DE102022003261A1 - Circuit arrangement and method for detecting the health status of electrical consumers - Google Patents
Circuit arrangement and method for detecting the health status of electrical consumers Download PDFInfo
- Publication number
- DE102022003261A1 DE102022003261A1 DE102022003261.9A DE102022003261A DE102022003261A1 DE 102022003261 A1 DE102022003261 A1 DE 102022003261A1 DE 102022003261 A DE102022003261 A DE 102022003261A DE 102022003261 A1 DE102022003261 A1 DE 102022003261A1
- Authority
- DE
- Germany
- Prior art keywords
- vgn
- artificial intelligence
- consumer
- consumers
- circuit arrangement
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Ceased
Links
- 238000000034 method Methods 0.000 title claims description 12
- 230000003862 health status Effects 0.000 title claims description 8
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 48
- 239000004065 semiconductor Substances 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000032683 aging Effects 0.000 claims description 3
- 230000005669 field effect Effects 0.000 claims description 3
- ZINJLDJMHCUBIP-UHFFFAOYSA-N ethametsulfuron-methyl Chemical compound CCOC1=NC(NC)=NC(NC(=O)NS(=O)(=O)C=2C(=CC=CC=2)C(=O)OC)=N1 ZINJLDJMHCUBIP-UHFFFAOYSA-N 0.000 description 9
- 230000001537 neural effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/005—Testing of electric installations on transport means
- G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
- G01R31/007—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks using microprocessors or computers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
Die Erfindung betrifft eine Schaltungsanordnung (1) für ein Kraftfahrzeug, umfassend mindestens eine Verbrauchergruppe (VG1 bis VGn) und eine künstliche Intelligenz (KI, KI_T), die dazu konfiguriert ist, in einem Trainingsmodusje Verbrauchergruppe (VG1 bis VGn) einen Normal-Betriebspunkt der Verbraucher (R_V1 bis R_Vn) zu lernen, indem die Verbraucher (R_V1 bis R_Vn) in einem Norm-Betriebsmodus betrieben werden, wobei die so trainierte künstliche Intelligenz (Kl, KI_T) ferner dazu konfiguriert ist, in einem Anwendungsmodus in einer Verbrauchergruppe (VG1 bis VGn) zwischen Normalbetrieb und Fehlerfall auf Verbraucherebene zu unterscheiden, wobei jede Verbrauchergruppe (VG1 bis VGn) einen Mikrokontroller (µC) aufweist, der zur Ermittlung eines Gesamtstroms (IG1bis IGn) durch einen Shunt (R1) in einer Zuleitung (L) zu den Verbrauchern (R_V1 bis R_Vn) konfiguriert ist, wobei der künstlichen Intelligenz (KI, KI_T) die ermittelten Gesamtströme (IG1bis IGn) aller Verbrauchergruppen (VG1 bis VGn) sowie Fahrzeug-Bussignale (BS) als Eingangssignale zuführbar sind, wobei im Norm-Betriebsmodus die Gesamtströme (IR1bis IRn) zusammen mit einem Label „fehlerfrei“ sowie den Fahrzeug-Bussignalen (BS) als Trainingsdaten der künstlichen Intelligenz (KI) als Eingangsgrößen zuführbar sind, wobei der trainierten künstlichen Intelligenz (KI_T) im Anwendungsmodus ungelabelte Gesamtströme (IG1bis IGn) sowie Bussignale (BS) als Eingangsgrößen zuführbar sind.The invention relates to a circuit arrangement (1) for a motor vehicle, comprising at least one consumer group (VG1 to VGn) and an artificial intelligence (KI, KI_T), which is configured to determine a normal operating point for each consumer group (VG1 to VGn) in a training mode Consumers (R_V1 to R_Vn) to learn by operating the consumers (R_V1 to R_Vn) in a standard operating mode, the artificial intelligence (Kl, KI_T) trained in this way being further configured to operate in an application mode in a consumer group (VG1 to VGn) to distinguish between normal operation and error cases at the consumer level, whereby each consumer group (VG1 to VGn) has a microcontroller (µC) which is used to determine a total current (IG1 to IGn) through a shunt (R1) in a supply line (L) to the consumers (R_V1 to R_Vn) is configured, whereby the artificial intelligence (KI, KI_T) can be supplied with the determined total currents (IG1 to IGn) of all consumer groups (VG1 to VGn) as well as vehicle bus signals (BS) as input signals, with the total currents in the standard operating mode (IR1bis IRn) together with a label “error-free” and the vehicle bus signals (BS) as training data can be supplied to the artificial intelligence (KI) as input variables, with the trained artificial intelligence (KI_T) receiving unlabeled total currents (IG1bis IGn) and bus signals in application mode (BS) can be supplied as input variables.
Description
Die Erfindung betrifft eine Schaltungsanordnung gemäß dem Oberbegriff des Anspruchs 1 und ein Verfahren zur Erkennung eines Gesundheitsstatus von elektrischen Verbrauchern gemäß dem Oberbegriff des Anspruchs 7.The invention relates to a circuit arrangement according to the preamble of
Einzel-Halbleitersicherungen mit eingebauter Logik (z.B. SPI-Schnittstelle) und Shunt sind kostenintensiv und bieten nicht die Möglichkeit, Fehler und Anomalien frühzeitig zu erkennen. Solche Halbleitersicherungen haben zudem einen erhöhten Eigenverbrauch und benötigen mehr Datenleitungen und/oder Verbindungsstellen (z.B. SPI).Single semiconductor fuses with built-in logic (e.g. SPI interface) and shunt are cost-intensive and do not offer the possibility of early detection of errors and anomalies. Such semiconductor fuses also have increased internal consumption and require more data lines and/or connection points (e.g. SPI).
- einen Speicher, um Anweisungen und mehrere vorgegebene Muster zu speichern; und eine Neuronales Netz-Steuereinheit, die mit dem Speicher gekoppelt ist, wobei die Neuronales Netz-Steuereinheit durch die Anweisungen konfiguriert ist zum Überwachen mehrerer eindeutiger Muster, die in Echtzeit erzeugt werden und einem Satz Systemparameter des Host-Systems entsprechen, wobei die Systemparameter mindestens eines oder mehrere der Folgenden umfassen:
- Eingangsparameter, Steuerparameter, Rückkopplungsparameter und Ausgangsparameter, wobei die eindeutigen Muster die Leistung des Host-Systems auf Systemebene in Echtzeit anzeigen und jedes eindeutige Muster für ein entsprechendes Untersystem des Host-Systems eindeutig ist, wobei die eindeutigen Muster eine Identifizierung von Fehlern ermöglichen, die mit einem oder mehreren Untersystemen verbunden sind, ohne von physikalischen Sensoren zum Detektieren eines Fehlers in dem Untersystem abzuhängen, und der Satz Systemparameter lediglich eine Untermenge von mehreren Systemparametern des Host-Systems enthält; Vorkonfigurieren der vorgegebenen Muster, wobei zum Vorkonfigurieren der vorgegebenen Muster die Neuronales Netz-Steuereinheit durch die Anweisungen konfiguriert ist zum Erfassen von Trainingsdaten, die die Leistung des Host-Systems auf Systemebene in einem normalen Betriebszustand der Untersysteme und in mehreren anomalen Betriebszuständen des oder der Untersysteme aus den Untersystemen umfassen; und
- Extrahieren mehrerer Merkmalsvektoren aus den Trainingsdaten, wobei die Merkmalsvektoren die vorgegebenen Muster aufweisen, die eine oder mehrere mögliche Anomalien in dem Host-System anzeigen;
- Vergleichen der eindeutigen Muster mit den vorgegebenen Mustern, die dem Satz Systemparameter entsprechen; und
- Detektieren einer oder mehrerer möglicher Anomalien in dem Host-System und mindestens eines fehlerhaften Untersystems aus den Untersystemen auf der Grundlage des Vergleichs, wobei das mindestens eine fehlerhafte Untersystem für einen Beitrag zu der oder den möglichen Anomalien in dem Host-System verantwortlich ist.
- a memory to store instructions and a plurality of predetermined patterns; and a neural network controller coupled to the memory, the neural network controller configured by the instructions to monitor a plurality of unique patterns generated in real time and corresponding to a set of system parameters of the host system, the system parameters being at least include one or more of the following:
- Input parameters, control parameters, feedback parameters and output parameters, wherein the unique patterns indicate real-time system-level performance of the host system and each unique pattern is unique to a corresponding subsystem of the host system, the unique patterns enabling identification of errors associated with one or more subsystems without depending on physical sensors to detect a fault in the subsystem, and the set of system parameters includes only a subset of a plurality of system parameters of the host system; Preconfiguring the predetermined patterns, wherein to preconfigure the predetermined patterns, the neural network controller is configured by the instructions to acquire training data that demonstrates system-level performance of the host system in a normal operating state of the subsystems and in multiple abnormal operating states of the subsystem(s). from the subsystems include; and
- Extracting a plurality of feature vectors from the training data, the feature vectors having the predetermined patterns indicating one or more possible anomalies in the host system;
- comparing the unique patterns with the predetermined patterns corresponding to the set of system parameters; and
- Detecting one or more possible anomalies in the host system and at least one faulty subsystem among the subsystems based on the comparison, the at least one faulty subsystem being responsible for contributing to the possible anomaly(s) in the host system.
Der Erfindung liegt die Aufgabe zu Grunde, eine neuartige Schaltungsanordnung und ein neuartiges Verfahren zur Erkennung eines Gesundheitsstatus von elektrischen Verbrauchern anzugeben.The invention is based on the object of specifying a novel circuit arrangement and a novel method for detecting the health status of electrical consumers.
Die Aufgabe wird erfindungsgemäß gelöst durch eine Schaltungsanordnung mit den Merkmalen des Anspruchs 1 und durch ein Verfahren zur Erkennung eines Gesundheitsstatus von elektrischen Verbrauchern mit den Merkmalen des Anspruchs 7.The object is achieved according to the invention by a circuit arrangement with the features of
Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.Advantageous embodiments of the invention are the subject of the subclaims.
Eine erfindungsgemäße Schaltungsanordnung für ein Kraftfahrzeug umfasst mindestens eine Verbrauchergruppe und eine künstliche Intelligenz, die dazu konfiguriert ist, in einem Trainingsmodus je Verbrauchergruppe einen Normal-Betriebspunkt der Verbraucher zu lernen, indem die Verbraucher in einem Norm-Betriebsmodus betrieben werden, wobei die so trainierte künstliche Intelligenz ferner dazu konfiguriert ist, in einem Anwendungsmodus in einer Verbrauchergruppe zwischen Normalbetrieb und Fehlerfall auf Verbraucherebene zu unterscheiden. Erfindungsgemäß weist jede Verbrauchergruppe eine Mehrzahl von Verbrauchern auf, die über eine gemeinsame Zuleitung und über einen Shunt mit einer Betriebsspannung verbunden sind, wobei jede Verbrauchergruppe ferner einen Mikrokontroller aufweist, der zur Messung eines Spannungsabfalls über dem Shunt und zur Berechnung eines dem Spannungsabfall entsprechenden Gesamtstroms durch den Shunt konfiguriert ist, wobei der künstlichen Intelligenz die ermittelten Gesamtströme aller Verbrauchergruppen sowie Fahrzeug-Bussignale als Eingangssignale zuführbar sind, wobei im Norm-Betriebsmodus der Gesamtstrom der Verbrauchergruppen zusammen mit einem Label „fehlerfrei“ sowie den Fahrzeug-Bussignalen als Trainingsdaten der künstlichen Intelligenz als Eingangsgrößen zuführbar sind, wobei der trainierten künstlichen Intelligenz im Anwendungsmodus ungelabelte Gesamtströme der Verbrauchergruppen sowie Bussignale als Eingangsgrößen zuführbar sind.A circuit arrangement according to the invention for a motor vehicle comprises at least one consumer group and an artificial intelligence, which is configured to learn a normal operating point of the consumers in a training mode for each consumer group by operating the consumers in a standard operating mode, the artificial intelligence trained in this way Intelligence is further configured to distinguish between normal operation and error cases at the consumer level in an application mode in a consumer group. According to the invention, each consumer group has a plurality of consumers which are connected to an operating voltage via a common supply line and via a shunt, each consumer group also having a microcontroller which is used to measure a voltage drop across the shunt and to calculate a total current corresponding to the voltage drop the shunt is configured, whereby the artificial intelligence can be supplied with the determined total currents of all consumer groups as well as vehicle bus signals as input signals, with the total current of the consumer groups together with a label “error-free” and the vehicle bus signals as training data for the artificial intelligence in the standard operating mode Input variables can be supplied, with the trained artificial intelligence receiving unlabeled total consumer flows in application mode groups and bus signals can be supplied as input variables.
In einer Ausführungsform sind die Verbraucher über eine jeweilige Halbleitersicherung an die Zuleitung für die Betriebsspannung angeschlossen.In one embodiment, the consumers are connected to the supply line for the operating voltage via a respective semiconductor fuse.
In einer Ausführungsform ist der Mikrocontroller ferner zur Ansteuerung der Halbleitersicherung über einen jeweiligen Steuerausgang konfiguriert.In one embodiment, the microcontroller is further configured to control the semiconductor fuse via a respective control output.
In einer Ausführungsform ist die Halbleitersicherung als Feldeffekttransistoren, insbesondere MOSFET, ausgebildet.In one embodiment, the semiconductor fuse is designed as a field effect transistor, in particular MOSFET.
In einer Ausführungsform ist die künstliche Intelligenz als ein neuronales Netz ausgebildet.In one embodiment, the artificial intelligence is designed as a neural network.
Die Schaltungsanordnung kann Teil eines Kraftfahrzeugs sein.The circuit arrangement can be part of a motor vehicle.
Gemäß einem Aspekt der vorliegenden Erfindung wird ein Verfahren zur Erkennung eines Gesundheitsstatus einer Mehrzahl von elektrischen Verbrauchern vorgeschlagen, umfassend eine Schaltungsanordnung, umfassend mindestens eine Verbrauchergruppe und eine künstliche Intelligenz, wobei in einem Trainingsmodus von der künstlichen Intelligenz je Verbrauchergruppe ein Normal-Betriebspunkt der Verbraucher gelernt wird, indem die Verbraucher in einem Norm-Betriebsmodus betrieben werden, sodass die trainierte künstliche Intelligenz in einem Anwendungsmodus in einer Verbrauchergruppe zwischen Normalbetrieb und Fehlerfall auf Verbraucherebene unterscheiden kann. Erfindungsgemäß weist jede Verbrauchergruppe eine Mehrzahl von Verbrauchern auf, die über eine gemeinsame Zuleitung und über einen Shunt mit einer Betriebsspannung verbunden sind, wobei jede Verbrauchergruppe ferner einen Mikrokontroller aufweist, der einen Spannungsabfall über dem Shunt misst und einen entsprechenden Gesamtstrom durch den Shunt berechnet, wobei die ermittelten Gesamtströme aller Verbrauchergruppen sowie Fahrzeug-Bussignale der künstlichen Intelligenz als Eingangssignale zugeführt werden, wobei im Norm-Betriebsmodus der Gesamtstrom der Verbrauchergruppen zusammen mit einem Label „fehlerfrei“ sowie den Fahrzeug-Bussignalen als Trainingsdaten der künstlichen Intelligenz als Eingangsgrößen zugeführt werden, wobei der so trainierten künstlichen Intelligenz im Anwendungsmodus ungelabelte Gesamtströme der Verbrauchergruppen sowie Bussignale als Eingangsgrößen zugeführt werden.According to one aspect of the present invention, a method for detecting a health status of a plurality of electrical consumers is proposed, comprising a circuit arrangement comprising at least one consumer group and an artificial intelligence, wherein in a training mode the artificial intelligence learns a normal operating point of the consumers for each consumer group by operating the consumers in a standard operating mode so that the trained artificial intelligence can distinguish between normal operation and fault cases at the consumer level in an application mode in a consumer group. According to the invention, each consumer group has a plurality of consumers that are connected to an operating voltage via a common supply line and a shunt, each consumer group also having a microcontroller that measures a voltage drop across the shunt and calculates a corresponding total current through the shunt, where the determined total currents of all consumer groups as well as vehicle bus signals are fed to the artificial intelligence as input signals, whereby in the standard operating mode the total current of the consumer groups together with a label “error-free” and the vehicle bus signals are fed to the artificial intelligence as training data as input variables, whereby the In this way, unlabeled total streams of consumer groups and bus signals are fed to trained artificial intelligence as input variables in application mode.
In einer Ausführungsform werden der künstlichen Intelligenz im Trainingsmodus ferner Gesamtströme der Verbrauchergruppen zusammen mit dem Label „fehlerhaft“ sowie den Fahrzeug-Bussignalen als Trainingsdaten zur Verfügung gestellt, welche Fehlerfälle einzelner oder aller Verbraucher abbilden.In one embodiment, the artificial intelligence is also provided with total flows of the consumer groups together with the label “faulty” and the vehicle bus signals as training data in training mode, which represent error cases for individual or all consumers.
In einer alternativen Ausführungsform wird im Trainingsmodus eine binäre Klassifizierungsmethode verwendet, welche mit ausschließlich einer als „fehlerfrei“ gelabelten Klasse auskommt.In an alternative embodiment, a binary classification method is used in the training mode, which only requires one class labeled as “error-free”.
In einer Ausführungsform werden aus dem ermittelten Gesundheitszustand Rückschlüsse auf Anomalien und Alterungserscheinungen der Verbraucher gezogen.In one embodiment, conclusions about anomalies and signs of aging of the consumer are drawn from the determined state of health.
Die vorliegende Erfindung ermöglicht eine frühzeitige Fehler- und Anomalieerkennung elektrischer Komponenten in einem Kraftfahrzeug, sodass präventiv Maßnahmen gegen Aus- und Fehlerfälle getroffen werden können. Auf diese Weise kann auf eine vollumfängliche Absicherung der elektrischen Verbraucher mittels Halbleitersicherungen, welche jeweils eine integrierte Strommessung über einen Shunt aufweisen, verzichtet werden, womit Kosten eingespart werden, da die Gesamtanzahl der zu verwendenden Shunts reduziert wird.The present invention enables early fault and anomaly detection of electrical components in a motor vehicle, so that preventative measures can be taken against failures and errors. In this way, full protection of the electrical consumers using semiconductor fuses, each of which has an integrated current measurement via a shunt, can be dispensed with, which saves costs since the total number of shunts to be used is reduced.
Durch die erfindungsgemäße Lösung werden Ausfälle von Komponenten durch die Ableitung präventiver Maßnahmen (analog zu Predictive Maintenance) reduziert. Es besteht die Möglichkeit, die gewonnenen und ausgewerteten Daten an einer Fahrzeugschnittstelle bereitzustellen und an ein Back-End zu senden. Auf diese Weise können Felddaten und Informationen über die Flotte im Feld gewonnen werden. Dank der erfindungsgemäßen Lösung werden weniger Bauteile benötigt als mit „intelligenten“ Halbleitersicherungen. Somit ergibt sich eine Kosteneinsparung durch weniger elektronische Komponenten je Halbleitersicherung und durch weniger Datenleitungen und/oder Verbindungsstellen.The solution according to the invention reduces component failures by deriving preventative measures (analogous to predictive maintenance). It is possible to provide the acquired and evaluated data on a vehicle interface and send it to a backend. In this way, field data and information about the fleet in the field can be obtained. Thanks to the solution according to the invention, fewer components are required than with “intelligent” semiconductor fuses. This results in cost savings through fewer electronic components per semiconductor fuse and through fewer data lines and/or connection points.
Ausführungsbeispiele der Erfindung werden im Folgenden anhand von Zeichnungen näher erläutert.Exemplary embodiments of the invention are explained in more detail below with reference to drawings.
Dabei zeigen:
-
1 eine schematische Ansicht einer elektrischen Schaltung einer Verbrauchergruppe, -
2 eine schematische Ansicht einer Schaltungsanordnung, umfassend mehrere Verbrauchergruppen gemäß1 sowie eine künstliche Intelligenz in einem Trainingsfall, und -
3 eine schematische Ansicht einer Schaltungsanordnung, umfassend mehrere Verbrauchergruppen gemäß1 sowie eine künstliche Intelligenz in einem Anwendungsfall.
-
1 a schematic view of an electrical circuit of a consumer group, -
2 a schematic view of a circuit arrangement, comprising several consumer groups according to1 as well as artificial intelligence in a training case, and -
3 a schematic view of a circuit arrangement, comprising several consumer groups according to1 as well as artificial intelligence in one use case.
Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen.Corresponding parts are provided with the same reference numbers in all figures.
Der Mikrocontroller µC misst die Spannung, welche an dem Shunt R1 anliegt und berechnet dadurch einen Gesamtstrom IG1 der aus den untereinander parallel geschalteten Verbrauchern R_V1 bis R_Vn gebildeten Verbrauchergruppe VG1. Zusätzlich kann der Mikrocontroller µC bei Fehlerfällen einzelne Halbleitersicherungen M1 bis Mn steuern und somit gezielt einzelne Verbraucher R_V1 bis R_Vn an- und abschalten. Der Mikrocontroller µC übernimmt eine Mess-, Steuerungs- und Sicherheitsfunktion und sichert die Leitungen und Komponenten ab.The microcontroller µC measures the voltage applied to the shunt R1 and thereby calculates a total current I G1 of the consumer group VG1 formed from the consumers R_V1 to R_Vn connected in parallel. In addition, the microcontroller µC can control individual semiconductor fuses M1 to Mn in the event of an error and thus specifically switch individual consumers R_V1 to R_Vn on and off. The microcontroller µC takes on a measuring, control and safety function and protects the cables and components.
Die Schaltungsanordnung 1 umfasst ferner eine künstliche Intelligenz Kl, insbesondere ein neuronales Netz. Für das Training der künstlichen Intelligenz Kl werden diesem ausgewählte Fahrzeug-Bussignale BS und die von den Microcontrollern µC der Verbrauchergruppen VG1 bis VGn ermittelten Gesamtströme IR1 bis IRn der Verbrauchergruppen VG1 bis VGn zur Verfügung gestellt. Dabei liefern die Fahrzeug-Bussignale BS Informationen über den Gesamtzustand des Fahrzeugs. Hierdurch kann je Verbrauchergruppe VG1 bis VGn ein Normal-Betriebspunkt der Verbraucher R_V1 bis R_Vn der Verbrauchergruppe VG1 bis VGn angelernt werden, indem die Verbraucher R_V1 bis R_Vn in einem Norm-Betriebsmodus betrieben werden und der Gesamtstrom IR1 bis IRn der Verbrauchergruppen VG1 bis VGn zusammen mit einem Label „fehlerfrei“ sowie den Fahrzeug-Bussignalen BS als Trainingsdaten der künstlichen Intelligenz Kl zur Verfügung gestellt werden.The
Zusätzlich können der künstlichen Intelligenz KI im Trainingsfall Gesamtströme IR1 bis IRn der Verbrauchergruppen VG1 bis VGn zusammen mit dem Label „fehlerhaft“ sowie den Fahrzeug-Bussignalen BS als Trainingsdaten zur Verfügung gestellt werden, welche Fehlerfälle einzelner oder aller Verbraucher R_V1 bis R_Vn abbilden.In addition, in the training case, the artificial intelligence AI can be provided with total currents I R1 to I Rn of the consumer groups VG1 to VGn together with the label “faulty” and the vehicle bus signals BS as training data, which represent error cases of individual or all consumers R_V1 to R_Vn.
Alternativ können auch binäre Klassifizierungsmethoden, welche mit ausschließlich einer (z.B. der fehlerfreien) Klasse auskommen, verwendet werden (One-Class-Learning).Alternatively, binary classification methods, which only use one class (e.g. the error-free one), can also be used (one-class learning).
Durch maschinelles, insbesondere überwachtes, Lernen wird die künstliche Intelligenz KI derart trainiert, dass in einer Verbrauchergruppe VG1 bis VGn zwischen Normalbetrieb und Fehlerfall auf Verbraucherebene unterschieden werden kann.Through machine learning, in particular monitored learning, the artificial intelligence AI is trained in such a way that in a consumer group VG1 to VGn a distinction can be made between normal operation and error cases at consumer level.
Das Ergebnis des Trainings der künstlichen Intelligenz KI für jeden Verbraucher R_V1 bis R_Vn ist eine trainierte künstliche Intelligenz KI_T mit einem Gesundheitsmodell. Dabei kann für jeden Verbraucher ein eigenes Gesundheitsmodell oder ein gemeinsames Gesundheitsmodell für mehrere oder alle Verbraucher vorgesehen sein.The result of training the artificial intelligence AI for each consumer R_V1 to R_Vn is a trained artificial intelligence KI_T with a health model. Each consumer can have their own health model or a common health model for several or all consumers.
Die Schaltungsanordnung 1 umfasst ferner die trainierte künstliche Intelligenz KI_T.The
Der trainierten künstlichen Intelligenz KI_T werden die Fahrzeug-Bussignale BS und die von den Microcontrollern µC der Verbrauchergruppen VG1 bis VGn ermittelten Gesamtströme IG1 bis IGn der Verbrauchergruppen VG1 bis VGn zur Verfügung gestellt.The trained artificial intelligence KI_T is provided with the vehicle bus signals BS and the total currents I G1 to I Gn of the consumer groups VG1 to VGn determined by the microcontrollers µC of the consumer groups VG1 to VGn.
Im Anwendungsfall werden der trainierten künstlichen Intelligenz KI_T ungelabelte Gesamtströme IG1 bis IGn der Verbrauchergruppen VG1 bis VGn sowie Bussignale BS, insbesondere ausgewählte Bussignale BS, zur Verfügung gestellt. Die trainierte künstliche Intelligenz KI_T kann anhand dieser Informationen Rückschlüsse auf den Gesundheitsstatus GS einzelner oder aller Verbraucher R_V1 bis R_Vn einzelner oder aller Verbrauchergruppen VG1 bis VGn ziehen.In the application case, the trained artificial intelligence KI_T is provided with unlabeled total currents I G1 to I Gn of the consumer groups VG1 to VGn as well as bus signals BS, in particular selected bus signals BS. The trained artificial intelligence KI_T can use this information to draw conclusions about the health status GS of individual or all consumers R_V1 to R_Vn of individual or all consumer groups VG1 to VGn.
Dies erlaubt Rückschlüsse auf Anomalien und Alterungserscheinungen.This allows conclusions to be drawn about anomalies and signs of aging.
BezugszeichenlisteReference symbol list
- 11
- SchaltungsanordnungCircuit arrangement
- BSB.S
- BussignalBus signal
- C1 bis CnC1 to Cn
- SteuerausgangControl output
- CS+CS+
- MesseingangMeasuring input
- CS-CS
- MesseingangMeasuring input
- GNDGND
- MassepotentialGround potential
- GSG.S
- GesundheitsstatusHealth status
- IG1 bis IGnIG1 to IGn
- GesamtstromTotal current
- IR1 bis IRnIR1 to IRn
- GesamtstromTotal current
- KIAI
- künstliche Intelligenzartificial intelligence
- KI_TKI_T
- trainierte künstliche Intelligenztrained artificial intelligence
- LL
- Zuleitungsupply line
- M1 bis MnM1 to Mn
- HalbleitersicherungSemiconductor fuse
- R_V1 bis R_VnR_V1 to R_Vn
- Verbraucherconsumer
- R1R1
- Shuntshunt
- VG1 bis VGnVG1 to VGn
- Verbrauchergruppeconsumer group
- V+V+
- BetriebsspannungOperating voltage
- µCµC
- MikrocontrollerMicrocontroller
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE 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 listed 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 PatentliteraturCited patent literature
- EP 3098681 B1 [0003]EP 3098681 B1 [0003]
Claims (10)
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022003261.9A DE102022003261A1 (en) | 2022-09-06 | 2022-09-06 | Circuit arrangement and method for detecting the health status of electrical consumers |
PCT/EP2023/073749 WO2024052183A1 (en) | 2022-09-06 | 2023-08-30 | Circuit arrangement and method for detecting a health status of electrical loads |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022003261.9A DE102022003261A1 (en) | 2022-09-06 | 2022-09-06 | Circuit arrangement and method for detecting the health status of electrical consumers |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102022003261A1 true DE102022003261A1 (en) | 2024-01-11 |
Family
ID=87886670
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022003261.9A Ceased DE102022003261A1 (en) | 2022-09-06 | 2022-09-06 | Circuit arrangement and method for detecting the health status of electrical consumers |
Country Status (2)
Country | Link |
---|---|
DE (1) | DE102022003261A1 (en) |
WO (1) | WO2024052183A1 (en) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019107135B3 (en) | 2019-03-20 | 2020-06-10 | Elmos Semiconductor Aktiengesellschaft | Device and method for fault diagnosis and / or EME optimization by means of edge detection in the current measurement path |
EP3098681B1 (en) | 2015-05-27 | 2020-08-26 | Tata Consultancy Services Limited | Artificial intelligence based health management of host system |
DE102019213835A1 (en) | 2019-09-11 | 2021-03-11 | Volkswagen Aktiengesellschaft | Method and device for identifying an additional consumer in an energy network |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19906276A1 (en) * | 1999-02-15 | 2000-09-21 | Heusler Isabellenhuette | Method and current measuring module for current monitoring in a power supply system |
DE102009027326A1 (en) * | 2009-01-05 | 2010-07-08 | Robert Bosch Gmbh | Circuit arrangement for detecting breakdown of electrical load, particularly in electrical system of motor vehicle, is provided with sensor device, driver unit and shunt |
CN114355110A (en) * | 2022-03-18 | 2022-04-15 | 智联新能电力科技有限公司 | Fault current mode identification method based on convolutional neural network |
-
2022
- 2022-09-06 DE DE102022003261.9A patent/DE102022003261A1/en not_active Ceased
-
2023
- 2023-08-30 WO PCT/EP2023/073749 patent/WO2024052183A1/en unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3098681B1 (en) | 2015-05-27 | 2020-08-26 | Tata Consultancy Services Limited | Artificial intelligence based health management of host system |
DE102019107135B3 (en) | 2019-03-20 | 2020-06-10 | Elmos Semiconductor Aktiengesellschaft | Device and method for fault diagnosis and / or EME optimization by means of edge detection in the current measurement path |
DE102019213835A1 (en) | 2019-09-11 | 2021-03-11 | Volkswagen Aktiengesellschaft | Method and device for identifying an additional consumer in an energy network |
Also Published As
Publication number | Publication date |
---|---|
WO2024052183A1 (en) | 2024-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2593754B1 (en) | Method of detecting a switching position of a switching device | |
DE3810239A1 (en) | Multifunction tester for fault diagnosis | |
DD296763A5 (en) | DEVICE AND METHOD FOR TESTING ELECTRICAL CONSUMERS CONNECTED TO A DC SOURCE OF A MOTOR VEHICLE | |
DE102015008831A1 (en) | High-voltage network and method for locating an insulation fault in a high-voltage network for a motor vehicle | |
DE102016112764A1 (en) | INTERFACE MODULE FOR A MOTOR VEHICLE, ELECTRICITY DISTRIBUTION BOARD AND PORTABLE NETWORK FOR A MOTOR VEHICLE | |
EP1134589B1 (en) | Method for detecting a faulty earth connection e.g. in a vehicle | |
EP3612846B1 (en) | Device and power supply for a control unit and method for monitoring a power supply | |
EP3132271B1 (en) | Method and device for ascertaining an inner resistance of a supply network for supplying energy to a personal protection device of a vehicle | |
DE102022003261A1 (en) | Circuit arrangement and method for detecting the health status of electrical consumers | |
EP1475875A2 (en) | Method and device to monitor a power output stage | |
EP1597117B1 (en) | Device and method for central on-board diagnosis for motor vehicles | |
EP2729857B1 (en) | Documentation of faults in a fault memory of a motor vehicle | |
DE19906932B4 (en) | Binary | |
DE10161998A1 (en) | Method for control system monitoring, especially of motor vehicle electrical or electronic systems, enables estimation of an aging factor for a whole system rather than just for individual components within it | |
DE10307344A1 (en) | Device and method for decentralized on-board diagnosis for motor vehicles | |
DE102005015443A1 (en) | Mass misalignment determining method for vehicles involves determining quality of mass binding of line strands based on comparison between supply voltages across controllers | |
DE102016202990B3 (en) | Method and circuit for checking the connection state of phase current lines | |
DE102022108932B3 (en) | Electronic system for a vehicle and method for identifying functional modules in a vehicle | |
DE102018123890A1 (en) | Control unit with a prewarning function designed to detect a signal reduction present in a hardware component | |
DE19845565C1 (en) | Determining condition of on board electric supply system of motor vehicle based on supply voltage produced by generator and battery | |
DE102017011721A1 (en) | Electric vehicle electrical system for a motor vehicle, wherein an additional DC voltage is provided for an intermediate circuit of the electrical system | |
DE102011003758B4 (en) | Method for resolver chip diagnosis, resolver chip diagnosis device and computer program product | |
DE102016103871A1 (en) | Method and device for automatically detecting the configuration of luminous elements connected in series | |
EP3479468B1 (en) | Method and apparatus for checking a multi-phase connecting cable and bridge circuit for a multi-phase electrical motor | |
DE10326595A1 (en) | Car defective component detection procedure compares measured and stored quiet current characteristics to identify matching defective unit |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R230 | Request for early publication | ||
R016 | Response to examination communication | ||
R002 | Refusal decision in examination/registration proceedings | ||
R003 | Refusal decision now final |