DE102023125034A1 - Determining wear of a vehicle component using an AI module - Google Patents
Determining wear of a vehicle component using an AI module Download PDFInfo
- Publication number
- DE102023125034A1 DE102023125034A1 DE102023125034.5A DE102023125034A DE102023125034A1 DE 102023125034 A1 DE102023125034 A1 DE 102023125034A1 DE 102023125034 A DE102023125034 A DE 102023125034A DE 102023125034 A1 DE102023125034 A1 DE 102023125034A1
- Authority
- DE
- Germany
- Prior art keywords
- time series
- time
- operating data
- vehicle component
- vehicle
- 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
Links
- 238000012549 training Methods 0.000 claims abstract description 114
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 80
- 230000006870 function Effects 0.000 claims abstract description 39
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 20
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 description 47
- 210000002569 neuron Anatomy 0.000 description 24
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 9
- 230000004913 activation Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000002485 combustion reaction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 210000004205 output neuron Anatomy 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007620 mathematical function Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3013—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is an embedded system, i.e. a combination of hardware and software dedicated to perform a certain function in mobile devices, printers, automotive or aircraft systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
Abstract
Die Erfindung betrifft ein Fahrzeug (1), aufweisend zumindest eine Fahrzeugkomponente (2) und eine Auswertungseinheit (3) mit einem künstlichen Intelligenzmodul (KI-Modul) (4), wobei die Auswertungseinheit (3) eingerichtet ist, in Abhängigkeit von einer Zeitreihe (10) von Betriebsdaten, die in einem Zusammenhang mit einem Betrieb der Fahrzeugkomponente (2) zu unterschiedlichen Zeitpunkten steht, und mithilfe des KI-Moduls (4) einen Wert (11) einer Verschleißkennzahl zu ermitteln, der mit einem Grad eines Verschleißes der Fahrzeugkomponente (2) in einem Zusammenhang steht, wobei das KI-Modul (4) in Abhängigkeit von weiteren Zeitreihen (20) von weiteren Betriebsdaten, wobei die weiteren Betriebsdaten der jeweiligen weiteren Zeitreihe (201, 202,...20j,...20m) in einem Zusammenhang mit einem jeweiligen weiteren vorhergehenden Betrieb einer jeweiligen weiteren zu der Fahrzeugkomponente (2) ähnlich funktionierenden Fahrzeugkomponente zu jeweiligen unterschiedlichen weiteren Zeitpunkten stehen, und in Abhängigkeit von Trainingswerten (211, 212,...21j,...21m) der Verschleißkennzahl, die jeweils der jeweiligen weiteren Zeitreihe (201, 202, ... 20j, ... 20m) der weiteren Betriebsdaten zugeordnet sind, trainiert ist, und die Auswertungseinheit (3) eingerichtet ist, den Wert (11) der Verschleißkennzahl auszugeben.The invention relates to a vehicle (1) comprising at least one vehicle component (2) and an evaluation unit (3) with an artificial intelligence module (AI module) (4), wherein the evaluation unit (3) is set up to determine a value (11) of a wear index that is related to a degree of wear of the vehicle component (2) as a function of a time series (10) of operating data that is related to an operation of the vehicle component (2) at different points in time and with the aid of the AI module (4), wherein the AI module (4) is set up to determine a value (11) of a wear index that is related to a degree of wear of the vehicle component (2) as a function of further time series (20) of further operating data, wherein the further operating data of the respective further time series (201, 202,...20j,...20m) are related to a respective further previous operation of a respective further vehicle component that functions similarly to the vehicle component (2) at respective different further points in time, and as a function of training values (211, 212,...21j,...21m) of the wear index that is respectively assigned to the respective further Time series (201, 202, ... 20j, ... 20m) of the further operating data are assigned, is trained, and the evaluation unit (3) is set up to output the value (11) of the wear index.
Description
Es ist bekannt, dass ein Verschleiß von Fahrzeugkomponenten von einer jeweiligen Art und Weise einer Benutzung der jeweiligen Fahrzeugkomponente abhängt. Dies kann insbesondere Komponenten eines Verbrennungsmotors, wie beispielsweise einen Partikelfilter, und Sensoren zur Kontrolle eines Abgasverhaltens des Verbrennungsmotors eines Fahrzeugs betreffen. Je nachdem, wie der Verbrennungsmotor in einem Alltagsbetrieb beansprucht wird, kann sich ein Verschleiß der Komponenten des Verbrennungsmotors und der Sensoren unterschiedlich über einer Zeit der Benutzung des Fahrzeugs entwickeln.It is known that wear and tear on vehicle components depends on the type and manner of use of the respective vehicle component. This can particularly affect components of an internal combustion engine, such as a particle filter, and sensors for monitoring exhaust gas behavior of the internal combustion engine of a vehicle. Depending on how the internal combustion engine is used in everyday operation, wear and tear on the components of the internal combustion engine and the sensors can develop differently over a period of time during which the vehicle is used.
Es wird ein Fahrzeug, aufweisend zumindest eine Fahrzeugkomponente und eine Auswertungseinheit mit einem künstlichen Intelligenzmodul (KI-Modul) vorgeschlagen. Die Auswertungseinheit ist eingerichtet, in Abhängigkeit von einer Zeitreihe von Betriebsdaten, die in einem Zusammenhang mit einem Betrieb der Fahrzeugkomponente zu unterschiedlichen Zeitpunkten steht, und mithilfe des KI-Moduls einen Wert einer Verschleißkennzahl zu ermitteln, der mit einem Grad eines Verschleißes der Fahrzeugkomponente in einem Zusammenhang steht. Das KI-Modul ist in Abhängigkeit von weiteren Zeitreihen von weiteren Betriebsdaten und in Abhängigkeit von Trainingswerten der Verschleißkennzahl trainiert. Die weiteren Betriebsdaten der jeweiligen weiteren Zeitreihe stehen in einem Zusammenhang mit einem jeweiligen weiteren vorhergehenden Betrieb einer jeweiligen weiteren zu der Fahrzeugkomponente ähnlich funktionierenden Fahrzeugkomponente zu jeweiligen unterschiedlichen weiteren Zeitpunkten. Die Trainingswerte der Verschleißkennzahl sind jeweils der jeweiligen weiteren Zeitreihe der weiteren Betriebsdaten zugeordnet. Weiterhin ist die Auswertungseinheit eingerichtet, den Wert der Verschleißkennzahl auszugeben.A vehicle is proposed, having at least one vehicle component and an evaluation unit with an artificial intelligence module (AI module). The evaluation unit is set up to determine a value of a wear index that is related to a degree of wear of the vehicle component as a function of a time series of operating data that is related to operation of the vehicle component at different times and with the aid of the AI module. The AI module is trained as a function of further time series of further operating data and as a function of training values of the wear index. The further operating data of the respective further time series are related to a respective further previous operation of a respective further vehicle component that functions similarly to the vehicle component at respective different further times. The training values of the wear index are each assigned to the respective further time series of the further operating data. Furthermore, the evaluation unit is set up to output the value of the wear index.
Im Sinne der Erfindung kann die Fahrzeugkomponente jedes beliebige Bauteil des Fahrzeugs sein. So kann die Fahrzeugkomponente beispielsweise eine Komponente eines Antriebsstranges des Fahrzeugs, wie zum Beispiel ein Motor, eine Komponente des Motors, ein Getriebe, ein Teil des Getriebes, eine Kupplung, eine Batterie, eine Komponente eines Fahrwerks des Fahrzeugs, ein Rad, ein Reifen, ein Bauteil eines Innenraumes des Fahrzeugs, wie zum Beispiel ein Sitz, ein Fensterheber oder ein Bedienelement zum Bedienen des Fahrzeugs, eine Komponente eines Bremssystems des Fahrzeugs oder eine Komponente des Fahrzeugs, die ein autonomes Fahren des Fahrzeugs ermöglicht, sein.In the sense of the invention, the vehicle component can be any component of the vehicle. For example, the vehicle component can be a component of a drive train of the vehicle, such as an engine, a component of the engine, a transmission, a part of the transmission, a clutch, a battery, a component of a chassis of the vehicle, a wheel, a tire, a component of an interior of the vehicle, such as a seat, a window lifter or a control element for operating the vehicle, a component of a braking system of the vehicle or a component of the vehicle that enables autonomous driving of the vehicle.
Die Zeitreihe der Betriebsdaten ist eine zeitlich geordnete Zusammenfassung der Betriebsdaten, die jeweils zu den unterschiedlichen Zeitpunkten erfasst werden. Die Betriebsdaten der Zeitreihe können als zumindest teilweise Dokumentation des Betriebes der Fahrzeugkomponente zu den unterschiedlichen Zeitpunkten verstanden werden. Je nachdem, wie die Fahrzeugkomponente betrieben wird, ergeben sich unterschiedliche Werte der Betriebsdaten der Zeitreihe.The time series of operating data is a chronologically ordered summary of the operating data that is recorded at different points in time. The operating data of the time series can be understood as at least partial documentation of the operation of the vehicle component at different points in time. Depending on how the vehicle component is operated, different values of the operating data of the time series result.
Analog stellen die weiteren Zeitreihen der weiteren Betriebsdaten jeweils eine zeitlich geordnete Zusammenfassung der jeweiligen weiteren Betriebsdaten der jeweiligen weiteren Zeitreihe dar. Die weiteren Betriebsdaten der jeweiligen weiteren Zeitreihe können als zumindest teilweise Dokumentation des Betriebes der jeweiligen weiteren Fahrzeugkomponente zu den jeweiligen unterschiedlichen weiteren Zeitpunkten verstanden werden. Die jeweiligen weiteren Zeitpunkte umfassen Sätze der weiteren Zeitpunkte, wobei der jeweilige Satz der weiteren Zeitpunkte jeweils einer der weiteren Zeitreihen der weiteren Betriebsdaten zugordnet werden kann. Insbesondere sind die weiteren Betriebsdaten der jeweiligen weiteren Zeitreihe jeweils zu einem der weiteren Zeitpunkte des jeweiligen Satzes der weiteren Zeitpunkte erfasst.Similarly, the additional time series of the additional operating data each represent a chronologically ordered summary of the respective additional operating data of the respective additional time series. The additional operating data of the respective additional time series can be understood as at least partial documentation of the operation of the respective additional vehicle component at the respective different additional points in time. The respective additional points in time comprise sets of additional points in time, whereby the respective set of additional points in time can each be assigned to one of the additional time series of the additional operating data. In particular, the additional operating data of the respective additional time series are each recorded at one of the additional points in time of the respective set of additional points in time.
Die Zeitreihe der Betriebsdaten umfasst zumindest für jeden der unterschiedlichen Zeitpunkte zumindest ein jeweiliges Betriebsdatum. Prinzipiell können für den jeweiligen Zeitpunkt der Zeitpunkte auch zwei oder mehrere jeweilige Betriebsdaten der Zeitreihe vorgesehen sein. Für die weiteren Zeitreihen der weiteren Betriebsdaten gilt dies analog. Dies bedeutet, dass die jeweilige weitere Zeitreihe der weiteren Betriebsdaten für den jeweiligen Zeitpunkt des jeweiligen Satzes der weiteren Zeitpunkte zumindest ein jeweiliges weiteres Betriebsdatum oder zwei oder mehrere jeweilige weitere Betriebsdaten umfassen kann. Des Weiteren beschreiben die weiteren Zeitreihen der weiteren Betriebsdaten den Betrieb der jeweiligen weiteren Fahrzeugkomponente zu den unterschiedlichen weiteren Zeitpunkten des jeweiligen Satzes der weiteren Zeitpunkte zumindest teilweise.The time series of the operating data includes at least one respective operating date for each of the different points in time. In principle, two or more respective operating dates of the time series can also be provided for the respective point in time of the points in time. The same applies to the other time series of the other operating data. This means that the other time series of the other operating data can include at least one respective additional operating date or two or more respective additional operating dates for the respective point in time of the respective set of the other points in time. Furthermore, the other time series of the other operating data at least partially describe the operation of the other vehicle component at the different additional points in time of the respective set of the other points in time.
Die Betriebsdaten werden bevorzugt automatisiert während des Betriebes der Fahrzeugkomponente, im Folgenden auch verkürzt Komponente genannt, zu den unterschiedlichen Zeitpunkten erfasst.The operating data are preferably recorded automatically at different times during operation of the vehicle component, hereinafter also referred to as component.
Analog werden die weiteren Betriebsdaten automatisiert während dem jeweiligen Betrieb der jeweiligen weiteren Fahrzeugkomponente, im Folgenden auch verkürzt jeweilige weitere Komponente genannt, zu den weiteren Zeitpunkten des jeweiligen Satzes der weiteren Zeitpunkte erfasst.Analogously, the additional operating data are recorded automatically during the respective operation of the respective additional vehicle component, hereinafter also referred to as the respective additional component, at the additional points in time of the respective set of additional points in time.
Die Betriebsdaten können mithilfe eines Steuergerätes des Fahrzeugs oder der Auswertungseinheit erfasst werden. Analog können die weiteren Betriebsdaten mithilfe eines jeweiligen Steuergerätes oder einer jeweiligen Auswertungseinheit eines jeweiligen weiteren Fahrzeugs, in welchem die jeweilige weitere Komponente eingebaut ist, erfasst werden.The operating data can be obtained using a vehicle control unit or the evaluation control unit. Similarly, the other operating data can be recorded using a respective control unit or a respective evaluation unit of a respective additional vehicle in which the respective additional component is installed.
Gemäß einer Ausführungsform umfasst die Zeitreihe der Betriebsdaten eine Zeitreihe von Benutzereingaben zum Steuern der Fahrzeugkomponente. Die Benutzereingaben sind von einem Benutzer des Fahrzeugs zu den unterschiedlichen Zeitpunkten erzeugt. Bei dieser Ausführungsform umfassen die weiteren Zeitreihen der weiteren Betriebsdaten weitere Zeitreihen von weiteren Benutzereingaben zum Steuern der jeweiligen weiteren Fahrzeugkomponente. Die weiteren Benutzereingaben sind während des Betriebes der jeweiligen weiteren Fahrzeugkomponente von einem jeweiligen weiteren Benutzer zu den jeweiligen weiteren Zeitpunkten des jeweiligen Satzes der weiteren Zeitpunkte erzeugt.According to one embodiment, the time series of the operating data comprises a time series of user inputs for controlling the vehicle component. The user inputs are generated by a user of the vehicle at the different points in time. In this embodiment, the further time series of the further operating data comprise further time series of further user inputs for controlling the respective further vehicle component. The further user inputs are generated during the operation of the respective further vehicle component by a respective further user at the respective further points in time of the respective set of further points in time.
Die Benutzereingaben können beispielsweise durch eine Position eines Bedienmittels, wie zum Beispiel eines Gaspedals, Bremspedals, eines Schalthebels oder einer Steuertaste, beschrieben werden. Die jeweilige Benutzereingabe steht bevorzugt derart in einem Zusammenhang mit dem Betrieb der Komponente zu dem jeweiligen Zeitpunkt, dass die jeweilige Benutzereingabe den Betrieb der Komponente zu dem jeweiligen Zeitpunkt vorgibt, insbesondere steuert. Analog steht die jeweilige weitere Benutzereingabe bevorzugt derart in einem Zusammenhang mit dem jeweiligen Betrieb der jeweiligen weiteren Komponente zu dem jeweiligen weiteren Zeitpunkt des jeweiligen Satzes der weiteren Zeitpunkte, dass die jeweilige weitere Benutzereingabe den Betrieb der jeweiligen weiteren Komponente zu dem jeweiligen weiteren Zeitpunkt des jeweiligen Satzes der weiteren Zeitpunkte vorgibt, insbesondere steuert.The user inputs can be described, for example, by a position of an operating means, such as an accelerator pedal, brake pedal, gear lever or control button. The respective user input is preferably related to the operation of the component at the respective point in time in such a way that the respective user input specifies, in particular controls, the operation of the component at the respective point in time. Similarly, the respective further user input is preferably related to the respective operation of the respective further component at the respective further point in time of the respective set of further points in time in such a way that the respective further user input specifies, in particular controls, the operation of the respective further component at the respective further point in time of the respective set of further points in time.
Alternativ oder zusätzlich kann das Fahrzeug gemäß einer Variante einen Sensor zum Erfassen eines Zustandes der Fahrzeugkomponente aufweisen. Die Zeitreihe der Betriebsdaten umfasst bei dieser Variante eine mithilfe des Sensors erzeugte Zeitreihe von Sensorwerten. Die Zeitreihe der Sensorwerte ist in Abhängigkeit von dem Betrieb der Fahrzeugkomponente zu den unterschiedlichen Zeitpunkten erzeugt. Bei dieser Variante umfassen die weiteren Zeitreihen der weiteren Betriebsdaten weitere Zeitreihen von weiteren Sensorwerten. Die Zeitreihen der weiteren Sensorwerte sind jeweils in Abhängigkeit von dem jeweiligen weiteren vorhergehenden Betrieb der jeweiligen weiteren Fahrzeugkomponente zu den jeweiligen weiteren Zeitpunkten des jeweiligen Satzes der weiteren Zeitpunkte erzeugt.Alternatively or additionally, according to one variant, the vehicle can have a sensor for detecting a state of the vehicle component. In this variant, the time series of the operating data comprises a time series of sensor values generated using the sensor. The time series of the sensor values is generated depending on the operation of the vehicle component at the different points in time. In this variant, the further time series of the further operating data comprise further time series of further sensor values. The time series of the further sensor values are each generated depending on the respective further previous operation of the respective further vehicle component at the respective further points in time of the respective set of further points in time.
Die weiteren Sensorwerte der jeweiligen weiteren Zeitreihe der weiteren Sensorwerte sind bevorzugt mithilfe eines jeweiligen weiteren Sensors des jeweiligen weiteren Fahrzeugs generiert.The additional sensor values of the respective additional time series of the additional sensor values are preferably generated using a respective additional sensor of the respective additional vehicle.
Der Sensor ist hierbei bevorzugt an oder in der Komponente angeordnet, um einen jeweiligen Zustand der Komponente zu dem jeweiligen Zeitpunkt zu erfassen. Der jeweilige Sensorwert steht bevorzugt derart in einem Zusammenhang mit dem Betrieb der Komponente zu dem jeweiligen Zeitpunkt, dass der jeweilige Sensorwert sich als Folge des Betriebes der Komponente zu dem jeweiligen Zeitpunkt ergibt.The sensor is preferably arranged on or in the component in order to detect a respective state of the component at the respective point in time. The respective sensor value is preferably related to the operation of the component at the respective point in time in such a way that the respective sensor value results as a result of the operation of the component at the respective point in time.
Analog ist der jeweilige weitere Sensor bevorzugt an oder in der jeweiligen weiteren Komponente angeordnet, um einen jeweiligen Zustand der jeweiligen weiteren Komponente zu dem jeweiligen weiteren Zeitpunkt des jeweiligen Satzes der weiteren Zeitpunkte zu erfassen. Der jeweilige weitere Sensorwert der jeweiligen weiteren Zeitreihe der weiteren Sensorwerte steht bevorzugt derart in einem Zusammenhang mit dem Betrieb der jeweiligen weiteren Komponente zu dem jeweiligen weiteren Zeitpunkt des jeweiligen Satzes der weiteren Zeitpunkte, dass der jeweilige weitere Sensorwert der jeweiligen weiteren Zeitreihe der weiteren Sensorwerte sich als Folge des Betriebes der jeweiligen weiteren Komponente zu dem jeweiligen weiteren Zeitpunkt des jeweiligen Satzes der weiteren Zeitpunkte ergibt.Analogously, the respective additional sensor is preferably arranged on or in the respective additional component in order to detect a respective state of the respective additional component at the respective additional point in time of the respective set of additional points in time. The respective additional sensor value of the respective additional time series of the additional sensor values is preferably related to the operation of the respective additional component at the respective additional point in time of the respective set of additional points in time in such a way that the respective additional sensor value of the respective additional time series of the additional sensor values results as a result of the operation of the respective additional component at the respective additional point in time of the respective set of additional points in time.
Der Wert der Verschleißkennzahl kann gemäß einer Variante eine restliche Zeit einer Lebensdauer der Fahrzeugkomponente angeben. Genauso gut kann der Wert der Verschleißkennzahl den Grad des Verschleißes der Komponente, beispielsweise in Form einer Prozentangabe zwischen Null und Einhundert Prozent, unmittelbar angeben. According to one variant, the value of the wear index can indicate the remaining time of the vehicle component's service life. The value of the wear index can also directly indicate the degree of wear of the component, for example in the form of a percentage between zero and one hundred percent.
Möglich ist weiterhin, dass der Wert der Verschleißkennzahl eine Ausfallwahrscheinlichkeit der Komponente, bevorzugt in Prozent, angibt. In jedem Fall steht die Verschleißkennzahl mit dem Grad des Verschleißes der Komponente im Zusammenhang. Verändert sich der Grad des Verschleißes, so verändert sich auch der Wert der Verschleißkennzahl.It is also possible that the value of the wear index indicates a probability of failure of the component, preferably in percent. In any case, the wear index is related to the degree of wear of the component. If the degree of wear changes, the value of the wear index also changes.
Gemäß einer Variante ist der Wert der Verschleißkennzahl umso größer, je größer der Verschleiß der Komponente ist. Dies ist beispielsweise dann der Fall, wenn der Wert der Verschleißkennzahl die Ausfallwahrscheinlichkeit oder den Grad des Verschleißes angibt. Alternativ kann der Wert der Verschleißkennzahl umso geringer sein, je größer der Verschleiß der Komponente ist. Dies ist beispielsweise dann der Fall, wenn der Wert der Verschleißkennzahl die restliche Zeit der Lebensdauer angibt.According to one variant, the greater the wear of the component, the greater the value of the wear index. This is the case, for example, if the value of the wear index indicates the probability of failure or the degree of wear. Alternatively, the greater the wear of the component, the lower the value of the wear index. This is the case, for example, if the value of the wear index indicates the remaining time of the service life.
Dadurch, dass die Auswertungseinheit eingerichtet ist, den Wert der Verschleißkennzahl in Abhängigkeit von der Zeitreihe der Betriebsdaten zu ermitteln, kann die Auswertungseinheit den Wert der Verschleißkennzahl in Abhängigkeit einer vergangenen Art und Weise, wie die Komponente in der Vergangenheit betrieben wurde, ermitteln. Dies unterscheidet das vorgeschlagene Fahrzeug von einem Fahrzeug, bei welchem der Wert der Verschleißkennzahl beispielsweise nur in Abhängigkeit von aktuellen Messdaten ermittelt werden würde. Mit anderen Worten ermöglicht das vorgeschlagene Fahrzeug eine Historie einer Benutzung der Komponente bei einer Bestimmung des Wertes der Verschleißkennzahl zu berücksichtigen.Because the evaluation unit is set up to determine the value of the wear index depending on the time series of the operating data, the evaluation unit can determine the value of the wear index depending on a past manner in which the component was operated in the past. This distinguishes the proposed vehicle from a vehicle in which the value of the wear index would, for example, only be determined depending on current measurement data. In other words, the proposed vehicle makes it possible to take a history of use of the component into account when determining the value of the wear index.
Dadurch ist es möglich, rechtzeitig, das heißt noch bevor die Komponente ausfällt, eine Wartung oder Reparatur der Komponente durchzuführen. Dies ist vor allem dadurch möglich, weil die Auswertungseinheit eingerichtet ist, den Wert der Verschleißkennzahl auszugeben. Eine Ausgabe des Wertes der Verschleißkennzahl kann in visueller Form erfolgen, sodass der Benutzer der Komponente den Wert der Verschleißkennzahl sehen kann. Alternativ oder zusätzlich kann die Ausgabe des Wertes der Verschleißkennzahl durch ein Aussenden des Wertes der Verschleißkennzahl an einen externen Rechner erfolgen. Der externe Rechner kann hierbei ein Rechner einer Werkstatt, ein mobiles Gerät des Benutzers oder ein externer Server sein. Bevorzugt ist der externe Server eingerichtet, mit dem mobilen Gerät des Benutzers eine Kommunikation zum Austausch des Wertes der Verschleißkennzahl aufzubauen.This makes it possible to carry out maintenance or repairs on the component in good time, i.e. before the component fails. This is primarily possible because the evaluation unit is set up to output the value of the wear index. The value of the wear index can be output visually so that the user of the component can see the value of the wear index. Alternatively or additionally, the value of the wear index can be output by sending the value of the wear index to an external computer. The external computer can be a workshop computer, a user's mobile device, or an external server. The external server is preferably set up to establish communication with the user's mobile device to exchange the value of the wear index.
Es versteht sich von selbst, dass die Zeitreihe der Betriebsdaten in den meisten Fällen in einem Zusammenhang mit einem individuellen Benutzungsverhalten des Fahrzeugs, insbesondere der Komponente, vonseiten eines Benutzers des Fahrzeugs, insbesondere der Komponente, und Umwelteinflüssen steht. Dies folgt allein schon daraus, dass die Zeitreihe der Betriebsdaten sich als eine Folge einer Art und Weise, wie die Komponente von dem Benutzer in der Vergangenheit benutzt wurde, ergibt. Dies trifft sowohl für den Fall, dass die Betriebsdaten die Benutzereingaben umfassen, als auch für den Fall, dass die Betriebsdaten die Sensordaten umfassen, zu.It goes without saying that the time series of the operating data is in most cases related to an individual usage behavior of the vehicle, in particular the component, on the part of a user of the vehicle, in particular the component, and environmental influences. This follows simply from the fact that the time series of the operating data results as a consequence of the way in which the component was used by the user in the past. This applies both in the case where the operating data includes the user inputs and in the case where the operating data includes the sensor data.
Da im Allgemeinen eine Benutzung eines Fahrzeugs oder einzelner Komponenten eines Fahrzeugs von Person zu Person sehr unterschiedlich ist, kann auch der Grad des Verschleißes der Komponente nach Ablauf einer vorgegebenen Nutzungsdauer oder nach Ablauf einer vorgegebenen Anzahl an Nutzungen der Komponente sehr unterschiedlich sein, je nachdem welche Person die Komponente betreibt.Since the use of a vehicle or individual components of a vehicle generally varies greatly from person to person, the degree of wear and tear of the component after a specified period of use or after a specified number of uses of the component can also vary greatly depending on the person operating the component.
Mit dem vorgeschlagenen Fahrzeug ist es nun möglich, den Wert der Verschleißkennzahl in Abhängigkeit der Zeitreihe der Betriebsdaten, die unmittelbar mit einem vergangenen Nutzungsverhalten der Komponente vonseiten des Benutzers in einem Zusammenhang steht, zu bestimmen. Das vergangene Nutzungsverhalten der Komponente vonseiten des Benutzers kann auch als Fahrerprofil verstanden werden.With the proposed vehicle, it is now possible to determine the value of the wear index depending on the time series of the operating data, which is directly related to the past usage behavior of the component by the user. The past usage behavior of the component by the user can also be understood as a driver profile.
Die zu der Fahrzeugkomponente jeweilige weitere ähnlich funktionierende Fahrzeugkomponente kann insbesondere eine jeweilige zu der Komponente baugleiche Komponente sein. Der Begriff „ähnlich funktionierend“ meint, dass die jeweilige weitere ähnlich funktionierende Komponente eine ähnliche oder noch bevorzugter dieselbe physikalische Funktionsweise wie die Komponente aufweist. Dadurch ist es möglich, Informationen der weiteren Betriebsdaten, die zur Beurteilung eines Verschleißes der jeweiligen weiteren Komponente herangezogen werden können, mit Informationen der Betriebsdaten, die zur Beurteilung des Grades des Verschleißes der Komponente verwendet werden können, zu vergleichen.The other vehicle component that functions in a similar way to the vehicle component can in particular be a component that is identical in construction to the component. The term "functioning in a similar way" means that the other component that functions in a similar way has a similar or, more preferably, the same physical function as the component. This makes it possible to compare information from the other operating data that can be used to assess wear on the other component with information from the operating data that can be used to assess the degree of wear on the component.
Eine Art indirekter Vergleich zwischen den Betriebsdaten und den weiteren Betriebsdaten jeweils in Bezug auf den Verschleiß der Komponente beziehungsweise in Bezug auf den Verschleiß der jeweiligen weiteren Komponente kann durch eine Verwendung des KI-Moduls durchgeführt werden. Dies liegt daran, dass das KI-Modul in Abhängigkeit von den weiteren Zeitreihen der weiteren Betriebsdaten und den Trainingswerten der Verschleißkennzahl trainiert ist.A kind of indirect comparison between the operating data and the other operating data in relation to the wear of the component or in relation to the wear of the respective other component can be carried out by using the AI module. This is because the AI module is trained depending on the other time series of the other operating data and the training values of the wear indicator.
Der jeweilige Trainingswert der Trainingswerte der Verschleißkennzahl kann für die jeweilige weitere Komponente beispielsweise durch eine Überprüfung der jeweiligen weiteren Komponente, beispielsweise in einer Werkstatt, ermittelbar sein und/oder ermittelt werden.The respective training value of the training values of the wear index can be and/or be determined for the respective additional component, for example by checking the respective additional component, for example in a workshop.
Wie beispielhaft eine Berechnung des Wertes der Verschleißkennzahl in Abhängigkeit von der Zeitreihe der Betriebsdaten mithilfe des KI-Moduls durchgeführt werden kann und wie das KI-Modul trainiert werden kann, wird im Folgenden beschrieben.How the AI module can be used to calculate the value of the wear index depending on the time series of operating data and how the AI module can be trained is described below.
Der Term „Modul“, wie er hierin benutzt wird, beschreibt jede mögliche Art von bekannter oder in Zukunft entwickelter Hardware, Software oder eine Kombination aus Hardware und Software, wie zum Beispiel ein ausführbares Programm, eine Künstliche Intelligenz (KI), eine Fuzzy Logic, die dafür geeignet ist, eine der Funktionen, die mit dem „Modul“ assoziiert ist, durchzuführen.The term “module” as used herein describes any type of known or future developed hardware, software or combination of hardware and software, such as an executable program, artificial intelligence (AI), fuzzy logic, capable of performing any of the functions associated with the “module”.
Das KI-Modul kann bevorzugt ein Machine-Learning-Modul (ML-Modul) aufweisen. Das ML-Modul ist bevorzugt ausgebildet und eingerichtet, eine Berechnung eines Ausgangsdatensatzes des ML-Moduls in Abhängigkeit von einem Eingangsdatensatz des ML-Moduls durchzuführen. Der Eingangsdatensatz des ML-Moduls kann als eine Anfrage verstanden werden, den Ausgangsdatensatz des ML-Moduls in Abhängigkeit von dem Eingangsdatensatz zu berechnen. Der Eingangsdatensatz und der Ausgangsdatensatz können jeweils Werte, bevorzugt reelle Zahlen, als jeweilige Elemente des Eingangsdatensatzes beziehungsweise des Ausgangsdatensatzes aufweisen.The AI module can preferably have a machine learning module (ML module). The ML module is preferably designed and configured to perform a calculation of an output data set of the ML module depending on an input data set of the ML module. The input data set of the ML module can be understood as a request to calculate the output data set of the ML module depending on the input data set. The input data set and the output data set can each have values, preferably real numbers, as respective elements of the input data set or the output data set.
Der Eingangsdatensatz weist bevorzugt die Zeitreihe der Betriebsdaten auf oder ist bevorzugt in Abhängigkeit der Zeitreihe der Betriebsdaten berechnet. Der Ausgangsdatensatz kann auch nur einen Wert, zum Beispiels den Wert der Verschleißkennzahl aufweisen.The input data set preferably contains the time series of the operating data or is preferably calculated depending on the time series of the operating data. The output data set can also contain only one value, for example the value of the wear index.
Das ML-Modul ist bevorzugt ausgebildet und eingerichtet, die Werte des Eingangsdatensatzes in Form von Strom oder Spannungswerten an mehreren Eingängen des ML-Moduls einzulesen. Entsprechend ist das ML-Modul bevorzugt ausgebildet und eingerichtet, die Werte des Ausgangsdatensatzes in Form von Strom- und Spannungswerten an zumindest einem Ausgang, bevorzugt mehreren Ausgängen, des ML-Moduls auszugeben.The ML module is preferably designed and configured to read the values of the input data set in the form of current or voltage values at several inputs of the ML module. Accordingly, the ML module is preferably designed and configured to output the values of the output data set in the form of current and voltage values at at least one output, preferably several outputs, of the ML module.
Das ML-Modul weist bevorzugt ein neuronales Netz, ein gefaltetes neuronales Netz, ein Radial-Basisfunktionen-Netz (RBF-Netz) und/oder ähnliche mathematische Funktionen, die zum Approximieren von Daten, insbesondere von Funktionen in mehrdimensionalen Räumen, geeignet sind, auf. Das ML-Modul ist bevorzugt ausgebildet und eingerichtet, eine Berechnung der Werte des Ausgangsdatensatzes in Abhängigkeit von Werten von Parametern des ML-Moduls durchzuführen. Für den Fall, dass das ML-Modul ein neuronales Netz aufweist, können die Parameter Gewichte sein, die jeweils eine Stärke einer Verbindung zwischen zwei Neuronen von Neuronen des Netzes angeben.The ML module preferably has a neural network, a convolved neural network, a radial basis function network (RBF network) and/or similar mathematical functions that are suitable for approximating data, in particular functions in multidimensional spaces. The ML module is preferably designed and configured to calculate the values of the output data set depending on values of parameters of the ML module. In the event that the ML module has a neural network, the parameters can be weights that each indicate a strength of a connection between two neurons of neurons of the network.
Gemäß einer möglichen Ausgestaltung können die Werte des Ausgangsdatensatzes des ML-Moduls jeweils eine Wahrscheinlichkeit repräsentieren, mit welcher eine jeweilige Klasse dem Eingangsdatensatz zugeordnet werden kann. Beispielsweise können die Werte des Ausgangsdatensatzes des ML-Moduls jeweils einen Konfidenzwert für die jeweilige Klasse angeben. Die jeweiligen Konfidenzwerte des Ausgangsdatensatzes des ML-Moduls können für die jeweilige Klasse ein Maß angeben, wie wahrscheinlich es ist, den Eingangsdatensatz der jeweiligen Klasse korrekt zuzuordnen.According to one possible embodiment, the values of the output data set of the ML module can each represent a probability with which a respective class can be assigned to the input data set. For example, the values of the output data set of the ML module can each indicate a confidence value for the respective class. The respective confidence values of the output data set of the ML module can indicate a measure for the respective class of how likely it is to correctly assign the input data set to the respective class.
Beispielsweise kann der Ausgangsdatensatz drei reelle Zahlen enthalten, die jeweils eine Wahrscheinlichkeit zwischen null und einhundert Prozent angeben, dass dem Eingangsdatensatz, insbesondere der Zeitreihe der Betriebsdaten, eine erste Klasse, eine zweite Klasse beziehungsweise eine dritte Klasse korrekt zugeordnet wird. Die erste Klasse kann beispielsweise stellvertretend für einen niedrigen Verschleiß, die zweite Klasse für einen mittleren Verschleiß und die dritte Klasse für einen hohen Verschleiß der Komponente stehen. Das KI-Modul kann diejenige Klasse auswählen, deren Wahrscheinlichkeit am höchsten ist, korrekt zu dem Eingangsdatensatz zugeordnet zu werden. Der Wert der Verschleißkennzahl kann gemäß einer möglichen Variante eine natürliche Zahl zwischen eins und drei sein und damit diejenige Klasse angeben, die das KI-Modul dem Eingangsdatensatz zuordnet. Drei steht bei dieser Variante für einen hohen Verschleiß, zwei für einen mittleren und eins für einen niedrigen Verschleiß der Komponente.For example, the output data set can contain three real numbers, each of which indicates a probability between zero and one hundred percent that the input data set, in particular the time series of the operating data, will be correctly assigned to a first class, a second class or a third class. For example, the first class can represent low wear, the second class medium wear and the third class high wear of the component. The AI module can select the class that has the highest probability of being correctly assigned to the input data set. According to one possible variant, the value of the wear index can be a natural number between one and three and thus indicate the class that the AI module assigns to the input data set. In this variant, three stands for high wear, two for medium wear and one for low wear of the component.
Erfindungsgemäß ist das KI-Modul, insbesondere das ML-Modul des KI-Moduls, in Abhängigkeit von den weiteren Zeitreihen der weiteren Betriebsdaten und in Abhängigkeit von den Trainingswerten der Verschleißkennzahl trainiert. Im Folgenden soll beispielhaft beschrieben werden, wie das KI-Modul, insbesondere das ML-Modul, mithilfe der weiteren Zeitreihen und den Trainingswerten der Verschleißkennzahl trainiert werden kann.According to the invention, the AI module, in particular the ML module of the AI module, is trained depending on the additional time series of the additional operating data and depending on the training values of the wear indicator. The following describes by way of example how the AI module, in particular the ML module, can be trained using the additional time series and the training values of the wear indicator.
In einem untrainierten Zustand des ML-Moduls sind die Werte der Parameter des ML-Moduls noch nicht an die Trainingswerte der Verschleißkennzahl angepasst. Beispielsweise können die Werte der Parameter im untrainierten Zustand Zufallszahlen sein. Die Zufallszahlen können beispielsweise durch einen Initialisierungsprozess des ML-Moduls berechnet werden. Hierbei wird jeder Wert des jeweiligen Parameters des ML-Moduls gleich einer Zufallszahl gesetzt. Ein Training des ML-Moduls ist vorzugsweise mit Hilfe von Trainingsdatensätzen durchführbar, um einen trainierten Zustand des ML-Moduls zu erreichen. Die Trainingsdatensätze weisen jeweils einen Eingangsdatensatz und einen mit dem jeweiligen Eingangsdatensatz korrespondierenden Ausgangsdatensatz auf.In an untrained state of the ML module, the values of the parameters of the ML module are not yet adapted to the training values of the wear indicator. For example, the values of the parameters in the untrained state can be random numbers. The random numbers can be calculated, for example, by an initialization process of the ML module. Here, each value of the respective parameter of the ML module is set equal to a random number. Training of the ML module can preferably be carried out using training data sets in order to achieve a trained state of the ML module. The training data sets each have an input data set and an output data set corresponding to the respective input data set.
Der Eingangsdatensatz und der Ausgangsdatensatz des jeweiligen Trainingsdatensatzes weisen jeweils Werte, vorzugsweise reelle Zahlen, auf. Die Eingangs- und Ausgangsdatensätze der Trainingsdatensätze haben vorzugsweise dieselbe Dimension wie der oben genannte Eingangsdatensatz beziehungsweise der oben genannte Ausgangsdatensatz des ML-Moduls.The input data set and the output data set of the respective training data set each have values, preferably real numbers. The input and output data sets of the training data sets preferably have the same dimension as the above-mentioned input data set or the above-mentioned output data set of the ML module.
Der Eingangsdatensatz des jeweiligen Trainingsdatensatzes weist bevorzugt die weiteren Betriebsdaten der jeweiligen weiteren Zeitreihe auf oder ist in Abhängigkeit von den weiteren Betriebsdaten der jeweiligen weiteren Zeitreihe berechnet. Insbesondere wird für jede der weiteren Zeitreihen der weiteren Betriebsdaten jeweils einer der Trainingsdatensätze generiert.The input data set of the respective training data set preferably has the further Operating data of the respective additional time series or is calculated depending on the additional operating data of the respective additional time series. In particular, one of the training data sets is generated for each of the additional time series of the additional operating data.
Der Ausgangsdatensatz des jeweiligen Trainingsdatensatzes kann bevorzugt den jeweiligen Trainingswert der Verschleißkennzahl aufweisen, der der jeweiligen weiteren Zeitreihe zugeordnet ist, in Abhängigkeit derer der Eingangsdatensatz des jeweiligen Trainingsdatensatzes berechnet ist. Für den Fall, dass der Wert der Verschleißkennzahl durch ein Bestimmen der oben genannten Wahrscheinlichkeit der jeweiligen Klasse ermittelt wird, kann der Ausgangsdatensatz des jeweiligen Trainingsdatensatzes drei Zahlen aufweisen, die jeweils eine Wahrscheinlichkeit angeben, die jeweilige weitere Komponente korrekt der jeweilige Klasse der oben genannten drei Klassen zuzuordnen.The output data set of the respective training data set can preferably have the respective training value of the wear index that is assigned to the respective further time series, depending on which the input data set of the respective training data set is calculated. In the event that the value of the wear index is determined by determining the above-mentioned probability of the respective class, the output data set of the respective training data set can have three numbers, each of which indicates a probability of correctly assigning the respective further component to the respective class of the above-mentioned three classes.
Bei einem Training des ML-Moduls werden die Werte der Parameter des ML-Moduls an die Trainingsdatensätze angepasst. Bevorzugt werden die Werte der Parameter derart verändert, dass ein Fehler bei einer Approximation der Ausgangsdatensätze der Trainingsdatensätze in Abhängigkeit der jeweils korrespondierenden Eingangsdatensätze der Trainingsdatensätze reduziert wird.When training the ML module, the values of the ML module's parameters are adapted to the training data sets. Preferably, the values of the parameters are changed in such a way that an error in an approximation of the output data sets of the training data sets is reduced depending on the corresponding input data sets of the training data sets.
Der Fehler kann bevorzugt in Form einer Fehlerquadratsumme gebildet werden. Vorteilhafterweise wird der Fehler in Abhängigkeit von Abweichungen berechnet. Die jeweilige Abweichung ergibt sich insbesondere aus einer jeweiligen Abweichung zwischen berechneten Werten eines jeweiligen Trainingsausgangsdatensatzes des ML-Moduls und dem jeweiligen Ausgangsdatensatz des jeweiligen Trainingsdatensatzes.The error can preferably be formed in the form of a sum of squares of the errors. The error is advantageously calculated as a function of deviations. The respective deviation results in particular from a respective deviation between calculated values of a respective training output data set of the ML module and the respective output data set of the respective training data set.
Der jeweilige Trainingsausgangsdatensatz wird mit Hilfe des ML-Moduls in Abhängigkeit von den Werten der Parameter des ML-Moduls und in Abhängigkeit von dem Eingangsdatensatz des jeweiligen Trainingsdatensatzes, der jeweils auch den jeweiligen Ausgangsdatensatz aufweist, berechnet. Demnach korrespondiert der jeweilige Trainingsausgangsdatensatz mit dem Eingangsdatensatz und mit dem Ausgangsdatensatz des jeweiligen Trainingsdatensatzes. Die Trainingsausgangsdatensätze des ML-Moduls haben die gleiche Dimension wie die Ausgangsdatensätze der Trainingsdatensätze. Insbesondere entsprechen jeweilige Elemente des jeweiligen Trainingsausgangsdatensatzes vom Typ her den jeweiligen Elementen des Ausgangsdatensatzes des jeweiligen Trainingsdatensatzes. Eine Berechnung des jeweiligen Trainingsausgangsdatensatzes mithilfe des ML-Moduls und in Abhängigkeit von dem Eingangsdatensatz des jeweiligen Trainingsdatensatzes kann als eine Approximation des Ausgangsdatensatzes dieses jeweiligen Trainingsdatensatzes verstanden werden.The respective training output data set is calculated using the ML module depending on the values of the parameters of the ML module and depending on the input data set of the respective training data set, which also has the respective output data set. Accordingly, the respective training output data set corresponds to the input data set and to the output data set of the respective training data set. The training output data sets of the ML module have the same dimension as the output data sets of the training data sets. In particular, the respective elements of the respective training output data set correspond in type to the respective elements of the output data set of the respective training data set. A calculation of the respective training output data set using the ML module and depending on the input data set of the respective training data set can be understood as an approximation of the output data set of this respective training data set.
Eine Veränderung der Werte der Parameter des ML-Moduls in Abhängigkeit von den Abweichungen kann den Fehler bei der Approximation der Ausgangsdatensätze der Trainingsdatensätze reduzieren. Wenn der Fehler eine vorgegebene Schranke unterschreitet, kann das ML-Modul als trainiert betrachtet werden, das heißt, das ML-Modul befindet sich in dem trainierten Zustand. Die Adaption der Werte der Parameter des ML-Moduls kann bevorzugt unter Verwendung einer oder mehrerer Lernalgorithmen, wie beispielsweise der linearen Regression, Backpropagation und/oder einer Bestimmung von K-Means-Werten, durchgeführt werden und wird im Folgenden als „Maschinenlernen“ bezeichnet, daher der Name ML-Modul (Machine-Learning-Modul).A change in the values of the parameters of the ML module depending on the deviations can reduce the error in the approximation of the initial data sets of the training data sets. If the error falls below a predetermined limit, the ML module can be considered trained, i.e. the ML module is in the trained state. The adaptation of the values of the parameters of the ML module can preferably be carried out using one or more learning algorithms, such as linear regression, backpropagation and/or a determination of K-means values, and is referred to below as "machine learning", hence the name ML module (machine learning module).
Durch die Adaption der Werte der Parameter an die Trainingsdatensätze kann ein funktionaler Zusammenhang zwischen den weiteren Zeitreihen und den Trainingswerten der Verschleißkennzahl approximiert werden. Eine Information über diesen funktionalen Zusammenhang wird in Form des trainierten KI-Moduls, beispielsweise in Form der Werte der Gewichte des Netzes nach dem Training des Netzes, bereitgestellt. Der Vorteil, diesen funktionalen Zusammenhang durch das trainierte KI-Modul bereitzustellen, liegt insbesondere darin, dass der funktionale Zusammenhang nicht durch konkrete physikalische Formeln beschrieben werden muss. Es genügt, die Trainingswerte der Verschleißkennzahlen und die weiteren Zeitreihen der weiteren Betriebsdaten zu erfassen und damit das KI-Modul zu trainieren. Dies kann auch von einer Person, die wenig Wissen über eine Funktionsweise der Komponente oder der weiteren Komponenten hat, durchgeführt werden.By adapting the values of the parameters to the training data sets, a functional relationship between the other time series and the training values of the wear indicator can be approximated. Information about this functional relationship is provided in the form of the trained AI module, for example in the form of the values of the weights of the network after training the network. The advantage of providing this functional relationship through the trained AI module is in particular that the functional relationship does not have to be described by concrete physical formulas. It is sufficient to record the training values of the wear indicators and the other time series of the other operating data and use them to train the AI module. This can also be done by a person who has little knowledge of how the component or the other components work.
Weiterhin kann der funktionale Zusammenhang mithilfe des KI-Moduls unter Umständen genauer approximiert werden als dies durch physikalische Formeln möglich ist. Dies kann daran liegen, dass mithilfe von Expertenwissen zwar grundlegende physikalische Formeln zur Berechnung des Grades des Verschleißes der Komponente in Abhängigkeit von der Zeitreihe der Betriebsdaten erstellt werden können; jedoch diese physikalischen Formeln in den meisten Fällen den Zusammenhang zwischen der Zeitreihe der Betriebsdaten und dem Grad des Verschleißes der Komponente nicht vollständig wiedergeben können.Furthermore, the functional relationship can be approximated more accurately using the AI module than is possible using physical formulas. This may be because, although expert knowledge can be used to create basic physical formulas to calculate the degree of wear of the component depending on the time series of operating data, in most cases these physical formulas cannot fully reflect the relationship between the time series of operating data and the degree of wear of the component.
Hingegen kann eine Genauigkeit des KI-Moduls beliebig erhöht werden, sofern eine Anzahl der Trainingsdatensätze beliebig erhöht werden kann. Um die Genauigkeit des KI-Moduls zu erhöhen, kann beispielsweise eine Anzahl der weiteren Fahrzeuge, in welchen jeweils eine der weiteren Komponenten eingebaut ist, erhöht werden. Dadurch werden in der Regel mehr Werkstattbesuche absolviert, bei welchen die weiteren Komponenten in Hinblick auf einen Grad des Verschleißes der jeweiligen weiteren Komponente untersucht werden können. Ein Ergebnis solcher Untersuchungen wird protokolliert, um eine Anzahl der weiteren Zeitreihen der weiteren Betriebsdaten mit ihren jeweiligen zugeordneten Trainingswerten der Verschleißkennzahl zu vergrößern. Die weiteren Zeitreihen der weiteren Betriebsdaten können vorteilhafterweise aus dem Steuergerät des jeweiligen weiteren Fahrzeugs ausgelesen werden. Prinzipiell kann das oben beschriebene Training des ML-Moduls wiederholt werden, wenn neue weitere Zeitreihen mit neuen weiteren Betriebsdaten mit ihren jeweiligen zugeordneten neuen Trainingswerten der Verschleißkennzahl vorliegen. Dies entspricht einem Ansatz des kontinuierlichen Lernens für neuronale Netze. Die neuen weiteren Zeitreihen und die neuen Trainingswerte werden bevorzugt in gleicher Weise wie die weiteren Zeitreihen der weiteren Betriebsdaten mit ihren jeweiligen zugeordneten Trainingswerten der Verschleißkennzahl gewonnen.On the other hand, the accuracy of the AI module can be increased as desired, provided that the number of training data sets can be increased as desired. To increase the accuracy of the AI module, for example, the number of additional Vehicles, in each of which one of the additional components is installed, can be increased. This generally results in more workshop visits, during which the additional components can be examined with regard to the degree of wear of the respective additional component. The result of such examinations is logged in order to increase the number of additional time series of the additional operating data with their respective associated training values of the wear index. The additional time series of the additional operating data can advantageously be read out from the control unit of the respective additional vehicle. In principle, the training of the ML module described above can be repeated if new additional time series with new additional operating data with their respective associated new training values of the wear index are available. This corresponds to a continuous learning approach for neural networks. The new additional time series and the new training values are preferably obtained in the same way as the additional time series of the additional operating data with their respective associated training values of the wear index.
Es versteht sich von selbst, dass die Anzahl der weiteren Zeitreihen besonders leicht vergrößert werden kann, wenn die weiteren Komponenten nicht baugleich zu der Komponente ausgebildet sein müssen, sondern lediglich ähnlich zu der Komponente funktionieren. Sind die weiteren Komponenten jedoch jeweils baugleich zu der Komponente ausgebildet, so kann eine höhere Genauigkeit des KI-Moduls beim Training des KI-Moduls erzielt werden. Dies gilt, falls die Anzahl der weiteren Zeitreihen vergleichbar gleich groß gegenüber einer Variante, bei welcher die weiteren Komponenten nicht baugleich aber ähnlich funktionierend sind, ist.It goes without saying that the number of additional time series can be increased particularly easily if the additional components do not have to be constructed identically to the component, but merely function in a similar way to the component. However, if the additional components are constructed identically to the component, a higher level of accuracy of the AI module can be achieved when training the AI module. This applies if the number of additional time series is comparably the same as in a variant in which the additional components are not constructed identically but function in a similar way.
Umfassen die Zeitreihe der Betriebsdaten die Zeitreihe der Benutzereingaben, so ermöglicht dies, den Grad des Verschleißes der Komponente unmittelbar mit der Art und Weise, wie die Komponente von dem Benutzer benutzt wird, in Verbindung zu bringen. If the time series of operating data includes the time series of user inputs, this makes it possible to directly link the degree of wear of the component to the way in which the component is used by the user.
Gemäß einer vorteilhaften Variante kann die Auswertungseinheit eingerichtet sein, in regelmäßigen Abständen den Wert der Verschleißkennzahl für den Benutzer sichtbar auszugeben. Dabei wird die Zeitreihe der Betriebsdaten in den regelmäßigen Abständen bevorzugt aktualisiert, um einen aktualisierten Wert der Verschleißkennzahl in Abhängigkeit von der aktualisierten Zeitreihe der Betriebsdaten analog zu dem Wert der Verschleißkennzahl mithilfe des KI-Moduls zu berechnen.According to an advantageous variant, the evaluation unit can be set up to output the value of the wear index to the user at regular intervals. The time series of the operating data is preferably updated at regular intervals in order to calculate an updated value of the wear index depending on the updated time series of the operating data analogous to the value of the wear index using the AI module.
Umfassen die Betriebsdaten die Benutzereingaben, so kann der Benutzer einen Einfluss von aktualisierten Benutzereingaben auf den Wert der Verschleißkennzahl erkennen, wenn der aktualisierte Wert der Verschleißkennzahl in den regelmäßigen Abständen ausgegeben wird. Dies gibt dem Benutzer die Möglichkeit, eine Art und Weise einer Benutzung der Komponente zu ändern, um einen Abnutzung der Komponente über der Zeit zu reduzieren. Dies kann insbesondere dann sinnvoll sein, wenn die Komponente eine Bremse oder eine Kupplung des Fahrzeugs ist.If the operating data includes user inputs, the user can see an influence of updated user inputs on the wear index value when the updated wear index value is output at regular intervals. This gives the user the opportunity to change a way of using the component in order to reduce wear of the component over time. This can be particularly useful if the component is a brake or a clutch of the vehicle.
Umfassen die weiteren Betriebsdaten die weiteren Sensorwerte kann dies ermöglichen, den funktionalen Zusammenhang zwischen den weiteren Zeitreihen der weiteren Betriebsdaten und den Trainingswerten der Verschleißkennzahl genauer zu approximieren. Dies kann daran liegen, dass die weiteren Sensorwerte meistens Folgen von physikalischen Vorgängen erfassen, die in den weiteren Komponenten ablaufen oder durch die weiteren Komponenten ausgelöst werden. Hingegen ist es prinzipiell möglich, dass physikalische Wirkungen von unterschiedlichen Benutzereingaben der weiteren Benutzereingaben sich gegenseitig kompensieren. Dies kann das Training des KI-Moduls erschweren. Daraus folgt, dass das Training des KI-Moduls unter Umständen schneller durchgeführt werden kann, wenn die weiteren Betriebsdaten die weiteren Sensorwerte aufweisen.If the additional operating data includes the additional sensor values, this can make it possible to more accurately approximate the functional relationship between the additional time series of the additional operating data and the training values of the wear indicator. This may be because the additional sensor values usually record the consequences of physical processes that take place in the additional components or are triggered by the additional components. On the other hand, it is in principle possible that physical effects of different user inputs of the additional user inputs compensate each other. This can make training the AI module more difficult. It follows that training the AI module can be carried out more quickly if the additional operating data includes the additional sensor values.
Gemäß einer Weiterbildung ist vorgesehen, dass das Fahrzeug einen weiteren Sensor zum Erfassen eines Zustandes einer Umgebung des Fahrzeugs aufweist. Bei dieser Weiterbildung umfasst die Zeitreihe der Betriebsdaten eine mithilfe des weiteren Sensors erzeugte Zeitreihe von Umgebungsdaten, die den Zustand der Umgebung bei dem Betrieb der Fahrzeugkomponente zu den unterschiedlichen Zeitpunkten beschreiben. Die weiteren Zeitreihen der weiteren Betriebsdaten umfassen bei dieser Weiterbildung weitere Zeitreihen von weiteren Umgebungsdaten, die jeweils den Zustand der Umgebung bei dem jeweiligen weiteren vorhergehenden Betrieb der jeweiligen weiteren Fahrzeugkomponente zu den jeweiligen unterschiedlichen weiteren Zeitpunkten beschreiben. Diese Weiterbildung ermöglicht, die Zeitreihe der Umgebungsdaten bei einer Ermittlung des Wertes des Verschleißes der Komponente mithilfe des KI-Moduls zu berücksichtigen. Dies kann eine Genauigkeit des ermittelten Wertes des Verschleißes der Komponente erhöhen.According to a further development, the vehicle is provided with a further sensor for detecting a state of an environment of the vehicle. In this development, the time series of the operating data comprises a time series of environmental data generated using the further sensor, which describes the state of the environment during operation of the vehicle component at different points in time. In this development, the further time series of the further operating data comprise further time series of further environmental data, each of which describes the state of the environment during the respective further previous operation of the respective further vehicle component at the respective different further points in time. This development makes it possible to take the time series of the environmental data into account when determining the value of the wear of the component using the AI module. This can increase the accuracy of the determined value of the wear of the component.
Die Umgebungsdaten können beispielsweise Wetterdaten umfassen, die eine jeweilige Wetterlage zu den unterschiedlichen Zeitpunkten beschreiben. In diesem Fall weisen die weiteren Betriebsdaten weitere Wetterdaten auf, die jeweils ein Wetter zu den jeweiligen unterschiedlichen weiteren Zeitpunkten des jeweiligen Satzes der weiteren Zeitpunkte beschreiben.The environmental data can, for example, include weather data that describe a respective weather situation at the different points in time. In this case, the additional operating data includes additional weather data that each describe a weather at the respective different additional points in time of the respective set of additional points in time.
In einer vorteilhaften Ausgestaltung umfasst die Zeitreihe der Betriebsdaten eine Zeitreihe von Daten zum Beschreiben eines jeweiligen Zustandes einer jeweiligen Fahrbahn zu den unterschiedlichen Zeitpunkten. Bei dieser Ausgestaltung umfassen die weiteren Betriebsdaten weitere Zeitreihen von weiteren Daten, die einen jeweiligen Zustand einer jeweiligen weiteren Fahrbahn zu den jeweiligen unterschiedlichen weiteren Zeitpunkten des jeweiligen Satzes der weiteren Zeitpunkte beschreiben. Bei dieser Ausgestaltung wird der jeweilige Zustand der jeweiligen Fahrbahn, auf welcher das Fahrzeug zu den unterschiedlichen Zeitpunkten fährt, für eine Berechnung des Wertes des Verschleißes der Komponente berücksichtigt. Dies kann die Genauigkeit des ermittelten Wertes des Verschleißes der Komponente weiter erhöhen.In an advantageous embodiment, the time series of the operating data comprises a time series of data for describing a respective state of a respective roadway at the different points in time. In this embodiment, the further operating data comprises further time series of further data that describe a respective state of a respective further roadway at the respective different further points in time of the respective set of further points in time. In this embodiment, the respective state of the respective roadway on which the vehicle is driving at the different points in time is taken into account for calculating the value of the wear of the component. This can further increase the accuracy of the determined value of the wear of the component.
Die Zeitreihe der Daten zum Beschreiben des jeweiligen Zustandes der jeweiligen Fahrbahn können beispielsweise Werte einer Welligkeit, einer Krümmung, einer Steigung und/oder einer Rauigkeit der jeweiligen Fahrbahn spezifizieren. Analog können die weiteren Zeitreihen der weiteren Daten eine jeweilige weitere Welligkeit und/oder Rauigkeit der jeweiligen weiteren Fahrbahn zu den jeweiligen unterschiedlichen weiteren Zeitpunkten des jeweiligen Satzes der weiteren Zeitpunkte beschreiben.The time series of data for describing the respective condition of the respective roadway can, for example, specify values of a waviness, a curvature, a gradient and/or a roughness of the respective roadway. Similarly, the further time series of the further data can describe a respective further waviness and/or roughness of the respective further roadway at the respective different further points in time of the respective set of further points in time.
Gemäß einer weiteren Ausführungsform ist vorgesehen, dass die Zeitreihe der Betriebsdaten eine Zeitreihe von Steuerwerten umfasst, die ein jeweiliges Steuern der Fahrzeugkomponente mithilfe eines Steuergerätes des Fahrzeugs zu den unterschiedlichen Zeitpunkten beschreiben. Bei dieser Ausführungsform umfassen die weiteren Zeitreihen der weiteren Betriebsdaten weitere Steuerwerte, die jeweils ein Steuern der jeweiligen weiteren Fahrzeugkomponente mithilfe eines jeweiligen Steuergerätes des jeweiligen weiteren Fahrzeugs, in welchem die jeweilige weitere Fahrzeugkomponente eingebaut ist, zu den jeweiligen unterschiedlichen weiteren Zeitpunkten beschreiben. Diese Ausführungsform hat den Vorteil, dass die Steuerwerte und die weiteren Steuerwerte leicht verfügbar sind, da die Komponente unabhängig von der Erfindung von dem Steuergerät mithilfe der Steuerwerte gesteuert wird. Die Steuerwerte und die weiteren Steuerwerte müssen lediglich aus dem Steuergerät des Fahrzeugs beziehungsweise aus dem jeweiligen Steuergerät des jeweiligen weiteren Fahrzeugs ausgelesen werden. Somit stellt die Ausführungsform eine Variante des vorgeschlagenen Fahrzeugs dar, die mit geringen Aufwand realisiert werden kann. Es wird hierbei davon ausgegangen, dass die Steuerwerte direkten Einfluss auf den Verschleiß der Komponente haben.According to a further embodiment, it is provided that the time series of the operating data comprises a time series of control values that describe a respective control of the vehicle component using a control unit of the vehicle at the different points in time. In this embodiment, the further time series of the further operating data comprise further control values, each of which describes a control of the respective further vehicle component using a respective control unit of the respective further vehicle in which the respective further vehicle component is installed, at the respective different points in time. This embodiment has the advantage that the control values and the further control values are easily available, since the component is controlled by the control unit using the control values independently of the invention. The control values and the further control values only have to be read out from the control unit of the vehicle or from the respective control unit of the respective further vehicle. The embodiment thus represents a variant of the proposed vehicle that can be implemented with little effort. It is assumed here that the control values have a direct influence on the wear of the component.
In einer weiteren Ausgestaltung ist das KI-Modul in Abhängigkeit von Simulationsdaten trainiert. Die Simulationsdaten beschreiben Ergebnisse einer Simulation eines Betriebes der Fahrzeugkomponente. Zur Gewinnung der Simulationsdaten können vorteilhafterweise mehrere Simulationen einer Benutzung der Komponente auf einem Rechner, bevorzugt einem Großrechner, durchgeführt werden. Die jeweilige Simulation kann einen jeweiligen Verschleiß der Komponente in Abhängigkeit von einer jeweiligen Zeitreihe simulierter Betriebsdaten simulieren. Die Zeitreihen simulierter Betriebsdaten können Zeitreihen simulierter Benutzereingaben und/oder Zeitreihen simulierten Sensorwerte und/oder Zeitreihen simulierter Steuerwerte und/oder Zeitreihen simulierter Umgebungsdaten umfassen. Mithilfe der jeweiligen Zeitreihe der simulierten Betriebsdaten und einem davon abhängig simulierten Wert des Verschleißes der Komponente kann ein jeweiliger weiterer Trainingsdatensatz für das oben beschriebene Training des KI-Moduls generiert werden. Dadurch kann eine Anzahl der Trainingsdatensätze vergrößert werden, wodurch die Genauigkeit der Berechnung des Wertes des Verschleißes mithilfe des trainierten KI-Moduls erhöht werden kann.In a further embodiment, the AI module is trained depending on simulation data. The simulation data describe results of a simulation of operation of the vehicle component. To obtain the simulation data, several simulations of use of the component can advantageously be carried out on a computer, preferably a mainframe computer. The respective simulation can simulate a respective wear of the component depending on a respective time series of simulated operating data. The time series of simulated operating data can include time series of simulated user inputs and/or time series of simulated sensor values and/or time series of simulated control values and/or time series of simulated environmental data. Using the respective time series of the simulated operating data and a simulated value of the wear of the component depending on this, a respective further training data set can be generated for the training of the AI module described above. This allows the number of training data sets to be increased, whereby the accuracy of the calculation of the value of the wear can be increased using the trained AI module.
Gemäß einer weiteren Variante ist das KI-Modul in Abhängigkeit von Prüfstandsdaten, die Ergebnisse von Versuchen mit der Fahrzeugkomponente an einem Prüfstand beschreiben, trainiert. Zur Gewinnung der Prüfstandsdaten können vorteilhafterweise mehrere Versuche durchgeführt werden, bei welchen die Komponente jeweils unterschiedlich betrieben wird. Bei dem jeweiligen Versuch wird die Komponente bevorzugt in Abhängigkeit von einer Zeitreihe von Versuchsbetriebsdaten betrieben.According to a further variant, the AI module is trained depending on test bench data that describe the results of tests with the vehicle component on a test bench. To obtain the test bench data, several tests can advantageously be carried out, in each of which the component is operated differently. In each test, the component is preferably operated depending on a time series of test operating data.
Bei dem jeweiligen Versuch kann ein jeweiliger Wert des Verschleißes der Komponente in Abhängigkeit von der jeweiligen Zeitreihe der Versuchsbetriebsdaten gemessen werden. Die Zeitreihen der Versuchsbetriebsdaten aller Versuche und die dazugehörigen gemessenen Werte des Verschleißes der Komponente können zusammengenommen als die Prüfstandsdaten betrachtet werden.In each test, a respective value of the wear of the component can be measured depending on the respective time series of the test operating data. The time series of the test operating data of all tests and the associated measured values of the wear of the component can be considered together as the test bench data.
Die Zeitreihen der Versuchsbetriebsdaten können jeweils Zeitreihen bei dem jeweiligen Versuch durchgeführter Benutzereingaben und/oder Zeitreihen bei dem jeweiligen Versuch gemessener Sensorwerte und/oder Zeitreihen bei dem jeweiligen Versuch erzeugter Steuerwerte umfassen. Mithilfe der jeweiligen Zeitreihe der Versuchsbetriebsdaten und einem davon abhängig gemessenen Wert des Verschleißes der Komponente kann ein jeweiliger weiterer Trainingsdatensatz für das oben beschriebene Training des KI-Moduls generiert werden. Dadurch kann eine Anzahl der Trainingsdatensätze vergrößert werden, wodurch die Genauigkeit der Berechnung des Wertes des Verschleißes mithilfe des trainierten KI-Moduls erhöht werden kann.The time series of the test operating data can each include time series of user inputs made during the respective test and/or time series of sensor values measured during the respective test and/or time series of control values generated during the respective test. Using the respective time series of the test operating data and a value of the wear of the component measured as a function of this, a respective additional training data set can be generated for the training of the AI module described above. This allows the number of training data sets to be increased, which can increase the accuracy of the calculation of the value of the wear using the trained AI module.
Weiterhin wird ein Verfahren zum Ermitteln eines Wertes einer Verschleißkennzahl einer Fahrzeugkomponente mithilfe eines künstlichen Intelligenzmoduls vorgeschlagen. Der Wert der Verschleißkennzahl steht mit einem Grad eines Verschleißes der Fahrzeugkomponente in einem Zusammenhang. Das Verfahren weist die folgenden Schritte auf. In einem ersten Schritt wird eine Zeitreihe von Betriebsdaten erfasst, die in einem Zusammenhang mit einem Betrieb der Fahrzeugkomponente zu unterschiedlichen Zeitpunkten steht. Die Zeitreihe der Betriebsdaten kann nach einer der oben beschriebenen Varianten ausgebildet sein. So kann die Zeitreihe der Betriebsdaten beispielsweise die Zeitreihe der Benutzereingaben zum Steuern der Fahrzeugkomponente, die Zeitreihe der Sensorwerte, die Zeitreihe der Umgebungsdaten und/oder die Zeitreihe der Daten zum Beschreiben des jeweiligen Zustandes der jeweiligen Fahrbahn zu den unterschiedlichen Zeitpunkten umfassen.Furthermore, a method for determining a value of a wear index of a vehicle component using an artificial intelligence module is proposed. The value of the wear index is related to a degree of wear of the vehicle component. The method has the following steps. In a first step, a time series of operating data is recorded that is related to operation of the vehicle component at different points in time. The time series of the operating data can be designed according to one of the variants described above. For example, the time series of the operating data can include the time series of the user inputs for controlling the vehicle component, the time series of the sensor values, the time series of the environmental data and/or the time series of the data for describing the respective state of the respective roadway at the different points in time.
In einem zweiten Schritt wird der Wert der Verschleißkennzahl mithilfe des KI-Moduls und in Abhängigkeit von der Zeitreihe der Betriebsdaten ermittelt. Das KI-Modul ist, wie oben beschrieben, in Abhängigkeit von den weiteren Zeitreihen der weiteren Betriebsdaten, wobei die weiteren Betriebsdaten der jeweiligen weiteren Zeitreihe in einem Zusammenhang mit einem jeweiligen weiteren vorhergehenden Betrieb einer jeweiligen weiteren zu der Fahrzeugkomponente ähnlich funktionierenden Fahrzeugkomponente zu jeweiligen unterschiedlichen weiteren Zeitpunkten stehen, und in Abhängigkeit von Trainingswerten der Verschleißkennzahl, die jeweils der jeweiligen weiteren Zeitreihe der weiteren Betriebsdaten zugeordnet sind, trainiert. In einem dritten Schritt wird der Wert der Verschleißkennzahl ausgegeben.In a second step, the value of the wear index is determined using the AI module and depending on the time series of the operating data. The AI module is, as described above, trained depending on the further time series of the further operating data, whereby the further operating data of the respective further time series are related to a respective further previous operation of a respective further vehicle component that functions similarly to the vehicle component at respective different further points in time, and depending on training values of the wear index, which are each assigned to the respective further time series of the further operating data. In a third step, the value of the wear index is output.
Des Weiteren wird ein weiteres Verfahren zum Trainieren eines künstlichen Intelligenzmoduls zum Bestimmen eines Wertes einer Verschleißkennzahl einer Fahrzeugkomponente vorgeschlagen. Der Wert der Verschleißkennzahl steht mit einem Grad eines Verschleißes der Fahrzeugkomponente in einem Zusammenhang. Das weitere Verfahren weist die folgenden Schritte auf. In einem ersten Schritt des weiteren Verfahrens werden die weiteren Zeitreihen der weiteren Betriebsdaten erfasst. Die weiteren Betriebsdaten der jeweiligen weiteren Zeitreihe stehen in einem Zusammenhang mit dem jeweiligen weiteren vorhergehenden Betrieb der jeweiligen weiteren zu der Fahrzeugkomponente ähnlich funktionierenden Fahrzeugkomponente zu den jeweiligen unterschiedlichen weiteren Zeitpunkten. In einem zweiten Schritt des weiteren Verfahrens werden die Trainingswerte der Verschleißkennzahl erfasst, die jeweils der jeweiligen weiteren Zeitreihe der weiteren Betriebsdaten zugeordnet sind. In einem dritten Schritt des weiteren Verfahrens wird das KI-Modul unter Verwendung der weiteren Zeitreihen der weiteren Betriebsdaten und der Trainingswerte der Verschleißkennzahl trainiert.Furthermore, a further method for training an artificial intelligence module to determine a value of a wear index of a vehicle component is proposed. The value of the wear index is related to a degree of wear of the vehicle component. The further method has the following steps. In a first step of the further method, the further time series of the further operating data are recorded. The further operating data of the respective further time series are related to the respective further previous operation of the respective further vehicle component functioning similarly to the vehicle component at the respective different further points in time. In a second step of the further method, the training values of the wear index are recorded, which are each assigned to the respective further time series of the further operating data. In a third step of the further method, the AI module is trained using the further time series of the further operating data and the training values of the wear index.
Bevorzugte Ausführungsbeispiele werden anhand der folgenden Figuren näher erläutert. Dabei zeigt schematisch
-
1 eine Draufsicht eines Fahrzeugs mit einer Fahrzeugkomponente und einer Auswertungseinheit mit einem Künstliche-Intelligenz-Modul (KI-Modul) zum Berechnen eines Wertes eines Verschleißes der Fahrzeugkomponente; -
2 eine Zeitreihe von Betriebsdaten und das in1 gezeigte KI-Modul; -
3 ein neuronales Netz des in2 gezeigten KI-Moduls; -
4 weitere Zeitreihen von Betriebsdaten zum Trainieren des in2 gezeigten KI-Moduls; -
5 Schritte eines Verfahren zum Trainieren in2 gezeigten KI-Moduls; -
6 Schritte eines weiteren Verfahrens zur Berechnung des Wertes des Verschleißes der in1 gezeigten Fahrzeugkomponente.
-
1 a plan view of a vehicle with a vehicle component and an evaluation unit with an artificial intelligence module (AI module) for calculating a value of wear of the vehicle component; -
2 a time series of operating data and the1 AI module shown; -
3 a neural network of2 shown AI module; -
4 additional time series of operational data to train the2 shown AI module; -
5 Steps of a procedure for training in2 shown AI module; -
6 Steps of a further procedure for calculating the value of the wear of the1 vehicle component shown.
Gemäß einer weiteren Ausgestaltung kann das Detektionsmittel 5 in Form eines Bedienmittels zum Bedienen der Fahrzeugkomponente 2 ausgebildet sein. Das Bedienmittel kann beispielsweise ein Schalter oder ein Taster sein, mit welchem die Fahrzeugkomponente 2 von einem Benutzer des Fahrzeugs 1, insbesondere der Komponente 2, bedient, insbesondere gesteuert werden kann. Gemäß einer Variante kann das Bedienmittel zu jedem Zeitpunkt der unterschiedlichen Zeitpunkte eine Information über einen aktuellen Zustand des Bedienmittels an die Auswertungseinheit 3 senden. Der jeweilige Zustand des Bedienmittels zu dem jeweiligen Zeitpunkt der unterschiedlichen Zeitpunkte kann als eine jeweilige Benutzereingabe zum Steuern der Fahrzeugkomponente 2 betrachtet werden. Vorteilhafterweise ist die Auswertungseinheit 3 eingerichtet, die jeweilige Benutzereingabe, die zu dem jeweiligen Zeitpunkt durch den Benutzer realisiert wird, abzuspeichern. Die jeweilige Benutzereingabe zu dem jeweiligen Zeitpunkt bildet jeweils einen Teil einer Zeitreihe von Benutzereingaben zum Steuern der Komponente 2 aus. Die Zeitreihe 10 der Betriebsdaten kann die Zeitreihe der Benutzereingaben aufweisen. Beispielsweise kann die jeweilige Benutzereingabe beschreiben, ob ein Schalter zum Bedienen der Komponente 2 zu dem jeweiligen Zeitpunkt geschlossen oder geöffnet ist. Der Schalter kann beispielsweise ein Schalter zum Bedienen einer Scheibenwischanlage sein.According to a further embodiment, the detection means 5 can be designed in the form of an operating means for operating the vehicle component 2. The operating means can be, for example, a switch or a button with which the vehicle component 2 can be operated, in particular controlled, by a user of the
Weist die Zeitreihe 10 der Betriebsdaten die Zeitreihe der Benutzereingaben auf, so kann das erste Betriebsdatum 101 in Form einer ersten Benutzereingabe zum ersten Zeitpunkt, das zweite Betriebsdatum 102 in Form einer zweiten Benutzereingabe zum zweiten Zeitpunkt, das i-te Betriebsdatum 10i in Form einer i-ten Benutzereingabe zum i-ten Zeitpunkt und das n-te Betriebsdatum 10n in Form einer n-ten Benutzereingabe zum n-ten Zeitpunkt jeweils zum Steuern der Komponente 2 zu dem entsprechenden Zeitpunkt ausgebildet sein. Weist die Zeitreihe 10 der Betriebsdaten die Zeitreihe den Sensorwerte auf, so kann das erste Betriebsdatum 101 in Form eines ersten Sensorwertes, das zweite Betriebsdatum 102 in Form eines zweiten Sensorwertes, das i-te Betriebsdatum 10i in Form eines i-ten Sensorwertes und das n-te Betriebsdatum 10n in Form eines n-ten Sensorwertes, die jeweils einen Zustand der Komponente 2 zu dem ersten Zeitpunkt, zweiten Zeitpunkt, i-ten Zeitpunkt beziehungsweise n-ten Zeitpunkt beschreiben, ausgebildet sein.If the
Gemäß einer möglichen Ausgestaltung kann die Auswertungseinheit 3 eingerichtet sein, die Zeitreihe 10 der Betriebsdaten in Form eines Eingangsdatensatzes des KI-Moduls 4 zu dem KI-Modul 4 zu senden. Dies kann auch innerhalb der Auswertungseinheit 3 umgesetzt werden. So kann beispielsweise das KI-Modul 4 auf einem in den Figuren nicht dargestellten Prozessor der Auswertungseinheit 3 implementiert sein. Gemäß einer in
So kann beispielsweise das erste Betriebsdatum 101 an einen ersten Eingang 41 des KI-Moduls, das zweite Betriebsdatum 102 an einen zweiten Eingang 42 des KI-Moduls und das i-te Betriebsdatum 10i an den i-ten Eingang 4i des KI-Moduls 4 und das n-te Betriebsdatum 10n an den n-ten Eingang 4n des KI-Moduls 4 gesendet werden. Das KI-Modul 4 ist vorteilhafterweise eingerichtet, die an den Eingängen des KI-Moduls 4 anliegenden Werte mit Hilfe von mathematischen Funktionen zu verarbeiten, um den Wert 11 der Verschleißkennzahl zu berechnen.For example, the
Eine Anzahl der verdeckten Schichten des Netzes 30 kann in der Praxis deutlich höher sein, und auch eine Anzahl der jeweiligen Neuronen in der jeweiligen verdeckten Schicht ist in den meisten Fällen deutlich höher als dies in
So kann beispielsweise der Prozessor mit Hilfe von ersten Verbindungsgewichten 41, die jeweils unterschiedliche Werte aufweisen können, jeweils ein Eingangswert für eine Aktivierungsfunktion des ersten Neurons 311, des zweiten Neurons 312 und des dritten Neurons 313 der ersten verdeckten Schicht 31 in Abhängigkeit von den Betriebsdaten der Zeitreihe 10 der Betriebsdaten berechnen. In Abhängigkeit von dem jeweiligen Eingangswert der Aktivierungsfunktion des jeweiligen Neurons 311, 312, 313 der ersten verdeckten Schicht 31 kann der Prozessor jeweils einen Ausgangswert des jeweiligen Neurons 311, 312, 313 der ersten verdeckten Schicht 31 berechnen.For example, the processor can use
Mit Hilfe von zweiten Verbindungsgewichten 42 kann der Prozessor jeweils einen Eingangswert einer jeweiligen Aktivierungsfunktion des ersten Neurons 321 und des zweiten Neurons 322 der zweiten verdeckten Schicht 32 in Abhängigkeit von dem jeweiligen Ausgangswert des ersten Neurons 311, das zweiten Neurons 312 und des dritten Neurons 313 der ersten verdeckten Schicht 31 berechnen. Analog kann ein Eingangswert einer Aktivierungsfunktion eines Ausgabeneurons 33 des Netzes 30 in Abhängigkeit von dem Ausgangswert des ersten Neurons 321 der zweiten verdeckten Schicht 32 und dem Ausgangswert des zweiten Neurons 322 der zweiten verdeckten Schicht 32 unter Berücksichtigung von dritten Verbindungsgewichten 43 mithilfe des Prozessors berechnet werden.With the aid of
Das Ausgabeneuron 33 berechnet den Wert 11 in Abhängigkeit von dem Eingangswert des Ausgabeneurons 33. Die Neuronen des Netzes 30 berechnen generell ihren jeweiligen Ausgangswert in Abhängigkeit von dem jeweiligen Eingangswert der Aktivierungsfunktion des jeweiligen Neurons. Die jeweilige Aktivierungsfunktion des jeweiligen Neurons des Netzes 30 kann beispielsweise ein Tangens-hyperbolicus oder eine logistische Aktivierungsfunktion sein.The
Das KI-Modul 4 ist in Abhängigkeit von weiteren Zeitreihen 20 von weiteren Betriebsdaten trainiert. Die weiteren Zeitreihen 20 der weiteren Betriebsdaten umfassen, wie in
Die Betriebsdaten der jeweiligen weiteren Zeitreihe 201, 202, ... 20j, ... 20m sind vorteilhafterweise während eines ersten, zweiten, ... j-ten, ... beziehungsweise m-ten Zeitintervalls erfasst. Die Zeitintervalle können hierbei auch verschiedene Längen aufweisen. Für ein Training des KI-Moduls 5 hat sich jedoch als vorteilhaft herausgestellt, wenn zumindest eine jeweilige Anzahl von Betriebsdaten, die während des jeweiligen Zeitintervalls erfasst werden, gleich groß ist. Aus diesem Grund ist die jeweilige Anzahl der Betriebsdaten der weiteren Zeitreihen 20 bei dem in
Das jeweilige Zeitintervall weist demnach n unterschiedliche Zeitpunkte auf, zu denen das jeweilige Betriebsdatum der jeweiligen weiteren Zeitreihe 201, 202, 20j, 20m erfasst wird. So werden beispielsweise das erste Betriebsdatum 2011, das zweite Betriebsdatum 2012, das i-te Betriebsdatum 201i und das n-te Betriebsdatum 201n der ersten weiteren Zeitreihe 201 der Betriebsdaten zu einem ersten Zeitpunkt, einem zweiten Zeitpunkt, einem i-ten Zeitpunkt beziehungsweise zu einem n-ten Zeitpunkt des ersten Zeitintervalls erfasst. Analog werden das erste Betriebsdatum 2021, das zweite Betriebsdatum 2022, das i-te Betriebsdatum 202i und das n-te Betriebsdatum 202n der zweiten weiteren Zeitreihe 202 der weiteren Betriebsdaten zu einem ersten Zeitpunkt, einem zweiten Zeitpunkt, einem i-ten Zeitpunkt beziehungsweise zu einem n-ten Zeitpunkt des zweiten Zeitintervalls erfasst.The respective time interval therefore has n different points in time at which the respective operating date of the respective
Analog werden das erste Betriebsdatum 20j1, das zweite Betriebsdatum 20j2, das i-te Betriebsdatum 20ji und das n-te Betriebsdatum 20jn der j-ten weiteren Zeitreihe 20j zu einem ersten Zeitpunkt, einem zweiten Zeitpunkt, einem i-ten Zeitpunkt beziehungsweise zu einem n-ten Zeitpunkt des j-ten Zeitintervalls erfasst. Analog werden das erste Betriebsdatum 20m1, das zweite Betriebsdatum 20m2, das i-te Betriebsdatum 20mi und das n-te Betriebsdatum 20mn der m-ten weiteren Zeitreihe 20m zu einem ersten Zeitpunkt, einem zweiten Zeitpunkt, einem i-ten Zeitpunkt beziehungsweise zu einem n-ten Zeitpunkt des m-ten Zeitintervalls erfasst. Mit einem Erfassen des jeweiligen Betriebsdatums kann beispielsweise ein Messen oder ein Bestimmen des jeweiligen Betriebsdatums mit Hilfe eines jeweiligen Messwertes gemeint sein.Analogously, the
Die Zeitreihe 10 der Betriebsdaten kann beispielsweise stellvertretend für eine Zeitspanne einer Benutzung des Fahrzeugs 1, insbesondere der Komponente 2, von Seiten des Benutzers stehen. Die Zeitspanne der Benutzung kann beispielsweise mit einem ersten Tag, an welchem der Benutzer zum ersten Mal in das Fahrzeug 1 einsteigt, beginnen und mit einem Tag, an welchem die Komponente 2 in einer Werkstatt gewartet oder ausgetauscht wird, enden. Die Zeitspanne weist die oben genannten unterschiedlichen Zeitpunkte auf, zu denen die Betriebsdaten der Zeitreihe 10 erfasst werden.The
Die weiteren Betriebsdaten der jeweiligen weiteren Zeitreihe 201, 202, ... 20j, ... 20m stehen in einem Zusammenhang mit einem jeweiligen weiteren vorhergehenden Betrieb einer jeweiligen weiteren zu der Fahrzeugkomponente 2 ähnlich funktionierenden Fahrzeugkomponente zu jeweiligen unterschiedlichen weiteren Zeitpunkten. Die jeweiligen unterschiedlichen weiteren Zeitpunkte umfassen die oben genannten Zeitpunkte der jeweiligen Zeitintervalle.The further operating data of the respective
Die weiteren Betriebsdaten der jeweiligen weiteren Zeitreihe 201, 202, 20j, 20m können beispielsweise dadurch im Zusammenhang mit dem jeweiligen weiteren vorherigen Betrieb der jeweiligen weiteren Komponente stehen, in dem das jeweilige Betriebsdatum der jeweiligen weiteren Zeitreihe 201, 202, 20j, 20m zu dem jeweiligen Zeitpunkt des ersten Zeitintervalls, des zweiten Zeitintervalls, des j-ten Zeitintervalls beziehungsweise des m-ten Zeitintervalls erfasst werden.The further operating data of the respective
Die Betriebsdaten der jeweiligen weiteren Zeitreihe 201, 202, 20j, 20m können, wie oben beschrieben, eine jeweilige weitere Zeitreihe von jeweiligen weiteren Benutzereingaben eines jeweiligen Benutzers der jeweiligen weiteren Fahrzeugkomponente umfassen. Hierbei sind die jeweiligen weiteren Benutzereingaben während des Betriebes der jeweiligen weiteren Fahrzeugkomponente durch den jeweiligen weiteren Benutzer zu dem jeweiligen weiteren Zeitpunkt des jeweiligen ersten Zeitintervalls, zweiten Zeitintervalls, j-ten Zeitintervalls beziehungsweise m-ten Zeitintervalls erzeugt.The operating data of the respective
Gemäß einer weiteren Variante können die weiteren Zeitreihen 20 der weiteren Betriebsdaten eine jeweilige weitere Zeitreihe von jeweiligen weiteren Sensorwerten umfassen. Bei dieser Variante sind die jeweiligen weiteren Sensorwerte jeweils in Abhängigkeit von dem jeweiligen weiteren vorhergehenden Betrieb der jeweiligen weiteren Fahrzeugkomponente zu dem jeweiligen weiteren Zeitpunkt des jeweiligen ersten Zeitintervalls, zweiten Zeitintervalls, j-ten Zeitintervalls beziehungsweise m-ten Zeitintervalls mithilfe eines jeweiligen Sensors des jeweiligen weiteren Fahrzeugs erzeugt.According to a further variant, the
Nachdem die jeweilige weitere Fahrzeugkomponente für eine Dauer des jeweiligen Zeitintervalls betrieben wurde und die weiteren Betriebsdaten der jeweiligen weiteren Zeitreihe 201, 202, 20j, 20m der weiteren Betriebsdaten erfasst wurden, wird ein jeweiliger Verschleiß der jeweiligen weiteren Fahrzeugkomponente in Form eines jeweiligen Trainingswertes 211, 212, ... 21j, ... 21m der Verschleißkennzahl ermittelt. Die Trainingswerte 21 der Verschleißkennzahl können beispielsweise dadurch bestimmt werden, indem die jeweilige weitere Fahrzeugkomponente untersucht wird. Bei einer derartigen Untersuchung können beispielsweise jeweilige Verschleißspuren ausgewertet werden, um den jeweiligen Trainingswert 211, 212, 21j, 21m der Verschleißkennzahl zu bestimmen.After the respective additional vehicle component has been operated for a duration of the respective time interval and the additional operating data of the respective
Um das KI-Modul 5 trainieren zu können, werden bevorzugt die weiteren Betriebsdaten der jeweiligen weiteren Zeitreihe 201, 202, 20j und 20m dem jeweiligen Trainingswert 211, 212, 21j beziehungsweise 21m der Verschleißkennzahl zugeordnet. Die weiteren Betriebsdaten der jeweiligen weiteren Zeitreihe 201, 202, 20j und 20m werden jeweils mit dem jeweiligen Trainingswert 211, 212, 21j beziehungsweise 21m der Verschleißkennzahl zu einem jeweiligen Trainingsdatensatz 221, 222, ... 22j, ... 22m zusammengefasst.In order to be able to train the AI module 5, the further operating data of the respective
Bei dem Training des KI-Moduls 5 kann der jeweilige Trainingsdatensatz 221, 222, 22j, 22m dem Netz 30 präsentiert werden. Hierbei bildet die jeweilige weitere Zeitreihe 201, 202, 20j, 20m der weiteren Betriebsdaten jeweils einen Eingangsdatensatz des jeweiligen Trainingsdatensatzes 221, 222, 22j beziehungsweise 22m aus. Der jeweilige Trainingswert 211, 212, 21j, 21m des jeweiligen Trainingsdatensatzes 221, 222, 22j beziehungsweise 22m bildet jeweils einen Ausgangsdatensatz des jeweiligen Trainingsdatensatzes 221, 222, 22j beziehungsweise 22m. Das Training des KI-Moduls 4 kann, wie oben beschrieben, durch Bestimmen der Fehlerquadratsumme durchgeführt werden.When training the AI module 5, the respective training data set 22 1 , 22 2 , 22 j , 22 m can be presented to the
Wie oben beschrieben, wird in Abhängigkeit von dem Eingangsdatensatz des jeweiligen Trainingsdatensatzes 221, 222, 22j und 22m jeweils ein jeweiliger Trainingsausgangsdatensatz berechnet. Der jeweilige Trainingsausgangsdatensatz ist hierbei lediglich ein jeweiliger Trainingsausgangswert. Die oben genannten jeweiligen Abweichungen können jeweils in Form von einer jeweiligen Differenz zwischen dem jeweiligen Trainingsausgangswert und dem jeweiligen Trainingswert 211, 212, 21j und 21m der Verschleißkennzahl berechnet werden. Die jeweiligen Abweichungen können quadriert werden, um die Fehlerquadratsumme zu bilden. Um die Werte der Gewichte 41, 42, 43 zu verändern, können beispielsweise mit Hilfe des Backpropagation-Algorithmus jeweilige Änderungen der Werte der Gewichte 41, 42, 43 in Abhängigkeit von partiellen Ableitungen der Fehlerquadratsumme nach den jeweiligen Werten der Gewichte 41, 42, 43 berechnet werden.As described above, a respective training output data set is calculated depending on the input data set of the respective training data set 22 1 , 22 2 , 22 j and 22 m . The respective training output data set is simply a respective training output value. The above-mentioned respective deviations can each be calculated in the form of a respective difference between the respective training output value and the
Gemäß einer weiteren Ausgestaltung kann das KI-Modul 4 in Abhängigkeit von weiteren zweiten Zeitreihen 70 von weiteren Betriebsdaten trainiert sein. Die weiteren zweiten Zeitreihen 70 der weiteren Betriebsdaten umfassen, wie in
Die Betriebsvektoren der jeweiligen weiteren zweiten Zeitreihe 701, 702, ... 70j, ... 70m sind vorteilhafterweise während des ersten, zweiten, ... j-ten, ... beziehungsweise m-ten Zeitintervalls erfasst. Bei dem in
Das jeweilige Zeitintervall weist demnach dien n unterschiedlichen Zeitpunkte auf, zu denen der jeweilige Betriebsvektor der jeweiligen weiteren zweiten Zeitreihe 701, 702, 70j, 70m erfasst wird. So werden beispielsweise der erste Betriebsvektor 7011, der zweite Betriebsvektor 7012, der i-te Betriebsvektor 701i und der n-te Betriebsvektor 701n der ersten weiteren zweiten Zeitreihe 701 der Betriebsdaten zu dem ersten Zeitpunkt, dem zweiten Zeitpunkt, dem i-ten Zeitpunkt beziehungsweise zu dem n-ten Zeitpunkt des ersten Zeitintervalls erfasst. Analog werden der erste Betriebsvektor 7021, der zweite Betriebsvektor 7022, der i-te Betriebsvektor 702i und der n-te Betriebsvektor 702n der zweiten weiteren zweiten Zeitreihe 702 der weiteren Betriebsdaten zu dem ersten Zeitpunkt, dem zweiten Zeitpunkt, dem i-ten Zeitpunkt beziehungsweise zu dem n-ten Zeitpunkt des zweiten Zeitintervalls erfasst.The respective time interval therefore has the n different points in time at which the respective operating vector of the respective further
Analog werden der erste Betriebsvektor 70j1, der zweite Betriebsvektor 70j2, der i-te Betriebsvektor 70ji und der n-te Betriebsvektor 70jn der j-ten weiteren zweiten Zeitreihe 70j zu dem ersten Zeitpunkt, dem zweiten Zeitpunkt, dem i-ten Zeitpunkt beziehungsweise zu dem n-ten Zeitpunkt des j-ten Zeitintervalls erfasst. Analog werden der erste Betriebsvektor 70m1, der zweite Betriebsvektor 70m2, der i-te Betriebsvektor 70mi und der n-te Betriebsvektor 70mn der m-ten weiteren zweiten Zeitreihe 70m zu dem ersten Zeitpunkt, dem zweiten Zeitpunkt, dem i-ten Zeitpunkt beziehungsweise zu dem n-ten Zeitpunkt des m-ten Zeitintervalls erfasst. Mit einem Erfassen des jeweiligen Betriebsvektors kann beispielsweise ein Messen oder ein Bestimmen des jeweiligen Betriebsvektors mit Hilfe von jeweiligen Messwerten gemeint sein.Analogously, the
Die zweite Zeitreihe der Betriebsvektoren steht der Einfachheit halber auch stellvertretend für die Zeitspanne der Benutzung des Fahrzeugs 1, insbesondere der Komponente 2, von Seiten des Benutzers.For the sake of simplicity, the second time series of the operating vectors also represents the period of use of
Die weiteren Betriebsvektoren der jeweiligen weiteren zweiten Zeitreihe 701, 702, ... 70j, ... 70m stehen in einem Zusammenhang mit dem jeweiligen weiteren vorhergehenden Betrieb der jeweiligen weiteren zu der Fahrzeugkomponente 2 ähnlich funktionierenden Fahrzeugkomponente zu den jeweiligen unterschiedlichen weiteren Zeitpunkten. Die jeweiligen unterschiedlichen weiteren Zeitpunkte umfassen die oben genannten Zeitpunkte der jeweiligen Zeitintervalle.The further operating vectors of the respective further
Die weiteren Betriebsdaten der jeweiligen weiteren zweiten Zeitreihe 701, 702, 70j, 70m können beispielsweise dadurch im Zusammenhang mit dem jeweiligen weiteren vorherigen Betrieb der jeweiligen weiteren Komponente stehen, in dem der jeweilige Betriebsvektor der jeweiligen weiteren zweiten Zeitreihe 701, 702, 70j, 70m zu dem jeweiligen Zeitpunkt des ersten Zeitintervalls, des zweiten Zeitintervalls, des j-ten Zeitintervalls beziehungsweise des m-ten Zeitintervalls erfasst werden.The further operating data of the respective further
Die Betriebsvektoren der jeweiligen weiteren zweiten Zeitreihe 701, 702, 70j, 70m können die jeweilige weitere Zeitreihe der jeweiligen weiteren Benutzereingaben des jeweiligen Benutzers der jeweiligen weiteren Fahrzeugkomponente umfassen. Die jeweilige weitere Benutzereingabe des jeweiligen Betriebsvektors der jeweiligen weiteren zweiten Zeitreihe 701, 702, 70j, 70m ist in
Zusätzlich weisen die weiteren Zeitreihen 70 der weiteren Betriebsdaten bevorzugt die jeweilige Zeitreihe der jeweiligen weiteren Sensorwerte auf. Bei dieser Variante sind die jeweiligen weiteren Sensorwerte jeweils in Abhängigkeit von dem jeweiligen weiteren vorhergehenden Betrieb der jeweiligen weiteren Fahrzeugkomponente zu dem jeweiligen weiteren Zeitpunkt des jeweiligen ersten Zeitintervalls, zweiten Zeitintervalls, j-ten Zeitintervalls beziehungsweise m-ten Zeitintervalls mithilfe eines jeweiligen Sensors des jeweiligen weiteren Fahrzeugs erzeugt. Der jeweilige weitere Sensorwert des jeweiligen Betriebsvektors der jeweiligen weiteren zweiten Zeitreihe 701, 702, 70j, 70m ist in
Nachdem die jeweilige weitere Fahrzeugkomponente für eine Dauer des jeweiligen Zeitintervalls betrieben wurde und die weiteren Betriebsvektoren der jeweiligen weiteren zweiten Zeitreihe 701, 702, 70j, 70m der weiteren Betriebsdaten erfasst wurden, wird der jeweilige Verschleiß der jeweiligen weiteren Fahrzeugkomponente in Form des jeweiligen Trainingswertes 211, 212, ... 21j, ... 21m der Verschleißkennzahl wie oben beschrieben ermittelt.After the respective additional vehicle component has been operated for a duration of the respective time interval and the further operating vectors of the respective additional
Für das Training des KI-Moduls 5 anhand der weiteren zweiten Zeitreihen, werden bevorzugt die weiteren Betriebsdaten der jeweiligen weiteren zweiten Zeitreihe 701, 702, 70j und 70m dem jeweiligen Trainingswert 211, 212, 21j beziehungsweise 21m der Verschleißkennzahl zugeordnet. Die weiteren Betriebsdaten der jeweiligen weiteren zweiten Zeitreihe 701, 702, 70j und 70m werden jeweils mit dem jeweiligen Trainingswert 211, 212, 21j beziehungsweise 21m der Verschleißkennzahl zu einem jeweiligen weiteren Trainingsdatensatz 721, 722, ... 72j, ... 72m zusammengefasst.For training the AI module 5 using the further second time series, the further operating data of the respective further
Bei dem Training des KI-Moduls 5 kann der jeweilige weitere Trainingsdatensatz 721, 722, 72j, 72m dem Netz 30 präsentiert werden. Hierbei bildet die jeweilige weitere zweite Zeitreihe 701, 702, 70j, 70m der weiteren Betriebsdaten jeweils einen Eingangsdatensatz des jeweiligen weiteren Trainingsdatensatzes 721, 722, 72j beziehungsweise 72m aus. Der jeweilige Trainingswert 211, 212, 21j, 21m des jeweiligen weiteren Trainingsdatensatzes 721, 722, 72j beziehungsweise 72m bildet jeweils einen Ausgangsdatensatz des jeweiligen weiteren Trainingsdatensatzes 721, 722, 72j beziehungsweise 72m. Das Training des KI-Moduls 4 kann, wie oben beschrieben, durch Bestimmen der Fehlerquadratsumme durchgeführt werden.When training the AI module 5, the respective additional training data set 72 1 , 72 2 , 72 j , 72 m can be presented to the
Wie oben beschrieben, wird in Abhängigkeit von dem Eingangsdatensatz des jeweiligen weiteren Trainingsdatensatzes 721, 722, 72j und 72m jeweils ein jeweiliger weiterer Trainingsausgangsdatensatz berechnet. Der jeweilige weitere Trainingsausgangsdatensatz ist hierbei lediglich ein jeweiliger weiterer Trainingsausgangswert. Die oben genannten jeweiligen Abweichungen können jeweils in Form von einer jeweiligen Differenz zwischen dem jeweiligen weiteren Trainingsausgangswert und dem jeweiligen Trainingswert 211, 212, 21j und 21m der Verschleißkennzahl berechnet werden. Die jeweiligen Abweichungen können quadriert werden, um die Fehlerquadratsumme zu bilden. Um die Werte der Gewichte 41, 42, 43 zu verändern, können beispielsweise mit Hilfe des Backpropagation-Algorithmus jeweilige Änderungen der Werte der Gewichte 41, 42, 43 in Abhängigkeit von partiellen Ableitungen der Fehlerquadratsumme nach den jeweiligen Werten der Gewichte 41, 42, 43 berechnet werden.As described above, a respective further training output data set is calculated depending on the input data set of the respective further training data set 72 1 , 72 2 , 72 j and 72 m . The respective further training output data set is simply a respective further training output value. The respective deviations mentioned above can each be calculated in the form of a respective difference between the respective further training output value and the
Das Training des KI-Moduls 4 wird bevorzugt auf einem in den Figuren nicht dargestellten in Bezug zu dem Fahrzeug externen Server, insbesondere einem Großrechner, durchgeführt.The training of the
Claims (10)
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022127507.8A DE102022127507A1 (en) | 2022-10-19 | 2022-10-19 | Determination of wear of a vehicle component with an AI module |
DE102022127507.8 | 2022-10-19 |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102023125034A1 true DE102023125034A1 (en) | 2024-04-25 |
Family
ID=84492328
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022127507.8A Withdrawn DE102022127507A1 (en) | 2022-10-19 | 2022-10-19 | Determination of wear of a vehicle component with an AI module |
DE102023125034.5A Pending DE102023125034A1 (en) | 2022-10-19 | 2023-09-15 | Determining wear of a vehicle component using an AI module |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022127507.8A Withdrawn DE102022127507A1 (en) | 2022-10-19 | 2022-10-19 | Determination of wear of a vehicle component with an AI module |
Country Status (1)
Country | Link |
---|---|
DE (2) | DE102022127507A1 (en) |
-
2022
- 2022-10-19 DE DE102022127507.8A patent/DE102022127507A1/en not_active Withdrawn
-
2023
- 2023-09-15 DE DE102023125034.5A patent/DE102023125034A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
DE102022127507A1 (en) | 2023-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE19523483C2 (en) | Computer-aided fault diagnosis device for a complex technical system | |
DE102018128289B4 (en) | METHOD AND DEVICE FOR AUTONOMOUS SYSTEM PERFORMANCE AND CLASSIFICATION | |
DE102012223393A1 (en) | Method and system for root cause analysis and quality control of system level errors | |
DE102018200887A1 (en) | diagnostic device | |
DE102019115356B4 (en) | PROCEDURE FOR VEHICLE FAULT ROOT CAUSE DIAGNOSIS | |
AT520827B1 (en) | A method of determining a vehicle parameter of a vehicle record of a vehicle and using the vehicle parameter on a test bench | |
DE102018206189A1 (en) | System for testing a self-propelled motor vehicle | |
DE102017219473A1 (en) | A method for predictively detecting a failure of a component of a vehicle, computer readable medium, system, and vehicle comprising the system | |
DE102021126014A1 (en) | METHOD AND APPARATUS FOR PREDICTING TIRE WEAR USING MACHINE LEARNING | |
DE102020212277A1 (en) | Method and device for determining a remaining service life based on a predictive diagnosis of components of an electric drive system using artificial intelligence methods | |
EP3907707A1 (en) | Method and diagnostic device for carrying out a vehicle diagnosis | |
DE102020210744A1 (en) | SYSTEM FOR MODELING AN ANTI-LOCK CONTROL SYSTEM OF A VEHICLE | |
WO2023041458A2 (en) | Computer-implemented method, modules, and system for detecting anomalies in industrial manufacturing processes | |
DE102020202866A1 (en) | Method and computing unit for analyzing the cause of an abnormal condition of a machine | |
DE102019134053A1 (en) | Process for the continuous validation of automated driving functions applied in driving tests | |
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 | |
DE102023125034A1 (en) | Determining wear of a vehicle component using an AI module | |
DE102022131657A1 (en) | SYSTEMS AND METHODS FOR VEHICLE ANALYSIS | |
DE102019218476A1 (en) | Device and method for measuring, simulating, labeling and evaluating components and systems of vehicles | |
DE10024211B4 (en) | Diagnostic method for the condition of a motor vehicle | |
EP3056994B1 (en) | Device and method for detecting, checking and storing process data from at least two process steps | |
DE102005014308A1 (en) | Method of guiding a user in the diagnosis of complex systems such as in vehicles using a computer program to analyze the data and provide steps to carry out a diagnosis | |
EP3553679A1 (en) | Method for computer-aided error diagnostics for a technical system | |
DE102013206285A1 (en) | Method and apparatus for creating a non-parametric, data-based function model | |
DE102020123721A1 (en) | State determination method for a vehicle component, circuit, motor vehicle |