DE10320809A1 - Car motion recognition and monitoring procedure processes data from acceleration, speed, force and body noise sensors using pattern recognition based on state vectors - Google Patents

Car motion recognition and monitoring procedure processes data from acceleration, speed, force and body noise sensors using pattern recognition based on state vectors Download PDF

Info

Publication number
DE10320809A1
DE10320809A1 DE2003120809 DE10320809A DE10320809A1 DE 10320809 A1 DE10320809 A1 DE 10320809A1 DE 2003120809 DE2003120809 DE 2003120809 DE 10320809 A DE10320809 A DE 10320809A DE 10320809 A1 DE10320809 A1 DE 10320809A1
Authority
DE
Germany
Prior art keywords
measured values
estimation
sensors
chassis
sensor
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Withdrawn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
DE2003120809
Other languages
German (de)
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.)
Conti Temic Microelectronic GmbH
Original Assignee
Conti Temic Microelectronic GmbH
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 Conti Temic Microelectronic GmbH filed Critical Conti Temic Microelectronic GmbH
Priority to DE2003120809 priority Critical patent/DE10320809A1/en
Priority to PCT/DE2004/000976 priority patent/WO2004101300A1/en
Publication of DE10320809A1 publication Critical patent/DE10320809A1/en
Withdrawn legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G17/00—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load
    • B60G17/015—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements
    • B60G17/018—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements characterised by the use of a specific signal treatment or control method
    • B60G17/0185—Resilient suspensions having means for adjusting the spring or vibration-damper characteristics, for regulating the distance between a supporting surface and a sprung part of vehicle or for locking suspension during use to meet varying vehicular or surface conditions, e.g. due to speed or load the regulating means comprising electric or electronic elements characterised by the use of a specific signal treatment or control method for failure detection
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2600/00—Indexing codes relating to particular elements, systems or processes used on suspension systems or suspension control systems
    • B60G2600/08—Failure or malfunction detecting means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2600/00—Indexing codes relating to particular elements, systems or processes used on suspension systems or suspension control systems
    • B60G2600/18—Automatic control means
    • B60G2600/187—Digital Controller Details and Signal Treatment
    • B60G2600/1875—Other parameter or state estimation methods not involving the mathematical modelling of the vehicle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2600/00—Indexing codes relating to particular elements, systems or processes used on suspension systems or suspension control systems
    • B60G2600/18—Automatic control means
    • B60G2600/187—Digital Controller Details and Signal Treatment
    • B60G2600/1878—Neural Networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2600/00—Indexing codes relating to particular elements, systems or processes used on suspension systems or suspension control systems
    • B60G2600/18—Automatic control means
    • B60G2600/187—Digital Controller Details and Signal Treatment
    • B60G2600/1879—Fuzzy Logic Control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2800/00—Indexing codes relating to the type of movement or to the condition of the vehicle and to the end result to be achieved by the control action
    • B60G2800/80—Detection or control after a system or component failure
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60G—VEHICLE SUSPENSION ARRANGEMENTS
    • B60G2800/00—Indexing codes relating to the type of movement or to the condition of the vehicle and to the end result to be achieved by the control action
    • B60G2800/80—Detection or control after a system or component failure
    • B60G2800/802—Diagnostics

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Vehicle Body Suspensions (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

A car motion recognition and monitoring procedure processes data from acceleration, speed, force and body noise sensors using a speech processing type pattern recognition algorithm comparing estimated state vectors with stored vectors.

Description

Die Erfindung betrifft ein Verfahren zur Erkennung und Überwachung der Bewegung bei Fahrzeugen, gemäß dem Oberbegriff des Patentanspruchs 1.The The invention relates to a method for detection and monitoring the movement in vehicles, according to the generic term of claim 1.

Der Fahrwerkszustand wird bisher von verschiedenen unterschiedlichen Sensoren gemessen, welche die verschiedenen Parameter auf unterschiedlichste Art erfassen. Die einen Messgrößen werden beim Fahren, die anderen Messgrößen werden bei Stillstand des Fahrzeugs ermittelt. So wird der Reifendruck eines Reifens von einem Drucksensor erfasst, der beim Fahren den Reifendruck misst. Des weiteren gibt es Messverfahren für Prüfstände die bei Stillstand des Fahrzeuges den Reifenzustand und/oder die Dämpfer überprüfen. Auch sind einfache Überwachungs- und Steueralgorithmen zur Dämpfereinstellung wie beispielsweise der Sky-Hook-Dämpfer bekannt. Die Fahrbahnbeschaffenheit und damit die Fahrbahnunebenheiten können mit Hilfe von Ultraschall gemessen werden. Auch sind verschiedene Verfahren bekannt die Witterungsverhältnisse zu erfassen.The So far, chassis condition is different from different Sensors measured, which the different parameters on different Type capture. One will be measurands when driving, the other metrics will be determined when the vehicle is stationary. So is the tire pressure of a tire is detected by a pressure sensor that detects the Measures tire pressure. There are also measurement methods for test benches check the condition of the tires and / or the dampers when the vehicle is at a standstill. Also are simple monitoring and control algorithms for damper adjustment known as the sky hook damper. The condition of the road and thus the bumps in the road can be ultrasound be measured. Various methods are also known for weather conditions to capture.

Die im Zusammenhang mit Fahrwerksdiagnose und Regleroptimierung bekannten Verfahren beruhen auf der Modellierung des Fahrwerks mittels Differentialgleichungen und Einbettung derer in Zustandsbeobachter. Diese Verfahren erfordern zur Bewertung des Zustandes des Gesamtfahrzeuges einen erheblichen rechentechnischen und messtechnischen Aufwand, so dass diese Verfahren nur für reduzierte Anforderungen in der Praxis Eingang gefunden haben. Beispielhaft seien folgende Literaturstellen und Patentschriften aufgeführt: DE3608420C2 , DE4218087A1 , DE4019501A1 , DE3883212T2 , DE19909157A1 , DE4213221A1 , DE4235809C1 , DE19543137A1 , DE4440413A1 , DE4431794A1 , DE4435448A1 .The methods known in connection with chassis diagnostics and controller optimization are based on modeling the chassis using differential equations and embedding them in condition observers. These methods require considerable computational and metrological effort to assess the condition of the entire vehicle, so that these methods have only been used in practice for reduced requirements. The following references and patents are listed as examples: DE3608420C2 . DE4218087A1 . DE4019501A1 . DE3883212T2 . DE19909157A1 . DE4213221A1 . DE4235809C1 . DE19543137A1 . DE4440413A1 . DE4431794A1 . DE4435448A1 ,

In der Veröffentlichung: "Dynamik der Kraftfahrzeuge" von Manfred Mitschke werden in der dritten Auflage im Band B Schwingungen von Kraftfahrzeugen beschrieben und analysiert, die ein vierrädriges Kraftfahrzeug erzeugt, welches über eine unebene Fahrbahn fährt und dabei ein Schwingungssystem darstellt. Hierbei wird gezeigt, welchen Einfluss die verschiedenen Parameter auf das Schwingungssystem Kraftfahrzeug haben. In diesem Buch werden die Parameter (z.B.: Reifendruck, Radaufhängung, Dämpfer Unebenheiten, Motoranregung, Motordrehzahl) vorgestellt, die das Schwingungssystem beeinflussen. Es werden Schwingungsgleichungen in Abhängigkeit von diesen Parametern aufgestellt. Als Lösung bzw. Lösungen dieser Schwingungsgleichungen erhält man Beschleunigungen, Relativstrecken und Kräfte, die dann zur Beurteilung des Fahrwerksverhaltens und damit zur Feststellung von Komfort und Fahrsicherheit dienen.In the publication: "Dynamics of Motor Vehicles" by Manfred Mitschke are in the third edition in volume B vibrations of motor vehicles described and analyzed that a four-wheel motor vehicle generates, which about an uneven road surface and represents a vibration system. Here it is shown what influence the various parameters have on the vibration system Have motor vehicle. In this book, the parameters (e.g .: Tire pressure, wheel suspension, damper Bumps, motor excitation, motor speed) presented that the Affect the vibration system. There are oscillation equations dependent on set up by these parameters. As a solution or solutions to these vibration equations receives one accelerations, relative distances and forces, which are then used for assessment the chassis behavior and thus to determine comfort and Serve driving safety.

Nachteilig bei diesen bekannten Verfahren zur Ermittlung des Fahrwerkzustandes sind die hohen Kosten, die durch die direkte Sensierung der Messparameter verursacht werden. Ein weiterer Nachteil ergibt sich aus der teilweise sehr zeit- und kostenaufwendigen Berechnung komplizierter Schwingungssysteme und den großen Datenmengen, die innerhalb kürzester Zeit verarbeitet werden müssen. Ein weiterer ungünstiger Umstand besteht darin, dass keine Mehrfachnutzung der Sensorsignale möglich ist.adversely in these known methods for determining the chassis condition are the high costs of directly sensing the measurement parameters caused. Another disadvantage arises from the partial very time-consuming and costly calculation of complicated vibration systems and the big one Amounts of data within shortest Time to be processed. Another unfavorable Circumstance is that no multiple use of the sensor signals possible is.

In der DE 4218087 A1 wird ein Verfahren zur Regelung der Dämpfung des Fahrwerks eines Kraftfahrzeugs und/oder zur Diagnose des Fahrwerks offenbart. Hierbei werden Prozessgrößen, welche mit einer vertikalen Bewegung des Fahrzeugs zusammenhängen, einem mathematischen Modell zugeführt, das den Zusammenhang zwischen der vertikalen Beschleunigung eines Rades oder eines Aufbaus des Fahrzeugs einerseits und anderen Prozessgrößen und Parametern andererseits darstellt. Die Parameter des Modells werden mit einem an sich bekannten Parameter-Schätzverfahren geschätzt und zur Erzeugung einer Stellgröße zur Einstellung der Dämpfung und/oder als Diagnosedaten verwendet.In the DE 4218087 A1 discloses a method for controlling the damping of the chassis of a motor vehicle and / or for diagnosing the chassis. Here, process variables which are related to a vertical movement of the vehicle are fed to a mathematical model which represents the relationship between the vertical acceleration of a wheel or a structure of the vehicle on the one hand and other process variables and parameters on the other hand. The parameters of the model are estimated using a parameter estimation method known per se and used to generate a manipulated variable for setting the damping and / or as diagnostic data.

Nachteilig hierbei ist gleichfalls die aufwendige Berechnung. Zuerst werden mehrere Gleichungen aufgestellt die physikalische Zusammenhänge zwischen den Messwerten und den Parametern beschreiben. Diese Gleichungen enthalten mehrere unbekannte Parameter. Da die Anzahl der Gleichungen nicht ausreicht, um jeden unbekannten Parameter exakt zu berechnen, wird ein Parameter-Schätzverfahren verwendet. Die aufwendig abgeschätzten Parameter dienen dann wiederum zur Berechnung der physikalischen Prozessgrößen, die zur Regelung oder Diagnose des Fahrwerks benötigt werden.adversely here is also the complex calculation. Be first several equations established the physical relationships between describe the measured values and the parameters. These equations contain several unknown parameters. Because the number of equations not enough to calculate every unknown parameter exactly, becomes a parameter estimation method used. The elaborately estimated Parameters in turn then serve to calculate the physical Process variables that to control or diagnose the chassis.

Es sind in der EP 0554131 A1 Verfahren zur Sensierung des Reifenzustandes mittels eines am Reifen angebrachten Sensor bekannt. Die Sensoren erfassen die Drehgeschwindigkeit jedes Reifens. Ein weiterer Sensor erfasst die Geschwindigkeit oder Beschleunigung des Fahrzeugs. Durch den Vergleich dieser Werte untereinander werden Rückschlüsse auf den Reifendruck gezogen.It is in the EP 0554131 A1 Method for sensing the tire condition using a sensor attached to the tire is known. The sensors record the speed of rotation of each tire. Another sensor detects the speed or acceleration of the vehicle. By comparing these values with each other, conclusions can be drawn about the tire pressure.

Nachteilig hierbei ist neben den bereits oben genannten Nachteilen, dass sehr viele Sensoren benötigt werden um einen Zustand zu erkennen.adversely in addition to the disadvantages mentioned above, this is very many sensors are needed to recognize a state.

Die Aufgabe der Erfindung ist es den Fahrwerkszustand insbesondere den Reifendruck, den Rad- und Reifenzustand, den Dämpferzustand und die Dämpfereinstellungen, die Fahrbahn-, bzw. Schienenbeschaffenheit und die Karosserieeigenbewegung schnell, zuverlässig und kostengünstig zu überwachen. Eine weitere Aufgabe der Erfindung besteht darin eine Optimierung der Einstellparameter des Dämpfungssystems im Bereich der Straßen-, Schienen- und Luftfahrzeuge zu erzielen.The The object of the invention is the chassis state in particular Tire pressure, wheel and tire condition, damper condition and damper settings, the road or rail quality and the body's own movement fast, reliable and inexpensive to monitor. Another object of the invention is optimization the setting parameters of the damping system in the field of road, To achieve rail and aircraft.

Die Aufgabe wird erfindungsgemäß durch die Merkmale im Patentanspruch 1 gelöst. Hierbei werden Sensoren zur Erfassung von Beschleunigungen, Geschwindigkeiten, Strecken und/oder Kräften am Fahrwerk und an der Karosserie angebracht. Die Auswertung der Sensorsignale erfolgt mit Hilfe eines Parameter-Schätzverfahrens. Die Auswertung der hieraus gewonnenen Parameter erfolgt mit Hilfe von Verfahren zur Mustererkennung, der Fuzzi-Techniken und/oder neuronaler Netze Das heißt, es werden nicht die Ursachen erfasst, die Bewegungen am Fahrwerk bewirken und über Schwingungsgleichungen die Bewegungen des Fahrzeugs berechnet, wobei dann das hierbei erzielte Ergebnis zur Beurteilung des Fahrwerkszustandes dient. Des Fahrwerkzustandes werden aus den einzelnen, verschiedenen Messwerten Vektoren gebildet. Diese Vektoren, die nicht nur einzelne Meßwerte selbst, sondern auch die Relation mehrerer Messwerte zueinander wiederspiegeln, können dann mit abgespeicherten Vektoren oder Vektorfeldern verglichen werden, denen ein Fahrzeugzustand zugeordnet ist.The The object is achieved by the features in claim 1 solved. Here are sensors to record accelerations, speeds, distances and / or forces attached to the chassis and body. The evaluation of the Sensor signals are generated using a parameter estimation process. The parameters obtained from this are evaluated with the help of methods for pattern recognition, the fuzzi techniques and / or neural networks that is the causes, the movements on the chassis are not recorded effect and over Vibration equations are calculated using the movements of the vehicle then the result obtained is used to assess the chassis condition. The chassis condition is made up of the individual, different measured values Vectors formed. These vectors, which are not just individual measured values themselves, but also reflect the relation of several measured values to each other, can then compared with stored vectors or vector fields to which a vehicle state is assigned.

Der Vorteil der Erfindung ist, dass mit einer im Vergleich zu bisherigen Verfahren geringen Datenmenge sehr zuverlässige Aussagen über den Fahrwerkszustand gemacht werden können, da die verschiedenen Konstellationen der Meßwerte zueinander auch eine Aussagekraft über den Fahrzeugzustand aufweisen. Auch ist die Datenverarbeitung zu bisherigen Verfahren sehr gering, da keine komplizierten Berechnungen benötigt werden, sondern nur Ergebnisvektoren miteinander verglichen werden. Die Auswertung erfolgt sehr schnell, so daß bei Störungen frühzeitig in das System eingegriffen werden kann um z.B. größere Schäden zu verhindern. Auch ist eine kostengünstige Mehrfachnutzung der eingesetzten Sensoren von Vorteil, wodurch eine Erhöhung der Sicherheit, die Früherkennung von Gefahrenzuständen (z.B. die Alterung, bzw. Druckverlust in den Reifen) und eine Verbesserung des Fahrkomforts erzielt wird. Ebenso bildet dies eine Möglichkeiten zur Erkennung des Straßenzustandes als Eingangssignal für intelligente Bremsalgorithmen.The The advantage of the invention is that compared to previous ones Very small amount of data, very reliable statements about the process Chassis condition can be made because of the different constellations of the measured values to each other also have meaningfulness about the state of the vehicle. Also The data processing for previous methods is very low because no complicated calculations are required, only result vectors be compared with each other. The evaluation is very quick, so that at disorders early can be intervened in the system e.g. prevent major damage. It is also an inexpensive one Multiple use of the sensors used is an advantage, resulting in a increase security, early detection of dangerous conditions (e.g. the aging or pressure loss in the tires) and an improvement comfort is achieved. This also creates opportunities for Detection of the road condition as an input signal for intelligent braking algorithms.

Das vorgestellte Verfahren geht nun von einem gänzlich anderen Ansatz aus: Die Sensorsignale werden ohne direkten Bezug zu mathematischen oder physikalischen Modellen mit den Verfahren der Spracherkennung bearbeitet und aus dem Vergleich der quantisierten Zustände wird auf den Zustand der Fahrbahnbeschaffenheit und des Gesamt-Fahrwerks sowie einzelner Komponenten geschlossen.The The method presented here now takes a completely different approach: The sensor signals are without any direct reference to mathematical or processed physical models with the methods of speech recognition and the comparison of the quantized states leads to the state of the Road condition and the overall chassis as well as individual Components closed.

In bekannter Weise werden an geeigneten Stellen des Fahrzeugs Sensoren angebracht, die direkt oder indirekt die geforderten Messgrößen erfassen. Im Bereich der Radnabe, des Fahrschemels oder des Dämpferdoms angebrachte Sensoren erfassen vorrangig die Anregung, die, erzeugt vom Straßenbelag, über Reifen und Feder/Dämpferbein auf die Karosserie wirken. Bevorzugt kommen hier Beschleunigungssensoren zum Einsatz, jedoch sind auch Sensoren für Geschwindigkeit, Körperschall, Druck, Kraft, Hub, Weg oder Winkel anwendbar. Die Anzahl und räumliche Verteilung hängt von den gestellten Anforderungen ab. Die Minimalausstattung ist ein Sensor je Fahrzeug, die Maximalausstattung ein Sensor je Messgröße je Rad. Zusätzlich kann am Chassis mindestens ein Sensor zur Erfassung der Anregung, die über das Fahrwerk auf die Karosserie einwirken, angebracht werden. Mit Hilfe von Bewegungssensoren, wie beispielsweise Beschleunigung ( vorzugsweise), Geschwindigkeit, Druck, Weg, Hub, Winkel, Position, Gierrate, Nickbewegung oder Rollbewegung, kann aus der Bewegung des Chassis ein Maß für die Zuladung oder die Einstellung der Dämpfer gewonnen werden. Mit Hilfe von akustischen Sensoren, wie beispielsweise Mikrofon oder Körperschallaufnehmer, werden Schwingungen des Chassis, die von Bremsen, mechanischen Lagern, Reifenprofil, Steinschlag oder Spritzwasser herrühren, erfasst. Getriggert mit der Bremsbetätigung können hierdurch kritische Zustände der Bremse ( Verschleiß, Rubbeln, Quietschen ) ermittelt und bewertet werden. Ein akustischer Sensor, am oder in der Nähe des Radkastens angebracht, kann mittels der Sprachanalyse kritische Fahrbahnbeschaffenheiten, wie Rollsplit oder Wasserfilm erkennen. Über die räumliche Anordnung des oder der Sensoren können bestimmte Messgrößen verstärkt oder abgeschwächt erfasst werden.In As is known, sensors are located at suitable points in the vehicle attached, which directly or indirectly capture the required measurement parameters. In the area of the wheel hub, subframe or damper dome attached sensors primarily detect the excitation that is generated from the road surface, over tires and spring / shock absorber act on the body. Acceleration sensors are preferred here Use, but also sensors for speed, structure-borne noise, Pressure, force, stroke, travel or angle applicable. The number and spatial Distribution depends depending on the requirements. The minimum equipment is one sensor per vehicle, the maximum equipment one sensor per measurement variable per wheel. In addition can at least one sensor on the chassis for detecting the excitation, which is transmitted via the Impact chassis on the body, be attached. With help motion sensors, such as acceleration (preferably), Speed, pressure, distance, stroke, angle, position, yaw rate, pitching movement or rolling motion, can be a measure of the payload from the movement of the chassis or the adjustment of the dampers be won. With the help of acoustic sensors, such as Microphone or structure-borne sound sensor, vibrations of the chassis caused by brakes, mechanical bearings, Tire profile, stone chips or splashing water, recorded. Triggered with the brake application can thereby critical states of the Brake (wear, Rubbing, squeaking) are determined and evaluated. An acoustic Sensor, on or near attached to the wheel arch can be critical using speech analysis Recognize road surface conditions such as roll split or water film. About the spatial Arrangement of the sensor or sensors can amplify or measure certain parameters attenuated be recorded.

Diese Messprinzipien sind bekannt und in der Fachliteratur beschrieben. In der herkömmlichen Praxis sind jeder Messaufgabe ein oder mehrere Sensoren zugeordnet. Die Algorithmen, basierend auf Digitalfilter, statistischen Verfahren und/oder Effektivwert-berechnungen, sind dediziert auf die Messaufgabe abgestimmt.These measuring principles are known and described in the specialist literature. In conventional practice, one or more sensors are assigned to each measurement task. The algorithms, based on digital filters, statistical procedures and / or rms value calculations are tailored to the measurement task.

Der neue Ansatz geht von einer Mehrfachnutzung der Sensoren unter Anwendung der Verfahren der Spracherkennung aus. Dadurch ergibt sich bei gleichen Anforderungen an Sicherheit und Komfort ein wesentlicher Kosten-, Raum-, u. Gewichtsvorteil. Der technische Aufwand für die Spracherkennung bleibt in vertretbarem Rahmen.The new approach is based on multiple use of the sensors the methods of speech recognition. This results in the same Safety and comfort requirements are an essential cost, Space, u. Weight advantage. The technical effort for speech recognition remains within reasonable limits.

Der Anwendung der Verfahren der Spracherkennung für die Bewertung des Fahrwerks und der Fahrbahn liegt die Idee zu Grunde, dass sich während des Fahrbetriebs zeit- u. wegabschnittsweise quasistationäre Zustände an den Sensorausgängen einstellen. Die Abfolge von quasistationären Fahrzuständen bewirkt abschnittsweise eingeschwungene Signalsignaturen an den Sensoren, vergleichbar mit der Abfolge von Lauten innerhalb eines Wortes, wobei ein Laut jeweils einem derartigen quasistationären Fahrzustand entspricht.The Use of speech recognition methods for the assessment of the chassis and the carriageway is based on the idea that during the Driving operation time u. quasi-steady-state states on the sensor outputs to adjust. The sequence of quasi-stationary driving conditions causes Sectional signal signatures on the sensors, comparable to the sequence of sounds within a word, where a sound each such a quasi-stationary driving state equivalent.

So unterscheiden sich die Fahrgeräusche abhängig davon, ob man mit Sommer- oder Winterreifen auf Kopfsteinpflaster oder Teerstrasse fährt. Diese vier unterschiedlichen Geräusche können vier unterschiedlichen Klassennamen (= Laute) zugeordnet werden. Die Anzahl der unterschiedlichen Klassennamen sind anwendungsspezifisch festzulegen. Gemäß Patentanspruch werden die Ausgangssignale der Sensoren mit den Verfahren der Spracherkennung, wie sie in bekannter Weise auf ein Mikrofonsignal angewandt werden, bearbeitet.So the driving noises differ dependent whether you are on cobblestone with summer or winter tires or tarred road. These four different sounds can four different class names (= sounds) can be assigned. The number of different class names are application specific set. According to claim the output signals of the sensors are processed using speech recognition methods, as they are applied to a microphone signal in a known manner, processed.

Eine allgemeine Beschreibung der Spracherkennung findet man in der Literatur unter:
Schukat-Talamazzini: Automatische Spracherkennung, Vieweg Verlag 1995
Quartieri, Thomas: Speech Signal Processing, Prentice Hall 2001.
Zell, A.: Simulation neuronaler Netze, Addison Verlag 1994.A general description of speech recognition can be found in the literature at:
Schukat-Talamazzini: Automatic speech recognition, Vieweg Verlag 1995
Quartieri, Thomas: Speech Signal Processing, Prentice Hall 2001.
Zell, A .: Simulation of Neural Networks, Addison Verlag 1994.

Die Übertragung dieser Verfahren in die vorgeschlagene Anwendung der Bewertung des Fahrwerks und der Fahrbahnbeschaffenheit erfolgt in diesen drei Schichten:
Schicht 1 und 2 sind sensorspezifisch, Schicht 3 stellt den Gesamtzusammenhang bezüglich des Fahrzeuges dar.The transfer of these procedures into the proposed application of the evaluation of the chassis and the condition of the road takes place in these three layers:
Layers 1 and 2 are sensor-specific, layer 3 represents the overall context with regard to the vehicle.

Die Sensoren werden vorzugsweise wahlweise als Aufnehmer für die Messgrößen: Beschleunigung, Körperschall, Geschwindigkeit, Kraft, Druck, Hub, Weg, Winkel, Abstand, Nickbewegung oder Rollbewegung eingesetzt.The Sensors are preferably used as sensors for the measured variables: acceleration, structure-borne noise, Speed, force, pressure, stroke, path, angle, distance, pitch movement or rolling motion used.

Für die Merkmalgewinnung werden vorzugsweise die Verfahren der Linear Prediction Analysis, Cepstrum Analysis, Short Time Fourier Analysis, Filter Bank Analysis, Sinusoidal Analysis oder Frequenz-Domain Pitch Estimation verwendet.For the extraction of characteristics the methods of linear prediction analysis, Cepstrum Analysis, Short Time Fourier Analysis, Filter Bank Analysis, Sinusoidal Analysis or Frequency Domain Pitch Estimation used.

Die Abbildung der Schätzvektoren zu definierten Klassennamen erfolgt vorzugsweise mittels Verfahren der Neuronalen Netze, Fuzzy Logik, Zuordnungstabellen, Linearen Diskriminanzanalyse oder Hidden Markov Modelle.The Illustration of the estimation vectors to defined class names is preferably carried out using a method of neural networks, fuzzy logic, assignment tables, linear Discriminant analysis or hidden Markov models.

Die Abtastung der Messwerte erfolgt vorzugsweise sowohl zeitäquidistant als auch wegäquidistant.The Sampling of the measured values is preferably carried out in a time-equidistant manner as well as away equidistant.

Die Überwachung und Erkennung mittels eines Klassifikators erfolgt vorzugsweise auf der Basis der Verfahren der Neuronalen Netze, Fuzzy Logik, Zuordnungstabellen, Linearen Diskriminanzanalyse oder Hidden Markov Modelle, welcher aus dem Vergleich der Klassennamen je Messkanal die Gesamtbewertung vornimmt.The supervision and recognition using a classifier is preferably carried out based on the processes of neural networks, fuzzy logic, assignment tables, Linear discriminant analysis or hidden Markov models, which the overall rating from the comparison of the class names for each measuring channel performs.

Für die Merkmalsgenerierung wird vorzugsweise ein orthogonales Schätzverfahren verwendet.For the generation of characteristics an orthogonal estimation method is preferably used.

Die Schätzvektoren werden vorzugsweise mittels AR-Lattice-(autoregressiv), ARMA-Lattice-(autoregressiv moving average) oder Joint Lattice/Ladder-Verfahren berechnet.The estimate vectors are preferably using AR-Lattice- (autoregressive), ARMA-Lattice- (autoregressive moving average) or joint lattice / ladder method.

Die Sensorsignale, die Schätzvektoren, die Klassennamen und/oder die Gesamtbewertung über Busankopplung werden vorzugsweise an andere Diagnose-, Melde- oder Regelsysteme weitergeleitet oder in mindestens einem dieser Systeme erzeugt und dort eine festgelegte Aktion gestartet.The Sensor signals, the estimation vectors, the class names and / or the overall rating via bus coupling are preferred forwarded to other diagnostic, reporting or control systems or generated in at least one of these systems and a specified one there Action started.

Dabei wird vorzugsweise ein Wert für

  • – die Fahrbahnbeschaffenheit und/oder
  • – den Reifenzustand und/oder
  • – den Dämpferzustand und/oder
  • – den Bremsenzustand und/oder
  • – die Beladung ermittelt.
A value for
  • - the condition of the road and / or
  • - the tire condition and / or
  • - the damper condition and / or
  • - the brake condition and / or
  • - determines the load.

Vorzugsweise wird auch das Befahren des Randstreifens erkannt.Preferably driving on the verge is also recognized.

Die Erfindung kann für Straßenfahrzeuge, Schienenfahrzeuge und Luftfahrzeuge zum Einsatz kommen.The Invention can for Road vehicles, Rail vehicles and aircraft are used.

Aus dem Vergleich der Schätzvektoren kann zudem vorzugsweise auch auf die Funktionsfähigkeit einzelner Sensoren geschlossen werden.Out the comparison of the estimation vectors can preferably also on the functionality of individual sensors getting closed.

Zudem werden die Ergebnisse vorzugsweise abgespeichert und aus dem zeitlichen Vergleich der Alterungszustand bewertet.moreover the results are preferably saved and from the temporal Comparison of the state of aging assessed.

Die Erfindung soll anhand von Ausführungsbeispielen und der Figuren dargestellt werden.The Invention is intended to be based on exemplary embodiments and the figures are shown.

1 zeigt das Modell zur Erkennung und Überwachung von Bewegungen an Fahrzeugen. In diesem Ausführungsbeispiel handelt es sich um ein Fahrzeug mit vier Rädern, vier Dämpfern, einem Chassis und fünf Sensoren, welche in der Regel Beschleunigungen messen. Es können jedoch auch Geschwindigkeits-, Abstands-, Längen-, Kraft- oder Geräuschssensoren verwendet werden. Im oberen Teil der Abbildung sind im wesentlichen zwei Übertragungssysteme dargestellt. Ein Übertragungssystem ist die Einheit Fahrbahn und Rad. Das andere Übertragungssystem wird von Dämpfer und Chassis dargestellt. Beide Übertragungssysteme sind miteinander verbunden. Zwischen den Übertragungssystemen Fahrbahn/Rad und Dämpfer/Chassis sind vier Fahrwerkssensoren – an jedem Fahrschemel einer – angeordnet. Der fünfte Sensor, der Chassissensor befindet sich am Chassis. Die Übertragungssysteme verändern ein am Eingang der Übertragungssysteme anstehendes Signal WR das weiße Rauschen. Im ersten Schritt des Verfahrens werden an geeigneten Stellen, die aufgrund von Erfahrungswerten ausgewählt wurden, Messsignale aufgenommen. 1 shows the model for the detection and monitoring of movements on vehicles. In this exemplary embodiment, it is a vehicle with four wheels, four dampers, a chassis and five sensors, which generally measure accelerations. However, speed, distance, length, force or noise sensors can also be used. Essentially two transmission systems are shown in the upper part of the figure. One transmission system is the unit of road and wheel. The other transmission system is represented by dampers and chassis. Both transmission systems are interconnected. Four suspension sensors - one on each subframe - are arranged between the transmission systems roadway / wheel and damper / chassis. The fifth sensor, the chassis sensor, is located on the chassis. The transmission systems change a signal WR present at the input of the transmission systems, the white noise. In the first step of the method, measurement signals are recorded at suitable points, which were selected on the basis of empirical values.

Die zweite Stufe dieser Modellabbildung zeigt fünf Eingänge für die Sensorsignale. Hier werden die Messergebisse der vier Fahrwerkssensoren und des Chassissensors in den Vorfilter eingespeist.The The second stage of this model illustration shows five inputs for the sensor signals. Be here the measurement results of the four chassis sensors and the chassis sensor fed into the prefilter.

Nach dem Vorfilter werden die Werte zusammen mit dem weissen Rauschen einem oder mehreren Schätzverfahren zugeführt.To the values are added to the pre-filter together with the white noise one or more estimation methods fed.

Jeder Sensor liefert Messreihen. Unter Messreihen versteht man hierbei eine Anzahl von Messergebnissen, die während eines Zeitabschnittes aufgenommen werden. Aus der Messreihe eines Sensors werden durch ein orthogonales Schätzverfahren die Komponenten von Vektoren berechnet. Für jeden Fahrwerkssensor ergeben sich drei Schätzvektoren und für den Chassissensor ergeben sich zwei Schätzvektoren.Everyone Sensor delivers series of measurements. Measurement series are understood here a number of measurement results obtained during a period be included. From the measurement series of a sensor become by an orthogonal estimation method computes the components of vectors. Obtained for each chassis sensor three estimation vectors and for the chassis sensor results in two estimation vectors.

Grundlegend für das Ausführungsbeispiel ist es, dass das dynamische Verhalten der mechanischen Elemente mit hinreichender Genauigkeit durch ein abschnittsweise lineares Übertragungssystem modelliert werden kann. In der Spracherkennung werden orthogonale Schätzverfahren verwendet.Fundamental for the embodiment is that the dynamic behavior of the mechanical elements with sufficient accuracy thanks to a sectionally linear transmission system can be modeled. In speech recognition, orthogonal estimation methods used.

Diese Eigenschaften können auch dafür verwendet werden einen Fahrzustand eines Fahrzeugs zu beschreiben. Abhängig von der Struktur des Übertragungssystems kann das AR (Autoregressive-, ARMA (Autoregressive Moving Average)- oder Joint Ladder Verfahren gewählt werden. Diese Schätzverfahren bilden aus einer Messreihe eines Sensors mindestens zwei Vektoren, deren jeweilige Elementezahl von der Ordnung des Systems abhängt, die wiederum Zustandsänderungen des Systems abhängt: Im Anwendungsbeispiel wird der Chassis-Sensor eine Messreihe bestehend aus den zeitabhängigen Messwerten: m1(t1), m2(t2), m3(t3), ... mn(tn) erzeugen. Treten während der Fahrt keine Veränderungen auf, so gilt im eingeschwungenen Zustand: m1(t1) = m2(t2) = m3(t3) = ... = mn(tn). Ansonsten können die Werte je nach Ereignis mehr oder weniger voneinander abweichen. Aus dieser Anzahl von Messwerten werden zwei Vektoren K →c und K →d berechnet, wobei diese Vektoren jeweils μ Elemente aufweisen mit:

Figure 00100001
These properties can also be used to describe a driving state of a vehicle. Depending on the structure of the transmission system, the AR (autoregressive, ARMA (autoregressive moving average) or joint ladder method can be selected. These estimation methods form at least two vectors from a measurement series of a sensor, the number of elements of which depends on the order of the system, which Again, changes in the state of the system depend: In the application example, the chassis sensor is a series of measurements consisting of the time-dependent measured values: m 1 (t 1 ), m 2 (t 2 ), m 3 (t 3 ), ... m n (t n If no changes occur during the journey, the following applies in the steady state: m 1 (t 1 ) = m 2 (t 2 ) = m 3 (t 3 ) = ... = m n (t n ) The values may differ more or less depending on the event. Two vectors K → c and K → d are calculated from this number of measured values, these vectors each having μ elements with:
Figure 00100001

Die Anzahl μ der Elemente ist abhängig von der Änderung der Messwerte über die Zeit.The Number of μ Elements is dependent from the change of the measured values above the time.

Die Werte von kc1...kcμ und kd1...kdμ sind zum einen abhängig von den einzelnen Messwerten und von der Relation der Messwerte untereinander. Also beispielsweise:

Figure 00110001
The values of k c1 ... k cμ and k d1 ... k dμ depend on the one hand on the individual measured values and on the relation of the measured values to one another. For example:
Figure 00110001

Es werden bei diesem Verfahren laufend neue Messreihen mit den aktuellen Messwerten gebildet und daraus neue Vektoren berechnet.It With this procedure, new series of measurements with the current Measured values formed and new vectors calculated from them.

Im Ausführungsbeispiel werden dann aus den Messwerten des Chassissensors nach dem AR-Schätzverfahren wie vorhergehend beschrieben zwei Vektoren gebildet und aus den Messwertreihen:

Figure 00110002
der Fahrwerksensoren F1, F2, F3, F4 und des Chassissensors werden nach dem Joint-Ladder-Schätzverfahren pro Fahrwerkssensor drei Schätzvektoren K →f, K →b, K →g gebildet
Figure 00110003
Figure 00120001
In the exemplary embodiment, two vectors are then formed from the measured values of the chassis sensor using the AR estimation method, as described above, and from the measured value series:
Figure 00110002
of the chassis sensors F1, F2, F3, F4 and the chassis sensor, three estimate vectors K → f , K → b , K → g are formed per chassis sensor according to the joint ladder estimation method
Figure 00110003
Figure 00120001

Insgesamt erhält man im Anwendungsbeispiel 14 Vektoren:

Figure 00120002
In total, 14 vectors are obtained in the application example:
Figure 00120002

Diese Vektoren werden jetzt zum einen untereinander verglichen und zum anderen mit abgespeicherten Werten und zwar elementeweise und danach werden sie klassifiziert. Für die Klassifizierung ist es notwendig, das bereits für die verschiedensten Fahrsituationen und Zustände, die sich in Vektoren und dort insbesondere in den Elementen wiederspiegeln, Werte, Wertebereiche, und gegebenenfalls Relationen der Elemente von verschiedenen Vektoren untereinander, in einem Speicher abgelegt sind.This Vectors are now compared to one another and one others with stored values, element by element and afterwards they are classified. For The classification is necessary for the most diverse Driving situations and conditions, that are reflected in vectors and there in particular in the elements, Values, ranges of values, and possibly relations of the elements of different vectors with each other, stored in a memory are.

Nach der Klassifizierung werden die Ergebnisse einem Kennfeld zugeführt. Das Kennfeld beeinflusst wiederum den Vorfilter.To The results of a classification are fed to the classification. The Map in turn influences the prefilter.

Es erfolgt dabei eine Umrechnung der Schätzvektoren in physikalische Grössen. Aus der Umrechnung ergeben sich Funktionen. Aus der Joint-Ladder Schätzung eines Fahrwerkssensors ergibt sich eine Funktion H(z) = B(z)/A(z).It the estimation vectors are converted into physical ones Sizes. Functions result from the conversion. From the joint ladder estimate one Suspension sensor results in a function H (z) = B (z) / A (z).

Aus der AR-Schätzung des Chassissensors ergibt sich nach der Umrechnung eine Funktion H(z) = 1/E(z). Es ergeben sich dann die physikalischen Werte, die dann in der dritten Stufe des Modells Regelkreisen, Diagnosesystemen oder Fahrerinformationssystemen zugeführt werden, um einen unerwünschten Fahrzustand zu beeinflussen, Fehler frühzeitig zu erkennen oder zumindest Fehler zu melden.Out the AR estimate of the chassis sensor results in a function after the conversion H (z) = 1 / E (z). The physical values then result, the then in the third stage of the control loops, diagnostic systems model or driver information systems are fed to an unwanted Influencing driving conditions, recognizing errors early or at least Report bugs.

2 beschreibt den Ablauf der Schätzung. In der Systemabbildung wird das weiße Rauschen wird in die Funktion 1/A(z) eingespeist. Was diese Funktion bzw. das Übertragungssystem aus dem weißen Rauschen macht wird vom Fahrwerkssensor erfasst. Diese Messwertreihe gelangt zum einen zu einem Vorfilter, und zum anderen wird sie in ein weiteres Übertragungssystem bzw. Funktion B(z) eingespeist. Was das zweite Übertragungssystem aus dem weißen Rauschens macht wird vom Chassissensor erfasst. Diese Messwertreihen gelangen in zwei ggfs. unterschiedliche Vorfilter. In diesem Beispiel bilden sich drei Berechnungsstränge, die aus zwei unterschiedlichen Messreihen resultieren. Zwei der Berechnungsstränge sind miteinander verknüpft und beeinflussen sich gegenseitig, indem der Wert oder Vektor aus dem einen Strang als Grundlage zur Berechnung des Wertes oder Vektors im anderen Strang dient. 2 describes the course of the estimation. In the system illustration, the white noise is fed into the function 1 / A (z). The chassis sensor detects what this function or the transmission system does with the white noise. On the one hand, this series of measured values reaches a prefilter, and on the other hand it is fed into a further transmission system or function B (z). The chassis sensor detects what the second transmission system does with the white noise. These series of measured values go into two different pre-filters, if necessary. In this example, three calculation strings are formed, which result from two different series of measurements. Two of the calculation strings are linked to each other and influence each other by using the value or vector from one strand as the basis for calculating the value or vector in the other strand.

Sowohl im einen als auch im anderen unabhängigen Berechnungsstrang werden nach dem Vorfilter zwei Vorgänge in Gang gesetzt. Ein erster Wert gelangt zum Punkt T und dann in einen ersten Kreis. Zwischen T und dem ersten Kreis verzweigt dieser an einen zweiten Kreis. Der erste Wert gelangt auch direkt an den zweiten Kreis und verzweigt vorher auch wieder auf den ersten Kreis.Either in one as well as in the other independent calculation string after the pre-filter two processes set in motion. A first value arrives at point T and then in a first circle. This branches between T and the first circle to a second circle. The first value also goes directly to the second Circle and previously branches back to the first circle.

In 3 ist eine Diagnosetabelle dargestellt. Will man eine Störung am Rad vorne rechts am Fahrwerkssensor F1 erfassen, so muss man beispielsweise ein Element, k F1 / f2 des entsprechenden Vektors

Figure 00130001
mit den entsprechenden Elementen k F2 / f2 k F3 / f2 k F4 / f2 vergleichen die von den anderen Fahrwerkssensoren F2, F3, F4, erfasst wurden. Ist nun k F1 / f2 ≠ k F2 / f2 = k F3 / f2 = k F4 / f2, so kann daraus geschlossen werden, dass am Rad ein andere Zustand beispielsweise ein zu geringer Luttdruck herrscht.In 3 a diagnostic table is shown. If you want to detect a fault on the wheel at the front right on the chassis sensor F1, you have to, for example, an element, k F1 / f2 of the corresponding vector
Figure 00130001
compare with the corresponding elements k F2 / f2 k F3 / f2 k F4 / f2, which were recorded by the other chassis sensors F2, F3, F4. If k F1 / f2 ≠ k F2 / f2 = k F3 / f2 = k F4 / f2, it can be concluded from this that there is a different condition on the wheel, for example a too low lutt pressure.

4 skizziert eine abgewandelte Auswertung. 4 outlines a modified evaluation.

5 verdeutlicht das zweistufige Grundprinzip von Parameterschätzung und Mustererkennung, wie es letztlich in der Sprachverarbeitung angewendet wird, hier übertragen auf die Analyse des Fahrzeug- und Fahrbahnzustands. 5 illustrates the two-stage basic principle of parameter estimation and pattern recognition, as it is ultimately used in speech processing, applied here to the analysis of the vehicle and road condition.

Die Übertragung eines Mustererkennungsverfahren, wie es in der Spracherkennung bisher eingesetzt wird, in die vorgeschlagene Anwendung der Bewertung des Fahrwerks und der Fahrbahnbeschaffenheit erfolgt in diesen drei Schichten und ist in 6 visualisiert.The transfer of a pattern recognition method, as has been used up to now in speech recognition, into the proposed application of the assessment of the chassis and the condition of the road takes place in these three layers and is in 6 visualized.

Schicht 1 und 2 sind sensorspezifisch, Schicht 3 stellt den Gesamtzusammenhang bezüglich des Fahrzeuges dar.layer 1 and 2 are sensor-specific, layer 3 provides the overall context in terms of of the vehicle.

Schicht 1 dient zur Merkmalsgenerierung. Die Messsignale werden zeit- und/oder wegäquidistant abgetastet und getrennt weiterverarbeitet. Zur Merkmalsgenerierung werden auf diese Abtastwerte wahlweise ohne Anspruch auf Vollständigkeit die bekannten Verfahren: Linear Prediction Analysis (LPC), Cepstrum Analysis, Short Time Fourier Analysis, Filter Bank Analysis, Sinusoidal Analysis, Frequency-Domain Pitch Estimation, Kombinationen daraus oder Weiterentwicklungen angewandt. Vorteilhaft sind Verfahren, die zu orthogonalen Schätzvektoren führen.layer 1 is used to generate features. The measurement signals are time and / or path equidistant sampled and processed separately. For feature generation are optionally based on these samples without claim to completeness the well-known methods: Linear Prediction Analysis (LPC), Cepstrum Analysis, Short Time Fourier Analysis, Filter Bank Analysis, Sinusoidal Analysis, frequency domain pitch estimation, combinations of these or further developments applied. Processes are advantageous the to orthogonal estimation vectors to lead.

Das LPC-Verfahren schätzt die Koeffizienten der äquivalenten Übertragungsfunktion. Die Ordnung der Übertragungsfunktion wird von dem zugrunde gelegten physikalischen Modell bestimmt. Vorzugsweise kommen hier Ladder/Lattice-Verfahren zum Einsatz. Es bieten sich für die Modellierung der Übertragungsfunktion mittels LPC unterschiedliche Ansätze an:
Das AR (autoregressive)-Lattice-Verfahren kommt zum Einsatz, wenn als Eingangssignal des zu modellierenden Übertragungssystems eine Impulsfolge oder Weißes Rauschen angesetzt werden muss. Wegen der Allgemeingültigkeit des Ansatzes kann dieses Verfahren auf jeden Sensorausgang angewandt werden. Der Schätzvektor beschreibt die Koeffizienten des approximierten AR-Modells.The LPC method estimates the coefficients of the equivalent transfer function. The order of the transfer function is determined by the underlying physical model. Ladder / lattice processes are preferably used here. There are different approaches for modeling the transfer function using LPC:
The AR (autoregressive) lattice method is used when a pulse train or white noise has to be used as the input signal of the transmission system to be modeled. Because of the generality of the approach, this method can be applied to any sensor output. The estimation vector describes the coefficients of the approximated AR model.

ARMA(autoregressive moving average)-Lattice-Verfahren benötigen zwei Messsignale, die als Eingang und Ausgang einer Übertragungsfunktion interpretiert werden können. Der Schätzvektor beschreibt die Koeffizienten der ARMA-Übertragungsfunktion zwischen diesen beiden Messkanälen.ARMA (autoregressive moving average) -Lattice methods require two measurement signals as input and output of a transfer function can be interpreted. The estimate vector describes the coefficients of the ARMA transfer function between these two measurement channels.

Joint-Ladder/Lattice-Verfahren sind vorteilhaft einsetzbar, wenn das Signal an Kanal 1 mittels AR-Lattice-Schätzung und die Übertragungsstrecke zwischen Kanal 1 und Kanal 2 mittels eines MA-Modells nachgebildet werden kann. Beispielhaft kann das Signal des Fahrwerksensors an Kanal 1 und das Signal des Chassis-Sensors an Kanal 2 angeschlossen werden. In diesem Fall beschreibt der AR-Schätzvektor die gesamte Übertragungsstrecke Fahrbahn und Reifen, der MA-Schätzvektor die Übertragungsstrecke Feder/Dämpfer.Joint-Ladder / Lattice process can be used advantageously if the signal on channel 1 is used AR Lattice estimate and the transmission link can be simulated between channel 1 and channel 2 using an MA model. exemplary can the signal of the chassis sensor on channel 1 and the signal of the Chassis sensors can be connected to channel 2. In this case describes the AR estimate vector the entire transmission path Road surface and tires, the MA estimation vector the transmission link Spring / damper.

Filter Bank Analysis ermittelt die Effektivwerte der Ausgangssignale einer Reihe von Bandpässen mit bestimmten, dem Anwendungsfall angepassten Durchlassbereichen. Cepstrum Analyse u. die unterschiedlichen Fourier Analyse Verfahren ermitteln die gewichteten Spektralanteile in dem aufgezeichneten Sensorsignal.filter Bank Analysis determines the effective values of the output signals of a Series of band passes with certain passband areas adapted to the application. Cepstrum analysis and the different Fourier analysis methods determine the weighted spectral components in the recorded Sensor signal.

Die Abtastwerte ebenso wie die Schätzvektoren können bei Bedarf an übergeordnete Regelkreise weitergeleitet werden.The Samples as well as the estimation vectors can if necessary to superordinate Control loops are forwarded.

Die Rechenoperationen ergeben in der Regel eine unendliche Anzahl von unterschiedlichen Schätzvektoren. Darum wird in der weiteren Ausgestaltung in der zweiten Schicht mit Hilfe der aus der Spracherkennung bekannten Klassifizierungsverfahren die unendliche Anzahl von Lösungen auf eine endliche Anzahl von Klassennamen abgebildet. In der Spracherkennung entspricht dies der Zuordnung zu Lauten. Die bekanntesten Klassifizierungsverfahren sind ohne Anspruch auf Vollständigkeit: Neuronale Netze, Fuzzy Logik, Lineare Diskriminanzanalyse, Zuordnungstabellen oder Hidden Markov Modelle. Die Anzahl der Klassennamen („Laute") wird durch die gewünschte Klassifizierungstiefe bestimmt. Diese wiederum wird bestimmt durch die nachgeschalteten Diagnose- u. Regelungssysteme. Damit stehen diesen Systemen sowohl die Schätzvektoren als auch die quantisierten Klassennamen, denen tabellarisch Reglerparameter zugeordnet werden, zur Verfügung. Die Klassifizierung erfolgt im Rahmen eines Lernvorganges, wobei sowohl Simulationsverfahren als auch Fahrerprobung zum Einsatz kommen.The Arithmetic operations usually result in an infinite number of different estimation vectors. That is why in the further configuration in the second layer with the help of the classification methods known from speech recognition the infinite number of solutions mapped to a finite number of class names. In speech recognition this corresponds to the assignment to sounds. The most famous classification methods are not exhaustive: Neural networks, fuzzy logic, linear discriminant analysis, allocation tables or Hidden Markov models. The number of class names ("lute") is determined by the desired Classification depth determined. This in turn is determined by the downstream diagnostic and Control systems. Stand with it these systems both the estimate vectors as well as the quantized class names, which are tabular controller parameters be assigned. The classification takes place as part of a learning process, whereby Both simulation methods and driver testing are used.

In der weiteren Ausgestaltung werden diese Klassennamen der einzelnen Sensoren an die dritte Schicht übergeben. In dieser Schicht erfolgt der wechselseitige Vergleich der Klassennamen. Auch hier kommen die Klassifizierungs-verfahren der Spracherkennung zum Einsatz (ohne Anspruch auf Vollständigkeit): Neuronale Netze, Fuzzy Logik, Lineare Diskriminanzanalyse, Zuordnungstabellen oder Hidden Markov Modelle.In In the further development, these class names become the individual Pass sensors to the third layer. The mutual comparison of the class names takes place in this layer. Here too come the classification procedures for speech recognition for use (without claim to completeness): neural networks, Fuzzy logic, linear discriminant analysis, assignment tables or Hidden Markov models.

Melden beispielsweise alle am Fahrwerk angebrachten Sensoren den gleichen Zustand (= gleicher Klassennamen, „= Laut"), kann diese Information über Fahrbahn und Reifen als aktuelle Schätzung an das übergeordnete Reglersystem weitergegeben werden. Weicht der Klassennamen eines Radsensorsignals signifikant von den Klassennamen der übrigen Radsensorsignale ab, kann auf einen Defekt am Einzelrad (Unwucht, Karkassenriß, zu geringer Reifendruck, anderes Reifenprofil, etc) geschlossen werden. Hilfreich bei der Unterscheidung zwischen Zustand der Fahrbahn und des Reifens ist der Tatbestand, dass die Klassennamen, die aus der wegäquidistanten Abtastung gewonnen werden, für die Reifeneigenschaften unabhängig sind von der Raddrehzahl. Damit lässt sich beispielsweise klar zwischen Reifenunwucht und einer welligen Fahrbahnoberfläche unterscheiden. Bei letzterem ändern sich die Klassennamen abhängig von der Fahrzeuggeschwindigkeit, bei ersterem ist im wesentlichen kein Einfluß feststellbar. Ein weiteres Kriterium betrifft die Änderungsgeschwindigkeit der Klassennamen: Von der Fahrbahn oder dem Reifendruck abhängige Größen können sich sehr kurzzeitig ändern. Verschleißabhängige Größen, wie Reifenprofiltiefe, oder Dämpfungsbeiwert ändern sich in der Regel sehr langsam. Hier ist eine Trendverfolgung der Klassennamen oder Schätzvektoren erforderlich.For example, if all sensors attached to the chassis report the same status (= same class name, "= loud"), this information about the road surface and tires can be passed on to the higher-level control system as a current estimate. The class name of a wheel sensor signal differs significantly from the class name of the other wheel sensor signals can be concluded that there is a defect on the single wheel (unbalance, carcass tear, insufficient tire pressure, different tire profile, etc.) A distinction between the condition of the road surface and the tire is the fact that the class names obtained from the path-equidistant scanning are independent of the wheel speed for the tire properties. This makes it possible, for example, to clearly differentiate between tire imbalance and a wavy road surface. In the latter, the class names change depending on the vehicle speed, in the former there is essentially no influence. Another criterion relates to the rate at which class names change: sizes that depend on the road surface or tire pressure can change very briefly. Wear-dependent variables, such as tire tread depth, or damping coefficient usually change very slowly. Trend tracking of class names or estimation vectors is required here.

Ändern sich die Klassennamen paarweise (linke Fahrzeughälfte: VL u. HL gegen rechte Fahrzeughälfte: VR und HR), so kann auf einen Spurwechsel oder auf das Befahren des Randstreifens geschlossen werden, wobei aus den unterschiedlichen Klassennamen geschlossen werden kann, welche Fahrzeugseite die Fahrbahn verlassen hat.Vary the class names in pairs (left vehicle half: VL and HL against right Half of the vehicle: VR and HR), can change lanes or drive on of the edge strip are closed, being from the different Class names can be concluded, which side of the vehicle the road has left.

In Verbindung mit einem weich eingestellten Dämpfer kann aus der Eigenbewegung des Fahrzeug-Chassis, erfasst über einen geeigneten Chassis-Sensor, auf die Zuladung des Fahrzeugs geschlossen werden.In Connection with a soft set damper can result from your own movement of the vehicle chassis, recorded via a suitable chassis sensor on the vehicle's payload getting closed.

Zur Vermeidung von Bewertungsfehlern ist es vorteilhaft, die Anregungsfrequenz des Fahrwerkschemels zu berücksichtigen.to Avoiding evaluation errors, it is advantageous to use the excitation frequency of the undercarriage.

Akustische Sensoren, befestigt am Fahrwerk oder am Chassis, sind in besonderer Weise zur Signalanalyse mittels Spracherkennung geeignet. Hiermit können die Profileigenschaften der Reifen, welche den Bremsvorgang beeinflussen, erfasst, Lagerschäden aufgrund der charakteristischen Spektralanteile detektiert und Schäden an der Bremse erkannt werden.acoustic Sensors attached to the chassis or chassis are special Suitable for signal analysis using speech recognition. Herewith can the profile properties of the tires, which influence the braking process, recorded, bearing damage detected due to the characteristic spectral components and damage to the Brake can be recognized.

Claims (8)

Verfahren zur Erkennung und Überwachung der Bewegung eines Fahrzeuges an welchem mehrere Sensoren zur Erfassung von Messwerten von Beschleunigungen, Geschwindigkeiten, Wegstrecken Kräften oder Geräuschen am Fahrwerk und an der Karosserie angebracht sind, dadurch gekennzeichnet, dass die von den Sensoren erfassten Messwerte mit einem Mustererkennungsverfahren bearbeitet werden.Method for detecting and monitoring the movement of a vehicle on which a plurality of sensors for recording measured values of accelerations, speeds, distances, forces or noises are attached to the chassis and body, characterized in that the measured values recorded by the sensors are processed using a pattern recognition method , Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die von den Sensoren erfassten Messwerte mit einem aus der Sprachverarbeitung bekannten Mustererkennungsverfahren bearbeitet werden.A method according to claim 1, characterized in that the measured values recorded by the sensors with a from the Speech processing known pattern recognition processes edited become. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die von den Sensoren erfassten Messwerte mit einem Schätzverfahren bearbeitet werden, wobei – von jeweils einem Sensor im Laufe der Zeit mehrere Messwerte erfasst werden und dann, – aus den Messwerten eines Sensors Zahlenwerte berechnet werden, welche die Komponenten von verschiedenen Schätzvektoren bilden und – die Schätzvektoren mit anderen Vektoren, die in einer Speichereinheit abgespeichert sind und denen jeweils ein definierter Fahrzustand zugeordnet ist, verglichen und klassifiziert werden.A method according to claim 1 or 2, characterized in that that the measured values recorded by the sensors using an estimation method are edited, whereby - of one sensor each recorded several measured values over time become and then - out the measured values of a sensor, numerical values are calculated, which form the components of different estimation vectors and - the estimation vectors with other vectors stored in a storage unit are and which are each assigned a defined driving state, compared and classified. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass die Komponenten eines Schätzvektors mit einem orthogonalen Schätzverfahren, insbesondere dem Ladder- oder Lattice-Verfahren berechnet werden.Method according to one of the preceding claims, characterized characterized in that the components of an estimation vector with an orthogonal Estimation methods, especially the ladder or lattice method. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass die Komponenten eines Schätzvektors mit Autoregressiv-, Moving Average- oder Joint Ladder-Verfahren abgeschätzt werden.Method according to one of the preceding claims, characterized characterized in that the components of an estimation vector with autoregressive, Moving average or joint ladder methods can be estimated. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass die Messwerte zur Berechnung der Komponenten eines Schätzvektors in definierten Zeitabständen wiederholt werden.Method according to one of the preceding claims, characterized characterized that the measured values for calculating the components an estimation vector at defined intervals be repeated. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass die Messwerte zur Berechnung der Komponenten eines Schätzvektors nach dem Zurücklegen definierter Wegstrecken wiederholt werden.Method according to one of the preceding claims, characterized characterized that the measured values for calculating the components an estimation vector after putting it back defined distances can be repeated. Aufbau für ein Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass an jedem Fahrschemel und am Chassis zumindest ein Sensor angeordnet ist, deren Messungen zur Berechnung der Komponenten des Vektors dient.Structure for a method according to one of the preceding claims, characterized in that at least one sensor is arranged on each subframe and on the chassis, the measurements of which are used to calculate the components of the vector.
DE2003120809 2003-05-08 2003-05-08 Car motion recognition and monitoring procedure processes data from acceleration, speed, force and body noise sensors using pattern recognition based on state vectors Withdrawn DE10320809A1 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
DE2003120809 DE10320809A1 (en) 2003-05-08 2003-05-08 Car motion recognition and monitoring procedure processes data from acceleration, speed, force and body noise sensors using pattern recognition based on state vectors
PCT/DE2004/000976 WO2004101300A1 (en) 2003-05-08 2004-05-10 Method for detection and monitoring of the movements of vehicles

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE2003120809 DE10320809A1 (en) 2003-05-08 2003-05-08 Car motion recognition and monitoring procedure processes data from acceleration, speed, force and body noise sensors using pattern recognition based on state vectors

Publications (1)

Publication Number Publication Date
DE10320809A1 true DE10320809A1 (en) 2004-11-25

Family

ID=33394374

Family Applications (1)

Application Number Title Priority Date Filing Date
DE2003120809 Withdrawn DE10320809A1 (en) 2003-05-08 2003-05-08 Car motion recognition and monitoring procedure processes data from acceleration, speed, force and body noise sensors using pattern recognition based on state vectors

Country Status (2)

Country Link
DE (1) DE10320809A1 (en)
WO (1) WO2004101300A1 (en)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004049380A1 (en) * 2004-10-09 2006-04-13 Conti Temic Microelectronic Gmbh Vehicle sensor has processing characteristic for electrical signals produced through sensing of different oscillations and which can be adjusted automatically in dependence upon control signal
EP1703471A1 (en) * 2005-03-14 2006-09-20 Harman Becker Automotive Systems GmbH Automatic recognition of vehicle operation noises
DE102005048141A1 (en) * 2005-10-07 2007-04-12 Zf Friedrichshafen Ag Product e.g. motor vehicle, evaluating method for use in automobile industry, involves performing fine analysis on partial data, and evaluating product based on quantifiable evaluation criterion and characteristic data or pattern
DE102005053223A1 (en) * 2005-11-08 2007-05-10 Bayerische Motoren Werke Ag Chassis diagnosis system for e.g. truck, has chassis components whose vibrations characteristics are evaluated, where variations between actual- and reference-vibrations characteristics are stored as error codes and are read during overhaul
EP1785290A1 (en) * 2005-11-09 2007-05-16 Mando Corporation Method for measuring vertical accelaration and velocity of semi-active suspension system
DE102006017824A1 (en) * 2006-04-13 2007-10-18 Dspace Digital Signal Processing And Control Engineering Gmbh Diagnostic function building method for vehicle, involves acquiring classification function from collected simulation results to assign error symptoms, and determining symptom vectors by compiling results of error and non-error simulations
DE102006000915B4 (en) * 2005-01-07 2008-04-17 General Motors Corp., Detroit Method for modeling vehicle parameter cycles
US7627408B2 (en) 2005-11-02 2009-12-01 Mando Corporation Method for measuring vertical acceleration and velocity of semi-active suspension system
EP2537723A3 (en) * 2011-06-24 2013-01-02 Kabushiki Kaisha Bridgestone Method and apparatus for determining road surface condition
DE102014011162A1 (en) 2014-07-25 2016-01-28 Audi Ag Method for operating an active chassis
DE102015203026A1 (en) * 2015-02-19 2016-08-25 Bayerische Motoren Werke Aktiengesellschaft Motor vehicle with ballast detection device and method for detecting ballast
DE102018203560A1 (en) * 2018-03-08 2019-09-12 Bayerische Motoren Werke Aktiengesellschaft Method and control unit for detecting a lane boundary
EP2500708B1 (en) * 2011-03-16 2020-05-06 FSD Fahrzeugsystemdaten GmbH Device and method for checking components, in particular axle suspension testing, in vehicles
WO2020126480A1 (en) * 2018-12-21 2020-06-25 Continental Automotive Gmbh Method for adapting a transmission function of an active running gear of a vehicle
DE102016208048B4 (en) 2015-05-19 2023-03-16 Gm Global Technology Operations, Llc AUTOMOBILES, DIAGNOSTIC SYSTEMS AND METHODS FOR GENERATION OF DIAGNOSTIC DATA FOR AUTOMOBILES
FR3138401A1 (en) * 2022-07-26 2024-02-02 Psa Automobiles Sa Method and device for controlling a vehicle driving assistance system based on a level of tire performance
FR3138533A1 (en) * 2022-07-26 2024-02-02 Psa Automobiles Sa Method and device for controlling a vehicle driving assistance system based on a level of performance of the shock absorbers

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111767933A (en) * 2019-05-17 2020-10-13 北京京东尚科信息技术有限公司 Method and device for identifying vehicle driving state
CN115320307B (en) * 2022-10-17 2023-01-20 浙江孔辉汽车科技有限公司 Vibration damping method and device for vehicle, electronic equipment and storage medium

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3700409A1 (en) * 1986-01-10 1987-07-16 Nissan Motor HYBRID VEHICLE MOTION ESTIMATION SYSTEM
EP0554131A1 (en) * 1992-01-31 1993-08-04 Honda Giken Kogyo Kabushiki Kaisha System and method for determining a reduction in the pneumatic tire pressure
DE4218087A1 (en) * 1992-06-01 1993-12-02 Isermann Rolf Prof Dr Ing Dr H Controlling vibration damping of car chassis or body - using mathematical model with linear relationship between vertical chassis acceleration and its displacement and velocity
DE4340746A1 (en) * 1992-11-30 1994-06-01 Toyota Chuo Kenkyusho Aichi Kk Dynamic system error diagnostic appts., e.g. for motor vehicle - determines integrated disturbance vector, consisting of sum of external and internal vectors of dynamic system, based on internal state vector of dynamic system, and cross-correlates with internal state vector
DE69028872T2 (en) * 1989-05-18 1997-02-20 Ford Werke Ag Method and device for diagnosing the electronic control system of a motor vehicle with the aid of pattern recognition
DE19827271A1 (en) * 1998-06-19 1999-12-23 Andreas Mueller Sensor supported ON LINE determination system with evaluation of wheel and track related data during train travel
DE19911848A1 (en) * 1999-03-17 2000-09-21 Robert Kuehn Railway rolling stock operational safety data monitoring method, involves using slave computer with software for controlling operation of master computer and at least one slave computer in train unit
DE4133237C2 (en) * 1991-10-05 2001-10-11 Bosch Gmbh Robert Suspension control system
DE10062606A1 (en) * 2000-12-12 2002-06-13 Daimler Chrysler Ag Monitoring of the mechanical state of electric motor vehicles to detect damage or incorrect operation of the motor or drive mechanism based on statistical analysis of measured motor operating values, e.g. supply voltage
DE10064754A1 (en) * 2000-12-22 2002-07-04 Daimler Chrysler Ag Method and arrangement for determining a noise signal from a noise source
DE10161283A1 (en) * 2000-12-12 2002-08-01 Deutsche Bahn Ag Method for permanently monitoring the condition of railway wagon wheel bearings at fixed time intervals involves using transducers to record characteristics or each wheel bearing
DE10161655A1 (en) * 2000-12-14 2003-01-16 Siemens Corp Res Inc X-ray maintenance method for medical field, involves deriving pattern classifier using linear discriminant which separates two sets of vectors, for monitoring persistence of event occurrence in X-ray device
DE10235525A1 (en) * 2001-09-10 2003-04-10 Daimler Chrysler Ag Monitoring of the state of a motor vehicle using machine learning and data mining technology to generate component models that are then used to monitor components, predict failure, etc., such analysis being useful for repair, etc.
DE10215464A1 (en) * 2002-03-28 2003-10-16 Volkswagen Ag Determining method for an assessed value of a flotation angle in motor vehicles to be measured indirectly uses a non-linear differential equation to describe the flotation angle
DE10319493A1 (en) * 2002-05-16 2003-11-27 Ford Global Tech Inc Remote diagnosis and forecasting methods for complex systems

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06104455B2 (en) 1985-03-15 1994-12-21 日産自動車株式会社 Vehicle motion condition estimation device
DE3642590A1 (en) * 1985-12-12 1987-06-25 Bayerische Motoren Werke Ag Method for determining operating states of a motor vehicle
JPH0818484B2 (en) * 1988-01-25 1996-02-28 日産自動車株式会社 Suspension and steering force control device
US5041976A (en) * 1989-05-18 1991-08-20 Ford Motor Company Diagnostic system using pattern recognition for electronic automotive control systems
DE4019501A1 (en) 1989-09-30 1991-04-11 Lehn F Heinrich METHOD AND DEVICE FOR VIBRATION MONITORING OF THE WHEEL SYSTEMS OF MOTOR VEHICLES DURING DRIVING
DE4014876A1 (en) * 1990-05-09 1991-11-14 Bayerische Motoren Werke Ag METHOD AND DEVICE FOR DETERMINING AND / OR MONITORING THE CONDITION OF A TECHNICAL COMPONENT OF A MOTOR VEHICLE
DE4213221C2 (en) 1992-04-22 2001-05-17 Porsche Ag Method for determining the wetting of a road surface
DE4235809C2 (en) 1992-10-23 1997-07-24 Telefunken Microelectron Sensor system on motor vehicles to detect wetness on the road
DE4431794A1 (en) 1994-09-06 1996-03-07 Langlechner Richard Gmbh Method and device for determining the properties of shock absorbers installed in a motor vehicle
DE4440413A1 (en) 1994-11-11 1996-05-15 Fichtel & Sachs Ag Monitoring system for determining efficiency of esp. motor vehicle shock absorber
DE19543137A1 (en) 1995-11-18 1997-05-22 Porsche Ag Sensor with vibrational body for determining wet or broken roadway for vehicle
DE19723037A1 (en) * 1996-06-07 1997-12-18 Volkswagen Ag Tyre pressure monitor based on stub axle vibration
DE19730414A1 (en) * 1997-07-16 1999-01-21 Opel Adam Ag Method to judge condition of roadway in advance
DE19803386A1 (en) * 1998-01-29 1999-08-05 Daimler Chrysler Ag Device for monitoring the air pressure of a vehicle tire
DE19909157A1 (en) 1999-03-02 2000-09-21 Daimler Chrysler Ag Distributed vehicle information processing and control system
DE10044128A1 (en) * 2000-09-06 2002-05-29 Continental Ag Chassis for vehicles and method for detecting pressure changes on vehicle tires
DE10145433C2 (en) * 2000-09-15 2003-11-27 Db Reise & Touristik Ag Method and device for fault monitoring of components of rail vehicles

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3700409A1 (en) * 1986-01-10 1987-07-16 Nissan Motor HYBRID VEHICLE MOTION ESTIMATION SYSTEM
DE69028872T2 (en) * 1989-05-18 1997-02-20 Ford Werke Ag Method and device for diagnosing the electronic control system of a motor vehicle with the aid of pattern recognition
DE4133237C2 (en) * 1991-10-05 2001-10-11 Bosch Gmbh Robert Suspension control system
EP0554131A1 (en) * 1992-01-31 1993-08-04 Honda Giken Kogyo Kabushiki Kaisha System and method for determining a reduction in the pneumatic tire pressure
DE4218087A1 (en) * 1992-06-01 1993-12-02 Isermann Rolf Prof Dr Ing Dr H Controlling vibration damping of car chassis or body - using mathematical model with linear relationship between vertical chassis acceleration and its displacement and velocity
DE4340746A1 (en) * 1992-11-30 1994-06-01 Toyota Chuo Kenkyusho Aichi Kk Dynamic system error diagnostic appts., e.g. for motor vehicle - determines integrated disturbance vector, consisting of sum of external and internal vectors of dynamic system, based on internal state vector of dynamic system, and cross-correlates with internal state vector
DE19827271A1 (en) * 1998-06-19 1999-12-23 Andreas Mueller Sensor supported ON LINE determination system with evaluation of wheel and track related data during train travel
DE19911848A1 (en) * 1999-03-17 2000-09-21 Robert Kuehn Railway rolling stock operational safety data monitoring method, involves using slave computer with software for controlling operation of master computer and at least one slave computer in train unit
DE10062606A1 (en) * 2000-12-12 2002-06-13 Daimler Chrysler Ag Monitoring of the mechanical state of electric motor vehicles to detect damage or incorrect operation of the motor or drive mechanism based on statistical analysis of measured motor operating values, e.g. supply voltage
DE10161283A1 (en) * 2000-12-12 2002-08-01 Deutsche Bahn Ag Method for permanently monitoring the condition of railway wagon wheel bearings at fixed time intervals involves using transducers to record characteristics or each wheel bearing
DE10161655A1 (en) * 2000-12-14 2003-01-16 Siemens Corp Res Inc X-ray maintenance method for medical field, involves deriving pattern classifier using linear discriminant which separates two sets of vectors, for monitoring persistence of event occurrence in X-ray device
DE10064754A1 (en) * 2000-12-22 2002-07-04 Daimler Chrysler Ag Method and arrangement for determining a noise signal from a noise source
DE10235525A1 (en) * 2001-09-10 2003-04-10 Daimler Chrysler Ag Monitoring of the state of a motor vehicle using machine learning and data mining technology to generate component models that are then used to monitor components, predict failure, etc., such analysis being useful for repair, etc.
DE10215464A1 (en) * 2002-03-28 2003-10-16 Volkswagen Ag Determining method for an assessed value of a flotation angle in motor vehicles to be measured indirectly uses a non-linear differential equation to describe the flotation angle
DE10319493A1 (en) * 2002-05-16 2003-11-27 Ford Global Tech Inc Remote diagnosis and forecasting methods for complex systems

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004049380A1 (en) * 2004-10-09 2006-04-13 Conti Temic Microelectronic Gmbh Vehicle sensor has processing characteristic for electrical signals produced through sensing of different oscillations and which can be adjusted automatically in dependence upon control signal
DE102004049380B4 (en) * 2004-10-09 2017-02-02 Conti Temic Microelectronic Gmbh vehicle sensor
DE102006000915B4 (en) * 2005-01-07 2008-04-17 General Motors Corp., Detroit Method for modeling vehicle parameter cycles
EP1703471A1 (en) * 2005-03-14 2006-09-20 Harman Becker Automotive Systems GmbH Automatic recognition of vehicle operation noises
DE102005048141A1 (en) * 2005-10-07 2007-04-12 Zf Friedrichshafen Ag Product e.g. motor vehicle, evaluating method for use in automobile industry, involves performing fine analysis on partial data, and evaluating product based on quantifiable evaluation criterion and characteristic data or pattern
US7627408B2 (en) 2005-11-02 2009-12-01 Mando Corporation Method for measuring vertical acceleration and velocity of semi-active suspension system
DE102005053223A1 (en) * 2005-11-08 2007-05-10 Bayerische Motoren Werke Ag Chassis diagnosis system for e.g. truck, has chassis components whose vibrations characteristics are evaluated, where variations between actual- and reference-vibrations characteristics are stored as error codes and are read during overhaul
EP1785290A1 (en) * 2005-11-09 2007-05-16 Mando Corporation Method for measuring vertical accelaration and velocity of semi-active suspension system
US7991583B2 (en) 2006-04-13 2011-08-02 Dspace Digital Signal Processing And Control Engineering Gmbh Diagnosis in automotive applications
DE102006017824A1 (en) * 2006-04-13 2007-10-18 Dspace Digital Signal Processing And Control Engineering Gmbh Diagnostic function building method for vehicle, involves acquiring classification function from collected simulation results to assign error symptoms, and determining symptom vectors by compiling results of error and non-error simulations
DE102006017824B4 (en) * 2006-04-13 2018-10-11 Dspace Digital Signal Processing And Control Engineering Gmbh Method for constructing a diagnostic function
EP2500708B1 (en) * 2011-03-16 2020-05-06 FSD Fahrzeugsystemdaten GmbH Device and method for checking components, in particular axle suspension testing, in vehicles
EP2537723A3 (en) * 2011-06-24 2013-01-02 Kabushiki Kaisha Bridgestone Method and apparatus for determining road surface condition
DE102014011162A1 (en) 2014-07-25 2016-01-28 Audi Ag Method for operating an active chassis
US9868333B2 (en) 2014-07-25 2018-01-16 Audi Ag Method of operating an active suspension
DE102014011162B4 (en) * 2014-07-25 2017-12-21 Audi Ag Method for operating an active chassis
DE102015203026A1 (en) * 2015-02-19 2016-08-25 Bayerische Motoren Werke Aktiengesellschaft Motor vehicle with ballast detection device and method for detecting ballast
DE102016208048B4 (en) 2015-05-19 2023-03-16 Gm Global Technology Operations, Llc AUTOMOBILES, DIAGNOSTIC SYSTEMS AND METHODS FOR GENERATION OF DIAGNOSTIC DATA FOR AUTOMOBILES
CN111683853B (en) * 2018-03-08 2024-03-19 宝马汽车股份有限公司 Method for recognizing lane boundaries and control unit
CN111683853A (en) * 2018-03-08 2020-09-18 宝马汽车股份有限公司 Method and control unit for recognizing lane boundaries
US11891058B2 (en) 2018-03-08 2024-02-06 Bayerische Motoren Werke Aktiengesellschaft Method and control unit for detecting a lane boundary
DE102018203560A1 (en) * 2018-03-08 2019-09-12 Bayerische Motoren Werke Aktiengesellschaft Method and control unit for detecting a lane boundary
WO2020126480A1 (en) * 2018-12-21 2020-06-25 Continental Automotive Gmbh Method for adapting a transmission function of an active running gear of a vehicle
FR3138401A1 (en) * 2022-07-26 2024-02-02 Psa Automobiles Sa Method and device for controlling a vehicle driving assistance system based on a level of tire performance
FR3138533A1 (en) * 2022-07-26 2024-02-02 Psa Automobiles Sa Method and device for controlling a vehicle driving assistance system based on a level of performance of the shock absorbers

Also Published As

Publication number Publication date
WO2004101300A1 (en) 2004-11-25

Similar Documents

Publication Publication Date Title
DE10320809A1 (en) Car motion recognition and monitoring procedure processes data from acceleration, speed, force and body noise sensors using pattern recognition based on state vectors
DE19720626B4 (en) Driving condition monitoring device for motor vehicles
DE60113282T2 (en) DEVICE FOR PREDICTING A TIRE PLATTER
DE112013000718B4 (en) Vehicle control device
DE10150850B4 (en) Road surface condition estimation apparatus
DE102008047750A1 (en) Driver assistance system for vehicle, has module for analysis of torsional vibration of wheel of vehicle and for generating estimated value of coefficient of friction on basis of analysis
DE60030816T2 (en) Tire pressure warning device
EP2288530A1 (en) Method for monitoring at least one system parameter which influences the operating behaviour of vehicles or trains of vehicles
DE102004019320A1 (en) System for reproducing the dynamic behavior of a vehicle
DE102017111505A1 (en) Systems and methods for retrieving data from a remote system
AT513370A2 (en) Virtual test optimization for driver assistance systems
DE102015103570A1 (en) Driver Anomaly Detection
DE102014204792A1 (en) System for detecting abnormal driving behavior
DE102009053404A1 (en) Method for diagnosis of error i.e. damage, in chassis of vehicle, involves producing characteristic value based on state variable processing and/or evaluation, and generating error code entry if value is larger than preset threshold value
DE102017203171A1 (en) Determination of a maximum traction coefficient
DE102008051962A1 (en) A reconfigurable structure method for estimating the lateral velocity of a vehicle
DE102021126014A1 (en) METHOD AND APPARATUS FOR PREDICTING TIRE WEAR USING MACHINE LEARNING
EP3737571A1 (en) Method for determining the current lane roughness in a vehicle
DE10157885A1 (en) Method and device for determining tire air pressure
DE102016010792A1 (en) Method and device for determining a vehicle mass
EP3463940B1 (en) Method and motor vehicle comprising a control device for controlling at least one vibration damper of the motor vehicle
DE102011106900A1 (en) Method for detecting manual operation of steering device of motor vehicle, involves detecting vehicle conditions, driving conditions and traffic conditions using maps and traffic information
EP3071459B1 (en) Checking of the installation position of axle modulators on the basis of disturbances in speed signals
DE102020116507A1 (en) Procedure for determining a target variable
EP3631402B1 (en) Vehicle test stand and method for ascertaining a vehicle longitudinal acceleration

Legal Events

Date Code Title Description
OM8 Search report available as to paragraph 43 lit. 1 sentence 1 patent law
8181 Inventor (new situation)

Inventor name: GOLLEWSKI, THORSTEN, 85101 LENTING, DE

Inventor name: KOHN, DIETMAR, DR., 88400 BIBERACH, DE

Inventor name: SCHILLINGER, JAKOB, DR., 85080 GAIMERSHEIM, DE

8141 Disposal/no request for examination