-
Technisches Gebiet
-
Diese
Offenbarung bezieht sich allgemein auf Diagnose- und Vorhersagesysteme
und insbesondere auf Diagnose- und Vorhersagesysteme, die auf einem
mathematischen Modell basieren.
-
Hintergrund
-
Moderne
Arbeitsmaschinen sind oft mit komplexen Steuersystemen ausgerüstet, um
einen großen
Bereich von Betriebsvorgängen
zu unterstützen. Die
Betriebsbedingungen dieser komplexen Systeme, wie beispielsweise
eines Motorsteuersystems, müssen
eventuell überwacht
werden, um gewisse Versagensfälle
der Systeme zu diagnostizieren und/oder vorherzusagen. Eine große Vielzahl
von Techniken und Vorrichtungen ist entwickelt worden, um Motoren
und Motorsteuersysteme zu diagnostizieren, was Expertensysteme,
Fuzzy-Logic-Systeme und Modelle mit neuronalen Netzwerken mit einschließt. Diese
Techniken und Vorrichtungen können für Diagnose-
und/oder Vorhersagezwecke verwendet werden. Ein Diagnosesystem kann
verwendet werden, um eine grundlegende Quelle eines Versagensfalls
zu identifizieren, nachdem der Versagensfall aufgetreten ist, und
ein Vorhersagesystem kann verwendet werden, um eine grundlegende
Quelle eines Versagens zu identifizieren, bevor der Versagensfall
aufgetreten ist.
-
Einige
dieser herkömmlichen
Techniken arbeiten nur dahingehend, dass sie Betriebsbedingungen
in zwei Kategorien einteilen, normal oder abnorm, und zwar ohne
eine weitere Analyse zu bieten, um mögliche Gründe für Versagensfälle zu identifizieren.
Andere herkömmliche
Techniken, wie sie im
US-Patent
6 240 343 B1 beschrieben werden, welches am 29. Mai 2001
an Sarangapani u.a. erteilt wurde, verwenden Unterschiede zwischen
tatsächlichen
Werten von einem Motor und Modellwerten von einem Prozessmodell
als gewöhnliche
Eingangsgrößen in das
Prozessmodell, um Ausgangsmuster von Versagensfällen basierend auf einer vorherigen Kenntnis
des Systems zu erzeugen. Jedoch können solche Techniken ein großes Ausmaß an Berechnungszeit
erfordern und können
eventuell nicht spezielle Versagensgründe identifizieren, wie beispielsweise
Versagensfälle,
die mit speziellen Eingangsgrößen und
ihrer Steuerlogik assoziiert sind.
-
Verfahren
und Systeme in Übereinstimmung mit
gewissen Merkmalen der offenbarten Systeme sind darauf gerichtet,
eines oder mehrere der oben dargelegten Probleme zu lösen.
-
Zusammenfassung der Erfindung
-
Ein
Aspekt der vorliegenden Offenbarung weist ein Verfahren zur Diagnose
eines Systems auf. Das Verfahren kann aufweisen, eine Vielzahl von Eingangsparametern
von dem System aufzunehmen. Das System kann tatsächliche Werte bzw. Ist-Werte
von einem oder mehreren Ausgangsparametern basierend auf der Vielzahl
von Eingangsparametern erzeugen. Das Verfahren kann auch aufweisen,
unabhängig
Werte von dem einen Ausgangsparameter oder der Vielzahl von Ausgangsparametern basierend
auf der Vielzahl von Eingangsparametern abzuleiten, und zwar unter
der Verwendung eines Berechnungsmodells, und eine Divergenz zwischen den
abgeleiteten Werten und den tatsächlichen
Werten zu detektieren. Weiter kann das Verfahren aufweisen, jeweilige
erwünschte
statistische Verteilungen der Vielzahl von Eingangsparametern zu
identifizieren, und zwar basierend auf den tatsächlichen Werten des einen Ausgangsparameters
oder der Vielzahl von Ausgangsparametern unter Verwendung des Berechnungsmodells.
-
Ein
weiterer Aspekt der vorliegenden Offenbarung weist ein Verfahren
zum Liefern einer Vorhersage auf, die mit einem System assoziiert
ist. Das Verfahren kann aufweisen, eine Vielzahl von Eingangsparametern
von dem System aufzunehmen. Das diagnostizierte System kann tatsächliche
Wert bzw. Ist-Werte von einem oder mehreren Ausgangsparametern basierend
auf der Vielzahl von Eingangsparametern erzeugen. Das Verfahren
kann auch aufweisen, unabhängig
Werte von dem einen Ausgangsparameter oder der Vielzahl von Ausgangsparametern
unter Verwendung eines Berechnungsmodells basierend auf der Vielzahl
von Eingangsparametern abzuleiten, und zukünftige Werte des einen Ausgangsparameters
oder der Vielzahl von Ausgangsparametern des Systems durch Berechnung eines
Trends von Unterschieden zwischen den tatsächlichen Werten und den abgeleiteten
Werten abzuschätzen.
Weiterhin kann das Verfahren aufweisen, eine mögliche Divergenz zwischen den
zukünftigen
Werten und den abgeleiteten Werten zu detektieren und jeweilige
erwünschte
statistische Verteilungen der Vielzahl von Eingangsparametern unter Verwendung
eines Berechnungsmodells basierend auf den zukünftigen Werten des einen Ausgangsparameters
oder der Vielzahl von Ausgangsparametern zu identifizieren.
-
Ein
weiterer Aspekt der vorliegenden Offenbarung weist ein Diagnose-
und Vorhersagesystem auf. Das Diagnose- und Vorhersagesystem kann eine
Vielzahl von Eingangselementen aufweisen, die konfiguriert sind,
um eine jeweilige Vielzahl von Eingangsparametern von einem diagnostizierten
System aufzunehmen, und ein oder mehrere Ausgangselemente, die konfiguriert
sind, um einen jeweiligen Ausgangsparameter oder eine Vielzahl von
Ausgangsparametern aufzunehmen. Das Diagnose- und Vorhersagesystem
kann auch einen Prozessor aufweisen. Der Prozessor kann konfiguriert
sein, um ein Versagen zu diagnostizieren und vorherzusagen, welches
mit irgendeinem der Vielzahl von Eingangsparametern assoziiert ist,
und zwar basierend auf einem Diagnosemodell. Das Diagnosemodell
kann durch Aufnahme von Datenaufzeichnungen erzeugt werden, die
die Vielzahl von Eingangsparametern und den einen Ausgangsparameter
oder die Vielzahl von Ausgangsparametern assoziieren, und durch
Erzeugung eines Berechnungsmodells, welches Beziehungen zwischen
der Vielzahl von Eingangsparametern und dem einen Ausgangsparameter
oder der Vielzahl von Ausgangsparametern basierend auf den Datenaufzeichnungen
anzeigt. Das Modell kann weiter durch Bestimmung von ursprünglichen
erwünschten
jeweiligen statistischen Verteilungen der Vielzahl von Eingangsparametern
des Berechnungsmodells basierend auf einer Zeta-Statistik des Berechnungsmodells
erzeugt werden.
-
Ein
weiterer Aspekt der vorliegenden Offenbarung weist eine Arbeitsmaschine
auf. Die Arbeitsmaschine kann einen Motor und ein elektronisches Steuermodul
aufweisen, welches konfiguriert ist, um den Betrieb des Motors durch
Verwendung von tatsächlichen
Werten des einen Ausgangsparameters oder der Vielzahl von Ausgangsparametern
basierend auf einer Vielzahl von Eingangsparametern zu steuern.
Die Arbeitsmaschine kann auch ein Diagnose- und Vorhersagesystem
aufweisen. Das Diagnose- und Vorhersagesystem kann einen Prozessor aufweisen,
der konfiguriert werden kann, um die Vielzahl von Eingangsparametern
aufzunehmen und Werte des einen Ausgangsparameters oder der Vielzahl
von Ausgangsparametern basierend auf der Vielzahl von Eingangsparametern
unter Verwendung eines Berechnungsmodells abzuleiten, welches Beziehungen
zwischen der Vielzahl von Eingangsparametern und dem einen Ausgangsparameter
oder der Vielzahl von Ausgangsparametern anzeigt. Der Prozessor
kann weiter konfiguriert sein, um ein mögliches Versagen zu identifizieren,
welches mit irgendeinem der Vielzahl von Eingangsparametern assoziiert
ist, und zwar basierend auf einer Zeta-Statistik des Berechnungsmodells.
-
Kurze Beschreibung der Zeichnungen
-
1 ist
eine bildliche Veranschaulichung einer beispielhaften Arbeitsmaschine,
die gewisse offenbarte Ausführungsbeispiele
aufweisen kann;
-
2 veranschaulicht
ein funktionelles Blockdiagramm eines beispielhaften Diagnose- und Vorhersagesystems;
-
3 veranschaulicht
ein Blockdiagramm einer Betriebsumgebung eines beispielhaften Diagnose-
und Vorhersagesystems;
-
4 veranschaulicht
einen beispielhaften Modellerzeugungs- und -optimierungsprozess
in Übereinstimmung
mit offenbarten Ausführungsbeispielen;
-
5 veranschaulicht
einen beispielhaften Diagnoseprozess in Übereinstimmung mit offenbarten
Ausführungsbeispielen;
und
-
6 veranschaulicht
einen beispielhaften Vorhersageprozess in Übereinstimmung mit offenbarten
Ausführungsbeispielen.
-
Detaillierte Beschreibung
-
Es
wird nun im Detail auf beispielhafte Ausführungsbeispiele Bezug genommen,
die in den beigefügten
Zeichnungen veranschaulicht sind. Wo immer es möglich ist, werden die gleichen
Bezugszeichen in den gesamten Zeichnungen verwendet, um sich auf
dieselben oder auf die gleichen Teile zu beziehen.
-
1 veranschaulicht
eine beispielhafte Arbeitsmaschine 100, in der Merkmale
und Prinzipien in Übereinstimmung
mit gewissen offenbarten Ausführungsbeispielen
vorgesehen sein können.
Die Arbeitsmaschine 100 kann sich auf irgendeine Art einer festen
oder mobilen Maschine beziehen, die eine gewisse Betriebsweise ausführt, die
mit einem speziellen Industriezweig assoziiert ist, wie beispielsweise mit
dem Bergbau, dem Bau, Ackerbau, Transport usw., und die zwischen
Arbeitsumgebungen oder in diesen arbeitet (beispielsweise auf Baustellen,
auf Bergbaustätten,
in Leistungserzeugungseinrichtungen und Generatoren, auf Straßen usw.).
Nicht einschränkende
Beispiele von mobilen Maschinen, weisen kommerzielle Maschine auf,
wie beispielsweise Lastwägen,
Kräne,
Erdbewegungsfahrzeuge, Bergbaufahrzeuge, Baggerlader, Materialhandhabungsmaschinen,
Ackerbaumaschinen, Seefahrzeuge, Luftfahrzeuge, Leistungserzeugungseinrichtungen, Herstellungsmaschinen
und irgendeine Art einer bewegbaren Maschine, die in einer Arbeitsumgebung arbeiten.
Obwohl die Arbeitsmaschine 100 eine Erdbewegungsarbeitsmaschine
ist, wie in 1 gezeigt, wird in Betracht
gezogen, dass die Arbeitsmaschine 100 irgendeine Art einer
Arbeitsmaschine sein kann. Weiterhin kann die Arbeitsmaschine 100 herkömmlich angetrieben
sein, sie kann durch Hybrid-Elektrik angetrieben sein und/oder sie
kann durch eine Brennstoffzelle angetrieben sein.
-
Wie
in 1 gezeigt, kann die Arbeitsmaschine 100 einen
Motor 110, ein elektronisches Steuermodul (ECM = electronic
control module) 120 und ein Diagnose← und Vorhersagesystem 130 aufweisen.
Der Motor 110 kann irgendeine geeignete Bauart eines Motors
aufweisen, die Leistung für
eine Arbeitsmaschine 100 erzeugt, wie beispielsweise einen Verbrennungsmotor.
Das elektronische Steuermodul 120 kann irgendeine Art von
Steuersystem aufweisen, die konfiguriert ist, um Motorsteuerfunktionen und/oder
andere Maschinensteuerfunktionen auszuführen. Das Diagnose- und Vorhersagesystem 130 kann
irgendeine geeignete Art von Steuersystem aufweisen, die konfiguriert
ist, um Motordiagnose- und -vorhersagefunktionen auszuführen. In
gewissen Ausführungsbeispielen
kann das Diagnose- und Vorhersagesystem 130 mit dem elektronischen
Steuermodul 120 zusammenfallen bzw. ein Teil davon sein. Obwohl
das Diagnose- und Vorhersagesystem 130 derart gezeigt ist,
dass es mit dem Motor 110 konfiguriert ist, kann das Diagnose-
und Vorhersagesystem 130 konfiguriert sein, um Diagnose-
und Vorhersagefunktionen für
andere Systeme an der Arbeitsmaschine 100 auszuführen, wie
beispielsweise für
Getriebesysteme und/oder Hydrauliksysteme usw.
-
2 zeigt
ein beispielhaftes funktionelles Blockdiagramm des Diagnose- und
Vorhersagesystems 130. Wie in 2 gezeigt,
kann das Diagnose- und Vorhersagesystem 130 einen Prozessor 202,
ein Speichermodul 204, eine Datenbank 206, eine
Eingabe/Ausgabe- bzw. I/O-Schnittstelle 208 und eine Netzwerkschnittstelle 210 aufweisen.
Es sei bemerkt, dass andere Komponenten ebenfalls in dem Diagnose-
und Vorhersagesystem 130 vorgesehen sein können.
-
Der
Prozessor 202 kann irgendeine Bauart eines Allzweckmikroprozessors,
eines Digitalsignalprozessors oder eines Mikrocontrollers aufweisen. Der
Prozessor 202 kann als getrenntes Prozessormodul konfiguriert
sein, welches extra dafür
vorgesehen ist, den Motor 110 zu steuern. Alternativ kann
der Prozessor 202 als ein gemeinsam verwendetes Prozessormodul
konfiguriert sein, um andere Funktionen auszuführen.
-
Das
Speichermodul 204 kann einen oder mehrere Speichervorrichtungen
aufweisen, die einen ROM bzw. Lesespeicher, einen Flash-Speicher,
einen dynamischen RAM bzw. Arbeitsspeicher und einen statischen
RAM bzw. Arbeitsspeicher aufweisen. Das Speichermodul 204 kann
konfiguriert sein, um Informationen zu speichern, die vom Prozessor 202 verwendet
werden. Die Datenbank 206 kann irgendeine Art einer geeigneten
Datenbank aufweisen, die Informationen bezüglich Charakteristiken von Eingangsparametern,
Ausgangsparametern, mathematischen Modellen und/oder anderen Steuerinformationen
enthält.
Weiterhin kann die I/O-Schnittstelle 206 verwendet werden,
um verschiedene Sensoren oder andere (nicht gezeigte) Komponenten
mit dem Prozessor 202 zu verbinden, um die Betriebsvorgänge des
Motors 110 zu überwachen
und zu steuern. Die Netzwerkschnittstelle 210 kann irgendeine
geeignete Bauart eines Netzwerkadapters auf weisen, der mit anderen
Computersystemen basierend auf einem oder mehreren Kommunikationsprotokollen
kommunizieren kann.
-
Das
elektronische Steuermodul 120 und das Diagnose- und Vorhersagesystem 130 können während des
Betriebs der Arbeitsmaschine 100 zusammenarbeiten, wie
in 3 gezeigt. Das elektronische Steuermodul 120 kann
eine Vielzahl von Eingangsparametern und Ausgangsparametern haben.
Beispielsweise kann das elektronische Steuermodul 120 Eingangsparameter 302, 304, 306 und 308 aufweisen.
Der Eingangsparameter 302 kann einer Gaspedalanzeige entsprechen,
der Eingangsparameter 304 kann einer Gangauswahl entsprechen,
der Eingangsparameter 306 kann einem atmosphärischen Druck
entsprechen, und der Eingangsparameter 308 kann einer Motortemperatur
entsprechen. Das elektronische Steuermodul 120 kann auch
Ausgangsparameter 312 und 314 aufweisen. Der Ausgangsparameter 312 kann
einer Drosselventileinstellung entsprechen, und der Ausgangsparameter 314 kann
einer Ladedrucksteuerung entsprechen. Obwohl nur vier Eingangsparameter
und zwei Ausgangsparameter in 3 gezeigt
sind, kann irgendeine Anzahl von Eingangs- und Ausgangsparametern
verwendet werden. Sobald es mit Werten der Eingangsparameter beliefert
wird, kann das elektronische Steuermodul 120 im Betrieb
Werte für
die Ausgangsparameter unter Verwendung einer internen Logiksteuerung
und von vorbestimmten Algorithmen erzeugen. Das elektronische Steuermodul 120 kann
dann die Werte der Ausgangsparameter verwenden, um den Motor 110 zu
steuern.
-
Das
Diagnose- und Vorhersagesystem 130 kann den Betrieb des
elektronischen Steuermoduls 120 überwachen, um Versagensfälle während des Betriebs
des Motors 110 zu diagnostizieren und/oder vorherzusagen.
Das Diagnose- und Vorhersagesystem 130 kann ein Diagnosemodell 300 und
ein Logikmodul 350 aufweisen. Das Diagnosemodell 300 kann Beziehungen
zwischen Eingangsparametern und Ausgangsparametern des elektronischen
Steuermoduls 120 widerspiegeln. Das Diagnosemodell 300 kann
die gleiche Vielzahl von Eingangsparametern aufnehmen wie das elektronische
Steuermodul 120, und kann unabhängig Werte der Ausgangsparameter ableiten.
-
Das
Diagnosemodell 300 kann alle der Vielzahl von Eingangsparametern
oder einen Untersatz der Vielzahl von Eingangsparametern verwenden, und
zwar basierend auf gewissen unten erklärten Algorithmen. Die Ausgangsparameter
des Diagnosemodells 300 können die gleichen Ausgangsparameter
aufweisen wie das elektronische Steuermodul 120. Beispielsweise
kann das Diagnosemodell 300 die gleichen Eingangsparameter 302, 304, 306 und 308 aufweisen.
Das Diagnosemodell 300 kann auch Ausgangsparameter 322, 324 aufweisen,
die Ausgangsparametern 312 bzw. 314 entsprechen.
Alternativ kann das Diagnosemodell 300 nur jene Ausgangsparameter
aufweisen, die für
Diagnosezwecke erforderlich sind. Im Betrieb kann das Diagnosemodell 300 Echtzeitwerte
der Eingangsparameter 302 bis 308 aufnehmen und
Werte für
Ausgangsparameter 322 und 324 für Diagnose← und Vorhersagezwecke
ableiten. Das Diagnosemodell 300 kann gemäß einem
in 4 gezeigten Prozess erzeugt und optimiert werden.
-
4 zeigt
einen beispielhaften Modellerzeugungs- und -optimierungsprozess,
der von dem Diagnose- und Vorhersagesystem 130 ausgeführt wird,
und insbesondere vom Prozessor 202. Alternativ kann der
Prozess auch durch ein externes Computersystem ausgeführt werden
(beispielsweise durch irgendeine geeignete Art eines Computersystems),
und die erzeugten Modelle können
dann in das Diagnose- und Vorhersagesystem 130 geladen werden.
Wenn ein externes Computersystem verwendet wird, um die Modelle
zu erzeugen und zu optimieren, kann der Prozessor 202 sich
auf eine zentrale Verarbeitungseinheit (CPU = central processing unit)
des externen Computersystems beziehen, welche konfiguriert ist,
um solche Prozesse auszuführen.
-
Zum
Beginn des Modellerzeugungs- und -optimierungsprozesses kann der
Prozessor 202 Datenaufzeichnungen aufnehmen, die mit den
Eingangsparametern und den Ausgangsparametern assoziiert sind (Schritt 402).
Die Datenaufzeichnungen können
zuvor während
einer gewissen Zeitperiode von einem Testmotor und seinem elektronischen Steuermodul
oder von elektronischen Steuermodulen einer Vielzahl von Arbeitsmaschinen
und Motoren aufgenommen worden sein. Die Datenaufzeichnungen können auch
aus Experimenten gesammelt worden sein, die extra für die Aufnahme
von solchen Daten ausgelegt sind. Alternativ können die Datenaufzeichnungen
künstlich
durch andere damit in Beziehung stehende Prozesse erzeugt werden,
wie beispielsweise durch einen Auslegungsprozess. Die Datenaufzeichnungen
können
Charakteristiken der Eingangsparameter und der Ausgangsparameter
widerspiegeln, wie beispielsweise statistische Verteilungen, normale
Bereiche und/oder Toleranzen usw.
-
Sobald
die Datenaufzeichnungen gewonnen wurden (Schritt 402),
kann der Prozessor 202 die Datenaufzeichnungen vorverarbeiten,
um die Datenaufzeichnungen bezüglich
offensichtlicher Fehler aufzuräumen,
und um Wiederholungen zu eliminieren (Schritt 404). Der
Prozessor 202 kann annähernd identische
Datenaufzeichnungen entfernen und/oder Datenaufzeichnungen entfernen,
die außerhalb
eines vernünftigen
Bereiches sind, so dass sie für
die Modellerzeugung und -optimierung nicht bedeutungsvoll sein können. Nachdem
die Datenaufzeichnungen vorverarbeitet worden sind, kann der Prozessor 202 dann
ordnungsgemäße Eingangsparameter durch
eine Analyse der Datenaufzeichnungen auswählen (Schritt 406).
Die Datenaufzeichnungen können
viele Eingangsvariablen aufweisen. Die Anzahl der Eingangsvariablen
kann größer als
die Zahl der Eingangsparameter oder der Variablen sein, die für das Diagnosemodell 300 verwendet
wurden. Beispielsweise können
die Datenaufzeichnungen zusätzlich
zu Werten, die Eingangsparametern oder Variablen der Gaspedalanzeige,
der Gangauswahl, des Atmosphärendruckes
und der Motortemperatur entsprechen, ebenfalls Variablen aufweisen,
wie beispielsweise eine Brennstoffanzeige, eine Traktionssteueranzeige
und/oder andere Motorparameter.
-
In
gewissen Situationen kann die Anzahl der Eingangsvariablen die Anzahl
der Datenaufzeichnungen überschreiten
und kann zu Sparse-Datenszenarien bzw. Fehldatenszenarien führen. Einige der
zusätzlichen
Eingangsvariablen können
in gewissen mathematischen Modellen weggelassen werden. Die Anzahl
der Eingangsvariablen kann verringert werden müssen, um mathematische Modelle
innerhalb praktischer Berechnungszeitgrenzen zu erzeugen
-
Der
Prozessor 202 kann Eingangsparameter gemäß vorbestimmten
Kriterien auswählen.
Beispielsweise kann der Prozessor 202 Eingangsparameter
durch Experimente und/oder durch Expertenmeinungen auswählen. Alternativ
kann der Prozessor 202 in gewissen Ausführungsbeispielen Eingangsparameter
basierend auf einer Mahalanobis-Distanz zwischen einem normalen
Datensatz und einem abnormen Datensatz der Datenaufzeichnungen auswählen. Der
normale Datensatz und der abnorme Datensatz können durch den Prozessor 202 durch
irgendein geeignetes Verfahren definiert werden. Beispielsweise
kann der normale Datensatz Charakteristikdaten aufweisen, die mit
den Eingangsparametern assoziiert sind, die erwünschte Ausgangsparameter erzeugen.
Andererseits kann der abnorme Datensatz irgendwelche Charakteristikdaten
aufweisen, die außerhalb
de Toleranz sein können,
oder vermieden werden müssen.
Der normale Datensatz und der abnorme Datensatz können durch den
Prozessor 202 vordefiniert werden.
-
Die
Mahalanobis-Distanz kann sich auf eine mathematische Darstellung
beziehen, die verwendet werden kann, um Datenprofile basierend auf
Korrelationen zwischen Parametern in einem Datensatz zu messen.
Die Mahalanobis-Distanz weicht von der euklidischen Distanz dahingehend
ab, dass die Mahalanobis-Distanz die Korrelationen des Datensatzes berücksichtigt.
Die Mahalanobis-Distanz eines Datensatzes X (beispielsweise eines
multivarianten Vektors) kann, wie folgt, dargestellt werden: MDi = (Xi – μx)Σ–1(Xi – μx)' (1)wobei μx der
Mittelwert von X ist und wobei Σ–1 eine inverse
Varianz-Kovarianz-Matrix
von X ist. MDi gewichtet die Distanz eines
Datenpunktes Xi von seinem Mittelwert μx,
sodass Beobachtungen, die auf der gleichen multivarianten Normaldichtekontur
sind, die gleiche Distanz haben. Solche Beobachtungen können verwendet
werden, um korrelierte Parameter von getrennten Datengruppen mit
unterschiedlichen Varianzen zu identifizieren und auszuwählen.
-
Der
Prozessor 202 kann einen erwünschten Untersatz von Eingangsparametern
so auswählen, dass
die Mahalanobis-Distanz zwischen dem normalen Datensatz und dem
abnormen Datensatz maximiert oder optimiert wird. Ein genetischer
Algorithmus kann vom Prozessor 202 verwendet werden, um die
Eingangsparame ter bezüglich
des erwünschten Untersatzes
mit dem Zweck der Maximierung der Mahalanobis-Distanz zu durchsuchen.
Der Prozessor 202 kann einen ausgewählten Untersatz der Eingangsparameter
basierend auf einem vorbestimmten Kriterium auswählen und eine Mahalanobis-Distanz MDnormal des normalen Datensatzes und eine
Mahalanobis-Distanz MDabnorm des abnormen
Datensatzes berechnen. Der Prozessor 202 kann auch die
Mahalanobis-Distanz zwischen dem normalen Datensatz und den abnormen
Daten berechnen, und zwar unter Verwendung der Beziehung MDx= MDnormal – MDabnorm. Andere Arten von Abweichungen können jedoch auch
verwendet werden.
-
Der
Prozessor 202 kann den ausgewählten Untersatz der Eingangsparameter
auswählen,
wenn der genetische Algorithmus konvergiert (d.h. der genetische
Algorithmus findet die maximierte oder optimierte Mahalanobis-Distanz
zwischen dem normalen Datensatz und dem abnormen Datensatz, entsprechend
dem ausgewählten
Untersatz). Wenn der genetische Algorithmus nicht konvergiert, kann
ein anderer ausgewählter
Untersatz der Eingangsparameter für einen weiteren Suchvorgang
erzeugt werden. Dieser Suchprozess kann fortfahren, bis der genetische
Algorithmus konvergiert und ein erwünschter Untersatz von Eingangsparametern
ausgewählt
ist.
-
Nach
der Auswahl von Eingangsparametern (beispielsweise Gaspedalanzeige,
Gangauswahl, Atmosphärendruck
und Temperatur usw.) kann der Prozessor 202 ein Berechnungsmodell
erzeugen, (beispielsweise ein Diagnosemodell 300) um Beziehungen
zwischen Eingangsparametern und Ausgangsparametern aufzubauen (Schritt 408).
Irgendeine geeignete Art eines neuronalen Netzwerkes kann verwendet
werden, um das Berechungsmodell zu bilden. Die Art der verwendeten
neuronalen Netzwerkmodelle kann Back-Propagation-Modelle, Feed-Forward-Modelle (ohne Rückkoppelung),
kaskadierte neuronale Netzwerke und/oder neuronale Hybrid-Netzwerke
usw. aufweisen. Spezielle Arten oder Strukturen des verwendeten
neuronalen Netzwerkes können
von speziellen Anwendungen abhängen.
Andere Arten von Modellen, wie beispielsweise Modelle mit linearem
System oder nicht-linearem System usw., können auch verwendet werden.
-
Das
neuronale Netzwerkberechnungsmodell kann durch Verwendung von ausgewählten Datenaufzeichnungen
trainiert werden. Beispielsweise kann das neuronale Netzwerkberechnungsmodell eine
Beziehung zwischen Ausgangsparametern (beispielsweise Startsteuerung,
Drosselventileinstellung usw.) und Eingangsparametern (beispielsweise
Gaspedalanzeige, Gangauswahl, Atmosphärendruck und Motortemperatur)
aufweisen. Das neuronale Netzwerkberechnungsmodell kann durch vorbestimmte
Kriterien bewertet werden, um zu bestimmen, ob das Training vollendet
ist. Das Kriterium kann erwünschte
Bereiche von Genauigkeit, Zeit und/oder der Anzahl von Trainingsschritten
usw. aufweisen.
-
Nachdem
das neuronale Netzwerk trainiert worden ist (d.h. das Berechnungsmodell
ist anfänglich
basierend auf den vorbestimmten Kriterien eingerichtet worden) kann
der Prozessor 202 statistisch das Berechnungsmodell bewerten
bzw. validieren (Schritt 410). Die statistische Bewertung
kann sich auf einen Analyseprozess beziehen, um Ausgangsgrößen aus
dem neuronalen Netzwerkberechnungsmodell mit tatsächlichen
Ausgangsgrößen zu vergleichen,
um die Genauigkeit des Berechnungsmodells zu bestimmen. Ein Teil
der Datenaufzeichnungen kann zur Anwendung in dem Bewertungs- bzw.
Validierungsprozess reserviert sein. Alternativ kann der Prozessor 202 auch
Simulations- oder Testdaten zur Anwendung in dem Bewertungsprozess
erzeugen.
-
Sobald
es trainiert und bewertet wurde, kann das Berechnungsmodell verwendet
werden, um Werte von Ausgangsparametern zu bestimmen, wenn ihm Werte
von Eingangsparametern geliefert werden. Beispielsweise kann der
Prozessor 202 das Berechnungsmodell verwenden, um die Drosselventileinstellung
und die Ladedrucksteuerung basierend auf Eingangswerten der Gaspedalanzeige,
der Gangauswahl, des Atmosphärendrucks
und der Motortemperatur usw. zu bestimmen. Die Werte der Ausgangsparameter
können
dann verwendet werden, um Hardware-Vorrichtungen des Diagnose- und Vorhersagesystems 130 oder
des Motors 110 zu steuern. Weiterhin kann der Prozessor 202 das
Modell durch Bestimmung der gewünschten
Verteilungen der Eingangsparameter basierend auf Beziehungen zwischen
den Eingangsparametern und den erwünschten Verteilungen der Ausgangsparameter
optimieren (Schritt 412).
-
Der
Prozessor 202 kann die Beziehungen zwischen erwünschten
Verteilungen der Eingangsparameter und erwünschten Verteilungen der Ausgangsparameter
basierend auf speziellen Anwendungen analysieren. Wenn beispielsweise
eine spezielle Anwendung einen höheren
Brennstoffwirkungsgrad erfordert, kann der Prozessor 202 einen kleinen
Bereich für
die Drosselventileinstellung verwenden und kann einen großen Bereich
für die Boost-
bzw. Ladedrucksteuerung verwenden. Der Prozessor 202 kann
dann eine Simulation des Berechnungsmodells laufen lassen, um eine
erwünschte
statistische Verteilung für
einen individuellen Eingangsparameter zu finden, (beispielsweise
eine Gaspedalanzeige, eine Gangauswahl, einen Atmosphärendruck
oder eine Motortemperatur usw.). Das heißt, der Prozessor 202 kann
getrennt eine Verteilung (beispielsweise einen Mittelwert, eine
Standardverteilung usw.) des individuellen Eingangsparameters entsprechend
den normalen Bereichen der Ausgangsparameter bestimmen. Der Prozessor 202 kann
dann die erwünschten
Verteilungen für
alle einzelnen Eingangsparameter analysieren um gleichzeitig erwünschte Verteilungen
und Charakteristiken für die
Eingangsparameter zu bestimmen. Die gleichzeitige erwünschte Verteilung
kann anders als getrennt aufgenommenen Verteilungen sein.
-
Alternativ
kann der Prozessor
202 erwünschte Verteilungen von Eingangsparametern
gleichzeitig identifizieren, um die Möglichkeit zu maximieren, erwünschte Ergebnisse
zu erhalten. In gewissen Ausführungsbeispielen
kann der Prozessor
202 simultan erwünschte Verteilungen der Eingangsparameter
basierend auf einer Zeta-Statistik bestimmen. Die Zeta-Statistik
kann eine Beziehung zwischen den Eingangsparametern, ihren Wertebereichen
und den erwünschten
Ausgangsgrößen anzeigen.
Die Zeta-Statistik kann, wie folgt, dargestellt werden
wobei
x i einen Mittelwert
oder erwarteten Wert einer i-ten Eingangsgröße darstellt, wobei
x j den
Mittelwert oder den erwarteten Wert eines j-ten Ergebnisses darstellt;
wobei σ
i die Standardabweichung der i-ten Eingangsgröße darstellt;
wobei σ
j die Standardabweichung des j-ten Ergebnisses
darstellt; und wobei |S
ij| die Teilableitung
oder Empfindlichkeit des j-ten Ergebnisses auf die i-te Eingangsgröße darstellt.
-
Der
Prozessor 202 kann eine erwünschte Verteilung der Eingangsparameter
identifizieren, sodass die Zeta-Statistik des neuronalen Netzwerkberechnungsmodells
(d.h. des Diagnosemodells 300) maximiert oder optimiert
wird. Eine geeignete Art eines genetischen Algorithmus kann von
dem Prozessor 202 verwendet werden, um die erwünschte Verteilung
der Eingangsparameter zu durchsuchen, und zwar mit dem Zweck der
Maximierung der Zeta-Statistik. Der Prozessor 202 kann
einen ausgewählten Satz
von Eingangsparametern mit vorbestimmten Suchbereichen auswählen und
eine Simulation des Diagnosemodells laufen lassen, um die Zeta-Statistik-Parameter
basierend auf den Eingangsparametern, den Ausgangsparametern und
dem neuronalen Netzwerkberechnungsmodell zu berechnen. Der Prozessor 202 kann x i und σi durch
Analyse des ausgewählten
Satzes von Eingangsparametern erhalten und kann x j und σj durch
Analyse der Ergebnisse der Simulation erhalten. Weiterhin kann der
Prozessor 202 |Sij| aus dem trainierten
neuronalen Netzwerk als ein Anzeige des Einflusses der i-ten Eingabe
auf das j-te Ergebnis erhalten.
-
Der
Prozessor 202 kann den ausgewählten Untersatz von Eingangsparametern
auswählen, wenn
der genetische Algorithmus konvergiert (d.h. der genetische Algorithmus
findet die maximierte oder optimierte Zeta-Statistik des Diagnosemodells 300 entsprechend
dem ausgewählten
Satz von Eingangsparametern). Wenn der genetische Algorithmus nicht
konvergiert, kann ein anderer ausgewählter Satz von Eingangsparametern
durch den genetischen Algorithmus für eine weitere Suche erzeugt werden.
Dieser Suchprozess kann andauern, bis der genetische Algorithmus
konvergiert und ein erwünschter
Satz von Eingangsparametern identifiziert ist. Der Prozessor 202 kann
weiter erwünschte
Verteilungen (beispielsweise einen Mittelwert und Standardabweichungen)
der Eingangsparameter basierend auf dem erwünschten Eingangsparametersatz bestimmen.
Sobald die erwünschten
Verteilung bestimmt sind, kann der Prozessor 202 auch einen
gültigen
Eingabe raum definieren, der irgendeinen Eingangsparameter innerhalb
der erwünschten
Verteilungen aufweisen kann (Schritt 414).
-
In
einem Ausführungsbeispiel
kann es unmöglich
oder unpraktisch sein, statistische Verteilungen von gewissen Eingangsparametern
zu steuern. Beispielsweise kann ein Eingangsparameter mit einem
physischen Attribut einer Vorrichtung assoziiert sein, welches konstant
ist, oder der Eingangsparameter kann mit einer konstanten Variablen
innerhalb eines Prozessmodells assoziiert sein. Diese Eingangsparameter
können
in den Zeta-Statistikberechnungen verwendet werden, um erwünschte Verteilungen
für andere
Parameter zu suchen oder zu identifizieren, die konstanten Werten
und/oder statistischen Verteilungen dieser Eingangsparameter entsprechen.
-
Mit
Bezug auf 3 kann das erzeugte und optimierte
Berechnungsmodell (d.h. das Diagnosemodell 300) in einem
Diagnose- und Vorhersagevorgang verwendet werden. Der Prozessor 202 kann das
Logikmodul 350 verwenden, um Abweichungen zwischen tatsächlichen
Werten der Ausgangsparameter des elektronischen Steuermoduls 120 (beispielsweise
den Ausgangsparametern 312 und 314) und Werten
von Ausgangsparametern des Diagnosemodells 300 zu bestimmen
(beispielsweise den Ausgangsparametern 322 und 324).
Der Prozessor 202 kann ein Versagen des Motors 110 oder
des elektronischen Steuermoduls 120 basierend auf den bestimmten
Abweichungen diagnostizieren. Das Logikmodul 350 kann irgendeine
geeignete Art von Computerhardwarekomponenten oder eines Software-Programms
aufweisen, die konfiguriert sind, um Diagnosevorgänge zu bestimmen,
die ausgeführt werden
müssen.
Eine Diagnoseausgabe 326 kann auch vorgesehen werden, um
Ergebnisse eines Diagnoseprozesses und/oder eines Vorhersageprozesses
bekannt zu machen und/oder anzuzeigen, wie unten erklärt. 5 veranschaulicht
einen beispielhaften Diagnoseprozess, der vom Prozessor 202 ausgeführt wird.
-
Wie
in 5 gezeigt, kann der Prozessor 202 tatsächliche
Werte bzw. Ist-Werte von Ausgangsparametern des elektronischen Steuermoduls 120 (beispielsweise
Ausgangsparameter 312 und 314) mit jeweiligen
abgeleiteten Werten von Aus gangsparametern des Diagnosemodells 300 vergleichen
(beispielsweise mit den Ausgangsparametern 322 und 324)
(Schritt 502). Der Prozessor 202 kann dann bestimmen,
ob die tatsächlichen
Werte von den abgeleiteten Werten divergieren (Schritt 504).
Um zu bestimmen, ob es eine Divergenz zwischen einem tatsächlichen
Wert eines Ausgangsparameters des elektronischen Steuermoduls 120 und
einem abgeleiteten Wert eines entsprechenden Ausgangsparameters
des Diagnose- und Vorhersagesystems 130 gibt, kann der
Prozessor 202 eine Differenz zwischen dem tatsächlichen
Wert und dem abgeleiteten Wert bestimmen. Der Prozessor 202 kann
die Differenz mit einer vorbestimmten Schwelle vergleichen. Wenn
die Differenz über
der Schwelle ist, kann der Prozessor 202 bestimmen, dass
der tatsächliche
Wert vom abgeleiteten Wert abweicht bzw. divergiert (Schritt 504; ja).
-
Wenn
andererseits die Differenz unter der Schwelle ist, kann der Prozessor 202 bestimmen, dass
der tatsächliche
Wert nicht von dem abgeleiteten Wert abweicht (Schritt 504;
nein). Der Prozessor 202 kann dann den Diagnoseprozess
vollenden. Wenn der Prozessor 202 eine Divergenz bzw. Abweichung
bestimmt (Schritt 504; ja), kann der Prozessor 202 weiter
bestimmen, ob die Eingangsparameter gültig sind (Schritt 506).
-
Wie
oben erklärt,
kann das Diagnosemodell 300 einen gültigen Eingaberaum haben, der
für die Eingangsparameter
optimiert ist. Wenn der Prozessor 202 bestimmt, dass ein
Wert eines Eingangsparameters (beispielsweise irgendeiner der Eingangsparameter 302, 304, 306 oder 308)
außerhalb
des Eingaberaums ist (d.h. außerhalb
des Bereiches einer erwünschten
Verteilung der Eingangsparameter), kann der Prozessor 202 bestimmen,
dass der Eingangsparameter einen ungültigen Wert hat (Schritt 506;
nein). Weil das Diagnosemodell 300 erzeugt und optimiert
werden kann, um basierend auf dem Eingangsraum betrieben zu werden,
kann der Prozessor 202 bestimmen, dass der abgeleitete
Wert nicht schlüssig
ist, indem er Ursachen von speziellen Versagensfällen identifiziert. Der Diagnoseprozess kann
dann zum Schritt 512 vorangehen, um solche Unschlüssigkeiten
anzuzeigen.
-
Wenn
der Prozessor 202 keine ungültigen Eingangsparameterwerte
findet (Schritt 506; ja), kann der Prozessor 202 weiter
mögliche
Faktoren identifizieren, die eine Divergenz zwischen den tatsächlichen
Werten und den abgeleiteten Werten verursachen. Der Prozessor 202 kann
die tatsächlichen Werte
der Ausgangsparameter des elektronischen Steuermoduls 120 verwenden,
um das Diagnosemodell 300 erneut zu optimieren, um erwünschte Verteilungen
der Eingangsparameter zu identifizieren, die den tatsächlichen
Ausgangsparameterwerten entsprechen (Schritt 508). Das
heißt,
der Prozessor 202 kann das Diagnosemodell 300 basierend
auf den tatsächlichen
Ausgangsparameterwerten optimieren, und zwar unter Verwendung von
Schritten, die oben mit Bezug auf den Schritt 412 der 4 beschrieben wurden.
-
Nach
dem Identifizieren der erwünschten Verteilungen
der Eingangsparameter basierend auf den tatsächlichen Ausgangsparameterwerten
aus dem elektronischen Steuermodul 120 (Schritt 508) kann
der Prozessor 202 die ursprünglichen erwünschten
Verteilungen der Eingangsparameter und die erneut berechneten erwünschten
Verteilungen verwenden, um mögliche
Versagensfälle
zu identifizieren (Schritt 510). Der Prozessor 202 kann
die ursprünglich
erwünschten
Verteilungen mit jeweiligen erneut berechneten Verteilungen vergleichen.
Wenn die Differenz zwischen einer ursprünglich erwünschten Verteilung eines speziellen
Eingangsparameters und einer erneut berechneten Verteilung des speziellen
Eingangsparameters über
einer vorbestimmten Schwelle ist, kann der Prozessor 202 bestimmen, dass
gewisse Hardware- bzw. Komponentenvorrichtungen und/oder Software-Programme,
die mit dem speziellen Eingangsparameter assoziiert sind, möglicherweise
versagt haben.
-
Der
Prozessor 202 kann weiter irgendwelche geeigneten Diagnosehandlungen
ausführen
(Schritt 512). Beispielsweise kann der Prozessor 202 Alarme über eine
Diagnoseausgabe 326 an einen Bediener der Arbeitsmaschine 100 senden.
Der Prozessor 202 kann auch Informationen bezüglich möglicher
Versagensbedingungen oder versagter Vorrichtungen für den Bediener
anzeigen. Alternativ kann der Prozessor 202 weiter andere
Arbeitsmaschinenkomponenten steuern, um vorbestimmte Versagensbedingungen
zu korrigieren oder diesen abzuhelfen.
-
Zusätzlich zum
Diagnoseprozess kann der Prozessor 202 auch eine Vorhersage
ausführen,
um Versagensbedingungen oder versagende Vorrichtungen ohne ein Auftreten
einer tatsächlichen
Abweichung vorherzusagen. 6 zeigt
einen beispielhaften Vorhersageprozess, der vom Prozessor 202 ausgeführt wird.
-
Wie
in 6 gezeigt, kann der Prozessor 202 nach
jeder vorbestimmten Zeitperiode Unterschiede zwischen tatsächlichen
Werten der Ausgangsparameter des elektronischen Steuermoduls 120 und
abgeleiteten Werten der Ausgangsparameter des Diagnosemodells 300 berechnen
(Schritt 602). Eine Abweichung kann basierend auf Unterschieden
zwischen den tatsächlichen
Werten und den abgeleiteten Werten und/oder basierend auf einer
Differenz zwischen einem tatsächlichen
Wert eines speziellen Ausgangsparameters und einem entsprechenden
abgeleiteten Wert des speziellen Ausgangsparameters berechnet werden.
Der Prozessor 202 kann einen Trend der Abweichung abschätzen (Schritt 604).
Irgendeine geeignete Art eines Algorithmus kann verwendet werden,
um den Trend abzuschätzen.
Nach dem Abschätzen
des Trends kann der Prozessor 202 bestimmen, ob es eine
Abweichung zwischen zukünftigen
Werten der Ausgangsparameter des elektronischen Steuermoduls 120 und den
abgeleiteten Werten der Ausgangsparameter des Diagnosemodells 300 geben
wird (Schritt 606).
-
Wenn
der Prozessor 202 bestimmt, dass es keine Abweichung geben
wird (Schritt 606; nein), kann der Prozessor 202 die
gegenwärtigen
Unterschiede speichern und weiter Werte der Ausgangsparameter für die nächste Zeitperiode überwachen. Wenn
andererseits der Trend der Unterschiede über einer vorbestimmten Schwelle
liegt, kann der Prozessor 202 bestimmen, dass die zukünftigen
Werte von den abgeleiteten Werten abweichen werden, und zwar nach
einer gewissen Zeitdauer (Schritt 606; ja):
Wenn der
Prozessor 202 eine Abweichung bestimmt (Schritt 606;
ja), kann der Prozessor 202 weiter bestimmen, ob die gegenwärtigen Eingangsparameter gültig sind
(Schritt 608). In ähnlicher
Weise wie bei dem Diagnoseprozess, falls der Prozessor 202 bestimmt,
dass ein Wert eines Eingangsparameters (beispielsweise der Eingangsparameter 302, 304, 306 oder 308)
außerhalb
des gültigen
Eingaberaums ist, kann der Prozessor 202 bestimmen, dass
der Eingangsparameter einen ungültigen
Wert hat (Schritt 608; nein). Der Prozessor 202 kann
weiter bestimmen, dass der Trend der Unterschiede unschlüssig beim
identifizieren von möglichen
Versagensfällen sein
kann, die mit den Eingangsparametern assoziiert sind. Der Diagnoseprozess
kann dann zum Schritt 614 gehen, um solche Bedingungen
anzukündigen.
-
Wenn
der Prozessor 202 keine ungültigen Eingangsparameterwerte
findet Schritt 608; ja), kann der Prozessor 202 in ähnlicher
Weise wie beim Diagnoseprozess die möglichen Faktoren identifizieren, die
die Abweichung bewirken, und zwar durch erneute Optimierung des
Diagnosemodells 300 (Schritt 610). Der Prozessor 202 kann
zukünftige
Werte der Ausgangsparameter des elektronischen Steuermoduls 120 basierend
auf dem Trend der Unterschiede zwischen den tatsächlichen Werten und den abgeleiteten
Werten abschätzen.
Der Prozessor 202 kann das Diagnosemodell 300 basierend
auf den abgeschätzten
zukünftigen
Werten der Ausgangsparameter unter Verwendung der Schritte erneut
optimieren oder erneut als Ziel festlegen, die mit Bezug auf den Schritt 412 der 4 beschrieben
wurden.
-
Nach
der erneuten Optimierung kann der Prozessor 202 erwünschte Verteilungen
der Eingangsparameter basierend auf den abgeschätzten zukünftigen Ausgangsparameterwerten
identifizieren. Der Prozessor 202 kann die ursprünglich erwünschten
Verteilungen der Eingangsparameter und die neu identifizierten Verteilungen
verwenden, um mögliche
Versagensfälle
zu bestimmen (Schritt 612). Der Prozessor 202 kann
die ursprünglichen
erwünschten
Verteilungen mit jeweiligen neu identifizierten Verteilungen vergleichen.
Wenn die Differenz zwischen einer ursprünglich erwünschten Verteilung eines speziellen
Eingangsparameters und einer neu identifizierten Verteilung eines
speziellen Eingangsparameters über
einer vorbestimmten Schwelle ist, kann der Prozessor 202 bestimmen,
dass bestimmte Hardware-Vorrichtungen und/oder Software-Programme,
die mit dem speziellen Eingangsparameter assoziiert sind, mögliche Versagensfälle verursachen können, und
zwar nach einer gewissen Zeitdauer.
-
Der
Prozessor 202 kann auch einen Bediener einer Arbeitsmaschine 100 bezüglich der
Ergebnisse des Vorhersageprozesses benachrichtigen (Schritt 614).
Der Prozessor 202 kann auch irgendwelche anderen Hardware-Komponenten
oder Software-Anwendungsprogramme bezüglich der Ergebnisse über den
Diagnoseausgang 326 benachrichtigen. Die Benachrichtigung
kann Informationen aufweisen, die anzeigen, dass gewisse Eingangsparameterwerte
außerhalb
des Eingaberaums sind oder dass gewisse Hardware-Vorrichtungen oder
Software-Programme
wahrscheinlich die Ursachen von möglichen Versagensfällen sind.
-
Industrielle Anwendbarkeit
-
Die
offenbarten Systeme und Verfahren können eine effiziente und optimierte
Lösung
für einen großen Bereich
von mit Maschinen in Beziehung stehenden Diagnose- oder Vorhersageanwendungen bieten.
Weil die offenbarten Systeme und Verfahren Vergleichsmodelle ohne
eine vorherige Kenntnis des Bereiches bzw. der Domäne erzeugen,
kann die Geschwindigkeit und der Umfang von solchen Anwendungen
beträchtlich
verbessert werden. Die offenbarten Systeme und Verfahren können auch
einen adaptiven Ansatz für
komplexe Diagnose- und Vorhersageanwendungen bieten, wie beispielsweise
Anwendungen mit in Konkurrenz stehenden Anforderungen oder Vergleichsmodelle,
die eine eigene Gültigkeitsüberprüfung erfordern.
-
Das
offenbarte Diagnosemodell kann als Diagnosewerkzeug verwendet werden,
um den wahrscheinlichsten Grund eines unerwarteten Symptoms eines
komplexen Systems oder Prozesses zu identifizieren. Durch erneutes
Optimieren oder erneute Zielsetzung der Optimierungskomponente des
Diagnosesystems können
die Suchergebnisse des Eingaberaums den wahrscheinlichsten ursprünglichen Grund
zeigen. Beispielsweise kann ein Motor plötzlich einen niedrigeren Brennstoffwirkungsgrad
erfahren als normal, und das Diagnosemodell kann verwendet werden,
um den möglichen
Grund der niedrigen Brennstoffausnutzung zu finden. Nach der erneuten
Optimierung des Diagnosemodells können die Suchergebnisse einen
verschobenen Bereich einer Ventilbetätigungszeitsteuerung anzeigen,
was durch ein alterndes Ventil verursacht werden kann. Das spezielle
Ventil kann dann als der ursprüngliche Grund
für die
verringerte Brennstoffausnutzung identifiziert werden. Ohne ein
solches Diagnosemodell kann es sehr teuer sein, den ursprünglichen
Grund herauszufinden oder praktisch nicht möglich sein.
-
Die
offenbarten Systeme und Verfahren können in einem großen Bereich
von Systemen verwendet werden, wie beispielsweise Motorsystemen,
Getriebesystemen, Hydrauliksystemen und irgendwelchen anderen Systemen
einer Arbeitsmaschine. Die Kosten zur Diagnose und um diese Systeme
aufrechtzuerhalten können
beträchtlich
durch eine genaue Identifikation von möglichen ursprünglichen Gründen von
irgendwelchen Symptomen ohne spezielle Kenntnis dieser Systeme verringert
werden.
-
Andere
Ausführungsbeispiele,
Merkmale, Aspekte und Prinzipien der offenbarten beispielhaften
Systeme werden dem Fachmann offensichtlich sein und können in
verschiedenen Umgebungen und Systemen eingerichtet werden.
-
Zusammenfassung Diagnose-
und Vorhersageverfahren und -system
-
Ein
Verfahren für
ein Diagnosesystem wird vorgesehen. Das Verfahren kann aufweisen,
eine Vielzahl von Eingangsparametern aus dem System aufzunehmen.
Das System kann tatsächliche
Werte von einem oder mehreren Ausgangsparametern basierend auf der
Vielzahl von Eingangsparametern erzeugen. Das Verfahren kann auch
aufweisen, unabhängig
Werte des einen Ausgangsparameters oder der Vielzahl von Ausgangsparametern
basierend auf der Vielzahl von Eingangsparametern unter Verwendung
eines Berechnungsmodells abzuleiten, und eine Abweichung zwischen
den abgeleiteten Werten und den tatsächlichen Werten zu detektieren.
Weiterhin kann das Verfahren aufweisen, jeweilige erwünschte statistischen
Verteilungen der Vielzahl von Eingangsparametern basierend auf den
tatsächlichen
Werten des einen Ausgangsparameters oder der Vielzahl von Ausgangsparametern
unter Verwendung des Berechnungsmodells zu identifizieren oder zu
bestimmen.
