EP3750089A1 - Verfahren und system zur analyse wenigstens einer einrichtung einer einheit, welche eine mehrzahl an verschiedenen einrichtungen aufweist - Google Patents

Verfahren und system zur analyse wenigstens einer einrichtung einer einheit, welche eine mehrzahl an verschiedenen einrichtungen aufweist

Info

Publication number
EP3750089A1
EP3750089A1 EP19709362.8A EP19709362A EP3750089A1 EP 3750089 A1 EP3750089 A1 EP 3750089A1 EP 19709362 A EP19709362 A EP 19709362A EP 3750089 A1 EP3750089 A1 EP 3750089A1
Authority
EP
European Patent Office
Prior art keywords
data
unit
transformation model
units
devices
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.)
Pending
Application number
EP19709362.8A
Other languages
English (en)
French (fr)
Inventor
Martin Schüssler
Martin PIFFL
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.)
AVL List GmbH
Original Assignee
AVL List 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 AVL List GmbH filed Critical AVL List GmbH
Publication of EP3750089A1 publication Critical patent/EP3750089A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the invention relates to a method for analyzing at least one device of a unit which has a plurality of different devices, in particular a vehicle or an engine. Furthermore, the invention relates to a corresponding method for training an artificial neural network and corresponding systems for analyzing at least one device and for training an artificial neural network.
  • quality standards are prescribed by the legislator, which are binding for the manufacturer.
  • motor vehicle manufacturers must be able to guarantee that all vehicles of a vehicle type supplied by the manufacturer comply with predefined emission values over their useful life.
  • Another example of the quality of a product is the probability of failure of individual devices, in particular components / components, of a vehicle. This probability of default has a direct impact on the total cost of ownership of a vehicle, which is very important to the end user. Also in this regard, a vehicle of a vehicle type should not exceed a predetermined value. In order to be able to ensure the function of a product even after its manufacture and delivery to the customer, it is therefore of great interest of the manufacturer to be able to determine the characteristics of the product, in the case of units with multiple devices, even individual units of the unit, at any time , Such properties may be, for example, tolerances of devices of the units, but also, for example, properties which change as a result of wear or other properties.
  • Knowing the characteristics of a product or devices that are part of this product is generally more important the more individual devices make up the product or unit. For such products, for example, it is often difficult to conclude, or even identify which feature of the device causes the symptom, from a symptom that suggests a malfunction, to the device underlying the malfunction.
  • DE 10 2015 205 205 A1 relates to a data analysis system for unknown error data having an analysis means configured to analyze error data received from a vehicle to identify error data corresponding to one of a plurality of known error patterns; wherein the analyzing means is configured to classify the received error data as unknown error data if the received error data can not be identified as corresponding to one of the known error patterns.
  • sources of error in units, in particular faulty devices, should be identified or even predicted.
  • a corresponding model should be formed.
  • a first aspect of the invention relates to a, in particular computer-aided, method for analyzing at least one device of a unit to be tested, a category of units having a plurality of different devices, in particular a vehicle or motor, preferably comprising the following steps: simulating a Operating a unit of the genus in a defined
  • Observable quantities can be determined for the characteristics used for simulating a property of the devices to be analyzed, in particular by means of a statistical method;
  • Operating cycle recorded data set to issue an expression of at least one device to be analyzed Operating cycle recorded data set to issue an expression of at least one device to be analyzed.
  • a second aspect of the invention relates to a corresponding system for analyzing at least one device of a unit to be tested of a class of units comprising a plurality of different devices, in particular a vehicle or motor, the system preferably comprising:
  • Simulating deployed characteristics of a property of the device to be analyzed can be determined, in particular by means of a statistical method
  • Means for performing a balancing calculation based on the selected data regions and the correlative expression Means for performing a balancing calculation based on the selected data regions and the correlative expression
  • a third aspect of the invention relates to a, in particular computer-based, method for training a transformation model, in particular an artificial neural network, for characterizing units of a class of units which have a plurality of different devices, in particular a vehicle or engine, preferably the following Working steps comprising:
  • Simulating used characteristics of a property of the at least one device is detectable, in particular by means of a statistical method; and / or - reading the selected data areas and the correlating expressions into a compensation calculation, which forms the basis for the transformation model.
  • the transformation model is generated on the basis of the compensation calculation.
  • a fourth aspect of the invention relates to a corresponding system for training a transformation model, in particular an artificial neural network, for characterizing units of a class of units comprising a plurality of different devices, in particular a vehicle or engine, preferably comprising: means for simulating an operation of a unit of the genus in a defined
  • a fifth aspect of the invention relates to a method, in particular computer-aided, for analyzing at least one device of a unit to be tested of a class of units comprising a plurality of different devices have, in particular a vehicle or engine, preferably the following steps:
  • Characterization of the at least one device by means of a transformation model which has an assignment rule between observation variables and a property of devices to be analyzed, wherein the transformation model is based on a compensation calculation with respect to simulation results which consist of several operating modes.
  • a sixth aspect of the invention relates to a corresponding system for analyzing at least one device of a unit to be tested of a class of units which have a plurality of different devices, in particular of a vehicle or engine, preferably comprising:
  • Observational quantities in relation to the unit to be tested Means for determining, on the basis of the data set, an expression by means of a transformation model, which has an assignment rule between observation variables and a property for analyzing the device, wherein the transformation model is based on a compensation calculation with respect to simulation results which comprise a plurality of operating modes.
  • a seventh and eighth aspect of the invention relate to a computer program and a computer-readable medium for carrying out the inventive methods according to the first, third and fifth aspects of the invention.
  • a ninth aspect of the invention relates to a data sequence which characterizes a transformation model for analyzing at least one device of a unit to be tested of a class of units comprising a plurality of different devices, wherein the transformation model for a defined operating cycle of the class of units comprises an assignment rule Observation variables and a property of at least one device, wherein the transformation model is based on a compensation calculation of simulation results, which are mapped from several operating simulations of the defined operating cycle by means of a model in which at least analyzable devices as a virtual device, each with different configuration of the units result, each configuration being characterized by an expression of a property of at least one device.
  • a class of units in the sense of the invention is preferably a set of units which agree in their essential characteristics and therefore more preferably identical.
  • a motor as a unit, for example, preferably at least the essential components of the motors of a genus are identical.
  • a particular unit is thus preferably a realization of the class of units.
  • a transformation model in the sense of the invention preferably establishes a relationship between observation variables and target variables or a group of target variables.
  • a transformation model establishes a relationship between observational quantities of a unit of the class of units and a property of at least one unit of the unit.
  • the transformation model is not time resolved. More preferably, however, the transformation model itself is based on a time-resolved simulation of the operation of a plurality of units of the class of units each having a different configuration.
  • Simulating an operation of a unit within the meaning of the invention is preferably a time-resolved or distance-resolved simulation of the operating behavior of a unit, in particular of a vehicle, of a drive train or of an engine, by means of a model. Operation of a unit is characterized in particular by observational variables such as speed, torque, mass flows, pressures, temperatures, fuel consumption, consumption of other resources, emissions, OBD values, speed, gear selection, etc.
  • Simulation-based within the meaning of the invention preferably means that a transformation model based on performed or to be performed simulations is used.
  • a unit in the sense of the invention is preferably a device whose operation can be characterized by observation variables.
  • the observation variables are at least partially derived from measured variables or from measured variables, wherein the values of the measured variables can be based on an actual measurement or on a simulation.
  • such measured variables are recorded with sensors.
  • Observation variables are preferably also or alternatively Signals which serve to control and / or monitor the unit and / or its devices.
  • the devices of the unit are at least partially electronically controlled. Further preferably, the unit is controlled electronically per se.
  • Non-limiting examples of a unit are apparatus or land vehicles, in particular trucks or passenger cars, or watercraft, in particular ships, or aircraft, in particular rotorcraft or aircraft, or spacecraft, in particular space shuttle or missile.
  • Further examples of a unit are robots, in particular military, industrial or personal robots, a test and / or development arrangement, in particular a process control, an automatic identification system (AIS) or a flexible manufacturing system (FMS).
  • Further examples of a unit are controlled machines, in particular production machines, machine tools or construction machines, or data processing systems, in particular mobile devices or stationary computers.
  • units may also be subsystems of such or other entities, for example a drive train or a component of a drive train, in particular a motor or a transmission, or a chassis, or an energy store, or a fuel cell, or an assistance system.
  • exemplary subsystems of a test arrangement are a consumption measurement technique, a
  • Emission measurement technology a power measurement or conditioning equipment, or components of these subsystems.
  • a device according to the invention is preferably a component of a unit, in particular a component or an assembly.
  • devices depending on what is considered as a unit, are mechanical elements, in particular a pipe, a turbocharger, a heat exchanger or a machine element, or mechatronic elements, in particular an actuator, an injection system or its components, a variable turbine geometry, an electrical charger of an intake system, a sensor, or electronic elements, in particular power electronics, an electronic component or sensors, or electrical elements, in particular an electric drive or generator, a heater, a voltage converter or a cooler, or electro-chemical elements, in particular a battery, an exhaust aftertreatment device or a fuel cell.
  • different devices or systems can be classified either as a unit or as a device, depending on whether the device or system is to be analyzed within a higher-level unit or, in turn, its subordinate devices are to be analyzed.
  • Properties in the sense of the invention are preferably features of a device which are suitable for characterizing them.
  • Non-limiting examples of properties include dimensions, manufacturing tolerances, installation tolerances, aging changes or drift changes.
  • a vehicle according to the invention is any type of land, water, air or spacecraft, in particular a motor vehicle.
  • Recording in the sense of the invention is preferably a, at least temporary, storage of data.
  • a compensation calculation in the sense of the invention is preferably a regression method or a pattern recognition method, in particular based on an artificial neural network or an artificial neural network, and / or a combination of both, in particular in the sense of statistical teaching.
  • Output according to the invention is preferably a provision.
  • the provision preferably takes place via a data interface.
  • a configuration in the sense of the invention preferably corresponds to a realization of the unit, which by an expression of at least one property at least one of the devices of the unit is characterized.
  • a configuration and / or an expression is preferably characterized by a component specification, a calibration parameter, an accuracy and / or an aging state.
  • An operating cycle in the sense of the invention is preferably a time-resolved and / or distance-resolved sequence of operating points of an operation of a unit.
  • a model in the sense of the invention is preferably a pure software model or even a model which consists of hardware, for example an emulator, connected to a software model.
  • a model can model the unit or parts of the unit.
  • a driving state in the sense of the invention is preferably defined by one or more values of an observation variable or constellation or several constellations of values of several observation variables, depending on whether the driving state is considered situationally (for example the presence of a cornering) or whether a driving state is itself only from the time course of parameters results (for example, the presence of a tip-ins).
  • a driving state within the meaning of the invention is particularly the driving dynamics of the vehicle again.
  • Driving conditions are in particular gliding at constant speed, acceleration, cornering, parking, straight ahead, idling (roll-ride), tip-in (sudden gas), let-off (sudden gas take-off), constant driving, switching, standstill, ascent, descent, Electric driving, braking by recuperation, mechanical braking or even a combination of at least two of these driving conditions.
  • the driving dynamics are also determined by the type of drive or by the operating state of vehicle components.
  • three different tip-in driving conditions are possible, a tip-in, which is driven by the internal combustion engine, a tip-in, which is driven by the electric machine and a tip-in, in which the electric machine as additional Electric boost is used.
  • a means in the sense of the present invention may preferably be formed by hardware and / or software technology, in particular a data or signal-connected, preferably digital, processing, in particular microprocessor unit (CPU) and / or preferably with a memory and / or bus system one or more programs or program modules.
  • the microprocessor unit may be configured to execute instructions implemented as a program stored in a memory system, to capture input signals from a data bus, and / or to output output signals to a data bus.
  • a storage system may comprise one or more, in particular different, storage media, in particular optical, magnetic, solid state and / or other non-volatile media.
  • the program may be such that it is capable of embodying or executing the methods described herein so that the microprocessor unit may perform the steps of such methods and thus, in particular, analyze at least one device or train a transformation model.
  • the invention is based in particular on the knowledge that there are correlations or correlations between the data generated in an operation of a unit, which are available, for example, in the CAN network of a vehicle, and the configurations of units of the unit which influence the operation that are difficult to identify using traditional data processing techniques.
  • the data amounts are generally too large, too complex, too fast-paced and / or too weakly structured to be able to recognize these relationships, in particular completely.
  • the inventors have developed a method and a system with which such relationships can be mapped by means of a compensation calculation, in particular with artificial neural networks.
  • correlations that are determined for a defined operating cycle in certain data areas of the recorded operation can be used here. These correlations are again used as the basis for training a transformation model.
  • This training phase can be carried out without the use or operation of a real unit.
  • simulations of the unit are used by means of a model.
  • properties of one or more devices of a unit can be analyzed and determined on the basis of an operation of a real unit in the defined operating cycle.
  • the variability of the operating behavior of a unit to be tested can be explained unambiguously by means of a transformation model purposefully trained according to the invention. Gaps or inaccurate measurements can thus be excluded completely according to the invention. In this way, even weak effects of varied factors are detectable and thus included in the transformation model.
  • the component specification of a device can be determined without having to separately analyze the device separately.
  • a device with its component specifications moves outside of a predetermined target range, the device can be replaced as a non-non-ok part even before it fails.
  • learning parameters in a control unit can be adapted as a function of the component properties of the respectively analyzed device. This allows optimized operation of the analyzed device and thus the unit. For example, a learning parameter can adapt the control by a control unit even for cases in which a device is outside the allowable component tolerances. Also can be counteracted or compensated with a learning parameter in this way an aging or wear of a component.
  • a so-called tolerance image can also be created after installation of the individual devices of a unit.
  • the change in the tolerances before installation in the unit and after installation in the unit is determined by means of the method according to the invention. This allows the effects of the installation to be determined on the respective tolerances.
  • component specifications of the individual device analyzed can be adapted, for example for optimization.
  • statistics can be generated, for example with regard to installation tolerances. Basically, it is intended to perform a simulation of the operation of the unit on a test bench, partly on a test bench and partly model-based or preferably purely model-based and to first create a transformation model based on this simulation.
  • the assignment rule in particular exclusively, is valid in those areas of the defined operating cycle which correspond to the selected data areas.
  • the selection of the data area is performed by means of a feature selection method, preferably a supervised feature selection method, more preferably a reliefF method.
  • the methods according to the invention furthermore have the following working steps:
  • Differential records are stored; selecting data areas from the data sets and / or the average data sets and / or the differential data sets.
  • the respective moving average value and the value of the difference quotient are preferably calculated for each individual value of the recorded data records, which correspond in each case to a characteristic of a property of a device. These calculated values then form the respective average data record and the respective difference data record.
  • the average data sets are preferably combined in an overall average data record, the differential data sets are preferably combined in an overall difference data record.
  • the systems according to the invention have: means for calculating a moving average of recorded
  • the simulation is a hardware-in-the-loop simulation, wherein at least one real control, in particular a motor control, of the unit to be tested is integrated in the simulation.
  • the operation of a unit to be tested is indeed simulated, but the control of the unit to be tested per se is not simulated.
  • the real control algorithm is integrated in the simulation or even the entire hardware of the controller including the control algorithm is integrated.
  • the systems according to the invention have:
  • the methods according to the invention furthermore have the following working step: splitting the recorded data records into a conditioning section and a
  • Identification section based on at least one criterion, wherein selected data areas are located exclusively in the identification section.
  • a conditioning section it can be ensured that defined initial conditions are created for selecting the data areas, in particular for identifying features in the data records in a feature selection method.
  • One criterion could be, for example, the loading state of a particulate filter. For example, it may be required that the particulate filter should be in a regenerated state at the beginning of the identification section.
  • the systems according to the invention have:
  • a real operating cycle in the sense of the invention is preferably present in a real environment, in particular in a real drive in real traffic.
  • the systems have:
  • the methods according to the invention furthermore have the following working steps:
  • the simulation of the operation of a plurality of units of the type can likewise be carried out by means of the real operating cycle as a defined operating cycle.
  • the transformation model is then generated based on this simulation of the real operating cycle.
  • a transformation model is created, by means of which the unit to be tested can be analyzed, in hindsight, by applying the transformation model to the recorded data set of the unit to be tested.
  • the methods according to the invention furthermore have the following working step:
  • the characteristic and the transformation model can be output for further use in data processing via a data interface.
  • the characteristics preferably provide information about the particular configuration of the unit to be tested.
  • the systems according to the invention have a data interface for outputting the characteristic and / or the transformation model, in particular a regression model.
  • the methods according to the invention furthermore have the following working steps:
  • the systems according to the invention have:
  • the method according to the invention also has the following working step: checking at least one trigger condition with respect to the data record of the unit to be tested recorded during the defined operating cycle, in particular whether at least one observation parameter assumes a predefined value or a predefined value combination, which corresponds at least to a section, preferably a driving state, of a data area for which there is a correlation to the characteristics of a property of the at least one device; wherein the operations of applying the transformation model and / or recording and / or determining an expression are performed only when the at least one trigger condition is met.
  • the course of the defined operating cycle preferably corresponds to a certain operating state of the unit.
  • the systems according to the invention have means for checking at least one trigger condition with respect to the data set of the unit to be tested recorded during the defined operating cycle, in particular whether at least one observation variable assumes a predefined value or a predefined value combination, preferably an operating condition which at least corresponds to a section of a data area for which a correlation exists with the characteristics of a property of the at least one device, wherein the systems execute the application of the transformation model and / or the recording and / or the determination of an expression only if the at least one trigger condition is met.
  • the application of a transformation model or the operation of the unit under test in particular exclusively, in sections of the defined operating cycle, in particular in operating states, performed in which a correlation of observation variables to the characteristics of a property of the at least one device consists.
  • the operating cycle when determining occurrences on statistically relevant parts can be restricted.
  • a shortened operating cycle can be run through with the unit to be tested.
  • test times and simulation capacities can be saved.
  • the methods according to the invention also have the following working step: Checking whether an OBD event occurs, wherein the operations of applying and / or recording and / or determining are performed only when an OBD event occurs, in particular over a defined period of time before and / or after the OBD event ,
  • OBD events can be evaluated. In particular, it can be determined whether an actual OBD event, a so-called validated OBD event, is present, or whether, for example, the sensor responsible for determining the OBD event outputs an incorrect value.
  • learning parameters of the OBD system can then be adapted.
  • the systems according to the invention have means for checking whether an OBD event occurs, wherein the operations of applying and / or recording and / or determining are executed only when an OBD event occurs, in particular over a defined period of time before and / or after the OBD event.
  • the methods according to the invention furthermore have at least one of the following working steps, which are preferably carried out periodically or use-specifically:
  • Facilities of the unit are taken into account, which lead to error message, but actually do not affect the function of the respective device. Determining a replacement date of a component of a device or the
  • the systems according to the invention have:
  • a plurality of devices of the unit to be tested is analyzed.
  • the methods furthermore preferably have the following working step: Determining a faulty or functioning device of the plurality of devices, wherein a device is faulty in particular if the output characteristic of the device with respect to at least one property is outside a predetermined range.
  • the systems according to the invention comprise means for determining a faulty or functioning device of the plurality of devices, wherein a device is faulty in particular if the output characteristic of the device is outside a predetermined range with respect to at least one property.
  • the methods according to the invention also have the following working steps: transmission of the data record of observation variables of the unit to be tested to a central computer; wherein a data processing, in particular wherein the operations of reading into a compensation calculation, the application of the transformation model and / or the determination of an expression on the
  • a system for data processing in the respective unit to be tested can be equipped with low computing power.
  • the system may be simplistic since software updates are not necessarily required.
  • the elaborate evaluation of the data sets takes place on the central computer, where also preferably the transformation model is deposited or even formed.
  • the systems according to the invention have:
  • the systems according to the invention also have a central computer in this case.
  • the defined operating cycle is a conformity of production cycle or an end of line cycle in which the unit to be tested, in particular immediately after production, is operated from outside, in particular in towing mode.
  • characteristics for example tolerances, of equipment can already be determined after production. These data can be evaluated by quality assurance and any countermeasures taken in the event of faulty equipment.
  • the compensation calculation and / or the transformation model is based on a regression model, in particular an artificial neural network.
  • Fig. 1 is a functional block diagram of an embodiment of a system for analyzing at least one device of a unit to be tested of a class of units according to the sixth aspect of the invention for carrying out a method according to the fifth aspect of the invention;
  • Fig. 2 is a functional block diagram of an embodiment of a part of a
  • 3 is a functional block diagram of an embodiment of another
  • Fig. 4 is a diagram of a measurement of an engine speed and the sliding
  • Fig. 9 is a table of an example of data selection
  • Fig. 11 is a graph of measured turbocharger speed versus time in which the selected data areas of Fig. 9 are identified;
  • FIG. 12 is a diagram illustrating the measurement accuracy predicted by the method according to the invention and the actual measurement accuracy of a boost pressure sensor
  • FIG. 13 shows a temporal speed curve of an operating cycle during which the
  • Fig. 15 is a block diagram of a method for training a
  • Transformation model according to the third aspect of the invention is a block diagram of a method for analyzing at least one device of a unit-of-type unit under test according to the fifth aspect of the invention.
  • the invention will be described below in terms of a motor or a prime mover as units X.
  • a vehicle 1, in particular a motor vehicle as a whole or an entire drive train of such a vehicle 1 may also be considered as units X.
  • FIG. 1 shows a functional block diagram for a system 30 for analyzing at least one device j of a unit x to be checked of a class of units X, which is set up to execute a corresponding method 300.
  • the individual means 31, 32, 33, 34 are shown as separate blocks. However, it will be understood by those skilled in the art that the individual means may be part of one or more modules that summarize individual means.
  • the motor x belongs to a genus of engines X, which are each at least substantially identical.
  • the motors X have the same facilities.
  • a motor x to be tested is operated 301 with means 31 in an operating cycle B.
  • the means 31 for operating the engine x are preferably a test bench on which a driving cycle is run as a defined operating cycle B.
  • the operation 301 of the engine x can also take place in a ferry operation of a vehicle 1, for example on a chassis dynamometer.
  • an operation 301 can also be carried out in real ferry operation on a travel route, which then corresponds to the defined driving cycle B.
  • the operation 301 of the engine to be tested x is therefore preferably a real operation in the vehicle 1 or on the test bench.
  • individual devices j of the unit to be tested x or also the entire unit to be tested x can be simulated as a simulation model with an unknown configuration x x or with respect to the units j with unknown characteristics x nj of the properties X.
  • the defined operating cycles B used can preferably also be a conformity-of-production cycle or an end-of-line cycle.
  • motors to be tested x can also be operated from the outside in towing mode, more preferably, for example, immediately after production for purposes of quality control.
  • a drive machine control unit in particular the engine control unit (ECU)
  • ECU engine control unit
  • data which is available at a drive machine control unit, in particular the engine control unit (ECU) is recorded 304 in a data memory 32 as a data set Y x .
  • a real drive cycle B is used as the defined operating cycle, it is preferably additionally a history of this real driving cycle is recorded during a route traveled by a vehicle 1 303.
  • Such a recorded real Operating cycle can, as will be explained later, in particular serve as a defined operating cycle B for generating a transformation model TM.
  • the data set Y x is preferably a data matrix in which the various recorded tracks of the individual measurement or control data available on the engine control unit are contained, as shown in FIG. 1.
  • This data set Y x can, for example, be data tracks over the time of the rotational speed, of the torque, of the mass flows, of pressures and temperatures, of the
  • the recorded data matrix Y x is subsequently provided to a means 33 for determining 307 at least one characteristic x nj of at least one property X, of at least one device j of the engine to be tested x.
  • a transformation model TM is used, which is a
  • a transformation model TM is based on an artificial neural network KNN, as will be explained in more detail below.
  • the observation variables r preferably correspond to individual control unit channels of the engine control unit. These observation variables r are preferably normalized to values between 0 and 1 for use in the method 300 according to the invention.
  • the characteristic or characteristics x nj of the at least one device X, of the motor x is preferably output by means of a data interface 34.
  • the expression x nj is a value or a combination of values of a property X of the device j and indicates the functional state of the device j. If a plurality of occurrences x nj of several devices j or even of all devices j of the motor x is determined by means of a suitable driving cycle B, a configuration x x of the motor x can be derived. Such a configuration x x characterizes a functional state of the engine x and has the characteristics x nj of the characteristics X of the devices j of the engine x. As shown in FIG.
  • occurrences x may be, for example, a value of a power of an actuator x xi , a value of an accuracy of a sensor x, ⁇ 2, or a value of an aging state of a catalyst x ⁇ .
  • each device j has several properties X,.
  • the simplifying assumption is made that each device j has only one property X 1.
  • the described property X would mathematically be a tuple or vector with an additional run variable.
  • the artificial neural network KNN of the transformation model TM therefore preferably produces a functional relationship between a specific configuration x x of a realization x of a genus of technical units X and the recorded data matrix Y x .
  • the particular characteristic or expressions x i of the at least one device j of the motor x to be analyzed is preferably output 308, in particular via a data interface 34.
  • an entire configuration x x of the motor x to be tested can also be output if the corresponding values of all Characteristics x, of which facilities j are available or assumptions made.
  • the data set Y x of the unit under test x is temporally aligned with the transformation model TM 306-1.
  • the sample rate of the data set Y x of the unit to be tested x is adapted to the transformation model TM 306-1.
  • the respective data sets Y x are shifted such that the sequence of the defined operating cycle B in the data record Y x recorded by means of the unit under test x is assigned to the transformation model TM in a timely manner.
  • the transformation model TM also has time-dependent assignment function functions that are location-dependent or defined by the defined operating cycle B in relation to different points in time of the defined operating cycle B.
  • matching the sample rate 306-2 also serves to make the data set Y x of the unit to be tested x processable by the transformation model TM.
  • the presence of a data region q is checked 1 10-1, 302-1, for which it is known that a correlation to the expression x nj of a property X, at least one device j exists or is known.
  • Such a data area q or section of a data area q preferably corresponds to a driving state or operating state of the vehicle 1 or of the engine x.
  • At least one trigger condition is monitored with respect to the recorded data set Y x of the motor x to be tested 1 10-1, 302-1.
  • the operation of recording the record Y x of the unit under test x 304 or also determining 307 an expression x, of this unit x can be carried out only if such a driving state or operating state are detected.
  • a computational effort in the data evaluation can be significantly reduced.
  • a unit under test x is not operated 301 over an entire defined operating cycle B, but selectively only those maneuvers are driven in which driving conditions of the vehicle 1 or the engine x occurrences or occurrences of which it is known that a correlation between observation magnitudes r and the occurrences x nj of a property X.
  • a test operation for analyzing the device j of the engine to be tested x can be significantly shortened.
  • OBD event on-board diagnosis
  • it can be made dependent on whether records Y x are recorded 304 or whether it is attempted to determine an expression x 1, or configuration x x of the engine to be tested 307.
  • OBD Systems of a vehicle 1 to be tested for their function or their reliability can make sense above all if OBD Systems of a vehicle 1 to be tested for their function or their reliability.
  • a data set Y x of observation variables r of the motor to be tested x is transmitted to a central computer 305.
  • the transformation model TM is preferably stored on this central computer, so that the expression x ,, or even x x of the configuration to be tested Unit x can be determined on the central computer 307.
  • the transformation model TM itself can be calculated on the central computer.
  • data of a multiplicity of vehicles 1 can be selected on such a central computer, which may be advantageous in particular for determining the transformation model TM.
  • inventive method according to Figures 1 and 16 can be used for a variety of application examples. At least partially, the teaching described in this regard is also valid for the method 100 according to FIGS. 2, 3 and 14.
  • learning parameters may be set based on the determined characteristic or occurrences x i of the motor x to be tested or its configuration x x 1 13-1. 309-1. These learning parameters are preferably stored in the engine control unit ECU of the engine x and can be used, for example, to compensate for aging effects on the engine x.
  • a replacement date of a component of a device j or even the device j itself can be determined on the basis of the output characteristic x ,, 1 13-2, 309-2.
  • this can also be an automatic message sent to a server, in which, for example, a garage or the manufacturer is informed that the corresponding component or the device j itself must be replaced soon.
  • a service date of the engine to be tested x or a device j can be determined on the basis of the output characteristic x ,, 1 13-3, 309-3.
  • an OBD indication for example a warning lamp or a field in a display
  • the method according to the invention can also be used to simultaneously monitor and analyze a plurality of devices 1 ⁇ j ⁇ k of an engine to be tested.
  • the transformation model according to the invention can be identified from this plurality of devices 1 ⁇ j ⁇ k based on a recorded defined operating cycle of the engine to be tested x that device j, which is faulty 1 13-5, 309-5. In particular, this can be determined on the basis of the specific characteristic x.sub.xj of the devices j of the engine to be tested x, in particular if the engine to be tested x lies outside a predetermined value range with respect to a property X.
  • Figures 2 and 3 illustrate functional block diagrams relating to the methods 100, 200 of the first and third aspects of the invention. Both Figures relate to only a portion of the methods 100, 200, respectively.
  • the methods 100, 200 are described in relation to the corresponding systems 10, 20.
  • a separate representation of the exemplary sequence of the method 100 according to the first aspect of the invention is shown again in block diagram in FIG. 14, an exemplary sequence of the method 200 according to the third aspect of the invention in FIG.
  • FIGS. 2 and 3 will first be described in relation to the computer-based method 200 for training a transformation model TM for characterizing units x of a class of units X comprising a plurality of different devices j, in particular a vehicle 1 or a vehicle Motors, described.
  • a transformation model TM for characterizing units x of a class of units X comprising a plurality of different devices j, in particular a vehicle 1 or a vehicle Motors, described.
  • units X of the type of units are described by way of example only.
  • the method 200 for training a transformation model TM is used, in particular, to improve the transformation model TM in such a way that it can be used for the analysis of individual engines x to be tested.
  • the method 200 is neither a pure simulation method nor the application of a mathematical theory. Rather, due to the inventive method 200 according to the second aspect of the invention, a methodology may be implemented to provide an individualized model of a unit, a so-called digital twin.
  • a single transformation model TM is formed, in which all units X of a genus are preferably mapped.
  • the basis of the methods 100, 200 according to the invention preferably forms a defined operating cycle B, which is used both to simulate the operation of units X of the type, and to obtain operating data of a unit to be tested x, as already explained with reference to FIG ,
  • Such a defined operating cycle B is purely by way of example an arbitrary driving cycle within the scope of the described exemplary embodiments.
  • this is a so-called identification cycle, which contains maneuvers that occur particularly frequently in the real operation of a vehicle.
  • this driving cycle B can be specified artificially on the basis of various criteria in order to be able to carry out a simulation 203 for training the transformation model TM.
  • Such a drive cycle B consists of individual maneuvers or driving states, which are processed one after the other, but do not have to result in a meaningful route course of a vehicle 1.
  • a drive cycle B can also be a closed drive cycle, as would occur when a real route is traveled.
  • a real driving cycle is to be used as the operating cycle B, a specific unit x, preferably the unit x to be tested later, is operated in a real ferry operation on the road 101, 201. During this operation 101, 201, a real driving cycle is recorded 102-1, 202. In particular, a speed profile over the time or the distance covered or a route profile over the time covered is recorded 102-1, 202. This real driving cycle can then as a defined driving cycle B for generating the Transformation model TM are used.
  • additional data is recorded which characterizes the operation of the engine to be tested 102-2.
  • data may, for example, as already described with reference to FIG. 1, be those which are available at the engine control unit of the engine to be tested x, for example a speed curve, a torque curve, courses of the mass flows, courses of the pressures and temperatures, fuel consumption, Emission curves, OBD indications, parameter curves and learning parameter settings.
  • These data are preferably stored in a data set Y x of the motor to be tested x, which in particular forms a multidimensional data matrix.
  • This data matrix Y x is preferably suitable for characterizing the operating behavior during the real ferrying operation of the engine to be tested x.
  • such a real data set Y x can be used in various application examples of the analysis method 100, 300 according to the invention.
  • data of a plurality of motors X of the same kind are provided.
  • Motors of the same type are preferably identical engines of a single series, which are preferably also installed in vehicles 1 of the same type. This ensures that deviations of the operating behavior of the individual motors X of the genus are statistically evaluable.
  • each of the motors X is identical, they generally have a different configuration x n, respectively.
  • a configuration can be defined, for example, by different powers of an actuator, an accuracy of a sensor, or also by a state of aging of a catalytic converter.
  • a property X may also be a production tolerance of a device j.
  • the properties X, of the individual devices of a configuration x n of a unit X of the genus are characterized by the respective expression x nj of the respective characteristic X or the device j.
  • These occurrences x nj indicate values, value ranges or value constellations of the property X, of the device j.
  • the expression x nj can specify a tolerance band of a production tolerance of a device j, in particular of a component, of an engine X of the type.
  • an operation in the defined operating cycle B is simulated 103, 203 by means of a model.
  • this model preferably at least one device j is depicted as a virtual device.
  • all devices 1 ⁇ j ⁇ k are represented by the model.
  • the units X are all modeled in the model.
  • the model used for simulating is preferably a physical model in which the association between input variables and output variables is modeled by physical relationships.
  • the models can also be empirical in nature, that is, the relationships between input variables and output variables are based on empirical empirical values.
  • the models can be semi-physical, that is to say both physical and empirical relationships.
  • the simulation is preferably carried out on a simulation system 21, as offered, for example, by the applicant within the scope of the software tool Cameo ⁇ .
  • the simulation can be carried out as a so-called hardware-in-the-loop simulation, wherein at least the real motor control of the respective motor X is included in the simulation.
  • the data of observation quantities r generated by the simulations 103, 203 are recorded as data matrices 104, 204.
  • values y rt are assigned to the individual observation variables r for each sampling time in which a measurement could be taken, where r is the respective observation size and t indicates the time.
  • the number of all observation variables r and T is preferably the length of the recording of the defined driving cycle B, which simulates the operation of the motors X.
  • the individual data sets Yi,..., Y n ,..., Y N are preferably stored in a data memory 12, 22. There, from the individual data records Y n, a total data record Y is preferably formed over all configurations and observation variables as well as over the entire observation period T, as shown in FIG. 2.
  • the individual recorded data sets Y n are preferably adjusted in time 105-1, 205-1, so that identical time periods in the drive cycle B in the overall matrix Y are superimposed in each case. Furthermore, for the same purpose, the sample rate of the recorded data sets Y n is preferably adjusted 105-2, 205-2.
  • the recording rows are arranged one after another in a row with respect to the individual observation quantities. The values y rt of the same observation quantity r at the same point in time are therefore arranged in the total matrix Y in each case in one column.
  • the recorded data sets Y n are preferably divided into a conditioning section and an identification section based on a criterion 106, 206.
  • the conditioning section serves the same purpose
  • a particulate filter may be set to the same initial condition, for example by performing or simulating regeneration.
  • data areas q can then be selected from the overall data record Y 108, 208, which are suitable for training the transformation model TM.
  • the use of a transformation model TM is based on the knowledge that the respective realization x, a property X, or the device j, which have this property or properties X, precipitate in the respective values y rt of the observation quantities r during operation of a unit X with a configuration x n .
  • Each value constellation y rt of the observation variables 1 ⁇ r ⁇ R of each configuration x n contains information and by comparing the value constellations y rt generated by the individual configuration x n , statements about the respective configuration x n of a unit X of a genus can be derived.
  • a so-called feature selection method is preferably used according to the invention.
  • This method is a machine learning approach only a subset of available features or characteristics are used for a learning algorithm.
  • Examples of unsupervised feature selection methods include Infinite Selection, Laplacian Score, Local Learning-Based Clustering, Multi-classe / Cluster Data, Regularized Discriminative Selection.
  • Examples of Supervised Feature Selection methods include the ReliefF method, the Eigenvector Centrality method, Concave Minimization, Infinite Latent Selection, Infinite Selection, and Robust Selection.
  • data regions q are selected 108, 208 which correspond to so-called features of the ReliefF method.
  • This selection 108, 208 preferably takes place in four working steps: First, individual instances, which in the present case correspond to rows of the total matrix Y, that is to say of the total data set across all configurations x n and observation variables r, are plotted as data points in a multidimensional data space.
  • Standardized values x f which correspond to the respective value constellation of the respective instance, as shown in the uppermost box of FIG. 3, serve as the ordinate of the data space. These are preferably arranged in two groups with respect to a nominal value of all occurrences x f. In the present case, this nominal value is zero.
  • the ReliefF method shown were used as a feature selection method for a temperature sensor as unit j, the data points above the nominal value in the graph would correspond to positive temperature deviation data points in the temperature measurement by the sensor j, the values below the nominal deviations of Temperature with a lower value than the nominal value.
  • an instance is randomly selected.
  • a third step by means of a calculation of the Euclidean distance, the respective next data points or instances for the selected instance are determined in each class of data points.
  • the next data point of an instance in the same class, that is with the same sign, is called Near Hit y NH .
  • the next data point or instance located in the other class is called Near Miss y NM .
  • the selected instance is named y n .
  • the process described is repeated several times. The process described is preferably repeated until the weight order of the individual features no longer changes.
  • the individual features which correspond to columns of the total matrix Y of the overall data set, are weighted. In doing so, important features are generally expected to have a greater Euclidean distance to the near miss instance y NM than to the near hit instance y NH .
  • the assignment of the weighting and the joining in a whole Y, the selected data areas for the device j or the property X corresponds to a fourth step of the selection process 108, 208 and is shown in the lower right box in FIG.
  • a matrix Y of the selected data areas, the most important features are sorted according to their respective weighting W, j from left to right.
  • the selected data areas q and the corresponding correlating characteristics are output via a data interface 24 and read into an artificial neural network KNN 209.
  • the selected data areas q preferably contain information about the values of the observed variables r and about the associated time t of the defined driving cycle B.
  • the artificial neural network KNN recognizes patterns between the selected data areas corresponding features q and the occurrences x nj , so that on the basis of the artificial neural network KNN an assignment rule between observation magnitudes r and constellations of observation variables r and the properties X, or their give different values x nj .
  • a transformation model TM is generated, which is preferably output 210.
  • the transformation model TM is preferably output as a data sequence.
  • a system 10 for analyzing at least one device j of a unit x to be tested x of a type of units X is illustrated on the basis of the functional block diagram of FIGS. 2 and 3.
  • the selected data areas q are not only output to a compensation calculation which forms the basis for a transformation model, but the compensation calculation is based on the selected data areas q and the correlating Characteristic x nj also performed 109.
  • the transformation model TM formed as a result of the compensation calculation has an assignment rule between observation variables r and one or a plurality of properties X, at least one device j.
  • the transformation model TM preferably contains an assignment rule between the observation variables r and properties X of all devices j.
  • the transformation model TM is finally also used in the method 100 for analysis 11 1.
  • Applying in the sense of the invention means providing or outputting the transformation model TM for further data processing and / or determining an expression x nj of at least one device j by means of the Transformation model TM, as shown in Fig. 3.
  • the transformation model TM is preferably provided as a data sequence.
  • the transformation model TM is preferably set up to output a characteristic of the at least one device j to be analyzed 112 on the basis of at least one data set Y x recorded on the unit under test x in the operating cycle B.
  • values x.sub.j are determined on the basis of the method 100 for analysis, different method steps, which are correspondingly also part of the method 300 for analyzing at least one device j, can additionally be carried out for this purpose.
  • FIG. 4 is a graph of engine speed over time of an engine x, showing the original recorded data and the moving average during a drive cycle B.
  • FIG. 4 is a graph of engine speed over time of an engine x, showing the original recorded data and the moving average during a drive cycle B.
  • the moving average can be calculated using the formula from FIG. 5a.
  • the value of the respective moving average is calculated for each individual value of the total matrix Y or of the total data set 107-1, 207-1, which leads to a total matrix Y 1 ⁇ of the moving average.
  • a feature selection method as described in FIG. 3 can also be carried out.
  • additional weighted features q result as a result.
  • the data areas q selected in this way can be combined in a totality of selected moving average data areas for respective devices j and properties X, preferably as matrix Y j MA .
  • the central difference quotient can be calculated as by a formula from FIG. 7a.
  • the central difference quotient can accordingly be calculated for all values of the overall data matrix Y of the overall data record 107-2, 207-2, whereby an overall matrix of the central difference quotients is obtained. Also on the basis of this total matrix Y DQ , a feature selection method as described with reference to FIG. 3 can be carried out.
  • the data regions q selected in this way can be combined in a totality of selected data regions of the difference quotient for respective devices j or properties X, preferably as matrix Y j DQ .
  • FIG. 8 shows a diagram in which selected data areas q or features are represented as data points, the origin of the respective data areas q or features being plotted over their respective importance W, j according to the weighting of the feature selection method.
  • the plurality of important selected data areas q are part of the totality of the selected average data areas Y ⁇ MA .
  • the accuracy of a T2 sensor was examined, which measures the temperature in the intake manifold of an engine.
  • the total number of simulated engines using the Feature Selection (ReliefF) method to train the TM transformation model was 481 engines.
  • a ReliefF method as described with reference to FIG main features or data areas q from the total data set Y, the total difference data set Y DQ and the overall average data set Y MA .
  • FIG. 9 shows in tabular form the 15 most important features W to Wi 5 j , ie the highest weighted features, wherein the device j is again the T2 sensor.
  • observation variables designated by "T2" and "TC speed” in FIG. 9 according to the respective engine control unit channels belonging to the observation variables r, in which the most important selected data regions q or features are identified, are the two observation variables of the temperature T2 measured by the T2 sensor, as well as the turbo speed TC Speed. In the other 34 observation variables, no data areas are selected.
  • the respective point in time in the defined driving cycle B is indicated, which belongs to the respectively most important selected data areas q. From this column it can be seen that the temperature values of the observation quantity T2 in the first 13 seconds of the defined drive cycle B were identified as important features and the turbocharger speed values of the observation variable TC Speed after 389 and 390 seconds of the defined drive cycle B were important features.
  • FIG. 10 shows the beginning of a diagram on which the course of a simulated T2 temperature at the beginning of the defined driving cycle B is plotted for three different motors 1, 2, 3, that is to say the observation quantity T2.
  • Each of the motors is one of the ten retained motors, that is, one of those motors X, which were not used to form the transformation model TM.
  • Fig. 11 shows a diagram corresponding to the diagram of Fig. 10, wherein now not the course of the observation size T2 of the three retained engines 1, 2, 3 is plotted, but the course of the turbocharger speed, so the observation size TC Speed.
  • the selected features as well as the time points or data taken into account for the selected features are drawn on the three courses.
  • the selected features are at about 390 seconds, as shown in FIG. 9. Since the selected feature is one of the selected average data areas Y ⁇ MA , the bias area as in FIG. 10 is the moving average ⁇ 30
  • the data taken into account in this case is from about 360 seconds to 420 seconds of the defined driving cycle B.
  • Fig. 12 shows a diagram of the prediction accuracy with respect to the observation quantity T2, that is, the temperature measured by the T2 sensor for the ten retained motors, that is, those motors which were not used to form the transformation model TM.
  • FIG. 13 shows a diagram of the engine speed over the time t in seconds for the defined drive cycle B, which also includes the feature selection method according to FIG. 8 and 9, as well as a diagram for the course of the T2 temperature and the turbocharger speed according to FIGS. 10 and 11.
  • the influencing region which was identified for the observation variable T2-temperature in FIG. 10 is shown as a thick box in the diagram according to FIG.
  • This period is an identification maneuver or an identification driving state.
  • Feature Selection method which was carried out with respect to the measurement accuracy of the temperature sensor T2 and the results of which are shown in Figures 8 and 9, it is known that a large part of the important for the modeling of the transformation model TM characteristics or Data areas q lie in this identification maneuver.
  • a defined driving cycle B for a vehicle 1 can be predefined.
  • the operation of units X of the genus, each having a different configuration x n, can be simulated and the transformation model TM can be formed on the basis of the overall data record Y obtained in this way by means of a feature selection method.
  • the unit x to be tested must also be operated as accurately as possible in the same predetermined defined operating cycle B in the ferry mode or on the test bench.
  • the transformation model TM or the inherent assignment rule validity can be provided.
  • This procedure may make sense in particular if the unit to be tested or the engine to be tested x is to be checked or analyzed in a so-called workshop maneuver, for example standstill regeneration, warm-up at standstill, NEDC cycle, etc.
  • a fundamentally different procedure is based on a driving cycle B actually defined by a test unit X or an engine.
  • a simulation 103, 203 of a plurality of units X of the same kind as the unit under test x is performed after operating 101, 101, 301 of the unit under test x in the defined operation cycle B. Also with the recorded data records Y n is by means of a feature
  • Selection method trains a transformation model TM.
  • This transformation model TM is in turn applied to a record Y x of the unit under test x, which was also recorded during operation of the unit under test x 102-2, 304.
  • Operation of the unit to be tested x can be carried out in the field or on the road, on a chassis dynamometer, powertrain test bench or engine test bench.
  • the embodiments are merely examples that are not intended to limit the scope, applications, and construction in any way. Rather, the expert is given by the preceding description a guide for the implementation of at least one embodiment, with various changes, in particular with regard to the function and arrangement of the components described, can be made without departing from the scope, as it is apparent from the claims and gives these equivalent feature combinations.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Testing Of Engines (AREA)

Abstract

Die Erfindung betrifft ein, insbesondere Computer-gestütztes, Verfahren zur Analyse wenigstens einer Einrichtung einer zu prüfenden Einheit einer Gattung von Einheiten, welche eine Mehrzahl an verschiedenen Einrichtungen aufweisen, insbesondere eines Fahrzeugs oder Motors, vorzugsweise folgende Arbeitsschritte aufweisend: Betreiben der zu prüfenden Einheit in einem definierten Betriebszyklus; Aufzeichnen eines Datensatzes von Beobachtungsgrößen, insbesondere wenigstens einer Datenspalte einer Datenmatrix, auf der Grundlage des Betreibens der zu prüfenden Einheit; Bestimmen, auf der Grundlage des Datensatzes der zu prüfenden Einheit, einer Ausprägung der wenigstens einen Einrichtung mittels eines Transformationsmodells, welches eine Zuordnungsvorschrift zwischen Beobachtungsgrößen und einer Eigenschaft zu analysierender Einrichtungen aufweist, wobei das Transformationsmodell auf einer Ausgleichsrechnung bezüglich Simulationsergebnissen beruht, welche aus mehreren Betriebs- Simulationen des definierten Betriebszyklus mittels eines Modells, in welchem wenigstens zu analysierende Einrichtungen als virtuelle Einrichtungen abgebildet sind, mit jeweils unterschiedlicher Konfiguration der Einheiten resultieren, wobei jede Konfiguration durch eine Ausprägung einer Eigenschaft wenigstens einer Einrichtung charakterisiert ist; und/oder Ausgeben der Ausprägung der wenigstens einen Einrichtung.

Description

Verfahren und System zur Analyse wenigstens einer Einrichtung einer Einheit, welche eine Mehrzahl an verschiedenen Einrichtungen aufweist Die Erfindung betrifft ein Verfahren zur Analyse wenigstens einer Einrichtung einer Einheit, welche eine Mehrzahl an verschiedenen Einrichtungen aufweist, insbesondere eines Fahrzeugs oder eines Motors. Des Weiteren betrifft die Erfindung ein entsprechendes Verfahren zum Trainieren eines künstlichen neuronalen Netzes sowie entsprechende Systeme zur Analyse wenigstens einer Einrichtung und zum Trainieren eines künstlichen neuronalen Netzes.
Die Qualität ist heutzutage einer der wichtigsten Entscheidungsfaktoren bei der Auswahl eines Kunden zwischen Wettbewerberprodukten in einem Produktsegment. Daher ist das Verstehen der Einflüsse auf die Qualität und das Beeinflussen der Qualität in der richtigen Weise entscheidend für den Geschäftserfolg eines Produkts und damit auch eines Unternehmens.
Zusätzlich zu den sich daraus ergebenden Qualitätsanforderungen werden auch Qualitätsstandards durch den Gesetzgeber vorgegeben, welche für den Hersteller bindend sind. Beispielsweise müssen Hersteller von Kraftfahrzeugen gewährleisten können, dass alle Fahrzeuge eines Fahrzeugtyps, welche von dem Hersteller ausgeliefert werden, vordefinierte Emissionswerte über ihre Nutzungszeit einhalten.
Ein weiteres Beispiel für die Qualität eines Produkts ist die Ausfallwahrscheinlichkeit von einzelnen Einrichtungen, insbesondere Komponenten/Bauteilen, eines Fahrzeugs. Diese Ausfallwahrscheinlichkeit hat einen direkten Einfluss auf die Gesamtbetriebskosten ( total cost of ownership) eines Fahrzeugs, welche für den Endverbraucher sehr wichtig sind. Auch diesbezüglich soll ein Fahrzeug eines Fahrzeugtyps einen vorgegebenen Wert nicht überschreiten. Um die Funktion eines Produkts auch nach der Herstellung und der Auslieferung an den Kunden sicherstellen zu können, ist es daher von hohem Interesse des Herstellers, die Eigenschaften des Produkts, bei Einheiten mit mehreren Einrichtungen auch einzelne Einrichtungen der Einheit, zu jedem Zeitpunkt bestimmen zu können. Solche Eigenschaften können beispielsweise Toleranzen von Einrichtungen der Einheiten sein, aber beispielsweise auch Eigenschaften, welche sich durch Abnutzung ändern, oder auch andere Eigenschaften.
Die Kenntnis der Eigenschaften eines Produkts bzw. von einzelnen Einrichtungen, welche Teil dieses Produkts sind, ist im Allgemeinen wichtiger, je mehr einzelne Einrichtungen das Produkt bzw. die Einheit ausmachen. Bei solchen Produkten ist es beispielsweise oftmals schwierig, ausgehend von einem Symptom, welches auf eine Fehlfunktion schließen lässt, auf die der Fehlfunktion zugrundeliegende Einrichtung zu schließen oder gar zu identifizieren, welche Eigenschaft der Einrichtung das Symptom hervorruft.
Beispielsweise werden bei einer Fehlfunktion in der Fahrzeugelektronik heute oftmals mehrere Einrichtungen ausgetauscht, welche mit der Fehlfunktion Zusammenhängen könnten. Da die Fehleranalyse bei Systemen mit vielen verschiedenen Einrichtungen aufwändig ist und die menschliche Arbeitskraft zur Fehleranalyse oftmals teurer ist als ein neu hergestelltes System, wird im Allgemeinen sogar eine gesamte Einheit mit allen ihren Einrichtungen ausgetauscht.
Die Druckschrift DE 10 2015 205 720 A1 betrifft ein Datenanalysesystem für unbekannte Fehlerdaten mit einem Analysemittel, das konfiguriert ist, um von einem Fahrzeug empfangene Fehlerdaten zu analysieren, um Fehlerdaten entsprechend einem von mehreren bekannten Fehlermustern zu identifizieren; wobei das Analysemittel konfiguriert ist, um die empfangenen Fehlerdaten als unbekannte Fehlerdaten zu klassifizieren, wenn die empfangenen Fehlerdaten nicht als einem der bekannten Fehlermuster entsprechend identifiziert werden können.
Es ist eine Aufgabe der Erfindung, ein computer-gestütztes Verfahren und eine Vorrichtung bereitzustellen, mit welchen Ursachen eines Betriebsverhaltens einer Einheit identifiziert werden können. Vorzugsweise sollen Fehlerquellen in Einheiten, insbesondere fehlerhafte Einrichtungen, identifiziert oder sogar vorhergesagt werden können. Weiter vorzugsweise soll ein entsprechendes Modell gebildet werden können. Diese Aufgabe wird durch die Lehre der unabhängigen Ansprüche gelöst. Vorteilhafte Ausgestaltungen sind in den Unteransprüchen beansprucht. Die Lehre der Ansprüche wird ausdrücklich zu einem Bestandteil der Beschreibung gemacht.
Ein erster Aspekt der Erfindung betrifft ein, insbesondere Computer-gestütztes, Verfahren zur Analyse wenigstens einer Einrichtung einer zu prüfenden Einheit einer Gattung von Einheiten, welche eine Mehrzahl an verschiedenen Einrichtungen aufweisen, insbesondere eines Fahrzeugs oder Motors, vorzugsweise folgende Arbeitsschritte aufweisend: - Simulieren eines Betriebs einer Einheit der Gattung in einem definierten
Betriebszyklus mittels eines Modells, in welchem wenigstens die zu analysierenden Einrichtungen als virtuelle Einrichtung abgebildet sind, wobei das Simulieren mehrmals mit jeweils unterschiedlicher Konfiguration der Einheiten durchgeführt wird und wobei jede Konfiguration durch eine Ausprägung einer Eigenschaft wenigstens einer Einrichtung charakterisiert ist;
Aufzeichnen von Datensätzen, insbesondere Datenmatrizen, von
Beobachtungsgrößen der simulierten Einheiten; - Auswählen von Datenbereichen aus den Datensätzen, insbesondere aus
Datenspalten von Datenmatrizen, für welche eine Korrelation von
Beobachtungsgrößen zu den zum Simulieren eingesetzten Ausprägungen einer Eigenschaft der zu analysierenden Einrichtungen feststellbar ist, insbesondere mittels einer statistischen Methode;
Durchführen einer Ausgleichsrechnung auf der Grundlage der ausgewählten Datenbereiche und der korrelierenden Ausprägung; und/oder Anwenden eines Transformationsmodells auf der Grundlage der Ausgleichsrechnung, wobei das Transformationsmodell eine Zuordnungsvorschrift zwischen den Beobachtungsgrößen und einer Eigenschaft wenigstens einer Einrichtung aufweist, wobei das Transformationsmodell eingerichtet ist, auf der Grundlage von wenigstens einem an der zu prüfenden Einheit in dem definierten
Betriebszyklus aufgezeichneten Datensatz eine Ausprägung der wenigstens einen zu analysierenden Einrichtung auszugeben.
Ein zweiter Aspekt der Erfindung betrifft ein entsprechendes System zur Analyse wenigstens einer Einrichtung einer zu prüfenden Einheit einer Gattung von Einheiten, welche eine Mehrzahl an verschiedenen Einrichtungen, insbesondere eines Fahrzeugs oder Motors, aufweisen, wobei das System vorzugsweise aufweist:
Mittel zum Simulieren eines Betriebs einer Einheit der Gattung in einem definierten Betriebszyklus mittels eines Modells, mit welchem wenigstens die zu analysierenden Einrichtungen als virtuelle Einrichtungen abgebildet sind, wobei das Simulieren mehrmals mit jeweils unterschiedlicher Konfiguration der Einheiten durchgeführt wird und wobei jede Konfiguration durch eine Ausprägung einer Eigenschaft wenigstens einer Einrichtung charakterisiert ist;
Mittel zum Aufzeichnen, insbesondere einen Datenspeicher, von Datensätzen, insbesondere Datenmatrizen, von Beobachtungsgrößen der simulierten Einheiten;
Mittel zum Auswählen von Datenbereich aus den Datensätzen, insbesondere aus Datenspalten von Datenmatrizen, für welche eine Korrelation zu den zum
Simulieren eingesetzten Ausprägungen einer Eigenschaft der zu analysierenden Einrichtung feststellbar ist, insbesondere mittels einer statistischen Methode;
Mittel zum Durchführen einer Ausgleichsrechnung auf der Grundlage der ausgewählten Datenbereiche und der korrelierenden Ausprägung; und/oder
Mittel zum Anwenden eines Transformationsmodells auf der Grundlage der Ausgleichsrechnung, wobei das Transformationsmodell eine Zuordnungsvorschrift zwischen Beobachtungsgrößen und einer Eigenschaft wenigstens einer Einrichtung aufweist, wobei das Transformationsmodell eingerichtet ist, auf der Grundlage von wenigstens einem an der zu prüfenden Einheit in dem definierten Betriebszyklus aufgezeichneten Datensatz eine Ausprägung der wenigstens einen zu analysierenden Einrichtung auszugeben.
Ein dritter Aspekt der Erfindung betrifft ein, insbesondere Computer-gestütztes, Verfahren zum Trainieren eines Transformationsmodells, insbesondere eines künstlichen neuronalen Netzes, zur Charakterisierung von Einheiten einer Gattung von Einheiten, welche eine Mehrzahl an verschiedenen Einrichtungen aufweisen, insbesondere eines Fahrzeugs oder Motors, vorzugsweise folgende Arbeitsschritte aufweisend:
Simulieren eines Betriebs einer Einheit der Gattung in einem definierten Betriebszyklus mittels eines Modells, in welchem wenigstens eine Einrichtung als virtuelle Einrichtung abgebildet ist, wobei das Simulieren mehrmals mit jeweils unterschiedlicher Konfiguration durchgeführt wird, wobei jede Konfiguration durch eine Ausprägung wenigstens einer Eigenschaft wenigstens einer der Einrichtungen charakterisiert ist;
Aufzeichnen von Datensätzen, insbesondere Datenmatrizen, von Beobachtungsgrößen der simulierten Einheiten;
Auswählen von Datenbereichen aus den Datensätzen, insbesondere aus Datenspalten von Datenmatrizen, für welche eine Korrelation zu den zum
Simulieren eingesetzten Ausprägungen einer Eigenschaft der wenigstens einen Einrichtung feststellbar ist, insbesondere mittels einer statistischen Methode; und/oder - Einlesen der ausgewählten Datenbereiche und der korrelierenden Ausprägungen in eine Ausgleichsrechnung, welche die Grundlage für das Transformationsmodell bildet. Vorzugsweise wird auf der Grundlage der Ausgleichsrechnung das Transformationsmodell erzeugt.
Ein vierter Aspekt der Erfindung betrifft ein entsprechendes System zum Trainieren eines Transformationsmodells, insbesondere eines künstlichen neuronalen Netzes, zur Charakterisierung von Einheiten einer Gattung von Einheiten, welche eine Mehrzahl an verschiedenen Einrichtungen aufweisen, insbesondere eines Fahrzeugs oder Motors, vorzugsweise aufweisend: - Mittel zum Simulieren eines Betriebs einer Einheit der Gattung in einem definierten
Betriebszyklus mittels eines Modells, in welchem wenigstens eine Einrichtung als virtuelle Einrichtung abgebildet ist, wobei das Simulieren mehrmals mit jeweils unterschiedlicher Konfiguration durchgeführt wird, wobei jede Konfiguration durch eine Ausprägung wenigstens einer Eigenschaft wenigstens einer der Einrichtungen charakterisiert ist;
Mittel zum Aufzeichnen, insbesondere einen Datenspeicher, von Datensätzen, insbesondere Datenmatrizen, von Beobachtungsgrößen der simulierten Einheiten; - Mittel zum Auswählen von Datenbereichen aus den Datensätzen, insbesondere aus Datenspalten von Datenmatrizen, für welche eine Korrelation von Beobachtungsgrößen zu den zum Simulieren eingesetzten Ausprägungen einer Eigenschaft der wenigstens einen Einrichtung feststellbar ist, insbesondere mittels einer statistischen Methode; und/oder
Mittel zum Ausgeben, insbesondere eine Datenschnittstelle, der ausgewählten Datenbereiche und der korrelierenden Ausprägungen in eine Ausgleichsrechnung, welche die Grundlage für das Transformationsmodell bildet. Ein fünfter Aspekt der Erfindung betrifft ein, insbesondere Computer-gestütztes, Verfahren zur Analyse wenigstens einer Einrichtung einer zu prüfenden Einheit einer Gattung von Einheiten, welche eine Mehrzahl an verschiedenen Einrichtungen aufweisen, insbesondere eines Fahrzeugs oder Motors, vorzugsweise folgende Arbeitsschritte aufweisend:
Betreiben der zu prüfenden Einheit in einem definierten Betriebszyklus;
Aufzeichnen eines Datensatzes von Beobachtungsgrößen, insbesondere wenigstens einer Datenspalte einer Datenmatrix, auf der Grundlage des Betreibens der zu prüfenden Einheit; - Bestimmen, auf der Grundlage des Datensatzes der zu prüfenden Einheit, einer
Ausprägung der wenigstens einen Einrichtung mittels eines Transformationsmodells, welches eine Zuordnungsvorschrift zwischen Beobachtungsgrößen und einer Eigenschaft zu analysierender Einrichtungen aufweist, wobei das Transformationsmodell auf einer Ausgleichsrechnung bezüglich Simulationsergebnissen beruht, welche aus mehreren Betriebs-
Simulationen des definierten Betriebszyklus mittels eines Modells, in welchem wenigstens zu analysierende Einrichtungen als virtuelle Einrichtungen abgebildet sind, mit jeweils unterschiedlicher Konfiguration der Einheiten resultieren, wobei jede Konfiguration durch eine Ausprägung einer Eigenschaft wenigstens einer Einrichtung charakterisiert ist; und/oder
Ausgeben der Ausprägung der wenigstens einen Einrichtung.
Ein sechster Aspekt der Erfindung betrifft ein entsprechendes System zur Analyse wenigstens einer Einrichtung einer zu prüfenden Einheit einer Gattung von Einheiten, welche eine Mehrzahl an verschiedenen Einrichtungen aufweisen, insbesondere eines Fahrzeugs oder Motors, vorzugsweise aufweisend:
Mittel zum Aufzeichnen, insbesondere einen Datenspeicher, eines Datensatzes, insbesondere wenigstens einer Datenspalte einer Datenmatrix, von
Beobachtungsgrößen in Bezug auf die zu prüfenden Einheit; Mittel zum Bestimmen, auf der Grundlage des Datensatzes, einer Ausprägung mittels eines Transformationsmodells, welches eine Zuordnungsvorschrift zwischen Beobachtungsgrößen und einer Eigenschaft zum Analysieren der Einrichtung aufweist, wobei das Transformationsmodell auf einer Ausgleichsrechnung bezüglich Simulationsergebnissen beruht, welche aus mehreren Betriebs-
Simulationen des definierten Betriebszyklus mittels eines Modells, in welchem wenigstens zu analysierende Einrichtungen als virtuelle Einrichtung abgebildet sind, mit jeweils unterschiedlicher Konfiguration der Einheiten resultieren, wobei jede Konfiguration durch eine Ausprägung einer Eigenschaft wenigstens einer Einrichtung charakterisiert ist; und/oder
Mittel zum Ausgeben, insbesondere eine Datenschnittstelle, der Ausprägung der wenigstens einen Einrichtung. Ein siebter und achter Aspekt der Erfindung betreffen ein Computerprogramm und ein Computer-lesbares Medium zum Ausführen der erfindungsgemäßen Verfahren gemäß dem ersten, dritten und fünften Aspekt der Erfindung.
Ein neunter Aspekt der Erfindung betrifft eine Datenfolge, welche ein Transformationsmodell zur Analyse wenigstens einer Einrichtung einer zu prüfenden Einheit einer Gattung von Einheiten, welche eine Mehrzahl an verschiedenen Einrichtungen aufweist, charakterisiert, wobei das Transformationsmodell für einen definierten Betriebszyklus der Gattung von Einheiten eine Zuordnungsvorschrift zwischen Beobachtungsgrößen und einer Eigenschaft wenigstens einer Einrichtung aufweist, wobei das Transformationsmodell auf einer Ausgleichsrechnung bezüglich Simulationsergebnissen beruht, welche aus mehreren Betriebs-Simulationen des definierten Betriebszyklus mittels eines Modells, in welchem wenigstens zu analysierende Einrichtungen als virtuelle Einrichtung abgebildet sind, mit jeweils unterschiedlicher Konfiguration der Einheiten resultieren, wobei jede Konfiguration durch eine Ausprägung einer Eigenschaft wenigstens einer Einrichtung charakterisiert ist.
Eine Gattung von Einheiten im Sinne der Erfindung ist vorzugsweise eine Gesamtheit von Einheiten, welche in ihren wesentlichen Merkmalen übereinstimmen und daher weiter vorzugsweise baugleich sind. In Bezug auf einen Motor als Einheit sind beispielweise vorzugsweise wenigstens die wesentlichen Komponenten der Motoren einer Gattung baugleich. Eine bestimmte Einheit ist mithin vorzugsweise eine Realisierung der Gattung von Einheiten.
Ein Transformationsmodell im Sinne der Erfindung stellt vorzugsweise einen Zusammenhang zwischen Beobachtungsgrößen und Zielgrößen oder einer Gruppe aus Zielgrößen her. Insbesondere stellt ein Transformationsmodell einen Zusammenhang zwischen Beobachtungsgrößen einer Einheit der Gattung von Einheiten und einer Eigenschaft wenigstens einer Einrichtung der Einheit her. Vorzugsweise ist das Transformationsmodell nicht zeitaufgelöst. Weiter vorzugsweise beruht das Transformationsmodell selbst jedoch auf einer zeitaufgelösten Simulation des Betriebs einer Vielzahl von Einheiten der Gattung von Einheiten mit jeweils unterschiedlicher Konfiguration.
Ein Simulieren eines Betriebs einer Einheit im Sinne der Erfindung ist vorzugsweise eine zeitaufgelöste oder streckenaufgelöste Simulation des Betriebsverhaltens einer Einheit, insbesondere eines Fahrzeugs, eines Antriebsstrangs oder auch eines Motors, mittels eines Modells. Ein Betrieb einer Einheit wird insbesondere durch Beobachtungsgrößen, wie Drehzahl, Drehmoment, Massenflüsse, Drücke, Temperaturen, Treibstoffverbrauch, Verbrauch anderer Betriebsmittel, Emissionen, OBD-Werte, Geschwindigkeit, Gangwahl etc., charakterisiert.
Simulations-basiert im Sinne der Erfindung bedeutet vorzugsweise, dass ein auf durchgeführten oder durchzuführenden Simulationen beruhendes T ransformationsmodell zum Einsatz kommt.
Eine Einheit im Sinne der Erfindung ist vorzugsweise eine Vorrichtung, deren Betrieb durch Beobachtungsgrößen charakterisiert werden kann. Vorzugsweise sind die Beobachtungsgrößen wenigstens teilweise Messgrößen oder aus Messgrößen abgeleitet, wobei die Werte der Messgrößen auf einer tatsächlichen Messung oder auf einer Simulation beruhen können. Vorzugsweise werden solche Messgrößen mit Sensoren aufgenommen. Beobachtungsgrößen sind vorzugsweise auch oder alternativ Signale, welche zur Steuerung und/oder Überwachung der Einheit und/oder ihrer Einrichtungen dienen. Vorzugsweise sind die Einrichtungen der Einheit wenigstens teilweise elektronisch gesteuert. Weiter vorzugsweise ist die Einheit an sich elektronisch gesteuert.
Nicht beschränkende Beispiele für eine Einheit sind Apparate oder Landfahrzeuge, insbesondere Lastkraftwagen oder Personenkraftwagen, oder Wasserfahrzeuge, insbesondere Schiffe, oder Luftfahrzeuge, insbesondere Drehflügler oder Flugzeuge, oder Raumfahrzeuge, insbesondere Raumfähren oder Raketen. Weitere Beispiele für eine Einheit sind Roboter, insbesondere militärische, industrielle oder persönlicher Roboter, eine Prüf- und/oder Entwicklungsanordnung, insbesondere eine Prozesssteuerung, ein automatisches Identifikationssystem (AIS) oder ein flexibles Herstellungssystem (FMS). Weitere Beispiele für eine Einheit sind gesteuerte Maschinen, insbesondere Produktionsmaschinen, Werkzeugmaschinen oder Baumaschinen, oder Datenverarbeitungsanlagen, insbesondere mobile Geräte oder stationäre Computer.
Einheiten können aber auch Subsystem solcher oder anderer Gesamtheiten sein, beispielsweise ein Antriebsstrang oder eine Komponente eines Antriebsstrangs, insbesondere ein Motor oder ein Getriebe, oder ein Fahrwerk, oder ein Energiespeicher, oder eine Brennstoffzelle, oder ein Assistenzsystem sein. Weitere beispielhafte Subsysteme einer Prüfanordnung sind eine Verbrauchsmesstechnik, eine
Emissionsmesstechnik, eine Leistungsmesstechnik oder Konditionieranlagen, oder Komponenten dieser Subsysteme.
Eine Einrichtung im Sinne der Erfindung ist vorzugsweise eine Komponente einer Einheit, insbesondere ein Bauteil oder eine Baugruppe. Nicht beschränkende Beispiele für Einrichtungen, je nachdem, was als Einheit betrachtet wird, sind mechanische Elemente, insbesondere ein Rohr, ein Turbolader, ein Wärmetauscher oder ein Maschinenelement, oder mechatronische Elemente, insbesondere ein Aktuator, ein Einspritzsystem oder dessen Komponenten, eine variable Turbinengeometrie, ein elektrischer Lader eines Ansaugsystems, ein Sensor, oder elektronische Elemente, insbesondere Leistungselektronik, ein elektronisches Bauteil oder Sensoren, oder elektrische Elemente, insbesondere ein elektrischer Antrieb oder Generator, ein Heizer, ein Spannungswandler oder ein Kühler, oder elektro-chemische Elemente, insbesondere eine Batterie, eine Abgasnachbehandlungsvorrichtung oder eine Brennstoffzelle. Je nach Anwendungsfall der Erfindung, können verschiedene Vorrichtungen oder Systeme entweder als Einheit oder auch als Einrichtung klassifiziert werden, je nachdem, ob die Vorrichtung oder das System im Rahmen einer übergeordneten Einheit analysiert werden soll oder wiederum deren/dessen untergeordnete Einrichtungen analysiert werden sollen.
Eigenschaften im Sinne der Erfindung sind vorzugsweise Merkmale einer Einrichtung, welche geeignet sind, diese zu charakterisieren. Nicht beschränkende Beispiele für Eigenschaften sind Dimensionen, Fertigungstoleranzen, Einbautoleranzen, Alterungsveränderungen oder Driftveränderungen.
Ein Fahrzeug im Sinne der Erfindung ist jede Art von Land-, Wasser-, Luft- oder Raumfahrzeug, insbesondere ein Kraftfahrzeug.
Aufzeichnen im Sinne der Erfindung ist vorzugsweise ein, wenigstens vorübergehendes, Abspeichern von Daten.
Eine Ausgleichsrechnung im Sinne der Erfindung ist vorzugsweise ein Regressionsverfahren oder ein Mustererkennungsverfahren, insbesondere auf der Grundlage eines künstlichen neuronalen Netzes oder ein künstliches neuronales Netz, und/oder eine Kombination aus beiden, insbesondere im Sinne der statistischen Lehre.
Ausgeben im Sinne der Erfindung ist vorzugsweise ein Bereitstellen. Vorzugsweise erfolgt das Bereitstellen über eine Datenschnittstelle. Insbesondere ist es aber auch möglich, eine Information über eine Benutzerschnittstelle, beispielsweise einen Bildschirm, auszugeben.
Eine Konfiguration im Sinne der Erfindung entspricht vorzugsweise einer Realisierung der Einheit, welche durch eine Ausprägung wenigstens einer Eigenschaft wenigstens einer der Einrichtungen der Einheit charakterisiert ist. Eine Konfiguration und/oder eine Ausprägung wird vorzugsweise durch eine Bauteil-Spezifikation, einen Kalibrierparameter, eine Genauigkeit und/oder einen Alterungszustand gekennzeichnet. Ein Betriebszyklus im Sinne der Erfindung ist vorzugsweise eine zeitaufgelöste und/oder streckenaufgelöste Abfolge von Betriebspunkten eines Betriebs einer Einheit.
Ein Modell im Sinne der Erfindung ist vorzugsweise ein reines Software-Modell oder auch ein Modell, welches aus Hardware, zum Beispiel einem Emulator, verbunden mit einem Software-Modell, besteht. Ein Modell kann insbesondere die Einheit oder Teile der Einheit modellieren.
Ein Fahrzustand im Sinne der Erfindung ist vorzugsweise durch einen Wert oder mehrere Werte einer Beobachtungsgröße oder einer Konstellation oder mehrere Konstellationen von Werten mehrerer Beobachtungsgrößen festgelegt, je nachdem, ob der Fahrzustand situativ betrachtet wird (zum Beispiel das Vorliegen einer Kurvenfahrt) oder ob ein Fahrzustand sich erst aus dem zeitlichen Verlauf von Parametern ergibt (zum Beispiel das Vorliegen eines Tip-Ins). Ein Fahrzustand im Sinne der Erfindung gibt insbesondere die Fahrdynamik des Fahrzeugs wieder. Fahrzustände sind insbesondere Gleiten bei konstanter Geschwindigkeit, Beschleunigung, Kurvenfahrt, Parkfahrt, Geradeausfahrt, Leerlauf (Roll-Fahrt), Tip-In (plötzliches Gas geben), Let-Off (plötzliche Gaswegnahme), Konstantfahrt, Schalten, Stillstand, Bergfahrt, Talfahrt, Elektrofahrt, Bremsen durch Rekuperation, mechanisches Bremsen oder auch eine Kombination wenigstens zweier dieser Fahrzustände. Die Fahrdynamik wird bei manchen der Fahrzustände auch durch die Antriebsart oder durch den Betriebszustand von Fahrzeugkomponenten bestimmt. So sind bei einem Vollhybridfahrzeug prinzipiell drei verschiedene Tip-In-Fahrzustände möglich, ein Tip-In, welcher mit der Verbrennungskraftmaschine gefahren wird, ein Tip-In, welcher mit der Elektromaschine gefahren wird und ein Tip-In, bei welchem die Elektromaschine als zusätzlicher Elektro- Boost eingesetzt wird. Einzelne Fahrzustände sind bis hin zum Betrachten einzelner Konstellationen verfeinerbar, so dass zum Beispiel auch Tip-Ins bei verschiedenen Gängen oder von verschiedenen Ausgangsdrehzahlen als unterschiedliche Fahrzustände unterschieden werden können. Ein Mittel im Sinne der vorliegenden Erfindung kann vorzugsweise hard- und/oder softwaretechnisch ausgebildet sein, insbesondere ein, vorzugsweise mit einem Speicher- und/oder Bussystem daten- bzw. signalverbundene, insbesondere digitale, Verarbeitungs-, insbesondere Mikroprozessoreinheit (CPU) und/oder ein oder mehrere Programme oder Programmmodule, aufweisen. Die Mikroprozessoreinheit kann dazu ausgebildet sein, Befehle, die als ein in einem Speichersystem abgelegtes Programm implementiert sind, abzuarbeiten, Eingangssignale von einem Datenbus zu erfassen und/oder Ausgangssignale an einen Datenbus abzugeben. Ein Speichersystem kann ein oder mehrere, insbesondere verschiedene, Speichermedien, insbesondere optische, magnetische, Festkörper- und/oder andere nicht-flüchtige Medien, aufweisen. Das Programm kann derart beschaffen sein, dass es die hier beschriebenen Verfahren verkörpert bzw. auszuführen imstande ist, so dass die Mikroprozessoreinheit die Schritte solcher Verfahren ausführen und damit insbesondere wenigstens eine Einrichtung analysieren oder ein T ransformationsmodell trainieren kann.
Der Erfindung liegt insbesondere die Erkenntnis zugrunde, dass es zwischen den in einem Betrieb einer Einheit erzeugten Daten, welche beispielsweise im CAN-Netzwerk eines Fahrzeugs zur Verfügung stehen, und den Konfigurationen von Einrichtungen der Einheit, welche den Betrieb beeinflussen, Zusammenhänge bzw. Korrelationen bestehen, die mit herkömmlichen Methoden der Datenverarbeitung im Allgemeinen schwer identifiziert werden können. Für herkömmliche Methoden sind die Datenmengen im Allgemeinen zu groß, zu komplex, zu schnelllebig und/oder zu schwach strukturiert, um diese Zusammenhänge, insbesondere vollständig, erkennen zu können.
Ausgehend von dieser Erkenntnis haben die Erfinder ein Verfahren und ein System entwickelt, mit welchen solche Zusammenhänge mittels einer Ausgleichsrechnung, insbesondere mit künstlichen neuronalen Netzen, abgebildet werden können. Insbesondere können hierbei Korrelationen, welche für einen definierten Betriebszyklus in bestimmten Datenbereichen des aufgezeichneten Betriebs festgestellt werden, zum Einsatz kommen. Diese Korrelationen werden wiederum als Grundlage zum Training eines T ransformationsmodells herangezogen.
Diese Trainingsphase kann ohne einen Einsatz bzw. Betrieb einer realen Einheit durchgeführt werden. Hierfür kommen Simulationen der Einheit mittels eines Modells zum Einsatz.
Durch die Trainingsphase des Transformationsmodells ohne realen Betrieb, d.h. ausschließlich auf modell-basierten Simulationen beruhend, können Faktoren, welche im realen Betrieb nicht eingestellt bzw. kontrolliert werden können, beliebig gewählt werden. Beispiele hierfür sind Alterung oder auch eine bisherige Betriebshistorie einer Einheit. Auch müssen keine speziellen Hardwaresysteme beschafft werden, um deren Einfluss auf den Betrieb analysieren zu können. Mithin kann der Versuchsraum beliebig groß gewählt werden. Alle Varianten, welche mathematisch-statistisch sinnvoll sind, können abgedeckt werden. Dies ist beim Einsatz von realen Systemen in einer Trainingsphase nicht möglich.
Auf der Grundlage des auf diese Weise trainierten Transformationsmodells können dann Aussagen über eine reale Einheit bzw. über Konfigurationen von zu analysierenden Einrichtungen dieser realen Einheit getroffen werden, wenn auch dieses in dem definierten Betriebszyklus betrieben wird.
Mittels der erfindungsgemäßen Lehre, insbesondere mittels des Transformationsmodells auf der Grundlage eines künstlichen neuronalen Netzes, können erfindungsgemäß Eigenschaften einer oder mehrerer Einrichtungen einer Einheit anhand eines Betriebs einer realen Einheit in dem definierten Betriebszyklus analysiert und bestimmt werden. Gegenüber auf beobachtender Statistik anhand realer Systeme bzw. realem Betrieb beruhender Transformationsmodelle sind mittels eines erfindungsgemäß gezielt- trainierten Transformationsmodells die Variabilität des Betriebsverhaltens einer zu prüfenden Einheit eindeutig erklärbar. Lückenhafte oder ungenaue Messungen können somit erfindungsgemäß zur Gänze ausgeschlossen werden. Auf diese Weise sind auch schwache Effekte von variierten Faktoren detektierbar und somit in Folge im Transformationsmodell enthalten. Auf diese Weise kann bei einer realen Einheit beispielsweise die Bauteil-Spezifikation einer Einrichtung bestimmt werden, ohne dass die Einrichtung separat einzeln analysiert werden muss. Beispielsweise lassen sich auf diese Weise Toleranzen oder auch Alterungs- bzw. Abnutzungserscheinungen feststellen. Wird festgestellt, dass sich eine Einrichtung mit ihren Bauteil-Spezifikationen außerhalb eines vorgegebenen Zielbereichs bewegt, so kann die Einrichtung, schon bevor diese ausfällt, als nicht nicht-ok-Teil ausgetauscht werden. Des Weiteren können auf der Grundlage der ermittelten Konfiguration Lernparameter in einem Steuergerät in Abhängigkeit der Bauteileigenschaften der jeweils analysierten Einrichtung angepasst werden. Dies ermöglicht einen optimierten Betrieb der analysierten Einrichtung und damit der Einheit. Beispielsweise kann ein Lernparameter die Steuerung durch ein Steuergerät auch für solche Fälle anpassen, in welchen eine Einrichtung außerhalb der zulässigen Bauteiltoleranzen liegt. Auch kann mit einem Lernparameter auf diese Weise einer Alterung bzw. Abnutzung eines Bauteils entgegengewirkt bzw. diese ausgeglichen werden.
Mittels der erfindungsgemäßen Lehre kann auch ein sogenanntes Toleranzbild nach Einbau der einzelnen Einrichtungen einer Einheit erstellt werden. In diesem Fall wird die Veränderung der Toleranzen vor Einbau in die Einheit und nach Einbau in die Einheit mittels des erfindungsgemäßen Verfahrens bestimmt. Hierdurch lassen sich die Auswirkungen des Einbaus auf die jeweiligen Toleranzen bestimmen. Auf der Grundlage der mittels der erfindungsgemäßen Lehre erhaltenen Informationen können Bauteil-Spezifikationen der einzelnen analysierten Einrichtung angepasst werden, beispielsweise für eine Optimierung. Des Weiteren können Statistiken, beispielsweise in Bezug auf Einbautoleranzen, erzeugt werden. Grundsätzlich ist vorgesehen, ein Simulieren des Betriebs der Einheit auf einem Prüfstand, teilweise auf einem Prüfstand und teilweise modellbasiert oder bevorzugt rein modellbasiert durchzuführen und auf der Grundlage dieser Simulation zunächst ein Transformationsmodell zu erstellen. Später wird der zur Erstellung dieses Transformationsmodells benutzte definierte Betriebszyklus mit einer realen Einheit, beispielsweise wiederum auf einem Prüfstand, nachgefahren, um Konfigurationen wenigstens einer Einrichtung der Einheit zu identifizieren. Alternativ ist aber auch eine inverse Vorgehensweise vorstellbar, in welcher der definierte Betriebszyklus in einem realen Betrieb der Einheit im Feld oder auch auf einem Prüfstand ermittelt wird. Erst danach werden die zum Erstellen eines Transformationsmodells notwendigen Simulationen des Betriebs der Einheit mittels eines Modells, in welchem wenigstens die zu analysierende Einrichtung als virtuelle Einrichtung abgebildet ist, durchgeführt. Auf der Grundlage dieses Transformationsmodells und des im realen Betrieb aufgezeichneten definierten Betriebszyklus lassen sich dann die Konfigurationen der wenigstens einen zu analysierenden Einrichtung analysieren. Die Erfinder haben festgestellt, dass besonders gute Ergebnisse in Bezug auf die Gültigkeit des Transformationsmodells erzielt werden, wenn die zu prüfende Einheit demselben definierten Betriebszyklus unterworfen werden, welcher auch beim Erzeugen des Transformationsmodells zum Einsatz kommt. Bei Transformationsmodellen, welche mittels realer Systeme bzw. realem Betrieb erzeugt wurden, ist dies im Allgemeinen nicht möglich, da ein bestimmter Betriebszyklus nicht vollständig kontrolliert wiederholt werden kann. Dieses Problem stellt sich erfindungsgemäß nicht, da der Betrieb der Einheiten beim Erzeugen des Transformationsmodells in jedem beliebigen Betriebszyklus simuliert werden kann. Die nachfolgend in Bezug auf vorteilhafte Ausgestaltungen der Verfahren des ersten, dritten und fünften Aspekts der Erfindung beschriebenen Vorteile und Merkmale gelten entsprechend auch für vorteilhafte Ausgestaltungen der anderen Aspekte der Erfindung und umgekehrt. In einer vorteilhaften Ausgestaltung des erfindungsgemäßen Verfahrens hat die Zuordnungsvorschrift, insbesondere ausschließlich, in jenen Bereichen des definierten Betriebszyklus Gültigkeit, welche den ausgewählten Datenbereichen entsprechen. ln einer weiteren vorteilhaften Ausgestaltung des erfindungsgemäßen Verfahrens wird das Auswählen des Datenbereichs mittels einer Feature Selection-Methode, vorzugsweise einer Supervised Feature Selection-Methode, weiter vorzugsweise einer ReliefF-Methode, durchgeführt.
Durch den Einsatz einer Feature Selection-Methode bei der Datenauswahl können insbesondere signifikante Merkmale, welche vorzugsweise Spalten der Datenmatrizen entsprechen, identifiziert werden. Die Signifikanz der Merkmale resultiert hierbei aus einer Stärke der Korrelation zwischen Ausprägungen, aus welchen das Merkmal bzw. die ausgewählten Datenbereiche aufgebaut sind, und den dazugehörigen Beobachtungsgrößen oder dem Verlauf der Beobachtungsgrößen. Vorzugsweise werden dabei die einzelnen Merkmale zusätzlich gegeneinander in Bezug auf ihre jeweilige Signifikanz gewichtet. In einer weiteren vorteilhaften Ausgestaltung weisen die erfindungsgemäßen Verfahren des Weiteren die folgenden Arbeitsschritte auf:
Berechnen eines beliebigen Integrals, vorzugsweise eines gleitenden Durchschnitts, von aufgezeichneten Beobachtungsgrößen für die Datensätze der simulierten Einheiten, wobei die berechneten Werte als Durchschnittsdatensätze gespeichert werden; und/oder
Berechnen eines beliebigen Differentials, vorzugsweise zentralen Differenzenquotienten, von aufgezeichneten Beobachtungsgrößen für die Datensätze der simulierten Einheiten, wobei die berechneten Werte als
Differenzdatensätze gespeichert werden; wobei das Auswählen von Datenbereichen aus den Datensätzen und/oder den Durchschnittsdatensätzen und/oder den Differenzdatensätzen erfolgt.
Vorzugsweise werden hierbei für jeden einzelnen Wert der aufgezeichneten Datensätze, welche jeweils einer Ausprägung einer Eigenschaft einer Einrichtung entsprechen, der jeweilige gleitende Durchschnittswert und der Wert des Differenzquotienten berechnet. Diese berechneten Werte bilden dann den jeweiligen Durchschnittsdatensatz und den jeweiligen Differenzdatensatz. Die Durchschnittsdatensätze werden vorzugsweise in einem Gesamtdurchschnittsdatensatz zusammengefasst, die Differenzdatensätze werden vorzugsweise in einem Gesamtdifferenzdatensatz zusammengefasst.
Durch das Einbeziehen von Werten eines gleitenden Durchschnitts über einen gewissen Beeinflussungsbereich können Gradienten in den einzelnen Datenspuren bzw. Zeilen der Matrizen bei einer Feature Selection-Methode berücksichtigt werden. Hierdurch können zum Beispiel das Aufwärmverhalten und die Beschleunigung als signifikante Merkmale der Feature Selection-Methode berücksichtigt werden.
Entsprechend weisen in einer vorteilhaften Ausgestaltung die erfindungsgemäßen Systeme auf: - Mittel zum Berechnen eines gleitenden Durchschnitts von aufgezeichneten
Beobachtungsgrößen für die Datensätze der simulierten Einheiten, wobei die berechneten Werte als Durchschnittsdatensätze gespeichert werden; und/oder
Mittel zum Berechnen eines zentralen Differenzenquotienten von aufgezeichneten Beobachtungsgrößen für die Datensätze der simulierten Einheiten, wobei die berechneten Werte als Differenzdatensätze gespeichert werden; und wobei die Mittel zum Auswählen von Datenbereichen die Datenbereiche aus den Datensätzen und/oder den Durchschnittsdatensätzen und/oder den Differenzdatensätzen auswählen.
In einer weiteren vorteilhaften Ausgestaltung der erfindungsgemäßen Verfahren ist die Simulation eine Hardware-in-the-Loop-Simulation, wobei wenigstens eine reale Steuerung, insbesondere eine Motorsteuerung, der zu prüfenden Einheit in die Simulation eingebunden ist.
In dieser vorteilhaften Ausgestaltung wird der Betrieb einer zu prüfenden Einheit zwar simuliert, die Steuerung der zu prüfenden Einheit an sich wird jedoch nicht simuliert. Hierzu ist entweder der reale Steueralgorithmus in die Simulation eingebunden oder sogar die gesamte Hardware der Steuerung inklusive Steueralgorithmus eingebunden.
In einer weiteren vorteilhaften Ausgestaltung der erfindungsgemäßen Verfahren weisen diese des Weiteren die folgenden Arbeitsschritte auf:
Zeitliches Angleichen der aufgezeichneten Datensätze; und/oder
Angleichen der Sample-Rate der aufgezeichneten Datensätze.
Durch das Anpassen der Auflösung und den zeitlichen Abgleich bzw. das zeitliche Angleichen werden aufgezeichnete Datenspuren, insbesondere Zeilen in Matrizen, so einander zugeordnet, dass diese in Bezug auf dieselben Zeitpunkte oder dieselben Streckenpunkte des Betriebszyklus justiert sind. Dies ist insbesondere dann von Vorteil, wenn die Daten zeitlich verschoben oder mit verschiedenen Sample-Raten aufgezeichnet sind und eine Feature Selection-Methode zum Einsatz kommt, da die Auswahl der einzelnen Merkmale bzw. Datenbereiche bei einer Feature Selection- Methode im Allgemeinen auf Zeitpunkte in dem Betriebszyklus abstellen. Entsprechend weisen in einer vorteilhaften Ausgestaltung die erfindungsgemäßen Systeme auf:
Mittel zum zeitlichen Angleichen der aufgezeichneten Datensätze; und/oder - Mittel zum Angleichen der Sample-Rate der aufgezeichneten Datensätze.
In einer weiteren vorteilhaften Ausgestaltung weisen die erfindungsgemäßen Verfahren des Weiteren den folgenden Arbeitsschritt auf: - Aufteilen der aufgezeichneten Datensätze in einen Konditionierabschnitt und einen
Identifikationsabschnitt anhand wenigstens eines Kriteriums, wobei ausgewählte Datenbereiche ausschließlich im Identifikationsabschnitt liegen. Durch das Definieren eines Konditionierabschnitts kann sichergestellt werden, dass definierte Anfangsbedingungen zum Auswählen der Datenbereiche geschaffen werden, insbesondere zur Identifikation von Merkmalen in den Datensätzen bei einer Feature Selection-Methode. Ein Kriterium könnte beispielsweise der Beladungszustand eines Partikelfilters sein. Beispielsweise könnte gefordert werden, dass der Partikelfilter am Anfang des Identifikationsabschnitts in einem regenerierten Zustand sein soll.
Entsprechend weisen in einer vorteilhaften Ausgestaltung die erfindungsgemäßen Systeme auf:
Mittel zum Aufteilen der aufgezeichneten Datensätze in einen Konditionierabschnitt und einen Identifikationsabschnitt anhand wenigstens eines Kriteriums, wobei ausgewählte Datenbereiche ausschließlich in dem Identifikationsabschnitt liegen. In einer weiteren vorteilhaften Ausgestaltung der erfindungsgemäßen Verfahren weisen diese des Weiteren die folgenden Arbeitsschritte auf:
Betreiben der zu prüfenden Einheit, insbesondere in einem realen Betrieb; und - Aufzeichnen eines Verlaufs eines realen Betriebszyklus auf der Grundlage des
Betreibens; wobei der reale Betriebszyklus als definierter Betriebszyklus zum Erzeugen des Transformationsmodells herangezogen wird.
Ein realer Betriebszyklus im Sinne der Erfindung liegt vorzugsweise in einer realen Umgebung vor, insbesondere in einer realen Fahrt im realen Verkehr.
Die Benutzung eines realen Betriebszyklus bei der Simulation hat insbesondere zum Vorteil, dass die Einheiten unter realen Bedingungen simuliert werden und mithin für die Realität entsprechende Werte in Bezug auf die Beobachtungsgrößen erzeugen. Beispiele für solche Beobachtungsgrößen sind Emission, Kraftstoffverbrauch etc. Entsprechend weisen in einer vorteilhaften Ausgestaltung die Systeme auf:
Mittel zum Betreiben der zu prüfenden Einheit, insbesondere in einem realen Betrieb; und
Mittel zum Aufzeichnen, insbesondere elektronische Datenspeicher, eines Verlaufs eines realen Betriebszyklus auf der Grundlage des Betreibens; wobei die Mittel zum Simulieren des Betriebs einer Einheit den realen Betriebszyklus des definierten Betriebszyklus zum Erzeugen des
T ransformationsmodells heranziehen.
In einer weiteren vorteilhaften Ausgestaltung weisen die erfindungsgemäßen Verfahren des Weiteren die folgenden Arbeitsschritte auf:
Aufzeichnen eines Datensatzes, insbesondere einer Datenmatrix, der zu prüfenden Einheit während des realen Betriebszyklus, welcher geeignet ist, ein Betriebsverhalten der zu prüfenden Einheit zu charakterisieren; wobei der Datensatz der zu prüfenden Einheit beim Anwenden des
Transformationsmodells eingesetzt wird.
Wird zusätzlich zu dem realen Betriebszyklus auch ein Datensatz der zu prüfenden Einheit in Bezug der Beobachtungsgrößen aufgezeichnet, so kann die Simulation des Betriebs einer Mehrzahl von Einheiten der Gattung ebenfalls mittels des realen Betriebszyklus als definierter Betriebszyklus durchgeführt werden. Das Transformationsmodell wird dann auf der Grundlage dieser Simulation des realen Betriebszyklus generiert. Auf diese Weise entsteht ein Transformationsmodell, anhand welchem wiederum die zu prüfende Einheit, quasi im Nachhinein, analysiert werden kann, indem das Transformationsmodell auf den aufgezeichneten Datensatz der zu prüfenden Einheit angewendet wird. Entsprechend weisen in einer vorteilhaften Ausgestaltung die erfindungsgemäßen Systeme auf:
Aufzeichnen eines Datensatzes, insbesondere eine Datenmatrix, der zu prüfenden Einheit während des realen Betriebszyklus, welche geeignet ist, ein
Betriebsverhalten der zu prüfenden Einheit zu charakterisieren; wobei die Mittel zum Anwenden des Transformationsmodells den Datensatz der zu prüfenden Einheit einsetzen.
In einer weiteren vorteilhaften Ausgestaltung weisen die erfindungsgemäßen Verfahren des Weiteren den folgenden Arbeitsschritt auf:
Ausgeben der Ausprägung und/oder des Transformationsmodells, insbesondere eines Regressionsmodells.
Die Ausprägung und das Transformationsmodell können zur weiteren Verwendung bei der Datenverarbeitung über eine Datenschnittstelle ausgegeben werden. Die Ausprägungen geben vorzugsweise Aufschluss über die jeweilige Konfiguration der zu prüfenden Einheit.
Entsprechend weisen in einer vorteilhaften Ausgestaltung die erfindungsgemäßen Systeme eine Datenschnittstelle zum Ausgeben der Ausprägung und/oder des Transformationsmodells, insbesondere eines Regressionsmodells, auf.
In einer weiteren vorteilhaften Ausgestaltung weisen die erfindungsgemäßen Verfahren des Weiteren die folgenden Arbeitsschritte auf:
Zeitliches Anpassen des Datensatzes der zu prüfenden Einheit an das Transformationsmodell; und/oder
Anpassen der Sample-Rate des Datensatzes der zu prüfenden Einheit an das T ransformationsmodell. Auch hierdurch wird gewährleistet, dass die jeweils aufgenommenen Werte der Beobachtungsgrößen des Datensatzes der zu prüfenden Einheit mit den in dem Transformationsmodell hinterlegten Korrelationen in Abhängigkeit von den Zeitpunkten des definierten Betriebszyklus passend abgeglichen werden können, um die Analyse der wenigstens einen Einrichtung der zu prüfenden Einheit vornehmen zu können.
Entsprechend weisen in einer vorteilhaften Ausgestaltung die erfindungsgemäßen Systeme auf:
Mittel zum zeitlichen Anpassen des Datensatzes der zu prüfenden Einheit an das Transformationsmodell, und/oder
Mittel zum Anpassen der Sample-Rate des Datensatzes der zu prüfenden Einheit an das Transformationsmodell.
In einer weiteren vorteilhaften Ausgestaltung weisen die erfindungsgemäßen Verfahren des Weiteren folgenden Arbeitsschritt auf: - Überprüfen wenigstens einer Triggerbedingung in Bezug auf den während des definierten Betriebszyklus aufgezeichneten Datensatzes der zu prüfenden Einheit, insbesondere, ob wenigstens eine Beobachtungsgröße einen vordefinierten Wert oder eine vordefinierte Wertekombination annimmt, welche wenigstens einem Ausschnitt, vorzugsweise einem Fahrzustand, eines Datenbereichs entspricht, für welchen eine Korrelation zu den Ausprägungen einer Eigenschaft der wenigstens einen Einrichtung besteht; wobei die Arbeitsschritte des Anwendens des Transformationsmodells und/oder des Aufzeichnens und/oder des Bestimmens einer Ausprägung nur dann ausgeführt werden, wenn die wenigstens eine T riggerbedingung erfüllt ist.
Wie bereits erläutert, werden signifikante Merkmale bzw. Datenbereiche in Bezug auf den Verlauf des definierten Betriebszyklus festgelegt. Jeder solcher Merkmale des Verlaufs des definierten Betriebszyklus entspricht jedoch vorzugsweise einem gewissen Betriebszustand der Einheit.
Werden diese Betriebszustände beim Betrieb der zu prüfenden Einheit identifiziert, ist es wahrscheinlich, dass dort auch eine Korrelation der Beobachtungsgrößen zu den Ausprägungen vorliegt.
Entsprechend weisen in einer vorteilhaften Ausgestaltung die erfindungsgemäßen Systeme Mittel zum Überprüfen wenigstens einer Triggerbedingung in Bezug auf den während des definierten Betriebszyklus aufgezeichneten Datensatz der zu prüfenden Einheit auf, insbesondere, ob wenigstens eine Beobachtungsgröße einen vordefinierten Wert oder eine vordefinierte Wertekombination, vorzugsweise einen Betriebszustand, annimmt, welche wenigstens einem Ausschnitt eines Datenbereichs entspricht, für welche eine Korrelation zu den Ausprägungen einer Eigenschaft der wenigstens einen Einrichtung besteht, auf, wobei die Systeme das Anwenden des Transformationsmodells und/oder das Aufzeichnen und/oder das Bestimmen einer Ausprägung nur dann ausführen, wenn die wenigstens eine Triggerbedingung erfüllt ist.
In einer vorteilhaften Ausgestaltung des erfindungsgemäßen Verfahrens wird das Anwenden eines Transformationsmodells oder das Betreiben der zu prüfenden Einheit, insbesondere ausschließlich, in Abschnitten des definierten Betriebszyklus, insbesondere in Betriebszuständen, durchgeführt, in welchen eine Korrelation von Beobachtungsgrößen zu den Ausprägungen einer Eigenschaft der wenigstens einen Einrichtung besteht.
In anderen Worten kann der Betriebszyklus beim Ermitteln von Ausprägungen auf statistisch relevante Teilstücke eingeschränkt werden. Hierdurch kann ein verkürzter Betriebszyklus mit der zu prüfenden Einheit durchlaufen werden. Mithin können Testzeiten und Simulationskapazitäten eingespart werden.
In einer vorteilhaften Ausgestaltung weisen die erfindungsgemäßen Verfahren des Weiteren den folgenden Arbeitsschritt auf: Überprüfen, ob ein OBD-Ereignis auftritt, wobei die Arbeitsschritte des Anwendens und/oder des Aufzeichnens und/oder des Bestimmens nur dann ausgeführt werden, wenn ein OBD-Ereignis auftritt, insbesondere über einen definierten Zeitraum vor und/oder nach dem OBD-Ereignis.
Mittels dieser Ausgestaltung können OBD-Ereignisse bewertet werden. Insbesondere kann festgestellt werden, ob ein tatsächliches OBD-Ereignis, ein sogenanntes validiertes OBD-Ereignis, vorliegt, oder ob beispielsweise der Sensor, welcher für die Feststellung des OBD-Ereignisses zuständig ist, einen falschen Wert ausgibt. Vorzugsweise können dann Lernparameter des OBD-Systems angepasst werden.
Entsprechend weisen in einer vorteilhaften Ausgestaltung die erfindungsgemäßen Systeme Mittel zum Überprüfen, ob ein OBD-Ereignis auftritt, auf, wobei die Arbeitsschritte des Anwendens und/oder des Aufzeichnens und/oder des Bestimmens nur dann ausgeführt werden, wenn ein OBD-Ereignis auftritt, insbesondere über einen definierten Zeitraum vor und/oder nach dem OBD-Ereignis.
In einer weiteren vorteilhaften Ausgestaltung weisen die erfindungsgemäßen Verfahren des Weiteren wenigstens einen der folgenden Arbeitsschritte auf, welche vorzugsweise periodisch oder nutzungsspezifisch durchgeführt werden:
Einstellen eines Kalibrierparameters, insbesondere eines Lernparameters, in einem Steuergerät der zu prüfenden Einheit, wenn die ausgegebene Ausprägung in Bezug auf wenigstens eine Eigenschaft außerhalb eines vorgegebenen Bereichs liegt. Hierdurch können alterungsbedingte Veränderungen von einzelnen
Einrichtungen der Einheit berücksichtigt werden, welche zwar zu Fehlermeldung führen, jedoch eigentlich die Funktion der jeweiligen Einrichtung nicht beeinträchtigen. - Bestimmen eines Austauschtermins eines Bauteils einer Einrichtung oder der
Einrichtung selbst auf der Grundlage der ausgegebenen Ausprägung. Hierdurch kann der Fahrer frühzeitig darüber informiert werden, dass ein Werkstatttermin ausgemacht werden muss. Bestimmen eines Servicetermins der zu prüfenden Einheit oder Einrichtung auf der Grundlage der ausgegebenen Ausprägung. - Rücksetzen einer OBD-Indikation, wenn die ausgegebene Ausprägung der wenigstens einen Einrichtung in Bezug auf wenigstens eine Eigenschaft innerhalb eines vorgegebenen Bereichs liegt. Dies ist insbesondere dann sinnvoll, wenn festgestellt wurde, dass ein OBD-Ereignis kein validiertes OBD-Ereignis ist. Entsprechend weisen in einer vorteilhaften Ausgestaltung die erfindungsgemäßen Systeme auf:
Mittel zum Einstellen eines Kalibrierparameters, insbesondere Lernparameters, in einem Steuergerät der zu prüfenden Einheit, wenn die ausgegebene Ausprägung in Bezug auf wenigstens eine Eigenschaft außerhalb eines vorgegebenen Bereichs liegt; und/oder
Mittel zum Bestimmen eines Austauschtermins eines Bauteils einer Einrichtung oder der Einrichtung selbst auf der Grundlage der ausgegebenen Ausprägung; und/oder
Mittel zum Bestimmen eines Servicetermins der zu prüfenden Einheit oder einer Einrichtung auf der Grundlage der ausgegebenen Ausprägung; und/oder - Mittel zum Rücksetzen einer OBD-Indikation, wenn die ausgegebene Ausprägung der wenigstens einen Einrichtung in Bezug auf wenigstens eine Eigenschaft außerhalb eines vorgegebenen Bereichs liegt.
In einer weiteren vorteilhaften Ausgestaltung der erfindungsgemäßen Verfahren wird eine Mehrzahl von Einrichtungen der zu prüfenden Einheit analysiert. Dabei weisen die Verfahren des Weiteren vorzugsweise den folgenden Arbeitsschritt auf: Bestimmen einer fehlerhaften oder funktionierenden Einrichtung der Mehrzahl an Einrichtungen, wobei eine Einrichtung insbesondere dann fehlerhaft ist, wenn die ausgegebene Ausprägung der Einrichtung in Bezug auf wenigstens eine Eigenschaft außerhalb eines vorgegebenen Bereichs liegt.
Insbesondere bei komplexen Einheiten können so einzelne Einrichtungen oder Bauteile von Einrichtungen identifiziert werden, die defekt sind. Auf diese Weise können diese einzelnen Bauteile oder Einrichtungen ausgetauscht werden, ohne die gesamte Einheit austauschen zu müssen.
Entsprechend weisen in einer vorteilhaften Ausgestaltung die erfindungsgemäßen Systeme Mittel zum Bestimmen einer fehlerhaften oder funktionierenden Einrichtung der Mehrzahl an Einrichtungen auf, wobei eine Einrichtung insbesondere dann fehlerhaft ist, wenn die ausgegebene Ausprägung der Einrichtung in Bezug auf wenigstens eine Eigenschaft außerhalb eines vorgegebenen Bereichs liegt.
In einer weiteren vorteilhaften Ausgestaltung weisen die erfindungsgemäßen Verfahren des Weiteren die folgenden Arbeitsschritte auf: - Übermitteln des Datensatzes von Beobachtungsgrößen der zu prüfenden Einheit an einen Zentralrechner; wobei eine Datenverarbeitung, insbesondere wobei die Arbeitsschritte des Einlesens in eine Ausgleichsrechnung, des Anwendens des Transformationsmodells und/oder des Bestimmens einer Ausprägung, auf dem
Zentralrechner durchgeführt werden; und
Ausgeben der Ausprägung und/oder des Transformationsmodells, insbesondere eines Regressionsmodells, durch den Zentralrechner.
In diesem Fall kann ein System zur Datenverarbeitung in der jeweils zu prüfenden Einheit mit geringer Rechenleistung ausgestattet sein. Auch kann das System simpel ausgestaltet sein, da Softwareaktualisierungen nicht notwendigerweise erforderlich sind. Die aufwändige Auswertung der Datensätze erfolgt auf dem Zentralrechner, wo auch vorzugsweise das Transformationsmodell hinterlegt ist oder sogar erst gebildet wird.
Entsprechend weisen in einer vorteilhaften Ausgestaltung die erfindungsgemäßen Systeme auf:
Mittel zum Übermitteln des Datensatzes von Beobachtungsgrößen der zu prüfenden Einheit an den Zentralrechner; wobei der Zentralrechner Mittel zur Datenverarbeitung, insbesondere Mittel zum
Anwenden des Transformationsmodells und oder Mittel zum Bestimmen einer Ausprägung auf dem Zentralrechner, aufweist; und
Mittel zum Ausgeben, insbesondere eine Datenschnittstelle, der Ausprägung und/oder des Transformationsmodells, insbesondere eines Regressionsmodells, in dem Zentralrechner.
Vorzugsweise weisen die erfindungsgemäßen Systeme in diesem Fall auch einen Zentralrechner auf.
In einer weiteren vorteilhaften Ausgestaltung der erfindungsgemäßen Verfahren ist der definierte Betriebszyklus ein Conformity of Production-Zyklus oder ein End of Line- Zyklus, bei welchem die zu prüfende Einheit, insbesondere unmittelbar nach der Produktion, von außen betrieben wird, insbesondere im Schleppbetrieb. Hierdurch können Ausprägungen, zum Beispiel Toleranzen, von Einrichtungen bereits nach der Produktion festgestellt werden. Diese Daten können von der Qualitätssicherung ausgewertet und etwaige Gegenmaßnahmen bei fehlerhaften Einrichtungen ergriffen werden. In einer weiteren vorteilhaften Ausgestaltung der erfindungsgemäßen Verfahren basiert die Ausgleichsrechnung und/oder das Transformationsmodell auf einem Regressionsmodell, insbesondere einem künstlichen neuronalen Netz. Weitere Merkmale und Vorteile ergeben sich aus der nachfolgenden Beschreibung von
Ausführungsbeispielen in Verbindung mit den Figuren. Die Figuren zeigen wenigstens teilweise schematisch:
Fig. 1 ein funktionales Blockdiagramm eines Ausführungsbeispiels eines Systems zur Analyse wenigstens einer Einrichtung einer zu prüfenden Einheit einer Gattung von Einheiten gemäß dem sechsten Aspekt der Erfindung zum Ausführen eines Verfahrens gemäß dem fünften Aspekt der Erfindung;
Fig. 2 ein funktionales Blockdiagramm eines Ausführungsbeispiels eines Teils eines
Systems zur Analyse wenigstens einer Einrichtung einer zu prüfenden Einheit einer Gattung von Einheiten gemäß dem zweiten Aspekt der Erfindung zur Ausführung eines Verfahrens gemäß dem ersten Aspekts der Erfindung und eines Systems zum Trainieren eines Transformationsmodells gemäß dem vierten Aspekt der Erfindung zur Ausführung eines Verfahrens gemäß dem dritten Aspekt der Erfindung;
Fig. 3 ein funktionales Blockdiagramm eines Ausführungsbeispiels eines weiteren
Teils eines Systems zur Analyse wenigstens einer Einrichtung einer zu prüfenden Einheit einer Gattung von Einheiten gemäß dem zweiten Aspekt der Erfindung zur Ausführung eines Verfahrens gemäß des ersten Aspekts der Erfindung und eines Systems zum Trainieren eines Transformationsmodells gemäß dem vierten Aspekt der Erfindung zur Ausführung eines Verfahrens gemäß dem dritten Aspekt der Erfindung;
Fig. 4 ein Diagramm einer Messung einer Motordrehzahl sowie den gleitenden
Durchschnitt der Messung über die Zeit;
Fig. 5a und b Darstellungen zur Veranschaulichung einer Vorgehensweise zur
Auswahl von Datenbereichen auf der Grundlage des gleitenden Durchschnitts; Fig. 6 ein Diagramm einer Motordrehzahl sowie eines daraus berechneten zentralen Differenzenquotienten über die Zeit;
Fig. 7 eine Darstellung einer Vorgehensweise bei der Auswahl von Datenbereichen auf der Grundlage von berechneten zentralen Differenzquotienten;
Fig. 8 eine weitere Darstellung einer Vorgehensweise zur Auswahl von
Datenbereichen;
Fig. 9 eine Tabelle eines Beispiels einer Datenauswahl;
Fig. 10 ein Diagramm der durch einen T2-Sensor gemessenen Temperatur über die
Zeit, in welchem die ausgewählten Datenbereiche nach Fig. 9 dargestellt sind;
Fig. 11 ein Diagramm der gemessenen Turboladergeschwindigkeit über die Zeit, in welchem die ausgewählten Datenbereiche nach Fig. 9 gekennzeichnet sind;
Fig. 12 ein Diagramm zur Darstellung der mittels des erfindungsgemäßen Verfahrens vorhergesagten Messgenauigkeit und der tatsächlichen Messgenauigkeit eines Ladedrucksensors;
Fig. 13 einen zeitlichen Drehzahlverlauf eines Betriebszyklus, während welchem der
Temperaturverlauf eines T2-Sensors nach Fig. 10 und der Turboladergeschwindigkeitsverlauf nach Fig. 11 gemessen wurden;
Fig. 14 ein Blockdiagramm eines Verfahrens zur Analyse wenigstens einer
Einrichtung einer zu prüfenden Einheit einer Gattung von Einheiten gemäß dem ersten Aspekt der Erfindung;
Fig. 15 ein Blockdiagramm eines Verfahrens zum Trainieren eines
Transformationsmodells gemäß dem dritten Aspekt der Erfindung; und Fig. 16 ein Blockdiagramm eines Verfahrens zur Analyse wenigstens einer Einrichtung einer zu prüfenden Einheit einer Gattung von Einheiten gemäß dem fünften Aspekt der Erfindung. Die Erfindung wird im Folgenden in Bezug auf einen Motor oder eine Antriebsmaschine als Einheiten X beschrieben. Der Fachmann versteht jedoch, dass als Einheiten X auch andere Systeme oder Maschinen in Frage kommen, welche eine Mehrzahl an verschiedenen Einrichtungen aufweisen, beispielsweise ein Fahrzeug 1 , insbesondere ein Kraftfahrzeug als Ganzes oder ein gesamter Antriebsstrang eines solchen Fahrzeugs 1.
Fig. 1 zeigt ein funktionales Blockdiagramm für ein System 30 zur Analyse wenigstens einer Einrichtung j einer zu überprüfenden Einheit x einer Gattung von Einheiten X, welches eingerichtet ist, ein entsprechendes Verfahren 300 auszuführen.
In der gewählten Darstellung eines funktionalen Blockdiagramms sind die einzelnen Mittel 31 , 32, 33, 34 als separate Blöcke dargestellt. Für den Fachmann ist es jedoch selbstverständlich, dass die einzelnen Mittel Teil eines oder mehrerer Module sein können, welche einzelne Mittel jeweils zusammenfassen.
Ein beispielhafter Ablauf des erfindungsgemäßen Verfahrens, welches mit der Vorrichtung 30 ausgeführt werden kann, wird überdies anhand des Blockdiagramms in Fig. 16 dargestellt und im Rahmen der nachfolgenden Beschreibung der Fig. 1 mit erläutert.
Entsprechend zeigt Fig. 1 ein System 30 zur Analyse von Einrichtungen j eines zu überprüfenden Motors x, welches eingerichtet ist, ein entsprechendes Verfahren 300 auszuführen. Der Motor x gehört dabei einer Gattung von Motoren X an, welche jeweils wenigstens im Wesentlichen baugleich sind. Insbesondere weisen die Motoren X die gleichen Einrichtungen auf. Vorzugsweise wird ein zu prüfender Motor x mit Mitteln 31 in einem Betriebszyklus B betrieben 301.
Im Falle eines Motors als zu prüfende Einheit x sind die Mittel 31 zum Betreiben des Motors x vorzugsweise ein Prüfstand, auf welchem ein Fahrzyklus als definierter Betriebszyklus B abgefahren wird.
Alternativ kann das Betreiben 301 des Motors x auch in einem Fährbetrieb eines Fahrzeugs 1 , beispielsweise auf einem Rollenprüfstand, geschehen. Vorzugsweise kann ein Betrieb 301 auch im realen Fährbetrieb auf einer Fahrtroute vorgenommen werden, welche dann dem definierten Fahrzyklus B entspricht.
Vorzugsweise handelt es sich bei dem Betrieb 301 des zu prüfenden Motors x daher um einen realen Betrieb im Fahrzeug 1 oder auf dem Prüfstand. Weiter vorzugsweise können einzelne Einrichtungen j der zu prüfenden Einheit x oder auch die gesamte zu prüfende Einheit x als Simulationsmodell mit unbekannter Konfiguration xx bzw. in Bezug auf die Einheiten j mit unbekannter Ausprägung xnj der Eigenschaften X, simuliert werden. Die eingesetzten definierten Betriebszyklen B können vorzugsweise auch ein Conformity-of-Production-Zyklus oder ein End-of-Line Zyklus sein. Vorzugsweise können zu prüfende Motoren x hierbei auch von außen im Schleppbetrieb betrieben werden, weiter vorzugsweise zum Beispiel unmittelbar nach der Produktion zu Zwecken der Qualitätskontrolle.
In dem definierten Fahrzyklus B werden insbesondere Daten, welche an einer Antriebsmaschinensteuereinheit, insbesondere dem Motorsteuergerät (ECU), zur Verfügung stehen, in einem Datenspeicher 32 als Datensatz Yx aufgezeichnet 304. Wird ein realer Fahrzyklus B als definierter Betriebszyklus eingesetzt, so wird vorzugsweise zusätzlich ein Verlauf dieses realen Fahrzyklus während einer durch ein Fahrzeug 1 zurückgelegten Route aufgezeichnet 303. Ein solcher aufgezeichneter realer Betriebszyklus kann, wie später erläutert werden wird, insbesondere als definierter Betriebszyklus B zum Erzeugen eines Transformationsmodells TM dienen.
Der Datensatz Yx ist vorzugsweise eine Datenmatrix, in welchem die verschiedenen aufgezeichneten Spuren der einzelnen an dem Motorsteuergerät zur Verfügung stehenden Mess- oder Steuerdaten enthalten sind, wie in Fig. 1 dargestellt ist. Dieser Datensatz Yx kann beispielsweise Datenspuren über die Zeit der Drehzahl, des Drehmoments, der Massenflüsse, von Drücken und Temperaturen, des
Kraftstoffverbrauchs, des Verbrauchs weiteren Verbrauchsmaterials, von Emissionen, der On Board-Diagnose und/oder von Lernparametern umfassen.
Die aufgezeichnete Datenmatrix Yx wird nachfolgend einem Mittel 33 zum Bestimmen 307 wenigstens einer Ausprägung xnj wenigstens einer Eigenschaft X, wenigstens einer Einrichtung j des zu prüfenden Motors x bereitgestellt.
Bei der Bestimmung 307 der Ausprägung oder der Ausprägungen xnj kommt vorzugsweise ein Transformationsmodell TM zum Einsatz, welches eine
Zuordnungsvorschrift zwischen Beobachtungsgrößen r und wenigstens einer Eigenschaft X, der wenigstens einen zu analysierenden Einrichtung j des Motors x aufweist. Vorzugsweise beruht ein solches Transformationsmodell TM auf einem künstlichen neuronalen Netz KNN, wie weiter unten noch näher ausgeführt werden wird.
Vorzugsweise entsprechen die Beobachtungsgrößen r einzelnen Steuergerät-Kanälen des Motorsteuergeräts. Vorzugsweise werden diese Beobachtungsgrößen r zur Verwendung in dem erfindungsgemäßen Verfahren 300 auf Werte zwischen 0 und 1 normiert.
Die Ausprägung oder Ausprägungen xnj der wenigstens einen Einrichtung X, des Motors x wird vorzugsweise mittels einer Datenschnittstelle 34 ausgegeben. Die Ausprägung xnj ist hierbei ein Wert oder eine Wertekombination einer Eigenschaft X, der Einrichtung j und gibt Rückschluss auf einen Funktionszustand der Einrichtung j. Werden mehrere Ausprägungen xnj mehrerer Einrichtungen j oder gar aller Einrichtungen j des Motors x mittels eines geeigneten Fahrzyklus B bestimmt, so kann eine Konfiguration xxdes Motors x abgeleitet werden. Eine solche Konfiguration xx charakterisiert einen Funktionszustand des Motors x und weist die Ausprägungen xnj der Eigenschaften X, der Einrichtungen j des Motors x auf. Wie in Fig. 1 dargestellt, können Ausprägungen x,, beispielsweise ein Wert einer Leistung eines Aktuators xxi, ein Wert einer Genauigkeit eines Sensors x,<2 oder ein Wert eines Alterungszustands eines Katalysators x^ sein.
Vorzugsweise weist jede Einrichtung j mehrere Eigenschaften X, auf. Im Rahmen der Figurenbeschreibung wird jedoch aus Gründen der Darstell barkeit die vereinfachende Annahme getroffen, dass jede Einrichtung j nur eine Eigenschaft X, aufweist. Für den Fachmann ist es jedoch ein Leichtes, die beschriebene Lehre auf Situationen zu übertragen, in welchen jede Einrichtung j mehrere Eigenschaften X, aufweist.
Entsprechend wäre in diesem Fall die beschriebene Eigenschaft X, mathematisch ein Tupel oder Vektor mit einer zusätzlichen Laufvariablen.
Das künstliche neuronale Netz KNN des Transformationsmodells TM stellt mithin vorzugsweise einen funktionalen Zusammenhang zwischen einer bestimmten Konfiguration xx einer Realisierung x einer Gattung von technischen Einheiten X und der aufgezeichneten Datenmatrix Yx her.
Die bestimmte Ausprägung oder Ausprägungen x,, der wenigstens einen zu analysierenden Einrichtung j des Motors x wird vorzugsweise ausgegeben 308, insbesondere über eine Datenschnittstelle 34. Vorzugweise kann auch eine ganze Konfiguration xx des zu prüfenden Motors x ausgegeben werden, wenn die entsprechenden Werte aller Ausprägungen x,, der Einrichtungen j zur Verfügung stehen oder Annahmen hierüber getroffen werden.
Anhand der Ausprägung oder Ausprägungen x,, oder der Konfiguration xx kann dann eine weitere Auswertung oder Optimierung der Einrichtung j, des Motors x oder gar der ganzen Gattung von Motoren X vorgenommen werden, wie weiter unten erläutert werden wird.
Vorzugsweise wird vor dem Bestimmen der Ausprägung xnj der wenigstens einen Einrichtung mittels eines T ransformationsmodells TM der Datensatz Yx der zu prüfenden Einheit x zeitlich an das Transformationsmodell TM angeglichen 306-1. Des Weiteren wird vorzugsweise die Sample-Rate des Datensatzes Yx der zu prüfenden Einheit x an das Transformationsmodell TM angeglichen 306-1. Beim zeitlichen Angleichen 306-1 werden beispielsweise die jeweiligen Datensätze Yx so verschoben, dass der Ablauf des definierten Betriebszyklus B bei dem mittels der zu prüfenden Einheit x aufgezeichneten Datensatz Yx dem Transformationsmodell TM zeitlich zutreffend zugeordnet ist. Denn auch das Transformationsmodell TM weist in Bezug auf verschiedene Zeitpunkte des definierten Betriebszyklus B zeitabhängige oder von dem definierten Betriebszyklus B ortsabhängige Zuordnungsvorschriftsfunktionen auf. Auch ein Abgleichen der Sample-Rate 306-2 dient letztendlich dazu, den Datensatz Yx der zu prüfenden Einheit x durch das Transformationsmodell TM verarbeitbar zu machen. In einem weiteren alternativen Arbeitsschritt des Verfahrens 300 zur Analyse wenigstens einer Einrichtung 30 wird das Vorliegen eines Datenbereichs q überprüft 1 10-1 , 302-1 , für welchen bekannt ist, dass eine Korrelation zu der Ausprägung xnj einer Eigenschaft X, wenigstens einer Einrichtung j besteht bzw. bekannt ist. Ein solcher Datenbereich q oder Ausschnitt eines Datenbereichs q entspricht vorzugsweise einem Fahrzustand oder Betriebszustand des Fahrzeugs 1 oder des Motors x. Um einen solchen Fahrzustand oder Betriebszustand aus dem aufgezeichneten Datensatz Yx der zu prüfenden Einheit x herauszufiltern, wird vorzugsweise wenigstens eine Triggerbedingung in Bezug auf den aufgezeichneten Datensatz Yx des zu prüfenden Motors x überwacht 1 10-1 , 302-1. Vorzugsweise wird hierbei überwacht, ob eine Beobachtungsgröße r einen vordefinierten Wert oder vordefinierten Wertebereich oder mehrere Beobachtungsgrößen r eine vordefinierte Wertekombination annehmen. Vorzugsweise können in einer solchen bevorzugten Ausführungsform der Arbeitsschritt des Aufzeichnens des Datensatzes Yx der zu prüfenden Einheit x 304 oder auch das Bestimmen 307 einer Ausprägung x,, dieser Einheit x nur dann ausgeführt werden, wenn ein solcher Fahrzustand oder Betriebszustand festgestellt werden.
Hierdurch kann vorzugsweise ein Rechenaufwand bei der Datenauswertung wesentlich verringert werden. Weiter vorzugsweise wird eine zu prüfende Einheit x nicht über einen gesamten definierten Betriebszyklus B betrieben 301 , sondern es werden selektiv nur jene Manöver gefahren, in welchen Fahrzustände des Fahrzeugs 1 oder des Motors x Vorkommen oder Vorkommen können, von welchen bekannt ist, dass eine Korrelation zwischen Beobachtungsgrößen r und den Ausprägungen xnj einer Eigenschaft X, besteht. Auch hierdurch kann ein Prüfbetrieb zur Analyse der Einrichtung j des zu prüfenden Motors x wesentlich verkürzt werden.
Auch ist es in einem weiteren Arbeitsschritt vorzugsweise möglich, zu überprüfen, ob ein OBD-Ereignis (On-Board-Diagnose) auftritt 1 10-2, 302-2. Auch hiervon kann abhängig gemacht werden, ob Datensätze Yx aufgezeichnet werden 304 oder ob versucht wird, eine Ausprägung x,, oder Konfiguration xx des zu prüfenden Motors zu bestimmen 307. Eine solche weitere Überprüfung kann vor allem dann Sinn machen, wenn OBD- Systeme eines Fahrzeugs 1 auf ihre Funktion bzw. ihre Zuverlässigkeit getestet werden sollen.
In einem weiteren vorzugsweisen Arbeitsschritt wird ein Datensatz Yx von Beobachtungsgrößen r des zu prüfenden Motors x an einen Zentralrechner übermittelt 305. Auf diesem Zentralrechner ist vorzugsweise das Transformationsmodell TM hinterlegt, so dass die Ausprägung x,, oder sogar der Konfiguration xx der zu prüfenden Einheit x auf dem Zentralrechner bestimmt werden können 307. Alternativ kann auch das Transformationsmodell TM selbst auf dem Zentralrechner berechnet werden. Insbesondere können an einem solchen Zentralrechner Daten einer Vielzahl von Fahrzeugen 1 ausgewählt werden, was insbesondere zum Feststellen des Transformationsmodells TM von Vorteil sein kann.
Das erfindungsgemäße Verfahren nach den Figuren 1 und 16 kann für eine Vielzahl von Anwendungsbeispielen Verwendung finden. Wenigstens teilweise ist die diesbezüglich beschriebene Lehre auch für das Verfahren 100 gemäß der Figuren 2, 3 und 14 gültig. Beispielsweise können Lernparameter auf der Grundlage der festgestellten Ausprägung oder Ausprägungen x,, des zu prüfenden Motors x oder dessen Konfiguration xx eingestellt werden 1 13-1. 309-1. Diese Lernparameter sind vorzugsweise im Motorsteuergerät ECU des Motors x hinterlegt und können beispielsweise dazu verwendet werden, um Alterungseffekte an dem Motor x auszugleichen.
Des Weiteren kann vorzugsweise ein Austauschtermin eines Bauteils einer Einrichtung j oder gar der Einrichtung j selbst auf der Grundlage der ausgegebenen Ausprägung x,, bestimmt werden 1 13-2, 309-2. Vorzugsweise kann hierzu auch eine automatische Nachricht an einen Server gesendet werden, in welchem beispielsweise eine Autowerkstatt oder der Hersteller darüber informiert wird, dass das entsprechende Bauteil oder die Einrichtung j selbst bald ausgetauscht werden müssen.
Weiter vorzugsweise kann ein Servicetermin des zu prüfenden Motors x oder einer Einrichtung j auf der Grundlage der ausgegebenen Ausprägung x,, bestimmt werden 1 13-3, 309-3.
Auch eine OBD-Indikation, zum Beispiel eine Warnlampe oder ein Feld in einem Display, können zurückgesetzt werden 113-4, 309-4. Insbesondere kann mittels des erfindungsgemäßen Verfahrens 300 festgestellt werden, ob eine OBD-Indikation gerechtfertigt war oder ob beispielsweise ein Sensor, welcher die OBD-Indikation ausgelöst hat, fehlerhaft ist und die OBD-Indikation daher selbst nicht gerechtfertigt ist. Wie schon im Vorhergehenden beschrieben, kann das erfindungsgemäße Verfahren insbesondere auch eingesetzt werden, um eine Mehrzahl von Einrichtungen 1 < j < k eines zu prüfenden Motors gleichzeitig zu überwachen und zu analysieren. Mittels des erfindungsgemäßen Transformationsmodells kann aus dieser Mehrzahl von Einrichtungen 1 < j < k anhand eines aufgezeichneten definierten Betriebszyklus des zu prüfenden Motors x jene Einrichtung j identifiziert werden, welche fehlerhaft ist 1 13-5, 309-5. Insbesondere kann dies anhand der bestimmten Ausprägung xxj der Einrichtungen j des zu prüfenden Motors x festgestellt werden, insbesondere wenn der zu prüfende Motor x in Bezug auf eine Eigenschaft X, außerhalb eines vorgegebenen Wertebereichs liegt.
Die Figuren 2 und 3 stellen funktionale Blockdiagramme in Bezug auf die Verfahren 100, 200 des ersten und des dritten Aspekts der Erfindung dar. Beide Figuren betreffen jeweils nur einen Teil der Verfahren 100, 200.
Die Verfahren 100, 200 werden dabei in Bezug auf die entsprechenden Systeme 10, 20 beschrieben. Eine gesonderte Darstellung des beispielhaften Ablaufs des Verfahrens 100 gemäß dem ersten Aspekt der Erfindung ist in Fig. 14, ein beispielhafter Ablauf des Verfahrens 200 gemäß dem dritten Aspekt der Erfindung in Fig. 15 nochmals jeweils als Blockdiagramm dargestellt.
Nachfolgend werden die Blockdiagramme der Figuren 2 und 3 zunächst in Bezug auf das Computer-gestützte Verfahren 200 zum Trainieren eines Transformationsmodells TM zur Charakterisierung von Einheiten x einer Gattung von Einheiten X, welche eine Mehrzahl an verschiedenen Einrichtungen j aufweisen, insbesondere eines Fahrzeugs 1 oder eines Motors, beschrieben. Wie bei der Erläuterung der Fig. 1 werden auch hier als Einheiten X der Gattung von Einheiten rein beispielhaft Motoren beschrieben.
Weitergehende Arbeitsschritte des Verfahrens 100 zur Analyse wenigstens einer Einrichtung j einer zu prüfenden Einheit x gemäß dem ersten Aspekt der Erfindung werden dann nachfolgend, ausgehend von dem Verfahren 200 zum Trainieren eines Transformationsmodells TM, beschrieben. Das Verfahren 200 zum Trainieren eines Transformationsmodells TM dient insbesondere dazu, das Transformationsmodell TM in der Weise zu ertüchtigen, dass dieses zur Analyse von einzelnen zu prüfenden Motoren x angewendet werden kann. Bei dem Verfahren 200 handelt es sich dabei weder um ein reines Simulationsverfahren noch um das Anwenden einer mathematischen Theorie. Vielmehr kann aufgrund des erfindungsgemäßen Verfahrens 200 gemäß dem zweiten Aspekt der Erfindung eine Verfahrensweise umgesetzt werden, um ein individualisiertes Modell einer Einheit, einen sogenannten digitalen Zwilling, bereitzustellen. Erfindungsgemäß braucht hierfür keine aufwändige vollständige Simulation jeder einzelnen zu prüfenden Einheit x auf der Grundlage von physikalischen oder semi-physikalischen Modellen durchgeführt werden, sondern lediglich ein einziges Transformationsmodells TM gebildet werden, in welchem vorzugsweise alle Einheiten X einer Gattung abgebildet sind. Die Grundlage der erfindungsgemäßen Verfahren 100, 200 bildet vorzugsweise ein definierter Betriebszyklus B, welcher sowohl zur Simulation des Betriebs von Einheiten X der Gattung eingesetzt wird, als auch um Betriebsdaten einer zu prüfenden Einheit x zu erlangen, wie bereits in Bezug auf Fig. 1 erläutert. Ein solcher definierter Betriebszyklus B ist im Rahmen der beschriebenen Ausführungsbeispiele rein beispielhaft ein beliebiger Fahrzyklus. Vorzugsweise ist dieser ein sogenannter Identifikationszyklus, welcher im realen Betrieb eines Fahrzeugs besonders häufig vorkommende Manöver enthält.
Dieser Fahrzyklus B kann einerseits artifiziell anhand von verschiedenen Kriterien vorgegeben werden, um eine Simulation 203 zum Trainieren des Transformationsmodells TM durchführen zu können. Ein solcher Fahrzyklus B besteht aus einzelnen Manövern oder Fahrzuständen, welche nacheinander abgearbeitet werden, aber keinen sinnvollen Routenverlauf eines Fahrzeugs 1 ergeben müssen. Alternativ kann ein Fahrzyklus B aber auch ein geschlossener Fahrzyklus sein, wie er bei dem Zurücklegen einer realen Route zustande käme.
Soll ein realer Fahrzyklus als Betriebszyklus B herangezogen werden, so wird eine bestimmte Einheit x, vorzugsweise die später auch zu prüfende Einheit x, in einem realen Fährbetrieb auf der Straße betrieben 101 , 201. Während dieses Betreibens 101 , 201 wird ein realer Fahrzyklus aufgezeichnet 102-1 , 202. Insbesondere wird hierbei ein Geschwindigkeitsprofil über die Zeit oder die zurückgelegte Strecke oder ein Streckenprofil über die zurückgelegte Zeit aufgezeichnet 102-1 , 202. Dieser reale Fahrzyklus kann dann als definierter Fahrzyklus B zum Erzeugen des Transformationsmodells TM herangezogen werden.
Vorzugsweise werden während des Betreibens eines zu prüfenden Motors x in einem realen Fährbetrieb zusätzlich Daten aufgezeichnet, welche den Betrieb des zu prüfenden Motors charakterisieren 102-2. Solche Daten können beispielsweise, wie bereits in Bezug auf Fig. 1 beschrieben, jene sein, welche an dem Motorsteuergerät des zu prüfenden Motors x zur Verfügung stehen, beispielsweise ein Drehzahlverlauf, ein Drehmomentverlauf, Verläufe der Massenflüsse, Verläufe der Drücke und Temperaturen, Kraftstoffverbrauch, Emissionsverläufe, OBD-Indikationen, Parameterverläufe sowie Lernparametereinstellungen.
Diese Daten werden vorzugsweise in einem Datensatz Yx des zu prüfenden Motors x, welcher insbesondere eine mehrdimensionale Datenmatrix bildet, abgelegt. Diese Datenmatrix Yx ist vorzugsweise geeignet, das Betriebsverhalten während des realen Fährbetriebs des zu prüfenden Motors x zu charakterisieren.
Wie weiter unten beschrieben werden wird, kann ein solcher realer Datensatz Yx bei verschiedenen Anwendungsbeispielen des erfindungsgemäßen Analyseverfahrens 100, 300 zum Einsatz kommen. Wie in Fig. 2 dargestellt, werden für das Verfahren 200 zum Trainieren des Transformationsmodells TM Daten einer Vielzahl von Motoren X derselben Gattung bereitgestellt. Bei Motoren X derselben Gattung handelt es sich vorzugsweise um gleiche Motoren einer einzigen Baureihe, welche vorzugsweise auch in baugleichen Fahrzeugen 1 verbaut sind. Hierdurch wird gewährleistet, dass Abweichungen des Betriebsverhaltens der einzelnen Motoren X der Gattung statistisch auswertbar sind.
Selbst wenn jeder der Motoren X baugleich ist, so weisen diese jedoch im Allgemeinen jeweils eine andere Konfiguration xn auf. Wie bereits in Bezug auf Fig. 1 erläutert, kann sich eine solche Konfiguration beispielsweise durch verschiedene Leistungen eines Aktuators, eine Genauigkeit eines Sensors oder auch über einen Alterungszustand eines Katalysators definieren. Weiter vorzugsweise kann eine Eigenschaft X, auch eine Produktionstoleranz einer Einrichtung j sein.
Die Eigenschaften X, der einzelnen Einrichtungen einer Konfiguration xn einer Einheit X der Gattung werden durch die jeweilige Ausprägung xnj der jeweiligen Eigenschaft X, bzw. der Einrichtung j charakterisiert. Diese Ausprägungen xnj geben Werte, Wertebereiche oder Wertekonstellationen der Eigenschaft X, der Einrichtung j an. Beispielsweise kann die Ausprägung xnj ein Toleranzband einer Produktionstoleranz einer Einrichtung j, insbesondere eines Bauteils, eines Motors X der Gattung angeben.
Wie in Fig. 2 dargestellt, bilden Daten über verschiedene Konfigurationen xn, welche jeweils verschiedene Ausprägungen xnj der Eigenschaften X, aufweisen, jeweils einen Motor X ab.
Mittels dieser Daten der Motoren 1 bis N wird jeweils ein Betrieb in dem definierten Betriebszyklus B mittels eines Modells simuliert 103, 203. In diesem Modell ist vorzugsweise wenigstens eine Einrichtung j als virtuelle Einrichtung abgebildet. Vorzugsweise sind alle Einrichtungen 1 < j < k durch das Modell abgebildet. Weiter vorzugsweise sind die Einheiten X insgesamt in dem Modell modelliert.
Bei dem zum Simulieren eingesetzten Modell handelt es sich vorzugsweise um ein physikalisches Modell, in welchem die Zuordnung zwischen Eingangsgrößen und Ausgangsgrößen durch physikalische Zusammenhänge modelliert sind. Weiter vorzugsweise können die Modelle auch empirischer Natur sein, das heißt die Zusammenhänge zwischen Eingangsgrößen und Ausgangsgrößen beruhen auf empirischen Erfahrungswerten. Weiter vorzugsweise können die Modelle semi- physikalisch sein, das heißt sowohl physikalische als auch empirische Zusammenhänge wiedergeben.
Beispiele für die Modellierung von Motoren finden sich beispielsweise in der Veröffentlichung Dr. M. Schüssler et al. , Modellierbasierte Emissionsoptimierung auf Triebstrang-Ebene, 17. Aachener Kolloquium Fahrzeug- und Motorentechnik, 2008 sowie in den darin zitierten weiteren Veröffentlichungen.
Darüber hinaus ist im Stand der Technik eine Reihe an weiteren Modellierungen bekannt, um ganze Fahrzeuge, Motoren oder sonstige technische Einheiten zu simulieren.
Die Simulation geschieht vorzugsweise auf einem Simulationssystem 21 , wie es beispielsweise von der Anmelderin im Rahmen des Softwaretools Cameo© angeboten wird. Insbesondere kann die Simulation als sogenannte Hardware-in-the-Loop- Simulation erfolgen, wobei wenigstens die reale Motorsteuerung des jeweiligen Motors X in die Simulation mit eingebunden ist.
Die durch das Simulieren 103, 203 erzeugten Daten von Beobachtungsgrößen r werden als Datenmatrizen aufgezeichnet 104, 204. In diesen Datenmatrizen sind den einzelnen Beobachtungsgrößen r für jeden Sampling-Zeitpunkt, in dem eine Messung genommen werden konnte, Werte yrt zugeordnet, wobei r die jeweilige Beobachtungsgröße und t die Zeit kennzeichnet. Die Beobachtungsgröße r läuft dabei vorzugsweise von r = 1 bis r = R und die Zeit t von t = 1 bis t = T. R gibt hierbei vorzugsweise die Anzahl aller Beobachtungsgrößen r und T vorzugsweise die Länge der Aufzeichnung des definierten Fahrzyklus B an, in welchem der Betrieb der Motoren X simuliert wird.
Die einzelnen Datensätze Yi,... , Yn,... , YN werden vorzugsweise in einem Datenspeicher 12, 22 abgelegt. Dort wird aus den einzelnen Datensätzen Yn vorzugsweise ein Gesamtdatensatz Y über alle Konfigurationen und Beobachtungsgrößen sowie über den gesamten Beobachtungszeitraum T gebildet, wie in Fig. 2 dargestellt ist.
Um diesen Gesamtdatensatz Y bzw. die Matrix zu bilden, werden die einzelnen aufgezeichneten Datensätze Yn vorzugsweise zeitlich angeglichen 105-1 , 205-1 , so dass gleiche Zeiträume in dem Fahrzyklus B in der Gesamtmatrix Y jeweils übereinander liegen. Des Weiteren wird zum gleichen Zweck die Sample-Rate der aufgezeichneten Datensätze Yn vorzugsweise angeglichen 105-2, 205-2. In der Gesamtmatrix Y sind die Aufzeichnungsreihen in Bezug auf die einzelnen Beobachtungsgrößen jeweils hintereinander in einer Zeile angeordnet. Die Werte yrt der gleichen Beobachtungsgröße r in demselben Zeitpunkt sind in der Gesamtmatrix Y daher jeweils in einer Spalte angeordnet.
Weiter vorzugsweise werden die aufgezeichneten Datensätze Yn vorzugsweise anhand eines Kriteriums in einen Konditionierabschnitt und einen Identifikationsabschnitt aufgeteilt 106, 206. Der Konditionierabschnitt dient hierbei dazu, gleiche
Anfangsbedingungen in Bezug auf die verschiedenen Beobachtungsgrößen r zwischen den Aufzeichnungen der verschiedenen Konfigurationen xn zu erzeugen. Beispielsweise kann in einem solchen Konditionierabschnitt ein Partikelfilter auf die gleiche Anfangsbedingung gesetzt werden, beispielsweise indem eine Regeneration durchgeführt bzw. simuliert wird.
Auf der Grundlage des Identifikationsabschnitts können dann Datenbereiche q aus dem Gesamtdatensatz Y ausgewählt werden 108, 208, welche sich zum Trainieren des Transformationsmodells TM eignen.
Wie in dem ersten Kasten der Fig. 3 dargestellt, beruht der Einsatz eines erfindungsgemäßen Transformationsmodells TM auf der Erkenntnis, dass die jeweilige Realisierung x, einer Eigenschaft X, bzw. der Einrichtung j, welche diese Eigenschaft oder Eigenschaften X, aufweisen, einen Niederschlag in den jeweiligen Werten yrt der Beobachtungsgrößen r während eines Betriebs einer Einheit X mit einer Konfiguration xn finden. Jede Wertekonstellation yrt der Beobachtungsgrößen 1 < r < R jeder Konfiguration xn enthält hierbei eine Information und durch Vergleich der mittels der einzelnen Konfiguration xn erzeugten Wertekonstellationen yrt können daher Aussagen über die jeweilige Konfiguration xn einer Einheit X einer Gattung abgeleitet werden.
Um die diesen Zusammenhängen zugrundeliegenden Korrelationen aufzudecken, wird erfindungsgemäß vorzugsweise eine sogenannte Feature Selection-Methode eingesetzt. Bei dieser Methode handelt es sich um einen Ansatz aus dem maschinellen Lernen, bei dem nur eine Teilmenge von verfügbaren Features bzw. Merkmalen für einen Lernalgorithmus verwendet wird. Beispiele für Unsupervised Feature Selection- Methoden sind Infinite Selection, Laplacian Score, Local Learning-Based Clustering, M ulticlass/Cluster Data, Regularized Discriminative Selection. Beispiele für Supervised Feature Selection-Methoden sind die sogenannte ReliefF-Methode, die Eigenvector Centrality-Methode, Concave Minimization, Infinite Latent Selection, Infinite Selection und Robust Selection.
Nachfolgend wird eine Anwendung der ReliefF-Methode für das erfindungsgemäße Verfahren beschrieben. In entsprechender Weise können jedoch auch andere Feature Selection-Methoden zum Einsatz kommen.
In einer Datenverarbeitungseinrichtung 23 werden Datenbereiche q ausgewählt 108, 208, welche sogenannten Merkmalen der ReliefF-Methode entsprechen.
Diese Auswahl 108, 208 erfolgt vorzugsweise in vier Arbeitsschritten: Zunächst werden einzelne Instanzen, welche im vorliegenden Fall Zeilen der Gesamtmatrix Y, das heißt des Gesamtdatensatzes über alle Konfigurationen xn und Beobachtungsgrößen r, entsprechen, in einem mehrdimensionalen Datenraum als Datenpunkte aufgetragen.
Jeder Punkt entspricht hierbei einer Instanz. Als Ordinate des Datenraums dienen standardisierte Ausprägungen x f , welche der jeweiligen Wertekonstellation der jeweiligen Instanz, wie in dem obersten Kasten der Fig. 3 dargestellt ist, entsprechen. Diese werden vorzugsweise in zwei Gruppen in Bezug auf einen Nominalwert aller Ausprägungen x f angeordnet. Im vorliegenden Fall ist dieser Nominalwert null.
Würde das gezeigte ReliefF -Verfahren beispielsweise als Feature Selection-Methode für einen Temperatursensor als Einheit j angewendet, so würden die Datenpunkte oberhalb des Nominalwerts in dem Diagramm Datenpunkten mit positiver Temperaturabweichung bei der Temperaturmessung durch den Sensor j entsprechen, die Werte unterhalb des Nominalwerts Abweichungen der Temperatur mit einem geringeren Wert als der Nominalwert. ln einem zweiten Arbeitsschritt wird eine Instanz nach dem Zufallsprinzip ausgewählt.
In einem dritten Arbeitsschritt werden mittels einer Berechnung des euklidischen Abstands die jeweils nächsten Datenpunkte bzw. Instanzen zu der ausgewählten Instanz jeweils in jeder Klasse an Datenpunkten bestimmt.
Der nächste Datenpunkt einer Instanz in derselben Klasse, also mit demselben Vorzeichen, wird als sogenannter Near Hit yNH bezeichnet. Der nächste in der anderen Klasse gelegene Datenpunkt bzw. Instanz wird als Near Miss yNM bezeichnet.
Die ausgewählte Instanz wird mit yn bezeichnet. Der beschriebene Vorgang wird mehrmals wiederholt. Der beschriebene Vorgang wird vorzugsweise sooft wiederholt, bis sich die Gewichtungsreihenfolge der einzelnen Merkmale nicht mehr ändert. In einem weiteren, dritten Arbeitsschritt werden die einzelnen Merkmale, welche Spalten der Gesamtmatrix Y des Gesamtdatensatzes entsprechen, gewichtet. Hierbei wird erwartet, dass wichtige Merkmale im Allgemeinen einen größeren euklidischen Abstand zu der Near Miss-Instanz yNM als zu der Near Hit-Instanz yNH aufweisen. Dies hat seinen Ursprung darin, dass die ausgewählte Instanz dann mit hoher Wahrscheinlichkeit in die richtige Klasse eingeteilt ist, wenn der quadrierte Abstand zu dem Near Hit yNH in der gleichen Klasse kleiner ist als jener zu der Near Miss-Instanz yNM· In diesem Fall ist davon auszugehen, dass eine Korrelation zwischen dem Wert yni einer Instanz und der jeweiligen Ausprägung xnj bzw. Wert der Eigenschaft X, besteht. Die Erwartung ist daher, als Formel ausgedrückt (für wichtige Merkmale):
Für nicht so wichtige Merkmale wird dagegen in Bezug auf die Werte der ausgewählten Instanz erwartet, dass:
Dieser Abgleich wird für die jeweils betrachtete, zufällig ausgewählte, Instanz für alle Beobachtungen p (1 < i < p) einer Instanz wiederholt p ist hierbei die Anzahl der Beobachtungen und entspricht der Anzahl R an Beobachtungsgrößen r multipliziert mit der Länge T des Beobachtungszeitraums.
Je größer die quadrierte Abstandsdifferenz der Near Miss-Instanz yNM und der Near Hit- Instanz yNH von der ausgewählten Instanz yni ist, desto eine höhere Wichtung W,j wird einem Merkmal zugewiesen.
Die Zuweisung der Wichtung und das Zusammenfügen in einer Gesamtheit Y, der ausgewählten Datenbereiche für die Einrichtung j bzw. die Eigenschaft X, entspricht dabei einem vierten Arbeitsschritt des Auswahlvorgangs 108, 208 und wird in dem rechten unteren Kasten in Fig. 3 dargestellt. Dort sind in einer Matrix Y, der ausgewählten Datenbereiche die wichtigsten Merkmale gemäß ihrer jeweiligen Wichtung W,j von links nach rechts sortiert. Die ausgewählten Datenbereiche q und die entsprechenden korrelierenden Ausprägungen werden über eine Datenschnittstelle 24 ausgegeben und in ein künstliches neuronales Netz KNN eingelesen 209. Die ausgewählten Datenbereiche q enthalten hierbei vorzugsweise Information über die Werte der Beobachtungsgrößen r sowie über den zugehörigen Zeitpunkt t des definierten Fahrzyklus B.
Das künstliche neuronale Netz KNN erkennt Muster zwischen den ausgewählten Datenbereichen entsprechenden Merkmalen q und den Ausprägungen xnj, so dass sich auf der Grundlage des künstlichen neuronalen Netzes KNN eine Zuordnungsvorschrift zwischen Beobachtungsgrößen r bzw. Konstellationen von Beobachtungsgrößen r und den Eigenschaften X, bzw. deren verschiedene Ausprägungen xnj ergeben. Auf der Grundlage des trainierten künstlichen Neuronalen Netzes KNN wird ein Transformationsmodell TM erzeugt, welches vorzugsweise ausgegeben wird 210. Dabei wird das Transformationsmodell TM vorzugsweise als Datenfolge ausgegeben. Anhand des funktionalen Blockdiagramms der Figuren 2 und 3 ist des Weiteren ein System 10 zur Analyse wenigstens einer Einrichtung j einer zu prüfenden Einheit x einer Gattung von Einheiten X dargestellt.
Wie in Bezug auf das Verfahren zum Transformieren eines Verfahrens 200 zum Trainieren eines Transformationsmodells TM, so sind auch hier Arbeitsschritte eines entsprechenden Verfahrens 100 zur Analyse wenigstens einer Einrichtung j einer zu prüfenden Einheit x einer Gattung von Einheiten X angegeben. Ein beispielhafter Ablauf eines solchen Verfahrens 100 ist wiederum in Fig. 14 dargestellt. Die Verfahrensschritte des Verfahrens 100 zur Analyse entsprechen im Wesentlichen dem Verfahren 200 zum Trainieren eines Transformationsmodells TM.
Sind die Datenbereiche q ausgewählt 108, so werden die ausgewählten Datenbereiche q im Gegensatz zu dem Verfahren 200 jedoch nicht nur an eine Ausgleichsrechnung, welche die Grundlage für ein Transformationsmodell bildet, ausgegeben, sondern die Ausgleichsrechnung wird auf der Grundlage der ausgewählten Datenbereiche q und der korrelierenden Ausprägung xnj darüber hinaus durchgeführt 109.
Das als Ergebnis der Ausgleichsrechnung gebildete Transformationsmodell TM weist eine Zuordnungsvorschrift zwischen Beobachtungsgrößen r und einer oder einer Mehrzahl an Eigenschaften X, wenigstens einer Einrichtung j auf. Vorzugsweise enthält das Transformationsmodell TM jedoch eine Zuordnungsvorschrift zwischen den Beobachtungsgrößen r und Eigenschaften X, aller Einrichtungen j.
Das Transformationsmodell TM wird bei dem Verfahren 100 zur Analyse schließlich auch angewendet 11 1. Anwenden im Sinne der Erfindung bedeutet dabei ein Bereitstellen oder Ausgeben des Transformationsmodells TM zur weiteren Datenverarbeitung und/oder ein Bestimmen einer Ausprägung xnj wenigstens einer Einrichtung j mittels des Transformationsmodells TM, wie in Fig. 3 dargestellt ist. Dabei wird das Transformationsmodell TM vorzugsweise als Datenfolge bereitgestellt.
Das Transformationsmodell TM ist vorzugsweise eingerichtet, auf der Grundlage von wenigstens einem an der zu prüfenden Einheit x in dem Betriebszyklus B aufgezeichneten Datensatz Yx eine Ausprägung der wenigstens einen zu analysierenden Einrichtung j auszugeben 112.
Werden anhand des Verfahrens 100 zur Analyse Ausprägungen xnj bestimmt, können hierzu verschiedene Verfahrensschritte, welche entsprechend auch Teil des Verfahren 300 zur Analyse wenigstens einer Einrichtung j sind, zusätzlich ausgeführt werden.
Fig. 4 zeigt ein Diagramm einer Motordrehzahl eines Motors x über der Zeit, wobei die original aufgezeichneten Daten und der gleitende Durchschnitt während eines Fahrzyklus B dargestellt sind.
Der gleitende Durchschnitt kann dabei mit der Formel aus Fig. 5a berechnet werden.
Wie in Fig. 5b dargestellt, wird für jeden einzelnen Wert der Gesamtmatrix Y bzw. des Gesamtdatensatzes der Wert des jeweils gleitenden Durchschnitts berechnet 107-1 , 207-1 , was zu einer Gesamtmatrix Y1^ des gleitenden Durchschnitts führt. Auch anhand dieser Gesamtmatrix YMA des gleitenden Durchschnitts kann ebenfalls eine Feature Selection-Methode, wie in Fig. 3 beschrieben, ausgeführt werden. Auch hier fallen als Ergebnis zusätzliche gewichtete Merkmale q an. Die auf diese Weise ausgewählten Datenbereiche q können in einer Gesamtheit ausgewählter Datenbereiche des gleitenden Durchschnitts für jeweilige Einrichtungen j bzw. Eigenschaften X, zusammengefasst werden, vorzugsweise als Matrix Yj MA.
Fig. 6 zeigt ein weiteres Diagramm einer Motordrehzahl über der Zeit sowie dessen zentralen Differenzenquotienten mit h = 1 sowie den zentralen Differenzenquotienten mit h = 10. Der zentrale Differenzenquotient kann dabei wie durch eine Formel aus Fig. 7a berechnet werden.
Wie in Fig. 7b gezeigt, kann entsprechend für alle Werte der Gesamtdatenmatrix Y des Gesamtdatensatzes der zentrale Differenzenquotient berechnet werden 107-2, 207-2, wodurch eine Gesamtmatrix der zentralen Differenzenquotienten erhalten wird. Auch anhand von dieser Gesamtmatrix YDQ kann eine Feature Selection-Methode, wie in Bezug auf Fig. 3 beschrieben, ausgeführt werden. Die auf diese Weise ausgewählten Datenbereiche q können in einer Gesamtheit ausgewählter Datenbereiche des Differenzenquotienten für jeweilige Einrichtungen j bzw. Eigenschaften X, zusammengefasst werden, vorzugsweise als Matrix Yj DQ.
Fig. 8 zeigt ein Diagramm, in welchem ausgewählte Datenbereiche q bzw. Merkmale als Datenpunkte dargestellt werden, wobei die Herkunft der jeweiligen Datenbereiche q bzw. Merkmale über deren jeweilige Wichtigkeit W,j gemäß der Wichtung der Feature Selection-Methode aufgetragen sind.
Hierbei ist zu erkennen, dass in dem dargestellten Beispiel die Mehrzahl der wichtigen ausgewählten Datenbereiche q Teil der Gesamtheit der ausgewählten Durchschnittsdatenbereiche Y} MA sind.
Bei dem zugrundeliegenden Ausführungsbeispiel wurde die Genauigkeit eines T2- Sensors untersucht, welcher die Temperatur im Ansaugrohr eines Motors misst. Die Gesamtzahl an simulierten Motoren, anhand welcher die Feature Selection-Methode (ReliefF) zum Trainieren des Transformationsmodells TM eingesetzt wurde, war 481 Motoren. Hierbei wurden 36 Beobachtungsgrößen (R = 36) aufgenommen, wobei die Sample-Rate eine Aufzeichnung pro Sekunde betrug und die Dauer des Fahrzyklus 2277 Sekunden betrug (T = 2277). Hieraus ergibt sich eine Gesamtzahl an aufgenommenen Werten yrt der Beobachtungsgrößen von R · T = 81972.
Mittels der Feature Selection-Methode, in diesem Ausführungsbeispiel eine ReliefF- Methode, wie sie in Bezug auf die Fig. 3 beschrieben wurde, wurden jeweils die 20 wichtigsten Merkmale bzw. Datenbereiche q aus dem Gesamtdatensatz Y, dem Gesamtdifferenzdatensatz YDQ und dem Gesamtdurchschnittsdatensatz YMA bestimmt. Somit wurde die zu untersuchende Datenmenge von
Y £ JJ^481%81972
auf
Y E ]]^ 81:rc7=20
reduziert.
Die Datenpunkte dieser reduzierten Datenmenge, welche eigentlich jeweils 481 Einträge von 481 simulierten Motoren aufweisen, sind als Datenpunkte in dem Diagramm von Fig. 8 eingetragen. Hierbei sind jeweils 20 Datenpunkte für die jeweils 20 wichtigsten Merkmale des Gesamtdatensatzes Yj , des Gesamtdifferenzdatensatzes
Y°QA und des Gesamtdurchschnittsdatensatzes Y} MA vorhanden.
Weitere zehn zufällig ausgewählte Motoren X der Gattung wurden nicht zur Bildung des Transformationsmodells TM herangezogen, um die Genauigkeit des Transformationsmodells später überprüfen bzw. validieren zu können.
In Fig. 9 sind in tabellarischer Form die 15 wichtigsten Merkmale W bis Wi5 j angegeben, d.h. die am höchsten gewichteten Merkmale, wobei die Einrichtung j wiederum der T2-Sensor ist.
Die Beobachtungsgrößen, in Fig. 9 nach den jeweils zu den Beobachtungsgrößen r gehörenden Motorsteuergerät-Kanälen mit„T2“ und„TC Speed“ benannt, in welchen die wichtigsten ausgewählten Datenbereiche q bzw. Merkmale identifiziert, sind die zwei Beobachtungsgrößen der Temperatur T2, welche durch den T2-Sensor gemessen wird, sowie die Turboladerdrehzahl TC Speed. In den übrigen 34 Beobachtungsgrößen werden keine Datenbereiche ausgewählt.
Wie bereits erwähnt, haben alle wichtigsten Datenbereiche q bzw. Merkmale dabei ihren Ursprung in den ausgewählten Durchschnitts-Datenbereichen Y} MA , das heißt jenen ausgewählten Datenbereichen q, welche auf dem Gesamtdurchschnittsdatensatz Y} MA beruhen.
In der letzten Spalte der Fig. 9 ist der jeweilige Zeitpunkt in dem definierten Fahrzyklus B angegeben, welche zu den jeweils wichtigsten ausgewählten Datenbereichen q gehören. Aus dieser Spalte geht hervor, dass die Temperaturwerte der Beobachtungsgröße T2 in den ersten 13 Sekunden des definierten Fahrzyklus B als wichtige Merkmale sowie die Turboladerdrehzahlwerte der Beobachtunggröße TC Speed nach 389 und 390 Sekunden des definierten Fahrzyklus B als wichtige Merkmale identifiziert wurden.
Fig. 10 zeigt den Anfang eines Diagramms, auf welchem der Verlauf einer simulierten T2-Temperatur am Anfang des definierten Fahrzyklus B für drei verschiedene Motoren 1 , 2, 3 aufgetragen ist, also der Beobachtungsgröße T2. Jeder der Motoren ist dabei einer der zehn zurückbehaltenen Motoren, das heißt einer jener Motoren X, welche nicht zur Bildung des Transformationsmodells TM herangezogen wurden.
Auf den drei Verläufen sind jeweils die Zeitpunkte der ausgewählten Datenbereiche q für die Beobachtungsgröße T2 sowie jene Datenbereiche eingezeichnet, welche durch die Bildung des gleitenden Durchschnitts in den ausgewählten Datenbereichen zusätzlich berücksichtigt sind. Zur Erinnerung, die wichtigsten ausgewählten Datenbereiche in dem gezeigten Zeitraum des definierten Fahrzyklus B betrafen ausschließlich ausgewählte Durchschnitts-Datenbereiche Y} MA . Wie aus Fig. 5a hervorgeht, wird bei der Berechnung des gleitenden Durchschnitts ein Zeitraum vor und nach dem jeweiligen betrachteten Zeitpunkt des definierten Fahrzyklus B einbezogen. Im gezeigten Beispiel beträgt der Beeinflussungsbereich durch den gleitenden Durchschnitt ± 30 Sekunden, so dass der Beeinflussungsbereich im vorliegenden Fall bis zur 43. Sekunde des definierten Betriebszyklus B geht (Werte vor Beginn des Betriebszyklus liegen selbstverständlich keine vor und können daher auch nicht berücksichtigt werden). Fig. 11 zeigt ein Diagramm entsprechend dem Diagramm von Fig. 10, wobei nunmehr nicht der Verlauf der Beobachtungsgröße T2 der drei zurückbehaltenen Motoren 1 , 2, 3 aufgetragen ist, sondern der Verlauf der Turboladerdrehzahl, also der Beobachtungsgröße TC Speed.
Auch hier sind jeweils die ausgewählten Merkmale sowie die für die ausgewählten Merkmale berücksichtigten Zeitpunkte bzw. Daten auf den drei Verläufen eingezeichnet. Die ausgewählten Merkmale liegen etwa bei 390 Sekunden, wie aus Fig. 9 folgt. Da das ausgewählte Merkmal einer der ausgewählten Durchschnitts-Datenbereiche Y} MA ist, ist der Beeinflussungsbereich wie in Fig. 10 der gleitende Durchschnitt ± 30
Sekunden vor dem betrachteten Zeitpunkt bzw. vor und nach dem betrachteten Zeitpunkt bzw. dem ausgewählten Merkmal q. Daher betragen die jeweils berücksichtigten Daten in diesem Fall von etwa 360 Sekunden bis 420 Sekunden des definierten Fahrzyklus B.
Fig. 12 zeigt ein Diagramm der Vorhersagegenauigkeit in Bezug auf die Beobachtungsgröße T2, das heißt die durch den T2-Sensor gemessene Temperatur für die zehn zurückbehaltenen Motoren, das heißt jene Motoren, welche nicht zur Bildung des T ransformationsmodells TM eingesetzt wurden.
Die direkt mittels eines simulierten Betriebs der zurückbehaltenen Motoren bestimmten „tatsächlichen Werte“ der Beobachtungsgröße T2, welche mit einem Stern angegeben sind, liegen hierbei stets im Konfidenzintervall der mittels der anhand der Feature Selection-Methode identifizierten wichtigsten Datenbereiche bzw. Merkmale q, welche in den Figuren 8 und 9 dargestellt sind.
Dies zeigt, dass mittels eines durch die erfindungsgemäße Vorgehensweise gebildeten Transformationsmodells TM eine sehr gute Vorhersage der Messgenauigkeit des T2- Sensors getroffen werden kann.
Fig. 13 zeigt ein Diagramm der Motordrehzahl über der Zeit t in Sekunden für den definierten Fahrzyklus B, welcher auch der Feature Selection-Methode nach Figuren 8 und 9 zugrunde lag, sowie ein Diagramm für den Verlauf der T2-Temperatur und der Turboladergeschwindigkeit nach den Figuren 10 und 11.
Der Beeinflussungsbereich, welcher für die Beobachtungsgröße T2-Temperatur in Fig. 10 identifiziert wurde, ist als dick eingerahmter Kasten in dem Diagramm nach Fig. 13 eingezeichnet.
Bei diesem Zeitraum handelt es sich um ein Identifikationsmanöver oder auch einen Identifikationsfahrzustand. Durch die Auswahl im Rahmen der Feature Selection- Methode, welche in Bezug auf die Messgenauigkeit des Temperatursensors T2 ausgeführt wurde und deren Ergebnisse in Figuren 8 und 9 dargestellt sind, ist bekannt, dass ein Großteil der für die Modellbildung des Transformationsmodells TM wichtigen Merkmale bzw. Datenbereiche q in diesem Identifikationsmanöver liegen. Je nachdem, wie viele ausgewählte Merkmale bzw. Datenbereiche q bei der Modellbildung berücksichtigt werden, läge ein zweiter Identifikationsbereich im Bereich von t = 360 bis t = 420 des definierten Fahrzyklus B. Dieser entspricht den ausgewählten Merkmalen bzw. Datenbereichen q, welche sich auf die Beobachtungsgröße Turboladergeschwindigkeit TC Speed beziehen.
Um eine Messgenauigkeit des T2-Sensors anzugeben, ist es mithin nicht nötig, den gesamten definierten Fahrzyklus B abzufahren. Vorzugsweise reicht es, die Identifikationsmanöver bzw. Identifikationsfahrzustände, welche sich vorzugsweise aus der Feature Selection-Methode ergeben, abzufahren, um Aussagen über die Eigenschaften X, von Einrichtungen j einer zu prüfenden Einheit x treffen zu können.
Mittels eines erfindungsgemäß erzeugten Transformationsmodells TM lassen sich im Wesentlichen zwei grundlegend verschiedene Analysefunktionen verwirklichen: Zum einen kann ein definierter Fahrzyklus B für ein Fahrzeug 1 vorgegeben werden. Für diesen vorgegebenen definierten Betriebszyklus B kann der Betrieb von Einheiten X der Gattung mit jeweils verschiedener Konfiguration xn simuliert und anhand des auf diese Weise erhaltenen Gesamtdatensatzes Y mittels einer Feature Selection-Methode das Transformationsmodell TM gebildet werden. Soll nun eine Konfiguration xx einer zu prüfenden Einheit x oder wenigstens eine Ausprägung x,, einer ihrer Einrichtungen j bestimmt werden, so muss auch die zu prüfende Einheit x im Fährbetrieb oder auf dem Prüfstand möglichst exakt in demselben vorbestimmten definierten Betriebszyklus B betrieben werden. Vorzugsweise hat nur in diesem Fall das Transformationsmodell TM bzw. die diesem innewohnende Zuordnungsvorschrift Gültigkeit.
Diese Vorgehensweise kann insbesondere dann Sinn machen, wenn die zu prüfende Einheit bzw. der zu prüfende Motor x in einem sogenannten Werkstattmanöver geprüft bzw. analysiert werden soll, beispielsweise Stillstands-Regeneration, Warmlauf im Stillstand, NEFZ-Zyklus, etc.
Eine hiervon grundlegend verschiedene Vorgehensweise ist es, einen von einer zu prüfenden Einheit X bzw. einem Motor tatsächlich durchlaufenen Fahrzyklus B definierten Betriebszyklus zugrunde zu legen.
Da dieser Fahrzyklus B nicht im Vorhinein bekannt ist, kann das Transformationsmodell TM in diesem Fall erst dann gebildet werden, wenn der Fahrzyklus B aufgezeichnet ist.
In diesem Fall wird eine Simulation 103, 203 einer Vielzahl von Einheiten X derselben Gattung wie die zu prüfende Einheit x nach dem Betreiben 101 , 101 , 301 der zu prüfenden Einheit x in dem definierten Betriebszyklus B durchgeführt. Auch mit den dabei aufgezeichneten Datensätzen Yn wird mittels einer Feature
Selection-Methode ein Transformationsmodell TM trainiert. Dieses Transformationsmodell TM wird wiederum auf einen Datensatz Yx der zu prüfenden Einheit x angewendet, welcher während des Betreibens der zu prüfenden Einheit x ebenfalls aufgezeichnet wurde 102-2, 304.
Ein Betreiben der zu prüfenden Einheit x kann hierbei im Feld bzw. im Straßenverkehr, auf einem Rollenprüfstand, Antriebsstrangprüfstand oder Motorenprüfstand durchgeführt werden. Es sei darauf hingewiesen, dass es sich bei den Ausführungsbeispielen lediglich um Beispiele handelt, die den Schutzbereich, die Anwendungen und den Aufbau in keiner Weise einschränken sollen. Vielmehr wird dem Fachmann durch die vorausgehende Beschreibung ein Leitfaden für die Umsetzung mindestens eines Ausführungsbeispiels gegeben, wobei diverse Änderungen, insbesondere in Hinblick auf die Funktion und Anordnung der beschriebenen Bestandteile, vorgenommen werden können, ohne den Schutzbereich zu verlassen, wie er sich aus den Ansprüchen und diesen äquivalenten Merkmalskombinationen ergibt.
Bezugszeichenliste
T ransformationsmodell TM Betriebszyklus B Einrichtung j
Anzahl an Einrichtungen k Einheit einer Gattung X Konfiguration Xn Zu prüfende Einheit X Konfiguration der zu prüfenden Einheit Xx Anzahl an Konfigurationen N Eigenschaft Xj
Realisierungen einer Eigenschaft X Ausprägung Xnj Datensatz einer Konfiguration Yn
Datensatz der zu prüfenden Einrichtung Yx Wert einer Beobachtungsgröße Yrt Beobachtungsgröße G Anzahl an Beobachtungsgrößen R Zeit t
Länge eines Beobachtungszeitraums T Instanz/Datenpunkt Yn
Gesamtdatensatz über alle Konfigurationen
und Beobachtungsgrößen Y Ausgewählter Datenbereich Cj
Gesamtheit der ausgewählten Datenbereiche für die Einrichtung/Eigenschaft j Yj Gesamtdifferenzdatensatz gϋq Gesamtdurchschnittsdatensatz gMA Gleitender Durchschnitt
Ausgewählte Durchschnitts-Datenbereiche YMA Zentraler Differenzenquotient y°Qn
Ausgewählte Differenzenquotient-Datenbereiche Yj DQ
System zur Analyse wenigstens einer Einrichtung 10, 30
System zum T rainieren eines T ransformationsmodells 20 Mittel zum Simulieren eines Betriebs 1 1 , 21
Mittel zum Aufzeichnen 12, 22, 32
Mittel zum Auswählen von Datenbereichen 13, 23
Mittel zum Ausgeben 24, 34
Mittel zum Durchführen einer Ausgleichsrechnung 15
Mittel zum Anwenden eines Transformationsmodells 16
Mittel zum Betreiben 31
Mittel zum Bestimmen 33
Fahrzeug 1

Claims

Patentansprüche
1. Computer-gestütztes Verfahren (100) zur simulations-basierten Analyse wenigstens einer Einrichtung (j) einer zu prüfenden Einheit (x) einer Gattung von Einheiten (X), welche eine Mehrzahl an verschiedenen Einrichtungen (1 <j<k) aufweisen, insbesondere eines Fahrzeugs oder Motors, folgende Arbeitsschritte aufweisend: Simulieren (103) eines Betriebs einer Einheit (X) der Gattung in einem definierten
Betriebszyklus (B) mittels eines Modells, in welchem wenigstens die zu analysierenden Einrichtungen (j) als virtuelle Einrichtungen, insbesondere die gesamte Einheit (x) als virtuelle Einheit, abgebildet sind, wobei das Simulieren mehrmals mit jeweils unterschiedlicher Konfiguration (xn) der Einheiten (X) durchgeführt wird, und wobei jede Konfiguration (xn) durch eine Ausprägung (xnj) einer Eigenschaft (Xj) wenigstens einer Einrichtung (j) charakterisiert ist;
Aufzeichnen (104) von Datensätzen (Yn), insbesondere Datenmatrizen, von Beobachtungsgrößen (r) der simulierten Einheiten (X);
Auswählen (108) von Datenbereichen (q) aus den Datensätzen (Yn), insbesondere aus Datenspalten von Datenmatrizen, für welche eine Korrelation von Beobachtungsgrößen (r) zu den zum Simulieren eingesetzten Ausprägungen (Xnj) einer Eigenschaft (Xj) der zu analysierenden Einrichtungen (j) feststellbar ist, insbesondere mittels einer statistischen Methode;
Durchführen (109) einer Ausgleichsrechnung auf der Grundlage der ausgewählten Datenbereiche (q) und der korrelierenden Ausprägungen (xnj); und
Anwenden (11 1 ) eines Transformationsmodells (TM) auf der Grundlage der Ausgleichsrechnung, wobei das Transformationsmodell (TM) eine Zuordnungsvorschrift zwischen Beobachtungsgrößen (r) und einer Eigenschaft (Xj) wenigstens einer Einrichtung (j) aufweist, wobei das Transformationsmodell (TM) eingerichtet ist, auf der Grundlage von wenigstens einem an der zu prüfenden Einheit (x) in dem definierten Betriebszyklus (B) aufgezeichneten Datensatz (Yx) eine Ausprägung (xnj) der wenigstens einen zu analysierenden Einrichtung (j) auszugeben.
2. Computer-gestütztes Verfahren (200) zum simulations-basierten Trainieren eines Transformationsmodells (TM) zur Charakterisierung von Einheiten (x) einer
Gattung von Einheiten (X), welche eine Mehrzahl an verschiedenen Einrichtungen (1 <j<k) aufweisen, insbesondere eines Fahrzeugs oder Motors, wobei das Transformationsmodell (TM) eingerichtet ist, auf der Grundlage von wenigstens einem an der zu prüfenden Einheit (x) in einem definierten Betriebszyklus (B) aufgezeichneten Datensatz (Yx) eine Ausprägung (xnj) wenigstens einer zu analysierenden Einrichtung (j) auszugeben, folgende Arbeitsschritte aufweisend:
Simulieren (203) eines Betriebs einer Einheit (X) der Gattung in dem definierten Betriebszyklus (B) mittels eines Modells, in welchem wenigstens eine Einrichtung (j) als virtuelle Einrichtung, insbesondere die gesamte Einheit (x) als virtuelle Einheit, abgebildet ist, wobei das Simulieren mehrmals mit jeweils unterschiedlicher Konfiguration (xn) durchgeführt wird, wobei jede Konfiguration (xn) durch eine Ausprägung (xnj) wenigstens einer Eigenschaft (X,) wenigstens einer der Einrichtungen (j) charakterisiert ist;
Aufzeichnen (204) von Datensätzen (Yn), insbesondere Datenmatrizen, von Beobachtungsgrößen (r) der simulierten Einheiten (X);
Auswählen (208) von Datenbereichen (q) aus den Datensätzen (Yn), insbesondere aus Datenspalten von Datenmatrizen, für welche eine Korrelation von Beobachtungsgrößen (r) zu den zum Simulieren eingesetzten Ausprägungen (Xnj) einer Eigenschaft (X,) der wenigstens einen Einrichtung (j) feststellbar ist, insbesondere mittels einer statistischen Methode; und
Einlesen (209) der ausgewählten Datenbereiche (q) und der korrelierenden Ausprägungen (xnj) in eine Ausgleichsrechnung, insbesondere in ein künstliches neuronales Netz (KNN), welche die Grundlage für das Transformationsmodell (TM) bildet.
3. Verfahren (100, 200) nach Anspruch 1 oder 2, wobei das Auswählen des Datenbereichs (108, 208) mittels einer Feature Selection-Methode, vorzugsweise einer Supervised Feature Selection-Methode, weiter vorzugsweise einer ReliefF- Methode, durchgeführt wird.
4. Verfahren (100, 200) nach einem der Ansprüche 1 bis 3, des Weiteren den folgenden Arbeitsschritt aufweisend:
Berechnen (107-1 , 207-1) eines Integrals, insbesondere eines gleitenden Durchschnitts, von aufgezeichneten Beobachtungsgrößen (1 <r<R) für Datensätze (yi<<n<<N) der simulierten Einheiten (X), wobei die berechneten Werte als Durchschnittsdatensätze (YMA) gespeichert werden; und/oder
Berechnen (107-2, 207-2) eines Differentials, insbesondere eines zentralen Differenzenquotienten, ( °Qh) von aufgezeichnenten Beobachtungsgrößen (1 <r<R) für Datensätze (yi<<n<<N) der simulierten Einheiten (X), wobei die berechneten Werte als Differenzdatensätze (YDQ) gespeichert werden,
wobei das Auswählen von Datenbereichen ( ) aus den Datensätzen (Y; Yn) und/oder den Durchschnittsdatensätzen (YMA) und/oder den Differenzdatensätzen (YDQ) erfolgt.
5. Verfahren (100, 200) nach einem der Ansprüche, wobei die Simulation eine
Hardware-in-the-Loop-Simulation ist, wobei wenigstens eine reale Steuerung (ECU), insbesondere eine Motorsteuerung, der zu prüfenden Einheit (X) in die Simulation eingebunden ist.
6. Verfahren (100, 200) nach einem der Ansprüche 1 bis 5, des Weiteren folgende
Arbeitsschritte aufweisend:
Zeitliches Angleichen (105-1 , 205-1 ) der aufgezeichneten Datensätze (Yn); und/oder
Angleichen der Sample-Rate (105-2, 205-2) der aufgezeichneten Datensätze (Yn).
7. Verfahren (100, 200) nach einem der Ansprüche 1 bis 6, des Weiteren folgenden Arbeitsschritt aufweisend:
Aufteilen (106, 206) der aufgezeichneten Datensätze (Yn) in einen Konditionierabschnitt und einen Identifikationsabschnitt anhand wenigstens eines
Kriteriums, wobei ausgewählte Datenbereiche ( ) ausschließlich in dem Identifikationsabschnitt liegen.
8. Verfahren (100, 200) nach einem der Ansprüche 1 bis 7, des Weiteren folgende Arbeitsschritte aufweisend:
Betreiben (101 , 201 ) der zu prüfenden Einheit (x), insbesondere in einem realen Betrieb; und
Aufzeichnen (102-1 , 202) eines Verlaufs eines realen Betriebszyklus auf der Grundlage des Betreibens; wobei der reale Betriebszyklus als definierter Betriebszyklus (B) zum Erzeugen des Transformationsmodells (TM) herangezogen wird.
9. Verfahren (100, 200) nach einem der Ansprüche 1 bis 7 und 8, des Weiteren folgenden Arbeitsschritt aufweisend: Aufzeichnen (102-2) eines Datensatzes (Yx), insbesondere einer Datenmatrix, der zu prüfenden Einheit (x) während des realen Betriebszyklus (B), welcher geeignet ist, ein Betriebsverhalten der zu prüfenden Einheit (x) zu charakterisieren; wobei der Datensatz (Yx) der zu prüfenden Einheit (x) beim Anwenden (1 11 ) des Transformationsmodells (TM) eingesetzt wird.
10. Verfahren (100, 200) nach einem der vorhergehenden Ansprüche 1 bis 9, des Weiteren folgenden Arbeitsschritt aufweisend: Ausgeben (112, 210) der Ausprägung (xnj) und/oder des Transformationsmodells (TM), insbesondere eines Regressionsmodells.
1 1. Computer-gestütztes Verfahren (300) zum simulations-basierten Ermitteln einer Ausprägung (x,,) wenigstens einer Einrichtung (j) einer zu prüfenden Einheit (x) einer Gattung von Einheiten (X), welche eine Mehrzahl an verschiedenen Einrichtungen (1 <j<k) aufweisen, insbesondere eines Fahrzeugs oder Motors, folgende Arbeitsschritte aufweisend:
Betreiben (301 ) der zu prüfenden Einheit (x) in einem definierten Betriebszyklus (B);
Aufzeichnen (304) eines Datensatzes (Yx), insbesondere wenigstens einer Datenspalte einer Datenmatrix, von Beobachtungsgrößen (yi<r<R) auf der Grundlage des Betriebs der zu prüfenden Einheit (X);
Bestimmen (307), auf der Grundlage des Datensatzes (Yx) der zu prüfenden Einheit (x), einer Ausprägung (x,,) der wenigstens einen Einrichtung (j) mittels eines Transformationsmodells (TM), welches eine Zuordnungsvorschrift zwischen Beobachtungsgrößen (r) und einer Eigenschaft (X,) zu analysierender Einrichtungen (j) aufweist, wobei das Transformationsmodell (TM) auf einer Ausgleichsrechnung bezüglich Simulationsergebnissen beruht, welche aus mehreren Betriebs-Simulationen des definierten Betriebszyklus (B) mittels eines
Modells, in welchem wenigstens zu analysierende Einrichtungen (j) als virtuelle Einrichtungen, insbesondere die gesamte Einheit (x) als virtuelle Einheit, abgebildet sind, mit jeweils unterschiedlicher Konfiguration (xn) der Einheiten (X) resultieren, wobei jede Konfiguration (xn) durch eine Ausprägung (xnj) einer Eigenschaft (X,) wenigstens einer Einrichtung (j) charakterisiert ist; und
Ausgeben (308) der Ausprägung (x,,) der wenigstens einen Einrichtung (j).
12. Verfahren (300) nach einem der Ansprüche 1 bis 1 1 , des Weiteren folgende Arbeitsschritte aufweisend: Aufzeichnen (303) eines Verlaufs eines realen Betriebszyklus auf der Grundlage des Betreibens (301 ); wobei der reale Betriebszyklus der definierte Betriebszyklus (B) zum Erzeugen des Transformationsmodells (TM) ist.
13. Verfahren (100, 300) einem der Ansprüche 1 bis 12, des weiteren folgende Arbeitsschritte aufweisend:
Zeitliches Anpassen (105-3, 306-1 ) des Datensatzes (Yx) der zu prüfenden Einheit (x) mit dem Transformationsmodell (TM) und/oder Anpassen (105-4, 306-2) der Sample-Rate des Datensatzes (Yx) der zu prüfenden Einheit (x) an das Transformationsmodell (TM).
14. Verfahren nach einem der Ansprüche 1 bis 13, des weiteren folgenden Arbeitsschritt aufweisend: Überprüfen (110-1 , 302-1) wenigstens einer Triggerbedingung in Bezug auf den während des definierten Betriebszyklus (B) aufgezeichneten Datensatz (Yx) der zu prüfenden Einheit (X), insbesondere ob wenigstens eine Beobachtungsgröße (r) einen vordefinierten Wert oder eine vordefinierte Wertekombination, vorzugsweise einen Betriebszustand, annimmt, welcher oder welche wenigstens einem Ausschnitteines Datenbereichs ( ) entspricht, für welchen eine Korrelation zu den Ausprägungen (xnj) einer Eigenschaft (Xj) der wenigstens einen Einrichtung (j) besteht;
wobei die Arbeitsschritte des Anwendens (1 11 ) des Transformationsmodells (TM) und/oder des Aufzeichnens (104, 304) und/oder des Bestimmens (307) einer Ausprägung (x,,) nur dann ausgeführt werden, wenn die wenigstens eine
Triggerbedingung erfüllt ist.
15. Verfahren (100, 200, 300) nach einem der Ansprüche 1 bis 14, wobei das Anwenden (1 1 1) eines Transformationsmodells oder das Betreiben (301 ) der zu prüfenden Einheit (x) ausschließlich in Abschnitten des definierten Betriebszyklus (B), insbesondere in Betriebszuständen, durchgeführt wird, in welchen eine Korrelation von Beobachtungsgrößen (r) zu den Ausprägungen (xnj) einer Eigenschaft der Einrichtungen (X) der Gattung besteht.
16. Verfahren (100, 200, 300) nach einem der Ansprüche 1 bis 15, des Weiteren den folgenden Arbeitsschritt aufweisend:
Überprüfen (110-2, 302-2), ob ein OBD-Ereignis auftritt, wobei die Arbeitsschritte des Anwendens (1 11 ) und/oder des Aufzeichnens (104, 304) und/oder des Bestimmens (307) nur dann ausgeführt werden, wenn ein OBD-Ereignis auftritt, insbesondere über einen definierten Zeitraum vor und/oder nach dem OBD- Ereignis.
17. Verfahren (100, 200, 300) nach Ansprüche 1 bis 16, des Weiteren wenigstens einen der folgenden Arbeitsschritte aufweisend, welche vorzugsweise periodisch oder nutzungsspezifisch durchgeführt werden:
Einstellen (1 13-1 , 309-1) eines Kalibrierparameters, insbesondere
Lernparameters, in einem Steuergerät (ECU) der zu prüfenden Einheit (x), wenn die ausgegebene Ausprägung (x,,) in Bezug auf wenigstens eine Eigenschaft (X,) außerhalb eines vorgegebenen Bereichs liegt; und/oder
Bestimmen (1 13-2, 309-2) eines Austauschtermins eines Bauteils einer Einrichtung (j) oder der Einrichtung (j) selbst auf der Grundlage der ausgegebenen Ausprägung (x,,); und/oder
Bestimmen (1 13-3, 309-3) eines Servicetermins der zu prüfenden Einheit (x) oder einer Einrichtung (j) auf der Grundlage der ausgegebenen Ausprägung (x,,); und/oder
Rücksetzen (113-4, 309-4) einer OBD-Indikation, wenn die ausgegebene Ausprägung (x,,) der wenigstens einen Einrichtung (j) in Bezug auf wenigstens eine Eigenschaft (j) innerhalb eines vorgegebenen Bereichs liegt.
18. Verfahren (100, 200, 300) nach einem der Ansprüche 1 bis 17, wobei eine Mehrzahl von Einrichtungen (1 <j<k) der zu prüfenden Einheit (x) analysiert wird, des Weiteren folgenden Arbeitsschritt aufweisend: Bestimmen (1 13-5, 309-5) einer fehlerhaften oder funktionierenden Einrichtung (j) der Mehrzahl an Einrichtungen (j), wobei die Ausprägungen (xnj) der Einrichtungen (j) verwendet werden, wobei eine Einrichtung (j) insbesondere dann fehlerhaft ist, wenn die ausgegebene Ausprägung (x,,) der Einrichtung (j) in Bezug auf wenigstens eine Eigenschaft (X,) außerhalb eines vorgegebenen Bereichs liegt.
19. Verfahren (100, 200, 300) nach einem der Ansprüche 1 bis 18, des Weiteren die folgenden Arbeitsschritte aufweisend: Übermitteln (1 11 , 305) des Datensatzes (Yx) von Beobachtungsgrößen (r) der zu prüfenden Einheit (x) an einen Zentralrechner; wobei eine Datenverarbeitung, insbesondere wobei die Arbeitsschritte des Einlesens (209) der ausgewählten Datenbereiche (q), des Anwendens (11 1 ) des Transformationsmodells (TM) und/oder des Bestimmens (307) einer Ausprägung (xnj) auf dem Zentralrechner durchgeführt werden;
Ausgeben (11 1 , 308) der Ausprägung (xnj) und/oder des Transformationsmodells (TM), insbesondere eines Regressionsmodells, durch den Zentralrechner.
20. Verfahren (100, 200, 300) nach einem der Ansprüche 1 bis 19, wobei der definierte Betriebszyklus (B) ein Conformity-of-Production-Zyklus oder ein End-of- Line-Zyklus ist, bei welchem die zu prüfende Einheit (x), insbesondere unmittelbar nach der Produktion, von außen betrieben wird.
21. Verfahren (100, 200, 300) nach einem der vorhergehenden Ansprüche 1 bis 20, wobei die Ausgleichsrechnung und/oder das Transformationsmodell (TM) auf einem Regressionsmodell, insbesondere einem künstlichen neuronalen Netz (KNN), basieren.
22. Computerprogramm, das Anweisungen umfasst, welche, wenn sie von einem Computer ausgeführt werden, diesen dazu veranlassen, die Schritte eines Verfahrens gemäß einem der Ansprüche 1 bis 21 auszuführen.
23. Computer-lesbares Medium, auf dem ein Computerprogramm nach Anspruch 22 gespeichert ist.
24. Datenfolge, welche ein Transformationsmodell (TM) zur simulations-basierten Analyse wenigstens einer Einrichtung (j) einer zu prüfenden Einheit (x) einer
Gattung von Einheiten (X), welche eine Mehrzahl an verschiedenen Einrichtungen (1 <j<k) aufweist, charakterisiert, wobei das Transformationsmodell (TM) für einen definierten Betriebszyklus (B) der Gattung von Einheiten (X) eine Zuordnungsvorschrift zwischen Beobachtungsgrößen (1 <r<R) und einer Eigenschaft (Xj) wenigstens einer Einrichtung (j) aufweist,
wobei das Transformationsmodell (TM) auf einer Ausgleichsrechnung bezüglich Simulationsergebnissen beruht, welche aus mehreren Betriebs-Simulationen des definierten Betriebszyklus (B) mittels eines Modells, in welchem wenigstens zu analysierende Einrichtungen (j) als virtuelle Einrichtungen, insbesondere die gesamte Einheit (x) als virtuelle Einheit, abgebildet sind, mit jeweils unterschiedlicher Konfiguration (xn) der Einheiten (X) resultieren, wobei jede Konfiguration (xn) durch eine Ausprägung (xnj) einer Eigenschaft (Xj) wenigstens einer Einrichtung (j) charakterisiert ist.
25. System (20) zum simulations-basierten Trainieren eines Transformationsmodells
(TM), insbesondere eines künstlichen neuronalen Netzes (KNN), zur Charakterisierung von Einheiten (x) einer Gattung von Einheiten (X), welche eine Mehrzahl an verschiedenen Einrichtungen (1 <j<k) aufweisen, insbesondere eines Fahrzeugs oder Motors, aufweisend:
Mittel zum Simulieren (21) eines Betriebs einer Einheit (X) der Gattung in einem definierten Betriebszyklus (B) mittels eines Modells, in welchem wenigstens eine Einrichtung (j) als virtuelle Einrichtung, insbesondere die gesamte Einheit (x) als virtuelle Einheit, abgebildet ist, wobei das Simulieren mehrmals mit jeweils unterschiedlicher Konfiguration (xn) durchgeführt wird, wobei jede Konfiguration (xn) durch eine Ausprägung (xnj) wenigstens einer Eigenschaft (Xj) wenigstens einer der Einrichtungen (j) charakterisiert ist; Mittel zum Aufzeichnen (22), insbesondere einen Datenspeicher, von
Datensätzen (Yn), insbesondere Datenmatrizen, von Beobachtungsgrößen (r) der simulierten Einheiten (X);
Mittel zum Auswählen (23) von Datenbereichen (q) aus den Datensätzen (Yn), insbesondere aus Datenspalten von Datenmatrizen, für welche eine Korrelation von Beobachtungsgrößen (r) zu den zum Simulieren eingesetzten Ausprägungen
(Xnj) einer Eigenschaft (Xj) der wenigstens einen Einrichtung (j) feststellbar ist, insbesondere mittels einer statistischen Methode; und
Mittel zum Ausgeben (24), insbesondere eine Datenschnittstelle, der ausgewählten Datenbereiche (q) und der korrelierenden Ausprägungen (xnj) und vorzugsweise auch wenigstens jener Bereiche des definierten Betriebszyklus (B), welche den ausgewählten Datenbereichen (q) entsprechen, in eine Ausgleichsrechnung, welche die Grundlage für das Transformationsmodell (TM) bildet.
26. System (10) zur simulations-basierten Analyse wenigstens einer Einrichtung (j) einer zu prüfenden Einheit (x) einer Gattung von Einheiten (X), welche eine Mehrzahl an verschiedenen Einrichtungen (1 <j<k) aufweisen, insbesondere eines Fahrzeugs oder Motors, aufweisend:
Mittel zum Simulieren (1 1) eines Betriebs einer Einheit (X) der Gattung in einem definierten Betriebszyklus (R) mittels eines Modells, in welchem wenigstens die zu analysierenden Einrichtungen (j) als virtuelle Einrichtungen, insbesondere die gesamte Einheit (x) als virtuelle Einheit, abgebildet sind, wobei das Simulieren mehrmals mit jeweils unterschiedlicher Konfiguration (xn) der Einheiten (X) durchgeführt wird, und wobei jede Konfiguration (xn) durch eine Ausprägung (xnj) einer Eigenschaft (Xj) wenigstens einer Einrichtung (j) charakterisiert ist;
Mittel zum Aufzeichnen (12), insbesondere einen Datenspeicher, von Datensätzen (Yn), insbesondere Datenmatrizen, von Beobachtungsgrößen (r) der simulierten Einheiten (X);
Mittel zum Auswählen (13) von Datenbereichen (q) aus den Datensätzen (Yn), insbesondere aus Datenspalten von Datenmatrizen, für welche eine Korrelation zu den zum Simulieren eingesetzten Ausprägungen (xnj) einer Eigenschaft (Xj) der zu analysierenden Einrichtungen (j) feststellbar ist, insbesondere mittels einer statistischen Methode;
Mittel zum Durchführen (15) einer Ausgleichsrechnung auf der Grundlage der ausgewählten Datenbereiche (q) und der korrelierenden Ausprägungen (xnj); und
Mittel zum Anwenden (16) eines Transformationsmodells (TM) auf der Grundlage der Ausgleichsrechnung, wobei das Transformationsmodell (TM) eine Zuordnungsvorschrift zwischen Beobachtungsgrößen (r) und einer Eigenschaft (Xj) wenigstens einer Einrichtung (j) aufweist, wobei das Transformationsmodell (TM) eingerichtet ist, auf der Grundlage von wenigstens einem an der zu prüfenden Einheit (x) in dem definierten Betriebszyklus (B) aufgezeichneten Datensatz eine Ausprägung (xnj) der wenigstens einen zu analysierenden Einrichtung (j) auszugeben.
27. System (30) zum simulations-basierten Ermitteln einer Ausprägung (x,,) wenigstens einer Einrichtung (j) einer zu prüfenden Einheit (x) einer Gattung von Einheiten (X), welche eine Mehrzahl an verschiedenen Einrichtungen (1 <j<k) aufweisen, insbesondere eines Apparats, vorzugsweise eines Fahrzeugs oder Motors, folgende Arbeitsschritte aufweisend: Mittel (32) zum Aufzeichnen, insbesondere ein Datenspeicher, eines Datensatzes (Yx), insbesondere wenigstens einer Datenspalte einer Datenmatrix, von Beobachtungsgrößen (r) in Bezug auf die zu prüfende Einheit (x);
Mittel (33) zum Bestimmen, auf der Grundlage des Datensatzes (Yx), einer Ausprägung (x,,) mittels eines Transformationsmodells (TM), welches eine
Zuordnungsvorschrift zwischen Beobachtungsgrößen (yr) und einer Eigenschaft (Xj) zu analysierender Einrichtungen (j) aufweist, wobei das
Transformationsmodell (TM) auf einer Ausgleichsrechnung bezüglich Simulationsergebnissen beruht, welche aus mehreren Betriebs-Simulationen des definierten Betriebszyklus (B) mittels eines Modells, in welchem wenigstens zu analysierende Einrichtungen (j) als virtuelle Einrichtungen, insbesondere die gesamte Einheit (x) als virtuelle Einheit, abgebildet sind, mit jeweils unterschiedlicher Konfiguration (xn) der Einheiten (X) resultieren, wobei jede Konfiguration (xn) durch eine Ausprägung (xnj) einer Eigenschaft (Xj) wenigstens einer Einrichtung (j) charakterisiert ist; und
Mittel (34) zum Ausgeben, insbesondere eine Datenschnittstelle, der Ausprägung (x,<j) der wenigstens einen Einrichtung (j).
28. System nach Anspruch 27, des Weiteren Mittel zum Betreiben (31), insbesondere einen Prüfstand, der zu prüfenden Einheit (x) in einem definierten Betriebszyklus
(B) aufweisend.
EP19709362.8A 2018-02-07 2019-02-07 Verfahren und system zur analyse wenigstens einer einrichtung einer einheit, welche eine mehrzahl an verschiedenen einrichtungen aufweist Pending EP3750089A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102018201933.9A DE102018201933A1 (de) 2018-02-07 2018-02-07 Verfahren und System zur Analyse wenigstens einer Einrichtung einer Einheit, welche eine Mehrzahl an verschiedenen Einrichtungen aufweist
PCT/AT2019/060046 WO2019153026A1 (de) 2018-02-07 2019-02-07 Verfahren und system zur analyse wenigstens einer einrichtung einer einheit, welche eine mehrzahl an verschiedenen einrichtungen aufweist

Publications (1)

Publication Number Publication Date
EP3750089A1 true EP3750089A1 (de) 2020-12-16

Family

ID=65686650

Family Applications (1)

Application Number Title Priority Date Filing Date
EP19709362.8A Pending EP3750089A1 (de) 2018-02-07 2019-02-07 Verfahren und system zur analyse wenigstens einer einrichtung einer einheit, welche eine mehrzahl an verschiedenen einrichtungen aufweist

Country Status (3)

Country Link
EP (1) EP3750089A1 (de)
DE (1) DE102018201933A1 (de)
WO (1) WO2019153026A1 (de)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018222519A1 (de) * 2018-12-20 2020-06-25 Zf Friedrichshafen Ag Verfahren zum Bestimmen von Bauteil - oder Baugruppentoleranzen
DE102019128655B4 (de) 2019-10-23 2021-11-25 Technische Universität Ilmenau Verfahren zur Bereitstellung einer rechnergestützten Steuerung für ein technisches System
AT523093A1 (de) * 2019-11-12 2021-05-15 Avl List Gmbh Verfahren und System zum Analysieren und/oder Optimieren einer Konfiguration einer Fahrzeuggattung
BR112022013947A2 (pt) * 2020-01-16 2022-09-20 Inventio Ag Método para documentação digital e simulação de componentes instalados em uma instalação de transporte de passageiros
AT525949B1 (de) 2022-02-22 2024-05-15 Avl List Gmbh Verfahren zum Bestimmen einer Konzentration eines Gases in einem Gaspfad einer Brennkraftmaschine
DE102022134771A1 (de) 2022-12-23 2024-07-04 Rolls-Royce Solutions GmbH Verfahren und Steuereinrichtung zum Betreiben einer technischen Einrichtung sowie technische Einrichtung mit der Steuereinrichtung
AT527473A1 (de) * 2024-01-04 2025-01-15 Avl List Gmbh Verfahren und System zur indirekten Messung wenigstens eines physikalischen Parameters

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170358154A1 (en) * 2016-06-08 2017-12-14 Hitachi, Ltd Anomality Candidate Information Analysis Apparatus and Behavior Prediction Device

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7635043B2 (en) * 1991-07-09 2009-12-22 Automotive Technologies International, Inc. Crash sensor arrangement for controlling deployment of an occupant restraint device
US7549327B2 (en) * 2001-02-16 2009-06-23 Automotive Technologies International, Inc. Tire-mounted energy generator and monitor
US7499777B2 (en) * 2005-04-08 2009-03-03 Caterpillar Inc. Diagnostic and prognostic method and system
US7328625B2 (en) * 2005-04-28 2008-02-12 Caterpillar Inc. Systems and methods for determining fatigue life
US7483774B2 (en) * 2006-12-21 2009-01-27 Caterpillar Inc. Method and system for intelligent maintenance
JP6323121B2 (ja) 2014-03-31 2018-05-16 株式会社デンソー 未知データ分析装置
US20170249788A1 (en) * 2016-01-13 2017-08-31 Donald Remboski Accurate application approval

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170358154A1 (en) * 2016-06-08 2017-12-14 Hitachi, Ltd Anomality Candidate Information Analysis Apparatus and Behavior Prediction Device

Also Published As

Publication number Publication date
WO2019153026A1 (de) 2019-08-15
DE102018201933A1 (de) 2019-08-08

Similar Documents

Publication Publication Date Title
WO2019153026A1 (de) Verfahren und system zur analyse wenigstens einer einrichtung einer einheit, welche eine mehrzahl an verschiedenen einrichtungen aufweist
AT518850B1 (de) Verfahren zur simulationsbasierten Analyse eines Kraftfahrzeugs
DE102020103768A1 (de) Überwachung und Diagnose von Fahrzeugsystemproblemen mit Maschinenlern-Klassifikatoren
EP3721199B1 (de) Prüfstand und verfahren zur durchführung eines prüfversuchs
DE112008001654T5 (de) System und Verfahren für virtuelle Sensoren
AT520827B1 (de) Verfahren zum Bestimmen eines Fahrzeugparameters eines Fahrzeugdatensatzes eines Fahrzeugs und Verwendung des Fahrzeugparameters an einem Prüfstand
WO2013131836A2 (de) Verfahren zur emissionsoptimierung von verbrennungskraftmaschinen
DE102019217613A1 (de) Verfahren zur diagnose eines motorzustands und diagnostisches modellierungsverfahren dafür
DE102017105469A1 (de) Hardware-in-the-loop System und Verfahren zur Bedatung einer Steuerung eines Verbrennungsmotors
DE102020106880A1 (de) Verfahren und Vorrichtung zum Kalibrieren eines Steuer- und Regelvorrichtungssystems zur Steuer- und Regelung eines Betriebszustandes
DE102022210276A1 (de) Verfahren zur Erkennung von Defekten in einem System
DE102016125538A1 (de) Verfahren zum Verifizieren von Aktuator-Steuerungsdaten
DE102008057494A1 (de) Verfahren zum Betrieb eines Verbrennungsmotors
DE102006045785A1 (de) Verfahren zur Selbstdiagnose von Versuchsanordnungen sowie Versuchsanordnung, insbesondere Prüfstand
DE102005020821A1 (de) Verfahren zur vereinfachten Echtzeitdiagnose unter Verwendung adaptiver Modellierung
DE102017106943A1 (de) Verfahren und Anordnung zur Simulation von Fahrversuchen
WO2018178196A1 (de) Verfahren zur bestimmung einer schädigungsmassunsicherheit eines kraftfahrzeugs
EP1878900A2 (de) Verfahren zur Diagnose von fehlerhaften Betriebszuständen einer Brennkraftmaschine
EP3132322B1 (de) Verfahren zur diagnose eines kraftfahrzeugsystems, diagnosegerät für ein kraftfahrzeugsystem, steuergerät für ein kraftfahrzeugsystem und kraftfahrzeug
WO2006056355A2 (de) Diagnose- und servicesystem für ein kraftfahrzeug
WO2018177526A1 (de) Robustheitsanalyse bei fahrzeugen
DE102019131722B3 (de) Verfahren zur Steuerung oder Regelung einer Klimatisierung eines Fahrzeugs
DE102017111455A1 (de) Verfahren zur Prüfung einer durch ein Steuergerät gesteuerten Maschine
DE102019218476A1 (de) Vorrichtung und Verfahren zum Messen, Simulieren, Labeln und zur Bewertung von Komponenten und Systemen von Fahrzeugen
DE102019006719A1 (de) Verfahren und System zum Überwachen einer funktionalen Sicherheit einer Antriebskomponente

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20200904

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

AX Request for extension of the european patent

Extension state: BA ME

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
P01 Opt-out of the competence of the unified patent court (upc) registered

Effective date: 20230503

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20230627