DE102022209341A1 - Generating a control signal for an electronic module using a neural network - Google Patents

Generating a control signal for an electronic module using a neural network Download PDF

Info

Publication number
DE102022209341A1
DE102022209341A1 DE102022209341.0A DE102022209341A DE102022209341A1 DE 102022209341 A1 DE102022209341 A1 DE 102022209341A1 DE 102022209341 A DE102022209341 A DE 102022209341A DE 102022209341 A1 DE102022209341 A1 DE 102022209341A1
Authority
DE
Germany
Prior art keywords
neural network
electronic module
data
control signal
input data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102022209341.0A
Other languages
German (de)
Inventor
Daniel Meindl
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ZF Friedrichshafen AG
Original Assignee
ZF Friedrichshafen AG
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ZF Friedrichshafen AG filed Critical ZF Friedrichshafen AG
Priority to DE102022209341.0A priority Critical patent/DE102022209341A1/en
Priority to PCT/EP2023/072576 priority patent/WO2024052067A1/en
Publication of DE102022209341A1 publication Critical patent/DE102022209341A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/49—Nc machine tool, till multiple
    • G05B2219/49204—Control of heat to compensate for dilatation, thermal displacement

Landscapes

  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Feedback Control In General (AREA)

Abstract

Offenbart wird ein Verfahren zum Erzeugen eines Steuersignals (26) für ein elektronisches Modul mittels eines neuronalen Netzwerks (12). Das Verfahren umfasst: Eingabe (ES1) von Eingabedaten (20) in das neuronale Netzwerk (12), welche jeweils eine zu einem vorgegebenen Zeitpunkt erfasste Temperatur (18) des elektronischen Moduls umfassen; Bestimmen (ES2) von Dehnungskoeffizienten (22) des elektronischen Moduls durch das neuronale Netzwerk (12), basierend auf einem von dem neuronalen Netzwerk (12) gelernten Zusammenhang zwischen den Eingabedaten (20) und den Dehnungskoeffizienten (22); und Ausgabe (ES3) des Steuersignals (26) für das elektronische Modul, basierend auf den bestimmten Dehnungskoeffizienten (22).Disclosed is a method for generating a control signal (26) for an electronic module using a neural network (12). The method comprises: entering (ES1) input data (20) into the neural network (12), each of which includes a temperature (18) of the electronic module recorded at a predetermined time; Determining (ES2) strain coefficients (22) of the electronic module by the neural network (12), based on a relationship between the input data (20) and the strain coefficients (22) learned by the neural network (12); and outputting (ES3) the control signal (26) for the electronic module based on the determined expansion coefficients (22).

Description

Technisches GebietTechnical area

Die vorliegende Erfindung betrifft ein Verfahren zum Erzeugen eines Steuersignals für ein elektronisches Modul mittels eines neuronalen Netzwerks. Hierzu werden von dem neuronalen Netzwerk temperaturabhängige Dehnungskoeffizienten des elektronischen Moduls bestimmt und abhängig von diesen Dehnungskoeffizienten das Steuersignal ausgegeben. Die Erfindung betrifft zudem ein Verfahren zum Trainieren eines neuronalen Netzwerks, welches dazu ausgebildet ist, ein Steuersignal für ein elektronisches Modul zu erzeugen. Die Erfindung betrifft ferner eine zugehörige Steuereinrichtung zur Erzeugung eines Steuersignals für ein elektronisches Modul mittels eines neuronalen Netzwerks.The present invention relates to a method for generating a control signal for an electronic module using a neural network. For this purpose, temperature-dependent expansion coefficients of the electronic module are determined by the neural network and the control signal is output depending on these expansion coefficients. The invention also relates to a method for training a neural network which is designed to generate a control signal for an electronic module. The invention further relates to an associated control device for generating a control signal for an electronic module by means of a neural network.

Stand der TechnikState of the art

Elektromechanische Bauteile, beispielsweise Spannungswandler, bestehen aus einer Vielzahl einzelner Komponenten, welche miteinander verschaltet sind. Im Betrieb sind diese Komponenten wechselnden Stromstärken ausgesetzt, was zu einer thermischen Beanspruchung der Bauteile führt. Um eine Beschädigung der Bauteile feststellen zu können, sind im Allgemeinen komplexe strukturelle, mechanische und thermische Simulationen notwendig. Diese Simulationen sind sehr rechenintensiv und zeitaufwendig. Daher ist es wünschenswert, die zur Feststellung einer Beschädigung dieser Bauteile benötigte Rechenzeit zu verkürzen.Electromechanical components, such as voltage converters, consist of a large number of individual components that are interconnected. During operation, these components are exposed to changing current levels, which leads to thermal stress on the components. In order to determine damage to components, complex structural, mechanical and thermal simulations are generally necessary. These simulations are very computationally intensive and time-consuming. It is therefore desirable to shorten the computing time required to detect damage to these components.

Darstellung der ErfindungPresentation of the invention

Die Erfindung bezieht sich in einem ersten Aspekt auf ein Verfahren zum Erzeugen eines Steuersignals für ein elektronisches Modul mittels eines neuronalen Netzwerks.In a first aspect, the invention relates to a method for generating a control signal for an electronic module using a neural network.

Ein elektronisches Modul kann elektrisch leitende, elektrisch isolierende und Halbleiterkomponenten umfassen. Beispielsweise kann ein elektronisches Modul elektrisch leitende Drähte, einen elektrisch isolierenden Grundkörper und Transistoren beziehungsweise Dioden umfassen, welche unter bestimmten Voraussetzungen elektrisch leitfähig sind. Mittels eines elektronischen Moduls kann beispielsweise Gleichspannung in Wechselspannung beziehungsweise Wechselspannung in Gleichspannung umgewandelt werden.An electronic module can include electrically conductive, electrically insulating and semiconductor components. For example, an electronic module can include electrically conductive wires, an electrically insulating base body and transistors or diodes, which are electrically conductive under certain conditions. Using an electronic module, for example, direct voltage can be converted into alternating voltage or alternating voltage into direct voltage.

Ein Steuersignal kann ein elektrisches Signal sein, welches von oder zu dem elektronischen Modul übertragen wird. Das elektronische Signal kann Steuerungsdaten enthalten. Mittels des Steuerungssignals kann zumindest ein Betriebsparameter des elektronischen Moduls, beispielsweise eine Stromstärke oder elektrische Spannung desselben, beeinflusst werden. Alternativ oder zusätzlich kann das Steuersignal von dem elektronischen Modul an eine Auswerteeinheit übertragen werden, um zumindest einen Betriebsparameter des elektronischen Moduls, beispielsweise eine Temperatur desselben, zu ermitteln.A control signal can be an electrical signal that is transmitted from or to the electronic module. The electronic signal can contain control data. By means of the control signal, at least one operating parameter of the electronic module, for example a current strength or electrical voltage of the same, can be influenced. Alternatively or additionally, the control signal can be transmitted from the electronic module to an evaluation unit in order to determine at least one operating parameter of the electronic module, for example a temperature of the same.

Unter einem neuronalen Netzwerk kann ein mathematisches Modell verstanden werden, welches die Struktur der Neuronen im menschlichen Gehirn zumindest teilweise nachbildet. Das neuronale Netzwerk kann mithilfe eines Computers erstellt werden. Das neuronale Netzwerk kann Eingangsknoten, Ausgangsknoten und mehrere Zwischenknoten aufweisen, welche zwischen den Eingangsknoten und den Ausgangsknoten angeordnet sind. Die Eingangsknoten können beispielsweise Datenschnittstellen sein, über welche Eingabedaten in das neuronale Netzwerk eingegeben werden können. Die Ausgangsknoten können beispielsweise Datenschnittstellen sein, über welche Ausgabedaten aus dem neuronalen Netzwerk ausgegeben werden können. Die Eingangsknoten können mit den Zwischenknoten und die Zwischenknoten können miteinander verbunden sein. Die Zwischenknoten können mit den Ausgangsknoten verbunden sein. Die Eingabedaten können historische Daten sein, welche zu einem bestimmten Zeitpunkt erfasst wurden. Alternativ oder zusätzlich können die Eingabedaten synthetische Daten sein, welche durch Verarbeitung erfasster beziehungsweise gemessener Daten erzeugt wurden. Analog hierzu können die Ausgabedaten historische Daten beziehungsweise synthetische Daten sein.A neural network can be understood as a mathematical model that at least partially replicates the structure of the neurons in the human brain. The neural network can be created using a computer. The neural network may include input nodes, output nodes, and a plurality of intermediate nodes disposed between the input nodes and the output nodes. The input nodes can be, for example, data interfaces via which input data can be entered into the neural network. The output nodes can be, for example, data interfaces via which output data from the neural network can be output. The input nodes may be connected to the intermediate nodes and the intermediate nodes may be connected to each other. The intermediate nodes can be connected to the output nodes. The input data can be historical data collected at a specific point in time. Alternatively or additionally, the input data can be synthetic data that was generated by processing recorded or measured data. Analogously, the output data can be historical data or synthetic data.

Auf den Zwischenknoten kann Information zumindest temporär zwischengespeichert werden. Es kann vorgesehen sein, dass auf den Zwischenknoten zumindest eine Rechenoperation ausgeführt wird. Die Eingabedaten können von den Eingangsknoten über die Zwischenknoten zu den Ausgangsknoten übertragen werden. Während dieser Übertragung können die Eingabedaten mathematisch verarbeitet werden, beispielsweise zu den Ausgabedaten umgewandelt werden. Die Zwischenknoten des neuronalen Netzwerks können in einer oder mehreren Schichten beziehungsweise Ebenen angeordnet sein. Die Zwischenknoten können innerhalb einer Schicht miteinander verbunden sein. Zusätzlich können die Zwischenknoten einer Schicht mit den Zwischenknoten anderer Schichten verbunden sein. Die einzelnen Verbindungen der Eingangsknoten, der Zwischenknoten und der Ausgangsknoten können mit mathematischen Gewichtungen versehen sein. Je nach Zweck des neuronalen Netzwerks können die einzelnen Gewichtungen der Verbindungen unterschiedlich sein. Während des Trainings des neuronalen Netzwerks können die Gewichtungen verändert werden. Durch die Anpassung der mathematischen Gewichtungen der Verbindungen der einzelnen Knoten während des Trainings kann von dem neuronalen Netzwerk ein Zusammenhang zwischen den Eingabedaten und den Ausgabedaten gelernt werden. Während der Verwendung des neuronalen Netzwerks zu dem vorgesehenen Zweck kann der gelernte Zusammenhang von dem neuronalen Netzwerk auf eingegebene Eingabedaten angewandt werden, um Ausgabedaten gemäß dem vorgegebenen Verwendungszweck des neuronalen Netzwerks zu erzeugen.Information can be stored at least temporarily on the intermediate nodes. It can be provided that at least one arithmetic operation is carried out on the intermediate nodes. The input data can be transferred from the input nodes to the output nodes via the intermediate nodes. During this transfer, the input data can be processed mathematically, for example converted into the output data. The intermediate nodes of the neural network can be arranged in one or more layers or levels. The intermediate nodes can be connected to one another within a layer. In addition, the intermediate nodes of one layer can be connected to the intermediate nodes of other layers. The individual connections of the input nodes, the intermediate nodes and the output nodes can be provided with mathematical weights. Depending on the purpose of the neural network, the individual weights of the connections can be different. During the training of the neural network, the Weights can be changed. By adjusting the mathematical weights of the connections of the individual nodes during training, the neural network can learn a connection between the input data and the output data. While using the neural network for its intended purpose, the learned context from the neural network can be applied to input data to produce output data according to the intended purpose of using the neural network.

Das Verfahren umfasst den Schritt der Eingabe von Eingabedaten in das neuronale Netzwerk. Die Eingabedaten umfassen jeweils eine zu einem vorgegebenen Zeitpunkt erfasste Temperatur des elektronischen Moduls. Die erfassten Temperaturen können repräsentativ für eine Temperaturverteilung des elektronischen Moduls sein. Die vorgegebenen Zeitpunkte können von einem Benutzer oder Hersteller des elektronischen Moduls vorgegeben sein. Die Eingabedaten können beispielsweise anhand einer elektrodynamisch-thermischen Simulation des Betriebs des elektronischen Moduls erfasst werden. Alternativ oder zusätzlich können die Eingabedaten experimentell erfasst werden. Die Eingabedaten können beispielsweise mittels einer Eingabevorrichtung an zumindest einen der Eingangsknoten des neuronalen Netzwerks übertragen werden. Alternativ können die Eingabedaten von einer Steuereinrichtung des elektronischen Moduls über eine Datenschnittstelle an zumindest einen der Eingangsknoten des neuronalen Netzwerks übertragen werden.The method includes the step of entering input data into the neural network. The input data each includes a temperature of the electronic module recorded at a predetermined time. The recorded temperatures can be representative of a temperature distribution of the electronic module. The specified times can be specified by a user or manufacturer of the electronic module. The input data can be recorded, for example, using an electrodynamic-thermal simulation of the operation of the electronic module. Alternatively or additionally, the input data can be recorded experimentally. The input data can be transmitted to at least one of the input nodes of the neural network, for example by means of an input device. Alternatively, the input data can be transmitted from a control device of the electronic module via a data interface to at least one of the input nodes of the neural network.

Das Verfahren umfasst ferner den Schritt des Bestimmens von Dehnungskoeffizienten des elektronischen Moduls durch das neuronale Netzwerk auf. Das neuronale Netzwerk bestimmt die Dehnungskoeffizienten basierend auf einem von dem neuronalen Netzwerk gelernten Zusammenhang der Eingabedaten mit den Dehnungskoeffizienten. Die Dehnungskoeffizienten können eine Veränderung zumindest einer Dimension des elektronischen Moduls relativ zu einem vorgegebenen Startwert beschreiben. Die Dehnungskoeffizienten können bezüglich einer Veränderung der Länge, eine Veränderung der Fläche oder einer Veränderung des Volumens des elektronischen Moduls bestimmt werden. Beispielweise kann sich das elektronische Modul bei einer Temperaturerhöhung in zumindest einer Dimension ausdehnen. Alternativ kann das elektronische Modul bei einer Temperatursenkung in zumindest einer Dimension schrumpfen. Die Eingabedaten können von dem neuronalen Netzwerk, beispielsweise auf den Zwischenknoten, gemäß dem gelernten Zusammenhang verarbeitet werden, um die Dehnungskoeffizienten zu bestimmen. Beim Lernen des Zusammenhangs kann von dem neuronalen Netzwerk die mathematische Gewichtung der Verbindungen der einzelnen Knoten geändert werden, um die Dehnungskoeffizienten zu bestimmen.The method further includes the step of determining strain coefficients of the electronic modulus by the neural network. The neural network determines the strain coefficients based on a relationship of the input data to the strain coefficients learned by the neural network. The expansion coefficients can describe a change in at least one dimension of the electronic module relative to a predetermined starting value. The expansion coefficients can be determined with respect to a change in length, a change in area or a change in volume of the electronic module. For example, the electronic module can expand in at least one dimension when the temperature increases. Alternatively, the electronic module can shrink in at least one dimension when the temperature drops. The input data can be processed by the neural network, for example on the intermediate nodes, according to the learned context to determine the strain coefficients. When learning the connection, the neural network can change the mathematical weighting of the connections of the individual nodes in order to determine the strain coefficients.

Das Verfahren umfasst ferner den Schritt der Ausgabe des Steuersignals für das elektronische Modul. Das Steuersignal wird basierend auf den bestimmten Dehnungskoeffizienten ausgegeben. Das Steuersignal kann von dem neuronalen Netzwerk erzeugt und an eine dafür ausgebildete Vorrichtung zur elektrischen Signalverarbeitung ausgegeben werden. Alternativ können die von dem neuronalen Netzwerk bestimmte Dehnungskoeffizienten an eine dafür ausgebildete Vorrichtung zur elektrischen Signalverarbeitung ausgegeben werden. Die Vorrichtung zur elektrischen Signalverarbeitung kann die empfangenen Dehnungskoeffizienten in das Steuersignal umwandeln und dieses beispielsweise an eine Steuereinrichtung des elektronischen Moduls ausgeben. Das Steuersignal kann von weiteren, mit dem elektronischen Modul in Verbindung stehenden Komponenten verwendet werden. Beispielweise kann das Steuersignal zur Ansteuerung einer dieser Komponenten verwendet werden. Alternativ oder zusätzlich können die bestimmten Dehnungskoeffizienten anhand des Steuersignals auf einer Anzeigeeinheit dargestellt werden.The method further includes the step of outputting the control signal for the electronic module. The control signal is output based on the determined expansion coefficients. The control signal can be generated by the neural network and output to a device designed for electrical signal processing. Alternatively, the strain coefficients determined by the neural network can be output to a device designed for this purpose for electrical signal processing. The device for electrical signal processing can convert the received expansion coefficients into the control signal and output this, for example, to a control device of the electronic module. The control signal can be used by other components connected to the electronic module. For example, the control signal can be used to control one of these components. Alternatively or additionally, the specific expansion coefficients can be displayed on a display unit based on the control signal.

Das vorgeschlagene Verfahren ermöglicht das Bestimmen von temperaturabhängigen Dehnungskoeffizienten eines elektronischen Moduls und die Erzeugung eines Steuersignals in Abhängigkeit der bestimmten Dehnungskoeffizienten mittels eines neuronalen Netzwerks. Hierdurch kann auf die Verwendung von klassischen mathematischen Modellen verzichtet werden, welche im Allgemeinen sehr komplex und daher zeitaufwendig zu berechnen sind. Durch die Verwendung eines neuronalen Netzwerks kann somit einerseits die zum Bestimmen der Dehnungskoeffizienten benötigte Berechnungszeit reduziert werden. Ferner ermöglicht das vorgeschlagene Verfahren das Steuern des elektronischen Moduls mittels des ausgegebenen Steuersignals basierend auf den bestimmten Dehnungskoeffizienten. Aufgrund der reduzierten Berechnungszeit zum Bestimmen der Dehnungskoeffizienten können auch kurzfristige auftretende oder vergleichsweise schnell stattfindende Änderungen der Dehnungskoeffizienten erkannt werden. Insbesondere bei einer thermischen Überlastung des elektronischen Moduls kann es zu einer vergleichsweise schnellen Änderung der Dehnungskoeffizienten kommen. Mittels des mit verkürzter Berechnungszeit erzeugbaren Steuersignals kann auf diese schnelle Änderung der Dehnungskoeffizienten reagiert und so einer Schädigung des elektronischen Moduls entgegengewirkt werden. Die Lebensdauer des elektronischen Moduls kann dadurch erhöht werden.The proposed method enables the determination of temperature-dependent expansion coefficients of an electronic module and the generation of a control signal depending on the determined expansion coefficients using a neural network. This makes it possible to avoid the use of classic mathematical models, which are generally very complex and therefore time-consuming to calculate. By using a neural network, the calculation time required to determine the strain coefficients can be reduced. Furthermore, the proposed method enables the electronic module to be controlled using the output control signal based on the determined expansion coefficients. Due to the reduced calculation time for determining the expansion coefficients, short-term or comparatively rapid changes in the expansion coefficients can also be detected. In particular, if the electronic module is thermally overloaded, the expansion coefficients can change comparatively quickly. By means of the control signal that can be generated with a shortened calculation time, this rapid change in the expansion coefficients can be responded to and damage to the electronic module can be counteracted. The service life of the electronic module can thereby be increased.

Nach einer Ausführungsform werden die Eingabedaten an vorgegebenen Positionen des elektronischen Moduls erfasst. Die Dehnungskoeffizienten werden in Abhängigkeit der vorgegebenen Positionen des elektronischen Moduls bestimmt. Die vorgegebenen Positionen können Abschnitte des elektronischen Moduls sein, welche im Betrieb desselben einer vergleichsweise hohen thermischen Belastung ausgesetzt sind. Beispielweise können die Eingabedaten an stromführenden Leitungsdrähten, an Lötstellen, an Platinen oder an Verbindungsabschnitten des elektronischen Moduls erfasst werden, an welchen das elektronische Modul mit elektrischem Strom versorgt wird beziehungsweise mit anderen elektromechanischen Bauteilen verbunden werden kann. Mittels des vorgeschlagenen Verfahrens können somit an Positionen, an welchen die Gefahr einer Beschädigung des elektronischen Moduls besonders hoch ist, die Dehnungskoeffizienten mittels des neuronalen Netzwerks bestimmt und das Steuersignal ausgeben werden. Die Lebensdauer des elektronischen Moduls kann somit erhöht werden.According to one embodiment, the input data is at predetermined positions of the electronic ronic module recorded. The expansion coefficients are determined depending on the specified positions of the electronic module. The predetermined positions can be sections of the electronic module which are exposed to a comparatively high thermal load during operation. For example, the input data can be recorded on live wires, on soldering points, on circuit boards or on connecting sections of the electronic module, at which the electronic module is supplied with electrical power or can be connected to other electromechanical components. Using the proposed method, the expansion coefficients can be determined using the neural network and the control signal can be output at positions where the risk of damage to the electronic module is particularly high. The service life of the electronic module can thus be increased.

Gemäß einer weiteren Ausführungsform umfasst das Verfahren ferner das Erzeugen eines mathematischen Modells des elektronischen Moduls und das Aufteilen des mathematischen Modells des elektronischen Moduls in eine Vielzahl vorgegebener Teilbereiche. Für jeden der Teilbereiche wird von dem neuronalen Netzwerk ein Dehnungskoeffizient bestimmt. Beispielweise kann ein elektrodynamisches, ein thermisches oder ein mechanisches Simulationsmodell des elektronischen Moduls mittels bekannter mathematischer Verfahren erstellt werden. Dieses Modell kann beispielsweise mithilfe der Finite-Elemente-Methode in Teilbereiche mit einer geometrischen Form zerlegt werden, für welche ein zu bestimmender Parameter jeweils einfacher zu berechnen ist als für das Gesamtmodell. Für jeden dieser Teilbereiche kann von dem neuronalen Netzwerk ein Dehnungskoeffizient bestimmt werden. Aus den für die jeweiligen Teilbereiche bestimmten Dehnungskoeffizienten kann für das mathematische Modell, beispielsweise durch Mittelwertbildung, ein Gesamtdehnungskoeffizient beziehungsweise eine Verteilung der Dehnungskoeffizienten bestimmt werden. Die zur Bestimmung der Dehnungskoeffizienten benötigte Berechnungszeit kann hierdurch weiter verkürzt werden.According to a further embodiment, the method further comprises generating a mathematical model of the electronic module and dividing the mathematical model of the electronic module into a plurality of predetermined subareas. A strain coefficient is determined by the neural network for each of the sub-areas. For example, an electrodynamic, thermal or mechanical simulation model of the electronic module can be created using known mathematical methods. For example, using the finite element method, this model can be broken down into partial areas with a geometric shape, for which a parameter to be determined is easier to calculate than for the entire model. A strain coefficient can be determined by the neural network for each of these subareas. From the expansion coefficients determined for the respective partial areas, an overall expansion coefficient or a distribution of the expansion coefficients can be determined for the mathematical model, for example by averaging. The calculation time required to determine the expansion coefficients can thereby be further shortened.

Nach einer weiteren Ausführungsform umfasst das Verfahren das Ermitteln einer verbleibenden Betriebsdauer des elektronischen Moduls bis zum Überschreiten einer vorgegebenen Beschädigungsschwelle desselben. Die verbleibende Betriebsdauer wird basierend auf dem ausgegebenen Steuersignal ermittelt. Die verbleibende Betriebsdauer kann beispielsweise in einer Anzahl von Betriebsstunden oder einem Prozentwert angegeben werden. Das Steuersignal kann beispielsweise an eine dafür ausgebildete Vorrichtung zur elektrischen Signalverarbeitung ausgegeben werden, welche anhand der Steuersignals die temperaturabhängigen Dehnungskoeffizienten des elektronischen Moduls ermitteln kann. Aus den temperaturabhängigen Dehnungskoeffizienten kann eine thermische Belastung verschiedener Bereiche des elektronischen Moduls ermittelt werden. Die thermische Belastung kann einen Einfluss auf die verbleibende Betriebsdauer des elektronischen Moduls haben.According to a further embodiment, the method includes determining the remaining operating time of the electronic module until a predetermined damage threshold is exceeded. The remaining operating time is determined based on the control signal output. The remaining operating time can be specified, for example, in a number of operating hours or a percentage value. The control signal can, for example, be output to a device designed for electrical signal processing, which can determine the temperature-dependent expansion coefficients of the electronic module based on the control signal. Thermal stress on various areas of the electronic module can be determined from the temperature-dependent expansion coefficients. The thermal load can have an influence on the remaining operating life of the electronic module.

Die vorgegebene Beschädigungsschwelle kann repräsentativ für eine irreparable Beschädigung des elektronischen Moduls sein. Alternativ oder zusätzlich kann die vorgegebene Beschädigungsschwelle überschritten sein, wenn die Funktionsfähigkeit des elektronischen Moduls eingeschränkt ist. Die Beschädigung des elektronischen Moduls kann beispielsweise anhand eines Vergleichs verschiedener Betriebsparameter des elektronischen Moduls mit zeitlich vorangegangenen Werten dieser Betriebsparameter, insbesondere bei Inbetriebnahme des elektronischen Moduls, erfolgen. Aufgrund der durch das neuronale Netzwerk verkürzten Berechnungszeit zum Bestimmen der Dehnungskoeffizienten kann somit anhand des Steuersignals eine Beschädigung des elektronischen Moduls frühzeitig erkannt werden.The specified damage threshold can be representative of irreparable damage to the electronic module. Alternatively or additionally, the specified damage threshold may be exceeded if the functionality of the electronic module is restricted. The damage to the electronic module can be done, for example, by comparing various operating parameters of the electronic module with previous values of these operating parameters, in particular when the electronic module is put into operation. Because the calculation time for determining the expansion coefficients is shortened by the neural network, damage to the electronic module can be detected at an early stage using the control signal.

Nach einer weiteren Ausführungsform umfasst das Verfahren das Ändern zumindest eines Betriebsparameters des elektronischen Moduls mittels des Steuersignals. Betriebsparameter des elektronischen Moduls können beispielsweise eine elektrische Spannung, eine Stromstärke oder eine Temperatur des elektronischen Moduls sein. Mittels des Steuersignals kann beispielweise durch Ansteuern einer Stromquelle die an dem elektronischen Modul anliegende elektrische Spannung beziehungsweise Stromstärke verringert oder erhöht werden. Alternativ oder zusätzlich kann mittels des Steuersignals durch Ansteuern einer Kühlvorrichtung die Temperatur des elektronischen Moduls angepasst werden. Hierdurch kann das Auftreten von Beschädigungen des elektronischen Moduls verhindert werden.According to a further embodiment, the method includes changing at least one operating parameter of the electronic module using the control signal. Operating parameters of the electronic module can be, for example, an electrical voltage, a current intensity or a temperature of the electronic module. Using the control signal, the electrical voltage or current applied to the electronic module can be reduced or increased, for example by controlling a power source. Alternatively or additionally, the temperature of the electronic module can be adjusted using the control signal by controlling a cooling device. This can prevent damage to the electronic module from occurring.

Die Erfindung bezieht sich in einem zweiten Aspekt auf ein Verfahren zum Trainieren eines neuronalen Netzwerks, welches dazu ausgebildet ist, ein Steuersignal für ein elektronisches Modul zu erzeugen. Das Verfahren weist die folgenden Schritte auf: Bereitstellen von Eingabedaten für das neuronale Netzwerk, welche jeweils eine zu einem vorgegebenen Zeitpunkt erfasste Temperatur des elektronischen Moduls umfassen; Bereitstellen von Dehnungskoeffizienten des elektronischen Moduls als Ausgabedaten; und Trainieren des neuronalen Netzwerks mit den Eingabedaten und den Ausgabedaten, um einen Zusammenhang der Eingabedaten mit den Dehnungskoeffizienten zu lernen und ein Steuersignal für das elektronische Modul basierend auf den Dehnungskoeffizienten auszugeben.In a second aspect, the invention relates to a method for training a neural network which is designed to generate a control signal for an electronic module. The method has the following steps: providing input data for the neural network, each of which includes a temperature of the electronic module recorded at a predetermined time; providing strain coefficients of the electronic module as output data; and training the neural network with the input data and the output data to correlate the input data with the To learn strain coefficients and output a control signal to the electronic module based on the strain coefficients.

Unter einem Bereitstellen der Eingabedaten und Ausgabedaten kann ein Bestimmen, das heißt ein Erfassen, ein Messen beziehungsweise ein synthetisches Erzeugen der Eingabedaten und Ausgabedaten verstanden werden. Alternativ oder zusätzlich kann unter einem Bereitstellen ein Auswählen verstanden werden, ob ein Wert der erfassten Temperaturen als Eingabedaten für das Training des neuronalen Netzwerks geeignet ist. Beispielsweise kann ein Wert der erfassten Temperaturen dann nicht als Eingabedaten für das Training des neuronalen Netzwerks geeignet sein, wenn dieser keinen beziehungsweise keinen ausreichenden Einfluss auf die Dehnungskoeffizienten hat. Die Eingabedaten können beispielsweise mittels einer Eingabevorrichtung an zumindest einen der Eingangsknoten des neuronalen Netzwerks übertragen werden. Analog können die Ausgabedaten beispielsweise mittels einer Eingabevorrichtung an zumindest einen der Ausgangsknoten des neuronalen Netzwerks übertragen werden.Providing the input data and output data can be understood as determining, that is, detecting, measuring or synthetically generating the input data and output data. Alternatively or additionally, providing can be understood to mean selecting whether a value of the recorded temperatures is suitable as input data for training the neural network. For example, a value of the recorded temperatures may not be suitable as input data for training the neural network if it has no or insufficient influence on the expansion coefficients. The input data can be transmitted to at least one of the input nodes of the neural network, for example by means of an input device. Analogously, the output data can be transmitted to at least one of the output nodes of the neural network, for example by means of an input device.

Das neuronale Netzwerk gemäß dem Verfahren des ersten Aspekts kann nach dem Verfahren des zweiten Aspekts trainiert werden. Hierdurch können die technischen Effekte und Vorteile der beiden Aspekte kombiniert werden.The neural network according to the method of the first aspect can be trained according to the method of the second aspect. This allows the technical effects and advantages of both aspects to be combined.

Nach einer Ausführungsform umfasst das Bereitstellen der Eingabedaten und der Ausgabedaten ferner ein Vorverarbeiten der Eingabedaten und der Ausgabedaten. Das Vorverarbeiten umfasst zumindest eines der folgenden: ein Normalisieren der Daten auf eine einheitliche Skala; ein Skalieren der Daten auf eine einheitliche Skala; ein Vergleichen der Daten mit in einem zeitlich vorangegangenen Trainierschritt verwendeten Daten; eine Reduzierung einer Dimension der Daten; und ein Aufteilen der Daten in Untermengen zum Trainieren, Validieren und Testen des neuronalen Netzwerks während des Trainings.According to one embodiment, providing the input data and the output data further comprises preprocessing the input data and the output data. Preprocessing includes at least one of the following: normalizing the data to a uniform scale; scaling the data to a uniform scale; comparing the data with data used in a previous training step; a reduction of one dimension of the data; and dividing the data into subsets for training, validating and testing the neural network during training.

Beim Normalisieren der Daten können diese durch mathematische Umformung umgewandelt werden, sodass alle Daten auf einer gemeinsamen Skala darstellbar sind. Alternativ oder zusätzlich können die Daten mit einem Skalar multipliziert werden, sodass alle Daten auf einer gemeinsamen Skala darstellbar sind. Beim Vergleichen der Daten mit zeitlich vorangegangenen Daten kann beispielweise eine Differenz der im aktuellen Trainierschritt verwendeten Daten und der zeitlich vorangegangene Daten gebildet werden. Die Reduzierung mehrdimensionaler Daten kann beispielsweise mittels einer Hauptachsentransformation der als mehrdimensionalen Matrix darstellbaren Daten erfolgen. Die zum Trainieren, Validieren und Testen des neuronalen Netzwerks verwendeten Untermengen der Eingabedaten und Ausgabedaten können im Wesentlichen gleich groß sein. Insbesondere kann eine Dimension der jeweiligen Untermengen gleich einer Dimension der jeweiligen anderen Untermengen sein. Durch das Vorverarbeiten der Eingabedaten und Ausgabedaten kann der Trainiervorgang des neuronalen Netzwerks beschleunigt werden.When data is normalized, it can be transformed through mathematical transformation so that all data can be represented on a common scale. Alternatively or additionally, the data can be multiplied by a scalar so that all data can be represented on a common scale. When comparing the data with previous data, for example, a difference can be formed between the data used in the current training step and the previous data. The reduction of multidimensional data can be done, for example, by means of a main axis transformation of the data that can be represented as a multidimensional matrix. The subsets of input data and output data used to train, validate and test the neural network may be substantially the same size. In particular, a dimension of the respective subsets can be equal to a dimension of the respective other subsets. By preprocessing the input data and output data, the training process of the neural network can be accelerated.

Gemäß einer Ausführungsform erfolgt das Trainieren des neuronalen Netzwerks mittels Vorwärts- und Rückwärtspropagation durch das neuronale Netzwerk einer ersten Abweichung des von dem neuronalen Netzwerk bestimmten Zusammenhangs von einem Sollwert. Die erste Abweichung wird basierend auf der zum Trainieren verwendeten Untermenge der Eingabedaten und Ausgabedaten ermittelt. Die erste Abweichung kann beispielweise als Differenz eines von dem neuronalen Netzwerk während des Trainings bestimmten Dehnungskoeffizienten und eines als Ausgabedaten verwendeten Dehnungskoeffizienten als Sollwert bestimmt werden. Die erste Abweichung kann von den Eingabeknoten über die Zwischenknoten des neuronalen Netzwerks zu den Ausgabeknoten übertragen und bei jedem Übertragungsschritt neu berechnet werden. Hierbei kann die Gewichtung der einzelnen Verbindungen der Knoten des neuronalen Netzwerks jeweils angepasst werden. Anschließend kann die durch diese Vorwärtspropagation von den Eingabeknoten zu den Ausgabeknoten angepasste erste Abweichung in umgekehrter Richtung, also von den Ausgabeknoten über die Zwischenknoten zu den Eingabeknoten erneut übertragen und die Gewichtung der einzelnen Verbindungen der Knoten des neuronalen Netzwerks bei jedem Übertragungsschritt entsprechend angepasst werden. Hierdurch kann die Genauigkeit der des von dem neuronalen Netzwerk während des Trainings erzielten Ergebnisse verbessert werden.According to one embodiment, the neural network is trained by means of forward and backward propagation through the neural network of a first deviation of the relationship determined by the neural network from a target value. The first deviation is determined based on the subset of the input data and output data used for training. The first deviation can be determined, for example, as the difference between a strain coefficient determined by the neural network during training and a strain coefficient used as output data as a setpoint. The first deviation can be transmitted from the input nodes through the intermediate nodes of the neural network to the output nodes and recalculated at each transmission step. The weighting of the individual connections of the nodes of the neural network can be adjusted. The first deviation adjusted by this forward propagation from the input nodes to the output nodes can then be retransmitted in the opposite direction, i.e. from the output nodes via the intermediate nodes to the input nodes, and the weighting of the individual connections of the nodes of the neural network can be adjusted accordingly at each transmission step. This can improve the accuracy of the results achieved by the neural network during training.

Nach einer Ausführungsform wird ferner eine zweite Abweichung des von dem neuronalen Netzwerk bestimmten Zusammenhangs von einem Sollwert, basierend auf der zum Validieren verwendeten Untermenge der Eingabedaten und Ausgabedaten ermittelt wird. Die zweite Abweichung kann analog zu der ersten Abweichung beispielweise als Differenz eines von dem neuronalen Netzwerk während des Trainings bestimmten Dehnungskoeffizienten und eines als Ausgabedaten verwendeten Dehnungskoeffizienten als Sollwert bestimmt werden. Die Eingabedaten und Ausgabedaten sind hierbei Teil der zum Validieren verwendeten Untermenge. Die erste und die zweite Abweichung können verglichen werden, um eine Genauigkeit der von dem neuronalen Netzwerk während des Trainings bestimmten Dehnungskoeffizienten zu bestimmen.According to one embodiment, a second deviation of the relationship determined by the neural network from a target value is determined based on the subset of the input data and output data used for validation. The second deviation can be determined analogously to the first deviation, for example as the difference between a strain coefficient determined by the neural network during training and a strain coefficient used as output data as a setpoint. The input data and output data are part of the subset used for validation. The first and second deviations may be compared to determine an accuracy of the strain coefficients determined by the neural network during training.

Gemäß einer Ausführungsform wird ferner eine dritte Abweichung des von dem neuronalen Netzwerk bestimmten Zusammenhangs von einem Sollwert, basierend auf der zum Testen verwendeten Untermenge der Eingabedaten und Ausgabedaten ermittelt. Die dritte Abweichung kann analog zu der ersten Abweichung und der zweiten Abweichung beispielweise als Differenz eines von dem neuronalen Netzwerk während des Trainings bestimmten Dehnungskoeffizienten und eines als Ausgabedaten verwendeten Dehnungskoeffizienten als Sollwert bestimmt werden. Die Eingabedaten und Ausgabedaten sind hierbei Teil der zum Testen verwendeten Untermenge. Die erste und die dritte Abweichung können verglichen werden, um eine Genauigkeit der von dem neuronalen Netzwerk während des Trainings bestimmten Dehnungskoeffizienten zu bestimmen.According to one embodiment, a third deviation of the relationship determined by the neural network from a target value is determined based on the subset of the input data and output data used for testing. The third deviation can be determined analogously to the first deviation and the second deviation, for example as the difference between a strain coefficient determined by the neural network during training and a strain coefficient used as output data as a setpoint. The input data and output data are part of the subset used for testing. The first and third deviations can be compared to determine an accuracy of the strain coefficients determined by the neural network during training.

Nach einer Ausführungsform wird das Trainieren des neuronalen Netzwerks beendet, wenn zumindest eine der folgenden Bedingungen erfüllt ist: ein Unterschreiten eines vorgegebenen Schwellenwerts für die erste Abweichung; ein Unterschreiten eines vorgegebenen Schwellenwerts für eine Differenz der ersten und der zweiten Abweichung; und ein Unterschreiten eines vorgegebenen Schwellenwerts für eine Differenz der ersten und der dritten Abweichung. Der erste Schwellenwert kann beispielsweise unterschritten sein, wenn die erste Abweichung kleiner als 10-4 oder 10-5 oder 10-6 ist. Liegt die erste Abweichung unterhalb des ersten Schwellenwerts, kann davon ausgegangen werden, dass das neuronale Netzwerk die Dehnungskoeffizienten mit ausreichender Genauigkeit berechnen kann.According to one embodiment, training of the neural network is ended when at least one of the following conditions is met: the first deviation falls below a predetermined threshold value; falling below a predetermined threshold value for a difference between the first and second deviations; and falling below a predetermined threshold value for a difference between the first and third deviations. The first threshold value can be undershot, for example, if the first deviation is smaller than 10 -4 or 10 -5 or 10 -6 . If the first deviation is below the first threshold value, it can be assumed that the neural network can calculate the strain coefficients with sufficient accuracy.

Der zweite Schwellenwert kann beispielsweise unterschritten sein, wenn die erste Abweichung und die zweite Abweichung die gleiche Größenordnung haben, also beispielsweise beide im Bereich zwischen 10-4 und 10-5 liegen. Ist der zweite Schwellenwert unterschritten, kann davon ausgegangen werden, dass das trainierte neuronale Netzwerk die unbekannten Daten der zum Validieren verwendeten Untermenge der Eingabe und Ausgabedaten, welche der gleichen Systematik folgen wie die zum Trainieren verwendete Untermenge der Eingabedaten und Ausgabedaten, mit ausreichender Genauigkeit berechnen kann.The second threshold value can be undershot, for example, if the first deviation and the second deviation have the same magnitude, for example both are in the range between 10 -4 and 10 -5 . If the second threshold value is not reached, it can be assumed that the trained neural network can calculate with sufficient accuracy the unknown data of the subset of input and output data used for validation, which follow the same system as the subset of input data and output data used for training .

Der dritte Schwellenwert kann beispielsweise unterschritten sein, wenn die erste Abweichung und die dritte Abweichung die gleiche Größenordnung haben, also beispielsweise beide im Bereich zwischen 10-4 und 10-5 liegen. Ist der dritte Schwellenwert unterschritten, kann davon ausgegangen werden, dass das trainierte neuronale Netzwerk die unbekannten Daten der zum Testen verwendeten Untermenge der Eingabe und Ausgabedaten mit ausreichender Genauigkeit berechnen kann.The third threshold value can be undershot, for example, if the first deviation and the third deviation have the same magnitude, for example both are in the range between 10 -4 and 10 -5 . If the third threshold value is not reached, it can be assumed that the trained neural network can calculate the unknown data of the subset of the input and output data used for testing with sufficient accuracy.

Gemäß einer Ausführungsform wird das Verfahren auf ein elektronisches Modul eines Spannungswandlers angewandt. Das elektronische Modul umfasst eine Mehrzahl von Komponenten, welche im Betriebszustand zeitinvariante Temperaturen aufweist. Ein Spannungswandler kann zum Umwandeln von Gleichspannung in Wechselspannung beziehungsweise zum Umwandeln von Wechselspannung in Gleichspannung verwendet werden. Beispielweise kann ein Spannungswandler beim Laden von elektromotorisch angetriebenen Fahrzeugen verwendet werden. Abhängig von den verwendeten Stromstärken beziehungsweise elektrischen Spannungen kann ein Spannungswandler im Betrieb einer hohen thermischen Belastung ausgesetzt sein. Aufgrund der durch das neuronale Netzwerk verkürzten Berechnungszeit eignet sich das Verfahren gemäß des ersten und des zweiten Aspekts besonders gut, um Beschädigungen des Spannungswandlers frühzeitig erkennen zu können.According to one embodiment, the method is applied to an electronic module of a voltage converter. The electronic module includes a plurality of components which have time-invariant temperatures in the operating state. A voltage converter can be used to convert DC voltage to AC voltage or to convert AC voltage to DC voltage. For example, a voltage converter can be used when charging electric motor-driven vehicles. Depending on the current strengths or electrical voltages used, a voltage converter can be exposed to high thermal loads during operation. Due to the shortened calculation time due to the neural network, the method according to the first and second aspects is particularly suitable for detecting damage to the voltage converter at an early stage.

Die Erfindung bezieht sich in einem dritten Aspekt auf eine Steuereinrichtung zur Erzeugung eines Steuersignals für ein elektronisches Modul mittels eines neuronalen Netzwerks. Die Steuereinrichtung umfasst ein von einem Computer lesbares Speichermedium, auf welchem das neuronale Netzwerk zur Erzeugung des Steuersignals gespeichert ist. Ferner umfasst die Steuereinrichtung eine Eingabevorrichtung zur Eingabe von Eingabedaten in das neuronale Netzwerk, welche jeweils eine zu einem vorgegebenen Zeitpunkt erfasste Temperatur des elektronischen Moduls umfassen. Das neuronale Netzwerk ist zum Bestimmen von Dehnungskoeffizienten des elektronischen Moduls ausgebildet, basierend auf einem von dem neuronalen Netzwerk gelernten Zusammenhang zwischen den Eingabedaten und den Dehnungskoeffizienten. Die Steuereinrichtung umfasst ferner eine Ausgabevorrichtung zur Ausgabe des Steuersignals, basierend auf den bestimmten Dehnungskoeffizienten.In a third aspect, the invention relates to a control device for generating a control signal for an electronic module by means of a neural network. The control device comprises a computer-readable storage medium on which the neural network for generating the control signal is stored. Furthermore, the control device comprises an input device for inputting input data into the neural network, each of which includes a temperature of the electronic module recorded at a predetermined time. The neural network is designed to determine strain coefficients of the electronic module based on a relationship between the input data and the strain coefficients learned by the neural network. The control device further comprises an output device for outputting the control signal based on the determined expansion coefficients.

Die genannten Vorrichtungen der Steuereinrichtung gemäß dem dritten Aspekt können zum Empfangen, zur Verarbeitung und zur Weiterleitung von elektrischen Signalen ausgebildet sein. Die genannten Vorrichtungen der Steuereinrichtung gemäß dem dritten Aspekt können zur Durchführung des Verfahrens gemäß dem ersten Aspekt und/oder dem zweiten Aspekt ausgebildet sein. Analog kann das Verfahren gemäß dem ersten Aspekt beziehungsweise dem zweiten Aspekt von der Steuereinrichtung gemäß dem dritten Aspekt durchgeführt werden. Die zu dem ersten beziehungsweise dem zweiten Aspekt erläuterten Ausführungsformen, technischen Effekte und Vorteile gelten somit analog auch für die Steuereinrichtung nach dem dritten Aspekt.The mentioned devices of the control device according to the third aspect can be designed to receive, process and forward electrical signals. The mentioned devices of the control device according to the third aspect can be designed to carry out the method according to the first aspect and/or the second aspect. Analogously, the method according to the first aspect or the second aspect can be carried out by the control device according to the third aspect. The embodiments, technical effects and advantages explained for the first and second aspects therefore apply analogously also for the control device according to the third aspect.

Kurze Beschreibung der ZeichnungenBrief description of the drawings

  • 1 zeigt ein Ablaufdiagramm mit Schritten eines Verfahrens zum Erzeugen eines Steuersignals für ein elektronisches Modul mittels eines neuronalen Netzwerks, nach einer Ausführungsform der Erfindung. 1 shows a flowchart with steps of a method for generating a control signal for an electronic module using a neural network, according to an embodiment of the invention.
  • 2 zeigt ein Ablaufdiagramm mit Schritten eines Verfahrens zum Trainieren eines neuronalen Netzwerks, welches dazu ausgebildet ist, ein Steuersignal für ein elektronisches Modul zu erzeugen, nach einer weiteren Ausführungsform der Erfindung. 2 shows a flowchart with steps of a method for training a neural network, which is designed to generate a control signal for an electronic module, according to a further embodiment of the invention.
  • 3 zeigt schematisch eine Steuereinrichtung zur Erzeugung eines Steuersignals für ein elektronisches Modul mit einem neuronalen Netzwerk gemäß einer weiteren Ausführungsform der Erfindung. 3 shows schematically a control device for generating a control signal for an electronic module with a neural network according to a further embodiment of the invention.

Detaillierte Beschreibung von AusführungsformenDetailed Description of Embodiments

1 zeigt ein Ablaufdiagramm mit Schritten eines Verfahrens zum Erzeugen eines Steuersignals für ein elektronisches Modul mittels eines neuronalen Netzwerks nach einer Ausführungsform der Erfindung. Im Ausführungsbeispiel der 1 ist das elektronische Modul ein nicht dargestellter Spannungswandler, welcher zum wechselseitigen Umwandeln von Gleichspannung in Wechselspannung verwendet wird. Abhängig von den angelegten Spannungen und verwendeten Stromstärke kann ein Spannungswandler im Betrieb teilweise hohen Temperaturschwankungen ausgesetzt sein. Diese Temperaturschwankungen können zu einer Beschädigung des Spannungswandlers führen. Zum Feststellen einer Beschädigung ist die Bestimmung einer durch die Temperaturschwankungen hervorgerufenen Wärmeausdehnung notwendig. Diese Wärmeausdehnung kann anhand von Dehnungskoeffizienten des elektronischen Moduls bestimmt werden. Mittels eines auf den Dehnungskoeffizienten basierenden Steuersignals kann einer Beschädigung des Spannungswandlers durch die Temperaturausdehnung entgegengewirkt werden. 1 shows a flowchart with steps of a method for generating a control signal for an electronic module using a neural network according to an embodiment of the invention. In the exemplary embodiment 1 the electronic module is a voltage converter, not shown, which is used to mutually convert direct voltage into alternating voltage. Depending on the voltages applied and the current used, a voltage converter can sometimes be exposed to high temperature fluctuations during operation. These temperature fluctuations can lead to damage to the voltage converter. To determine damage, it is necessary to determine thermal expansion caused by temperature fluctuations. This thermal expansion can be determined using the expansion coefficients of the electronic module. Damage to the voltage converter caused by thermal expansion can be counteracted using a control signal based on the expansion coefficients.

Hierzu werden in einem ersten Erzeugungsschritt ES1 Eingabedaten in das neuronale Netzwerk eingegeben. Im Ausführungsbeispiel der 1 umfassen die Eingabedaten zu einem vorgegebenen Zeitpunkt erfasste Temperaturen des elektronischen Moduls. Die Temperaturen werden an fünf vorgegebenen Positionen des elektronischen Moduls, wie beispielsweise an Leitungsdrähten, Schweißnähten, Transistoren, Dioden oder weiteren Halbleiterbauelementen erfasst. Im Ausführungsbeispiel der 1 werden die Temperaturen zeitgleich an den fünf vorgegebenen Positionen erfasst. In einem nicht dargestellten Ausführungsbeispiel werden die Temperaturen an den fünf vorgegebenen Positionen mit vorgegebenen zeitlichen Abständen erfasst. Die Erfassung der Temperaturen kann zu vorgegebenen Zeitpunkten wiederholt werden.For this purpose, input data is entered into the neural network in a first generation step ES1. In the exemplary embodiment 1 The input data includes temperatures of the electronic module recorded at a predetermined time. The temperatures are recorded at five predetermined positions on the electronic module, such as on conductor wires, weld seams, transistors, diodes or other semiconductor components. In the exemplary embodiment 1 The temperatures are recorded simultaneously at the five specified positions. In an exemplary embodiment, not shown, the temperatures at the five predetermined positions are recorded at predetermined time intervals. The recording of the temperatures can be repeated at specified times.

In einem zweiten Ermittlungsschritt ES2 werden durch das neuronale Netzwerk Dehnungskoeffizienten des elektronischen Moduls bestimmt. Die Dehnungskoeffizienten werden basierend auf einem von dem neuronalen Netzwerk gelernten Zusammenhang zwischen den Eingabedaten und den Dehnungskoeffizienten bestimmt. Im Ausführungsbeispiel der 1 werden die Dehnungskoeffizienten hinsichtlich einer jeweiligen Längenänderung an den vorgegebenen Positionen des elektronischen Moduls bestimmt. Die Dehnungskoeffizienten können ebenfalls hinsichtlich einer jeweiligen Flächenänderung oder einer jeweiligen Volumenänderung an den vorgegebenen Positionen des elektronischen Moduls bestimmt werden.In a second determination step ES2, expansion coefficients of the electronic module are determined by the neural network. The strain coefficients are determined based on a relationship between the input data and the strain coefficients learned by the neural network. In the exemplary embodiment 1 The expansion coefficients are determined with regard to a respective change in length at the specified positions of the electronic module. The expansion coefficients can also be determined with regard to a respective change in area or a respective change in volume at the predetermined positions of the electronic module.

Zur Bestimmung der Dehnungskoeffizienten werden die an die Eingangsknoten des neuronalen Netzwerks übertragenen Eingabedaten über von dem neuronalen Netzwerk mathematisch gewichtete Verbindungen an Zwischenknoten des neuronalen Netzwerks übertragen. Auf den Zwischenknoten werden die übertragenen Eingabedaten verarbeitet und über von dem neuronalen Netzwerk mathematisch gewichtete Verbindungen an Ausgangsknoten des neuronalen Netzwerks übertragen. Die mathematische Gewichtung der jeweiligen Verbindungen wurde von dem neuronalen Netzwerk während eines dem Erzeugungsverfahrens zeitlich vorangehenden Trainingsvorgangs des neuronalen Netzwerks basierend auf einem Trainingsdatensatz angepasst. Auf zumindest einem Ausgangsknoten des neuronalen Netzwerks liegt am Ende der Verfahrensdurchführung ein Wert für einen Dehnungskoeffizienten vor.To determine the strain coefficients, the input data transmitted to the input nodes of the neural network are transmitted to intermediate nodes of the neural network via connections mathematically weighted by the neural network. The transmitted input data is processed at the intermediate nodes and transmitted to output nodes of the neural network via connections mathematically weighted by the neural network. The mathematical weighting of the respective connections was adjusted by the neural network based on a training data set during a training process of the neural network that preceded the generation process. At the end of the method implementation, there is a value for a strain coefficient on at least one output node of the neural network.

In einem dritten Ermittlungsschritt ES3 wird ein Steuersignal für das elektronische Modul ausgegeben. Das Steuersignal wird basierend auf den von dem neuronalen Netzwerk bestimmten Dehnungskoeffizienten ausgegeben. Das Steuersignal wird im Ausführungsbeispiel der 1 an eine Ausgabevorrichtung ausgegeben, welche das Steuersignal verarbeiten oder an weitere, mit dem elektronischen Modul in Verbindung stehende Komponenten übertragen kann.In a third determination step ES3, a control signal for the electronic module is output. The control signal is output based on the strain coefficients determined by the neural network. The control signal is in the exemplary embodiment 1 output to an output device, which can process the control signal or transmit it to other components connected to the electronic module.

Durch die Verwendung eines neuronalen Netzwerks zur Bestimmung von Dehnungskoeffizienten kann auf die üblicherweise notwendigen komplexen elektrodynamischen, thermischen beziehungsweise mechanischen Simulationen des elektronischen Moduls verzichtet werden. Die für die Ausgabe des Steuersignals notwendige Berechnungszeit kann somit verkürzt werden. Mittels des von den bestimmten Dehnungskoeffizienten abhängigen Steuersignals kann eine verbleibende Betriebsdauer des elektronischen Moduls in im Vergleich zu den üblicherweise verwendeten komplexen Simulationen verkürzter Berechnungszeit ermittelt werden. Eine Beschädigung des elektronischen Moduls kann somit frühzeitig erkannt werden.By using a neural network to determine expansion coefficients, the complex electrodynamic, thermal or mechanical simulations of the electronic module that are usually necessary can be dispensed with. The one for the out The calculation time required for the control signal can thus be shortened. Using the control signal dependent on the specific expansion coefficients, a remaining operating time of the electronic module can be determined in a shorter calculation time compared to the complex simulations commonly used. Damage to the electronic module can therefore be detected at an early stage.

2 zeigt ein Ablaufdiagramm mit Schritten eines Verfahrens zum Trainieren eines neuronalen Netzwerks, welches dazu ausgebildet ist, ein Steuersignal für ein elektronisches Modul zu erzeugen, nach einer weiteren Ausführungsform der Erfindung. 2 shows a flowchart with steps of a method for training a neural network, which is designed to generate a control signal for an electronic module, according to a further embodiment of the invention.

In einem ersten Trainierschritt TS1 werden Eingabedaten für das neuronale Netzwerk bereitgestellt. Die Eingabedaten umfassen jeweils eine zu einem vorgegebenen Zeitpunkt erfasste Temperatur des elektronischen Moduls. Die Eingabedaten werden an zumindest einen Eingangsknoten des neuronalen Netzwerks übertragen.In a first training step TS1, input data for the neural network is provided. The input data each includes a temperature of the electronic module recorded at a predetermined time. The input data is transmitted to at least one input node of the neural network.

In einem zweiten Trainierschritt TS2 werden Dehnungskoeffizienten des elektronischen Moduls als Ausgabedaten bereitgestellt. Die Dehnungskoeffizienten sind im Ausführungsbeispiel der 1 gemessene Werte. In einem nicht dargestellten Ausführungsbeispiel sind die Dehnungskoeffizienten synthetisch erzeugt. Die Ausgabedaten werden an zumindest einen Ausgangsknoten des neuronalen Netzwerks übertragen.In a second training step TS2, strain coefficients of the electronic module are provided as output data. The expansion coefficients are in the exemplary embodiment 1 measured values. In an exemplary embodiment, not shown, the expansion coefficients are generated synthetically. The output data is transmitted to at least one output node of the neural network.

In einem dritten Trainierschritt TS3 wird das neuronale Netzwerk mit den Eingabedaten und den Ausgabedaten trainiert, um einen Zusammenhang der Eingabedaten mit den Dehnungskoeffizienten zu lernen. Ferner wird das neuronale Netzwerk trainiert, um ein Steuersignal für das elektronische Modul basierend auf den Dehnungskoeffizienten auszugeben.In a third training step TS3, the neural network is trained with the input data and the output data in order to learn a connection between the input data and the strain coefficients. Further, the neural network is trained to output a control signal for the electronic module based on the strain coefficients.

Das zum Erzeugen eines Steuersignals verwendete neuronale Netzwerk gemäß der Ausführungsform der 1 kann gemäß dem Verfahren der Ausführungsform der 2 trainiert werden.The neural network used to generate a control signal according to the embodiment of 1 can according to the method of the embodiment 2 be trained.

3 zeigt schematisch eine Steuereinrichtung 10 zur Erzeugung eines Steuersignals 26 für ein nicht dargestelltes elektronisches Modul mit einem neuronalen Netzwerk 12 gemäß einer weiteren Ausführungsform der Erfindung. 3 schematically shows a control device 10 for generating a control signal 26 for an electronic module, not shown, with a neural network 12 according to a further embodiment of the invention.

Die Steuereinrichtung 10 umfasst ein von einem Computer lesbares Speichermedium 14, auf welchem das neuronale Netzwerk 12 gespeichert ist. Die Steuereinrichtung 10 umfasst ferner eine Eingabevorrichtung 16, welche zum Empfang von zu einem vorgegebenen Zeitpunkt erfassten Temperaturen 18 des elektronischen Moduls ausgebildet ist. Die Eingabevorrichtung 16 überträgt die Temperaturen 18 als Eingabedaten 20 an das neuronale Netzwerk 12.The control device 10 includes a computer-readable storage medium 14 on which the neural network 12 is stored. The control device 10 further comprises an input device 16, which is designed to receive temperatures 18 of the electronic module recorded at a predetermined time. The input device 16 transmits the temperatures 18 as input data 20 to the neural network 12.

Aus den Eingabedaten 20 werden von dem neuronalen Netzwerk 12 Dehnungskoeffizienten 22 des elektronischen Moduls gemäß der Ausführungsform der 1 und 2 bestimmt. Die bestimmten Dehnungskoeffizienten 22 werden von dem neuronalen Netzwerk 12 an eine Ausgabevorrichtung 24 übertragen. Die Ausgabevorrichtung 24 erzeugt basierend auf den bestimmten Dehnungskoeffizienten 22 ein Steuersignal 26.From the input data 20, the neural network 12 uses expansion coefficients 22 of the electronic module according to the embodiment of 1 and 2 certainly. The determined strain coefficients 22 are transmitted from the neural network 12 to an output device 24. The output device 24 generates a control signal 26 based on the determined expansion coefficients 22.

Mittels des auf den bestimmten Dehnungskoeffizienten der 22 basierenden Steuersignals kann eine verbleibende Betriebsdauer des elektronischen Moduls bis zum Überschreiten einer vorgegebenen Beschädigungsschwelle ermittelt werden. Alternativ oder zusätzlich kann mittels des auf den bestimmten Dehnungskoeffizienten 22 basierenden Steuersignals zumindest ein Betriebsparameter des elektronischen Moduls geändert werden.Using the control signal based on the specific expansion coefficients of FIG. 22, a remaining operating time of the electronic module can be determined until a predetermined damage threshold is exceeded. Alternatively or additionally, at least one operating parameter of the electronic module can be changed by means of the control signal based on the specific expansion coefficients 22.

BezugszeichenReference symbols

1010
SteuereinrichtungControl device
1212
Neuronales NetzwerkNeural network
1414
Speichermediumstorage medium
1616
EingabevorrichtungInput device
1818
Temperaturentemperatures
2020
EingabedatenInput data
2222
DehnungskoeffizientenElongation coefficients
2424
AusgabevorrichtungDispensing device
2626
SteuersignalControl signal
ES1ES1
erster Ermittlungsschrittfirst investigative step
ES2ES2
zweiter Ermittlungsschrittsecond investigative step
ES3ES3
dritter Ermittlungsschrittthird investigative step
TS1TS1
erster Trainierschrittfirst training step
TS2TS2
zweiter Trainierschrittsecond training step
TS3TS3
dritter Trainierschrittthird training step

Claims (13)

Verfahren zum Erzeugen eines Steuersignals (26) für ein elektronisches Modul mittels eines neuronalen Netzwerks (12), das Verfahren umfassend: - Eingabe (ES1) von Eingabedaten (20) in das neuronale Netzwerk (12), welche jeweils eine zu einem vorgegebenen Zeitpunkt erfasste Temperatur (18) des elektronischen Moduls umfassen; - Bestimmen (ES2) von Dehnungskoeffizienten (22) des elektronischen Moduls durch das neuronale Netzwerk (12), basierend auf einem von dem neuronalen Netzwerk (12) gelernten Zusammenhang zwischen den Eingabedaten (20) und den Dehnungskoeffizienten (22); und - Ausgabe (ES3) des Steuersignals (26) für das elektronische Modul, basierend auf den bestimmten Dehnungskoeffizienten (22).Method for generating a control signal (26) for an electronic module by means of a neural network (12), the method comprising: - Input (ES1) of input data (20) into the neural network (12), each of which is recorded at a predetermined time Temperature (18) of the electronic module include; - Determine (ES2) expansion coefficients (22) the electronic module by the neural network (12), based on a relationship between the input data (20) and the strain coefficients (22) learned by the neural network (12); and - output (ES3) of the control signal (26) for the electronic module based on the determined expansion coefficients (22). Verfahren nach Anspruch 1, wobei die Eingabedaten (20) an vorgegebenen Positionen des elektronischen Moduls erfasst werden, wobei die Dehnungskoeffizienten (22) in Abhängigkeit der vorgegebenen Positionen des elektronischen Moduls bestimmt werden.Procedure according to Claim 1 , wherein the input data (20) is recorded at predetermined positions of the electronic module, the expansion coefficients (22) being determined depending on the predetermined positions of the electronic module. Verfahren nach einem der vorhergehenden Ansprüche, ferner umfassend: - Erzeugen eines mathematischen Modells des elektronischen Moduls; - Aufteilen des mathematischen Modells des elektronischen Moduls in eine Mehrzahl vorgegebener Teilbereiche, wobei für jeden der Teilbereiche ein Dehnungskoeffizient (22) bestimmt wird.Method according to one of the preceding claims, further comprising: - Generating a mathematical model of the electronic module; - Dividing the mathematical model of the electronic module into a plurality of predetermined sub-areas, with an expansion coefficient (22) being determined for each of the sub-areas. Verfahren nach einem der vorhergehenden Ansprüche, ferner umfassend: - Ermitteln einer verbleibenden Betriebsdauer des elektronischen Moduls bis zum Überschreiten einer vorgegebenen Beschädigungsschwelle desselben, basierend auf dem ausgegebenen Steuersignal (26).Method according to one of the preceding claims, further comprising: - Determining the remaining operating time of the electronic module until a predetermined damage threshold is exceeded, based on the output control signal (26). Verfahren nach einem der vorhergehenden Ansprüche, ferner umfassend: - Ändern zumindest eines Betriebsparameters des elektronischen Moduls mittels des Steuersignals (26).Method according to one of the preceding claims, further comprising: - Changing at least one operating parameter of the electronic module using the control signal (26). Verfahren zum Trainieren eines neuronalen Netzwerks (12), welches dazu ausgebildet ist, ein Steuersignal (26) für ein elektronisches Modul zu erzeugen, das Verfahren umfassend: - Bereitstellen (TS1) von Eingabedaten (20) für das neuronale Netzwerk (12), welche jeweils eine zu einem vorgegebenen Zeitpunkt erfasste Temperatur (18) des elektronischen Moduls umfassen; - Bereitstellen (TS2) von Dehnungskoeffizienten (22) des elektronischen Moduls als Ausgabedaten; und - Trainieren (TS3) des neuronalen Netzwerks (12) mit den Eingabedaten (20) und den Ausgabedaten, um einen Zusammenhang der Eingabedaten (20) mit den Dehnungskoeffizienten (22) zu lernen und ein Steuersignal (26) für das elektronische Modul basierend auf den Dehnungskoeffizienten (22) auszugeben.Method for training a neural network (12) which is designed to generate a control signal (26) for an electronic module, the method comprising: - Providing (TS1) input data (20) for the neural network (12), each of which includes a temperature (18) of the electronic module recorded at a predetermined time; - Providing (TS2) expansion coefficients (22) of the electronic module as output data; and - Training (TS3) of the neural network (12) with the input data (20) and the output data in order to learn a connection between the input data (20) and the expansion coefficients (22) and generate a control signal (26) for the electronic module based on the Output expansion coefficients (22). Verfahren nach Anspruch 6, wobei das Bereitstellen der Eingabedaten (20) und der Ausgabedaten ferner ein Vorverarbeiten der Eingabedaten (20) und der Ausgabedaten umfasst, wobei das Vorverarbeiten zumindest eines der folgenden umfasst: ein Normalisieren der Daten auf eine einheitliche Skala; ein Skalieren der Daten auf eine einheitliche Skala; ein Vergleichen der Daten mit in einem zeitlich vorangegangenen Trainierschritt verwendeten Daten; eine Reduzierung einer Dimension der Daten; und ein Aufteilen der Daten in Untermengen zum Trainieren, Validieren und Testen des neuronalen Netzwerks (12) während des Trainings.Procedure according to Claim 6 , wherein providing the input data (20) and the output data further comprises preprocessing the input data (20) and the output data, the preprocessing comprising at least one of the following: normalizing the data to a uniform scale; scaling the data to a uniform scale; comparing the data with data used in a previous training step; a reduction of one dimension of the data; and dividing the data into subsets for training, validating and testing the neural network (12) during training. Verfahren nach Anspruch 7, wobei das Trainieren des neuronalen Netzwerks (12) mittels Vorwärts- und Rückwärtspropagation durch das neuronale Netzwerk (12) einer ersten Abweichung des von dem neuronalen Netzwerk (12) bestimmten Zusammenhangs von einem Sollwert erfolgt, wobei die erste Abweichung basierend auf der zum Trainieren verwendeten Untermenge der Eingabedaten (20) und Ausgabedaten ermittelt wird.Procedure according to Claim 7 , wherein the training of the neural network (12) takes place by means of forward and backward propagation through the neural network (12) of a first deviation of the connection determined by the neural network (12) from a target value, the first deviation being based on the one used for training Subset of the input data (20) and output data is determined. Verfahren nach Anspruch 8, wobei ferner eine zweite Abweichung des von dem neuronalen Netzwerk (12) bestimmten Zusammenhangs von einem Sollwert, basierend auf der zum Validieren verwendeten Untermenge der Eingabedaten (20) und Ausgabedaten ermittelt wird.Procedure according to Claim 8 , wherein a second deviation of the relationship determined by the neural network (12) from a target value is determined based on the subset of the input data (20) and output data used for validation. Verfahren nach Anspruch 8, wobei ferner eine dritte Abweichung des von dem neuronalen Netzwerk (12) bestimmten Zusammenhangs von einem Sollwert, basierend auf der zum Testen verwendeten Untermenge der Eingabedaten (20) und Ausgabedaten ermittelt wird.Procedure according to Claim 8 , wherein a third deviation of the relationship determined by the neural network (12) from a target value is determined based on the subset of the input data (20) and output data used for testing. Verfahren nach einem der Ansprüche 8 bis 10, wobei das Trainieren des neuronalen Netzwerks (12) beendet wird, wenn zumindest eine der folgenden Bedingungen erfüllt ist: ein Unterschreiten eines vorgegebenen Schwellenwerts für die erste Abweichung; ein Unterschreiten eines vorgegebenen Schwellenwerts für eine Differenz der ersten und der zweiten Abweichung; und ein Unterschreiten eines vorgegebenen Schwellenwerts für eine Differenz der ersten und der dritten Abweichung.Procedure according to one of the Claims 8 until 10 , wherein the training of the neural network (12) is ended when at least one of the following conditions is met: the first deviation falls below a predetermined threshold value; falling below a predetermined threshold value for a difference between the first and second deviations; and falling below a predetermined threshold value for a difference between the first and third deviations. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Verfahren auf ein elektronisches Modul eines Spannungswandlers angewandt wird, wobei das elektronische Modul eine Mehrzahl von Komponenten umfasst, welche im Betriebszustand zeitinvariante Temperaturen (18) aufweisen.Method according to one of the preceding claims, wherein the method is applied to an electronic module of a voltage converter, the electronic module comprising a plurality of components which have time-invariant temperatures (18) in the operating state. Steuereinrichtung (10) zur Erzeugung eines Steuersignals (26) für ein elektronisches Modul mittels eines neuronalen Netzwerks (12), die Steuereinrichtung (10) umfassend: - ein von einem Computer lesbares Speichermedium (14), auf welchem das neuronale Netzwerk (12) zur Erzeugung des Steuersignals (26) gespeichert ist; - eine Eingabevorrichtung (16) zur Eingabe von Eingabedaten (20) in das neuronale Netzwerk (12), welche jeweils eine zu einem vorgegebenen Zeitpunkt erfasste Temperatur (18) des elektronischen Moduls umfassen; wobei das neuronale Netzwerk (12) zum Bestimmen von Dehnungskoeffizienten (22) des elektronischen Moduls ausgebildet ist, basierend auf einem von dem neuronalen Netzwerk (12) gelenten Zusammenhang zwischen den Eingabedaten (20) und den Dehnungskoeffizienten (22); und - eine Ausgabevorrichtung (24) zur Ausgabe des Steuersignals (26), basierend auf den bestimmten Dehnungskoeffizienten (22).Control device (10) for generating a control signal (26) for an electronic module by means of a neural network (12), the control device (10) comprising: - a memory readable by a computer dium (14), on which the neural network (12) for generating the control signal (26) is stored; - an input device (16) for entering input data (20) into the neural network (12), each of which includes a temperature (18) of the electronic module recorded at a predetermined time; wherein the neural network (12) is designed to determine expansion coefficients (22) of the electronic module based on a relationship determined by the neural network (12) between the input data (20) and the expansion coefficients (22); and - an output device (24) for outputting the control signal (26) based on the determined expansion coefficients (22).
DE102022209341.0A 2022-09-08 2022-09-08 Generating a control signal for an electronic module using a neural network Pending DE102022209341A1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
DE102022209341.0A DE102022209341A1 (en) 2022-09-08 2022-09-08 Generating a control signal for an electronic module using a neural network
PCT/EP2023/072576 WO2024052067A1 (en) 2022-09-08 2023-08-16 Generating a control signal for an electronic module by means of a neural network

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102022209341.0A DE102022209341A1 (en) 2022-09-08 2022-09-08 Generating a control signal for an electronic module using a neural network

Publications (1)

Publication Number Publication Date
DE102022209341A1 true DE102022209341A1 (en) 2024-03-14

Family

ID=87696034

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102022209341.0A Pending DE102022209341A1 (en) 2022-09-08 2022-09-08 Generating a control signal for an electronic module using a neural network

Country Status (2)

Country Link
DE (1) DE102022209341A1 (en)
WO (1) WO2024052067A1 (en)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6890110B2 (en) * 2018-10-31 2021-06-18 Dmg森精機株式会社 Machine tool thermal displacement correction method
JP6741087B1 (en) * 2019-02-01 2020-08-19 トヨタ自動車株式会社 Internal combustion engine control device, in-vehicle electronic control unit, machine learning system, internal combustion engine control method, electronic control unit manufacturing method, and output parameter calculation device
DE102020210826A1 (en) * 2020-08-27 2022-03-03 Robert Bosch Gesellschaft mit beschränkter Haftung Method and device for controlling an electronic converter in a technical system using methods of artificial intelligence

Also Published As

Publication number Publication date
WO2024052067A1 (en) 2024-03-14

Similar Documents

Publication Publication Date Title
DE102017108169B4 (en) Production system that defines a determination value of a variable in relation to a product deviation
DE19758077B4 (en) Apparatus for controlling integrated circuit testing and method for controlling integrated circuit testing
DE102016011520B4 (en) Production equipment with machine learning system and assembly and testing unit
DE102013211498B4 (en) System and method for simulating the operation of an electrical device
EP3766120B1 (en) Characterisation of lithium plating in rechargeable batteries
DE10356444A1 (en) Electronic battery tester
WO2004034166A1 (en) Method and device for monitoring a technical installation comprising several systems, in particular an electric power station
DE60031384T2 (en) TEST AND SIMULATION SYSTEMS
DE112020007131T5 (en) ANOMALY DIAGNOSTIC PROCEDURE, ANOMALY DIAGNOSTIC DEVICE AND ANOMALY DIAGNOSTIC PROGRAM
DE102018201975A1 (en) DIAGNOSTIC DATA COLLECTION SYSTEM, DIAGNOSTIC SYSTEM AND DIAGNOSTIC DATA COLLECTION PROGRAM
DE102020108365A1 (en) Method and device for determining service life information for an electrical energy store
DE112020004464T5 (en) SIMULATION CORRECTION THROUGH MEASUREMENTS AND DEEP LEARNING PRIORITY
DE102021116906A1 (en) TEST AND MEASURING SYSTEM FOR ANALYSIS OF DEVICES TO BE TESTED
DE102019001760A1 (en) INFORMATION PROCESSING DEVICE, MECHANICAL LEARNING DEVICE AND SYSTEM
DE102019217538A1 (en) METHODS AND SYSTEMS FOR CARRYING OUT DIAGNOSTIC PROCESSES WITH REDUCED PROCESSING TIME
DE102018132658A1 (en) Method for computer-aided evaluation of a measurement of an electrical variable in a high-voltage electrical system of a predetermined electrically driven motor vehicle
DE102022209341A1 (en) Generating a control signal for an electronic module using a neural network
EP3460727A1 (en) Method for examining a functional behaviour of a technical system and evaluation unit
DE60202443T2 (en) Method for testing an electronic component
DE102013013951B4 (en) Measuring arrangement, measuring device and method for determining insulation faults
EP4001938A1 (en) Computer implemented method for determining state variables of a battery and battery
DE112014002802T5 (en) Battery pack system, semiconductor circuit and diagnostic method
DE102020120539A1 (en) Device for determining an error probability value for a transformer component and a system with such a device
DE102021214577A1 (en) Method of heating and cooling a component of an engine
WO2022162060A1 (en) Big data for fault identification in battery systems

Legal Events

Date Code Title Description
R012 Request for examination validly filed