DE102023115397B3 - Verfahren zur Erkennung einer Unwucht eines rotierenden Körpers zumindest eines Fahrzeugs - Google Patents

Abstract

Die Erfindung betrifft ein Verfahren zur Erkennung einer Unwucht eines rotierenden Körpers zumindest eines Fahrzeugs (10a-10d), umfassend die Schritte:
- Bereitstellen eines maschinellen Lernmodells (1), welches darauf trainiert ist, aus einer Vielzahl vorverarbeiteter Sensordaten einer Mehrzahl von Sensormitteln (2.1-2.i) des Fahrzeugs (10a-10d) die Unwucht des rotierenden Körpers zu prädizieren,
- Vorverarbeiten der Sensordaten und Berechnen einer Anzahl von Features, die mit der Unwucht des rotierenden Körpers korrelieren,
- Bereitstellen der Features als Eingangsgrößen des maschinellen Lernmodells (1),
- Klassifizieren der Features bezüglich der Unwucht des rotierenden Körpers mittels des maschinellen Lernmodells (1), um die Unwucht des rotierenden Körpers zu prädizieren.

Description

• Die vorliegende Erfindung bezieht sich auf ein Verfahren zur Erkennung einer Unwucht eines rotierenden Körpers zumindest eines Fahrzeugs nach dem Oberbegriff des Patentanspruchs 1.
• Bei rotierenden Körpern eines Fahrzeugs kann es unter Umständen zu einer Unwucht kommen, die zu spürbaren Vibrationen und einem erhöhten Verschleiß führen kann. Ein Beispiel für rotierende Körper eines Fahrzeugs, bei denen eine Unwucht auftreten kann, sind Räder des Fahrzeugs, bei denen eine Reifenunwucht vorliegt. Eine derartige Reifenunwucht beschreibt allgemein einen Zustand, bei dem die Masse des betreffenden Reifens nicht gleichmäßig verteilt ist. Ursache hierfür kann beispielsweise ein ungleichmäßiger Abrieb des Reifengummis sein. Die Folge einer Reifenunwucht ist ein ungleichmäßiges Rollverhalten, welches zu unerwünschten Schwingungen am Fahrzeug führt, die unterschiedliche negative Effekte zur Folge haben. Zum einen wird aufgrund der stärkeren Vibrationen die Belastung mechanischer Komponenten, wie zum Beispiel der Lenkung, der Radaufhängungen oder der Reifen erhöht. Diese höhere mechanische Beanspruchung kann insbesondere zu einem vorzeitigen Verschleiß und zu einer Beschädigung der betreffenden Fahrzeugkomponenten führen und kann darüber hinaus teure Reparaturen zur Folge haben sowie unter Umständen auch die Sicherheit des Fahrzeugs gefährden. Die Sicherheit des Fahrzeugs wird nicht nur durch einen vorzeitigen Defekt der mechanischen Komponenten beeinträchtigt. So wird allein durch das ungleichmäßige Rollverhalten das Fahrverhalten des Fahrzeugs negativ beeinflusst.
• Eine bestehende Reifenunwucht macht sich auch für den Fahrer des Fahrzeugs durch Vibrationen und Geräusche im Fahrgastraum und/oder durch Vibrationen des Lenkrads bemerkbar. Ein reduziertes Sicherheitsgefühl sowie das Empfinden geringerer Qualität und Wertigkeit des Fahrzeugs kann als Folge einer bestehenden Reifenunwucht darüber hinaus auch die Kundenzufriedenheit verringern.
• Eine Reifenunwucht lässt sich mittels einer Reifenwuchtmaschine, die üblicherweise in einer Kfz-Werkstatt vorhanden ist, identifizieren und beheben. Eine solche Untersuchung und die sich daran anschließende Auswuchtung des gesamten Rades können zum Beispiel im Rahmen einer Routineüberprüfung, wie zum Beispiel bei einem saisonalen Reifenwechsel, durchgeführt werden. Die Reifenunwucht kann sich aber auch so stark auf das Fahrgefühl auswirken, dass der Fahrer aus Sicherheitsgründen eine Fachwerkstatt aufsucht. Dabei besteht jedoch stets das Problem, dass die Reifenunwucht in der Regel zu spät erkannt wird und somit das Fahrzeug bereits stärker beansprucht ist, so dass unter Umständen die Sicherheit gefährdet ist oder die Kundenzufriedenheit gemindert ist.
• Daher wäre es wünschenswert, eine Reifenunwucht möglichst frühzeitig zu erkennen, um die Sicherheit und die Kundenzufriedenheit zu gewährleisten und den Verschleiß mechanischer Bauteile zu minimieren.
• Neben einer Reifenunwucht können auch andere rotierende Körper eines Fahrzeugs eine Unwucht aufweisen. Zu nennen sind in diesem Zusammenhang zum Beispiel Antriebswellen, Abtriebswellen, Zwischenwellen oder Seitenwellen.
• Ein Verfahren zur Bestimmung einer Unwucht eines Rades eines Fahrzeugs ist zum Beispiel aus der DE 10 2019 210 656 A1 bekannt.
• Gattungsgemäße Verfahren zur Bestimmung einer Unwucht eines Rades eines Fahrzeugs, bei denen Methoden des maschinellen Lernens eingesetzt werden, sind zum Beispiel aus der US 2018 / 0 003 593 A1 sowie aus der US 2010 / 0 274 441 A1 bekannt.
• Die Erfindung macht es sich zur Aufgabe, ein weiter verbessertes Verfahren zur Erkennung einer Unwucht eines rotierenden Körpers zumindest eines Fahrzeugs zur Verfügung zu stellen, welches es ermöglicht, eine Unwucht möglichst frühzeitig, insbesondere während des Fahrbetriebs des Fahrzeugs, zu erkennen.
• Die Lösung dieser Aufgabe liefert ein Verfahren zur Erkennung einer Unwucht eines rotierenden Körpers zumindest eines Fahrzeugs der eingangs genannten Art mit den Merkmalen des kennzeichnenden Teils des Anspruchs 1. Die Unteransprüche betreffen vorteilhafte Weiterbildungen der Erfindung.
• Ein erfindungsgemäßes Verfahren zur Erkennung einer Unwucht eines rotierenden Körpers zumindest eines Fahrzeugs umfasst die Schritte, die bereits aus dem Stand der Technik bekannt sind:
• - Bereitstellen eines maschinellen Lernmodells, welches darauf trainiert ist, aus einer Vielzahl vorverarbeiteter Sensordaten einer Mehrzahl von Sensormitteln des Fahrzeugs die Unwucht des rotierenden Körpers zu prädizieren,
• - Vorverarbeiten der Sensordaten und Berechnen einer Anzahl von Features, die mit der Unwucht des rotierenden Körpers korrelieren,
• - Bereitstellen der Features als Eingangsgrößen des maschinellen Lernmodells,
• - Klassifizieren der Features bezüglich der Unwucht des rotierenden Körpers mittels des maschinellen Lernmodells, um die Unwucht des rotierenden Körpers zu prädizieren. Zur Verbesserung des Verfahrens ist erfindungsgemäß vorgesehen, dass durch eine schnelle Fourier-Transformation und eine Z-Wert-Berechnung eine Feature-Auswahl (Merkmalsauswahl) durchgeführt wird. Das Ergebnis sind Z-Werte für jede Frequenz des Spektrums für jedes der Sensormittel. Umso höher ein Z-Wert ist, desto stärker weichen die Messwerte einer Reifenunwucht (des entsprechenden Sensormittels und der Frequenz) von den Soll-Daten ab.
• Das erfindungsgemäße Verfahren ermöglicht es, eine Unwucht eines rotierenden Körpers zumindest eines Fahrzeugs möglichst frühzeitig, insbesondere bereits während des Fahrbetriebs des Fahrzeugs, zu erkennen. Es eignet sich in einem besonderen Maße zur Erkennung einer Reifenunwucht eines Rades des Fahrzeugs, ist aber nicht auf diesen Einsatzzweck beschränkt. Mittels des erfindungsgemäßen Verfahrens lässt sich auch die Unwucht anderer rotierender Körper zumindest eines Fahrzeugs erfassen. Zu nennen sind in diesem Zusammenhang zum Beispiel Antriebswellen, Abtriebswellen, Zwischenwellen oder Seitenwellen. Auch auf Vibrationen einer Antriebsvorrichtung des Fahrzeugs ist das hier vorgestellte Konzept übertragbar. Diese Aufzählung ist ausdrücklich nicht als abschließend zu verstehen.
• Das erfindungsgemäße Verfahren basiert auf dem Einsatz eines trainierten maschinellen Lernmodells. Ein Fahrzeug verfügt über eine Mehrzahl von Sensormitteln, die während der Fahrt des Fahrzeugs kontinuierlich eine Vielzahl von Sensordaten für verschiedene Steuergeräte, mittels derer der Betrieb des Fahrzeugs gesteuert wird, erfassen. Diese Sensordaten werden einer Vorverarbeitungsschicht zugeführt, in der eine Datenvorverarbeitung erfolgt. Dabei werden aus den Sensordaten bestimmte Merkmale, die vorliegend mit der Unwucht des rotierenden Körpers korrelieren und die auf dem Gebiet des maschinellen Lernens häufig auch als „Features“ bezeichnet werden, berechnet. Diese Features werden von dem maschinellen Lernmodell als Eingangsgrößen verarbeitet, um daraus die (mögliche) Unwucht des rotierenden Körpers zu prädizieren. Die Steuergeräte des Fahrzeugs sind insbesondere dazu ausgebildet, die Sensordaten in Echtzeit auszuwerten und entsprechend zu agieren. Die Kommunikation zwischen den Steuergeräten erfolgt über entsprechende Bussysteme. Ein in der Fahrzeugtechnik häufig anzutreffendes Bussystem ist das CAN-Bussystem.
• Die grundlegende Idee der vorliegenden Erfindung besteht darin, mithilfe der vorverarbeiteten Sensordaten der ohnehin im Fahrzeug verbauten Sensormittel, aus denen die mit der Unwucht des rotierenden Körpers korrelierenden Features berechnet werden, und durch den Einsatz des trainierten maschinellen Lernmodells eine Unwucht des rotierenden Körpers des Kraftfahrzeugs, insbesondere eine Reifenunwucht, möglichst frühzeitig und insbesondere bereits während der Fahrt zu erkennen. Vorzugsweise wird eine Warnmeldung für den Fahrer erzeugt, wenn eine Unwucht prädiziert wird. Die entsprechenden Informationen werden vorzugsweise in einem Fehlerspeicher abgelegt, der vom Werkstattpersonal ausgelesen werden kann.
• Das erfindungsgemäße Verfahren ermöglicht mittels des maschinellen Lernmodells eine automatisierte Klassifizierung der aus den vorverarbeiteten Sensordaten erhaltenen Features und somit in vorteilhafter Weise auch eine frühe Erkennung der Unwucht des rotierenden Körpers, insbesondere der Reifenunwucht, bevor sich diese Unwucht negativ auf das Fahrverhalten auswirken kann oder andere mechanische Bauteile des Fahrzeugs belasten kann. Im Gegensatz zu intervallbasierten Untersuchungen in der Werkstatt, die nur zu bestimmten Zeitpunkten durchgeführt werden, bietet das hier vorgestellte Verfahren eine kontinuierliche Überwachung und Diagnose einer Unwucht, insbesondere einer Reifenunwucht. Durch eine frühe Diagnose und Reparatur können der Verschleiß und die Belastung der mechanischen Komponenten des Fahrzeugs reduziert werden, um insbesondere die Fahrsicherheit und die Kundenzufriedenheit zu gewährleisten.
• Im Falle einer Reifenunwucht kann diese Anomalie direkt dem betreffenden Rad zugeordnet werden. Bei einer Kundenbeanstandung muss so nur der Fehlerspeicher ausgelesen werden und es kann direkt das betroffene Rad (anstatt alle 4 Räder) neu gewuchtet werden.
• Eine Unwucht, insbesondere eine Reifenunwucht, verursacht Vibrationen, welche sich als Schwingungen mit einer bestimmten Frequenz und einer bestimmten Amplitude erfassen lassen. Auch bestimmte Muster können sich in den Sensordaten periodisch wiederholen. Daher wird bei dem Verfahren eine Datenvorverarbeitung der Sensordaten durchgeführt, bei der für jedes Sensordatenrohsignal diejenigen Merkmale (Features) berechnet werden, welche die Korrelation mit der Unwucht des rotierenden Körpers aufweisen. Diese können vorzugweise Features aus den Sensordatenrohsignalen im Zeitbereich (Momente höherer Ordnung) oder Features einer schnellen Fourier-Transformation (FFT) sowie einer Autokorrelation sein.
• Für die Durchführung des Verfahrens zur Erkennung einer Unwucht eines rotierenden Körpers eines Fahrzeugs werden eine Vielzahl von Sensordaten einer Mehrzahl von Sensormitteln des Fahrzeugs verwendet, die während der Fahrt des Fahrzeugs kontinuierlich mit einer bestimmten Abtastfrequenz (zum Beispiel mit einer Abtastfrequenz von 10 kHz) erfasst werden. Beispielsweise benötigt das Steuergerät eines Fahrdynamikregelungssystems des Fahrzeugs Sensordaten von Sensormitteln, welche die Radgeschwindigkeiten, den Bremsdruck und Bremsmomente der einzelnen Räder erfassen, um so ein Untersteuern oder Übersteuern des Fahrzeugs zu verhindern. Diese Sensordaten können vorzugsweise auch bei dem hier vorgestellten Verfahren verwendet werden. Weitere beispielhafte Sensordaten von Sensormitteln, die bei dem hier vorgestellten Verfahren vorzugsweise verwendet werden können, sind insbesondere das Lenkmoment, Beschleunigungen der Räder oder Höhenwerte der Radaufhängungen des Fahrzeugs. Die Aufzählung der bei dem erfindungsgemäßen Verfahren verwendbaren Sensormittel soll ausdrücklich nicht als abschließend verstanden werden. In einer Ausführungsform werden zumindest Sensordaten von Beschleunigungssensormitteln, die den Rädern des Fahrzeugs zugeordnet sind, und Sensordaten von Sensormitteln, die dazu ausgebildet sind, Höhenwerte der Radaufhängungen des Fahrzeugs und/oder Aufbaubeschleunigungen einer Karosserie des Fahrzeugs und/oder Domlagerbeschleunigungen zu bestimmen, verwendet, um eine Reifenunwucht zumindest eines Rades des Fahrzeugs zu erfassen.
• In einer vorteilhaften Ausführungsform wird vorgeschlagen, dass das trainierte maschinelle Lernmodell dezentral in einer Cloud-Recheneinrichtung einer Cloud-Architektur ausgeführt wird. Die Ausführung des maschinellen Lernmodells in einer Cloud-Recheneinrichtung bietet zahlreiche Vorteile. Je nach Architektur des maschinellen Lernmodells wird relativ viel Rechenleistung für die Vorverarbeitung der Daten und die Klassifikation eines Samples mittels des maschinellen Lernmodells benötigt. In einem Fahrzeug sind die zur Verfügung stehenden Rechenkapazitäten in der Regel stark begrenzt. Zudem haben sicherheitsrelevante Systeme und echtzeitrelevante Systeme im Fahrzeug eine erhöhte Priorität. Durch die Auslagerung des maschinellen Lernmodells in die Cloud-Recheneinrichtung ist man somit nicht mehr auf Ressourcen des Fahrzeugs angewiesen. Diese Auslagerung ermöglicht zudem auch eine Klassifikation von Fahrzeugen, welche die Hardwareanforderungen zur Ausführung des maschinellen Lernmodells aufgrund begrenzter Rechenkapazitäten überhaupt nicht erfüllen können. Zudem lässt sich ein zentral in der Cloud-Recheneinrichtung ausgeführtes maschinelles Lernmodell leicht anpassen und bei Bedarf auch nachtrainieren, ohne neue Software auf die einzelnen Fahrzeuge übertragen zu müssen.
• Ein weiterer Vorteil der Auslagerung des maschinellen Lernmodells in die Cloud-Recheneinrichtung ist die Skalierbarkeit. So lässt sich das maschinelle Lernmodell für beliebig viele Fahrzeuge wiederverwenden. Auch wenn für die Ausführung des maschinellen Lernmodells mehr Hardware-Rechenressourcen notwendig sein sollten, lassen sich diese einfach in der Cloud-Architektur erweitern.
• In einer vorteilhaften Weiterbildung besteht die Möglichkeit, dass vorzugsweise über ein drahtloses Kommunikationsnetzwerk, insbesondere über ein Mobilfunknetz, die Sensordaten einer Vielzahl von Fahrzeugen zur Cloud-Recheneinrichtung übertragen und von dieser verarbeitet werden. Um die Sensordaten der Fahrzeuge zur Cloud-Recheneinrichtung zu übermitteln, wird jedes Fahrzeug entsprechend in die Cloud-Architektur eingebunden, die neben der Cloud-Recheneinrichtung insbesondere Cloud-Speichermittel und Kommunikationsschnittstellen aufweist. Die auf diese Weise in der Cloud-Architektur gesammelten Sensordaten einer Vielzahl von Fahrzeugen werden auch als Flottendaten bezeichnet. In der Cloud-Recheneinrichtung werden die notwendigen Flottendaten vorzugsweise auch vorverarbeitet. Die dabei erhaltenen Features werden dem maschinellen Lernmodell in der Cloud-Recheneinrichtung zugeführt, welches die Klassifikation der Features bezüglich der Unwuchten rotierender Körper der Fahrzeuge, insbesondere der Reifenunwuchten, durchführt. Die Vorverarbeitung der Sensordaten kann alternativ auch in den Fahrzeugen erfolgen.
• Die Flottendaten einer Vielzahl von Fahrzeugen werden vorzugsweise auch für das Training des maschinellen Lernmodells sowie für vorangehende Analysen, wie zum Beispiel für eine Feature-Auswahl, die weiter unten noch erläutert werden wird, verwendet. Außerdem können auch ungelabelte Flottendaten mit Methoden wie dem unüberwachten Pre-Training, Clustering oder Autoencodern verwendet werden. Über die mittels einer Cloud-Architektur vernetzten Fahrzeuge einer Fahrzeugflotte lassen sich in vorteilhafter Weise sehr einfach Daten von vielen verschiedenen Fahrzeugen sammeln. Aufgrund der Vielzahl von Fahrzeugen und Fahrszenarien erhöht sich die Varianz der gesamten Datenbasis enorm. Die größere Varianz in den Trainingsdaten kann zu einer robusteren Klassifikation der Unwuchten rotierender Körper, insbesondere Reifenunwuchten, von Fahrzeugen führen.
• In einer vorteilhaften Ausführungsform besteht die Möglichkeit, dass bei der Durchführung des Verfahrens nicht mehr alle verfügbaren Sensordaten verwendet werden und nach der Feature-Berechnung von dem maschinellen Lernmodell verarbeitet werden, sondern nur die Sensordaten derjenigen Sensormittel mit den höchsten Z-Werten ausgewählt werden.
• In einem weiteren Selektionsschritt können in einer Ausführungsform die in der Vorverarbeitung berechneten Features anhand der Frequenzen mit den höchsten Z-Werten selektiert werden. Anstelle des gesamten Spektrums eines Eingangssignals wird somit in vorteilhafter Weise nur das Vorkommen der spezifischen Frequenzen berechnet und als Eingangssignal an das maschinelle Lernmodell übergeben.
• Durch das Filtern der nicht relevanten Sensordaten kann die notwendige Datenmenge in vorteilhafter Weise deutlich reduziert werden. Dieses ermöglicht eine Vereinfachung des maschinellen Lernmodells, ein kürzeres Training und eine schnellere Ausführung des dem maschinellen Lernmodell zugrundeliegenden Algorithmus. Zudem werden die vielen Sensor-Abhängigkeiten auf die wichtigsten reduziert. Dadurch lässt sich das trainierte maschinelle Lernmodell in vorteilhafter Weise auf eine größere Anzahl von Fahrzeugen anwenden.
• Wenn das maschinelle Lernmodell in der oben erläuterten Weise in einer Cloud-Recheneinrichtung ausgeführt wird, profitiert man ebenfalls von der Feature-Auswahl, da die zu übertragende Datenmenge deutlich reduziert werden kann. Die notwendige Bandbreite zwischen den Fahrzeugen und der Cloud-Recheneinrichtung sowie die erforderliche Speicherkapazität können in vorteilhafter Weise deutlich reduziert werden.
• Nachfolgend soll ein Verfahren zum Trainieren eines maschinellen Lernmodells zur Erkennung einer Unwucht eines rotierenden Körpers eines Fahrzeugs näher erläutert werden, welches nicht Gegenstand der vorliegenden Erfindung ist.
• Für das Training des maschinellen Lernmodells zur Erkennung einer Unwucht eines rotierenden Körpers, insbesondere einer Reifenunwucht, eines Fahrzeugs, welches durch überwachtes Lernen erfolgt, wird ein gelabelter Zeitreihen-Datensatz verwendet. Das bedeutet, dass zu jedem Messzeitpunkt der Zustand der Unwucht des rotierenden Körpers, insbesondere der Reifenunwucht, bekannt ist. Der gesamte Datensatz wird entlang der Zeitreihe in einzelne Samples aufgeteilt. Ein Sample beinhaltet alle zu berücksichtigenden Sensordaten über einen definierten Zeitraum, der beispielsweise eine Länge von einer Sekunde haben kann. Außerdem besitzt jedes Sample ein Label, welches den Zustand der Unwucht beschreibt. Für jedes Sample werden die oben beschriebenen Merkmale (Features) berechnet, so dass ein Sample nun aus einem Label und den berechneten Features besteht.
• Anschließend wird die Menge aller Samples vorzugsweise in einen Trainings-, Test- und Validierungsdatensatz aufgeteilt. Anhand des Trainings- und des Testdatensatzes wird das maschinelle Lernmodell durch überwachtes Lernen trainiert. Die Features eines Samples bilden dabei die Eingangsgrößen des maschinellen Lernmodells. Die Ausgangsgrößen des maschinellen Lernmodells bilden die Klassifikation der Eingangsgrößen bezüglich einer Unwucht des rotierenden Körpers des Fahrzeugs. Das Label des Samples wird verwendet, um das maschinelle Lernmodell durch überwachtes Lernen auf das Erkennen der Unwucht zu trainieren. Der Validierungsdatensatz wird erst nach Abschluss des Trainings zur Validierung der Klassifikationsergebnisse verwendet.
• Das in der vorstehend beschriebenen Weise trainierte maschinelle Lernmodell kann anschließend im Produktivbetrieb mit neuen Sensordaten, die von den Sensormitteln des Fahrzeugs während der Fahrt erfasst werden, verwendet werden. Dazu werden Sensordaten derjenigen Arten von Sensormitteln, die bereits für das Training des maschinellen Lernmodells verwendet wurden und mindestens die Dauer eines Samples haben, verwendet. Wenn mehr Sensordaten klassifiziert werden sollen, werden die Sensordaten in Samples mit der beim Training definierten Dauer unterteilt. Sollen kontinuierliche Sensordaten klassifiziert werden, werden vorzugsweise mittels einer Methode des so genannten „Sliding Windows“ stets die neuesten Daten selektiert. Die Länge des „Sliding-Windows“ entspricht der im Training definierten Sample-Länge. Wie bereits beim Training des maschinellen Lernmodells werden für jedes zu klassifizierende Sample die oben beschriebenen Merkmale (Features) berechnet. Die resultierenden Merkmale (Features) werden dem maschinellen Lernmodell als Eingangsgrößen zugeführt. Der Output des maschinellen Lernmodells ist die Klassifikation des entsprechenden Samples bezüglich einer Unwucht des rotierenden Körpers des Fahrzeugs, insbesondere einer Reifenunwucht.
• In einer vorteilhaften Ausführungsform wird vorgeschlagen, dass in zumindest einem Testfahrzeug zusätzlich zu den ohnehin bereits im Testfahrzeug verbauten Sensormitteln zusätzliche Sensormittel verbaut werden, deren Sensordaten ebenfalls für die Erkennung einer Unwucht mithilfe des maschinellen Lernmodells verwendet werden. Diese zusätzlichen Sensormittel können beispielsweise dazu ausgebildet sein, Distanzen, Beschleunigungen oder Schallemissionen während des Fahrbetriebs des Testfahrzeugs aufzuzeichnen. Die mithilfe der zusätzlichen Sensormittel erfassten Sensordaten werden dabei vorzugsweise mittels einer externen Datenaufzeichnungseinrichtung aufgezeichnet. Da diese zusätzlichen Sensormittel nicht durch ein Bussystem im Testfahrzeug oder durch andere Fahrzeug-Hardware eingeschränkt sind, kann in vorteilhafter Weise mit deutlich höherer Abtastfrequenz und genauerer Quantisierung gemessen werden. Zudem können die zusätzlichen Sensormittel in vorteilhafter Weise auch an Positionen des Testfahrzeugs montiert werden, an denen ein großer Einfluss der Reifenunwucht zu erwarten ist. Ein mögliches Beispiel für derartige zusätzliche Sensormittel sind Beschleunigungssensormittel an Radträgern und Schwenklagern.
• Weitere Merkmale und Vorteile der vorliegenden Erfindung werden deutlich anhand der nachfolgenden Beschreibung bevorzugter Ausführungsbeispiele unter Bezugnahme auf die beiliegenden Abbildungen. Dabei zeigen
• 1 eine stark vereinfachte, schaubildliche Darstellung, welche die Verarbeitung von Sensordaten bei der Durchführung eines Verfahrens zur Erkennung einer Unwucht eines rotierenden Körpers eines Fahrzeugs veranschaulicht,
• 2 eine stark vereinfachte Darstellung einer Mehrzahl von Fahrzeugen, die mit einer Cloud-Architektur vernetzt sind, in der ein maschinelles Lernmodell ausgeführt wird.
• Bei der Durchführung eines Verfahrens zur Erkennung einer Unwucht eines rotierenden Körpers zumindest eines Fahrzeugs 10a-10d, insbesondere zur Erkennung einer Reifenunwucht eines Rades zumindest eines Fahrzeugs 10a-10d, wird unter anderem ein maschinelles Lernmodell 1 verwendet, welches in 1 gezeigt ist. Das maschinelle Lernmodell 1 erhält als Eingangsgrößen eine Anzahl aus einer Vielzahl von Sensordaten berechneter Features (Merkmale), die mit der Unwucht des rotierenden Körpers korrelieren. Die Sensordaten werden mithilfe einer Mehrzahl von Sensormitteln 2.1-2.i während der Fahrt des Fahrzeugs 10a-10d erfasst. Beispielsweise benötigt das Steuergerät eines Fahrdynamikregelungssystems des Fahrzeugs 10a-10d Sensordaten von Sensormitteln 2.1-2.i, welche die Radgeschwindigkeiten, den Bremsdruck und Bremsmomente der einzelnen Räder erfassen, um so ein Untersteuern oder Übersteuern des Fahrzeugs 10a-10d zu verhindern. Diese Sensordaten können vorzugsweise auch bei dem hier vorgestellten Verfahren verwendet werden. Weitere beispielhafte Sensordaten von Sensormitteln 2.1-2.i, die bei dem hier vorgestellten Verfahren ebenfalls verwendet werden können, sind insbesondere das Lenkmoment, Beschleunigungen der Räder oder Höhenwerte einer Radaufhängung des Fahrzeugs 10a-10d oder Aufbaubeschleunigungen einer Karosserie des Fahrzeugs 10a-10d oder Domlagerbeschleunigungen. Diese Aufzählung von Sensormitteln 2.1-2. i, deren Sensordaten für die Durchführung des Verfahrens verwendet werden können, ist ausdrücklich nicht als abschließend zu verstehen. Typische Abtastfrequenzen von Sensormitteln 2.1-2. i, die den Steuergeräten im Fahrzeug 10a-10d zugeordnet sind, liegen typischerweise bei 1 kHz.
• Die während des Fahrbetriebs des Fahrzeugs 1 0a-10d kontinuierlich erfassten Sensordaten der Sensormittel 2.1-2.i werden einer Vorverarbeitungsschicht 3 zugeführt, in der die Features (Merkmale), die mit der Unwucht des rotierenden Körpers korrelieren, aus den Sensordatenrohsignalen berechnet werden. Wie bereits erläutert, verursacht eine Unwucht, insbesondere eine Reifenunwucht, ungewollte Vibrationen. Diese Vibrationen weisen eine bestimmte Frequenz und eine bestimmte Amplitude auf. Auch bestimmte Muster können sich in den Sensordaten periodisch wiederholen. Folglich können die Features durch Analysen der Frequenzen in den Sensordaten anhand einer schnellen Fourier-Transformation (FFT) sowie durch Autokorrelation bestimmt werden. Bereits durch eine visuelle Überprüfung lassen sich anhand der Autokorrelation Unterschiede in den hochfrequenten Daten feststellen.
• Die durch die Vorverarbeitung erhaltenen Features werden dem maschinellen Lernmodell 1 als Eingangsgrößen zugeführt, welches die Klassifikation dieser Features bezüglich einer Unwucht des rotierenden Körpers durchführt, um somit die Unwucht des rotierenden Körpers zu prädizieren.
• Eine weitere Verbesserung des Verfahrens lässt sich durch eine Feature-Auswahl (Merkmalsauswahl) erreichen. Die Feature-Auswahl kann durch eine schnelle Fourier-Transformation sowie durch eine Z-Wert-Berechnung erfolgen. Dieser Ansatz setzt sich im Wesentlichen aus drei Schritten zusammen.
• 1.) Zunächst wird eine Datenbasis, welche in OK (= keine Unwucht) und NOK (= Unwucht) unterteilt ist, in kleine Samples mit einer Dauer von vorzugsweise 1 Sekunde unterteilt. Das Ergebnis sind zwei Mengen mit einer Anzahl n von OK-Samples und einer Anzahl m von NOK-Samples, wobei jedes Sample vorzugsweise Daten von etwa 50 Sensormitteln 2.1-2. i des Fahrzeugs 10a-10d aus einer Sekunde beinhaltet.
• Die nachfolgenden Schritte werden dann für jedes der etwa 50 Sensormittel 2.1-2.i durchgeführt:
• 2.) Für jedes Sample wird mittels einer schnellen Fourier-Transformation (FFT) ein Spektrum des entsprechenden Sensordatenrohsignals berechnet. Das Resultat sind nun zwei Mengen mit einer Anzahl n von OK-Spektren und einer Anzahl m von NOK-Spektren des entsprechenden Sensordatenrohsignals. Für jede Frequenz des Spektrums liegen somit zwei Verteilungen aus einer Anzahl n OK-Signalstärken und einer Anzahl m NOK-Signalstärken vor.
• 3.) Die beiden Verteilungen aus der Anzahl n von OK-Signalstärken und der Anzahl m von NOK-Signalstärken werden nun für jede Frequenz des Spektrums miteinander verglichen, indem der Z-Wert - also die Differenz eines Rohwertes vom Mittelwert - berechnet wird. Umso größer die Abweichung der beiden Verteilungen ist, desto größer ist auch der Z-Wert. Das Ergebnis ist somit ein Z-Wert für jede Frequenz des Spektrums.
• Das Ergebnis der drei vorstehend beschriebenen Schritte sind somit Z-Werte für jede Frequenz des Spektrums für jedes der Sensormittel. Umso höher ein Z-Wert ist, desto stärker weichen die Messwerte einer Unwucht, insbesondere einer Reifenunwucht (des entsprechenden Sensormittels 2.1-2. i und der Frequenz) von den Soll-Daten ab.
• Basierend auf der Unterteilung der Sensordaten in kleine Samples, anschließender schneller Fourier-Transformation (FFT) und Z-Wert Berechnung lassen sich relativ einfach Unterschiede zwischen den OK- und NOK-Daten in der Frequenzdomain identifizieren.
• Neben den Sensordaten von Sensormitteln 2.1-2.i der Steuergeräte, die in Fahrzeugen 10a-10d ohnehin vorhanden sind, können in speziellen Testfahrzeugen auch zusätzliche Sensormittel verbaut werden. Diese messen bei einer deutlich höheren Abtastfrequenz von über 32 kHz. Diese zusätzlichen Sensormittel sind zum Teil stark anwendungsfallspezifisch und befinden sich daher nur in den Testfahrzeugen. Die auf diese Weise erhaltenen Sensordaten sind nicht in Flottendaten verfügbar und dienen während der Entwicklungsphase als erweiterte Datengrundlage. Beispielsweise können zusätzliche Beschleunigungssensormittel an den Schwenklagern und den Radträgern sowie ein Mikrofon und Beschleunigungssensormittel im Fahrzeuginnenraum, wie zum Beispiel Beschleunigungssensormittel im Bereich der Sitzschienen zur Erfassung von Sitzvibrationen, verbaut werden, um entsprechende Sensordaten zu erhalten. Vorzugsweise sind die Beschleunigungssensormittel dazu ausgebildet, die auftretenden Beschleunigungen in allen drei Raumrichtungen zu erfassen.
• Damit das maschinelle Lernmodell 1 dazu in der Lage ist, eine Unwucht eines rotierenden Körpers, insbesondere eine Reifenunwucht, zu erkennen, muss dieses vor dem Produktiveinsatz zunächst in geeigneter Weise trainiert werden. Das maschinelle Lernmodell 1 wird dabei durch Methoden des überwachten Lernens trainiert. Hierfür sind klassifizierte Trainingsdaten notwendig, anhand derer ein generalisiertes Modell erlernt werden kann. Die Flottendaten eines Fahrzeugherstellers, welche in einer sehr großen Menge zur Verfügung stehen, sind jedoch nicht klassifiziert. Es ist nicht bekannt, ob das Fahrzeug, von welchem die entsprechenden Daten stammen, eine Reifenunwucht aufweist oder nicht. Somit lassen sich diese Daten nicht für das überwachte Training des maschinellen Lernmodells 1 verwenden.
• Daher werden für das Training klassifizierte Sensordaten bei Messfahrten eines oder mehrerer Testfahrzeuge aufgezeichnet. Dazu werden verschiedene Szenarien definiert, bei welchen dem Testfahrzeug künstlich Reifenunwuchten hinzugefügt werden. Dieses erfolgt mithilfe von Gewichten zwischen 0 g und 60 g, die an den Reifen montiert wurden. Während der Fahrt des Testfahrzeugs können dann in unterschiedlichen Fahrszenarien entsprechende Sensordaten der ausgewählten Sensormittel 2.1 bis 2.i sowie gegebenenfalls zusätzlicher Sensormittel aufgezeichnet werden.
• Unter Bezugnahme auf 2 ist dort eine dezentrale Cloud-Architektur 100 mit einer Cloud-Recheneinrichtung 101 gezeigt, die dazu ausgebildet ist, das maschinelle Lernmodell 1 auszuführen. Über ein drahtloses Kommunikationsnetzwerk, insbesondere über ein Mobilfunknetz, werden die Sensordaten einer Vielzahl von Fahrzeugen 10a-10d zur Cloud-Recheneinrichtung 101 übertragen. Um diese Sensordaten der Fahrzeuge 1 0a-1 0d an das maschinelle Lernmodell 1, das in der Cloud-Recheneinrichtung 101 ausgeführt wird, zu übermitteln, wird jedes Fahrzeug 10a-10d entsprechend in die Cloud-Architektur 100 eingebunden, die neben der Cloud-Recheneinrichtung 101 insbesondere Cloud-Speichermittel und Kommunikationsschnittstellen aufweist. Die auf diese Weise in der Cloud-Architektur 100 gesammelten Sensordaten einer Vielzahl von Fahrzeugen 10a-10d werden auch als Flottendaten bezeichnet. In der Cloud-Recheneinrichtung 101 werden die betreffenden Sensordaten (Flottendaten) in der Vorverarbeitungsschicht 3 vorverarbeitet und nach der Vorverarbeitung, im Rahmen derer die Features berechnet werden und gegebenenfalls auch eine Feature-Auswahl erfolgt, dem maschinellen Lernmodell 1 zugeführt, welches dann die Klassifikation bezüglich der Unwucht eines rotierenden Körpers der betreffenden Fahrzeuge 10a-10d, insbesondere im Hinblick auf Reifenunwuchten, durchführt.
• Die Ausführung des maschinellen Lernmodells 1 in der Cloud-Recheneinrichtung 101 bietet zahlreiche Vorteile. Je nach Architektur des maschinellen Lernmodells 1 wird viel Rechenleistung für die Klassifikation eines Samples und die Vorverarbeitung der Daten benötigt. In einem Fahrzeug 10a-10d sind die zur Verfügung stehenden Rechen-Ressourcen in der Regel stark begrenzt. Zudem haben sicherheitsrelevante Systeme und echtzeitrelevante Systeme im Fahrzeug 10a-10d Priorität. Durch die Auslagerung des maschinellen Lernmodells 1 in die Cloud-Recheneinrichtung 101 ist man nicht mehr auf Ressourcen des Fahrzeugs 10a-10d angewiesen. Diese Auslagerung ermöglicht zudem auch eine Klassifikation von Fahrzeugen 10a-10d, welche die Hardwareanforderungen zur Ausführung des maschinellen Lernmodells 1 aufgrund begrenzter Rechenkapazitäten überhaupt nicht erfüllen können. Zudem lässt sich ein zentral in der Cloud-Recheneinrichtung 101 ausgeführtes maschinelles Lernmodell 1 leicht anpassen und bei Bedarf auch nachtrainieren, ohne neue Software auf die einzelnen Fahrzeuge 10a-10d übertragen zu müssen.
• Ein weiterer Vorteil der Auslagerung des maschinellen Lernmodells 1 in die Cloud-Recheneinrichtung 101 ist die Skalierbarkeit. So lässt sich das maschinelle Lernmodell 1 für beliebig viele Fahrzeuge 10a-10d wiederverwenden. Auch wenn für die Ausführung des maschinellen Lernmodells 1 mehr Hardware-Rechenressourcen notwendig sein sollten, lassen sich diese relativ einfach in der Cloud-Architektur erweitern.
• Die oben erwähnten Flottendaten werden vorzugsweise auch für das Training des maschinellen Lernmodells 1 sowie für vorangehende Analysen, wie beispielsweise die Feature-Auswahl, verwendet. Außerdem können auch ungelabelte Flottendaten mit Methoden wie dem unüberwachten Pre-Training, Clustering oder mit Autoencodern verwendet werden.

Claims (6)

1. Verfahren zur Erkennung einer Unwucht eines rotierenden Körpers zumindest eines Fahrzeugs (10a-10d), umfassend die Schritte: - Bereitstellen eines maschinellen Lernmodells (1), welches darauf trainiert ist, aus einer Vielzahl vorverarbeiteter Sensordaten einer Mehrzahl von Sensormitteln (2.1-2.i) des Fahrzeugs (10a-10d) die Unwucht des rotierenden Körpers zu prädizieren, - Vorverarbeiten der Sensordaten und Berechnen einer Anzahl von Features, die mit der Unwucht des rotierenden Körpers korrelieren, - Bereitstellen der Features als Eingangsgrößen des maschinellen Lernmodells (1), - Klassifizieren der Features bezüglich der Unwucht des rotierenden Körpers mittels des maschinellen Lernmodells (1), um die Unwucht des rotierenden Körpers zu prädizieren, dadurch gekennzeichnet, dass durch eine schnelle Fourier-Transformation und durch eine Z-Wert-Berechnung eine Feature-Auswahl durchgeführt wird.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass zumindest Sensordaten von Beschleunigungssensormitteln, die Rädern des Fahrzeugs (10a-10d) zugeordnet sind, und Sensordaten von Sensormitteln (2.1-2.i), die dazu ausgebildet sind, Höhenwerte der Radaufhängungen des Fahrzeugs (10a-10d) und/oder Aufbaubeschleunigungen einer Karosserie des Fahrzeugs (10a-10d) und/oder Domlagerbeschleunigungen zu bestimmen, verwendet werden, um eine Reifenunwucht zumindest eines Rades des Fahrzeugs (10a-10d) zu erfassen.
3. Verfahren nach einem der Ansprüche 1 oder 2, dadurch gekennzeichnet, dass das trainierte maschinelle Lernmodell (1) dezentral in einer Cloud-Recheneinrichtung (101) einer Cloud-Architektur (100) ausgeführt wird.
4. Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass die Sensordaten einer Vielzahl von Fahrzeugen (10a-10d) zur Cloud-Recheneinrichtung (101) übertragen und von dieser verarbeitet werden.
5. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass nur die Sensordaten derjenigen Sensormittel (2.1-2.i) mit den höchsten Z-Werten ausgewählt werden.
6. Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass die in der Vorverarbeitung berechneten Features anhand der Frequenzen mit den höchsten Z-Werten selektiert werden.

Images