, werden aus der folgenden Beschreibung vom Fachmann auf dem Gebiet, zu welchem verschiedene exemplarische Ausführungsformen der vorliegenden Erfindung/Offenbarung gehören, (z.B. auf dem technischen Gebiet des Erfindungsgegenstandes) deutlich verstanden.
Gemäß verschiedenen Aspekten der vorliegenden Erfindung/Offenbarung kann ein Verfahren zum Vorhersagen von Reifenverschleiß in einer Vorrichtung, welche in einem Fahrzeug (z.B. Kraftfahrzeug) montiert ist, aufweisen: Importieren einer Reifenverschleißdatenbank, welche basierend auf Basisdaten (z.B. Grundlagendaten) erzeugt ist/wird, Erzeugen eines Datensatzes mittels Vorverarbeitens der Basisdaten, Klassifizieren des Datensatzes für jedes Fahrzeugfahren-Verfahren (z.B. Fahrzeugantrieb-Verfahren) (z.B. Zuordnen des Datensatzes zu einer Fahrzeugfahren-Verfahren-Klasse/Gruppe), Optimieren eines Hyperparameters für Maschinenlernen (z.B. eines Parameters, welcher im Bereich des Maschinenlernens zum Steuern eines Trainingsalgorithmus verwendet wird) basierend auf dem klassifizierten (z.B. zugeordneten) Datensatz, und Vorhersagen einer Reifenverschleißlebensdauer (z.B. einer Zeitdauer, während welcher Reifen beständig gegen Verschleiß/Abnutzung sind; z.B. einer Produktlebensdauer bzw. Produktlebenserwartung von Reifen) des Fahrzeugs mittels Ausführens des Maschinenlernens an (z.B. anhand von) dem optimierten Hyperparameter.
Gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung können die Basisdaten (z.B. Grundlagendaten) erklärende Variablen (z.B. unabhängige Variablen bzw. Eingangsvariablen) und vorhersagende Variablen (z.B. abhängige Variablen bzw. Ausgangsvariablen) aufweisen, welche durch einen Reifenverschleißversuch eines tatsächlichen Fahrzeugs erlangt werden, wobei die erklärenden Variablen mindestens eines von Fahrzeug-Informationen, Fahrzeugfahren-Informationen (z.B. Fahrzeugantrieb-Informationen), Reifen-Informationen und Radausrichtung-Informationen aufweisen, und die vorhersagenden Variablen eine Verschleißlebensdauer für jede Reifenrille (z.B. Reifenprofilrille) aufweisen.
Gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung kann das Vorverarbeiten mindestens eines aufweisen von: Umwandeln (z.B. Konvertieren) von diskreten Variablen und qualitativen Variablen in quantitative Variablen, Normieren der quantitativen Variablen, Entfernen extremer Werte (z.B. Löschen von Extremwerten bzw. Ausreißern) unter (z.B. von) den vorhersagenden Variablen, und Kompensieren (z.B. Ergänzen) von fehlenden Werten der erklärenden Variablen.
Gemäß verschiedener exemplarischer Ausführungsformen der vorliegenden Erfindung/Offenbarung kann der Hyperparameter optimiert werden mittels Entfernens (z.B. Löschens) eines Faktors mit (einer) Wichtigkeit, welche geringer als ein vorbestimmter Wert ist, (z.B. eines Faktors, welcher einen geringeren Wichtigkeitswert als ein vorbestimmter Wert hat) von dem klassifizierten (z.B. zugeordneten) Datensatz durch eine Wichtigkeitsanalyse (z.B. Wichtigkeitsberechnung) für jeden Reifenverschleißfaktor basierend auf einem „Kleinster-Absoluter-Schrumpfungs-und-Auswahl-Operator“-Modell (LASSO-Modell).
Gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung kann die Reifenverschleißlebensdauer (z.B. die Zeitdauer, während welcher Reifen beständig gegen Verschleiß/Abnutzung sind; z.B. die Produktlebensdauer bzw. Produktlebenserwartung von Reifen) basierend auf einer Mehrere-Ausgabewerte-Regression-Analyse-Technik vorhergesagt werden, und durch die (z.B. mittels der) Mehrere-Ausgabewerte-Regression-Analyse-Technik vorhergesagt werden.
Gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung kann die Mehrere-Ausgabewerte-Regression-Analyse-Technik eine Unkorrelierte-Entscheidungsbäume-Technik (z.B. „Random Forest“-Technik) und eine stochastische Gradient-Verstärkung-Technik aufweisen, und eine von der Unkorrelierte-Entscheidungsbäume-Technik und der stochastischen Gradient-Verstärkung-Technik kann basierend auf einer Anzahl von den klassifizierten (z.B. zugeordneten) Datensätzen wahlweise angewendet werden.
Gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung kann das Verfahren ferner aufweisen: Ausgeben von Vorhergesagte-Reifenlebensdauer-Informationen (z.B. Reifenhaltbarkeit-Informationen) durch eine Ausgabevorrichtung, welche in dem Fahrzeug (z.B. dem Kraftfahrzeug) bereitgestellt ist, und Übermitteln der Vorhergesagte-Reifenlebensdauer-Informationen an die (bzw. an eine) andere Vorrichtung.
Gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung kann die andere Vorrichtung mindestens eines aufweisen von: einer Fahrzeugsteuervorrichtung, einem Fahrzeug-Entwickler-Server, einem Fahrerterminal und einem Mobilität-Betreiber-Server (z.B. Mobilität-Anbieter-Server).
Gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung kann das Verfahren ferner aufweisen: Optimieren eines Parameters, welcher sich auf das Fahrzeugfahren (z.B. Fahrzeugantreiben) bezieht, mittels Ausführens von Fahrzeug-Aktiv-Steuern (z.B. Fahrzeug-Aktiv-Steuerung) basierend auf den Vorhergesagte-Reifenlebensdauer-Informationen, und das Fahrzeug-Aktiv-Steuern kann mindestens eines aufweisen von: Bremssteuern, Radaufhängungssteuern (z.B. Fahrwerkssteuern), Lenkradsteuern und Umdrehsteuern.
Gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung können die Basisdaten von einem Sensor gesammelt werden, welcher in dem Fahrzeug (z.B. Kraftfahrzeug) bereitgestellt ist, und die Basisdaten können mindestens eines aufweisen von: Fahrmodus-Analyse-Informationen (z.B. Antriebsmodus-Analyse-Informationen), welche mittels eines Beschleunigungssensors detektiert sind/werden, welcher in einer Airbag-Steuerung-Einheit gebildet (z.B. integriert) ist, Radausrichtungsänderung-Informationen (z.B. Fahrwerkstandänderung-Informationen), welche mittels einer Elektronische-Radaufhängung-Vorrichtung detektiert sind/werden, Fahrzeuggewichtänderung-Informationen, welche mittels einer Automatische-Niveauregulierung-Vorrichtung detektiert sind/werden, Reifendruckänderung-Informationen, welche mittels eines Reifendrucküberwachungssystems (TPMS) detektiert sind/werden, und Fahren-Klima-Umwelt-Informationen, welche mittels eines Außenlufttemperatursensors in einer Klimaanlage detektiert sind/werden.
Gemäß verschiedenen Aspekten der vorliegenden Erfindung/Offenbarung kann eine Reifenverschleißvorhersagevorrichtung bzw. Reifenabriebvorhersagevorrichtung eine Speichervorrichtung und einen Prozessor aufweisen, welcher elektrisch mit der Speichervorrichtung verbunden ist, und der Prozessor kann eine Reifenverschleißdatenbank, welche basierend auf Basisdaten erstellt ist/wird, von der Speichervorrichtung oder einer externen Vorrichtung importieren, einen Datensatz mittels Vorverarbeitens der Basisdaten erstellen, den Datensatz für jedes Fahrzeugfahren-Verfahren (z.B. Fahrzeugantrieb-Verfahren) klassifizieren (z.B. den Datensatz zu einer Fahrzeugfahren-Verfahren-Klasse/Gruppe zuordnen), einen Hyperparameter für Maschinenlernen (z.B. einen Parameter, welcher im Bereich des Maschinenlernens zum Steuern eines Trainingsalgorithmus verwendet wird) basierend auf dem klassifizierten (z.B. zugeordneten) Datensatz optimieren, und eine Reifenverschleißlebensdauer (z.B. eine Zeitdauer, während welcher Reifen beständig gegen Verschleiß/Abnutzung sind; z.B. eine Produktlebensdauer bzw. Produktlebenserwartung von Reifen) des Fahrzeugs vorhersagen mittels Ausführens von Maschinenlernen an (z.B. anhand von) dem optimierten Hyperparameter.
Gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung können die Basisdaten (z.B. Grundlagendaten) erklärende Variablen (z.B. unabhängige Variablen bzw. Eingangsvariablen) und vorhersagende Variablen (z.B. abhängige Variablen bzw. Ausgangsvariablen) aufweisen, welche durch einen Reifenverschleißversuch eines tatsächlichen Fahrzeugs (z.B. durch einen praktischen Versuch an einem echten Fahrzeug) erlangt sind/werden, und die erklärenden Variablen können mindestens eines von Fahrzeug-Informationen, Fahrzeugfahren-Informationen (z.B. Fahrzeugantrieb-Informationen), Reifen-Informationen und Radausrichtung-Informationen (z.B. Fahrwerkstand-Informationen) aufweisen, und die vorhersagenden Variablen können eine Verschleißlebensdauer von jeder Reifenrille (z.B. Reifenprofilrille) aufweisen.
Gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung kann der Prozessor mindestens eines aufweisen von: Mitteln (z.B. Vorrichtungen bzw. Systemen) zum Umwandeln (z.B. Konvertieren) diskreter Variablen und qualitativer Variablen in quantitative Variablen, Mitteln zum Normieren der quantitativen Variablen, Mitteln zum Entfernen extremer Werte (z.B. zum Löschen von Extremwerten bzw. Ausreißern) unter (z.B. von) den vorhersagenden Variablen (z.B. den Ausgangsvariablen), und Mitteln zum Kompensieren (z.B. Ergänzen) fehlender Werte der erklärenden Variablen (z.B. der Eingangsvariablen).
Gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung kann der Hyperparameter optimiert sein/werden mittels Entfernens (z.B. Löschens) eines Faktors mit (einer) Wichtigkeit, welche geringer als ein vorbestimmter Wert ist, (z.B. eines Faktors, welcher einen geringeren Wichtigkeitswert als ein vorbestimmter Wert hat) von dem klassifizierten (z.B. zugeordneten) Datensatz durch eine Wichtigkeitsanalyse (z.B. Wichtigkeitsberechnung) für jeden Reifenverschleißfaktor basierend auf einem „Kleinster-Absoluter-Schrumpfung-und-Auswahl-Operator“-Modell (LASSO-Modell).
Gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung kann die Reifenverschleißlebensdauer vorhergesagt sein/werden basierend auf einer Mehrere-Ausgabewerte-Regression-Analyse-Technik, und ist/wird durch die (z.B. mittels der) Mehrere-Ausgabewerte-Regression-Analyse-Technik vorhergesagt.
Gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung kann die Mehrere-Ausgabewerte-Regression-Analyse-Technik eine Unkorrelierte-Entscheidungsbäume-Technik (z.B. „Random Forest“-Technik) und eine stochastische Gradient-Verstärkung-Technik aufweisen, und der Prozessor kann wahlweise eine von der Unkorrelierte-Entscheidungsbäume-Technik und der stochastische Gradient-Verstärkung-Technik auswählen basierend auf einer Anzahl von den klassifizierten (z.B. zugeordneten) Datensätzen.
Gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung kann der Prozessor mindestens eines aufweisen von: Mitteln (z.B. Vorrichtungen bzw. Systemen) zum Steuern des Ausgebens von Vorhergesagte-Reifenlebensdauer-Informationen oder Informationen, welche basierend auf den Vorhergesagte-Reifenlebensdauer-Informationen durch eine Ausgabevorrichtung, welche in dem Fahrzeug (z.B. Kraftfahrzeug) bereitgestellt ist, verarbeitet sind/werden, und Mitteln (z.B. Vorrichtungen bzw. Systemen) zum Steuern von Übermittlung bzw. Übermitteln der Vorhergesagte-Reifenlebensdauer-Informationen an die andere (bzw. eine andere) Vorrichtung.
Gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung kann die andere Vorrichtung mindestens eines aufweisen von: einer Fahrzeugsteuervorrichtung, einem Fahrzeug-Entwickler-Server, einem Fahrerterminal und einem Mobilität-Betreiber-Server (z.B. Mobilität-Anbieter-Server).
Gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung kann der Prozessor einen Parameter, welcher sich auf ein Fahrzeugfahren (z.B. ein Fahrzeugantreiben) bezieht, optimieren mittels Ausführens von Fahrzeug-Aktiv-Steuern (z.B. Fahrzeug-Aktiv-Steuerung) basierend auf den Vorhergesagte-Reifenlebensdauer-Informationen, und das Fahrzeug-Aktiv-Steuern kann mindestens eines aufweisen von: Bremssteuern, Radaufhängungssteuern, Lenkradsteuern und Umdrehsteuern.
Gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung können die Basisdaten (z.B. Grundlagendaten) von einem Sensor gesammelt sein/werden, welcher in dem Fahrzeug (z.B. Kraftfahrzeug) bereitgestellt ist, und die Basisdaten können mindestens eines aufweisen von: Fahrmodus-Analyse-Informationen (z.B. Antriebsmodus-Analyse-Informationen), welche mittels eines Beschleunigungssensors detektiert sind/werden, welcher in einer Airbag-Steuerung-Einheit gebildet (z.B. integriert) ist, Radausrichtungsänderung-Informationen (z.B. Fahrwerkstandänderung-Informationen), welche mittels einer Elektronische-Radaufhängung-Vorrichtung detektiert sind/werden, Fahrzeuggewichtänderung-Informationen, welche mittels einer Automatische-Niveauregulierung-Vorrichtung detektiert sind/werden, Reifendruckänderung-Informationen, welche mittels eines Reifendrucküberwachungssystems (TPMS) detektiert sind/werden, und Fahren-Klima-Umwelt-Informationen, welche mittels eines Außenlufttemperatursensors in einer Klimaanlage detektiert sind/werden.
Die technischen Probleme, welche durch verschiedene exemplarische Ausführungsformen der vorliegenden Erfindung/Offenbarung gelöst werden sollen bzw. gelöst werden, sind nicht auf die oben genannten Probleme beschränkt, und beliebige andere technische Probleme (bzw. deren Lösungen), welche hierin nicht erwähnt (z.B. nicht explizit erwähnt) sind, werden von dem Fachmann auf dem Gebiet, zu welchem die verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung gehören (z.B. zu welchem der Erfindungsgegenstand gehört), aus dem folgenden „Detaillierte Beschreibung“-Abschnitt klar verstanden.
Die Verfahren und Vorrichtungen der vorliegenden Erfindung/Offenbarung haben weitere Merkmale und Vorteile, welche ersichtlich werden aus oder (bzw. und/oder) detaillierter dargelegt werden in den begleitenden Zeichnungen, welche hierin beinhaltet sind, und dem folgenden „Detaillierte Beschreibung“-Abschnitt, welche gemeinsam dazu dienen, bestimmte Prinzipien der vorliegenden Erfindung/Offenbarung zu erklären.
Figurenliste

1 ist ein Flussdiagramm zum Erläutern eines Verfahrens zum Vorhersagen von Reifenverschleiß, welches Maschinenlernen verwendet (z.B. anwendet), gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung,
2 ist ein Schaubild zum Erläutern eines Basisdatenverarbeitungsvorgangs (z.B. Grundlagendatenverarbeitungsvorgangs) zum Erstellen eines Trainingsdatensatzes gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung,
3 ist ein Schaubild zum Erläutern eines Lernen-Modellier-Vorgangs gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung,
4 ist ein Schaubild zum Erläutern eines Lernalgorithmus gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung,
5 ist ein Schaubild zum Erläutern eines Datenbereinigungsvorgangs für KI-Lernen/Vorhersage gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung.
6 zeigt ein spezifisches Beispiel eines Datenbereinigungsvorgangs für KI-Lernen/Vorhersage gemäß 5,
7 ist ein Flussdiagramm zum Erläutern eines Betriebsmechanismus (z.B. einer Arbeitsweise) einer Reifenverschleißvorhersagevorrichtung gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung,
8 ist ein Diagramm, welches Reifenverschleißlebensdauern (z.B. Zeitdauern, während welcher Reifen beständig gegen Verschleiß/Abnutzung sind; z.B. Produktlebensdauern bzw. Produktlebenserwartungen von Reifen) gemäß (z.B. in Abhängigkeit von) Praktisches-Fahrzeugfahren-Untersuchungen (z.B. Fahrzeugfahren-Untersuchungen unter realen Bedingungen) und Vorhersage-Ergebnissen der Reifenverschleißlebensdauer unter Anwenden eines Reifenverschleiß-Lernalgorithmus gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung zeigt, und
9 zeigt das KI-Lernen-Vorhersage-Ergebnis für das Hinterrad-Verschleißlebensdauer-Verhältnis gemäß einer Hinterradsturz-Veränderung (z.B. einer Veränderung des Winkels zwischen der Radmittelebene und einer Senkrechten zur Fahrbahn).

Es wird verstanden, dass die angehängten Zeichnungen nicht notwendigerweise maßstabsgetreu sind, sondern dass sie eine in gewisser Weise vereinfachte Darstellung von verschiedenen Merkmalen präsentieren, welche illustrativ (z.B. veranschaulichend) für die Grundprinzipien der vorliegenden Erfindung/Offenbarung sind. Die spezifischen Konstruktionsmerkmale der vorliegenden Erfindung/Offenbarung, welche hierin offenbart ist, inklusive beispielsweise spezifischer Dimensionen, Ausrichtungen, Anordnungen und Formen, werden teilweise durch die speziell beabsichtigte Anwendung und Anwendungsumgebung bestimmt.
In den Figuren beziehen sich Bezugszeichen (z.B. die gleichen Bezugszeichen) auf die gleichen oder wesensgleichen Teile der vorliegenden Erfindung/Offenbarung über die mehreren Figuren der Zeichnung hinweg.
DETAILLIERTE BESCHREIBUNG
Es wird nun im Detail Bezug genommen auf verschiedene Ausführungsformen der vorliegenden Erfindung/Offenbarung, von welcher Beispiele (z.B. Ausführungsformen) in den begleitenden Zeichnungen dargestellt und untenstehend beschrieben sind. Obwohl die vorliegende Erfindung/Offenbarung in Verbindung mit exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung beschrieben wird, wird verstanden, dass die vorliegende Beschreibung nicht dafür gedacht ist, die vorliegende Erfindung/Offenbarung auf diese exemplarischen Ausführungsformen zu beschränken. Auf der anderen Seite ist die vorliegende Erfindung/Offenbarung dafür gedacht, nicht nur die exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung abzudecken, sondern auch verschiedene Alternativen, Modifikationen, Äquivalente und andere Ausführungsformen, welche innerhalb des Umfangs der vorliegenden Erfindung/Offenbarung, wie in den angehängten Ansprüchen definiert, beinhaltet ist.
Hierin nachfolgend werden verschiedene exemplarische Ausführungsformen der vorliegenden Erfindung/Offenbarung im Detail mit Bezug auf die exemplarischen Zeichnungen beschrieben. Durch das Hinzufügen der Bezugszeichen zu den Komponenten jeder Zeichnung kann bemerkt/erkannt werden, dass die identische/n oder wesensgleiche/n Komponente/n mittels des identischen Bezugszeichens gekennzeichnet ist/sind, sogar wenn sie in anderen Zeichnungen abgebildet ist/sind. Darüber hinaus wird beim Beschreiben der exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung auf eine detaillierte Beschreibung von wohlbekannten Merkmalen oder Funktionen verzichtet, um das Wesentliche der vorliegenden Erfindung/Offenbarung nicht unnötig zu verdecken.
Beim Beschreiben der Komponenten der exemplarischen Ausführungsform gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung können Begriffe wie beispielsweise „erste/r/s“, „zweite/r/s“, „A“, „B“, „(a)“, „(b)“ und dergleichen verwendet werden. Diese Begriffe sind nur dafür gedacht, eine Komponente von einer anderen Komponente zu unterscheiden, und die Begriffe beschränken nicht die Eigenart, Reihenfolge oder Ordnung der einzelnen Komponenten. Solange nicht anders definiert haben alle Begriffe, welche hierin verwendet werden, inklusive technischer oder wissenschaftlicher Begriffe, dieselben Bedeutungen, wie jene, welche von dem Fachmann auf dem Gebiet, zu welchem verschiedene exemplarische Ausführungsformen der vorliegenden Erfindung/Offenbarung gehören, verstanden werden. Solche Begriffe, wie jene, welche in einem allgemein verwendeten Wörterbuch definiert sind, sollen interpretiert werden, als dass sie Bedeutungen haben, welche gleich zu den kontextbezogenen Bedeutungen auf dem relevanten technischen Gebiet sind, und sollen nicht interpretiert werden, als dass sie ideale oder übermäßig formelle Bedeutungen haben, solange sie in der vorliegenden Anmeldung nicht deutlich als derartige (z.B. derartige Bedeutungen) habend definiert sind.
Nachfolgend werden Ausführungsformen der vorliegenden Erfindung/Offenbarung im Detail mit Bezug auf 1, 2, 3, 4, 5, 6, 7, 8 und 9 beschrieben.
1 ist ein Flussdiagramm zum Erläutern eines Verfahrens zum Vorhersagen von Reifenverschleiß, welches Maschinenlernen anwendet, gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung.
Das Verfahren zum Vorhersagen von Reifenverschleißlebensdauer (z.B. Zeitdauer, während welcher Reifen beständig gegen Verschleiß/Abnutzung sind; z.B. Produktlebensdauer bzw. Produktlebenserwartung von Reifen) durch (z.B. basierend auf) Basisdaten und KI-Modellieren gemäß 1 kann auf (bzw. in) einem Computersystem implementiert sein/werden in Verbindung mit einem Fahrzeug-Elektronische-Steuerung-System, einem Fahrzeugsensorsystem, einem Infotainmentsystem, einem Mobilität-Betreiber-Server (z.B. Mobilität-Anbieter-Server), einem Benutzerterminal und dergleichen. Hierin nachfolgend wird eine Vorrichtung zum Ausführen des Verfahrens zum Vorhersagen von Reifenverschleiß, welches Maschinenlernen anwendet, einfach (z.B. kurz) als eine „Reifenverschleißvorhersagevorrichtung“ bezeichnet.
Bezugnehmend auf 1 kann eine Reifenverschleißdatenbank in der Reifenverschleißvorhersagevorrichtung gebildet (z.B. erstellt) sein/werden basierend auf Basisdaten (S110). Wie bei verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung kann die Reifenverschleißdatenbank auf einem separaten Server gebildet sein/werden, welcher mit der Reifenverschleißvorhersagevorrichtung verbunden (z.B. verknüpft) ist. Hier können die Basisdaten Tatsächlicher-Reifen-Verschleiß-Versuch-Daten (z.B. Daten, welche über einen Reifenverschleißversuch ermittelt wurden) sein und können aufweisen: Fahrzeug-Informationen, Fahrzeugfahrcharakteristik-Informationen (z.B. Fahrzeugantriebcharakteristik-Informationen), Reifenspezifikation-Informationen, Fahrzeugbedingung-Informationen und/oder dergleichen. Die Basisdaten können normiert und vervollständigt sein durch das Datenvorverarbeiten.
Die Reifenverschleißvorhersagevorrichtung kann ein Lernmodell gemäß einer vordefinierten Modelliervorschrift ermitteln (S120). Die Modelliervorschrift kann konfiguriert sein, um eine erwartete (z.B. voraussichtliche) Verschleißlebensdauer für jede Reifenrille (z.B. jede Reifenprofilrille) zu ermitteln basierend auf Fahrzeug-Informationen, Informationen über Fahrzeugfahrbedingungen (z.B. Fahrzeugantriebsbedingungen), Reifenspezifikation-Informationen, Radausrichtung-Informationen (z.B. Fahrwerkstand-Informationen) und/oder dergleichen.
Die Reifenverschleißvorhersagevorrichtung kann Maschinenlernen basierend auf einem Mehrere-Ausgabewerte-Regression-Verfahren (z.B. Mehrere-Ausgabewerte-Regression-Analyse-Verfahren) durchführen (S130). Als ein Beispiel kann das Mehrere-Ausgabewerte-Regression-Verfahren die Unkorrelierte-Entscheidungsbäume-Technik (z.B. „Random-Forest“-Technik), welche konfiguriert ist zum Durchführen von Regressionsanalyse oder (z.B. und/oder) Klassifikationsanalyse (z.B. Zuteilungsanalyse), die stochastische Gradient-Verstärkung-Technik (z.B. Gradient-Boosting-Technik) oder dergleichen, aber ist nicht darauf beschränkt. Die „Kleinster-Absoluter-Schrumpfungs-und-Auswahl-Operator“-Technik (LASSO-Technik), welche Koeffizienten von unwichtigen Variablen entfernt und die Wichtigkeit (z.B. einen Wichtigkeitswert) von Variablen mittels Bestrafungsregression ermittelt, kann angewendet werden.
Die Unkorrelierte-Entscheidungsbäume-Technik (z.B. „Random-Forest“-Technik) ist eine Ensemblelernverfahren-Art, welche zum Beispiel für Klassifikation-und-Regression-Analyse (z.B. Zuteilung-und-Regression-Analyse) verwendet wird, und kann agieren, um Klassifikationswerte oder (bzw. und/oder) Durchschnitt-Vorhersagewerte mehreren Entscheidungsbäumen, welche in einem Trainingsvorgang (z.B. während eines Trainingsprozesses) gebildet sind/werden, auszugeben.
Die stochastische Gradient-Verstärkung-Technik (z.B. stochastische Gradient-Boosting-Technik) ist eine Regression-Analyse-Lerntechnik, welche ein Vorhersagemodell in einer Form eines Ensembles von Entscheidungsbäumen (z.B. als eine Entscheidungsbäume-Gruppe) erstellt, das Modell in einer stufenweisen Art und Weise aufbaut und das Modell verallgemeinert, indem es die Optimierung einer beliebigen differenzierbaren Verlustfunktion ermöglicht.
Abhängig von der Größe des Datensatzes kann entweder die Unkorrelierte-Entscheidungsbäume-Technik (z.B. „Random-Forest“-Technik) oder die stochastische Gradient-Verstärkung-Technik verwendet (z.B. angewendet) werden.
Wenn die Anzahl von Trainingsdatensätzen klein ist - zum Beispiel ungefähr 1000 - können die Unkorrelierte-Entscheidungsbäume-Modelle (z.B. „Random-Forest“-Modelle) bevorzugt angewendet werden, und wenn Datensätze größer werden (z.B. wenn die Anzahl von Datensätzen größer wird), können die unkorrelierten Entscheidungsbäume (z.B. die Unkorrelierte-Entscheidungsbäume-Modelle) und die stochastische Gradient-Verstärkung gleichzeitig angewendet werden, und dann wahlweise gemäß der Leistung (z.B. gemäß der Effektivität und Effizienz des Maschinenlernen-Algorithmus) angewendet werden. LASSO bzw. die LASSO-Technik kann angewendet werden, um den Beitrag von Merkmalsfaktoren auf die Reifenverschleißeigenschaften zu analysieren.
Nach dem Ausführen des Verschleißlebensdauertrainings (z.B. des Trainings des Maschinenlernen-Algorithmus zum Berechnen von Verschleißlebensdauer) und dem Testen jeder Reifenrille (z.B. Reifenprofilrille) und dem Ausführen von 5-facher Kreuzvalidierung (z.B. Fünffach-Kreuzvalidierung) wird die Leistung (z.B. die Effektivität und Effizienz des Maschinenlernen-Algorithmus) verifiziert durch den Durchschnittswert von fünf Leistungen bzw. Leistungswerten, und dann kann das optimale Maschinenlernen-Modell gemäß der Größe und den Charakteristiken des Datensatzes angewendet werden.
Durch das LASSO-Modell ist es möglich, den Grad (Koeffizienten) des Einflusses von Variablen zu ermitteln mittels Analysierens der Wichtigkeit (z.B. des Wichtigkeitswertes) jedes Verschleißfaktors. Als ein Beispiel kann eine Variable, welche einen Nicht-Null-Einfluss hat (z.B. einen Einflussfaktorwert hat, welcher ungleich Null bzw. größer als Null ist), welcher durch das LASSO-Modell ermittelt ist/wird, als eine wichtige Variable klassifiziert sein/werden, und eine Variable, welche einen Einfluss (z.B. Einflussfaktorwert) von 0 (z.B. Null) hat, kann als eine unwichtige Variable klassifiziert sein/werden.
Die Reifenverschleißvorhersagevorrichtung kann ein Lernergebnis durch eine bereitgestellte Anzeigevorrichtung (z.B. einen bereitgestellten Bildschirm) ausgeben (S140).
2 ist eine Ansicht zum Erläutern eines Basisdatenverarbeitungsvorgangs zum Erstellen eines Trainingsdatensatzes gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung.
Bezugnehmend auf 2 können Basisdaten zum großen Teil (z.B. überwiegend) erklärende Variablen (z.B. unabhängige Variablen bzw. Eingangsvariablen) und vorhersagende Variablen (z.B. abhängige Variablen bzw. Prädiktorvariablen bzw. Ausgangsvariablen) aufweisen.
Die erklärenden Variablen (z.B. unabhängigen Variablen bzw. Eingangsvariablen) können aufweisen: Fahrzeug-Informationen, Fahrzeugfahren-Informationen (z.B. Fahrzeugantrieb-Informationen), Reifen-Informationen, Radausrichtung-Informationen und/oder dergleichen.
Die Fahrzeug-Informationen können mindestens eines aufweisen von: Fahrzeugklasse-Informationen, Fahrzeugmodell-Informationen, Energiequelle-Informationen (z.B. Leistungsquelle-Informationen), Energiequelle-Namen-Informationen (z.B. Leistungsquelle-Namen-Informationen), Hubraum-Informationen, Elektrofahrzeug-Batterie-Kapazität-Informationen, Getriebetyp-Informationen, Ausgangsleistung-Informationen (in „PS“/Pferdestärke bzw. in Watt), Drehmoment-Informationen (in „kgf*m“/Kilogramm-Kraft-Meter bzw. in Newtonmeter), Informationen über das Antriebsverfahren (Vorderrad-Antrieb oder Hinterrad-Antrieb), 2-Rad/4-Rad-Antrieb-Informationen (z.B. Zweiradantrieb-Informationen oder Vierradantrieb-Informationen), Informationen über den Radaufhängungstyp/Fahrwerktyp (Mehrlenkerachse oder Verbundlenkerachse (CTBA)), Vorderseitengewicht-Informationen (z.B. Fahrzeug-Front-Gewicht-Informationen) (in „kg“/Kilogramm), Rückseitengewicht-Informationen (z.B. Fahrzeug-Heck-Gewicht-Informationen) (in „kg“/Kilogramm), und Vorderrad/Hinterrad-Reifendruck-Informationen (z.B. Vorderradreifendruck-Informationen und/oder Hinterradreifendruck-Informationen) (in „psi“/Pound-pro-Quadrat-Inch bzw. in einer Kraft-pro-Fläche-Einheit).
Fahrmodus-Informationen können mindestens eines aufweisen von: Informationen über den Fahrmodus-Typ („Komplex-“, „Hochgeschwindigkeit-“ oder dergleichen), Informationen über den Verschleiß-Betrag-Messung-Zeitpunkt (am Anfang, in der Mitte, am Ende oder dergleichen) und Informationen über das Fahren-Ende-Datum (Datum, Jahreszeit oder dergleichen).
Die Reifeninformationen können mindestens eines aufweisen von: Hersteller-Informationen, Reifeninnendurchmesser-Informationen (in Inch bzw. Millimeter), Reifenmuster-Informationen (z.B. Reifenprofilmuster-Informationen), Lauffläche-Physikalische-Eigenschaft-Informationen (z.B. Lauffläche-„Tg“-Informationen bzw. Lauffläche-Glasübergangstemperatur-Informationen (in °C)), Vorderradreifen-Informationen und Hinterradreifen-Informationen.
Hier kann jede von den Vorderradreifen-Informationen und den Hinterradreifen-Informationen mindestens eines aufweisen von: Laufflächenbreite-Informationen (in „mm“/Millimeter), Aspektverhältnis-Informationen (in %), Laufflächenbreite/Aspektverhältnis-Informationen (z.B. Laufflächenbreite-zu-Aspektverhältnis-Informationen), Querschnittsbreite/Höhe (z.B. Reifenquerschnittsbreite-zu-Reifenhöhe-Informationen), und ursprüngliche Rillentiefe (z.B. Profilrillentiefe) (Mitte/Außen/Schulter) (in „mm“/Millimeter) .
Die Radausrichtung-Informationen (z.B. Fahrwerkstand-Informationen) können zum großen Teil (z.B. überwiegend) aufweisen: Radausrichtungsspezifikation-Informationen und Radausrichtung-Messung-Ladegewicht-Informationen.
Die Verschleißlebensdauer-Informationen für jede Reifenrille (z.B. Reifenprofilrille) kann Verschleißlebensdauer-Informationen für die vorderen/hinteren linken und rechten Reifen (z.B. für den vorderen linken Reifen, den vorderen rechten Reifen, den hinteren linken Reifen und den hinteren rechten Reifen) aufweisen.
Die Reifenverschleißvorhersagevorrichtung kann ein Datensatz produzieren mittels Normierens von Daten durch Vorverarbeiten der Basisdaten. Die Reifenverschleißdatenbank kann Basisdaten (z.B. Grundlagendaten) und einen Datensatz aufweisen, welcher basierend auf den Basisdaten produziert (z.B. erstellt) ist/wird.
3 ist ein Schaubild zum Erläutern eines Lernen-Modellier-Vorgangs gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung.
Wie bei Bezugszeichen 310 von 3 gezeigt, kann ein Minimalwert von den Verschleißlebensdauern von 24 Rillen (z.B. von vierundzwanzig Reifenprofilrillen), welche in vier Reifen von vorderen/hinteren und rechten/linken Reifen (z.B. in einem vorderen rechten Reifen, einem vorderen linken Reifen, einem hinteren rechten Reifen und einem hinteren linken Reifen) eines korrespondierenden Fahrzeugs gebildet sind, als die Reifenverschleißlebensdauer (z.B. die Zeitdauer, während welcher die Reifen beständig gegen Verschleiß/Abnutzung sind; z.B. die Produktlebensdauer bzw. Produktlebenserwartung der Reifen) des korrespondierenden Fahrzeugs ermittelt werden.
Jeder Reifen kann aufweisen: zwei Mitte-Rillen (z.B. zwei mittige Profilrillen; z.B. zwei mittige umlaufende Profilrillen), eine Schulter-Rille (z.B. eine Reifenschulterprofilrille; z.B. eine umlaufende Rille an der Schulter des Reifens), und (bzw. und/oder) eine Schulterblockrille (z.B. eine blockförmige Schulterprofilrille; z.B. eine nicht-umlaufende Rille an der Schulter des Reifens).
Im vorliegenden Fall kann eine erwartete (z.B. voraussichtliche) Verschleißlebensdauer „A“ von jeder Reifenrille (z.B. Reifenprofilrille) bei der Fahrstrecke „K“ (z.B. nach der zurückgelegten Strecke/Distanz „K“) mittels der folgenden Gleichung ermittelt werden. $\begin{matrix} A = K \times (anf \ddot{a} ngliche Rillentiefe - 1,6) / (anf \ddot{a} ngliche \\ Rillentiefe - Ende - Rillentiefe) \end{matrix}$
Die anfängliche Rillentiefe (z.B. die Rillentiefe am Anfang) ist die Rillentiefe, wenn die Fahrstrecke (z.B. zurückgelegte Fahrstrecke) Null beträgt, und die Ende-Rillentiefe (z.B. die Rillentiefe am Ende) ist die Rillentiefe, wenn die Fahrstrecke „k“ bzw. „K“ beträgt. In dem vorliegenden Fall kann die erwartete (z.B. voraussichtliche) Verschleißlebensdauer des Reifens des Fahrzeugs als ein Minimalwert der erwarteten Lebensdauern von allen Rillen des Reifens ermittelt werden.
Wie bei Bezugszeichen 320 von 3 dargestellt, können variable Faktoren (z.B. Variablen) zum Vorhersagen einer Reifenverschleißlebensdauer in dem Lernen-Modellier-Vorgang aufweisen: Fahrzeug-Informationen, Fahrbedingung-Informationen (bzw. Antriebsbedingung-Informationen), Reifen-Informationen und Radausrichtung-Informationen. In dem vorliegenden Fall können die variablen Faktoren in eine vorbestimmte Modellierfunktion f(x) eingesetzt werden, bei welcher Fahrzeugfahren (bzw. Fahrzeugantreiben), Reifenlauffläche, Reifenverschleißmechanismus und dergleichen angewendet (z.B. berücksichtigt) werden, sodass eine erwartete (z.B. berechnete bzw. voraussichtliche) Verschleißlebensdauer für jede Reifenrille ermittelt werden kann.
4 ist ein Schaubild zum Erläutern eines Lernalgorithmus gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung.
Weil die Verschleißlebensdauer eines Antriebswelle-Reifens (z.B. Antriebsachse-Reifens) (Übertragung-von-Antriebskraft-Reifens) für gewöhnlich gering ist, kann die Verschleißlebensdauer von Reifen eines korrespondierenden Fahrzeugs anhand (z.B. nur unter Berücksichtigung von) der Verschleißlebensdauer des Antriebswelle-Reifens ermittelt werden.
Daher kann es beim Bilden (z.B. Erstellen) eines KI-Vorhersage-Modells effektiver sein, Vorderradantrieb-Fahrzeug-Datensätze und Hinterradantrieb-Fahrzeug-Datensätze für die Vorhersage zu klassifizieren, anstatt alle Praktischer-Versuch-Datensätze anzuwenden.
Zum Beispiel, wie bei Bezugszeichen 410 gezeigt, kann ein Lernalgorithmus gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung implementiert sein, um die Verschleißlebensdauer eines Vorderradreifens oder aller Reifen vorherzusagen, wenn ein Antriebsverfahren der Vorderradantriebtyp ist (z.B. wenn ein Vorderradantrieb-Fahrzeug vorliegt). Andererseits kann, wenn das Antriebsverfahren der Hinterradantriebtyp ist (z.B., wenn ein Hinterradantrieb-Fahrzeug vorliegt), wie bei Bezugszeichen 420 gezeigt, der Lernalgorithmus implementiert sein, um die Verschleißlebensdauer eines Hinterradreifens oder aller Reifen vorherzusagen.
Vorhersagemodelle für „2X2“-Kombination (z.B. „(Anzahl der Räder = 2) x (Anzahl der angetriebenen Räder = 2)“-Kombination) eines Antriebsverfahrens (Vorderradantrieb/Hinterradantrieb bzw. Allradantrieb) und eine Montageposition eines Reifens (eines Antriebswelle-Reifens/aller Reifen), welcher vorhergesagt werden soll (z.B. von welchem die Verschleißlebensdauer vorhergesagt werden soll), können konfiguriert werden.
Des Weiteren kann die Reifenverschleißdatenbank, welche basierend auf den Basisdaten erstellt ist/wird, gemäß dem Antriebsverfahren, wie in 4 gezeigt, geteilt (z.B. eingeteilt) sein/werden, und ein separates Vorhersagemodell (z.B. ein eigenes Vorhersagemodell für jede Antriebsart) kann erstellt sein/werden.
5 ist ein Schaubild zum Erläutern eines Datenbereinigungsvorgangs für KI-Lernen/Vorhersage gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung.
Die Reifenverschleißvorhersagevorrichtung kann alle diskreten (kategorischen) Variablen/qualitativen Variablen (z.B. Kategorie-Variablen), wie beispielsweise einen Energiequelle-Typ (z.B. Leistungsquelle-Typ), einen Reifenhersteller und einen Fahrmodus (z.B. Antriebsmodus) in quantitative Variablen konvertieren (z.B. umwandeln) (S510). Bezugszeichen 610 von 6 zeigt ein Beispiel einer Umwandlung von quantitativen Variablen für eine Energiequelle (z.B. Leistungsquelle), welche eine Merkmalsvariable (z.B. Merkmal-Kategorie-Variable) ist.
Die Reifenverschleißvorhersagevorrichtung kann die quantitativen Variablen normieren (S520). Zum Beispiel kann ein Radausrichtungswert (z.B. Fahrwerkstandwert), welcher einen kleinen absoluten numerischen Wert hat, normiert werden mittels Ersetzens das Radausrichtungswertes durch einen Wert zwischen „0“ (bzw. null) und „100“ (bzw. hundert). Bezugszeichen 620 von 6 zeigt ein Beispiel für eine Normierung für einen Merkmalsvariable-Radsturz (z.B. für eine Radsturz-Merkmalsvariable) .
Die Reifenverschleißvorhersagevorrichtung kann die vorhersagenden Variablen (z.B. abhängigen Variablen bzw. Ausgangsvariablen) ergänzen (S530). Als ein Beispiel können extreme Werte (Ausreißer) von den Werten von vorhersagenden Variablen entfernt (z.B. gelöscht) werden. Als ein Beispiel kann ein Ausreißer von Zieldaten basierend auf „3 Sigma“ (bzw. drei Sigma) entfernt werden. Hier kann sich „3 Sigma“ auf einen Wert in dem Bereich von 3 (drei) Standardabweichungen von dem Durchschnitt (z.B. Durchschnittswert) eines korrespondierenden Prädiktorwertes (z.B. Vorhersagende-Variable-Wertes bzw. Ausgangsvariable-Wertes), auf beiden Seiten beziehen. Bezugszeichen 630 von 6 zeigt ein Löschungsbeispiel eines Ausreißers einer Reifenrille-Verschleißlebensdauer (z.B. eines Reifenrille-Verschleißlebensdauer-Variable-Wertes), welche eine vorhersagende Variable ist.
Die Reifenverschleißvorhersagevorrichtung kann erklärende Variablen (z.B. unabhängige Variablen bzw. Eingangsvariablen) ergänzen (S540). Als ein Beispiel kann (bzw. können), wenn es einen fehlenden Wert (bzw. fehlende Werte) unter den Werten eines vorangegangenen Datensatzes einer erklärenden Variable gibt, die korrespondierende erklärende Variable (bzw. die korrespondierenden erklärenden Variablen) ergänzt werden mittels Ersetzens des korrespondierenden fehlenden Werts (bzw. der korrespondierenden fehlenden Werte) durch einen Durchschnittswert. Als ein Beispiel kann für einen ReifenLauffläche-Physikalische-Eigenschaft-Wert (z.B. ReifenLauffläche-„Tg“-Wert bzw. Reifen-Lauffläche-Glasübergangstemperatur-Wert) der fehlende Wert durch einen Durchschnittswert innerhalb einer korrespondierenden Klassifikation/Einteilung ersetzt werden nach Einteilung in alle Jahreszeitenmuster und Sommermuster (z.B. nachdem der Reifen einem Reifentyp, wie beispielsweise Allwetterreifen, Winterreifen oder Sommerreifen, zugeordnet wurde). Bezugszeichen 640 von 6 zeigt ein Beispiel für eine Ersetzung eines fehlenden Wertes für eine anfängliche Rillentiefe ein eines Vorderradreifens und von ReifenLauffläche-Physikalische-Eigenschaften, welche erklärende Variablen sind.
Die Daten können durch die oben beschriebenen Schritte S510 bis S540 hindurch verfeinert werden um einen finalen Trainingsdatensatz zu erstellen (S550). Bezugszeichen 650 von 6 zeigt ein Beispiel einer Eingangsvariable (erklärenden Variable) und einer Ausgangsvariable (vorhersagenden Variable), welche den Datenbereinigungsvorgang durch die Schritte S510 bis S540 hindurch durchlaufen hat bzw. haben.
7 ist ein Flussdiagramm zum Erläutern eines Betriebsmechanismus (z.B. einer Funktionsweise) einer Reifenverschleißvorhersagevorrichtung gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung.
Bezugnehmend auf 7 kann die Reifenverschleißvorhersagevorrichtung eine Reifenverschleißdatenbank, welche basierend auf Basisdaten erstellt ist/wird, von einer internen Speichervorrichtung (oder einer externen Vorrichtung/einem externen Server) importieren, und dann das Vorverarbeiten der Daten, welche in der Reifenverschleißdatenbank gespeichert sind, ausführen, um einen Datensatz zu erstellen (S710 bis S720). Hier kann das Vorverarbeiten aufweisen: eine Umwandlung von diskreten/qualitativen Variablen in quantitative Variablen, eine Normierung von quantitativen Variablen, eine Entfernung/Löschung von extremen numerischen Werten (z.B. Ausreißern) unter den vorhersagenden Variablen (z.B. Ausgangsvariablen), Ergänzung von erklärenden Variablen (z.B. Eingangsvariablen) durch fehlende Werte (z.B. durch jene Werte, welche die fehlenden Werte ersetzen) und/oder dergleichen.
Die Reifenverschleißvorhersagevorrichtung kann einen Datensatz für jedes Fahrzeugfahren-Verfahren bzw. Fahrzeugantrieb-Verfahren klassifizieren (z.B. zuordnen) (S730). Hier kann das Fahrzeugantrieb-Verfahren aufweisen: ein Vorderradantrieb-Verfahren, ein Hinterradantrieb-Verfahren und (bzw. und/oder) ein Vierradantrieb-Verfahren (z.B. ein Allradantrieb-Verfahren).
Die Reifenverschleißvorhersagevorrichtung kann einen bei einem Lernalgorithmus anzuwendenden Hyperparameter optimieren (S740).
Die Reifenvorhersagevorrichtung kann Maschinenlernen basierend auf dem optimierten Hyperparameter ausführen, um die Reifenverschleißeigenschaften vorherzusagen (S750). In dem vorliegenden Fall kann ein Vorhersage-Ergebnis der Reifenverschleißeigenschaften an eine für verschiedene Zwecke zu verwendende fahrzeugeigene Anzeigevorrichtung (z.B. eine Anzeigevorrichtung im Fahrzeug), eine Fahrzeugsteuervorrichtung, ein Benutzerterminal (bzw. Fahrerterminal) oder einen Fahrzeug-Hersteller-Server, einen Mobilität-Betreiber-Server (z.B. Mobilität-Anbieter-Server) und/oder dergleichen übermittelt werden.
Zum Beispiel kann ein Reifenverschleißvorhersage-Ergebnis verarbeitet werden, um Informationen zu erstellen bezüglich: einem erwarteten (z.B. voraussichtlichen) fahrbaren Kilometerstand und einem erwarteten (z.B. voraussichtlichen) Änderungsverlauf (z.B. Fortschreiten der Änderung) für den Kilometerstand, welche dann einem Fahrer angezeigt werden durch: eine fahrzeugeigene Anzeigevorrichtung - zum Beispiel ein Cluster (z.B. eine gebündelte Anzeige bzw. ein Kombinationsinstrument), eine Vordergrundanzeigevorrichtung (z.B. Head Up Display) (HUD), und (z.B. und/oder) das intelligente Gerät des Fahrers.
Als verschiedene exemplarische Ausführungsformen der vorliegenden Erfindung/Offenbarung kann das Reifenverschleißvorhersage-Ergebnis verwendet werden für ein Fahrzeug-Aktiv-Steuern (z.B. eine Fahrzeug-Aktiv-Steuerung) basierend auf einem Reifenverschleißstatus (z.B. Reifenverschleißzustand). Zum Beispiel kann das Reifenverschleißvorhersage-Ergebnis verwendet werden für eine Echtzeitoptimierung von Parametern, welche das Fahrzeugfahren (z.B. Fahrzeugantreiben) betreffen, wie beispielsweise Bremsen/Umdrehen/Radaufhängung bzw. Fahrwerksteuern/Lenken/Fahren bzw. Antreiben.
Als noch ein weiteres Beispiel kann das Reifenverschleißvorhersage-Ergebnis einem Mobilität-FahrzeugFahren-Betreiber (z.B. einem Betreiber bzw. Anbieter von Mobilitätsfahrzeugen) bereitgestellt werden und für ein präventives Vorgehen für die Reifenwartung verwendet werden. Zum Beispiel kann das Reifenverschleißvorhersage-Ergebnis verarbeitet werden, um zu erstellen: Informationen, welche die Fahrzeugverwaltung (z.B. das Fahrzeugmanagement) betreffen, wie beispielsweise Informationen über eine Reifenpositionsänderung und eine Austauschzeit (z.B. eine Zeitdauer, nach welcher ein Reifen ausgetauscht werden sollte), und eine Fahranwendungsbedingungsanalyse für weitere Verwendung.
Die Reifenverschleißvorhersagevorrichtung gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung kann Informationen von verschiedenen Sensoren, welche in dem Fahrzeug (z.B. Kraftfahrzeug) bereitgestellt sind, erlangen und Maschinenlernen für die Reifenverschleißvorhersage ausführen.
Zum Beispiel kann die Reifenverschleißvorhersagevorrichtung Informationen, wie beispielsweise schnelle Beschleunigung, plötzliches Bremsen und Drehen, welche für eine Fahrmodus-Analyse (z.B. Antriebsmodus-Analyse) benötigt werden, von einem Beschleunigungssensor erlangen, welcher in einer Airbag-Steuerung-Einheit gebildet (z.B. integriert) ist.
Des Weiteren kann die Reifenverschleißvorhersagevorrichtung: Fahrzeugradausrichtung-Informationen erlangen, welche mittels einer Elektronische-Radaufhängung-Vorrichtung detektiert sind/werden, Fahrzeuggewichtänderung-Informationen und Fahrzeuglage-Änderung-Informationen (z.B. Fahrzeugbodenhöhe-Änderung-Informationen) erlangen, welche mittels einer Automatische-Niveauregulierung-Vorrichtung (z.B. Automatische-Fahrzeugbodenhöhe-Einstell-Vorrichtung) detektiert sind/werden, und Reifendruckänderung-Informationen von einem Reifendrucküberwachungssystem (TPMS) erlangen.
Des Weiteren kann die Reifenverschleißvorhersagevorrichtung Informationen, welche eine Fahr-Klima-Umgebung betreffen, von einem Außentemperatursensor bzw. Außenlufttemperatursensor erlangen, welcher in einer Klimaanlage gebildet (z.B. integriert) ist.
In dem Fall des Lernens unter Verwenden/Anwenden eines Künstliche-Intelligenz-Algorithmus ist die Verwendung von Ressourcen einer Steuervorrichtung (CPU (z.B. Zentrale-Verarbeitung-Vorrichtung)/Prozessor) - das heißt die Verarbeitungslast (z.B. Rechenlast bzw. Rechenauslastung) - hoch, aber in dem Fall eines Künstliche-Intelligenz-Algorithmus, welcher trainiert wurde, kann der Verbrauch von Ressourcen der Steuervorrichtung beim Verarbeiten/Analysieren(bzw. Berechnen)/Bewerten von Sensorinformationen signifikant reduziert werden.
Dementsprechend kann die Reifenverschleißvorhersagevorrichtung (oder ein Reifenverschleißvorhersageprozessor) gemäß der exemplarischen Ausführungsform (bzw. den exemplarischen Ausführungsformen) montiert sein/werden an und betrieben sein/werden von mindestens einer von den Steuervorrichtungen, welche an (bzw. in) dem Fahrzeug montiert sind. Als ein Beispiel kann die Reifenverschleißvorhersagevorrichtung montiert sein/werden an und betrieben sein/werden durch eine spezifische Fahrzeug-ECU (z.B. Fahrzeug-Elektronische-Steuerung-Einheit) oder (z.B. und/oder) eine spezifische Fahrzeug-ACU (z.B. Fahrzeug-Airbag-Steuerung-Einheit).
8 ist ein Diagramm, welches Reifenverschleißlebensdauern gemäß (einer) Tatsächliches-Fahrzeug-Fahren-Auswertung und Reifenverschleißlebensdauer-Vorhersage-Ergebnissen unter Verwenden/Anwenden eines Reifenverschleiß-Lernalgorithmus gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung zeigt.
Bezugnehmend auf 8 zeigen die Reifenverschleißlebensdauer gemäß der Tatsächliches-FahrzeugFahren-Auswertung basierend auf der minimalen (z.B. kleinsten ermittelten) Reifenverschleißlebensdauer und die Reifenverschleißlebensdauer-Vorhersage-Ergebnisse durch das KI-Lernen, dass die Fehlerrate ungefähr 5,9% beträgt.
9 zeigt das KI-Lernen-Vorhersage-Ergebnis für das Hinterradverschleißlebensdauer-Verhältnis gemäß einer (z.B. bezogen auf eine) Hinterradsturz-Änderung.
Bezugnehmend auf 9 ist gezeigt, dass, wenn das KI-Lernen-Verfahren gemäß verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung angewendet ist/wird, die Reifenverschleißtendenz gemäß einer Hinterradsturz-Änderung konsistent ist.
Die Betätigungen (bzw. Vorgänge) des Verfahrens oder des Algorithmus, welche in Verbindung mit den exemplarischen Ausführungsformen, welche hierin beinhaltet sind, beschrieben werden/wurden, können direkt in (bzw. als) Hardware oder in einem Software-Modul, welches mittels des Prozessors ausgeführt wird, oder einer Kombination davon verkörpert (z.B. umgesetzt) sein/werden. Das Software-Modul kann sich auf (bzw. an) einem Speichermedium (d.h. einer Speichervorrichtung und/oder dem Speicher) befinden, wie beispielsweise einem Arbeitsspeicher, wie etwa einem Direktzugriffsspeicher (RAM), einem Flash-Speicher, einem Nur-Lese-Speicher (ROM), einem löschbaren programmierbaren Nur-Lese-Speicher (EEPROM), einem elektrisch löschbaren programmierbaren Nur-Lese-Speicher (EEPROM), einem Register, einer Festplatte, einer entnehmbaren (Speicher-)Platte und (bzw. und/oder) einer CD-ROM.
Das exemplarische Speichermedium kann mit dem Prozessor verbunden sein, und der Prozessor kann die Informationen aus dem Speichermedium auslesen und kann Informationen in (z.B. auf) dem Speichermedium speichern. Alternativ kann das Speichermedium in dem Prozessor integriert sein (z.B. kann das Speichermedium gemeinsam mit dem Prozessor gebildet sein). Der Prozessor und das Speichermedium können sich in einer anwendungsspezifischen integrierten Schaltung (ASIC) befinden. Die ASIC kann sich innerhalb eines Benutzerterminals befinden. In einem anderen Fall können sich der Prozessor und das Speichermedium in dem Benutzerterminal als getrennte (z.B. voneinander getrennte) Komponenten befinden.
Die obige Beschreibung ist lediglich veranschaulichend für die technische Idee (z.B. den Gegenstand) der vorliegenden Erfindung/Offenbarung, und verschiedene Modifikationen und Variationen können, ohne von den wesentlichen Merkmalen der vorliegenden Erfindung/Offenbarung abzuweichen, von dem Fachmann auf dem Gebiet, zu welchem die verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung gehören, vorgenommen werden. Dementsprechend ist die exemplarische Ausführungsform, welche in verschiedenen exemplarischen Ausführungsformen der vorliegenden Erfindung/Offenbarung enthalten ist (z.B. welche sich aus verschiedenen der hierin präsentierten exemplarischen Ausführungsformen zusammensetzt), nicht dafür gedacht, die technische Idee (z.B. den Gegenstand) der vorliegenden Erfindung/Offenbarung einzuschränken, sondern die vorliegende Erfindung/Offenbarung zu beschreiben, und der Umfang der technischen Idee (z.B. des Gegenstandes) der vorliegenden Erfindung/Offenbarung wird durch die Ausführungsform (bzw. die verschiedenen Ausführungsformen) nicht beschränkt. Der Schutzbereich der vorliegenden Erfindung/Offenbarung kann durch die folgenden Ansprüche interpretiert (z.B. verstanden) werden, und alle technischen Ideen innerhalb des Bereichs/Umfangs, welcher dazu äquivalent ist, können bzw. sollen angesehen werden, als dass sie zu dem Bereich/Umfang der vorliegenden Erfindung/Offenbarung gehören.
Die vorliegende Erfindung/Offenbarung hat den Vorteil des Bereitstellens eines Reifenverschleißvorhersageverfahrens, welches Künstliche-Intelligenz-Maschinenlernen anwendet, sowie einer Vorrichtung dafür.
Des Weiteren hat die vorliegende Erfindung/Offenbarung den Vorteil des Bereitstellens eines Reifenverschleißvorhersageverfahrens, welches KI-Maschinenlernen anwendet, welches konfiguriert ist zum präventiven Ergreifen von Maßnahmen für zukünftige Probleme (z.B. von Gegenmaßnahmen gegen zukünftige Probleme) mittels Vereinfachens der Entwicklung eines virtuellen Fahrzeugs durch frühzeitige Vorhersage und Analyse von Reifenverschleißeigenschaften beim Bewerten/Auswerten von Reifenverschleiß vor praktischem Fahren (z.B. vor der eigentlichen Benutzung), sowie einer Vorrichtung dafür.
Des Weiteren hat die vorliegende Erfindung/Offenbarung den Vorteil des Bereitstellens eines Mehrere-Ausgangswerte-Regression-Vorhersage-Modells (z.B. Mehrere-Ausgangswerte-Regression-Analyse-Vorhersage-Modells), welches eine Maschinenlernen-Technik anwendet, welches konfiguriert ist für das quantitative Ausführen von datenbasierter Reifenverschleißvorhersage basierend auf einem Lernen/Vorhersage-Datenbank-Rahmen, welcher erstellt ist/wird für die Entwicklung eines Maschinenlernen-Algorithmus.
Des Weiteren hat die vorliegende Erfindung/Offenbarung den Vorteil des Bereitstellens einer Reifenverschleißvorhersagevorrichtung, welche KI-Maschinenlernen anwendet, welches konfiguriert ist zum Vereinfachen von Echtzeit-Aktiv-Steuerung (z.B. Echtzeit-Aktiv-Steuern) und Betriebsführung (z.B. Betriebsverwaltung bzw. Betriebsmanagement) von autonomen Fahrzeugen/Mobilitätsfahrzeugen (z.B. von autonomen Kraftfahrzeugen, Fortbewegungsfahrzeugen und/oder Beförderungsfahrzeugen) mittels Verknüpfens von Mehrere-Ausgangswerte-Regression-Vorhersage-Modellen (z.B. Mehrere-Ausgangswerte-Regression-Analyse-Vorhersage-Modellen), welche Künstliche-Intelligenz-Maschinenlernen-Techniken anwenden, mit Fahrzeugsteuervorrichtungen, Infotainment-Systemen und Mobilität-Betreibern (z.B. Mobilität-Anbietern), sowie einer Vorrichtung dafür.
Des Weiteren hat die vorliegende Erfindung/Offenbarung den Vorteil des Bereitstellens eines Reifenverschleißvorhersageverfahrens, welches KI-Maschinenlernen anwendet, welches konfiguriert ist für die Relativer-Vergleich-und-Beitrag-Analyse von Verschleißmerkmalen (bzw. Verschleißeigenschaften) für jeden Reifenverschleißeinflussfaktor, sowie einer Vorrichtung dafür.
Des Weiteren hat die vorliegende Erfindung/Offenbarung den Vorteil des Kostenreduzierens mittels Ersetzens von Praktischer-Fahrzeug-Reifenverschleiß-Bewertung/Auswertung (z.B. Ersetzens von praktischen Tests) durch Verschleißvorhersage, welche auf Künstliche-Intelligenz-Maschinenlernen basiert.
Des Weiteren können verschiedene Effekte bereitgestellt sein (z.B. erreicht werden), welche direkt oder indirekt durch die vorliegende Erfindung/Offenbarung verstanden werden.
Zur Erklärungsvereinfachung und genauen Definition werden in den beigefügten Ansprüchen die Begriffe „obere/r/s“, „untere/r/s“, „innere/r/s“, „äußere/r/s“, „oben“, „unten“, „aufwärts“, „abwärts“, „vordere/r/s“, „hintere/r/s“, „hinten“, „innen“, „außen“, „nach innen“, „nach außen“, „Innen-“, „Außen-“, „innerhalb“, „außerhalb“, „vorwärts“ und „rückwärts“ verwendet, um Merkmale der exemplarischen Ausführungsformen mit Bezug auf die Positionen derartiger Merkmale, so wie sie in den Figuren dargestellt sind, zu beschreiben. Es wird ferner verstanden, dass der Begriff „verbinden“ oder seine Abwandlungen sich sowohl auf eine direkte als auch auf eine indirekte Verbindung beziehen.
Die vorstehenden Beschreibungen spezifischer exemplarischer Ausführungsformen der vorliegenden Erfindung/Offenbarung werden/wurden zu Veranschaulichungs- und Beschreibungszwecken dargestellt. Sie sind nicht dafür gedacht, erschöpfend zu sein oder die vorliegende Erfindung/Offenbarung auf die genauen offenbarten Formen zu beschränken, und ersichtlicher Weise sind viele Modifikationen und Variationen im Lichte der obigen Lehren möglich. Die exemplarischen Ausführungsformen wurden ausgewählt und beschrieben, um bestimmte Prinzipien der vorliegenden Erfindung/Offenbarung und ihre praktische Anwendung zu erläutern, um es dem Fachmann (bzw. anderen Fachleuten) zu ermöglichen, verschiedene exemplarische Ausführungsformen der vorliegenden Erfindung/Offenbarung sowie verschiedene Alternativen und Modifikationen davon herzustellen und zu verwenden. Es ist beabsichtigt, dass der Umfang der vorliegenden Erfindung/Offenbarung durch die hieran angehängten Ansprüche und deren Äquivalente definiert ist.

Claims

Verfahren zum Vorhersagen von Reifenverschleiß in einer Vorrichtung, welche in einem Fahrzeug montiert ist, wobei das Verfahren aufweist: Importieren (S710), mittels eines Prozessors, einer gemäß Basisdaten erstellten Reifenverschleißdatenbank, Erstellen (S720), mittels des Prozessors, eines Datensatzes, mittels Vorverarbeitens der Basisdaten, Klassifizieren (S730), mittels des Prozessors, des Datensatzes für jedes Fahrzeugantriebsverfahren, Optimieren (S740), mittels des Prozessors, eines Hyperparameters für Maschinenlernen basierend auf dem klassifizierten Datensatz, und Vorhersagen (S750), mittels des Prozessors, einer Reifenverschleißlebensdauer des Fahrzeugs durch Durchführen des Maschinenlernens an dem optimierten Hyperparameter.
Verfahren gemäß Anspruch 1, wobei die Basisdaten erklärende Variablen und vorhersagende Variablen aufweisen, welche durch einen Reifenverschleißversuch eines tatsächlichen Fahrzeugs erlangt werden, und wobei die erklärenden Variablen mindestens eines aufweisen von: Fahrzeug-Informationen, Fahrzeugantrieb-Informationen, Reifen-Informationen sowie Radausrichtung-Informationen, und die vorhersagenden Variablen eine Verschleißlebensdauer für jede Reifenprofilrille aufweisen (S320).
Verfahren gemäß Anspruch 2, wobei das Vorverarbeiten zumindest eines aufweist von: Umwandeln (S510) von diskreten Variablen und qualitativen Variablen in quantitative Variablen, Normieren (S520) der quantitativen Variablen, Entfernen von Extremwerten von den vorhersagenden Variablen, und Kompensieren (S540) von fehlenden Werten der erklärenden Variablen.
Verfahren gemäß einem der Ansprüche 1 bis 3, wobei der Hyperparameter optimiert wird mittels des Entfernens eines Faktors mit einer Wichtigkeit, welche geringer als ein vorbestimmter Wert ist, aus dem klassifizierten Datensatz durch eine Wichtigkeitsanalyse für jeden Reifenverschleißfaktor basierend auf einem Kleinster-Absoluter-Schrumpfungs-und-Auswahl-Operator-Modell (LASSO-Modell).
Verfahren gemäß einem der Ansprüche 1 bis 4, wobei die Reifenverschleißlebensdauer basierend auf einer Mehrere-Ausgabewerte-Regression-Analyse-Technik vorhergesagt wird, und durch die Mehrere-Ausgabewerte-Regression-Analyse-Technik vorhergesagt wird.
Verfahren gemäß Anspruch 5, wobei die Mehrere-Ausgabewerte-Regression-Analyse-Technik eine Unkorrelierte-Entscheidungsbäume-Technik und eine stochastische Gradient-Verstärkung-Technik aufweist, und wobei wahlweise eine von der Unkorrelierte-Entscheidungsbäume-Technik und der stochastischen Gradient-Verstärkung-Technik basierend auf einer Anzahl von den klassifizierten Datensätzen angewendet wird.
Verfahren gemäß einem der Ansprüche 1 bis 6 ferner aufweisend: Ausgeben (S140), mittels des Prozessors, von Vorhergesagte-Reifenlebensdauer-Informationen durch eine Ausgabevorrichtung, welche in dem Fahrzeug bereitgestellt ist, und Übermitteln, mittels des Prozessors, der Vorhergesagte-Reifenlebensdauer-Informationen an eine andere Vorrichtung.
Verfahren gemäß Anspruch 7, wobei die andere Vorrichtung mindestens eines aufweist von: einer Fahrzeugsteuervorrichtung, einem Fahrzeug-Entwickler-Server, einem Fahrer-Terminal und einem Mobilität-Betreiber-Server.
Verfahren gemäß Anspruch 7 oder 8 ferner aufweisend: Optimieren, mittels des Prozessors, eines Parameters, welcher sich auf das Fahrzeugfahren bezieht, mittels Ausführens von Fahrzeug-Aktiv-Steuern basierend auf den Vorhergesagte-Reifenlebensdauer-Informationen, wobei das Fahrzeug-Aktiv-Steuern mindestens eines aufweist von: Bremssteuern, Radaufhängungssteuern, Lenkradsteuern und Umdrehsteuern.
Verfahren gemäß einem der Ansprüche 1 bis 9, wobei die Basisdaten von einem Sensor gesammelt werden, welcher in dem Fahrzeug bereitgestellt ist, und die Basisdaten mindestens eines aufweisen von: Fahrmodus-Analyse-Informationen, welche mittels eines Beschleunigungssensors detektiert werden, welcher in einer Airbag-Steuerung-Einheit eingebaut ist, Radausrichtungsänderung-Informationen, welche mittels einer Elektronische-Radaufhängung-Vorrichtung detektiert werden, Fahrzeuggewichtänderung-Informationen, welche mittels einer Automatischen-Niveauregulierung-Vorrichtung detektiert werden, Reifendruckänderung-Informationen, welche mittels eines Reifendrucküberwachungssystems (TPMS) detektiert werden, und Fahren-Klima-Umwelt-Informationen, welche mittels eines Außenlufttemperatursensors in einer Klimaanlage detektiert werden.
Vorrichtung zum Vorhersagen von Reifenverschleiß, wobei die Vorrichtung aufweist: eine Speichervorrichtung, und einen Prozessor, welcher elektrisch mit der Speichervorrichtung verbunden ist, wobei der Prozessor konfiguriert ist, um eine basierend auf Basisdaten erstellte Reifenverschleißdatenbank von der Speichervorrichtung oder einer externen Vorrichtung zu importieren (S710), um einen Datensatz mittels Vorverarbeitens (S720) der Basisdaten zu erstellen, den Datensatz für jedes Fahrzeugantriebsverfahren zu klassifizieren (S730), einen Hyperparameter für Maschinenlernen basierend auf dem klassifizierten Datensatz zu optimieren (S740), und eine Reifenverschleißlebensdauer des Fahrzeugs vorherzusagen (S750) mittels Ausführens von Maschinenlernen an dem optimierten Hyperparameter.
Vorrichtung gemäß Anspruch 11, wobei die Basisdaten erklärende Variablen und vorhersagende Variablen aufweisen, welche durch einen Reifenverschleißversuch eines tatsächlichen Fahrzeugs erlangt sind, und wobei die erklärenden Variablen mindestens eines von Fahrzeug-Informationen, Fahrzeugantrieb-Informationen, Reifen-Informationen sowie Radausrichtung-Informationen aufweisen, und die vorhersagenden Variablen eine Verschleißlebensdauer von jeder Reifenprofilrille aufweisen.
Vorrichtung gemäß Anspruch 12 wobei der Prozessor mindestens eines aufweist von: Mitteln zum Umwandeln (S510) diskreter Variablen und qualitativer Variablen in quantitative Variablen, Mitteln zum Normieren (S520) der quantitativen Variablen, Mitteln zum Entfernen von Extremwerten von den vorhersagenden Variablen, und Mitteln zum Kompensieren fehlender Werte der erklärenden Variablen.
Vorrichtung gemäß einem der Ansprüche 11 bis 13, wobei der Hyperparameter optimiert ist mittels Entfernens eines Faktors mit geringerer Wichtigkeit als ein vorbestimmter Wert aus dem klassifizierten Datensatz durch eine Wichtigkeitsanalyse für jeden Reifenverschleißfaktor basierend auf einem Kleinster-Absoluter-Schrumpfungs-und-Auswahl-Operator-Modell (LASSO-Modell).
Vorrichtung gemäß einem der Ansprüche 11 bis 14, wobei die Reifenverschleißlebensdauer basierend auf einer Mehrere-Ausgabewerte-Regression-Analyse-Technik vorhergesagt ist, und durch die Mehrere-Ausgabewerte-Regression-Analyse-Technik vorhergesagt ist.
Vorrichtung gemäß Anspruch 15, wobei die Mehrere-Ausgabewerte-Regression-Analyse-Technik eine Unkorrelierte-Entscheidungsbäume-Technik und eine stochastische Gradient-Verstärkung-Technik aufweist, und wobei der Prozessor konfiguriert ist, um wahlweise eine von der Unkorrelierte-Entscheidungsbäume-Technik und der stochastische Gradient-Verstärkung-Technik auszuwählen basierend auf einer Anzahl der klassifizierten Datensätze.
Vorrichtung gemäß einem der Ansprüche 11 bis 16, wobei der Prozessor mindestens eines aufweist von: Mitteln zum Steuern des Ausgebens von Vorhergesagte-Reifenlebensdauer-Informationen oder Informationen, welche basierend auf der Vorhergesagte-Reifenlebensdauer-Informationen bearbeitet sind, durch eine Ausgabevorrichtung, welche in dem Fahrzeug bereitgestellt ist, und Mitteln zum Steuern einer Übermittlung der Vorhergesagte-Reifenlebensdauer-Informationen an eine andere Vorrichtung.
Vorrichtung gemäß Anspruch 17, wobei die andere Vorrichtung mindestens eines aufweist von: einer Fahrzeugsteuervorrichtung, einem Fahrzeug-Entwickler-Server, einem Fahrer-Terminal und einem Mobilität-Betreiber-Server.
Vorrichtung gemäß Anspruch 17 oder 18, wobei der Prozessor konfiguriert ist, um einen Parameter, welcher sich auf ein Fahrzeugfahren bezieht, zu optimieren mittels Ausführens von Fahrzeug-Aktiv-Steuern basierend auf den Vorhergesagte-Reifenlebensdauer-Informationen, und wobei das Fahrzeug-Aktiv-Steuern mindestens eines aufweist von: Bremssteuern, Radaufhängungssteuern, Lenkradsteuern und Umdrehsteuern.
Vorrichtung gemäß einem der Ansprüche 11 bis 19, wobei die Basisdaten von einem Sensor gesammelt sind, welcher in dem Fahrzeug bereitgestellt ist, und wobei die Basisdaten mindestens eines aufweisen von: Fahrmodus-Analyse-Informationen, welche mittels eines Beschleunigungssensors detektiert sind, welcher in einer Airbag-Steuerung-Einheit eingebaut ist, Radausrichtungsänderung-Informationen, welche mittels einer Elektronische-Radaufhängung-Vorrichtung detektiert sind, Fahrzeuggewichtänderung-Informationen, welche mittels einer Automatische-Niveauregulierung-Vorrichtung detektiert sind, Reifendruckänderung-Informationen, welche mittels eines Reifendrucküberwachungssystems (TPMS) detektiert sind, und Fahren-Klima-Umwelt-Informationen, welche mittels eines Außenlufttemperatursensors in einer Klimaanlage detektiert sind.