DE10235525B4

DE10235525B4 - Verfahren und System zur Überwachung des Zustands eines Fahrzeugs

Info

Publication number: DE10235525B4
Application number: DE10235525A
Authority: DE
Inventors: Achim Dipl.-Ing. Bertsche; Thorsten Dipl.-Ing. Engelhardt (FH); Claude Nicolas Dr. Sunnyvale Fiechter; Mehmet H. Dr.-Ing. Menlo Park Göker; Daniel Dipl.-Ing. Sunnyvale Grill; Rainer Dr. Kaufmann
Original assignee: DaimlerChrysler AG
Current assignee: Grill Daniel Dipling Sunnyvale Calif Us
Priority date: 2001-09-10
Filing date: 2002-08-03
Publication date: 2004-09-09
Anticipated expiration: 2022-08-04
Also published as: DE10235525A1; US6609051B2; US20030114965A1

Abstract

Verfahren zur Zustandsüberwachung technischer Komponenten, umfassend die folgenden Schritte:
– Bereitstellen einer ersten Version eines Verhaltensmodells der zu überwachenden Komponente durch ein Off-Board-System;
– Sammeln von Leistungsdaten der zu überwachenden Komponente durch ein On-Board-System;
– Bewerten der gesammelten Daten durch das On-Board-System mit Hilfe des ersten Verhaltensmodells,
– Bestimmen, wann eine Diskrepanz zwischen den Verhaltensmodell und den gesammelten Leistungsdaten vorliegt;
– Bestimmen, ob die Diskrepanz von einem Ausfall der Komponente herrührt; und
– wenn die Diskrepanz nicht von einem Ausfall der Komponente herrührte, Modifizieren der ersten Version des Verhaltensmodells durch das Off-Board-System.

Description

Die vorliegende Erfindung betrifft ein System und Verfahren für ein verbessertes Fahrzeugüberwachungssystem zur Bereitstellung eines kosteneffektiven und skalierbaren Systementwurfs für industrielle Anwendungen. Die Technologien des maschinellen Lernens und des Data Mining werden an Daten verwendet, die von mehreren Fahrzeugen erfaßt werden, um Modelle zu erzeugen. Eine häufige Erfassung von Fahrzeugsensor- und Diagnosedaten ermöglicht einen Vergleich mit den erzeugten Modellen, um eine fortgesetzte Analyse des Fahrzeugs für Reparatur-, Wartungs- und Diagnosezwecke bereitzustellen.
Modernste Fahrzeuge enthalten vielfältige Kommunikationssysteme, Steuersysteme und Sicherheits- und Diagnosesysteme zusammen mit ihren zugeordneten Sensoren. Beispiele für solche Systeme sind u.a. Motorregelsysteme, Diagnose- und Wartungscomputer, Brems- und Stabilitätssysteme und telematische Einrichtungen. Der Austausch von Informationen, einschließlich Steuer-, Status- und Diagnosenachrichten, zwischen Sensoren und zugeordneten Einrichtungen von eingebetteten Steuereinheiten wird mit einer Fahrzeug-Datenbusinfrastruktur erzielt. Ein Beispiel ist ein Motor-Bussystem, wie zum Beispiel das Controller Area Network (CAN).
Aus der DE 69418199 T2 ist ein Verfahren zur Zustandsüberwachung eines Verbrennungsmotors bekannt. Mittels der Technologie virtueller Sensoren werden die Emissionen eines Verbrennungsmotors aus einem Vorhersagemodell des Verbrennungsmotors bestimmt. Grundlage derartiger Konzepte ist es, in komplexen Maschinen mit vielen Sensoren, einzelne Sensoren dadurch zu ersetzen, dass mit einem Vorhersagemodell, dass an einer Normmaschine kalibriert wird, aus den Sensorsignalen der verbleibenden Sensoren, den Informationsinhalt des Messsignals der ersetzten Sensoren zu gewinnen. Das Vorhersagemodell bei virtuellen Sensoren unterscheidet sich hierbei grundlegend von dem Verhaltensmodell der hier beanspruchten Erfindung. Bei dem erfindungsgemäßen Verhaltensmodell wird das Verhalten einer tatsächlich vorhandenen Komponente modelliert.
Aus der DE 32 34 727 A1 ist es bekannt den aktuellen Verschleiß von Komponenten mit einem Verschleißendwert zu vergleichen.
Aus der DE 31 10 774 ist es bekannt Wartungs- und Pflegedienstintervalle aus Lastdiagrammen zu ermitteln.
Aus der US 4,766,595 und der WO 01/31514 A2 ist jeweils ein modellbasiertes Fehlerdiagnosesystem bekannt.
Aus der WO 01/35373 A1 ist es bekannt, Telemonitoring von technischen Komponenten durchzuführen.
Aus der US 6,127,947 ist es bekannt Steuerparameter für den Betrieb eines Fahrzeuges durch die Auswertung von Flotteninformationen zu verbessern.
kosteneffektives und skalierbares System entworfen, das eine industrielle Anwendung liefert, wodurch die Verwendung von Technologien des maschinellen Lernens und des Data Mining an von vielen Fahrzeugen erfaßten Daten vielfältige neue Wartungs- und Diagnoseanwendungen liefert.
Eine weitere Aufgabe der vorliegenden Erfindung ist die Bereitstellung der häufigen Erfassung von Fahrzeugsensor- und Diagnosedaten und außerdem einer häufigen, außerhalb des Fahrzeugs erfolgenden Analyse zur Bereitstellung einer aktualisierten Reparatur, Wartung und Diagnose.
Die vorliegende Erfindung liefert eine Systeminfrastruktur für industrielle Anwendungen, die eine kosteneffektive Erfassung und Analyse von Fahrzeugdaten für Personenkraftwagen und kommerzielle Fahrzeuge ermöglicht. Die vorliegende Erfindung löst ihre Aufgabe durch Bereitstellung einer Datenanalyse und Wissenserzeugung in einem Ansatz, bei dem das System Internet-Dienstanwendungen verwenden und einen neuen Wartungs-Service-Prozeß ermöglichen kann.
Andere Aufgaben, Vorteile und neuartige Merkmale der vorliegenden Erfindung werden bei Durchsicht der folgenden ausführlichen Beschreibung der Erfindung in Verbindung mit den beigefügten Zeichnungen deutlich.
1 ist ein Schaltbild einer grundlegenden Architektur der Onboard-Systemintegration in der Fahrzeuginfrastruktur gemäß der vorliegenden Erfindung;
2 ist ein Schaltbild des außerhalb des Fahrzeugs angeordneten Systems und seiner Beziehung mit dem Fahrzeug-Datenbus;
3 zeigt Umgebungsvariablen und Statusvariablen des analysierten Systems für die Ausfallmodusvorhersage;
4 ist eine Systemansicht einer generischen Komponente, die gemäß der vorliegenden Erfindung überwacht wird;
5 ist eine Darstellung der Vorhersage, die durch das Modell des nominalen Verhaltens unter Verwendung von Statusvariablen bis zu einem vorbestimmten Zeitpunkt erfolgt;
6 ist eine Übersicht der Client/Server-Struktur und der Datenbank-Verknüpfungsoberfläche auf der Oberflächenseite;
7 ist eine Darstellung eines zweidimensionalen Momentan-Wertezählwerts zur Messung der kontinuierlichen Eingangswerte;
8 liefert Simulationsergebnisse der ersten Parametrisierung und Modellanpassung;
9 ist ein Prädiktionsgraph zum Vergleich gemessener Kühlwassertemperaturen mit Vorhersagen für das Reinigungssystem eines Actros-Lastwagens;
10 zeigt eine Prädiktions-Fehlerbereichsverteilung von 9;
11 zeigt Datenfenster mit fließendem Mittelwert für verschiedene Zeiten vor einem aktuellen Datenpunkt;
12 ist eine Verteilung des absoluten Prädiktionsfehlers anhand der Datenmenge des Actros-Lastwagens Modell Nr. 1840;
13 ist ein Verteilung des absoluten Prädiktionsfehlers anhand der Datenmenge des Actros-Lastwagens Modell Nr. 1857;
14 ist ein Vergleich der tatsächlichen und der vorhergesagten Kühlsystemtemperatur für den Actros-Lastwagen Modell Nr. 1840.
15 ist die tatsächliche und vorhergesagte Kühlsystemtemperatur für den Actros-Lastwagen Modell Nr. 1857;
16 ist ein Vergleich eines verbesserten Modells und eines Modells, das von Grund auf aufgebaut wurde, für einen Lastwagen des Modells Nr. 1857;
17(a) und 17(b) liefern einen Vergleich der Verteilung des absoluten Prädiktionsfehlers vor und nach der Verbesserungsanalyse;
18 zeigt die grundlegenden Prozesse für eine typische Wartung und prädiktive Diagnose gemäß der vorliegenden Erfindung; und
19 ist ein Schaltbild eines Computer-Serversystems, das Software zur Durchführung der außerhalb des Fahrzeugs erfolgenden Analyse der vorliegenden Erfindung enthält.
Das Zustandsüberwachungssystem (COMO) der vorliegenden Erfindung besteht aus einer Onboard-Komponente, die in ein Kundenfahrzeug (siehe 1) integriert ist, und einer außerhalb des Fahrzeugs angeordneten Komponente, die von vielen Fahrzeugen gemeinsam benutzt wird (siehe 2). Die Onboard-Komponente ist ein Hardware/Software-System, das auf die Datenbusinfrastrukturen zugreift und eine Schnittstelle zu den Telematik- und Diagnosefunktionen des Fahrzeugs aufweist. Die Onboard-Komponente kann ein eingebettetes System in einem Teil einer Fahrzeug-Zentralverarbeitungseinheit sein, oder ein verteiltes System mit Softwarekomponenten in Telematik und einer Diagnoseeinheit. Andererseits ist das außerhalb des Fahrzeugs angeordnete System ein elektronisches Datenverarbeitungssystem, das mit einer mehrschichtigen Backend-Servicearchitektur als eine einzige Einheit oder über mehrere Service-Zentralen verteilt realisiert werden kann. Die Onboard- und außerhalb des Fahrzeugs angeordneten Komponenten tauschen häufig durch drahtlose Kommunikationseinrichtungen Daten aus.
Die Architektur des Onboard-Systems von 1 zeigt ein Onboard-System 100 für COMO (Zustandsüberwachung), das mit einem Fahrzeug arbeitet, das mit einer Telemetrik-Kommunikationsplattform 150 ausgestattet ist, die kostengünstige Datendienste bereitstellt, wie zum Beispiel zellulare drahtlose Datendienste – (GPRS), Message-Board-Satellitendienste (z.B. LEO 1) oder Kommunikation für kurze Reichweiten (z.B. BlueTooth). Eine im Armaturenbrett angeordnete Diagnose- und Wartungseinheit 160 führt kontinuierlich Diagnose- und Wartungsfunktionen zur Verarbeitung von Daten aus dem Fahrzeugdatenbus 140 durch. Viele Top-Fahrzeuge enthalten diese Geräte bereits und zukünftige Fahrzeuge werden die Möglichkeit der Aktualisierung und Parametrisierung von Diagnosesoftware durch eine Schnittstelle in dem Fahrzeug bereitstellen. Das Onboard-Zustandsüberwachungssystem 100 besteht aus einem Systemsteuermodul 130, einem Datenerfassungs- und Zusammenstellungsmodul 120 und einem Datenspeicherungsmo dul 110. In dem Blockschaltbild von 1 ist der Fahrzeugdatenbus mit elektronischen Steuereinheiten 147, 149, Sensoren 143, 145 und einer aktiven Einrichtung 141 verbunden. Die Anzahl von Steuereinheiten, Sensoren und aktiven Einrichtungen kann jedoch abhängig von der gewünschten Anwendung unterschiedlich sein. Das Datenerfassungs- und Zusammenstellungsmodul 120 erfaßt und verarbeitet Daten von Sensoren und elektronischen Steuereinheiten 143–149 und leitet nichtmeßbare Daten ab (z.B. durch Mathematik oder statistische Modelle) und filtert, verarbeitet und sammelt native und abgeleitete Daten und speichert sie in komprimiertem Format in einer nichtflüchtigen Speicherung 110. Das Systemsteuermodul 130 wirkt zur Steuerung der Kommunikationssteuerung, Softwareaktualisierung und Parametrisierung des Diagnose- und Wartungsmoduls 160.
Ein wichtiges Merkmal des Systemsteuermoduls 130 ist die Möglichkeit, zu entscheiden, wann ein Immer-und-überall-Kommunikationsverfahren mit zellularer Datenkommunikation oder ein kosteneffektives Manchmal-und-mancherorts-kommunikationsverfahren mit kurzer Reichweite an eigenen Orten, wie zum Beispiel zuhause beim Fahrer oder an Tankstellen, verwendet werden soll. Das Modul 130 kann abgehende Daten komprimieren und bei Auslösung durch Ereignisse der Onboard-Komponenten oder auf Anforderung von einer außerhalb des Fahrzeugs angeordneten Komponente werden Daten aus der Speicherung 110 unter Verwendung der Telematik-Plattform 150 des Fahrzeugs zu einem außerhalb des Fahrzeugs angeordneten System transferiert. Die Telematik-Plattformeinheit kann zellulare oder drahtlose Systeme, Satellitenkommunikation oder drahtlose Kommunikationssysteme mit kurzer Reichweite zur Kommunikation mit einer festen Netzinfrastruktur eines außerhalb des Fahrzeugs angeordneten Systems verwenden.
Als eine Ergänzung des Onboard-Systems von 1 weist das außerhalb des Fahrzeugs angeordnete System von 2 eine Schnittstelle zu Systemen zur drahtlosen Kommunikation und Datenspeicherung (z.B. Datenbankdienst) und Systemen von Internet-Dienstanbietern auf. Das außerhalb des Fahrzeugs angeordnete System 200 von 2 kann als ein verteiltes System implementiert werden, wobei die neueste Middleware (z.B. CORBA, Java Enterprise Bean Container) verwendet wird. Das System weist eine Schnittstelle zu drahtloser Kommunikation auf, um die Datenspeicherung 260 (Datenraumserver) und Internet-Dienstbereitstellungssysteme 300 zu unterstützen. Die Datenerfassungskomponente 270 liefert die Datenkommunikation mit den Fahrzeugen und die Verarbeitung der ankommenden Daten. Zu den Kommunikationsfunktionen gehören Registrierungund Sicherheitsfunktionen sowie optimierte Kommunikationsprotokolle der Anwendungsebene. Die Komponente liefert Funktionen zum Speichern unkomprimierter Fahrzeugdaten und zur Transformation von Daten in Formate, die sich für eine Backend-Infrastruktur (z.B. XML) eignen. Das System wickelt die Kommunikation mit Firmen-Internetdatenquellen ab (technische Testdaten, Diagnosedaten der Servicezentrale, Werkstatt- und Händlerinformationen). Die Datenarchivierungskomponente 250 behandelt Funktionen des Datenmanagements der Anwendungsebene und der Archivierung zum Beispiel auf der Grundlage von Data-Warehousing- oder Datenbank-Managementsystemen. Die Datenanalysekomponente 240 liefert eine Menge von Datenanalyse- und Data-Mining-Funktionen, die für den Fahrzeugbereich ausgelegt sind. Anwendungskomponenten benutzen die von der Datenanalyse 240, der Datenerfassung 270 und der Datenarchivierung 250 bereitgestellten Funktionen. Die Anwendungskomponenten realisieren die Anwendungslogik, die im wesentlichen definiert, wann und wie die Analyse durchgeführt und wie die Analyseergebnisse verarbeitet und verwendet werden sollen. Außerdem zeigt 2 die Anwendungen, darunter die Präventive Wartung 230, die Prädiktive Diagnose 220 und die Fehlerbehebungsfunktion 210. Jede dieser Funktionen wird nun besprochen.
Drahtlose Kommunikation zwischen dem Fahrzeug und dem außerhalb des Fahrzeugs angeordneten System ist eine Funktion der Kommunikationskosten- und Bandbreitenanforderungen zwischen dem Fahrzeug und der Server-Infrastruktur außerhalb des Fahrzeugs. Das Zustandsüberwachungssystem, einschließlich sowohl des außerhalb des Fahrzeugs angeordneten Systems 200 als auch des Onboard-Systems 100 kann die Kommunikationskosten und Bandbreitenfaktoren behandeln, indem die Gesamt-Kommunikationslast durch Datenfilterungs- und Verarbeitungsalgorithmen, die in dem Onboard-System ablaufen, verringert werden. Außerdem ist die Kommunikationsfrequenz für spezifische Anwendungen optimiert, wobei sich die meisten Anwendungen der Zustandsüberwachung auf die Erkennung von Langzeit-Trends konzentrieren und nicht zeitkritisch sind. Es ist deshalb möglich, eine Kommunikationspolitik zu implementieren, die Kommunikationsaktivitäten über die Zeit und den Raum verteilt. Als Beispiel kann der Datenaustausch durch ein zellulares drahtloses Gerät während der Nachtstunden eingeleitet werden, um die günstigeren Kommunikationsgebühren auszunutzen. Außerdem können die Paradigmen der Kommunikation zu bestimmten Zeiten an bestimmten Orten zur Auswahl des kosteneffektivsten Kommunikationsmittels verwendet werden. Als ein weiteres Beispiel kann man eine Kommunikation mit kurzer Reichweite zuhause beim Kunden oder an Tankstellen verwenden, wenn sie verfügbar ist.
Die Datenanalyse für den Aspekt der präventiven Wartung ist Teil des außerhalb des Fahrzeugs angeordneten Systems des Online-Wartungsprojekts und konzentriert sich auf die Analyse und Auswertung von Fahrzeugdaten außerhalb des Fahrzeugs. Das System arbeitet mit der grundlegenden Annahme, daß Sensorda ten und Informationen aus Onboard-Diagnosesystemen von einem außerhalb des Fahrzeugs gelegenen Ort aus gesammelt und überwacht werden, wobei das Data Mining und die Datenfusion zur Auswertung der Daten entweder online, bei Nachfrage oder auf Anforderung angewandt wird. Ergebnisse der Auswertung dienen zur Aktualisierung bestehender Wartungsmodelle, die in dem Fahrzeug verfügbar sind, oder als Rückmeldung für interne oder externe Kunden der Firma.
Es gibt jedoch ein Onboard-Diagnosesystem, das ein System enthält, das so modelliert ist, daß es unter Verwendung der verfügbaren Sensordaten die erwartete Ausfallzeit oder ein damit zusammenhängendes Maß für jedes System oder jede Komponente, das bzw. die überwacht wird (z.B. Bremsen, Kühlsystem, Batterie, usw.) vorhersagt. Die Vorhersagen werden zusammen mit den Sensordaten aufgezeichnet, und das Data Mining dient zur periodischen Verbesserung der prädiktiven Modelle für jedes Subsystem aus Daten der Fahrzeugvorgeschichte und des Wagenparks. Das Datenanalysesystem kombiniert die Vorhersagen von den verschiedenen Subsystemen und erzeugt eine zusammengestellte Vorhersage oder Empfehlung für eine präventive Wartung, die durch eine Benutzerschnittstelle dem Fahrer, der Service-Zentrale oder der Kundendienstzentrale zugeführt werden kann.
Der präventive Wartungsansatz der Datenanalyse der vorliegenden Erfindung kombiniert klassische Ansätze für die Diagnose mit einem Ansatz des maschinellen Lernens auf der Grundlage von Daten von vielen Fahrzeugen und Informationen, die durch Telematik, Service-Zentralen, Werkstätten und technische und Prüfabteilungen bereitgestellt werden. Die bestehenden klassischen Diagnaose- und Wartungssysteme arbeiten mit Algorithmen auf der Grundlage von technischem Wissen, Expertenwissen, mathematischen und physikalischen Modellen, statistischen Mo dellen oder Ansätzen der künstlichen Intelligenz. Diese Algorithmen werden gewöhnlich während des Entwurfs des Systems definiert und die Parameter werden während des Einsatzes konfiguriert und während des Betriebs angepaßt.
Während der Lebensdauer des Fahrzeugs erfaßt und archiviert das Zustandsüberwachungssystem der vorliegenden Erfindung häufig Aggregatdaten von vielen Fahrzeugen. Diese Vorgeschichte kann aus der Fahrzeug-Identifikationsnummer (VIN), Zeitstempeln, Lastkollektiven, Histogrammen, Datenverläufen über die Zeit oder aus Kenntnissen bestehen, die aus Onboard-Diagnose- und Datenanalysefunktionen abgeleitet werden. Zusätzlich erfaßt die Zustandsüberwachung Diagnose- und Wartungsdaten von Telematik-Service-Zentralen, Werkstätten (Diagnosedaten, Reparaturen, Wartungszustand) und technischen Prüfabteilungen.
Muster für „normales Fahrzeugverhalten" und „problematisches Fahrzeugverhalten" werden durch häufiges Verarbeiten der kombinierten Daten unter Verwendung von Verfahren des maschinellen Lernens und des Data Mining abgeleitet. Zum Beispiel werden die Geschwindigkeit, die Motordrehzahl, die Motortemperatur, das Motordrehmoment, Umgebungstemperatur, der Kraftstoffverbrauch und Emissionswerte analysiert, um ein normales und abnormes Verhalten zu erkennen. Mit diesen Mustern werden Onboard-Systemdiagnosealgorithmen angepaßt und personalisiert und sie ermöglichen eine Analyse außerhalb des Fahrzeugs für vielfältige Anwendungen, wie zum Beispiel die Vorhersage bevorstehender Fahrzeugprobleme und die Bestimmung des Fahrzeug-Wartungsstatus.
Das Zustandsüberwachungssystem von 1 und 2 ermöglicht eine kontinuierliche Beobachtung des Status jedes Fahrzeugs, während es funktionsfähig ist, um Informationen in bezug auf die genauen Umgebungs- und Betriebsbedingungen zu erhalten, unter denen das Fahrzeug verwendet wird. Da niemals zwei Fahrzeuge genau gleich sind und fast niemals in derselben Umgebung betrieben werden, ist die Genauigkeit von prädiktiven Modellen vor dem Einsatz immer beschränkt. Als Ergebnis verschiedener statistischer Ansätze und von Ansätzen des maschinellen Lernens und des Data Mining werden die während der Benutzung des Fahrzeugs erfaßten Daten analysiert und die prädiktiven Modelle des Fahrzeugsystems werden aktualisiert, um kundenspezifische prädiktive Modelle auf der Grundlage der Betriebsbedingungen jedes Fahrzeugs zu ermöglichen.
Dementsprechend können prädiktive Modelle in dem Fahrzeug oder in einem zentralen Diagnosesystem installiert oder in dem Fahrzeug verteilt werden. Umgekehrt können sie auch außerhalb des Fahrzeugs, verteilt oder auf einem zentralen Server eines Fahrzeugdiagnose- und Wartungsd enstanbieters (Werkstätten, Händler, Hersteller, Dritte), installiert werden. Die erfaßten Daten können von einem einzigen Fahrzeug, einer von einer einzelnen Firma betriebenen Gruppe von Fahrzeugen (kommerzieller Wagenpark), einer Klasse von Fahrzeugen von einem oder mehreren Fahrzeugherstellern oder wenn der gesamte Fahrzeug-Wagenpark von einem oder mehreren Herstellern stammt, ankommen.
Dieses prädiktive Modell kann die erwartete Ausfallzeit auf der Grundlage von Benutzungs- und Umgebungsbedingungen vorhersagen. Ein solches Modell wird als Ausfallmodell bezeichnet. Als Alternative kann das Modell das erwartete Modellverhalten einer Komponente stimulieren und dadurch einen Vergleich zwischen dem tatsächlichen und vorhergesagten Status der Komponente ermöglichen. Dieses Modell wird als ein Modell des nominalen Verhaltens bezeichnet. Modelle des nominalen Verhaltens liefern eine Grundlage für die Entscheidung, wann eine Komponente gewartet werden soll, indem abnormes Verhalten erkannt wird. Obwohl nicht unbedingt alle Teile, die sich außerhalb des normalen Bereichs verhalten, ausfallen werden und ersetzt werden müssen, wird angenommen, daß sich abnorm verhaltende Teile untersucht werden sollten.
Der Lebenszyklus eines prädiktiven Diagnose- oder Wartungsmodells basiert auf den folgenden Schritten:

1. Analysieren technischer Systeme von neuen Fahrzeug- und verfügbaren Testdaten;
2. Entwerfen generischer prädiktiver Diagnose- und Wartungsmodelle;
3. Verwenden generischer prädiktiver Diagnose- und Wartungsmodelle mit Fahrzeug;
4. Sammeln von Daten von dem Fahrzeug während der Benutzung des Fahrzeugs;
5. Analysieren gesammelter Daten unter Verwendung von Techniken des maschinellen Lernens, des Data Mining oder statistischer Techniken;
6. Entsprechendes Verbessern bestehender prädiktiver Modelle;
7. Rückmeldung an das Fahrzeug und an den Fahrzeugbetreiber, bis das Fahrzeug recycled wird;
8. Integration von Rückmeldungen aus einzelnen Fahrzeugen in generische Modelle, bis die Fahrzeuggeneration abgelöst wird; und
9. Aktualisieren von Techniken zur Erzeugung generischer Modelle für die nächste Fahrzeuggeneration.

Um einen Ausfallmodus zu erzeugen, muß ein objektives Maß eines „Ausfalls" oder einer „maximalen erwarteten Lebensdauer" verfügbar sein. Dieses Ausfallmodell basiert auf Daten, die sich aus tatsächlichen Ausfällen ergeben. Da Ausfälle selten sind und das Ziel der präventiven Wartung und der vorhergesagten Diagnose genau darin besteht, daß sie sogar noch seltener werden, ist die Datenmenge, auf der das Modell basieren kann, begrenzt und führt wahrscheinlich zu weniger genauen Modellen. Andererseits sind Daten bezüglich des normalen Verhaltens von Komponenten, die für ein Modell des nominalen Verhaltens erforderlich sind, in Fülle vorhanden. Somit kann man genaue Modelle des nominalen Verhaltens unter Verwendung etablierter Techniken des Data Mining erzeugen, da genug Daten verfügbar sind.
Die Überwachung der generischen Komponente ist in 3 abgebildet, wobei unabhängige Umgebungsvariablen (E) und eine Menge von abhängigen Statusvariablen (S) des analysierten Systems von einer Startzeit t₀ zu einer gegebenen (aktuellen) Zeit t_c verwendet werden, um die Menge von Statusvariablen zu einem in der Zukunft liegenden Zeitpunkt T_s vorherzusagen (siehe 4). Damit die Vorhersage für die präventive Wartung nützlich ist, muß sie ausreichend lange im voraus erfolgen, d.h. r_F > t_c. Das Ergebnis dieser Art von Modell ist in der Regel die Zeit des Ausfalls t_F.
Das Ziel des Modells des nominalen Verhaltens ist die Erkennung eines abnormen Verhaltens, das ein sich entwickelndes Problem signalisiert. Das Modell sagt dann die Werte für die Statusvariable zum aktuellen Zeitpunkt voraus und durch Ver gleichen dieser mit den tatsächlichen Werten der Statusvariablen wird die Leistung des Systems bewertet. Ein Modell des nominalen Verhaltens verwendet deshalb Umgebungsvariablen bis zum aktuellen Zeitpunkt (E(T₀t_e)). Zusätzlich verwendet dieses Modell des nominalen Verhaltens auch die Statusvariablen bis zu einem bestimmten Zeitpunkt t₁ vor der Zeit t_c (siehe 5). Die Zeitdifferenz zwischen t_c und t₁ ist das Vorhersagefenster und hängt von dem analysierten System ab. Es muß kurz genug sein, um eine Verhaltensdiskrepanz zuverlässig zu erkennen, aber auch lang genug, damit die Vorhersage nützlich ist.
Verschiedene Szenarien für die Modellerzeugung und -revidierung können. als Funktion der Kombination von Datenquellen (einzelnes Fahrzeug, mehrere Fahrzeuge), des Orts des prädiktiven Systems (auf dem Armaturenbrett, außerhalb des Armaturenbretts, zentralisiert, verteilt), des Orts des Datenanalysesystems (Lernsystem) und der Art des verwendeten prädiktiven Modells konzipiert werden.
Wenn ein prädiktives Onboard-Diagnosesystem verwendet wird und die Daten aus einem einzigen Fahrzeug stammen, aktualisiert das entwickelte System die Parameter des prädiktiven Vor-Einsatz-Modells durch Lernen neuer Parameter durch Beobachtung des Verhaltens des Fahrzeugs, wenn es Betriebs- und funktionsfähig ist, wie nun besprochen werden wird.
Durch Analysieren von Wagenparkdaten außerhalb der Fahrzeuge können Vorhersagen bezüglich der Qualität von Fahrzeugen eines bestimmten Produktionsdatums durchgeführt und neue prädiktive Modelle können erzeugt werden. Diese Modelle können entweder mittels der drahtlosen Kommunikation oder während der nächsten Inspektion in jedes einzelne Fahrzeug heraufgeladen werden.
Um die Überwachungsoperation mit drahtlosen Schnittstellen zur Übertragung von Daten auszuführen, müssen Parameter zur Überwachung der Abnutzung einzelner Komponenten definiert werden, was ein zeitaufwendiger und kostspieliger Vorgang sein kann. Das heißt, die Parameter müssen durch eine zeitaufwendige Reihe von Experimenten mit Bezug auf die der Abnutzung ausgesetzten Komponente definiert werden. Diese Komponenten können eine lange Lebensdauer aufweisen, so daß sehr viel Zeit und Kosten entstehen und das Problem entsteht, daß die Wagenparkinformationen nicht zur Anpassung des Parameters verwendet werden können.
Dementsprechend wurde eine effiziente Datenkomprimierung der Betriebslast durch Verwendung von Lastaggregaten entwickelt, und wird auch für die nachfolgende Überwachung der Abnutzung und die Benutzung einer außerhalb des Fahrzeugs erfolgenden Datenverarbeitung für die erste Parametrisierung und Anpassung der Modellparameter verwendet. Dies gewährleistet eine einfache Erkennung der Betriebslast und eine Abbildung der Abnutzung durch Verwendung dieser Lastaggregate ohne kostspielige und zeitaufwendige Prüfläufe für die erste Parametrisierung der Abnutzungsmodelle. Wenn sich die Abnutzungsparameter ändern, können Abweichungen schnell erkannt und die Modellparameter angepaßt werden.
6 zeigt eine Systemübersicht der Client/Server-Struktur und der Datenbankverknüpfungen auf der Serverseite. Jeder Client stellt ein zu überwachendes System (Fahrzeug) dar, bei dem die „echte" Abnutzung einer Komponente mittels eines nichtlinearen, zweidimensionalen Leistungsgraphen modelliert wird. Die Abnutzung wird durch ein 10x10-Lastaggregat überwacht, das in der Matrix des Beispiels von 6 100 Elemen te enthält und parallel zu der „echten" Abnutzung geschaltet ist.
Mit diesem Ansatz wird das Lastaggregat im Betriebsmodus so parametrisiert, daß nach der vollständigen Abnutzung des einzelnen Client bzw. der einzelnen Maschine die echte Abnutzung v und die Belastung H in Form von Lastaggregaten zu der Server-Datenbank transferiert werden. Wenn genug Datenmengen vorliegen, kann das Auswertungssystem verwendet werden, um die Auswertungsgewichtung W der Lastaggregate zu bestimmen und/oder zu verbessern oder die Auswertungsgewichtung an sich ändernde Bedingungen anzupassen. Die Abnutzsimulation und die Parameteridentifikation wurden mit den bekannten Funktionalitäten von Matlab/Simulink realisiert. Um die Systemkommunikation zwischen Client und Server und der Datenbankverknüpfung umzusetzen, wurde die Java-Funktionalität, die von Version 6 von Matlab an verfügbar ist und zum ersten Mal eine „gemischte Programmierung" von Java- und Matlab-Code ermöglicht, verwendet. Tabelle 1 zeigt ein Beispiel für eine Matlab-Funktion (M-Datei), die als Reaktion auf die Server-Datenbank mittels Java-Befehlen wirkt, um die erzeugten Datenmengen jedes Client in der Datenbank zu speichern.
Tabelle 1: Matlab-Funktion mit Java-Code
Diese Lastaggregate bestehen aus der Häufigkeitsverteilung der zu überwachenden Eingangswerte. Somit zeigen sie die gemessene Belastung und ihre Häufigkeit und die Lastaggregate sind hauptsächlich dafür geeignet, die Dienstlebensdauer arithmetisch abzuschätzen und die Meßwerte zu prüfen. Es gibt theoretisch verschiedene Möglichkeiten zur Messung von kontinuierlichen Eingangswerten (z.B. Spitzenzählwert, Momentanwertzählwert, Klassengrenzen-Übersteuerungszählwert). Am besten eignet sich jedoch der eindimensionale oder mehrdimensionale Momentanwertzählwert für die Bewertung des Zustands von Komponenten, die einer Abnutzung ausgesetzt sind.
Mit Bezug auf den Momentanwertzählwert werden die Variablen zu einem festen Scan-Zeitpunkt T₀ gemessen, während das Matrixelement h, das den Eingangswerten entspricht, zu einer Häufigkeitsmatrix H erhoben wird, die, wie in 7 gezeigt, einen zweidimensionalen Momentanwertzählwert zeigt.
Dieses konkrete Zählverfahren hat mehrere Merkmale:
das gleichzeitige Verbleiben von Variablen in Zählwerten einer Klasse;
die Zählwertamplitude stellt die gesamte Verweilzeit in den Klassen dar;
der Bezug auf die Zeitskala wird beseitigt; und
die Klassifikation wird zu einer Quantifizierung der Variablen.
Auf diese Weise wird eine starke Datenkomprimierung erzielt und gleichzeitig werden relevante Informationen (Gesamt-Verweilzeit) in einem definierten Betriebszustand (z.B. hohe Geschwindigkeit bei mittlerem Druck) extrahiert.
Mit Bezug auf eine Abschätzung der Abnutzung von Komponenten ist die Größe der Belastung und ihre Häufigkeit von Hauptinteresse. Ein Algorithmus zur Auswertung eines Lastaggregats und somit zur Abschätzung der Dienstlebensdauer kann abgeleitet werden, wenn man die folgenden idealisierten Approximationen annimmt:

1. Die chronologische Abfolge der Betriebszustände ist irrelevant, d.h. ein Betriebszustand hat ungeachtet des Zeitpunkts dieselbe Auswirkung auf die Abnutzung;
2. Die kontinuierlichen Betriebszustände können in Klassen unterteilt werden, d.h. die Betriebszustände können durch entsprechende Mittelpunkte der Klassen ersetzt werden; und
3. Für jedes Matrixelement h gibt es eine Auswertungsgewichtung W, mit der die statische und dynamische Betriebsart mit ausreichender Genauigkeit ausgewertet werden kann.

Unter diesen Bedingungen erhält man die Gesamtabnutzung v des zweidimensionalen Lastaggregats durch eine Summierung der Einzelauswertungen aller Klassen (siehe Gleichung 1), die sich aus der Multiplikation der jeweiligen Häufigkeitseingabe h_ij mit der Auswertungsgewichtung w_ij ergeben.
Mit diesen Abnutzungsinformationen kann man mittels der Vorgeschichte und geplanten Benutzung die optimale Wartungszeit bestimmen.
Aus der aus Gleichung 1 erhaltenen Gesamtabnutzung und aus mehreren Datenmengen wird ein redundantes Gleichungssystem (Gleichung 2) erzeugt. Um die Auswertungsgewichtung W zu bestimmen, werden die bekannten Regressionsmethoden verwendet, wie zum Beispiel das Verfahren der kleinsten Quadrate (LS) und das rekursive Verfahren der kleinsten Quadrate (RLS).
Um die Auswertungsgewichtung W zu bestimmen, sind mindestens soviele lineare unabhängige Gleichungen (Abnutzungsdatenmengen) notwendig, wie es Auswertungsgewichtungen gibt. Um statistische Fehler auszugleichen, wird deshalb 3 bis 5mal die Menge von Datenmengen empfohlen. Somit sind für die erste Parametrisierung oder für die Anpassung zur Bestimmung der Aus wertungs-Gewichtung W mehrere Datenmengen notwendig. Das Ergebnis der Abbildung in Gleichung 3 ist eine Reduktion in den Klassen für jede Dimension von x_i auf x_i (i:1...N ist gleich der Anzahl von Dimensionen). T: H Rx1, x2, x3 ... xN H R1, 2, 3 ... N (Gleichung 3)
Deshalb wird die Größe der bestehenden Lastaggregate H durch Gleichung 4 reduziert, so daß mit nur einer kleinen Anzahl von Datenmengen die reduzierte Auwertungsgewichtung W durch das Verfahren der kleinsten Quadrate (LS) bestimmt werden kann. H T(H) (Gleichung 4)
Nachdem die reduzierte Auswertungsgewichtung W bestimmt wurde, führt die Abbildung in Gleichung 5 zu einer Transformation (Gleichung 6) zurück zu der ursprünglichen Größe der Auswertungsgewichtung W. U: W R1, 2, 3 ... N W Rx1, x2, x3 ... xN(Gleichung 5) W U() (Gleichung 6)
Die Folge einer solchen Transformation besteht darin, daß ein 10x10-Lastaggregat mit 100 Elementen auf ein 3x3-Lastaggregat mit 9 Elementen reduziert werden kann und deshalb eine kleinere Anzahl linear unabhängiger Gleichungen für die Bestimmung erforderlich ist.
Eine Anwendung des obigen Verfahrens war eine Simulationsstudie auf der Grundlage von 1000 Lastaggregaten mit damit zusammenhängenden Abnutzungswerten. Um die Anpaßbarkeit zu zeigen, wurden die Abnutzungsparameter des überwachten Systems beginnend mit der 600. Datenmenge verändert. Die Qualität der gefundenen Auswertungsgewichtung wurde durch externe Datenmengen ausgewertet und über die Anzahl von Abnutzungs-Datenmengen als prozentualer mittlerer Fehler aufgetragen (siehe 8).
Tabelle 2: Merkmal-Entwicklung für die Analyse der Kühldaten in Predia
Das Verfahren der kleinsten Quadrate (LS) (Abschätzungshorizont: 300 Datenmengen), das redundante Verfahren der kleins ten Quadrate (RLS), wobei der Fehler für den Getting-Faktor gesteuert wird, und das LS-Verfahren (Abschätzungshorizont: 300 Datenmengen) mit Matrixreduktion wurden als die Parameterabschätzungsmethoden verwendet. Die Dimensionsgröße der reduzierten Matrix wird als Funktion der Anzahl bestehender Datenmengen gesteuert.
Mit dreifacher Redundanz des reduzierten Gleichungssystems wurde das schnellste Konvergenzverhalten (8) in bezug auf die erste Parametrisierung der Lastaggregate durch Matrixreduktion erzielt. Auch wenn die Abnutzungsparameter geändert wurden (beginnend von der Datenmenge 600), liefert das Matrixreduktionsverfahren bessere Ergebnisse als das LS-Verfahren mit Abschätzungshorizont, da es erst nach dem Abschätzungshorizont von 300 Datenmengen konvergiert. Das RLS-Verfahren erzeugt den kleinsten Fehler während der Anpassung (600–650 Datenmengenj. Eine umfassende Untersuchung zeigte jedoch, daß der Fehler des RLS-Verfahrens letztendlich höher als der der beiden LS-Verfahren war.
BEISPIELE
Um die Zustandsüberwachung zu demonstrieren, wurden Daten aus Kühlsystemen von verschiedenen Actros-Lastwagen gesammelt, um ein Modell zu erzeugen, um zu erkennen, ob das Kühlsystem des Lastwagens normal arbeitet, und um bevorstehende Ausfälle vorherzusagen. Bisherige Versuche zur Erzeugung eines prädiktiven Modells auf der Grundlage einer technischen Analyse waren wegen der Komplexität des Systems erfolglos. Durch Verwenden des Modells des nominalen Verhaltens der vorliegenden Erfindung für die Kühlflüssigkeitstemperatur auf der Grundlage eines künstlichen neuronalen Netzes wurde jedoch ein erstes Modell erzeugt, revidiert und durch Modellverbesserung an andere Lastwagen angepaßt. Die verfügbaren Daten umfassen die Fahrzeuggeschwindigkeit (V), die Motorumdrehungen pro Minute (n), das Motordrehmoment (M), die Umgebungstemperatur (T_E), den atmosphärischen Druck (P_E) und die Kühlwassertemperatur (T_CW) mit einer Auflösung von drei Sekunden (20 Messungen pro Minute). Die Daten wurden aus dem CAN-Bus (Controller Area Network) in dem Fahrzeug erhalten und vorverarbeitet, um diese Daten in eine Form umzuwandeln, die tatsächliche physikalische Eigenschaften darstellt. Es wurden vierundfünfzigtausend Datenpunkte für vier verschiedene Lastwagentypen (1840, 1857, 2543, 2653) erhalten. Die Daten enthalten nur die Messung für Kühlsysteme in funktionsfähigem Zustand ohne Daten für ein fehlerhaftes Kühlsystem. Deshalb war der Ansatz bei diesem Beispiel auf die Erzeugung eines Modells des nominalen Verhaltens für das Kühlsystem begrenzt.
Ein neuronales Netz wurde erzeugt, um die Temperatur der Kühlflüssigkeit ähnlich wie bei dem Ansatz in 4 vorherzusagen. Nach der Installation in dem Lastwagen lieferte das System eine Fehlernachricht immer dann, wenn die vorhergesagte und die tatsächliche Kühlwassertemperatur von einer eingestellten Grenze verschieden waren. Die eingesetzten Daten wurden zuvor in einem anderen Projekt, das als das PREDIA-PROJEKT bezeichnet wurde, analysiert, bei dem die Auflösung auf 9 Sekunden verringert wurde. Um die Daten zu glätten, wurde eine Filterungsfunktion verwendet, die die Differenz zwischen zwei aufeinanderfolgenden Datenpunkten um einen gegebenen Prozentsatz verkleinert (x_1new ist gleich x₀ + (x₁ – x₀)*y_%). Um Zeit-Tag-Reiheneffekte zu berücksichtigen, wurden Attribute eingeführt, die die Daten über 40 Datenpunkte mitteln. Die Zusammenfassung der revidierten Eingangsdatenmenge ist in Tabelle 2 gezeigt. Die durch das neuronale Modellnetz erzeugten Ergebnisse enthalten 21200 Datenpunkte mit einer Auflösung von 9 Sekunden, wobei es sich auch um die Da ten handelt, die zum Trainieren des Netzes verwendet wurden, d.h. diese Ergebnisse sind Ergebnisse an der Trainingsmenge.
Das Modell bestimmte eine nominale Temperatur für 5054 Punkte oder 23,8 dieser Datenpunkte. Der resultierende Prädiktionsgraph ist in 9 gezeigt. Die dunklen Linien zeigen die tatsächliche, gemessene Kühlwassertemperatur (C_CW) und die hellen Liniensegmente sind die Vorhersagen, die das neuronale Netzmodell bei den gegebenen Betriebsbedingungen des Fahrzeugs lieferte. Die Vorhersagen wurden für den aktuellen Zeitpunkt gegeben, d.h. es wurde das nominale Verhalten für die aktuelle Situation berechnet.
Mit Bezug auf die Datenpunkte, für die das System in der Lage war, eine Vorhersage zu treffen, betrug der maximale Fehler 5,15°C und der mittlere Fehler betrug 0,778°C. Der Fehler lag für 71,3 der Punkte unter 1°C, für 94,9% unter 2°C und für 98,7% unter 2,5°C. Die Fehlerbereichsverteilung ist in 10 gezeigt.
Für 23,8% der Datenpunkte war es deshalb möglich, die Temperatur der Kühlflüssigkeit bis auf eine Genauigkeit von 2,5°C auf der Grundlage der Ergebnisse der Trainingsmenge vorherzusagen.
Eine längere Abweichung der Temperatur der Kühlflüssigkeit würde ein Problem und die Notwendigkeit einer präventiven Wartung anzeigen. Da die Eigenschaften des Kühlsystems komplex sind, können sie sich von einem Fahrzeug zum anderen ändern. Obwohl die Erzeugung eines generischen Modells zur Vorhersage der Kühltemperatur für eine Klasse von Lastwagen annehmbare Ergebnisse liefern kann, muß das generische Modell unter Verwendung von Kühlsystemdaten, die aus jedem jeweiligen Lastwagen stammen, verbessert werden. Die aktuelle Kühl flüssigkeitstemperatur eines Lastwagens hängt von der jüngsten Vorgeschichte bezüglich der Umgebungsvariablen (Motorbetriebsbedingungen) und auch der vorherigen Kühlflüssigkeitstemperatur ab. Da die Temperatur der Kühlflüssigkeit eine Eigenschaft ist, die sich nicht schnell ändert, besteht eine Verzögerung zwischen der Änderung der Umgebungsvariablen und den Auswirkungen auf die Kühlflüssigkeitstemperaturen.
Das Ziel des Experiments bestand darin, ein prädiktives Modell des nominalen Verhaltens für die Kühlwassertemperatur zu erzeugen. Wenn die Temperatur bei den gegebenen Motorbetriebsbedingungen von dem Erwarteten abweicht, muß eine solche Abweichung erkannt werden, insbesondere wenn sie lange anhält. Um ein prädiktives Modell des nominalen Verhaltens bereitzustellen, wurde eine Analyse an derselben Datenmenge wie bei dem Predia-Projekt verwendet, aber mit einer Reduktion der zeitlichen Auflösung von 3 Sekunden für die Daten, während die anfängliche Anzahl von Datenpunkten beibehalten wurde. Die Daten wurden gefiltert, um ungültige und leere Daten zu entfernen, und Meßwerte wurden entfernt, wenn sich das Fahrzeug nicht bewegte und der Motor ausgeschaltet war (V, n und M = 0). Außerdem wurden Meßwerte entfernt, wenn Daten in einem oder mehreren Feldern fehlten, und Datenmengen wurden entfernt, die offensichtlich falsch waren, d.h. mit Werten von V größer als 200 km/h, einem N von mehr als 3000 U/min und einem M von mehr als 500 Nm. Es blieben 34 292 Datenpunkte für den Lastwagen des Modells 1840 und 54 920 Datenpunkte für den Lastwagen des Modells 1857.
Im nächsten Schritt wurden vier Mengen von fließenden Mittelwerten für alle verfügbaren Daten mit Ausnahme der Kühlwassertemperatur berechnet, wobei die letzten 5, 20, 40 und 80 Datenmengen, d.h. 15 Sekunden, 1 Minute, 2 Minuten und 4 Minuten vor dem aktuellen Datenpunkt, berücksichtigt wurden (siehe 11). Bereiche, in denen das größte Fenster aufgrund der Entfernung ungültiger Datenpunkte einen zuvor erzeugten Übergangsbereich enthielten, wurden übersprungen. Eine Zusammenfassung der als Eingaben für das prädiktive Modell verwendeten Merkmale ist in Tabelle 3 aufgelistet. Die Berechnung des fließenden Mittelwerts für die Kühlwassertemperatur wurde unter Verwendung der Daten bis zu 20 Datenpunkten (1 Minute) vor dem aktuellen Datenpunkt erzielt. Die Fenster starteten von t-79 und t-39 und kamen bis herauf zu t-20. Die gewünschte Ausgabe des Modells ist die Kühlwassertemperatur an dem aktuellen Zeitschritt. Deshalb bildet das Netz ein prädiktives Modell der in 4 abgebildeten Form. Die einminütige Lücke zwischen dem letzten Wert der Kühltemperatur, die als Eingabe als eine Vorhersage verwendet wird, stellt sicher, daß signifikante Abweichungen erkannt werden können.
Tabelle 3: Merkmal-Entwurf für den Ansatz der zusammengefaßten Vorgeschichtedaten
Die Ergebnisse an zwei Datenmengen bezüglich zweier Lastwagenmodelle, der Actros-Reihe 1840 und 1857, sind in Tabelle 4 angeführt. Es lagen ungefähr 40 000 gültige Datenpunkte für jedes Modell vor. Das neuronale Netz wurde an der Hälfte der Daten unter Verwendung eines Standard-Back-Propagation-Lernalgorithmus trainiert. Das Netz wurde dann mit den übrigen Daten ausgewertet.
Tabelle 4: Ergebnisse der Daten für den Actros-Lastwagen 1840 und 1857
12 und 13 zeigen die Verteilung des Absolutfehlers in den Vorhersagen und 14 und 15 zeigen, wie gut die von dem Modell vorhergesagte Temperatur mit der tatsächlichen Temperatur übereinstimmt.
Das normale Verhalten des Kühlsystems wird von Lastwagen zu Lastwagen etwas verschieden sein. Um das bestmögliche Modell des nominalen Verhaltens für einen Lastwagen zu erhalten, ist es wichtig, das Modell mit Daten aufzubauen, die von diesem konkreten Lastwagen gesammelt wurden. Die notwendige Datenmenge zum Aufbau eines ausreichenden Modells von Anfang an kann im allgemeinen jedoch sehr groß sein. In der Praxis könnte es schwierig oder kostspielig sein, genug Daten für Lastwagen zu sammeln. Deshalb wurde eine auf Modellverbesserungen basierende Alternative erkundet. Statt für jedes Fahrzeug von Grund auf ein Modell zu bauen, wurde zunächst aus einer großen Menge von Daten, die aus einer Anzahl von Lastwagen desselben Typs gesammelt wurden, ein generisches Modell konstruiert. Das generische Modell wurde dann unter Verwendung nur einer kleinen Datenmenge von jedem Lastwagen verbessert oder an die einzelnen Lastwagen angepaßt. Die Daten für diesen Test unterschieden nicht zwischen verschiedenen Lastwagen desselben Modells oder Typs. Folglich wurden Daten für die Actros-Reihe 1840 und 1857 als Ersatz für Daten von verschiedenen Lastwagen desselben Typs verwendet. Das aus der 1840-Datenmenge aufgebaute prädiktive Modell wurde als das generische Modell benutzt und mit Daten von den 1857-Lastwagen „verbessert". Das verbesserte Modell wurde durch Neutrainieren des aus den 1840-Daten aufgebauten neuronalen Netzes unter Verwendung einer Teilmenge der ursprünglichen 1840-Daten zusätzlich zu größer werdenden Datenmengen aus den 1857-Lastwagen erhalten. Das verbesserte Netz wurde dann an der vollen 1857-Datenmenge ausgewertet. Durch Beibehalten eines Teils der ursprünglichen Daten in der Verbesserungsphase wird sichergestellt, daß die Lernprozedur das neuronale Netz nicht an die neuen Daten überanpaßt.
Die Ergebnisse der Verbesserungsaufgabe sind in Tabelle 5 zusammengefaßt, worin die Leistung (an der 1857-Datenmenge) des verbesserten Netzes unter Verwendung verschiedener Datenmengen aus den 1857-Lastwagen gezeigt und diese mit der Leistung eines von Grund auf unter Verwendung nur der 1857-Daten aufgebauten Modells verglichen wird. Zusätzlich zeigt die Tabel le die Leistung des ursprünglichen unverbesserten Modells an der 1857-Datenmenge.
Tabelle 5: Ergebnisse bezüglich der Verbesserungsaufgabe
Der mittlere Absolutfehler des verbesserten Modells entwickelte sich mit Verwendung weiterer neuer Daten wie in 16 gezeigt. Diese FIG. zeigt außerdem, wie der Absolutfehler im Vergleich zu dem Fehler eines Modells dasteht, das von Grund auf nur unter Verwendung der neuen Daten aufgebaut wurde. Die Genauigkeit des Modells nimmt zu, wenn mehr Daten verwendet werden, und auch wenn nur wenig Daten verfügbar sind, ist das verbesserte Modell dem von Grund auf aufgebauten Modell signifikant überlegen.
Da die charakteristischen Eigenschaften der 1840-Lastwagen signifikant von denen der 1857-Lastwagen verschieden sind, arbeitet das ursprüngliche unverbesserte Modell (das aus den 1840-Daten aufgebaut wurde) nur schlecht an den 1857-Daten. 17a und 17b stellen den Absolutfehler der Verteilung des Modells vor und nach der Verbesserung gegenüber. Wenn mit einem besser arbeitenden Modell begonnen wird, das aus Fahrzeugen aufgebaut wird, die dieselben charakteristischen Eigenschaften wie die Zielfahrzeuge aufweisen, wären die Vorteile des Ansatzes der Modellverbesserung gegenüber dem Von-Grund-Auf-Ansatz sogar noch größer.
Das Zustandsüberwachungsverfahren der vorliegenden Erfindung ergibt Anwendungen nicht nur bei der präventiven Wartung sondern auch bei der oben besprochenen prädiktiven Diagnose, internetgestützten Wartungs- und Reparaturdiensten und verbesserter Fehlerbehebung auf der Grundlage der Straßenerfahrung des Fahrzeugs.
Durch die Möglichkeit, den Fahrzeugwartungsstatus aus der Ferne zu bestimmen, können Werkstätten und Händler Kunden aktiv unterstützen, wenn die Wartung fällig ist, und ein Wagenpark-Management-Service kann Wagenparkkunden, wie zum Beispiel Taxis oder Mietautos, bereitgestellt werden, wodurch es leichter wird, die Wartungskosten durch Einplanen von Wartungsintervallen auf der Grundlage der tatsächlichen Benutzung zu reduzieren. Außerdem können Werkstätten die Ausnutzung ihrer Anlage optimieren und können die Materiallogistik durch Vorhersagen bevorstehender Wartungsvolumen planen. Außerdem sind Hersteller in der Lage, das Wissen um den Fahrzeugstatus an externe Werkstätten und Dienstanbieter zu verkaufen und die Kundenzufriedenheit durch Bereitstellen auf Benutzern basierender personalisierter Wartungsdienste zu vergrößern.
Die Onboard- und die außerhalb des Fahrzeugs erfolgende Datenverarbeitung dient zur Bestimmung des Wartungsstatus eines Fahrzeugs, wobei das Fahrzeug kontinuierlich mit einfachen physikalischen und mathematischen Modellen Sensorinformationen verarbeitet, um Wartungstatusinformationen abzuleiten. Zusätzlich stellt sie Sensorinformationen, die in einem außerhalb des Fahrzeugs angeordneten System analysiert werden sollen, mit Hilfe von Techniken des maschinellen Lernens zusammen, wobei das außerhalb des Fahrzeugs angeordnete System Analyseergebnisse als Inhalt für Internetdienste für Werkstätten und Kunden liefert.
Ein tatsächlicher Betrieb der präventiven Wartung wird dadurch bereitgestellt, daß das Onboard-Zustandsüberwachungssystem kontinuierlich Sensorinformationen zusammenstellt und sie verarbeitet, um Wartungsstatusinformationen abzuleiten. Das Onboard-System sendet diese Wartungsstatusinformationen zu dem außerhalb des Fahrzeugs angeordneten System und die Übertragung kann durch eine Zeitsteuerung, die Verfügbarkeit einer kosteneffektiven Kommunikation oder auf Anforderung von dem außerhalb des Fahrzeugs angeordneten System ausgelöst werden. Die Wartungsstatusinformationen enthalten Fahrzeugidentifikation und Zeitstempel, den Kilometerstand, die zusammengestellten Fahrzeugbenutzungsinformationen und Abnutzungsinformationen von Fahrzeugkomponenten. Das außerhalb des Fahrzeugs angeordnete System analysiert die bereitgestellten Informationen und. bewahrt Statusinformationen für Internet-Portale, die der Kunde abonniert. Wenn die Notwendikeit eines bevorstehenden Wartungs-Service erkannt wird, werden geeignete Werkstätten informiert, wobei die Auswahl einer geeigneten Werkstatt auf der Entfernung zu der Wohnung oder Arbeitstelle des Kunden oder auf Wünschen des Kunden oder der Service-Vorgeschichte basiert. Die Informationen, die zu der Werkstatt und zu dem Kunden gesendet werden, umfassen Kunden- und Fahrzeuginformationen, die Dringlichkeit und Informationen bezüglich der notwendigen Wartungsschritte. Nachfolgend kann die Werkstatt den Kunden durch Telefon, E-Mail oder anderweitig kontaktieren, um eine Wartungsaktivität vorzuschlagen.
Zusätzlich umfaßt eine präventive Wartung auf der Grundlage der tatsächlichen Benutzung nicht nur den Einsatz eines Zeitplans dafür, wann die Wartung aufgrund der Benutzung erwartet werden kante, sondern erkennt auch bevorstehende Fahrzeugprobleme, die nicht Teil der normalen Abnutzung sind, aufgrund von Umgebungs- oder Benutzungsbedingungen. Das Fahrzeug stellt verarbeitete Sensorinformationen zusammen, die zur Bestimmung des Status der Fahrzeugsysteme notwendig sind, und sendet diese Informationen zu einem außerhalb des Fahrzeugs angeordneten Server. Der außerhalb des Fahrzeugs angeordnete Server verwendet aktuelle und archivierte Daten von dem einen Fahrzeug, Daten, die von vielen Fahrzeugen abgerufen werden, und Wissen, das aus Fahrzeugparkdaten erzeugt wird, um ein abnormes Systemverhalten zu erkennen. Wenn ein solches Verhalten erkannt wird, liefern Analyseergebnisse den Inhalt für Internet-Dienste für Werkstätten und Kunden.
Ein abnormes Systemverhalten basiert auf einer auf dem Onboard-Speicher gespeicherten Datenansammlung, die einfachen statistischen Methoden (z.B. Erzeugung von Histogrammen) unterzogen wird. Das Fahrzeug sendet diese zusammengestellten Informationen dann zu dem außerhalb des Fahrzeugs angeordneten System, wobei die übertragenen Informationen die Fahrzeugidentifikation und den Zeitstempel umfassen.
Die internetgestützten Wartungs- und Reparaturdienste (E-Dienste) sind integrale Bestandteile von horizontalen und Kraftfahrzeug-Internet-Portalen, die die Kundenbeziehungen und das Engagement verbessern können. Die Zustandsüberwachung ermöglicht verbesserte Dienste durch Bereitstellen von fahrzeugbezogenen Informationen, wie zum Beispiel des Kilometerstands, des Wartungsstatus und der Fahrzeugbenutzung, während außerdem Kunden die Fahrzeugleistung mit anderen Fahrzeugen derselben Marke und desselben Modells vergleichen können. Diese Zustandsüberwachungsdaten können auch an externe Diensteanbieter verkauft werden.
Durch die Erfassung von Sensordaten und Fahrzeugstatusinformationen von einer großen Anzahl von Fahrzeugen werden neue Gebiete der Produktqualität für den Service möglich, wie zum Beispiel der Einsatz gewählter Fahrzeuge als Sondenfahrzeuge zur Erfassung von Wissen über spezifische Fahrzeugsysteme oder zur Erkennung von Design- und Qualitätsproblemen.
18 zeigt grundlegende Prozesse für die Wartungs- und prädiktive Diagnose. Fahrzeuge liefern häufig Sensor- und Diagnosestatusinformationen an das Zustandsüberwachungssystem außerhalb des Fahrzeugs, das die Daten analysiert und Fahrzeugstatusinformationen erzeugt. Im Fall einer erforderlichen Wartung liefert das außerhalb des Fahrzeugs angeordnete System diese Informationen an geeignete Werkstätten, die den Kunden informieren, daß der Service fällig ist, und bietet ein Service-Paket an und bei Annahme durch den Kunden wird diese Wartung durchgeführt.
Mit Bezug auf die prädiktive Diagnose erfolgt anstelle einer fälligen Wartung eine Anzeige, daß ein bevorstehendes Problem besteht, die auch zu der Werkstatt und dann zu dem Kunden übermittelt wird.
19 ist eine Darstellung eines Schaltbildes eines Computer-Serversystems, das eine Software zur Durchführung der außerhalb des Fahrzeugs erfolgenden Analyse enthält. Der Computer/Server 32, der die Eingabe 10 aus dem Onboard-System erhält, besitzt einen Mikroprozessor 42, ROM 62 und ein Speichergerät 52 in Form von CD, CD-ROM, Diskette oder anderen Medien. Eine Tastatur 22 und ein Monitor 12 vervollständigen das System.
Die obige Offenlegung wurde lediglich als Darstellung der Erfindung dargelegt und sollte sie nicht einschränken. Da Fachleuten Modifikationen der offengelegten Ausführungsformen einfallen können, die den Gedanken und die Substanz der Erfindung enthalten, sollte die Erfindung als alles in dem Schutzumfang der angefügten Ansprüche und ihrer Äquivalente liegende umfassend aufgefaßt werden.

Claims

Verfahren zur Zustandsüberwachung technischer Komponenten, umfassend die folgenden Schritte: – Bereitstellen einer ersten Version eines Verhaltensmodells der zu überwachenden Komponente durch ein Off-Board-System; – Sammeln von Leistungsdaten der zu überwachenden Komponente durch ein On-Board-System; – Bewerten der gesammelten Daten durch das On-Board-System mit Hilfe des ersten Verhaltensmodells, – Bestimmen, wann eine Diskrepanz zwischen den Verhaltensmodell und den gesammelten Leistungsdaten vorliegt; – Bestimmen, ob die Diskrepanz von einem Ausfall der Komponente herrührt; und – wenn die Diskrepanz nicht von einem Ausfall der Komponente herrührte, Modifizieren der ersten Version des Verhaltensmodells durch das Off-Board-System.
Verfahren nach Anspruch 1, weiterhin mit dem Schritt des Transfers von Telematikdaten zwischen dem Off-Board-System und dem On-Board-System.
Verfahren nach einem der Ansprüche 1–2, wobei das Verhaltensmodell eine Vorhersage der eingeplanten Wartungszeit liefert.
Verfahren nach einem der Ansprüche 1–3, wobei das Verhaltensmodell durch Daten eines ganzen Wagenparks von Fahrzeugen desselben Typs wie das Fahrzeug aktualisiert wird.
Verfahren nach Anspruch 4, wobei das Verhaltensmodell als Funktion von Umgebungs- und Betriebsbedingungen der einzelnen Fahrzeuge angepasst wird.
Verfahren nach einem der Ansprüche 1–5, wobei die Leistungsdaten von der Komponente während der Benutzung der Komponente gesammelt werden.
Verfahren nach einem der Ansprüche 1 bis 6, wobei die Leistungsdaten von mehreren spezifischen Komponenten stammen, die jeweils identisch hergestellt wurden.
Verfahren nach Anspruch 1, bei dem das Verhaltensmodell ein generisches Wartungsmodell ist und die Leistungsdaten zu Lastkollektiven zusammengefasst werden.
Verfahren nach Anspruch 8, bei dem mit den Lastkollektiven und dem generischen Wartungsmodell eine Abnutzung der Komponenten berechnet wird.