DE102023206978A1

DE102023206978A1 - Evaluating a model for a physical state

Info

Publication number: DE102023206978A1
Application number: DE102023206978.4A
Authority: DE
Inventors: Tobias Dentler; Thomas Nehmeier; Korbinian Zimmermann; Thomas Hodrius; Fabio Ferreira
Original assignee: ZF Friedrichshafen AG
Current assignee: ZF Friedrichshafen AG
Priority date: 2023-07-21
Filing date: 2023-07-21
Publication date: 2024-04-11

Abstract

Verfahren zum Evaluieren eines Modells für einen physikalischen Zustand einer technischen Komponente mit den folgenden Schritten:- Vorgeben (S1) eines zu evaluierenden Modells;- Bereitstellen (S2) einer Ist-Datenreihe, enthaltend mehrere Messwerte;- Bereitstellen (S3) einer Modell-Datenreihe, enthaltend mehrere Modellwerte zu den Messwerten der Ist-Datenreihe;- Bereitstellen (S4) einer Instanz einer ersten Datenstruktur, insbesondere Kostenmatrix, welche Abweichungen des Modells zu den Messwerten in Abhängigkeit vorbestimmter Charakteristika bepreist;- Generieren (S5) einer Instanz einer zweiten Datenstruktur, welche die Anzahl der bepreisten Abweichungen des Modells zu den Messwerten enthält;- Generieren (S6) einer Instanz einer zweiten Datenstruktur, welche die Anzahl der bepreisten Abweichungen des Modells zu den Messwerten enthält;- Abbilden (S7) der Instanz der zweiten Datenstruktur auf ein Skalar mittels einer Abbildung, welche als Metrik ausgebildet ist, wobei die Abbildung wenigstens teilweise mittels der ersten Datenstruktur definiert ist;- Evaluieren (S8) des Modells mittels des Skalars.Method for evaluating a model for a physical state of a technical component with the following steps:- specifying (S1) a model to be evaluated;- providing (S2) an actual data series containing a plurality of measured values;- providing (S3) a model data series containing a plurality of model values for the measured values of the actual data series;- providing (S4) an instance of a first data structure, in particular a cost matrix, which prices deviations of the model from the measured values depending on predetermined characteristics;- generating (S5) an instance of a second data structure which contains the number of priced deviations of the model from the measured values;- generating (S6) an instance of a second data structure which contains the number of priced deviations of the model from the measured values;- mapping (S7) the instance of the second data structure onto a scalar by means of a mapping which is designed as a metric, wherein the mapping is at least partially defined by means of the first data structure;- evaluating (S8) the model by means of the Scalars.

Description

GEBIET DER ERFINDUNGFIELD OF INVENTION

Die vorliegende Erfindung betrifft ein Verfahren zum Evaluieren eines Modells für einen physikalischen Zustand einer technischen Komponente.The present invention relates to a method for evaluating a model for a physical state of a technical component.

TECHNISCHER HINTERGRUNDTECHNICAL BACKGROUND

Es ist bekannt, physikalische Modelle mittels experimentell gewonnenen Messwerten zu evaluieren. Dabei ist es auch bekannt, Abweichungen zwischen dem Modell und tatsächlich gemessenen Werten mittels Verfahren wie Mittlere quadratische Abweichung (Mean squared error) zu bewerten.It is known to evaluate physical models using experimentally obtained measured values. It is also known to evaluate deviations between the model and actually measured values using methods such as mean squared error.

Problematisch hieran ist, dass bekannte Bewertungsverfahren Abweichungen zwar nach deren Betrag bewerten, jedoch keine Gewichtung der Abweichungen nach weiteren Charakteristika vorgesehen ist. Beispielsweise ist es denkbar, dass eine Abweichung mit positivem Betrag weniger tolerabel ist als eine Abweichung mit negativem Betrag. Folglich ist es denkbar, Modelle zu präferieren, die in ihrem Betrag stärker abweichen, jedoch vorwiegend nach oben abweichen und deshalb einem anderen Modell mit geringeren Abweichungen nach unten vorzuziehen ist.The problem here is that although known evaluation methods evaluate deviations according to their amount, no weighting of the deviations according to other characteristics is provided. For example, it is conceivable that a deviation with a positive amount is less tolerable than a deviation with a negative amount. Consequently, it is conceivable to prefer models that deviate more in their amount, but deviate predominantly upwards and are therefore preferable to another model with smaller deviations downwards.

ZUSAMMENFASSUNG DER ERFINDUNGSUMMARY OF THE INVENTION

Vor diesem Hintergrund liegt der Erfindung die Aufgabe zugrunde, ein Evaluierungsverfahren, mittels welchem Modelle anhand mehrerer bestimmter Charakteristika automatisiert bewertet werden können, bereitzustellen.Against this background, the invention is based on the object of providing an evaluation method by means of which models can be automatically evaluated based on several specific characteristics.

Demgemäß ist vorgesehen:

- ein Verfahren zum Evaluieren eines Modells für einen physikalischen Zustand einer technischen Komponente mit den folgenden Schritten: Vorgeben eines zu evaluierenden Modells; Bereitstellen einer Ist-Datenreihe, enthaltend mehrere Messwerte; Bereitstellen einer Modell-Datenreihe, enthaltend mehrere Modellwerte zu den Messwerten der Ist-Datenreihe; Bereitstellen einer Instanz einer ersten Datenstruktur, insbesondere Kostenmatrix, welche Abweichungen des Modells zu den Messwerten in Abhängigkeit vorbestimmter Charakteristika bepreist; Generieren einer Instanz einer zweiten Datenstruktur, welche die Anzahl der bepreisten Abweichungen des Modells zu den Messwerten enthält; Generieren einer Instanz einer zweiten Datenstruktur, welche die Anzahl der bepreisten Abweichungen des Modells zu den Messwerten enthält; Abbilden der Instanz der zweiten Datenstruktur auf ein Skalar mittels einer Abbildung, welche als Metrik ausgebildet ist, wobei die Abbildung wenigstens teilweise mittels der ersten Datenstruktur definiert ist; Evaluieren des Modells mittels des Skalars.

Accordingly, it is envisaged:

- a method for evaluating a model for a physical state of a technical component with the following steps: specifying a model to be evaluated; providing an actual data series containing a plurality of measured values; providing a model data series containing a plurality of model values for the measured values of the actual data series; providing an instance of a first data structure, in particular a cost matrix, which prices deviations of the model from the measured values depending on predetermined characteristics; generating an instance of a second data structure which contains the number of priced deviations of the model from the measured values; generating an instance of a second data structure which contains the number of priced deviations of the model from the measured values; mapping the instance of the second data structure to a scalar by means of a mapping which is designed as a metric, wherein the mapping is at least partially defined by means of the first data structure; evaluating the model by means of the scalar.

Maschinelles Lernen oder künstliche Intelligenz (KI) ist ein Oberbegriff für die „künstliche“ Generierung von Wissen aus Erfahrung: Ein künstliches System lernt aus Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern. Dazu bauen Algorithmen beim maschinellen Lernen ein Modell auf, das auf Trainingsdaten beruht. Das heißt, es werden nicht einfach die Beispiele auswendig gelernt, sondern Muster und Gesetzmäßigkeiten in den Lerndaten erkannt. So kann das System auch unbekannte Daten beurteilen (Lerntransfer) oder aber am Lernen unbekannter Daten scheitern (Überanpassung; englisch overfitting).Machine learning or artificial intelligence (AI) is a general term for the "artificial" generation of knowledge from experience: an artificial system learns from examples and can generalize them after the learning phase has ended. To do this, algorithms in machine learning build a model based on training data. This means that the examples are not simply learned by heart, but patterns and regularities are recognized in the learning data. The system can therefore also evaluate unknown data (learning transfer) or fail to learn unknown data (overfitting).

Bei künstlicher Intelligenz bzw. maschinellen Lernen spielen Art und Mächtigkeit der Wissensrepräsentation eine wichtige Rolle. Man unterscheidet zwischen symbolischen Ansätzen, in denen das Wissen - sowohl die Beispiele als auch die induzierten Regeln - explizit repräsentiert ist, und nicht-symbolischen Ansätzen, wie neuronalen Netzen, denen zwar ein berechenbares Verhalten „antrainiert“ wird, die jedoch keinen Einblick in die erlernten Lösungswege erlauben; hier ist Wissen implizit repräsentiert.In artificial intelligence and machine learning, the type and power of knowledge representation play an important role. A distinction is made between symbolic approaches, in which the knowledge - both the examples and the induced rules - is explicitly represented, and non-symbolic approaches, such as neural networks, which are "trained" to behave in a predictable manner but do not allow any insight into the learned solution paths; here, knowledge is represented implicitly.

Ein physikalischer Zustand bezieht sich auf den Zustand eines physikalischen Systems zu einem bestimmten Zeitpunkt. Er umfasst messbaren Eigenschaften des Systems, wie z. B. Position, Geschwindigkeit, Energie, Impuls, Temperatur, Viskosität und andere physikalische Größen. Der Zustand eines Systems kann durch eine Reihe von Variablen oder Parametern beschrieben werden, die Eigenschaften des Systems festlegen.A physical state refers to the condition of a physical system at a particular point in time. It includes measurable properties of the system, such as position, velocity, energy, momentum, temperature, viscosity, and other physical quantities. The state of a system can be described by a set of variables or parameters that specify properties of the system.

Ein physikalisches Modell ist eine vereinfachte Darstellung eines realen physikalischen Systems, die es uns ermöglicht, das Verhalten und die Eigenschaften des Systems zu verstehen, zu analysieren und vorherzusagen. Modelle sind in der Physik von großer Bedeutung, da sie komplexe Phänomene und Zusammenhänge auf eine zugänglichere Weise darstellen können. Modelle stellen Annäherungen an die Realität dar und enthalten Vereinfachungen und Abstraktionen. Die Validität eines Modells hängt von der Genauigkeit der vereinfachenden Annahmen und der Übereinstimmung mit experimentellen Beobachtungen ab. Modelle können weiterentwickelt und verfeinert werden, um ein besseres Verständnis der Physik zu ermöglichen.A physical model is a simplified representation of a real physical system that allows us to understand, analyze, and predict the behavior and properties of the system. Models are of great importance in physics because they can represent complex phenomena and relationships in a more accessible way. Models represent approximations of reality and contain simplifications and abstractions. The validity of a model depends on the accuracy of the simplifying assumptions and the agreement with experimental observations. Models can be further developed and refined to provide a better understanding of physics.

Eine technische Komponente ist ein Bestandteil oder Element eines technischen Systems. Sie ist physisch vorhanden, wie zum Beispiel eine elektronische Baugruppe, und erfüllt einen technischen Zweck.A technical component is a part or element of a technical system. It is physically present, such as an electronic assembly, and serves a technical purpose.

Eine Ist-Datenreihe ist eine Datenreihe aus Messwerten betreffend einen physikalischen Zustand. Hiervon zu unterscheiden ist eine Modell-Datenreihe, enthaltend Prognosen betreffend einen physikalischen Zustand. Eine Datenreihe enthält Werte in Abhängigkeit eines weiteren Parameters, beispielsweise der Zeit.An actual data series is a data series of measured values relating to a physical state. This is to be distinguished from a model data series, which contains forecasts relating to a physical state. A data series contains values depending on another parameter, for example time.

Eine Datenstruktur ist eine spezifische Art und Weise, wie Daten organisiert und gespeichert werden. Sie ermöglicht effizientes Manipulieren, Durchsuchen und Verarbeiten von Daten in einem Algorithmus oder einer Anwendung. Matrizen, Vektoren und Graphen sind Beispiele für gängige Datenstrukturen. Eine Datenstruktur kann als konstante Struktur, z.B. eine 5x5-Matrix oder als variable Struktur, z.B. als NxM-Matrix, mit N, M veränderliche ganzzahlige, positive Zahlen, gegeben sein.A data structure is a specific way of organizing and storing data. It allows for efficient manipulation, searching, and processing of data in an algorithm or application. Matrices, vectors, and graphs are examples of common data structures. A data structure can be given as a constant structure, e.g. a 5x5 matrix, or as a variable structure, e.g. an NxM matrix, with N, M changing integer, positive numbers.

Eine Instanz einer Datenstruktur ist ein konkretes Exemplar oder eine spezifische Realisierung der Datenstruktur. Instanzen ermöglichen es, mehrere Objekte zu erstellen, die auf derselben Datenstruktur basieren, aber unterschiedliche Realisierungen sind.An instance of a data structure is a concrete example or specific realization of the data structure. Instances allow you to create multiple objects that are based on the same data structure but are different realizations.

Eine Kostenmatrix, auch bekannt als Kostentabelle oder Kostenfunktion, ist eine Darstellung der Kosten oder der Kostenwerte für Modellabweichungen von tatsächlich gemessenen Werten.A cost matrix, also known as a cost table or cost function, is a representation of the costs or cost values for model deviations from actually measured values.

Abweichungen weisen mehrere Eigenschaften auf, z.B. deren Absolutbetrag, deren Vorzeichen, deren Lokalität, deren Kritikalität und dergleichen.Deviations have several properties, e.g. their absolute value, their sign, their locality, their criticality and the like.

Ein Skalar ist eine Zahl.A scalar is a number.

Computerprogrammprodukte umfassen in der Regel eine Folge von Befehlen, durch die die Hardware bei geladenem Programm veranlasst wird, ein bestimmtes Verfahren durchzuführen, das zu einem bestimmten Ergebnis führt.Computer program products typically comprise a sequence of instructions that, when the program is loaded, cause the hardware to perform a specific procedure that leads to a specific result.

Die grundlegende Idee der vorliegenden Erfindung ist es, zunächst ein zu evaluierendes Modell, beispielsweise durch prognostizierte Werte für den physikalischen Zustand vorzugeben. Es versteht sich, dass es wünschenswert, jedoch nicht zwingend, ist, dass die prognostizierten Werte des Modells von gleicher Struktur und gleicher Dimension wie die Messwerte sind.The basic idea of the present invention is to first specify a model to be evaluated, for example by predicted values for the physical state. It is understood that it is desirable, but not mandatory, that the predicted values of the model have the same structure and the same dimension as the measured values.

Ferner wird eine Ist-Datenreihe mit mehreren Messwerten zu dem physikalischen Zustand der technischen Komponente bereitgestellt, die mit einer bereitgestellten Modell-Datenreihe, die mehrere Modellwerte zu den Messwerten der Ist-Datenreihe enthält, verglichen. Die Abweichungen der Modell-Datenreihe von der Ist-Datenreihe werden im Folgenden mittels einer Instanz einer ersten Datenstruktur gewichtet. Handelt es sich bei der Instanz der ersten Datenstruktur etwa um eine Kostenmatrix, gibt die Datenstruktur die Dimension der Matrix, beispielsweise NxM oder N x ... x Z vor. Die Datenstruktur kann auch vorgeben, mit welchen Elementen die Kostenmatrix besetzt ist, beispielsweise Dezimalzahlen auf zwei Nachkommastellen gerundet. Bei der Instanz der ersten Datenstruktur handelt es sich in diesem Beispiel um eine konkrete Kostenmatrix.Furthermore, an actual data series with several measured values for the physical condition of the technical component is provided, which is compared with a provided model data series that contains several model values for the measured values of the actual data series. The deviations of the model data series from the actual data series are then weighted using an instance of a first data structure. If the instance of the first data structure is a cost matrix, for example, the data structure specifies the dimension of the matrix, for example NxM or N x ... x Z. The data structure can also specify which elements the cost matrix is filled with, for example decimal numbers rounded to two decimal places. The instance of the first data structure in this example is a concrete cost matrix.

Die Zellen werden mit Kosten für Abweichungen befüllt, wobei jeder Zelle der Betrag und das Vorzeichen mittels der Adresse der Zelle in der Kostenmatrix zuordenbar ist.The cells are filled with costs for deviations, whereby the amount and sign can be assigned to each cell using the address of the cell in the cost matrix.

Ferner wird eine Instanz einer zweiten Datenstruktur, welche die Anzahl der bepreisten Abweichungen aus der Kostenmatrix des Modells zu den Messwerten enthält, generiert.Furthermore, an instance of a second data structure containing the number of priced deviations from the cost matrix of the model to the measured values is generated.

Die zweite Datenstruktur kann beispielsweise von identischer Dimension wie die erste Datenstruktur ausgebildet sein und enthält die Anzahl der bepreisten Abweichungen des Modells zu den jeweiligen Messwerten. Handelt es sich beispielsweise bei der ersten Datenstruktur um eine NxM -Matrix und bei der zweiten Datenstruktur ebenfalls um eine NxM -Matrix, würde die Instanz der zweiten Datenstruktur in der Zelle (k, I) die Anzahl der Messfehler, die mit dem Faktor, der in der Zelle (k, l) der Kostenmatrix hinterlegt ist, bepreist werden sollen, enthalten.The second data structure can, for example, be of identical dimensions to the first data structure and contains the number of priced deviations of the model from the respective measured values. For example, if the first data structure is an NxM matrix and the second data structure is also an NxM matrix, the instance of the second data structure in cell (k, I) would contain the number of measurement errors that are to be priced with the factor stored in cell (k, l) of the cost matrix.

Es versteht sich, dass die zweite Datenstruktur auch als Liste oder als beliebige Datenstruktur ausgebildet sein kann, wenn eine Zuordnung zwischen den Einträgen der Instanz der zweiten Datenstruktur und den Einträgen der Instanz der ersten Datenstruktur vorgegeben ist.It is understood that the second data structure can also be designed as a list or as any data structure if an assignment between the entries of the instance of the second data structure and the entries of the instance of the first data structure is specified.

Dabei kann auch vorgesehen sein, die Instanz der zweiten Datenstruktur mittels einer geeigneten Norm zu normieren. Handelt es sich bei der zweiten Datenstruktur um eine Matrix von identischer Struktur wie die der ersten Datenstruktur, kann es vorteilhaft sein, die Instanz der zweiten Datenstruktur zeilenweise zu normieren, d. h. jede Zeile mit dem Kehrwert der Zeilensumme zu multiplizieren, derart dass sich für jede Zeile eine Zeilensumme von 1 ergibt. Es versteht sich, dass sich die Faktoren der Zeilen voneinander unterscheiden können.It can also be provided to standardize the instance of the second data structure using a suitable standard. If the second data structure is a matrix with an identical structure to that of the first data structure, it can be advantageous to standardize the instance of the second data structure row by row, i.e. to multiply each row by the reciprocal of the row sum, so that each row has a row sum of 1. It goes without saying that the factors of the rows can differ from one another.

Im Folgenden wird die Instanz der zweiten Datenstruktur auf ein Skalar abgebildet, wobei die Abbildung als Metrik ausgebildet ist, welche mittels der ersten Datenstruktur definiert ist. Handelt es sich bei der ersten Datenstruktur um eine NxM -Matrix und bei der zweiten Datenstruktur ebenfalls um eine NxM -Matrix, kann die Abbildung als Summe des Produkts der Zellen der Matrizen der ersten und zweiten Datenstruktur, wobei die Zellen jeweils die gleiche Adresse aufweisen, ausgebildet sein.In the following, the instance of the second data structure is mapped to a scalar, whereby the mapping is designed as a metric which is defined by means of the first data structure. If the first data structure is an NxM matrix and the second data structure is also an NxM matrix, the mapping can be defined as a sum the product of the cells of the matrices of the first and second data structures, wherein the cells each have the same address.

Es kann vorgesehen sein, die Zellen durch die Anzahl der Zeilen zu dividieren.It may be planned to divide the cells by the number of rows.

Beispielsweise kann die Abbildung wie folgt gegeben sein: $\frac{\sum_{i = 1}^{N} \sum_{j = 1}^{M} C (i, j) * M (i, j)}{N} = PP;$

wobei PP ein Skalar zur Evaluierung des Modells ist;
N die Anzahl der Zeilen der Matrizen C und M;
M die Anzahl der Spalten der Matrizen C und M;
C eine NxM -Matrix und Instanz der ersten Datenstruktur;
M eine NxM - Matrix und Instanz der zweiten Datenstruktur.For example, the figure can be given as follows:

\frac{\sum_{i = 1}^{N} \sum_{j = 1}^{M} C (i, j) * M (i, j)}{N} = PP;

where PP is a scalar to evaluate the model;
N is the number of rows of the matrices C and M;
M is the number of columns of the matrices C and M;
C is an NxM matrix and instance of the first data structure;
M is an NxM matrix and instance of the second data structure.

Dementsprechend bildet die Abbildung die Instanz der zweiten Datenstruktur auf eine Zahl ab, mittels welcher sich das Modell bewerten lässt.Accordingly, the mapping maps the instance of the second data structure to a number by which the model can be evaluated.

Die Erfindung wurde vorstehend beispielhaft anhand der Unteransprüche beschrieben. Es versteht sich, dass diese Erläuterungen lediglich als hilfreiches Beispiel dienen sollen und nicht geeignet sind, die Erfindung über den Schutzbereich der Patentansprüche hinaus zu beschränken.The invention has been described above by way of example with reference to the subclaims. It is to be understood that these explanations are intended only as a helpful example and are not suitable for restricting the invention beyond the scope of the patent claims.

Vorteilhafte Ausgestaltungen und Weiterbildungen ergeben sich aus den weiteren Unteransprüchen sowie aus der Beschreibung unter Bezugnahme auf die Figuren der Zeichnung.Advantageous embodiments and further developments emerge from the further subclaims and from the description with reference to the figures of the drawing.

Gemäß einer bevorzugten Weiterbildung der Erfindung enthalten die vorbestimmten Charakteristika ein Vorzeichen, einen Betrag und/oder eine Lokalität der Abweichung.According to a preferred development of the invention, the predetermined characteristics contain a sign, an amount and/or a location of the deviation.

Gemäß einer bevorzugten Weiterbildung der Erfindung ist der physikalische Zustand als Temperatur ausgebildet.According to a preferred development of the invention, the physical state is designed as temperature.

Gemäß einer bevorzugten Weiterbildung der Erfindung werden eine Vielzahl von Modellen mittels des Verfahrens wie es vorstehend beschrieben wurde, evaluiert, um aus der Vielzahl von Modellen ein geeignetes Modell auszuwählen und/oder zu generieren.According to a preferred development of the invention, a plurality of models are evaluated by means of the method as described above in order to select and/or generate a suitable model from the plurality of models.

Dabei ist es auch zweckmäßig, wenn ein Zielmodell aus mehreren evaluierten Modellen abschnittsweise zusammengesetzt wird, wobei das Zielmodell in einem Abschnitt auf jenem Modell beruht, welches mittels des beschriebenen Verfahrens als optimal evaluiert wurde.It is also useful if a target model is composed section by section from several evaluated models, whereby the target model in one section is based on the model that was evaluated as optimal using the described procedure.

Es versteht sich, dass ein Computerprogrammprodukt, welches eingerichtet ist, das Verfahren nach einem der vorstehenden Ansprüche auszuführen, vorteilhaft ist, wobei ein zu evaluierendes Modell mittels einer künstlichen Intelligenz vorgegeben wird. Das bedeutet, dass die Modell-Datenreihe mittels der künstlichen Intelligenz vorgegeben wird.It is understood that a computer program product which is set up to carry out the method according to one of the preceding claims is advantageous, wherein a model to be evaluated is specified by means of artificial intelligence. This means that the model data series is specified by means of artificial intelligence.

Ein Computerprogrammprodukt gemäß einem Verfahren einer Ausführungsform der Erfindung führt die Schritte eines Verfahrens gemäß der vorangehenden Beschreibung aus, wenn das Computerprogrammprodukt auf einem Computer, insbesondere einem fahrzeuginternen Computer, läuft. Wenn das betreffende Programm auf einem Computer zum Einsatz kommt, ruft das Computerprogrammprodukt einen Effekt hervor, nämlich die Analyse eines Modells unter Berücksichtigung von Überlegungen die auf der Natur und/oder der Technik beruhen.A computer program product according to a method of an embodiment of the invention carries out the steps of a method according to the preceding description when the computer program product runs on a computer, in particular an in-vehicle computer. When the program in question is used on a computer, the computer program product produces an effect, namely the analysis of a model taking into account considerations based on nature and/or technology.

INHALTSANGABE DER ZEICHNUNGENTABLE OF CONTENTS OF DRAWINGS

Die vorliegende Erfindung wird nachfolgend anhand der in den schematischen Figuren der Zeichnungen angegebenen Ausführungsbeispiele näher erläutert. Es zeigen dabei:

1 eine Kurve einer Ist-Datenreihe sowie jeweils eine Kurve einer Modell-Datenreihe zur Erläuterung einer Ausführungsform der Erfindung;
2 eine Instanz einer ersten Datenstruktur gemäß einer Ausführungsform der Erfindung;
3 eine Instanz einer zweiten Datenstruktur gemäß einer Ausführungsform der Erfindung;
4 ein Blockdiagramm gemäß einer gemäß einer Ausführungsform der Erfindung;

The present invention is explained in more detail below with reference to the embodiments shown in the schematic figures of the drawings. They show:

1 a curve of an actual data series and a curve of a model data series to explain an embodiment of the invention;
2 an instance of a first data structure according to an embodiment of the invention;
3 an instance of a second data structure according to an embodiment of the invention;
4 a block diagram according to an embodiment of the invention;

Die beiliegenden Zeichnungen sollen ein weiteres Verständnis der Ausführungsformen der Erfindung vermitteln. Sie veranschaulichen Ausführungsformen und dienen im Zusammenhang mit der Beschreibung der Erklärung von Prinzipien und Konzepten der Erfindung. Andere Ausführungsformen und viele der genannten Vorteile ergeben sich im Hinblick auf die Zeichnungen. Die Elemente der Zeichnungen sind nicht notwendigerweise maßstabsgetreu zueinander gezeigt.The accompanying drawings are intended to provide a further understanding of embodiments of the invention. They illustrate embodiments and, in conjunction with the description, serve to explain principles and concepts of the invention. Other embodiments and many of the noted advantages will be apparent upon reference to the drawings. The elements of the drawings are not necessarily shown to scale with respect to one another.

In den Figuren der Zeichnungen sind gleiche, funktionsgleiche und gleichwirkende Elemente, Merkmale und Komponenten - sofern nicht anders ausgeführt ist - jeweils mit denselben Bezugszeichen versehen.In the figures of the drawings, identical, functionally identical and acting elements, features and components are provided with the same reference symbols, unless stated otherwise.

BESCHREIBUNG VON AUSFÜHRUNGSBEISPIELENDESCRIPTION OF EXAMPLES OF IMPLEMENTATION

1 zeigt ein Koordinatensystem, in welchem drei Kurven eingezeichnet sind. An der Y-Achse des Koordinatensystems ist die Temperatur T angetragen. An der X-Achse ist die Zeit t angetragen. In dem Koordinatensystem ist eine Kurve Y eingezeichnet, die eine Ist-Datenreihe gemessener Temperaturwerte einer elektrischen Maschine darstellt. Ferner ist eine Kurve Y1 dargestellt, die eine Modell-Datenreihe für von einem Modell M1 prognostizierte Temperaturwerte illustriert. Des Weiteren ist eine Kurve Y2 dargestellt, die eine Modell-Datenreihe eines Modells M2 illustriert. 1 shows a coordinate system in which three curves are plotted. The temperature T is plotted on the Y-axis of the coordinate system. The time t is plotted on the X-axis. A curve Y is plotted in the coordinate system, which represents an actual data series of measured temperature values of an electrical machine. Furthermore, a curve Y1 is shown, which illustrates a model data series for temperature values predicted by a model M1. Furthermore, a curve Y2 is shown, which illustrates a model data series of a model M2.

Dementsprechend bilden die Kurven Y1 und Y2 eine Prognose für den gemessenen Temperaturverlauf Y anhand des Modells M1 bzw. M2.
In der 1 ist erkennbar, dass die Kurve Y1 des Modells den Temperaturverlauf Y in dem Zeitraum von 0 bis t1 nahezu exakt annähert, wohingegen das Modell M1 den Temperaturverlauf Y ab dem Zeitpunkt t1 zu gering prognostiziert.Accordingly, the curves Y1 and Y2 form a forecast for the measured temperature curve Y based on the model M1 or M2.
In the 1 It can be seen that the curve Y1 of the model almost exactly approximates the temperature curve Y in the period from 0 to t1, whereas the model M1 underpredicts the temperature curve Y from time t1 onwards.

Ferner ist erkennbar, dass das Modell M2 den gemessenen Temperaturverlauf in dem Zeitraum 0 bis t1 zu hoch schätzt und den Temperaturverlauf Y ab dem Zeitpunkt t1 näherungsweise exakt prognostiziert.Furthermore, it can be seen that the model M2 overestimates the measured temperature curve in the period 0 to t1 and predicts the temperature curve Y from time t1 approximately exactly.

Der MSE (mean squared Error) beträgt für beide Modelle 10. Dementsprechend ist das Integral über den Messfehler |Y - Y1 |bzw. |Y - Y2| der beiden Modelle identisch.The MSE (mean squared error) is 10 for both models. Accordingly, the integral over the measurement error |Y - Y1 |or |Y - Y2| of the two models is identical.

2 zeigt eine Kostenmatrix, welche die Abweichungen nach ihrem Betrag und nach ihrem Vorzeichen bepreist. Dabei sind die prognostizierten Werte Y1 bzw. Y2 spaltenweise angeordnet und die gemessenen Werte Y zeilenweise angeordnet. Dementsprechend ist der Wert „-5“ in der Zelle (1,1) die Bestrafung für einen geschätzten Wert 0 bei einem gemessenen Wert 2. Dementgegen ist in der Zelle (3,3) die Bestrafung für einen prognostizierten Wert von 2 bei einem gemessenen Wert 0 mit „-1“ hinterlegt. Dementsprechend wird eine Abweichung nach unten, d. h. Y < Y stärker bestraft als eine Abweichung nach oben, d. h. Y > Y. Hiermit wird dem Gedanken Rechnung getragen, dass eine Temperaturschätzung, die zu groß ist, geringere Risiken für ein Bauteil mit sich bringt als eine Temperaturabschätzung, die zu gering ausfällt. 2 shows a cost matrix which prices the deviations according to their amount and their sign. The forecast values Y1 and Y2 are arranged in columns and the measured values Y are arranged in rows. Accordingly, the value "-5" in cell (1,1) is the penalty for an estimated value of 0 for a measured value of 2. In contrast, in cell (3,3) the penalty for a forecast value of 2 for a measured value of 0 is "-1". Accordingly, a downward deviation, i.e. Y < Y, is penalized more severely than an upward deviation, i.e. Y > Y. This takes into account the idea that a temperature estimate that is too high entails lower risks for a component than a temperature estimate that is too low.

Die Nebendiagonale der Kostenmatrix, also den Zellen (3,1), (2,2) sowie (1,3) ist jeweils mit dem Wert 1 besetzt. Auf dieser Nebendiagonale sind dementsprechend die Kosten für mit den Messwerten übereinstimmende Prognosen hinterlegt, beispielsweise ein prognostizierter Wert von 0 bei einem gemessenen Wert von 0. Dementsprechend wird es nicht bestraft, wenn die Prognose mit der Messung übereinstimmt.The secondary diagonal of the cost matrix, i.e. cells (3,1), (2,2) and (1,3), is each assigned the value 1. The costs for forecasts that match the measured values are stored on this secondary diagonal, for example a forecast value of 0 for a measured value of 0. Accordingly, there is no penalty if the forecast matches the measurement.

3 zeigt eine Instanz der zweiten Datenstruktur von identischer Dimension wie die Kostenmatrix gemäß 2. 3 shows an instance of the second data structure of identical dimension as the cost matrix according to 2 .

Die Matrix enthält in der Zelle (1,1) die Anzahl der Datenpunkte, die mit dem Wert der Kostenmatrix in der Zelle mit der gleichen Adresse also (1,1) bepreist werden sollen. Dementsprechend werden 10 Prognosewerte mit dem Preis -5 bepreist. In dem Beispiel gemäß 2 ist vorgesehen, die Matrix zeilenweise zu normieren, dass bedeutet, dass jede Zelle durch ihre Zeilensumme dividiert wird.The matrix contains in cell (1,1) the number of data points that are to be priced with the value of the cost matrix in the cell with the same address, i.e. (1,1). Accordingly, 10 forecast values are priced with the price -5. In the example according to 2 It is intended to normalize the matrix row by row, which means that each cell is divided by its row sum.

4 zeigt ein Verfahren zum Evaluieren eines Modells für einen physikalischen Zustand einer technischen Komponente mit den Schritten S1 bis S8. In dem Schritt S1 wird ein zu evaluierendes Modell vorgegeben. In dem Schritt S2 wird einer Ist-Datenreihe, enthaltend mehrere Messwerte bereitgestellt. In dem Schritt S3 wird eine Modell-Datenreihe, enthaltend mehrere Modellwerte zu den Messwerten der Ist-Datenreihe bereitgestellt. In dem Schritt S4 wird eine Instanz einer ersten Datenstruktur, insbesondere Kostenmatrix, welche Abweichungen des Modells zu den Messwerten in Abhängigkeit vorbestimmter Charakteristika bepreist, bereitgestellt. In dem Schritt S5 wird eine Instanz einer zweiten Datenstruktur, welche die Anzahl der bepreisten Abweichungen des Modells zu den Messwerten enthält, generiert. In dem Schritt S6 wird eine Instanz einer zweiten Datenstruktur, welche die Anzahl der bepreisten Abweichungen des Modells zu den Messwerten enthält, generiert. In dem Schritt S7 wird die Instanz der zweiten Datenstruktur auf ein Skalar mittels einer Abbildung, welche als Metrik ausgebildet ist, wobei die Abbildung wenigstens teilweise mittels der ersten Datenstruktur definiert ist, abgebildet. In dem Schritt S8 wird das Modell mittels des Skalars evaluiert. 4 shows a method for evaluating a model for a physical state of a technical component with the steps S1 to S8. In step S1, a model to be evaluated is specified. In step S2, an actual data series containing several measured values is provided. In step S3, a model data series containing several model values for the measured values of the actual data series is provided. In step S4, an instance of a first data structure, in particular a cost matrix, which prices deviations of the model from the measured values depending on predetermined characteristics, is provided. In step S5, an instance of a second data structure is generated which contains the number of priced deviations of the model from the measured values. In step S6, an instance of a second data structure is generated which contains the number of priced deviations of the model from the measured values. In step S7, the instance of the second data structure is mapped to a scalar by means of a mapping which is designed as a metric, wherein the mapping is at least partially defined by means of the first data structure. In step S8, the model is evaluated using the scalar.

BezugszeichenReference symbols

S1-S8S1-S8: Verfahrensschritte S1 - S8 Process steps S1 - S8
ŶŶ: prognostizierter Wertpredicted value
YY: gemessener Wertmeasured value
Y1Y1: mittels M1 prognostizierter Wertvalue predicted by M1
Y2Y2: mittels M2 prognostizierter Wertvalue predicted by M2
PPPP: Skalar zur Evaluierung eines ModellsScalar for evaluating a model

Claims

Method for evaluating a model for a physical state of a technical component comprising the following steps: - Specifying (S1) a model to be evaluated; - Providing (S2) an actual data series containing a plurality of measured values; - Providing (S3) a model data series containing a plurality of model values for the measured values of the actual data series; - Providing (S4) an instance of a first data structure, in particular a cost matrix, which prices deviations of the model from the measured values depending on predetermined characteristics; - Generating (S5) an instance of a second data structure which contains the number of priced deviations of the model from the measured values; - Generating (S6) an instance of a second data structure which contains the number of priced deviations of the model from the measured values; - Mapping (S7) the instance of the second data structure onto a scalar by means of a mapping which is designed as a metric, wherein the mapping is at least partially defined by means of the first data structure; - Evaluating (S8) the model by means of the scalar.

Procedure according to Claim 1 , wherein the predetermined characteristics include a sign, an amount and/or a location of the deviations.

Method according to one of the preceding claims, wherein the physical state is temperature.

Method according to one of the preceding claims, wherein a plurality of models are evaluated by means of the method according to one of the preceding claims in order to select and/or generate a suitable model from the plurality.

Procedure according to Claim 4 , wherein a target model is composed in sections from models which have been evaluated by means of the method according to one of the preceding claims, wherein the target model in one section is based on the model which has been evaluated as optimal.

Computer program product which is configured to carry out the method according to one of the preceding claims, wherein a model to be evaluated is specified by means of artificial intelligence.