DE10222072A1 - Diagnoseverfahren für dynamische Systeme - Google Patents

Diagnoseverfahren für dynamische Systeme

Info

Publication number
DE10222072A1
DE10222072A1 DE2002122072 DE10222072A DE10222072A1 DE 10222072 A1 DE10222072 A1 DE 10222072A1 DE 2002122072 DE2002122072 DE 2002122072 DE 10222072 A DE10222072 A DE 10222072A DE 10222072 A1 DE10222072 A1 DE 10222072A1
Authority
DE
Germany
Prior art keywords
excitation
diagnostic
network
probability
probability network
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.)
Withdrawn
Application number
DE2002122072
Other languages
English (en)
Inventor
Bernard Baeker
Stefan Lueke
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Daimler AG
Original Assignee
DaimlerChrysler AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by DaimlerChrysler AG filed Critical DaimlerChrysler AG
Priority to DE2002122072 priority Critical patent/DE10222072A1/de
Publication of DE10222072A1 publication Critical patent/DE10222072A1/de
Withdrawn legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)

Abstract

Vorgeschlagen wird ein automatisches Diagnoseverfahren für ein dynamisches technisches System, welches auf eine Anregung mit einem dynamischen Systemausgangsverhalten reagiert, mit den Verfahrensschritten: Bestimmen von das Systemausgangsverhalten charakterisierenden Koeffizienten aus mindestens einer das Systemausgangsverhalten darstellenden Messkurve, Bestimmen diskreter Systemzustände aus den Koeffizienten, Zuweisen der diskreten Systemzustände als Eingangsdaten eines Wahrscheinlichkeitsnetzes und Verarbeiten der Eingangsdaten in dem Wahrscheinlichkeitsnetz zum Berechnen eines Diagnoseergebnisses, wobei mindestens ein, die Anregung des Systems charakterisierender Parameter als Eingangsgröße des Wahrscheinlichkeitsnetzes zugewiesen wird und in das Berechnen des Diagnoseergebnisses eingeht sowie eine Vorrichtung zur Durchführung des Verfahrens. Das Verfahren eignet sich insbesondere zur Onboard Diagnose in einem Kraftfahrzeug.

Description

  • Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur Diagnose eines dynamischen Systems, insbesondere bei der fahrzeuginternen Diagnose (Onboard Diagnose) in einem Kraftfahrzeug.
  • In modernen Kraftfahrzeugen werden heute mehr Funktionalitäten und die Erfüllung höherer Sicherheits- und Umweltstandards verlangt. Um diesen Anforderungen gerecht zu werden, enthalten die Fahrzeuge mehr Systeme, die wiederum mehr und komplexere Subsysteme und Komponenten enthalten. Dies gilt für Mechanik Mechatronik und Elektronik.
  • Dadurch ergibt sich sowohl eine größere Komplexität des Fahrzeugs, als auch eine stärkere Vernetzung. Aus der größeren Komplexität folgt eine größere Menge möglicher Fehlerursachen. Durch die stärkere Vernetzung erhöht sich die Anzahl der Fehlerauswirkungen.
  • Da viele Funktionalitäten nicht notwendig sind, um die Grundfunktion "Fahren" aufrechtzuerhalten, ist es oft auch nach dem Auftreten eines Fehlers möglich, das Fahrzeug weiter zu nutzen, oder es zumindest durch Notlaufprogramme in die Lage zu versetzen, bis zur nächsten Werkstatt zu gelangen.
  • Die Überwachung von Verschleiß oder Verschmutzung ermöglicht dem Fahrer schon vor dem Auftreten eines Fehlers das Aufsuchen einer Werkstatt.
  • Damit diese Möglichkeiten richtig bewertet und genutzt werden können, ist ein umfangreiches Bild über den Zustand möglicher Fehlerursachen oder Verschleißzustände während dem Betrieb des Fahrzeugs notwendig.
  • Deshalb sind im Fahrzeug kleine, leistungsstarke Onboard Diagnosesysteme erforderlich, die sowohl statische als auch dynamische Symptome verschiedener Fehlerquellen unterscheiden können. Für eine Verwendung in Systemen mit dynamischem Verhalten müssen dynamische Fehlersymptome in die Auswertung eingehen.
  • Ein großer Teil der Diagnose wird heute im Service durch das Urteil von Experten in die Fehlersuche eingebracht. Durch die komplexer werdenden Systeme wird dieses Erfahrungswissen zunehmend größer und damit nicht mehr vollständig durch einen Menschen erfassbar sein. So ist es wichtig, dass bei einer Diagnose in einer Werkstatt nicht nur die analytischen Fakten sondern auch Erfahrungswissen aus vergangenen Fehlerfällen automatisch in das Diagnoseergebnis eingehen.
  • Auch bei der Onboard Diagnose ist eine derartige weitergehende Beurteilung von Problemen vorteilhaft, da die Erfahrungen vieler Fehlerfälle bei der Bewertung eines Fehlers im Fahrzeug mithelfen können. Diese Erfahrungen können in Form von Ausfallwahrscheinlichkeiten für eine Symptomdiagnose in das Fahrzeug übertragen werden.
  • Damit diese Daten bei einer Diagnose mit berücksichtigt werden können, ist es notwendig, dass mit Verfahren gearbeitet wird, die mit unscharfem Wissen umgehen können. Damit aber gleichzeitig eine optimale Auswertung von Sensorinformationen erfolgen kann, ist gerade bei Systemen, bei denen eine sehr genaue Diagnose vorgenommen werden soll, oder bei solchen, bei denen die Auswertung der Dynamik notwendig ist, eine auf quantitativen Modellen oder Messdaten gestützte Diagnose sinnvoll.
  • Ein Ansatz für eine Diagnose, die diesen Kriterien gerecht werden könnte, ist eine Bewertung von möglichen Fehlerkandidaten mit Wahrscheinlichkeitsnetzen, z. B. mit Bayesschen-Netzwerken, die mit unscharfem Wissen über das System arbeiten können. So lässt sich eine bessere Aussage über die möglichen Fehlerkandidaten ohne weitere Sensorinformationen erreichen.
  • Ein Bayessches-Netzwerk gibt für alle Beziehungen von Zuständen von Systemkomponenten (Knoten) untereinander die Wahrscheinlichkeit x an, dass ein Ereignis H auftritt, falls das Ereignis e aufgetreten ist:

    P(H|e) = x
  • Durch diese Wahrscheinlichkeiten x werden alle kausal voneinander abhängigen Zustände als bedingte Wahrscheinlichkeiten von Variablen in Knoten durch einen gerichteten Graph miteinander in Bezug gesetzt. Jeder Knoten enthält verschiedene, sich gegenseitig ausschließende Zustände, die in der Summe für jeden Knoten eine Wahrscheinlichkeit von 1 ergeben müssen.
  • Die Berechnung der Bayesschen-Netzwerke basiert auf der Inversionsregel:


  • Mit ihr lassen sich Aussagen e, die aus beobachtbaren Symptomen erstellt werden können, und Hypothesen H in Beziehung setzen.
  • Unter der Annahme, dass sich verschiedene Aussagen auf einen Knoten auswirken, die voneinander unabhängig sind, können die Verhältnisse der Aussagen (Evidenzen) ek folgendermaßen zusammengefasst werden:


    wobei α = [P(e1, . . ., eN]-1 eine Normalisierungskonstante ist.
  • Wird in irgendwelchen Knoten ein Zustand (z. B. aufgrund einer Beobachtung) festgelegt, so können die Wahrscheinlichkeiten der Zustände aller anderen Knoten in Abhängigkeit von den bedingten Wahrscheinlichkeiten dieser Knoten errechnet werden.
  • Bei dieser Berechnung, die propagieren genannt wird, sind in den letzten Jahren Fortschritte durch neue Algorithmen gemacht worden. Während Berechnungsverfahren, welche auf die direkte Propagation des Bayesschen-Netzwerkes beruhen sehr aufwändig sind, ermöglicht eine Transformation in aus den Bayesschen- Netzwerken berechenbare Sekundärstrukturen, z. B. sogenannte "Junction Trees" eine stabile und schnelle Berechnung. Diese Sekundärstrukturen können automatisch aus dem Bayesschen- Netzwerk generiert werden.
  • In einem Bayesschen-Netzwerk kann sowohl Wissen eingelernt, als auch modelliert werden. Dies gilt in beiden Fällen für die Struktur und die bedingten Wahrscheinlichkeiten im Netz. Damit ist das Einbringen aller Informationen in das Netz möglich, die für eine Diagnose notwendig sind.
  • Zur Verbesserung einer Diagnose in dynamischen Systemen gibt es zahlreiche Ansätze, die sich in folgende Gruppen unterteilen lassen:
    • - Veränderung des Systems
    • - Verbesserung der Sensorik
    • - Verbesserung des Diagnosealgorithmus
  • Zusätzlich erforderliche Sensoren sind teuer und eine Veränderung des Systems bringt meistens Nachteile bei der Funktion, dem Herstellungs- und Reparaturaufwand oder beim Gewicht der Systeme.
  • Speziell beim Onboard Einsatz mit begrenzten Speicher und Rechenkapazitäten ist aber auch ein quantitativer Diagnosealgorithmus nicht immer anwendbar, da er im Allgemeinen große Rechenkapazitäten bindet. Zudem sind auch solche Modelle immer nur vereinfachte Nachbildung der Wirklichkeit, und die Daten, auf denen sie beruhen, unvollständig.
  • Es werden Diagnoseansätze benötigt, die eine maximale Diagnosetiefe mit den zur Verfügung stehenden Sensoren und begrenzten Speicher- und Rechenkapazitäten ermöglichen. Da viele Informationen aufgrund mangelnder Präzision von Sensoren, Modellen und dem zu diagnostizierenden System nicht sicher vorliegen, werden sie bei konventionellen Verfahren nicht berücksichtigt.
  • Ein Ansatz zur Erhöhung der Diagnosetiefe ist deshalb die Verwendung von Modellierungsarten, die sich an unsicherem Wissen orientieren.
  • Mit diesem zusätzlichen Wissen lassen sich die in Frage kommenden Fehlerquellen besser eingrenzen. So wird nicht schon früh auf Informationen verzichtet. In Abhängigkeit der Verwendung der Ergebnisse können die aus dem Bayesschen-Netz ermittelten Wahrscheinlichkeiten unterschiedlich bewertet werden. Bayessche-Netzwerke werden zur Beschreibung der Beziehungen zwischen Symptomen und deren Ursachen in der Medizin verwendet. Gerade hier beruht eine Diagnose selten auf Basis sicherer Daten. So kann eine größere Diagnosetiefe durch die Verarbeitung von Informationen erreicht werden, die aufgrund mangelnder Präzision nur als Wahrscheinlichkeiten vorliegen.
  • Die US 6,024,705 offenbart ein Verfahren zum Untersuchen von Herzparametern. Die Messkurven der Herzparameter werden mit Hilfe eines Bayesschen-Netzwerkes klassifiziert um Herzfehlfunktionen zu detektieren. Hierbei werden Kurvencharakteristiken berechnet und mit einem nächster Nachbar Erkennungsalgorithmus den Bayesschen-Netzwerks Eingangszuständen zugeordnet.
  • Die US 5,133,046 offenbart ein Computergestütztes Experten System zur Diagnose von Fehlern in dynamischen Systemen, unter Anwendung eines Bayesschen-Netzwerks. Hierbei werden Datenwerte zu einzelnen Zeitpunkten als Eingangsgrößen für das Bayessche- Netzwerk verwendet. Die vom zu überprüfenden Fehlverhalten unabhängige Vorverarbeitung der Daten führt entweder zu einer ungenauen Diagnose oder zu sehr großen Bayesschen-Netzwerken, was einen sehr hohen Rechenaufwand zur Folge hat.
  • Das Verfahren soll jedoch im Fahrzeug, also in einem Computer mit kleinem Speicher- und geringer Rechenleistung angewendet werden. Um den Speicherbedarf zu begrenzen, müssen die berechneten Ausgangswahrscheinlichkeiten bei jedem Zeitschritt wieder in das Netz eingebracht werden, was den Rechenbedarf weiter erhöht.
  • Nachteilig bei den Verfahren gemäß dem Stand der Technik, sind die folgende Einschränkungen:
    • - Eine Abhängigkeit des Systemausgangsverhaltens von der Anregung wird nicht berücksichtigt. Auch wenn das Systemverhalten bei der aufgetretenen Anregung unbekannt ist, wird das resultierende Ergebnis verwendet Dies kann zu falschen Diagnoseaussagen führen.
    • - Es erfolgt keine Anpassung des Wahrscheinlichkeitsnetzes an bereits vorhandenes Wissen über einen zu diagnostizierenden Systemzustand. Dadurch kann bei einem ungenügenden, z. B. unsicheren Diagnoseergebnis keine verwendbare Aussage über eine Fehlerursache gemacht werden.
  • Der Erfindung liegt die Aufgabe zugrunde ein Verfahren und eine Vorrichtung zur Diagnose von dynamischen Systemen bereitzustellen, welche die Nachteile des Standes der Technik vermeiden und insbesondere eine systemanregungsabhängige Diagnose ermöglichen.
  • Erfindungsgemäß wird die Aufgabe durch das Verfahren und die Vorrichtung gemäß den unabhängigen Ansprüchen gelöst. Besondere Ausführungsformen sind Gegenstand der abhängigen Ansprüche.
  • Der Erfindung liegt der Gedanke zugrunde, dass zur Erstellung eines Diagnoseergebnisses sowohl die Eingangswerte (Anregungen) eines technischen Systems, als auch die Ausgangswerte (Systemausgangsverhalten) Informationen über das Systemverhalten und damit über den Systemzustand, insbesondere Fehlerzustände des Systems liefern. Eine Beurteilung der Qualität eines Diagnoseergebnisses hängt aber insbesondere von der Anregung des Systems ab. Ein Ausgangsverhalten, das exakt mit dem Ausgangsverhalten übereinstimmt, welches bei einem bestimmten Systemfehler erwartet wird, kann nur dann als Fehlverhalten gewertet werden, wenn die Anregung des Systems nicht bereits als potentielle Fehlerquelle identifizierbar ist oder wenn bekannt ist, dass keine Anregungen auftreten können, die ein solches Verhalten ohne den Fehler hervorrufen können. Es muss also eine Unterscheidung zwischen einer niedrigen Fehlerwahrscheinlichkeit von einer geringen Diagnosesicherheit möglich sein. Dies ist möglich, wenn die Eingangs- und die Ausgangswerte des zu diagnostizierenden Systems als Eingangsdaten eines Wahrscheinlichkeitsnetzes, z. B. eines Bayesschen-Netzwerkes zunächst unabhängig voneinander betrachtet werden.
  • Bei dem erfindungsgemäßen Diagnoseverfahren geht daher mindestens ein die Anregung des Systems charakterisierender Parameter, insbesondere ein eine dynamische Anregung des Systems als charakterisierender Parameter, in das Berechnen des Diagnoseergebnisses ein.
  • Erfindungsgemäß werden das Systemausgangsverhalten charakterisierende Koeffizienten aus mindestens einer das Systemausgangsverhalten darstellenden Messkurve bestimmt. Aus diesen Koeffizienten werden diskrete Systemzustände bestimmt, welche als Eingangsdaten einem Wahrscheinlichkeitsnetzwerk zugewiesen werden. Diese Eingangsdaten gehen in die Berechnung eines Diagnoseergebnisses mit dem Wahrscheinlichkeitsnetzwerk ein.
  • Bevorzugt werden auch die die Anregung des Systems charakterisierenden Parameter durch Bestimmen von charakteristischen Koeffizienten der Anregung aus mindestens einer die Anregung darstellenden Messkurve ermittelt, wobei aus den Koeffizienten diskrete Anregungszustände bestimmt werden, welche als zusätzliche Eingangsdaten des Wahrscheinlichkeitsnetzes zugewiesen werden. Die die dynamische Anregung des Systems charakterisierenden Parameter gehen dann in der dargestellten Weise weiter verarbeitet in die Berechnung des Diagnoseergebnisses ein.
  • Die Diagnose wird bei einer für die Diagnose optimierten Anregung durchgeführt, d. h. es wird ein Zeitpunkt abgewartet bei dem eine solche Anregung aufgetreten ist und/oder es wird ein Ähnlichkeitsmaß der Anregung des Systems zu einer bekannten Anregung, z. B. zu einer optimierten Anregung berechnet, welches in das Berechnen und/oder Bewerten des Diagnoseergebnisses eingeht.
  • Die Ähnlichkeit der Anregung entspricht dann einem Erfüllungsgrad eines Qualitätskriteriums des diagnostizierten Systemverhaltens.
  • Das Ergebnis, welches aus der Kombination von Anregung und Ausgangsverhalten erstellt wird ist ein Maß für die Wahrscheinlichkeit eines Fehlverhaltens oder einer Fehlerursache. Wird z. B. die Anregung mit 1% Wahrscheinlichkeit und das Systemausgangsverhalten mit 99% Wahrscheinlichkeit identifiziert, so ist das Ergebnis praktisch unbrauchbar, da keine Informationen über das Systemverhalten bei der aufgetretenen Anregung vorhanden ist. Wird dagegen die Anregung mit 99% Wahrscheinlichkeit und das Ausgangsverhalten mit 1% Wahrscheinlichkeit identifiziert, so kann mit 99% Sicherheit die Aussage getroffen werden, dass das System das zum identifizierten Ausgangsverhalten gehörende Fehlverhalten nur mit 1% Wahrscheinlichkeit aufweist. Daraus ergibt sich im Umkehrschluss, dass das Fehlverhalten mit 99%er Wahrscheinlichkeit nicht aufgetreten ist und somit nicht weiter betrachtet werden muss.
  • Das Ergebnis der Auswertung der Eingangsdaten mit dem Wahrscheinlichkeitsnetz entspricht der Wahrscheinlichkeit, dass ein Fehlverhalten aufgetreten, d. h. eine Fehlerursache vorhanden ist (Fehlerhypothesen). Wenn sich die Fehlerhypothesen gegenseitig ausschließen, können sie miteinander in Bezug gesetzt werden, indem sie als sich ausschließende Zustände in einem einzelnen Knoten zusammengefasst werden. So verringert sich z. B. die Wahrscheinlichkeitsaussage über eine Fehlerhypothese durch das Auftreten einer zweiten wahrscheinlichen Fehlerhypothese.
  • Das Resultat ist eine Summe von Fehlerwahrscheinlichkeiten, die zusammen mit einem Wahrscheinlichkeitswert "keiner der Fehler aufgetreten" 100% ergibt.
  • Das erfindungsgemäße Verfahren wird bevorzugt bei einer Onboard Diagnose in einem Kraftfahrzeug von einem Bordcomputersystem des Kraftfahrzeuges durchgeführt. Der Rechenaufwand bei der Diagnose sollte daher möglichst minimal sein. Deshalb wird bevorzugt als Wahrscheinlichkeitsnetz eine aus einem Bayesschen-Netzwerk erzeugbare Sekundärstruktur verwendet. Damit der Rechenaufwand bei der Generierung dieser Sekundärstruktur nicht im Fahrzeug anfällt, wird die Transformation des Bayesschen-Netzwerks in eine solche Sekundärstruktur bevorzugt in einer externen Instanz außerhalb des Fahrzeuges durchgeführt. Die Sekundärstruktur kann dann zur Berechnung zusammen mit den ursprünglichen Netzwerkinformationen an das Fahrzeug übergeben werden. So ist eine sicherer schnelle und stabile Berechung möglich.
  • Eine Fehlerdiagnose in einem technischen System sollte möglichst viele unterschiedliche Fehler erkennen können. Gleichzeitig muss die Rechenleistung und der Speicherbedarf mit den zur Verfügung stehenden Systemressourcen zurechtkommen. Zur Reduzierung des Aufwandes der im Fahrzeug betrieben werden muss, ist eine Auslagerung der speicher- und rechenaufwendigen Vorgänge sinnvoll. In einer externen Instanz stehen außerdem Systeminformationen in Form von Testdaten, Modellwissen und Ausfallwahrscheinlichkeiten zur Verfügung. Darüber hinaus sind Speicher- und Rechenressourcen extern zur Diagnose vieler Fahrzeuge einsetzbar, was zu einer erhöhten Wirtschaftlichkeit führt. Deshalb erfolgt eine Aufteilung des Diagnosesystems auf das Fahrzeug und eine externe Instanz (Offboard Diagnose). Bei der externen Instanz kann es sich z. B. um eine Expertenzentrale des Kraftfahrzeugherstellers oder um einen in einer Werkstatt vorhandenen Computer handeln.
  • Der Test und die Erstellung eines Diagnoseergebnisses erfolgt Onboard, neue Tests zur genaueren Identifikation verbleibender wahrscheinlicher Fehler können dagegen Offboard generiert werden, wo Speicher und Rechenkapazitäten günstiger sind und weiteres Hintergrundwissen zur Verfügung steht.
  • Die Wahrscheinlichkeitsnetze werden mit zusätzlichen Daten an das Fahrzeug gesendet. Die zusätzlichen Daten enthalten Informationen über Ein- und Ausgangsknoten des Netzes, Schwellwerte für die Zustandszuweisungen und Parameter für die Vorverarbeitung.
  • Das Fahrzeug speichert die Diagnoseergebnisse, welche bei der Anregung mit dem bisher besten Ähnlichkeitswert zur gesuchten Anregung ermittelt wurden und übergibt sie zyklisch an die externe Instanz. Hierzu wird nicht zwingend eine kontinuierliche oder regelmäßige Verbindung zwischen Fahrzeug und externer Instanz benötigt. Ein unregelmäßiger Datenaustausch zwischen Fahrzeug und externer Instanz ist ausreichend.
  • So ergibt sich ein Diagnosealgorithmus, der seine Diagnosetiefe schrittweise in Abhängigkeit vorhergehender wahrscheinlichkeitsbasierter Diagnoseaussagen vergrößern kann um sich über einen längeren Zeitraum schrittweise an eine ausreichende oder die bestmögliche Diagnoseaussage heranzuarbeiten. Dabei bleiben die benötigten Ressourcen begrenzt und es können alle Arten von Informationen einfließen.
  • Bei der dargestellten bevorzugten Vorgehensweise erfolgt ein Anpassen des Wahrscheinlichkeitsnetzes an ein vorläufiges Diagnoseergebnis, wobei mit dem angepassten Wahrscheinlichkeitsnetz ein verbessertes Diagnoseergebnis berechnet wird. Das Anpassen des Wahrscheinlichkeitsnetzes erfolgt z. B. durch Verwenden neuer Spezifikationsdaten für das Wahrscheinlichkeitsnetz und/oder Ergänzen des Wahrscheinlichkeitsnetzes und/oder Austausch mindestens von Teilnetzen. Das angepasste Wahrscheinlichkeitsnetz wird bevorzugt von der externen Instanz an das Kraftfahrzeug übergeben. Bevorzugt wird das Berechnen des verbesserten Diagnoseergebnisses und das Anpassen des Wahrscheinlichkeitsnetzes an ein vorläufiges Diagnoseergebnis solange wiederholt bis ein Berechnen eines Erfüllungsgrades eines Qualitätskriteriums des verbesserte Diagnoseergebnis die Erfüllung des Qualitätskriteriums ergibt, wobei das verbesserte Diagnoseergebnis bei nicht Erfüllen des Qualitätskriteriums als vorläufiges Diagnoseergebnis an welches das Wahrscheinlichkeitsnetz angepasst wird verwendet wird. Bei dem Qualitätskriterium kann es sich z. B. um eine Wahrscheinlichkeit der einzelnen Fehlerhypothesen handeln, die über oder unterschritten wird. Sehr wahrscheinliche Fehlerhypothesen müssen weiter betrachtet werden, sehr unwahrscheinliche Fehlerhypothesen können dagegen vernachlässigt werden.
  • In das Berechnen des Erfüllungsgrades des Qualitätskriteriums geht bevorzugt ein eine Ähnlichkeit charakterisierender Parameter der in die Berechnungen der Diagnoseergebnisse eingehenden Anregungen zu mindestens einer optimierten Anregung ein. Dieser Parameter kann z. B. ein Integral über die Differenz zwischen der optimierten Anregung und der aktuell gemessenen Anregung sein. Bei der optimierten Anregung handelt es sich um eine Anregung, welche zum Bestimmen der für das Erstellen des Wahrscheinlichkeitsnetzes benötigten Daten verwendet wurde.
  • Anstatt im Netz die komplette Funktion und Struktur des Systems zu berücksichtigen, werden beim erfindungsgemäßen Verfahren nur die Anregung, die ein charakteristisches Verhalten hervorrufen, und das Verhalten der fehlerhaften Systeme selbst berücksichtigt. Die Informationen zur Bestimmung der für die Identifikation des Verhaltens notwendigen Wahrscheinlichkeiten können sowohl modelliert werden, als auch auf Basis eines quantitativen Modells oder auf Basis von Simulationsdaten automatisch durch einlernen erstellt werden. Diese Informationen werden dann im selben Netz durch Expertenwissen kausal verknüpft. Damit eine Diagnoseaussage auf einer breiteren Datenbasis steht, ohne die Zahl der Eingabeknoten zu vergrößern, findet eine einfache Vorverarbeitung statt. Durch die Kombination, z. B. einer Integration der zu diagnostizierenden Messdaten mittels eines Trapezintegrationsverfahrens mit einem Wahrscheinlichkeitsnetz wird der Rechenaufwand und Speicherbedarf verringert.
  • Während die Anzahl der Knoten eines Bayesschen Netzwerks die Größe eines Netzes nur linear beeinflusst, geht die Anzahl der Eingänge in einen Knoten exponentiell in die Netzgröße ein. Deshalb wird das Netz bevorzugt so ausgelegt, dass zwischen den Eingabeknoten und den Knoten, die ein Diagnoseergebnis repräsentieren, Zwischenknoten existieren. Sie stellen die Ähnlichkeit dar, mit der die identifizierten Signalverläufe den eingelernten Signalverläufen entsprechen. Falls mehrere Signale die Anregung und/oder das Ausgangsverhalten repräsentieren, ist zur Identifizierung des gesamten Anregungsverlaufs und Ausgangsverhaltens für einen Fehlerfall ein gemeinsamer Knoten zugewiesen. Die einfachste Erstellung einer Signalidentifikation kann durch Einlernen des Signals über einen bestimmten Zeitbereich erfolgen. Je kürzer die Einlernzeit und je geringer die Dynamik der Signale, desto exakter ist das Ergebnis. Je länger die Einlernzeit und je größer die Dynamik, umso größer die Toleranz bei möglichen Abweichungen.
  • Es können verschiedene Modelle oder Simulationsdaten eingelernt werden. Wichtig ist dabei, dass sich die gebildeten Integrale bei den verschiedenen Fehlerfällen und gegenüber dem Nominalverhalten möglichst stark unterscheiden. Deshalb erfolgt die Auswahl der Daten durch eine Untersuchung der Diagnostizierbarkeit bei einer Vorverarbeitung.
  • Die Qualität einer Diagnoseaussage wird auch von der Art der Diskretisierung der Integrationswerte der Messdaten als Zustände der Eingangsknoten beeinflusst. Je nachdem, ob der Wertebereich der Messdaten um einen Mittelwert des Wertebereichs der Lerndaten zur Diskretisierung aufgeteilt wird, oder in Abhängigkeit der maximalen und minimalen Lerndatenwerte aufgeteilt wird, ist das Ergebnis als absolute Wahrscheinlichkeit, oder nur relativ zu den anderen Fehlerfällen zu werten.
  • Eine bevorzugte Möglichkeit der Diskretisierung beinhaltet das Einteilen des Wertebereichs der Lerndaten in gleichmäßige Diskretisierungszustände, und das Hinzufügen zweier Zustände, die alle Messdaten einschließen, die größer oder der kleiner sind.
  • Falls die Lerndaten mit Offsetfehlern durch Modell- oder Sensorungenauigkeiten behaftet sind, ist diese Methode nicht ausreichend, um eine absolute Fehlerwahrscheinlichkeit zu erhalten da bei geringer Dynamik des Integralwertes der Wertebereich, der einen Fehler repräsentiert, sehr schmal wird, während er bei hoher Dynamik größer wird und somit einen Offsetfehler nicht mehr ins Gewicht fallen lässt.
  • So ist nur eine Fehlerwahrscheinlichkeit relativ zu den anderen Fehlerhypothesen möglich.
  • Eine absolute Aussage darüber zu treffen, wie genau ein Signal einem bekannten Verhalten entspricht, ist nur möglich, falls die Zustände der Signalerkennung in Abhängigkeit von erwarteten Unsicherheiten genau definiert werden.
  • Das Ergebnis einer Diagnose ist vom Wert der Daten abhängig. Dieser entspricht der Wahrscheinlichkeit, dass die Eingangsdaten mit den Lerndaten übereinstimmen. Sie gehen als Wahrscheinlichkeit einer Wahrscheinlichkeit oder als eine Wahrscheinlichkeit zweiter Ordnung in das Netz ein. Mit diesem Wert der Daten ist eine Weiterverarbeitung oder eine Kombination mit anderen Aussagen, z. B. Expertenwissen möglich.
  • Das vorläufige Diagnoseergebnis kann z. B. mit den folgenden Verfahren gemäß Stand der Technik oder aber auch durch einen ersten Ansatz des erfindungsgemäßen Verfahrens mit einem ersten Wahrscheinlichkeitsnetz ermittelt werden:
    • - Verfahren mit nicht parametrischen Modellen basieren auf dem "black box" Prinzip. Das bedeutet, sie bilden nur das Verhalten eines Systems nach, nicht aber dessen Struktur oder dessen innere Zustände. Nicht parametrische Modelle können deshalb leicht eingelernt, aber nur aufwändig aus Systemwissen oder Expertenwissen modelliert werden. Sie bestehen aus neuronalen Netzwerken oder Formen von Fuzzy Logik.
    • - Logik-basierte Diagnoseverfahren arbeiten mit der Systemstruktur und dem qualitativen Komponentenverhalten. Mit ihnen können Zustandsautomaten oder logische Sätze zur Überprüfung von Hypothesen generiert werden.
    • - Analytische Verfahren arbeiten auf Basis der Struktur und des mathematisch beschriebenen Komponentenverhaltens. Ein Diagnosesystem, das mit einem solchen Verfahren arbeitet, ist in der Diagnosetiefe nur beschränkt durch die Sensoren und durch Fehler in der Systembeschreibung. Da jede Modellbeschreibung komplexer Systeme Vereinfachungen enthalten muss, sind die Ergebnisse abhängig von der Modellgenauigkeit. Ausreichend genaue Modelle, die Soll- und Fehlverhalten nachbilden sind aber beim Einsatz im Fahrzeug oft zu komplex, um berechnet zu werden.
  • Durch das erfindungsgemäße Verfahren und die Vorrichtungen zur Durchführung des Verfahrens werden die Nachteile des Standes der Technik vermieden. Insbesondere werden folgende Vorteile realisiert:
    • - Es ergibt sich ein Diagnosealgorithmus, der seine Diagnosetiefe schrittweise in Abhängigkeit vorhergehender wahrscheinlichkeitsbasierter Diagnoseaussagen vergrößern kann. Dadurch ist eine optimale Diagnoseaussage über einen längeren Zeitraum iterativ berechenbar.
    • - Die benötigten Ressourcen sind begrenzt und beliebige Arten von Informationen können in die Diagnose einfließen. Das Diagnoseergebnis kann Teil eines größeren Wahrscheinlichkeitsnetzes werden welches z. B. aus dem Wissen über die Fehler Aktionen ableitet.
    • - Ein Ähnlichkeitsmaß der Systemanregung kann als Qualitätskriterium des Ergebnisses gewertet werden. Es müssen nicht alle Symptome gleich behandelt werden. Es wird nicht von einer immer identischen Anregung ausgegangen.
    • - Ein schrittweises Verringern der zu berücksichtigenden Fehlerhypothesen und eine gleichzeitige Optimierung der neuen Diagnose bezüglich der verbleibenden Resthypothesen kann erfolgen. Wurde ein Anregungsverlauf nicht identifiziert, wird eine darauf folgende Diagnose auf einen anderen Anregungsverlauf ausgelegt. Fällt eine Hypothese weg, ist diese nicht mehr Kriterium für die Wahl einer neuen Anregung.
    • - Unterschiedlichen Fehlerhypothesen können unterschiedliche Netzwerkfragmente zugewiesen werden, was bei einer fehlerspezifischen Schwellwertdefinition notwendig ist.
  • Die vorliegende Erfindung und bevorzugte Ausführungsformen der Erfindung werden nachfolgend anhand von Figuren beschrieben.
  • Fig. 1 zeigt den prinzipiellen Aufbau eines erfindungsgemäßen Diagnosesystems.
  • Fig. 2 zeigt das erfindungsgemäße Verfahren hinsichtlich dem Berücksichtigen von Werten, die eine Anregung des zu diagnostizierenden Systems bei dem Berechnen des Diagnoseergebnisses charakterisieren.
  • Fig. 3 zeigt das erfindungsgemäße Verfahren, insbesondere das Anpassen des Wahrscheinlichkeitsnetzes an ein vorläufiges Diagnoseergebnis im Zusammenwirken mit einer externen Instanz.
  • In Fig. 1 ist ein erfindungsgemäßes Diagnosesystem und der Ablauf des erfindungsgemäßen Diagnoseverfahrens dargestellt. Das erfindungsgemäße Verfahren wird an einem dynamischen technischen System 100 angewandt. Auf das System wirkt eine Anregung ein, welche von der Messkurve 110 dargestellt wird. Das System reagiert auf die Anregung mit einem Systemausgangsverhalten, welches durch eine Messkurve 120 dargestellt wird. Die Messkurven sind jeweils in einem Koordinatensystem eingezeichnet. Das erfindungsgemäße Diagnosesystem besteht aus einem Bordcomputer 200 und einer externen Instanz 300. Der Bordcomputer verfügt über Bestimmungsmittel 250 von charakteristischen Parametern der. Anregung und Bestimmungsmittel 260 von charakteristischen Koeffizienten des Systemausgangsverhaltens. Diese Bestimmungsmittel sind eingerichtet aus den charakteristischen Parametern bzw. den Koeffizienten des Systemausgangsverhaltens diskrete Systemzustände zu bestimmen 60, bzw. diskrete Anregungszustände zu bestimmen 50. Dies erfolgt durch Einteilen der auf den Abzissen der Koordinatensysteme aufgetragenen Größe in Integrationsbereiche. Bevorzugt handelt es sich bei dieser Größe um die Zeit. Die Anregung ist in vier Integrationsbereiche 1, 2, 3, 4 eingeteilt. Durch Integration in diesen Bereichen werden die Anregung charakterisierende Parameter bestimmt. Der aus diesen Parametern bestimmte Anregungszustand ist z. B. wie in der Figur angegeben ein diskreter Zustand "bcca". Auch die das Systemausgangsverhalten darstellende Messkurve ist in Integrationsgebiete 5, 6, 7, 8 eingeteilt. Aus in diesen Gebieten berechneten Integralen, welche das Systemausgangsverhalten charakterisierende Koeffizienten bilden werden diskrete Systemzustände bestimmt 60. In der Figur wird z. B. ein diskreter Zustand "ddba" bestimmt. Der Bordcomputer 200 verfügt weiterhin über eine Auswerteeinheit 210 und Mittel zum Zuweisen 22 der diskreten Systemzustände als Eingangsdaten eines Wahrscheinlichkeitsnetzes 10. Das Wahrscheinlichkeitsnetz 10 ist in der Figur symbolisch als Netzschraffur dargestellt. Weiterhin sind Mittel zum Zuweisen 21 der diskreten Anregungszustände als Eingangsdaten des Wahrscheinlichkeitsnetzes vorgesehen. Die Eingangsdaten werden durch die Auswerteeinheit in dem Wahrscheinlichkeitsnetz verarbeitet 70, 80. Dabei wird ein Diagnoseergebnis 30 berechnet. Im Beispiel der Figur werden drei Fehlerhypothesen H1, H2 und H3 getestet. Als Diagnoseergebnis ergibt sich z. B., dass der Hypothese H2 eine Wahrscheinlichkeit von 90% bei den gegebenen Eingangsdaten entspricht, die Hypothese H1 eine Wahrscheinlichkeit von 10% hat und die Hypothese H3 mit 0% Wahrscheinlichkeit, bei den gegebenen Eingangsdaten unmöglich zutreffen kann. Das erfindungsgemäße System verfügt weiterhin über Mittel zur Berechnung eines Erfüllungsgrades eines Qualitätskriteriums des Diagnoseergebnisses 90. Ein derartiges Qualitätskriterium kann z. B. der Sicherheitsgrad einer getesteten Hypothese sein. Ein derartiger als Qualitätskriterium dienender Sicherheitsgrad kann z. B. die Forderung, dass der bekannte Anregungsverlauf mit 95%iger Wahrscheinlichkeit getroffen wurde und/oder das Diagnoseergebnis eines Fehlers oberhalb von 90% oder unterhalb von 10% liegt, sein. Wird der gewünschte Erfüllungsgrad nicht erreicht, so ist es erforderlich die Diagnose unter verbesserten Bedingungen zu wiederholen. Dies kann durch Modifikation des Wahrscheinlichkeitsnetzes und Berechnen eines neuen Diagnoseergebnisses, durch Verarbeiten der gleichen und/oder geänderten, z. B. verfeinerten Eingangsdaten in dem modifizierten Wahrscheinlichkeitsnetz geschehen. Hierzu wird in einer externen Instanz 300 ein an das vorläufige Diagnoseergebnis, welches das Qualitätskriterium nicht erfüllt hat, angepasstes Wahrscheinlichkeitsnetz 11 erzeugt. Das angepasste Wahrscheinlichkeitsnetz ist in der Figur als karierte Fläche symbolisiert. Das modifizierte Wahrscheinlichkeitsnetz wird an den Bordcomputer übergeben 40. Der dargestellte Diagnoseablauf wird so lange wiederholt bis ein Diagnoseergebnis berechnet wurde, welches den gewünschten Erfüllungsgrad des Qualitätskriteriums aufweist.
  • Im Fig. 2 wird das erfindungsgemäße Verfahren hinsichtlich dem Berücksichtigen von eine Anregung u des zu diagnostizierenden Systems charakterisierenden Parametern bei dem Berechnen des Diagnoseergebnisses beschrieben. Im dargestellten Beispiel werden zwei Systemausgänge mit den zugehörigen Ausgangsvariablen y1 und y2 bei der Diagnose berücksichtigt. Die Anregung und die resultierenden Systemausgangsverhalten sind als Messkurven (Signalverlauf) in Abhängigkeit von der Zeit t dargestellt.
  • Durch eine Vorverarbeitung werden verschiedene Teile eines Signalverlaufes so aufbereitet, das sie jeweils als diskrete Zustände die Eingangsdaten eines Wahrscheinlichkeitsnetzwerkes bilden können. Die das Systemausgangsverhalten und/oder die Anregung charakterisierenden Koeffizienten werden bevorzugt durch Einteilen von den das Systemausgangsverhalten und/oder die Anregung darstellenden Messkurven in Teilintegrationsgebiete und ermitteln von Integralwerten der Teilintegrationsgebiete bestimmt.
  • Im Zeitbereich kann dies durch Berechnen von Integralen, z. B.


    erfolgen, wobei die Zeit in mehrere Integrationsgebiete zwischen Zeitpunkten ti eingeteilt wird oder eine Mittelwertbildung erfolgt. In der Figur werden für die Anregung u die Integrale A, B, C, und D ermittelt. Aus dem Verlauf der Systemausgangsverhalten werden die Integrale E, F, G, und H für die Ausgangsvariable y1 und I, J, K und L für die Ausgangsvariable y2 berechnet. Im Frequenzbereich kann dies durch die Abweichung des Integrals oder Mittelwertes über die Energiedichte in bestimmten Bereichen erfolgen.
  • Durch die Ergänzung der Vorverarbeitung mit einer Transformation in den Frequenzbereich, z. B. durch eine schnelle Fourier Transformation, kann die Zeitinformation aus dem Signal herausgefiltert werden. Dabei werden die das Systemausgangsverhalten und/oder die Anregung darstellenden Messkurven vor dem Bestimmen der das Systemausgangsverhalten und/oder die Anregung charakterisierenden Koeffizienten in den Frequenzraum transformiert.
  • Die Amplituden der Energiebereiche im Frequenzbereich werden durch eine leichte Verschiebung des betrachteten Zeitfensters des Signals weniger beeinflusst, als die Amplituden des Zeitsignals selbst. Hierdurch wird das Bestimmen der die Messkurven charakterisierenden Koeffizienten von den konkreten Grenzen der Integrationsgebiete weniger stark beeinflusst. Die Anzahl der Integrationsgebiete kann deshalb im Frequenzbereich, bei ausreichend genauer Charakterisierung der Messkurve, geringer als im Zeitbereich sein. Es besteht nicht die Gefahr, dass ein auftretendes Signal nicht abgebildet wird.
  • In Abhängigkeit vom Wertebereich der bestimmten Koeffizienten werden dann diskrete Systemzustände AD bestimmt. Das Bestimmen der diskreten Systemzustände und/oder Anregungszustände wird durch Zuordnen der Integralwerte zu den diskreter Systemzustände und/oder Anregungszustände durchgeführt. Z. B. wird für die Einteilung in drei Zustände a, b und c des Integralwertes A die Grenze1 und die Grenze2 innerhalb des Wertebereichs von A definiert:


  • Je nach Anzahl von Integrationsgebieten setzt sich ein eine Messkurve repräsentierender diskreter Zustand dann aus einer entsprechenden Anzahl von Unterzuständen AD zusammen. Die Zustände werden dem, Wahrscheinlichkeitsnetz als Eingangsdaten zugewiesen. In der Figur werden die Zustände AD, BD, CD und DD der Systemanregung, die Zustände Ed bis Hd des Systemausgangs y1 sowie Id bis Ld des Systemausgangs y2 den Eingangsknoten Ni des Wahrscheinlichkeitsnetzes zugewiesen. Die Knoten N5 bis N12 sind dabei die Eingangsknoten für die Fehlerhypothese FH1 und die Knoten N13 bis N20 die Eingangsknoten für die Fehlerhypothese FH2.
  • Falls, wie im dargestellten Beispiel mehrere Ein- und/oder Ausgänge y1, y2 vorhanden sind, werden die Wahrscheinlichkeiten der entsprechenden Ausgangsverhalten des Systems bei entsprechenden Anregungen des Systems zu einem Fehlereingangs- oder Ausgangsverhalten zusammengefasst. Dies ist in der Figur durch die Knoten Nfv1 und Nfv2 dargestellt.
  • Durch die Verbindung der Wahrscheinlichkeit des Auftretens von verschiedenen Fehlern bei einer bestimmten Anregung und der verschiedenen Systemausgangsverhalten lässt sich dann die Wahrscheinlichkeit, dass verschiedene Fehlerursachen aufgetreten sind (Fehlerhypothesen) im gleichen Wahrscheinlichkeitsnetz bestimmen. In der Figur ist dies für zwei Fehlerhypothesen (FH1 und FH2) dargestellt. Die diskretisierten Systemausgangsverhalten y1 und y2 sind zu den beiden Ausgangsverhalten Fv1 und Fv2 zusammengefasst. Unter der Annahme, dass nur ein Fehler aufgetreten sein kann, werden dann im Netz die diskretisierten Ausgangsverhalten als Eingangsdaten des Wahrscheinlichkeitsnetzes zugewiesen. Durch Netzpropagation werden dann die Wahrscheinlichkeiten F1, F2, dass bei einer Anregung u die Fehlerhypothese 1 oder die Fehlerhypothese 2 zutrifft berechnet.
  • Der Wert (Qualität) W der berechneten Daten dieses Diagnoseergebnisses lässt sich durch die Identifikation des gelernten Eingangssignals definieren. Die Qualität des Diagnoseergebnisses hängt dabei von der Ähnlichkeit der Anregung, welche zu den Systemausgangsverhalten y1, y2 geführt hat zu den bei dem Ermitteln der bedingten Wahrscheinlichkeiten verwendeten Anregungen ab. Diese Ähnlichkeit kann in das Berechnen eines Erfüllungsgrades eines Qualitätskriteriums des Diagnoseergebnisses eingehen.
  • Zur Begrenzung der Speicher und Rechenkapazitäten wird nur ein minimales Netzwerk im Fahrzeug mitgeführt. Zur detaillierteren Überprüfung können neue Netze oder Netzfragmente in das Fahrzeug in Abhängigkeit der berechneten Diagnoseergebnisse nachgeladen werden.
  • Im Fig. 3 wird das erfindungsgemäße Verfahren, insbesondere das Anpassen des Wahrscheinlichkeitsnetzes an ein vorläufiges Diagnoseergebnis beschrieben. Die Diagnose und das Generieren von Wahrscheinlichkeitsnetzen wird in aufeinanderfolgenden im allgemeinen unterschiedlich großen Zeitintervallen Δti durchgeführt. Im dargestellten Beispiel wird das Wahrscheinlichkeitsnetz (Wahrscheinlichkeitsmodell) zwei mal an ein vorläufiges Diagnoseergebnis angepasst. Die Netzpropagation wird in den Zeitintervallen Δti, Δt3 und Δt5 durchgeführt, während die Messung der Anregungen n und der Systemausgangsverhalten y in den Zeitintervallen Δt2 und Δt4 sowie in einem Zeitintervall vor t0 vorgenommen wird.
  • Allgemein kann das erfindungsgemäße Diagnoseverfahren in die nachfolgenden Verfahrensschritte aufgeteilt werden:
    • - Zunächst kann eine vorläufige Diagnose durchgeführt werden. Diese kann durch einfache Algorithmen, z. B. Schwellwertüberwachung oder eine erste Diagnose mit einem Startwahrscheinlichkeitsnetz erfolgen, welches überprüft, ob ein für das nicht Auftreten eines Fehlers charakteristisches Systemausgangsverhalten nach einer charakteristischen Anregung auftritt.
    • - Ist ein Fehler aufgetreten findet entweder eine Grobdiagnose statt, bei der eine große Anzahl von Fehlern mit kleinen Unternetzwerken überprüft wird oder eine Diagnose, welche nur einen Teil der möglichen Fehler überprüft. Die Grobdiagnose kann auch verschiedene Fehlerfälle mit ähnlichen Fehlersymptomen als Gruppe durch je ein Unternetzwerk gleichzeitig prüfen. Eine derartige Grobdiagnose ist in der Figur mit dem Wahrscheinlichkeitsmodell in der Auswerteeinheit, welche symbolisch im Zeitbereich Δt1 dargestellt ist angedeutet. Es werden zunächst vier Fehlerhypothesen getestet. Als Grobdiagnoseergebnis ergeben sich für die den Hypothesen entsprechenden Fehler Wahrscheinlichkeiten von 29%, 40%, und zwei mal 2%. Das Diagnoseergebnis wird von der externen Expertenzentrale ausgelesen.
    • - Das weitere Vorgehen hängt nun bei jedem Schritt davon ab, ob eine ähnliche Anregung im vorhergehenden Schritt aufgetreten ist und ob das Diagnoseergebnis insgesamt ausreicht. Es kann in diesem Schritt sowohl das gesamte Netz und/oder die gesamten Spezifikationsdaten ausgetauscht werden, als auch nur Teile davon. Im dargestellten Beispiel wird eine Neukonfiguration des Wahrscheinlichkeitsnetzes durch Austausch eines Submodells durchgeführt. Das neue Submodell wird von der externen Expertenzentrale an die Auswerteeinheit übergeben. Danach erfolgt ein weiterer Diagnoseschritt, dargestellt im Zeitbereich Δt3. In diesem Schritt ist das Wahrscheinlichkeitsnetz auf den Test von drei Fehlerhypothesen reduziert. Das Diagnoseergebnis verbessert sich auf eine Sicherheit von 70% für einen bestimmten Fehler. Das Diagnoseergebnis wird wiederum von der externen Expertenzentrale aus der Auswerteeinheit ausgelesen.
    • - Falls eine Anregung, welche im aktuellen Netz bekannt ist nach einer vorgegebenen Zeit nicht auftritt und damit in nächster Zeit als unwahrscheinlich angenommen werden kann, muss ein neues Netz mit zugehöriger Spezifikation auf eine andere Anregung ausgelegt werden. In diesem Falle wird aus den verbleibenden Daten, d. h. den verbleibenden optimierten Anregungen, für welche Netzwerke zur Verfügung stehen, der Verlauf ausgewählt, der die beste Unterscheidung zwischen den zu prüfenden Fehlerhypothesen erwarten lässt. Als Kriterium kann z. B. die Summe der Differenzen zwischen den Integralwerten der zu Fehlerhypothesen passenden Systemausgangsverhalten dienen. Die Fehlerdiagnose erfolgt mit dem derartig ausgewählten Netz im Fahrzeug erneut.
    • - Ist die Anregung mit ausreichender Ähnlichkeit zu bekannten Anregungen aufgetreten, das Diagnoseergebnis jedoch nicht ausreichend, hinsichtlich dessen Erfüllungsgrades eines Qualitätskriteriums, so sind die Diagnoseergebnisse des vorhergehenden Schrittes nicht zufriedenstellend. Dann werden Fehlerhypothesen die oberhalb eines Schwellwertes liegen in einem neuen Netzwerk in einem weiteren Schritt erneut betrachtet. Nicht zufriedenstellend ist ein Diagnoseergebnis dann, wenn entweder zu viele Einzelfehler wahrscheinlich sind oder kein Einzelfehler wahrscheinlich genug ist, um ihn als Diagnoseergebnis auszugeben zu können.
    • - Falls nur ein Teil der Fehlerhypothesen im vorhergehenden Schritt überprüft wurde, wird nun ein Netz für noch nicht überprüfte Fehlerhypothesen aufgestellt und an das Fahrzeug übergeben.
    • - Falls Gruppen von Fehlerhypothesen in einem Netzwerk eingelernt wurden sind die Fehlerhypothesen der verbleibenden Gruppen oder Untergruppen nun durch einzelne Unternetzwerke zu überprüfen.
    • - Die Diagnose wird beendet wenn die Anregung mit ausreichender Ähnlichkeit aufgetreten ist und das Diagnoseergebnis ausreichend ist oder kein besseres Ergebnis mehr erwartet werden kann. Das Diagnoseergebnis kann dann im Fahrzeug angezeigt werden und/oder an, z. B. eine Werkstatt übermittelt werden. In der Figur ist dies nach dem Berechnen des Diagnoseergebnisses mit dem Wahrscheinlichkeitsnetz im Zeitbereich Δt5 der Fall. Dieses Wahrscheinlichkeitsnetz wurde gegenüber dem Wahrscheinlichkeitsnetz, welches der Diagnose im Zeitbereich Δt3 zugrunde lag, durch Austausch des Wahrscheinlichkeitsnetzes an das vorhergehende Diagnoseergebnis angepasst. Es resultieren die Fehlerwahrscheinlichkeiten 10% und 90%
    Bezugszeichenliste 1, 2, 3, 4 Integrationsbereiche der die Anregung darstellenden Messkurve zum Bestimmen von die Anregung charakterisierenden Koeffizienten
    5, 6, 7, 8 Integrationsbereiche der das Systemausgangsverhalten darstellenden Messkurve zum Bestimmen von das Systemausgangsverhalten charakterisierenden Koeffizienten
    10 Wahrscheinlichkeitsnetz
    11 an ein vorläufiges Diagnoseergebnis angepasstes Wahrscheinlichkeitsnetz
    21 Mittel zum Zuweisen diskreter Anregungszustände als Eingangsdaten des Wahrscheinlichkeitsnetzes
    22 Mittel zum Zuweisen diskreter Systemzustände als Eingangsdaten des Wahrscheinlichkeitsnetzes
    30 Diagnoseergebnis
    40 Übergabe des an ein vorläufiges Diagnoseergebnis angepassten Wahrscheinlichkeitsnetzes
    50 Bestimmen diskreter Anregungszustände
    60 Bestimmen diskreter Systemzustände
    70, 80 Verarbeiten der Eingangsdaten
    90 Berechnen eines Erfüllungsgrades eines Qualitätskriteriums
    100 dynamisches technisches System
    110 Anregung darstellenden Messkurve
    120 Systemausgangsverhalten darstellenden Messkurve
    200 Bordcomputersystem
    210 Auswerteeinheit
    250 Bestimmungsmittel von charakteristischen Parametern der Anregung
    260 Bestimmungsmittel von charakteristischen Koeffizienten des Systemausgangsverhaltens
    300 externe Instanz

Claims (17)

1. Automatisches Diagnoseverfahren für ein dynamisches technisches System, welches auf eine Anregung mit einem dynamischen Systemausgangsverhalten reagiert, mit den Verfahrensschritten:
- Bestimmen von das Systemausgangsverhalten charakterisierenden Koeffizienten aus mindestens einer das Systemausgangsverhalten darstellenden Messkurve,
- Bestimmen diskreter Systemzustände aus den Koeffizienten,
- Zuweisen der diskreten Systemzustände als Eingangsdaten eines Wahrscheinlichkeitsnetzes und
- Verarbeiten der Eingangsdaten in dem Wahrscheinlichkeitsnetz zum Berechnen eines Diagnoseergebnisses;
dadurch gekennzeichnet, dass mindestens ein die Anregung des Systems charakterisierender Parameter in das Berechnen des Diagnoseergebnisses eingeht.
2. Diagnoseverfahren nach Anspruch 1, dadurch gekennzeichnet, dass die die Anregung des Systems charakterisierenden Parameter durch bestimmen von charakteristischen Koeffizienten der Anregung aus mindestens einer die Anregung darstellenden Messkurve ermittelt werden, wobei es sich bei der Anregung um eine dynamische Anregung handelt und aus den Koeffizienten diskrete Anregungszustände bestimmt werden, welche als Eingangsdaten des Wahrscheinlichkeitsnetzes zugewiesen werden.
3. Diagnoseverfahren nach mindestens einem der Ansprüche 1 bis 2, dadurch gekennzeichnet, dass die das Systemausgangsverhalten und/oder die Anregung charakterisierenden Koeffizienten durch Einteilen von den das Systemausgangsverhalten und/oder die Anregung darstellenden Messkurven in Teilintegrationsgebiete und ermitteln von Integralwerten der Teilintegrationsgebiete bestimmt werden und das Bestimmen diskreter Systemzustände und/oder Anregungszustände durch Zuordnen der Integralwerte zu den diskreter Systemzustände und/oder Anregungszustände erfolgt.
4. Diagnoseverfahren nach mindestens einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass die Diagnose bei mindestens einer für die Diagnose optimierten Anregung durchgeführt wird oder dass ein Ähnlichkeitsmaß der Anregung des Systems zu einer optimierten Anregung in das Berechnen des Diagnoseergebnisses eingeht.
5. Diagnoseverfahren nach mindestens einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass es sich bei dem Wahrscheinlichkeitsnetz um ein Bayessches-Netzwerk oder um eine aus einem Bayesschen-Netzwerk erzeugbare Sekundärstruktur handelt.
6. Diagnoseverfahren nach mindestens einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass die das Systemausgangsverhalten und/oder die Anregung darstellenden Messkurven vor dem Bestimmen der das Systemausgangsverhalten und/oder die Anregung charakterisierenden Koeffizienten in den Frequenzraum transformiert werden.
7. Diagnoseverfahren nach mindestens einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass ein Anpassen des Wahrscheinlichkeitsnetzes an ein vorläufiges Diagnoseergebnis erfolgt, wobei mit dem angepassten Wahrscheinlichkeitsnetz ein verbessertes Diagnoseergebnis berechnet wird.
8. Diagnoseverfahren nach Anspruch 7, dadurch gekennzeichnet, dass das vorläufige Diagnoseergebnis durch Analyse des Systemausgangsverhaltens mit einem Logik basierten Diagnoseverfahren und/oder einem analytischen Verfahren und/oder mit einem Wahrscheinlichkeitsnetz ermittelt wird.
9. Diagnoseverfahren nach mindestens einem der Ansprüche 7 bis 8, dadurch gekennzeichnet, dass das Anpassen des Wahrscheinlichkeitsnetzes durch Verwenden neuer Spezifikationsdaten für das Wahrscheinlichkeitsnetz und/oder Ergänzen des Wahrscheinlichkeitsnetzes und/oder Austausch mindestens von Teilnetzen erfolgt.
10. Diagnoseverfahren nach mindestens einem der Ansprüche 7 bis 9, dadurch gekennzeichnet, dass das Berechnen des verbesserten Diagnoseergebnisses und das Anpassen des Wahrscheinlichkeitsnetzes an ein vorläufiges Diagnoseergebnis solange wiederholt wird bis ein Berechnen eines Erfüllungsgrades eines Qualitätskriteriums des verbesserte Diagnoseergebnis die Erfüllung des Qualitätskriteriums ergibt, wobei das verbesserte Diagnoseergebnis bei nicht Erfüllen des Qualitätskriteriums als vorläufiges Diagnoseergebnis an welches das Wahrscheinlichkeitsnetz angepasst wird verwendet wird.
11. Diagnoseverfahren nach Anspruch 10, dadurch gekennzeichnet, dass in das Berechnen des Erfüllungsgrades des Qualitätskriteriums ein eine Ähnlichkeit charakterisierender Parameter der in die Berechnungen der Diagnoseergebnisse eingehenden Anregungen zu mindestens einer optimierten Anregung eingeht.
12. Diagnoseverfahren nach mindestens einem der Ansprüche 1 bis 11, dadurch gekennzeichnet, dass das Verfahren bei einer Onboard Diagnose in einem Kraftfahrzeug von einem Bordcomputersystem des Kraftfahrzeuges durchgeführt wird.
13. Diagnoseverfahren nach Anspruch 12 und mindestens einem der Ansprüche 7 bis 11, dadurch gekennzeichnet, dass das angepasste Wahrscheinlichkeitsnetz von einer externen Instanz an das Kraftfahrzeug übergeben wird.
14. Bordcomputersystem eines Kraftfahrzeuges, eingerichtet zur Durchführung des Diagnoseverfahrens nach mindestens einem der Ansprüche 1 bis 13, an einem dynamischen technischen System, welches auf eine Anregung mit einem dynamischen Systemausgangsverhalten reagiert, mit
- Mitteln zur Bestimmung von charakteristischen Koeffizienten des Systemausgangsverhaltens,
- Mitteln zur Bestimmung diskreter Systemzustände aus den Koeffizienten,
- Mitteln zur Zuweisung der diskreten Systemzustände als Eingangsdaten eines Wahrscheinlichkeitsnetzes einer Auswerteeinheit zur Verarbeitung der Eingangsdaten in dem Wahrscheinlichkeitsnetz zur Berechnung eines Diagnoseergebnisses
dadurch gekennzeichnet, dass die Auswerteeinheit zur Verarbeitung der Eingangsdaten in dem Wahrscheinlichkeitsnetz eingerichtet ist, ein von mindestens einen die Anregung des Systems charakterisierenden Parameter oder Zustand abhängiges Diagnoseergebnis zu berechnen.
15. Bordcomputersystem nach Anspruch 14, dadurch gekennzeichnet, dass Mittel zur Modifikation des Wahrscheinlichkeitsnetzes in ein an ein vorläufiges Diagnoseergebnis angepasstes Wahrscheinlichkeitsnetz vorgesehen sind.
16. Bordcomputersystem nach mindestens einem der Ansprüche 14 bis 15, dadurch gekennzeichnet, dass Mittel zur Berechnung eines Erfüllungsgrades eines Qualitätskriteriums des Diagnoseergebnisses vorgesehen sind.
17. Diagnosesystem mit einem Bordcomputersystem nach mindestens einem der Ansprüche 15 bis 16, dadurch gekennzeichnet, dass eine externe Instanz vorhanden ist, wobei die externe Instanz eingerichtet ist ein an ein vorläufiges Diagnoseergebnis angepasstes Wahrscheinlichkeitsnetz zu erzeugen und an das Bordcomputersystem zu übergeben und das Bordcomputersystem eingerichtet ist das angepasstes Wahrscheinlichkeitsnetz zu übernehmen.
DE2002122072 2002-05-17 2002-05-17 Diagnoseverfahren für dynamische Systeme Withdrawn DE10222072A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE2002122072 DE10222072A1 (de) 2002-05-17 2002-05-17 Diagnoseverfahren für dynamische Systeme

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE2002122072 DE10222072A1 (de) 2002-05-17 2002-05-17 Diagnoseverfahren für dynamische Systeme

Publications (1)

Publication Number Publication Date
DE10222072A1 true DE10222072A1 (de) 2003-11-27

Family

ID=29285532

Family Applications (1)

Application Number Title Priority Date Filing Date
DE2002122072 Withdrawn DE10222072A1 (de) 2002-05-17 2002-05-17 Diagnoseverfahren für dynamische Systeme

Country Status (1)

Country Link
DE (1) DE10222072A1 (de)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102005019335A1 (de) * 2005-04-26 2006-11-02 Volkswagen Ag Verfahren und Vorrichtung zum Auswerten von Ereignissen aus dem Betrieb zumindest eines Fahrzeuges
DE102006009585A1 (de) * 2005-12-06 2007-06-14 Volkswagen Ag Diagnoseverfahren und Diagnosevorrichtung zur funktionsorientierten Diagnose eines Systems mit vernetzten Komponenten
DE102006059037A1 (de) * 2006-12-14 2008-06-19 Volkswagen Ag Verfahren und Vorrichtung zum Diagnostizieren von Funktionen und Fahrzeugsystemen
DE102007010978A1 (de) 2007-03-05 2008-09-11 Volkswagen Ag Verfahren und Vorrichtung zur Unterstützung einer Diagnose eines elektrischen Systems mittels wahrscheinlichkeitsbasierter Fehlerkandidatenermittlung
DE102007045255A1 (de) 2007-09-21 2009-04-02 Volkswagen Ag Verfahren zur Herstellung eines Diagnosesystems, insbesondere für ein Kraftfahrzeug
DE102008020380A1 (de) * 2008-04-23 2009-12-10 Siemens Aktiengesellschaft Verfahren zum rechnergestützten Lernen einer Steuerung und/oder Regelung eines technischen Systems
DE102014223005A1 (de) * 2014-11-11 2016-05-12 Robert Bosch Gmbh Verfahren und Vorrichtung zum Feststellen, ob in einem Kraftfahrzeug ein Fehlerzustand vorliegt oder nicht
DE102020209338A1 (de) 2020-07-24 2022-01-27 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur Bestimmung der zukünftigen Ausfallwahrscheinlichkeit eines elektrischen Antriebsmoduls eines Elektrofahrzeugs

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102005019335A1 (de) * 2005-04-26 2006-11-02 Volkswagen Ag Verfahren und Vorrichtung zum Auswerten von Ereignissen aus dem Betrieb zumindest eines Fahrzeuges
DE102006009585A1 (de) * 2005-12-06 2007-06-14 Volkswagen Ag Diagnoseverfahren und Diagnosevorrichtung zur funktionsorientierten Diagnose eines Systems mit vernetzten Komponenten
DE102006059037A1 (de) * 2006-12-14 2008-06-19 Volkswagen Ag Verfahren und Vorrichtung zum Diagnostizieren von Funktionen und Fahrzeugsystemen
DE102007010978A1 (de) 2007-03-05 2008-09-11 Volkswagen Ag Verfahren und Vorrichtung zur Unterstützung einer Diagnose eines elektrischen Systems mittels wahrscheinlichkeitsbasierter Fehlerkandidatenermittlung
DE102007045255A1 (de) 2007-09-21 2009-04-02 Volkswagen Ag Verfahren zur Herstellung eines Diagnosesystems, insbesondere für ein Kraftfahrzeug
DE102007045255B4 (de) 2007-09-21 2021-11-18 Volkswagen Ag Verfahren zur Herstellung eines Diagnosesystems, insbesondere für ein Kraftfahrzeug
DE102008020380A1 (de) * 2008-04-23 2009-12-10 Siemens Aktiengesellschaft Verfahren zum rechnergestützten Lernen einer Steuerung und/oder Regelung eines technischen Systems
DE102008020380B4 (de) * 2008-04-23 2010-04-08 Siemens Aktiengesellschaft Verfahren zum rechnergestützten Lernen einer Steuerung und/oder Regelung eines technischen Systems
US8250014B2 (en) 2008-04-23 2012-08-21 Siemens Aktiengesellshaft Method for the computer-aided learning of a control or adjustment of a technical system using a quality function and training data
DE102014223005A1 (de) * 2014-11-11 2016-05-12 Robert Bosch Gmbh Verfahren und Vorrichtung zum Feststellen, ob in einem Kraftfahrzeug ein Fehlerzustand vorliegt oder nicht
DE102020209338A1 (de) 2020-07-24 2022-01-27 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur Bestimmung der zukünftigen Ausfallwahrscheinlichkeit eines elektrischen Antriebsmoduls eines Elektrofahrzeugs

Similar Documents

Publication Publication Date Title
DE102011108678B4 (de) Ereignisgesteuertes Datamining-Verfahren zum Verbessern von Fehlercodeeinstellungen und zum Isolieren von Fehlern
DE602005004997T2 (de) Diagnostisches Verfahren und System
DE10307342B4 (de) Vorrichtung und Verfahren zur modellbasierten On-Board-Diagnose
DE102019217613A1 (de) Verfahren zur diagnose eines motorzustands und diagnostisches modellierungsverfahren dafür
DE102019115356B4 (de) Verfahren zur fahrzeugfehler-grundursachendiagnose
EP1020815A2 (de) Vorrichtung und Verfahren zur automatischen Diagnose eines technischen Systems mit effizienter Wiederverwendung von Informationen
DE102004024262A1 (de) Wissensbasiertes Diagnosesystem für ein komplexes technisches System mit zwei getrennten Wissensbasen zur Verarbeitung technischer Systemdaten und zur Verarbeitung von Kundenbeanstandungen
DE102019107363B4 (de) Verfahren und System zum Bestimmen einer Eigenschaft einer Maschine, insbesondere einer Werkzeugmaschine, ohne messtechnisches Erfassen der Eigenschaft sowie Verfahren zum Bestimmen eines voraussichtlichen Qualitätszustands eines mit einer Maschine gefertigten Bauteils
EP3282399B1 (de) Verfahren zur verbesserten erkennung von prozessanomalien einer technischen anlage sowie entsprechendes diagnosesystem
DE102020212277A1 (de) Verfahren und Vorrichtung zum Bestimmen einer Restnutzungsdauer basierend auf einer prädiktiven Diagnose von Komponenten eines elektrischen Antriebssystems mithilfe Verfahren künstlicher Intelligenz
WO2019201514A1 (de) Diagnosesystem und verfahren zum verarbeiten von daten eines kraftfahrzeugs
DE10222072A1 (de) Diagnoseverfahren für dynamische Systeme
DE102020207449B4 (de) Verfahren, Computerprogramm und Vorrichtung zum Verarbeiten von Signalen
EP3460727A1 (de) Verfahren zur untersuchung eines funktionsverhaltens eines technischen systems und auswerteeinheit
DE102018217118A1 (de) Verfahren zum Erstellen einer Fehlerdiagnose eines Antriebsstrangs eines elektrisch betriebenen Kraftfahrzeugs und Kraftfahrzeug
EP3951529A1 (de) Überwachungsvorrichtung und verfahren zur anomaliedetektion
DE19742448C1 (de) Diagnosemodul zum Erstellen einer Diagnose für elektrisch ansteuerbare Systeme und Diagnoseeinrichtung zum Erstellen einer Gesamtsystemdiagnose
EP3796117A1 (de) Diagnoseverfahren und diagnosesystem für eine verfahrenstechnische anlage
DE102022126225A1 (de) System und verfahren zum validieren der durch bordinterne diagnosesysteme von fahrzeugen erzeugten diagnosefehlercodes
EP4047316A1 (de) Verfahren zum bewerten einer bekanntheit einer fahrstrecke und elektronische recheneinrichtung
DE202016105686U1 (de) Industrielle Anlage
DE102019131456A1 (de) Verfahren zum Bestimmen einer Eigenschaft einer Maschine, insbesondere einer Werkzeugmaschine, ohne messtechnisches Erfassen der Eigenschaft
WO2020114724A1 (de) Verfahren zum überprüfen wenigstens eines fahrzeugs sowie elektronische recheneinrichtung
DE10024211B4 (de) Diagnoseverfahren für den Zustand eines Kraftfahrzeuges
DE102018212801A1 (de) Diagnose komplexer Systeme

Legal Events

Date Code Title Description
OP8 Request for examination as to paragraph 44 patent law
8139 Disposal/non-payment of the annual fee