EP3774487A1 - Verfahren und vorrichtung zur diagnose und überwachung von fahrzeugen, fahrzeugkomponenten und fahrwegen - Google Patents

Verfahren und vorrichtung zur diagnose und überwachung von fahrzeugen, fahrzeugkomponenten und fahrwegen

Info

Publication number
EP3774487A1
EP3774487A1 EP19727863.3A EP19727863A EP3774487A1 EP 3774487 A1 EP3774487 A1 EP 3774487A1 EP 19727863 A EP19727863 A EP 19727863A EP 3774487 A1 EP3774487 A1 EP 3774487A1
Authority
EP
European Patent Office
Prior art keywords
signals
characteristic value
vehicle
characteristic
probability
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
EP19727863.3A
Other languages
English (en)
French (fr)
Inventor
Daniela DEJACO
Bernhard Lukas GIRSTMAIR
Gerald Grabner
Andreas Haigermoser
Justinian Rosca
Johannes Simon
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.)
Siemens Mobility Austria GmbH
Original Assignee
Siemens Mobility Austria 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 Siemens Mobility Austria GmbH filed Critical Siemens Mobility Austria GmbH
Publication of EP3774487A1 publication Critical patent/EP3774487A1/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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L15/00—Indicators provided on the vehicle or train for signalling purposes
    • B61L15/0081—On-board diagnosis or maintenance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
    • B61L27/53—Trackside diagnosis or maintenance, e.g. software upgrades for trackside elements or systems, e.g. trackside supervision of trackside control system conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L27/00—Central railway traffic control systems; Trackside control; Communication systems specially adapted therefor
    • B61L27/50—Trackside diagnosis or maintenance, e.g. software upgrades
    • B61L27/57—Trackside diagnosis or maintenance, e.g. software upgrades for vehicles or trains, e.g. trackside supervision of train conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station

Definitions

  • the invention relates to a method for diagnosing and monitoring vehicles, vehicle components, routes and track components, in particular for rail vehicles and infrastructures of rail vehicles, wherein by means of at least one first sensor measurements are performed and by means of at least one arithmetic unit
  • Another important factor is the effective and efficient maintenance and servicing of vehicles and infrastructures.
  • Rail vehicle detected and supplied to characterize a driving behavior of the rail vehicle, the operating parameters of a monitoring hierarchy.
  • the invention is therefore based on the object, a developed over the prior art, especially
  • this object is achieved with a method of the type mentioned, in which at least one arithmetic unit is supplied with at least measured first signals,
  • At least one first parameter is formed from the at least first signals
  • the at least one first characteristic value or at least one first characteristic value combination is classified by means of at least one first statistical model or a prediction is carried out on the basis of the at least first characteristic value or the at least first characteristic value combination, and wherein at least one technical first state indicator with respect to at least one first vehicle component or at least one infrastructure component of at least one
  • Classification result or from at least one
  • Characteristics is carried out by means of statistical models. This means that e.g. erroneous or error-free states or a faulty or error-free behavior of a vehicle component (for example a damper) or a faulty or error-free behavior
  • Track component (e.g., a track) no longer needs to be detected on the basis of rigid limits, but that, for example, limit values or threshold curves etc. depending on operating conditions of a vehicle or infrastructure, a failure behavior of a vehicle or infrastructure component o.ä. are customizable.
  • Condition indicators may be e.g. out
  • At least first statistical model is formed by means of a machine learning method.
  • the at least first statistical model is formed on the basis of an adjustment calculation.
  • a favorable solution is achieved if the at least first status indicator has a first probability value for entry by the at least one
  • Prediction result is assigned to be indexed technical condition.
  • Violations of these limits or these threshold curves etc. can be made. These probabilities may be formed, for example, based on frequencies of said violations.
  • Characteristics one to n3 state indicators are formed with one to n4 probability values, each of the one to n3 state indicators one of the one to n4
  • Probability values are assigned and from the one to n4 probability values a combination status indicator is formed with an associated combination probability value.
  • the combination status indicator can be formed, for example, by means of a probabilistic graphical model.
  • Condition indication by means of the second state indication (and vice versa) plausibility and hedged.
  • Diagnosis and / or monitoring device of a vehicle can be used.
  • warning events, status or error outputs, etc. can take place.
  • These can be used, for example, as visual and / or audible warnings and / or status information or monitoring and / or diagnostic information is output in a cab of the vehicle.
  • the invention is based on
  • FIG. 1 A flowchart for an exemplary embodiment
  • FIG. 2 A result diagram with by means of a
  • Fig. 3 A rail vehicle with sensors, a
  • Embodiment variant of a method according to the invention, partially computer-implemented method is in a computing unit 10, which in a car body 21 one in Fig. 3rd
  • arranged rail vehicle is arranged
  • a first sensor 1 which measures accelerations of the chassis frame 22, i. is designed as an acceleration sensor. Furthermore, a sensor 2 designed as a temperature sensor is connected to a damper 24 of the chassis 23 and is as
  • Strain gauge formed third sensor 3 on a spring 28 of the chassis 23 is arranged.
  • the second sensor 2 measures damper temperatures, the third sensor 3 deformations of the spring 28th
  • the first sensor 1, the second sensor 2 and the third sensor 3 continuously perform measurements.
  • the first sensor 1, the second sensor 2, the third sensor 3 and the arithmetic unit 10 are supplied with electricity via a power supply device, not shown.
  • the arithmetic unit 10 which is connected to the first sensor 1, the second sensor 2 and the third sensor 3, there is a current signal processing 11 and evaluation of continuously detected first signals 4 of the first sensor 1, second signals 5 of the second sensor 2 and third signals 6 of the third sensor 3.
  • the signal processing 11 comprises a storage of the first signals 4, the second signals 5 and the third signals 6 and their preparation for the evaluation processes.
  • the first signals 4 and the first reference signals are acceleration signals of the
  • Chassis frame 22 the second signals 5 and the second reference signals to temperature signals of the damper 24, the third signals 6 and the third
  • Signals 6 third characteristic values formed (characteristic value determination 12). Temporally before the first characteristic values, the second characteristic values and the third characteristic values become from the first
  • Reference parameters 9 are statistical
  • Time periods are the characteristics associated with the reference characteristics, i. the first characteristic values are on the same path and time segments as the first reference parameters 7
  • the second characteristics on the same way and Time segments such as the second reference characteristic values 8 and the third characteristic values correspond to the same path and time segments as the third reference characteristic values 9.
  • the first characteristic values, the second characteristic values and the third characteristic values are inserted into a first statistical model 15, a second statistical model 16 and into further statistical models which are implemented in the arithmetic unit 10 and are continuously classified and predicted by means of these statistical models (Classification 13 and
  • the first statistical model 15 and the second statistical model 16 are formed by means of a method of machine learning, the so-called Support Vector Machine.
  • Embodiment of a method according to the invention used in a linear binary variant to classify characteristic values or characteristic value combinations.
  • the first statistical model 15 will be out of the first
  • the first reference characteristics 7, the second reference characteristics 8 and the third reference characteristics 9 thus function as learning data for the first statistical model 15 and the second statistical model 16.
  • Dampers 24 may vary depending on the
  • the first statistical model 15 is based on
  • Reference characteristic combinations ie pairings from first Reference characteristics 7 and second reference characteristics 8, which in the second acceleration interval and the second
  • State area 25 the second state area 26 and the separation line 27, which are shown diagrammatically in FIG. 2, can be localized via vectors.
  • the separation line 27 is formed from the reference value combinations in a manner such that normal distances from the
  • Separation line 27 to the reference characteristic combinations of the first state area 25 are mathematically negative and normal distances from the separation line 27 to the
  • Reference characteristic combinations of the second state region 26 are mathematically positive. A corresponding
  • inventive method is additionally provided, statistical models based only on a
  • Reference characteristic value category (e.g., based on the second reference characteristics 8 and their temporal behavior, etc.), i. do not use reference characteristic combinations. This can also damper states
  • the second statistical model 16 is formed according to the scheme described above, which is also used to form the first statistical model 15. However, the formation of the second statistical model 16 will be
  • Chassis frame 22 in combination with deformations
  • inventive method is additionally provided, the classification 13 not only on the basis of
  • Characteristic combinations but also on the basis of individual characteristics (for example, the second characteristic values and their temporal behavior) to perform.
  • the second characteristic values are used in that statistical model which is formed by means of the second reference characteristic values 8 without the use of reference characteristic value combinations.
  • the prediction 14 is based on characteristic values.
  • linear regression functions are provided or implemented in the arithmetic unit 10. This
  • Regression functions are formed from the first characteristics, the second characteristics, and the third characteristics by means of educational rules known in the art and used to perform interpolations or extrapolations based on the characteristics.
  • regressions of the second characteristic values and of the first characteristic value combinations are dependent on the
  • Driving speed performed to a functional relationship between the second characteristics and the first characteristic combinations on the one hand and the driving speed on the other hand to be able to form.
  • maximum travel speeds can be determined, up to which the damper 24 can be operated without premature excessive wear, etc. occurs.
  • this exemplary embodiment of a method according to the invention involves allocations of characteristic values or
  • Prediction results are e.g. Forecasts of medium
  • a first state indicator is formed by a number of first characteristic combinations associated with the second state region 26 being set to a total number of first
  • Characteristic combinations i. is set in proportion. From this, a first probability value is formed, which gives a statement about how
  • the status indicator contains information "damper defective" with an associated probability for this damper defect.
  • Kennwertkombination a second state indicator relating to a spring defect with an associated second
  • the combination probability value P K is formed by means of a probabilistic graphical model based on a method of machine learning.
  • State indicator and the second state indicator indicates determined.
  • the combination probability value P K describes a probability of an actual occurrence of a failed condition of the damper 24 under a condition where an error is indicated by the first condition indicator and the second condition indicator.
  • the combination condition indicator will likely indicate a failure of the damper 24.
  • the first parameter P DF , the second parameter P F and the third parameter P D are continuously adapted via operating observations.
  • the second parameter P F is increased when increased over a defined period of time Frequency of a damper defect is observed.
  • the first state indicator is related to a first vehicle component (the damper 24) and the second state indicator relates to a second vehicle component (the spring 28).
  • the first state indicator and the second state indicator point to the first one
  • Generate signals e.g., temperature signals and oil pressure signals, etc.
  • the method according to the invention also becomes a third one
  • Kennwertkombinationen from continuously measured accelerations of the chassis frame 22 and measured speeds are assigned to the state areas, creating a Classification 13 of characteristic combinations takes place. From a frequency distribution corresponding
  • the third condition indicator is determined.
  • Data formed in the method step of the indicator combination 18 are used in a diagnostic and monitoring device implemented in the arithmetic unit 10 and continuously evaluated there. Furthermore, these data are shown for further evaluation via a shown in Fig. 3
  • Data transmission device 19 of the rail vehicle also continuously to a maintenance level, i. to one
  • FIG. 2 shows a diagram with a first state area 25, a second state area 26 and a separation line 27 of a first statistical model 15, which are also described in connection with FIG. 1, are formed on the basis of a support vector machine method and via which technical conditions of a damper 24 shown in Fig. 3 are evaluable.
  • Accelerations are plotted on an x-axis of the diagram, and damper temperatures on a y-axis.
  • the first state region 25 is a first function value 29 and a second function value 30 first
  • the second state area 26 is a third function value 31 and a fourth function value 32 first
  • the first function value 29, the second function value 30, the third function value 31 and the fourth function value 32 are formed from first characteristic combinations.
  • the first Characteristic combinations are in turn made up of first characteristic values relating to accelerations of one shown in FIG.
  • the first function value 29 and the second function value 30 have negative y 'coordinates
  • the third function value 31 and the fourth function value 32 have positive y' coordinates.
  • the first function value 29 and the second function value 30 are assigned to a favorable damper state, the third function value 31 and the fourth function value 32 to an unfavorable state of the damper 24.
  • a first condition indicator is formed, optionally indicating a damper defect.
  • Function values which are formed from second characteristic combinations, associated with corresponding state areas of a second statistical model 16 described in connection with FIG. 1.
  • the second characteristic combinations are, as mentioned in connection with FIG. 1, formed from the first characteristic values as well as from third characteristic values with respect to a deformation of a spring 28 shown in FIG. 3.
  • a second state indicator is formed from an accumulation of unfavorable spring states based on an assignment of acceleration-spring deformation function values to state regions, which optionally indicates a spring defect (eg more than three times a day when such spring states occur).
  • an assignment of the second characteristic values to state regions of a further statistical model is also present Base of a support vector machine method provided.
  • Steps of second reference parameters 8 described in connection with FIG. 1 are formed as a temperature-time relationship.
  • Second characteristic values which branch with increasing time increasing temperatures, which lie above a defined period of time above a temperature-time separating straight line formed especially for this further statistical model, indicate a damper defect or excessive damper wear.
  • a rail vehicle with a car body 21 and a chassis 23 is shown.
  • the chassis 23 has a damper 24, which is a primary damper, and a spring 28, which serves as a primary spring
  • a first sensor 1 for measuring accelerations of
  • Chassis frame 22 i. an acceleration sensor
  • a second sensor 2 which is designed as a temperature sensor, with the damper 24th
  • the spring 28 has a third sensor 3, which is designed as a strain gauge.
  • the first sensor 1, the second sensor 2 and the third sensor 3 are provided with a computing unit 10 in the car body 21
  • a roof area of the rail vehicle is a
  • Data transmission device 19 which is designed as a radio device and signal and current conducting with the
  • the Arithmetic unit 10 is connected, provided.
  • the data transmission device 19 also has a Global Positioning System unit
  • the arithmetic unit 10 is supplied with power via a vehicle electrical system (not shown) of the rail vehicle and in turn supplies the first sensor 1, the second sensor 2, the third sensor 3 and the data transmission device 19 with electricity.
  • a computer program product is installed, by means of which process steps of the method according to the invention according to FIG. 1, i. a
  • Monitoring device of the rail vehicle acts, certain status indicators are warning events
  • Rail vehicle to a display unit in a likewise not shown cab of the rail vehicle and transmitted there as warnings or status information (for example, to display a damper defect or a residual life of the damper 24).
  • Connection with this exemplary embodiment of a device according to the invention is a maintenance status, transmitted for further evaluation via a vehicle fleet.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
  • Vehicle Body Suspensions (AREA)

Abstract

Verfahren und Vorrichtung zur Diagnose und Überwachung von Fahrzeugen, Fahrzeugkomponenten und Fahrwegen Die Erfindung bezieht sich auf ein Verfahren und eine Vorrichtung zur Diagnose und Überwachung von Fahrzeugen, Fahrzeugkomponenten, Fahrwegen sowie Fahrwegkomponenten, wobei mittels zumindest eines ersten Sensors (1) Messungen durchgeführt werden und mittels zumindest einer Recheneinheit (10) eine Signalverarbeitung (11) erfolgt. Es wird vorgeschlagen, dass der zumindest einen Recheneinheit (10) zumindest gemessene erste Signale (4) zugeführt werden, dass aus den zumindest ersten Signalen (4) zumindest ein erster Kennwert gebildet wird, dass der zumindest erste Kennwert oder zumindest eine erste Kennwertkombination mittels zumindest eines ersten statistischen Modells (15) klassifiziert wird oder eine Prädiktion (14) durchgeführt wird, und dass zumindest ein technischer erster Zustandsindikator bezüglich zumindest einer ersten Fahrzeugkomponente oder zumindest einer Fahrwegkomponente bestimmt wird. Dadurch werden eine sichere Detektion von Fehlern, Schäden, übermäßigem Verschleiß etc. sowie eine effektive, zustandsorientierte Wartung von Fahrzeugen und Infrastrukturen erzielt.

Description

Verfahren und Vorrichtung zur Diagnose und Überwachung von Fahrzeugen, Fahrzeugkomponenten und Fahrwegen
Die Erfindung bezieht sich auf ein Verfahren zur Diagnose und Überwachung von Fahrzeugen, Fahrzeugkomponenten, Fahrwegen sowie Fahrwegkomponenten, insbesondere für Schienenfahrzeuge und Infrastrukturen von Schienenfahrzeugen, wobei mittels zumindest eines ersten Sensors Messungen durchgeführt werden und mittels zumindest einer Recheneinheit eine
Signalverarbeitung erfolgt.
Fahrzeuge, insbesondere Schienenfahrzeuge müssen eine hohe Fahrsicherheit aufweisen. Eine genaue Einschätzung und
Vorhersage von technischen Zuständen von Fahrzeugen,
Fahrwerken, Fahrwegen und weiteren Fahrzeug- sowie
Infrastrukturkomponenten ist daher wichtig.
Weiterhin bedeutend ist eine effektive und effiziente Wartung und Instandhaltung von Fahrzeugen und Infrastrukturen.
Aus dem Stand der Technik ist die DE 101 63 148 Al bekannt, welche ein Überwachungs- und Diagnoseverfahren für ein
Schienenfahrzeug zeigt, wobei Betriebsparameter des
Schienenfahrzeugs erfasst und zur Charakterisierung eines Fahrverhaltens des Schienenfahrzeugs die Betriebsparameter einer Überwachungshierarchie zugeführt werden.
Der genannte Ansatz weist in seiner bekannten Form den
Nachteil auf, dass zwar Messsignale mittels statistischer Verfahren ausgewertet werden, jedoch keine Bewertungen oder Prognosen von Auswertungsergebnissen unter Einsatz
statistischer Methoden ersichtlich sind.
Der Erfindung liegt daher die Aufgabe zugrunde, ein gegenüber dem Stand der Technik weiterentwickeltes, besonders
zuverlässiges Verfahren anzugeben.
Erfindungsgemäß wird diese Aufgabe gelöst mit einem Verfahren der eingangs genannten Art, bei dem der zumindest einen Recheneinheit zumindest gemessene erste Signale zugeführt werden,
bei dem aus den zumindest ersten Signalen zumindest ein erster Kennwert gebildet wird,
bei dem der zumindest erste Kennwert oder zumindest eine erste Kennwertkombination mittels zumindest eines ersten statistischen Modells klassifiziert wird oder eine Prädiktion auf Grundlage des zumindest ersten Kennwerts oder der zumindest ersten Kennwertkombination durchgeführt wird, und bei dem zumindest ein technischer erster Zustandsindikator bezüglich zumindest einer ersten Fahrzeugkomponente oder zumindest einer Fahrwegkomponente aus zumindest einem
Klassifikationsergebnis oder aus zumindest einem
Prädiktionsergebnis bestimmt wird.
Dadurch wird eine besonders sichere Detektion von Schäden sowie eine effektive, zustandsorientierte Wartung und
Instandhaltung von Fahrzeugen und Infrastrukturen erzielt, wobei von einer tolerablen bzw. vernachlässigbaren Anzahl an Fehlalarmen auszugehen ist.
Dies wird dadurch bewirkt, dass bei dem erfindungsgemäßen Verfahren eine Klassifikation oder eine Prädiktion von
Kennwerten oder Kombinationen aus unterschiedlichen
Kennwerten mittels statistischer Modelle durchgeführt wird. Das bedeutet, dass z.B. fehlerhafte oder fehlerfreie Zustände bzw. ein fehlerhaftes oder fehlerfreies Verhalten einer Fahrzeugkomponente (z.B. eines Dämpfers) oder einer
Fahrwegkomponente (z.B. eines Gleises) nicht mehr anhand von starren Grenzwerten detektiert werden müssen bzw. muss, sondern dass beispielsweise Grenzwerte oder Grenzwertverläufe etc. in Abhängigkeit von Betriebsbedingungen eines Fahrzeugs oder einer Infrastruktur, eines Ausfallsverhaltens einer Fahrzeug- oder Infrastrukturkomponente o.ä. anpassbar sind. Zustandsindikatoren können dabei z.B. aus
Häufigkeitsverteilungen von Klassifikationsergebnissen oder von Prädiktionsergebnissen bestimmt werden. Eine vorteilhafte Ausgestaltung erhält man, wenn das
zumindest erste statistische Modell mittels einer Methode maschinellen Lernens gebildet wird.
Durch diese Maßnahme wird mit zunehmender Menge an erfassten Betriebsdaten eine laufende Zuverlässigkeitsverbesserung bzw. -Steigerung des erfindungsgemäßen Verfahrens in Bezug auf eine Detektion und eine Bewertung technischer Zustände erzielt, da das erste statistische Modell auf Grundlage der Betriebsdaten trainiert wird und somit Fehlerzustände von fehlerfreien Zuständen mit zunehmender Zeit immer besser unterschieden werden können.
Es ist vorteilhaft, wenn das zumindest erste statistische Modell auf Grundlage einer Ausgleichungsrechnung gebildet wird .
Zur Klassifikation und/oder Prädiktion von Kennwerten sind somit im Zusammenhang mit dem erfindungsgemäßen Verfahren verschiedene statistische Modelle verfügbar, welche auch miteinander kombiniert werden können. Es ist also
beispielsweise nicht nur möglich, momentane Fehlerzustände zu detektieren, sondern auch Fehlerzustände durch Interpolation oder Extrapolation abzuschätzen, ein Erreichen von
Betriebsgrenzmaßen vorherzusagen etc.
Eine günstige Lösung wird erreicht, wenn dem zumindest ersten Zustandsindikator ein erster Wahrscheinlichkeitswert für ein Eintreten eines durch das zumindest eine
Klassifikationsergebnis oder das zumindest eine
Prädiktionsergebnis zu indizierenden technischen Zustands zugeordnet wird.
Durch diese Maßnahme werden Risiken in Bezug auf Fehlalarme weiter reduziert, da eine Detektion von Fehlerzuständen nicht nur auf Basis von Grenzwerten bzw. Grenzwertverläufen, sondern auch auf Grundlage von Wahrscheinlichkeiten für
Verletzungen dieser Grenzwerte oder dieser Grenzwertverläufe etc. vorgenommen werden kann. Diese Wahrscheinlichkeiten können z.B. auf Grundlage von Häufigkeiten der genannten Verletzungen gebildet werden.
Es ist weiterhin günstig, wenn aus Signalen von eins bis nl Signalkategorien und daraus ermittelten eins bis n2
Kennwerten eins bis n3 Zustandsindikatoren mit eins bis n4 Wahrscheinlichkeitswerten gebildet werden, wobei jedem der eins bis n3 Zustandsindikatoren einer der eins bis n4
Wahrscheinlichkeitswerte zugeordnet wird und aus den eins bis n4 Wahrscheinlichkeitswerten ein Kombinations- Zustandsindikator mit einem zugeordneten Kombinations- Wahrscheinlichkeitswert gebildet wird.
Der Kombinations-Zustandsindikator kann dabei beispielsweise mittels eines probabilistischen graphischen Modells gebildet werden .
Durch Einsatz von mehr als einem Zustandsindikator können technische Zustände mit besserer Qualität bewertet werden. Weist beispielsweise der erste Zustandsindikator bzw. eine erste Zustandsindikation mit einem hohen ersten
Wahrscheinlichkeitswert auf einen Fehler der ersten
Fahrzeugkomponente hin und drückt ein zweiter
Zustandsindikator bzw. eine zweite Zustandsindikation mit einem geringen zweiten Wahrscheinlichkeitswert einen Fehler einer zweiten Fahrzeugkomponente aus, so kann die erste
Zustandsindikation mittels der zweiten Zustandsindikation (und umgekehrt) plausibilisiert und abgesichert werden.
Eine vorteilhafte Ausgestaltung erhält man, wenn Daten aus zumindest einem Verfahrensschritt in einer bordeigenen
Diagnose- und/oder Überwachungseinrichtung eines Fahrzeugs eingesetzt werden. Beispielsweise können Kennwerte oder
Zustandsindikatoren eingesetzt werden.
In der bordeigenen Diagnose- und/oder Überwachungseinrichtung können eine weitere Auswertung und/oder eine Bildung von Warnereignissen, Status- bzw. Fehlerausgaben etc. erfolgen. Diese können beispielsweise als optische und/oder akustische Warnhinweise und/oder Statusinformationen bzw. Überwachungs- und/oder Diagnoseinformationen in einem Führerstand des Fahrzeugs ausgegeben werden.
Es ist jedoch auch günstig, wenn Daten aus zumindest einem Verfahrensschritt an eine infrastrukturseitige Einrichtung übertragen werden.
Durch diese Maßnahme kann eine landseitige Auswertung von Kennwerten, Zustandsindikatoren etc. erfolgen (z.B. in einem Wartungsstand) , wobei Daten ganzer Fahrzeugflotten
zusammengeführt und miteinander verglichen werden können.
Nachfolgend wird die Erfindung anhand von
Ausführungsbeispielen näher erläutert.
Es zeigen beispielhaft:
Fig. 1: Ein Flussdiagramm zu einer beispielhaften
Ausführungsvariante eines
erfindungsgemäßen Verfahrens, Fig . 2 : Ein Ergebnisdiagramm mit mittels einer
Support Vector Machine - Methode
bestimmten Klassifikationsergebnissen zu einer beispielhaften Ausführungsvariante des erfindungsgemäßen Verfahrens, und
Fig. 3: Ein Schienenfahrzeug mit Sensoren, einer
Recheneinheit und einer
Datenübertragungseinrichtung zur
Durchführung des erfindungsgemäßen
Verfahrens .
Eine in Fig. 1 schematisch dargestellte, beispielhafte
Ausführungsvariante eines erfindungsgemäßen, teilweise computerimplementierten Verfahrens ist in einer Recheneinheit 10, welche in einem Wagenkasten 21 eines in Fig. 3
dargestellten Schienenfahrzeugs angeordnet ist,
implementiert .
Auf einem Fahrwerksrahmen 22 eines Fahrwerks 23 des
Schienenfahrzeugs ist ein erster Sensor 1 vorgesehen, welcher Beschleunigungen des Fahrwerksrahmens 22 misst, d.h. als Beschleunigungssensor ausgeführt ist. Weiterhin ist ein als Temperatursensor ausgeführter zweiter Sensor 2 mit einem Dämpfer 24 des Fahrwerks 23 verbunden und ist ein als
Dehnungsmessstreifen ausgebildeter dritter Sensor 3 auf einer Feder 28 des Fahrwerks 23 angeordnet.
Der zweite Sensor 2 misst Dämpfertemperaturen, der dritte Sensor 3 Verformungen der Feder 28.
Der erste Sensor 1, der zweite Sensor 2 und der dritte Sensor 3 führen laufend Messungen durch.
Der erste Sensor 1, der zweite Sensor 2, der dritte Sensor 3 und die Recheneinheit 10 sind über eine nicht dargestellte Stromversorgungseinrichtung mit Elektrizität versorgt.
In der Recheneinheit 10, welche mit dem ersten Sensor 1, dem zweiten Sensor 2 und dem dritten Sensor 3 verbunden ist, erfolgt eine laufende Signalverarbeitung 11 und Auswertung von laufend erfassten ersten Signalen 4 des ersten Sensors 1, von zweiten Signalen 5 des zweiten Sensors 2 und von dritten Signalen 6 des dritten Sensors 3.
Weiterhin werden in Auswertevorgänge der Recheneinheit 10 bereits vorverarbeitete Referenzsignale einbezogen, d.h.
zeitlich vor den ersten Signalen 4 aufgezeichnete und
verarbeitete erste Referenzsignale, zeitlich vor den zweiten Signalen 5 aufgezeichnete und verarbeitete zweite
Referenzsignale sowie zeitlich vor den dritten Signalen 6 aufgezeichnete und verarbeitete dritte Referenzsignale. Die Signalverarbeitung 11 umfasst eine Speicherung der ersten Signale 4, der zweiten Signale 5 und der dritten Signale 6 sowie deren Vorbereitung auf die Auswertevorgänge.
Bei den ersten Signalen 4 und den ersten Referenzsignalen handelt es sich um Beschleunigungssignale des
Fahrwerksrahmens 22, bei den zweiten Signalen 5 und den zweiten Referenzsignalen um Temperatursignale des Dämpfers 24, bei den dritten Signalen 6 und den dritten
Referenzsignalen um Verformungssignale der Feder 28.
Aus den ersten Signalen 4 werden erste Kennwerte, aus den zweiten Signalen 5 zweite Kennwerte und aus den dritten
Signalen 6 dritte Kennwerte gebildet (Kennwertbestimmung 12). Zeitlich vor den ersten Kennwerten, den zweiten Kennwerten und den dritten Kennwerten werden aus den ersten
Referenzsignalen erste Referenzkennwerte 7, aus den zweiten Referenzsignalen zweite Referenzkennwerte 8 und aus den dritten Referenzsignalen dritte Referenzkennwerte 9 gebildet. Bei den ersten Kennwerten, den zweiten Kennwerten, den dritten Kennwerten, den ersten Referenzkennwerten 7, den zweiten Referenzkennwerten 8 und den dritten
Referenzkennwerten 9 handelt es sich um statistische
Kennwerte, in dieser beispielhaften Ausführungsvariante eines erfindungsgemäßen Verfahrens um Mittelwerte aus
Beschleunigungs- , Dämpfertemperatur- und
Federverformungsverläufen. Erfindungsgemäß ist es jedoch auch möglich, dass als statistische Kennwerte Minima, Maxima etc. gebildet werden.
Die statistischen Kennwerte beziehen sich auf definierte Wegabschnitte bzw. den Wegabschnitten über einen Zusammenhang mit einer Fahrgeschwindigkeit des Schienenfahrzeugs
zuordenbare Zeitabschnitte. Über diese Weg- bzw.
Zeitabschnitte sind die Kennwerte den Referenzkennwerten zugeordnet, d.h. die ersten Kennwerte sind auf dieselben Weg- und Zeitabschnitte wie die ersten Referenzkennwerte 7
bezogen, die zweiten Kennwerte auf dieselben Weg- und Zeitabschnitte wie die zweiten Referenzkennwerte 8 und die dritten Kennwerte auf dieselben Weg- und Zeitabschnitte wie die dritten Referenzkennwerte 9.
Die ersten Kennwerte, die zweiten Kennwerte und die dritten Kennwerte werden in ein erstes statistisches Modell 15, ein zweites statistisches Modell 16 sowie in weitere statistische Modelle, welche in der Recheneinheit 10 implementiert sind, eingesetzt und mittels dieser statistischen Modelle laufend klassifiziert und prädiziert (Klassifikation 13 und
Prädiktion 14 ) .
Das erste statistische Modell 15 und das zweite statistische Modell 16 werden mittels einer Methode maschinellen Lernens, der sogenannten Support Vector Machine gebildet.
Die Methode der Support Vector Machine ist aus dem Stand der Technik bekannt und wird für diese beispielhafte
Ausführungsvariante eines erfindungsgemäßen Verfahrens in einer linearen binären Variante eingesetzt, um Kennwerte bzw. Kennwertkombinationen zu klassifizieren.
Das erste statistische Modell 15 wird aus den ersten
Referenzkennwerten 7 sowie den zweiten Referenzkennwerten 8 und das zweite statistische Modell 16 aus den ersten
Referenzkennwerten 7 sowie den dritten Referenzkennwerten 9 gebildet bzw. trainiert. Die ersten Referenzkennwerte 7, die zweiten Referenzkennwerte 8 und die dritten Referenzkennwerte 9 fungieren also als Lerndaten für das erste statistische Modell 15 und das zweite statistische Modell 16.
Es ist beispielsweise aus einer vergangenen Beobachtung des Dämpfers 24 bekannt, dass, wenn der Fahrwerksrahmen 22 über längere Zeit, d.h. mit einer beobachteten Häufigkeit eine Beschleunigung in einem definierten ersten
Beschleunigungsintervall und der Dämpfer 24 über längere Zeit, d.h. mit einer beobachteten Häufigkeit eine Temperatur innerhalb eines definierten ersten Temperaturintervalls aufweisen, ein fehlerfreier Zustand des Dämpfers 24 vorliegt. Weiterhin ist aus der vergangenen Beobachtung des Dämpfers 24 bekannt, dass, wenn der Fahrwerksrahmen 22 über längere Zeit, d.h. mit einer beobachteten Häufigkeit eine Beschleunigung in einem definierten zweiten Beschleunigungsintervall und der Dämpfer 24 über längere Zeit, d.h. mit einer beobachteten Häufigkeit eine Temperatur innerhalb eines definierten zweiten Temperaturintervalls aufweisen, ein Schaden bzw. ein defekter oder fehlerhafter Zustand des Dämpfers 24 vorliegt.
Die Beschleunigungsintervalle und die Temperaturintervalle, welche einen fehlerhaften oder fehlerfreien Zustand des
Dämpfers 24 angeben, können sich in Abhängigkeit des
Betriebsverhaltens des Schienenfahrzeugs ändern. Wesentlich ist, dass der Dämpfer 24 beobachtet wird und dabei
Beschleunigungsintervalle und Temperaturintervalle mit fehlerhaften oder fehlerfreien Zuständen des Dämpfers 24 in Verbindung gebracht werden.
Das erste statistische Modell 15 ist auf Grundlage von
Kennwertkombinationen bzw. Referenzkennwertkombinationen gebildet, d.h. örtlich und zeitlich miteinander korrelierende Paarungen aus ersten Referenzkennwerten 7 und zweiten
Referenzkennwerten 8 geben, je nachdem, ob sie in dem ersten Beschleunigungsintervall oder in dem zweiten
Beschleunigungsintervall bzw. in dem ersten
Temperaturintervall oder in dem zweiten Temperaturintervall liegen, günstige oder ungünstige Zustände des Dämpfers 24 an.
Referenzkennwertkombinationen, welche einen günstigen
Dämpferzustand anzeigen (d.h. Paarungen aus ersten
Referenzkennwerten 7 und zweiten Referenzkennwerten 8, welche in dem ersten Beschleunigungsintervall und dem ersten
Temperaturintervall liegen) , definieren einen ersten
Zustandsbereich 25, welcher unterhalb einer Trenngeraden 27 liegt, einen ungünstigen Dämpferzustand anzeigende
Referenzkennwertkombinationen (d.h. Paarungen aus ersten Referenzkennwerten 7 und zweiten Referenzkennwerten 8, welche in dem zweiten Beschleunigungsintervall und dem zweiten
Temperaturintervall liegen) einen zweiten Zustandsbereich 26, welcher oberhalb der Trenngeraden 27 liegt. Der erste
Zustandsbereich 25, der zweite Zustandsbereich 26 und die Trenngerade 27, welche in Fig. 2 in Diagrammform dargestellt sind, sind über Vektoren lokalisierbar.
Die Trenngerade 27 wird aus den Referenzwertkombinationen in einer Weise gebildet, so dass Normalabstände von der
Trenngeraden 27 zu den Referenzkennwertkombinationen des ersten Zustandsbereichs 25 mathematisch negativ sind und Normalabstände von der Trenngeraden 27 zu den
Referenzkennwertkombinationen des zweiten Zustandsbereichs 26 mathematisch positiv sind. Eine entsprechende
Bildungsvorschrift für die Trenngerade 27 ist aus dem Stand der Technik bekannt und ist beispielsweise in Ethem A.,
Introduction to Machine Learning, Third Edition, The MIT Press Cambridge, Massachusetts, London, England, 2014
beschrieben .
In dieser beispielhaften Ausführungsvariante eines
erfindungsgemäßen Verfahrens ist zusätzlich vorgesehen, statistische Modelle nur auf Basis einer
Referenzkennwertkategorie (z.B. auf Grundlage der zweiten Referenzkennwerte 8 und ihrem zeitlichen Verhalten o.ä.) zu trainieren, d.h. keine Referenzkennwertkombinationen zu verwenden. Dadurch können Dämpferzustände auch dann
eingeschätzt werden, wenn z.B. auf von Sensordefekten nur eine Referenzkennwertkategorie verfügbar ist.
Das zweite statistische Modell 16 wird nach jenem oben beschriebenen Schema gebildet, welches auch zur Bildung des ersten statistischen Modells 15 eingesetzt wird. Zur Bildung des zweiten statistischen Modells 16 werden jedoch
Beschleunigungen und Beschleunigungsintervalle des
Fahrwerksrahmens 22 in Kombination mit Verformungen und
Verformungsintervallen der Feder 28 eingesetzt. Mittels des ersten statistischen Modells 15 und des zweiten statistischen Modells 16 wird die Klassifikation 13 von
Kennwerten durchgeführt.
Dabei werden aus den ersten Kennwerten und den zweiten
Kennwerten gebildete erste Kennwertkombinationen in
Abhängigkeit ihrer Lage bezüglich der Trenngerade 27 dem ersten Zustandsbereich 25 oder dem zweiten Zustandsbereich 26 des ersten statistischen Modells 15 zugeordnet.
Aus den ersten Kennwerten und den dritten Kennwerten
gebildete zweite Kennwertkombinationen werden nach selbem Schema entsprechenden Zustandsbereichen des zweiten
statistischen Modells 16 zugeordnet.
In dieser beispielhaften Ausführungsvariante eines
erfindungsgemäßen Verfahrens ist zusätzlich vorgesehen, die Klassifikation 13 nicht nur auf Basis von
Kennwertkombinationen, sondern auch auf Grundlage einzelner Kennwerte (z.B. der zweiten Kennwerte und ihrem zeitlichen Verhalten) durchzuführen. Hierzu werden beispielsweise die zweiten Kennwerte in jenes statistische Modell eingesetzt, das mittels der zweiten Referenzkennwerte 8 ohne Einsatz von Referenzkennwertkombinationen gebildet ist.
Mittels weiterer statistischer Modelle auf Basis einer
Ausgleichungsrechnung erfolgt die Prädiktion 14 auf Grundlage von Kennwerten. Hierfür sind aus dem Stand der Technik bekannte, lineare Regressionsfunktionen vorgesehen bzw. in der Recheneinheit 10 implementiert. Diese
Regressionsfunktionen werden aus den ersten Kennwerten, den zweiten Kennwerten und den dritten Kennwerten mittels aus dem Stand der Technik bekannter Bildungsvorschriften gebildet und dazu verwendet, um Interpolationen oder Extrapolationen auf Basis der Kennwerte vorzunehmen.
Beispielsweise werden Regressionen der zweiten Kennwerte und der ersten Kennwertkombinationen in Abhängigkeit der
Fahrgeschwindigkeit durchgeführt, um einen funktionellen Zusammenhang zwischen den zweiten Kennwerten und den ersten Kennwertkombinationen einerseits und der Fahrgeschwindigkeit andererseits bilden zu können. Dadurch können beispielsweise Maximal-Fahrgeschwindigkeiten bestimmt werden, bis zu welchen der Dämpfer 24 betrieben werden kann, ohne dass frühzeitig übermäßiger Verschleiß etc. eintritt.
Aus Häufigkeitsverteilungen von Klassifikationsergebnissen und Prädiktionsergebnissen werden folglich laufend
Zustandsindikatoren bestimmt (Indikatorenbestimmung 17).
Bei Klassifikationsergebnissen handelt es sich in dieser beispielhaften Ausführungsvariante eines erfindungsgemäßen Verfahrens um Zuordnungen von Kennwerten bzw.
Kennwertkombinationen zu Zustandsbereichen von statistischen Modellen .
Prädiktionsergebnisse sind z.B. Prognosen von mittleren
Dämpfertemperaturen in Abhängigkeit der Fahrgeschwindigkeit.
Ein erster Zustandsindikator wird dadurch gebildet, dass eine Anzahl von dem zweiten Zustandsbereich 26 zugeordneten ersten Kennwertkombinationen auf eine Gesamtzahl von ersten
Kennwertkombinationen bezogen, d.h. damit ins Verhältnis gesetzt wird. Daraus wird ein erster Wahrscheinlichkeitswert gebildet, welcher eine Aussage darüber gibt, wie
wahrscheinlich ein Dämpferdefekt ist. Der erste
Zustandsindikator enthält also eine Information „Dämpfer defekt" mit einer zugeordneten Wahrscheinlichkeit für diesen Dämpferdefekt .
Nach selbem Schema wird bezüglich der zweiten
Kennwertkombination ein zweiter Zustandsindikator betreffend einen Federdefekt mit einem zugeordneten zweiten
Wahrscheinlichkeitswert gebildet .
Weitere Zustandsindikatoren werden nach gleichem Schema aus den zweiten Kennwerten bzw. deren Zuordnung zu
Zustandsbereichen in mittels der zweiten Referenzkennwerte 8 ohne Einsatz von Referenzkennwertkombinationen gebildeten statistischen Modellen gebildet. Zustandsindikatoren aus Prädiktionsergebnissen werden
gebildet, indem einer extrapolierten mittleren
Dämpfertemperatur eine Vertrauenswahrscheinlichkeit
zugewiesen wird, welche in Abhängigkeit einer
Auftretenshäufigkeit von in einem definierten Toleranzbereich liegenden, extrapolierten mittleren Dämpfertemperaturen bestimmt wird. Zustandsindikatoren aus Prädiktionsergebnissen geben somit u.a. Prognosen über einen Zustand des Dämpfers 24 (z.B. eine Prognose, wonach hoher Verschleiß des Dämpfers 24 bei Betrieb oberhalb einer bestimmten Fahrgeschwindigkeit und eine Lebensdauerreduktion des Dämpfers 24 erwartbar sind) oder einer anderen Komponente mit zugeordneter
Vertrauenswahrscheinlichkeit an.
Weiterhin wird eine laufende Indikatorenkombination 18 derart durchgeführt, dass aus Signalen von eins bis nl = 3
Signalkategorien (erste Signale 4, zweite Signale 5, dritte Signale 6) und daraus ermittelten eins bis n2 = 3 Kennwerten (erste Kennwerte, zweite Kennwerte, dritte Kennwerte; n2 ist größer oder gleich nl) eins bis n3 = 2 Zustandsindikatoren (erster Zustandsindikator, zweiter Zustandsindikator) mit eins bis n4 = 2 Wahrscheinlichkeitswerten (erster
Wahrscheinlichkeitswert, zweiter Wahrscheinlichkeitswert) gebildet werden (siehe oben), wobei jedem der eins bis n3 = 2 Zustandsindikatoren einer der eins bis n4 = 2
Wahrscheinlichkeitswerte zugeordnet wird (siehe oben) und aus den eins bis n4 = 2 Wahrscheinlichkeitswerten ein
Kombinations-Zustandsindikator mit einem zugeordneten
Kombinations-Wahrscheinlichkeitswert PK gebildet wird.
Dazu wird jeder der eins bis n4 = 2 Wahrscheinlichkeitswerte aus einer Häufigkeit eines spezifischen
Klassifikationsergebnisses bezogen auf eine Gesamtzahl von Klassifikationsergebnissen gebildet (siehe oben) und der Kombinations-Wahrscheinlichkeitswert PK als bedingte
Wahrscheinlichkeit aus den eins bis n4 = 2
Wahrscheinlichkeitswerten gebildet . Der Kombinations-Wahrscheinlichkeitswert PK wird mittels eines probabilistischen graphischen Modells auf Grundlage einer Methode maschinellen Lernens gebildet.
Es wird hierzu prinzipiell folgende Bildungsvorschrift angewendet :
Der Kombinations-Wahrscheinlichkeitswert PK wird aus einem ersten Parameter PDF, welcher eine Wahrscheinlichkeit für eine Indikation eines Fehlers des Dämpfers 24 durch den ersten Zustandsindikator und den zweiten Zustandsindikator bei tatsächlichem Vorliegen eines fehlerhaften Zustands des Dämpfers 24 angibt, aus einem zweiten Parameter PF, welcher eine Wahrscheinlichkeit für ein tatsächliches Vorliegen eines fehlerhaften Zustands des Dämpfers 24 beschreibt und aus einem dritten Parameter PD, welcher eine Wahrscheinlichkeit für eine Indikation eines Fehler durch den ersten
Zustandsindikator und den zweiten Zustandsindikator angibt, ermittelt .
Der Kombinations-Wahrscheinlichkeitswert PK beschreibt eine Wahrscheinlichkeit für ein tatsächliches Vorliegen eines fehlerhaften Zustands des Dämpfers 24 unter einer Bedingung, wonach durch den ersten Zustandsindikator und den zweiten Zustandsindikator ein Fehler indiziert wird.
Zeigt der unmittelbar auf den Dämpfer 24 bezogene erste
Zustandsindikator beispielsweise mit hoher Wahrscheinlichkeit einen Fehler an und wird von dem auf die Feder 28 bezogenen zweiten Zustandsindikator mit geringer Wahrscheinlichkeit auf einen Fehler hingewiesen, so wird der Kombinations- Zustandsindikator mit hoher Wahrscheinlichkeit einen Fehler des Dämpfers 24 indizieren.
Der erste Parameter PDF, der zweite Parameter PF und der dritte Parameter PD werden laufend über Betriebsbeobachtungen angepasst. Beispielsweise wird der zweite Parameter PF vergrößert, wenn über einen definierten Zeitraum eine erhöhte Häufigkeit eines Dämpferdefekts beobachtet wird. Aus diesen Betriebsbeobachtungen werden Lerndaten für einen
funktionellen Zusammenhang des zweiten Parameters PF über einer Zeit gebildet, mittels welchem eine Zunahme einer
Ausfallswahrscheinlichkeit des Dämpfers 24 mit zunehmender Einsatzdauer parametriert und das probabilistische graphische Modell trainiert wird.
In diesem beispielhaften Ausführungsbeispiel eines
erfindungsgemäßen Verfahrens ist der erste Zustandsindikator auf eine erste Fahrzeugkomponente (den Dämpfer 24) und der zweite Zustandsindikator auf eine zweite Fahrzeugkomponente (die Feder 28) bezogen. Erfindungsgemäß ist es jedoch auch denkbar, dass sich z.B. sowohl der erste Zustandsindikator als auch der zweite Zustandsindikator auf die erste
Fahrzeugkomponente beziehen. Dies wird beispielsweise dadurch realisiert, dass zwei unterschiedliche Sensoren auf oder in dem Dämpfer 24 vorgesehen sind, welche unterschiedliche
Signale erzeugen (z.B. Temperatursignale und Öldrucksignale etc . ) .
In diesem beispielhaften Ausführungsbeispiel eines
erfindungsgemäßen Verfahrens wird auch ein dritter
Zustandsindikator auf Basis der ersten Kennwerte und der Fahrgeschwindigkeit gebildet, welcher fehlerhafte und
fehlerfreie Zustände eines Gleises, d.h. eines Fahrwegs bzw. einer Fahrwegkomponente indiziert.
Aus Beobachtungen eines Gleisschädigungsverhaltens wird nach oben erläutertem Schema mit Referenzkennwertkombinationen aus Beschleunigungen des Fahrwerksrahmens 22 und
Fahrgeschwindigkeiten ein statistisches Modell mittels einer Support Vector Machine - Methode gebildet, welches
Zustandsbereiche für fehlerhafte und fehlerfreie
Gleiszustände aufweist.
Kennwertkombinationen aus laufend gemessenen Beschleunigungen des Fahrwerksrahmen 22 und gemessenen Fahrgeschwindigkeiten werden den Zustandsbereichen zugeordnet, wodurch eine Klassifikation 13 der Kennwertkombinationen erfolgt. Aus einer Häufigkeitsverteilung entsprechender
Klassifikationsergebnisse wird der dritte Zustandsindikator bestimmt .
Im Verfahrensschritt der Indikatorenkombination 18 gebildete Daten (Daten aus dem ersten Zustandsindikator, dem zweiten Zustandsindikator und dem dritten Zustandsindikator) werden in einer in der Recheneinheit 10 implementierten Diagnose- und Überwachungseinrichtung eingesetzt und dort laufend weiter ausgewertet. Weiterhin werden diese Daten zur weiteren Auswertung über eine in Fig. 3 gezeigte
Datenübertragungseinrichtung 19 des Schienenfahrzeugs auch laufend an einen Wartungsstand, d.h. an eine
infrastrukturseitige Einrichtung übertragen (Datenübertragung 20) .
Fig. 2 zeigt ein Diagramm mit einem ersten Zustandsbereich 25, einem zweiten Zustandsbereich 26 und einer Trenngeraden 27 eines ersten statistischen Modells 15, welche auch im Zusammenhang mit Fig. 1 beschrieben sind, auf Basis einer Support Vector Machine - Methode gebildet werden und über welche technische Zustände eines in Fig. 3 gezeigten Dämpfers 24 bewertbar sind.
Auf einer x-Achse des Diagramms sind Beschleunigungen, auf einer y-Achse Dämpfertemperaturen aufgetragen.
Dem ersten Zustandsbereich 25 sind ein erster Funktionswert 29 und ein zweiter Funktionswert 30 erster
Kennwertkombinationen, welche im Zusammenhang mit Fig. 1 beschrieben sind, zugeordnet.
Dem zweiten Zustandsbereich 26 sind ein dritter Funktionswert 31 und ein vierter Funktionswert 32 erster
Kennwertkombinationen zugeordnet .
Der erste Funktionswert 29, der zweite Funktionswert 30, der dritte Funktionswert 31 und der vierte Funktionswert 32 sind aus ersten Kennwertkombinationen gebildet. Die ersten Kennwertkombinationen sind wiederum aus ersten Kennwerten bezüglich Beschleunigungen eines in Fig. 3 gezeigten
Fahrwerksrahmens 22 und aus zweiten Kennwerten bezüglich Temperaturen des Dämpfers 24 gebildet.
In Bezug auf ein kartesisches Koordinatensystem 33 weisen der erste Funktionswert 29 und der zweite Funktionswert 30 negative y ' -Koordinaten auf und der dritte Funktionswert 31 sowie der vierte Funktionswert 32 positive y ' -Koordinaten .
Der erste Funktionswert 29 und der zweite Funktionswert 30 sind einem günstigen Dämpferzustand, der dritte Funktionswert 31 und der vierte Funktionswert 32 einem ungünstigen Zustand des Dämpfers 24 zugeordnet.
Wie im Zusammenhang mit Fig. 1 beschrieben, wird aus einer Häufung von ungünstigen Dämpferzuständen (z.B. bei einem Auftreten derartiger Zustände mehr als dreimal täglich) ein erster Zustandsindikator gebildet, welcher gegebenenfalls einen Dämpferdefekt indiziert.
Nach jenem in Fig. 2 gezeigten Schema werden auch
Funktionswerte, welche aus zweiten Kennwertkombinationen gebildet sind, entsprechenden Zustandsbereichen eines in Zusammenhang mit Fig. 1 beschriebenen zweiten statistischen Modells 16 zugeordnet. Die zweiten Kennwertkombinationen werden dabei, wie im Zusammenhang mit Fig. 1 erwähnt, aus den ersten Kennwerten sowie aus dritten Kennwerten bezüglich einer Verformung einer in Fig. 3 gezeigten Feder 28 gebildet. Wie im Zusammenhang mit Fig. 1 beschrieben, wird aus einer Häufung von ungünstigen Federzuständen auf Grundlage einer Zuordnung von Beschleunigung-Federverformung-Funktionswerten zu Zustandsbereichen ein zweiter Zustandsindikator gebildet, welcher gegebenenfalls einen Federdefekt indiziert (z.B. bei einem Auftreten derartiger Federzustände mehr als dreimal täglich) .
Erfindungsgemäß ist auch eine Zuordnung der zweiten Kennwerte zu Zustandsbereichen eines weiteren statistischen Modells auf Basis einer Support Vector Machine - Methode vorgesehen.
Dieses weitere statistische Modell wird mit zeitlichen
Verläufen von im Zusammenhang mit Fig. 1 beschriebenen zweiten Referenzkennwerten 8 als Temperatur-Zeit-Zusammenhang gebildet .
Zweite Kennwerte, welche mit zunehmender Zeit zunehmende Temperaturen zweigen, welche über einen definierten Zeitraum oberhalb einer eigens für dieses weitere statistische Modell gebildeten Temperatur-Zeit-Trenngeraden liegen, weisen auf einen Dämpferdefekt oder übermäßigen Dämpferverschleiß hin.
In Fig. 3 ist ein Schienenfahrzeug mit einem Wagenkasten 21 und einem Fahrwerk 23 dargestellt. Das Fahrwerk 23 weist einen Dämpfer 24, bei welchem es sich um einen Primärdämpfer handelt, sowie eine Feder 28, welche als Primärfeder
ausgeführt ist, auf, deren technische Zustände mittels eines im Zusammenhang mit Fig. 1 beschriebenen erfindungsgemäßen Verfahrens ermittelt und bewertet werden.
Auf einem Fahrwerksrahmen 22 des Fahrwerks 23 ist ein erster Sensor 1 zur Messung von Beschleunigungen des
Fahrwerksrahmens 22, d.h. ein Beschleunigungssensor
vorgesehen. Weiterhin ist ein zweiter Sensor 2, welcher als Temperatursensor ausgebildet ist, mit dem Dämpfer 24
verbunden .
Darüber hinaus weist die Feder 28 einen dritten Sensor 3 auf, welcher als Dehnungsmessstreifen ausgebildet ist.
Der erste Sensor 1, der zweite Sensor 2 und der dritte Sensor 3 sind mit einer Recheneinheit 10 in dem Wagenkasten 21
Signal- und stromleitend verbunden.
In einem Dachbereich des Schienenfahrzeugs ist eine
Datenübertragungseinrichtung 19, welche als Funkeinrichtung ausgebildet sowie signal- und stromleitend mit der
Recheneinheit 10 verbunden ist, vorgesehen. Die Datenübertragungseinrichtung 19 weist auch eine als Global Positioning System - Einheit ausgeführte
Ortungsvorrichtung auf.
Die Recheneinheit 10 ist über ein nicht gezeigtes Bordnetz des Schienenfahrzeugs mit Strom versorgt und versorgt ihrerseits den ersten Sensor 1, den zweiten Sensor 2, den dritten Sensor 3 sowie die Datenübertragungseinrichtung 19 mit Elektrizität.
In der Recheneinheit 10 ist ein Computerprogrammprodukt installiert, mittels welchem laufend Verfahrensschritte des erfindungsgemäßen Verfahrens gemäß Fig. 1, d.h. eine
Signalverarbeitung 11, eine Kennwertbestimmung 12, eine
Klassifikation 13, eine Prädiktion 14, eine
Indikatorenbestimmung 17 sowie eine Indikatorenkombination 18, durchgeführt werden.
Aus in der Recheneinheit 10, welche als Diagnose- und
Überwachungseinrichtung des Schienenfahrzeugs fungiert, bestimmten Zustandsindikatoren werden Warnereignisse
gebildet, welche über einen nicht gezeigten Zugbus des
Schienenfahrzeugs an eine Anzeigeeinheit in einem ebenfalls nicht gezeigten Führerstand des Schienenfahrzeugs übertragen und dort als Warnhinweise oder Statusinformationen ausgegeben werden (z.B. zur Anzeige eines Dämpferdefekts oder einer Restlebensdauer des Dämpfers 24) .
Weiterhin werden die Zustandsindikatoren über die
Datenübertragungseinrichtung 19 mittels Funk an eine
infrastrukturseitige Einrichtung, wobei es sich im
Zusammenhang mit dieser beispielhaften Ausführungsvariante einer erfindungsgemäßen Vorrichtung um einen Wartungsstand handelt, zur weiteren Auswertung über eine Fahrzeugflotte übertragen . Liste der Bezeichnungen
1 Erster Sensor
2 Zweiter Sensor
3 Dritter Sensor
4 Erstes Signal
5 Zweites Signal
6 Drittes Signal
7 Erster Referenzkennwert
8 Zweiter Referenzkennwert
9 Dritter Referenzkennwert
10 Recheneinheit
11 SignalVerarbeitung
12 KennwertbeStimmung
13 Klassifikation
14 Prädiktion
15 Erstes statistisches Modell
1 6 Zweites statistisches Modell
17 Indikatorenbestimmung
1 8 Indikatorenkombination
1 9 Datenübertragungseinrichtung
20 Datenübertragung
21 Wagenkasten
22 Fahrwerksrahmen
23 Fahrwerk
24 Dämpfer
25 Erster Zustandsbereich
2 6 Zweiter Zustandsbereich
27 Trenngerade
2 8 Feder
2 9 Erster Funktionswert
30 Zweiter Funktionswert
31 Dritter Funktionswert
32 Vierter Funktionswert
33 Koordinatensystem
PK Kombinations-Wahrscheinlichkeitswert PDF Erster Parameter
PF Zweiter Parameter
PD Dritter Parameter

Claims

Patentansprüche
1. Verfahren zur Diagnose und Überwachung von Fahrzeugen, Fahrzeugkomponenten, Fahrwegen sowie Fahrwegkomponenten, insbesondere für Schienenfahrzeuge und Infrastrukturen von Schienenfahrzeugen, wobei mittels zumindest eines ersten Sensors Messungen durchgeführt werden und mittels zumindest einer Recheneinheit eine Signalverarbeitung erfolgt, dadurch gekennzeichnet,
dass der zumindest einen Recheneinheit (10) zumindest gemessene erste Signale (4) zugeführt werden,
dass aus den zumindest ersten Signalen (4) zumindest ein erster Kennwert gebildet wird,
dass der zumindest erste Kennwert oder zumindest eine erste Kennwertkombination mittels zumindest eines ersten
statistischen Modells (15) klassifiziert wird oder eine
Prädiktion (14) auf Grundlage des zumindest ersten Kennwerts oder der zumindest ersten Kennwertkombination durchgeführt wird, und
dass zumindest ein technischer erster Zustandsindikator bezüglich zumindest einer ersten Fahrzeugkomponente oder zumindest einer Fahrwegkomponente aus zumindest einem
Klassifikationsergebnis oder aus zumindest einem
Prädiktionsergebnis bestimmt wird.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass der zumindest erste Zustandsindikator aus einer
Häufigkeitsverteilung von Klassifikationsergebnissen oder von Prädiktionsergebnissen bestimmt wird.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass der zumindest erste Kennwert als auf einen Wegabschnitt oder einen Zeitabschnitt bezogener statistischer Kennwert gebildet wird.
4. Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass das zumindest erste statistische Modell (15) mittels einer Methode maschinellen Lernens gebildet wird .
5. Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass der zumindest erste Kennwert oder die zumindest erste
Kennwertkombination mittels einer Support Vector Machine - Methode klassifiziert wird.
6. Verfahren nach Anspruch 4 oder 5, dadurch gekennzeichnet, dass aus zeitlich vor den zumindest ersten Signalen (4) verarbeiteten Referenzsignalen Referenzkennwerte als
Lerndaten gebildet werden.
7. Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass das zumindest erste statistische Modell (15) auf Grundlage einer Ausgleichungsrechnung gebildet wird.
8. Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass der zumindest erste Kennwert in eine Regressionsfunktion eingesetzt wird.
9. Verfahren nach einem der Ansprüche 1 bis 8, dadurch gekennzeichnet, dass dem zumindest ersten Zustandsindikator ein erster Wahrscheinlichkeitswert für ein Eintreten eines durch das zumindest eine Klassifikationsergebnis oder das zumindest eine Prädiktionsergebnis zu indizierenden
technischen Zustands zugeordnet wird.
10. Verfahren nach Anspruch 9, dadurch gekennzeichnet, dass der erste Wahrscheinlichkeitswert aus einer Häufigkeit eines spezifischen Klassifikationsergebnisses bezogen auf eine Gesamtzahl von Klassifikationsergebnissen gebildet wird.
11. Verfahren nach einem der Ansprüche 1 bis 8, dadurch gekennzeichnet, dass aus Signalen von eins bis nl
Signalkategorien und daraus ermittelten eins bis n2
Kennwerten eins bis n3 Zustandsindikatoren mit eins bis n4 Wahrscheinlichkeitswerten gebildet werden, wobei jedem der eins bis n3 Zustandsindikatoren einer der eins bis n4
Wahrscheinlichkeitswerte zugeordnet wird und aus den eins bis n4 Wahrscheinlichkeitswerten ein Kombinations- Zustandsindikator mit einem zugeordneten Kombinations- Wahrscheinlichkeitswert (PK) gebildet wird.
12. Verfahren nach Anspruch 11, dadurch gekennzeichnet, dass jeder der eins bis n4 Wahrscheinlichkeitswerte aus einer Häufigkeit eines spezifischen Klassifikationsergebnisses bezogen auf eine Gesamtzahl von Klassifikationsergebnissen gebildet wird.
13. Verfahren nach Anspruch 11 oder 12, dadurch
gekennzeichnet, dass der Kombinations-Wahrscheinlichkeitswert (PK) als bedingte Wahrscheinlichkeit aus den eins bis n4 Wahrscheinlichkeitswerten gebildet wird.
14. Verfahren nach einem der Ansprüche 11 bis 13, dadurch gekennzeichnet, dass der Kombinations-Zustandsindikator mittels eines probabilistischen graphischen Modells gebildet wird .
15. Verfahren nach Anspruch 14, dadurch gekennzeichnet, dass das probabilistische graphische Modell auf Grundlage einer Methode maschinellen Lernens gebildet wird.
16. Verfahren nach einem der Ansprüche 1 bis 15, dadurch gekennzeichnet, dass aus zweiten Signalen (5) zumindest ein zweiter Kennwert und ein technischer zweiter
Zustandsindikator bezüglich der zumindest ersten
Fahrzeugkomponente gebildet werden.
17. Verfahren nach einem der Ansprüche 1 bis 15, dadurch gekennzeichnet, dass aus zweiten Signalen (5) zumindest ein zweiter Kennwert und ein technischer zweiter Zustandsindikator bezüglich einer zweiten Fahrzeugkomponente gebildet werden.
18. Verfahren nach einem der Ansprüche 1 bis 17, dadurch gekennzeichnet, dass Daten aus zumindest einem
Verfahrensschritt in einer bordeigenen Diagnose- und/oder Überwachungseinrichtung eines Fahrzeugs eingesetzt werden.
19. Verfahren nach einem der Ansprüche 1 bis 18, dadurch gekennzeichnet, dass Daten aus zumindest einem
Verfahrensschritt an eine infrastrukturseitige Einrichtung übertragen werden.
20. Vorrichtung zur Durchführung eines Verfahrens nach einem der Ansprüche 1 bis 19, dadurch gekennzeichnet, dass der zumindest erste Sensor (1) auf einem Fahrwerk (23) des
Fahrzeugs angeordnet ist und die zumindest eine Recheneinheit (10) in dem Fahrzeug vorgesehen sowie mit dem zumindest ersten Sensor (1) verbunden ist.
21. Vorrichtung nach Anspruch 20, dadurch gekennzeichnet, dass die zumindest eine Recheneinheit (10) in einem
Wagenkasten (21) des Fahrzeugs vorgesehen ist.
22. Vorrichtung nach Anspruch 20 oder 21, dadurch
gekennzeichnet, dass zur Datenübertragung (20) zumindest eine Datenübertragungseinrichtung (19) in oder an dem Fahrzeug vorgesehen ist, welche mit der zumindest einen Recheneinheit (10) verbunden ist.
EP19727863.3A 2018-05-16 2019-05-15 Verfahren und vorrichtung zur diagnose und überwachung von fahrzeugen, fahrzeugkomponenten und fahrwegen Pending EP3774487A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
AT504072018 2018-05-16
PCT/EP2019/062498 WO2019219756A1 (de) 2018-05-16 2019-05-15 Verfahren und vorrichtung zur diagnose und überwachung von fahrzeugen, fahrzeugkomponenten und fahrwegen

Publications (1)

Publication Number Publication Date
EP3774487A1 true EP3774487A1 (de) 2021-02-17

Family

ID=66685577

Family Applications (1)

Application Number Title Priority Date Filing Date
EP19727863.3A Pending EP3774487A1 (de) 2018-05-16 2019-05-15 Verfahren und vorrichtung zur diagnose und überwachung von fahrzeugen, fahrzeugkomponenten und fahrwegen

Country Status (5)

Country Link
US (1) US20210217256A1 (de)
EP (1) EP3774487A1 (de)
CN (1) CN112469613A (de)
RU (1) RU2763414C1 (de)
WO (1) WO2019219756A1 (de)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
IT202000005194A1 (it) * 2020-03-11 2021-09-11 Faiveley Transport Italia Spa Sistema di monitoraggio per almeno una pluralità di dispositivi omogenei di almeno un veicolo ferroviario
EP4153962A1 (de) * 2020-05-29 2023-03-29 Konux GmbH Automatische echtzeitdatenerzeugung
AT524207B1 (de) 2020-12-11 2022-04-15 Siemens Mobility Austria Gmbh Fahrwerk für ein Schienenfahrzeug
AT525305A1 (de) 2021-08-04 2023-02-15 Siemens Mobility Austria Gmbh Sensoranordnung und Fahrwerk
AT526374A1 (de) 2022-07-29 2024-02-15 Siemens Mobility Austria Gmbh Synchronisierung einer Zeiterfassungsanordnung

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2211815A1 (en) * 1997-07-29 1999-01-29 Craig Luker Method and apparatus for determining vehicle brake effectiveness
ES2240542T3 (es) 2000-12-22 2005-10-16 Db Fernverkehr Ag Procedimiento y dispositivo para supervisar el comportamiento de marcha de vehiculos sobre carriles.
JP4298433B2 (ja) * 2003-08-20 2009-07-22 株式会社日立製作所 鉄道車両の異常検知装置
JP5297272B2 (ja) * 2009-06-11 2013-09-25 株式会社日立製作所 装置異常監視方法及びシステム
US8849732B2 (en) * 2010-09-28 2014-09-30 Siemens Aktiengesellschaft Adaptive remote maintenance of rolling stocks
US20130024179A1 (en) * 2011-07-22 2013-01-24 General Electric Company Model-based approach for personalized equipment degradation forecasting
US20140200951A1 (en) * 2013-01-11 2014-07-17 International Business Machines Corporation Scalable rule logicalization for asset health prediction
CN103745229A (zh) * 2013-12-31 2014-04-23 北京泰乐德信息技术有限公司 一种基于svm的轨道交通故障诊断方法及系统
JP6420972B2 (ja) * 2014-06-13 2018-11-07 公益財団法人鉄道総合技術研究所 列車制御システム設計用シミュレータ
US10417076B2 (en) * 2014-12-01 2019-09-17 Uptake Technologies, Inc. Asset health score
US10522031B2 (en) * 2015-09-01 2019-12-31 Honeywell International Inc. System and method providing early prediction and forecasting of false alarms by applying statistical inference models
JP6588814B2 (ja) * 2015-12-17 2019-10-09 株式会社東芝 異常診断装置及び方法
US20170286572A1 (en) * 2016-03-31 2017-10-05 General Electric Company Digital twin of twinned physical system
US10215665B2 (en) * 2016-05-03 2019-02-26 General Electric Company System and method to model power output of an engine
WO2018039142A1 (en) * 2016-08-22 2018-03-01 Rapidsos, Inc. Predictive analytics for emergency detection and response management
CN106976468A (zh) * 2017-03-09 2017-07-25 南京理工大学 一种基于dwt和c‑svm的道岔故障诊断方法
EP3388910A1 (de) * 2017-04-10 2018-10-17 ABB Schweiz AG Verfahren und vorrichtung zur zustandsüberwachung von untersystemen in einem kraftwerk für erneuerbare energie oder einem mikronetz

Also Published As

Publication number Publication date
CN112469613A (zh) 2021-03-09
WO2019219756A1 (de) 2019-11-21
RU2763414C1 (ru) 2021-12-29
US20210217256A1 (en) 2021-07-15

Similar Documents

Publication Publication Date Title
WO2019219756A1 (de) Verfahren und vorrichtung zur diagnose und überwachung von fahrzeugen, fahrzeugkomponenten und fahrwegen
EP1163532B1 (de) Verfahren zur zustandserkennung eines energiespeichers
DE102017107284B4 (de) Verfahren und steuergerät zum überwachen eines bordnetzes eines fahrzeugs
EP3679392B1 (de) Verfahren und steuervorrichtung zum erkennen einer fehlfunktion zumindest eines umfeldsensors eines kraftfahrzeugs
DE102017200855A1 (de) Verfahren und System zur Diagnose von Komponenten eines Fahrzeugs
DE102020212277A1 (de) Verfahren und Vorrichtung zum Bestimmen einer Restnutzungsdauer basierend auf einer prädiktiven Diagnose von Komponenten eines elektrischen Antriebssystems mithilfe Verfahren künstlicher Intelligenz
DE102017010832A1 (de) Verfahren zur Bewertung einer erkannten Geschwindigkeitsbegrenzung
DE102017219473A1 (de) Verfahren zum vorausschauenden Erkennen eines Ausfalls einer Komponente eines Fahrzeugs, computerlesbares Medium, System, und Fahrzeug umfassend das System
WO2015189204A1 (de) Verfahren und system zur verbesserten erkennung und/oder kompensation von fehlerwerten
DE10161283A1 (de) Verfahren und Vorrichtung zum Überwachen des Fahrverhaltens von Schienenfahrzeugen und der Diagnose von Komponenten von Schienenfahrzeugen
EP3774489A1 (de) Sensor-analyse-verfahren, computer-programm-produkt zur sensor-analyse, fahrgastzählsystem und fahrzeug zur fahrgastbeförderung, insbesondere im schienen- und strassenverkehr
DE102015218262A1 (de) Datenverarbeitungsanlage und Verfahren für diese zur Zustandsüberwachung einer Mehrzahl an Fahrzeugen
DE102015214987B4 (de) Bestimmung eines defekten Bauteils eines Fahrzeugs
DE102021203266A1 (de) Verfahren und Fahrzeugsystem zum Bestimmen eines Zustands der Komponenten eines Fahrwerks
DE10222072A1 (de) Diagnoseverfahren für dynamische Systeme
DE102020212127A1 (de) Verfahren zur Überprüfung einer technischen Funktion einer elektrischen und/oder mechanischen ersten Vorrichtung eines Eisenbahnsystems
EP3633390B1 (de) Verfahren und vorrichtung zur detektion von störungen eines sensors
DE102017201419B4 (de) Verfahren und Vorrichtung zum Prüfen von unterschiedlich ermittelten Belegungszuständen eines Stellplatzes für Kraftfahrzeuge auf Fehler
EP3963291B1 (de) Sensoranordnung zum überwachen eines technischen systems und verfahren zum betreiben einer sensoranordnung
DE102020107528A1 (de) System zur Fehler-Diagnose und/oder Fehler-Prognose in Kraftfahrzeugen
EP3608882A1 (de) System und verfahren zur fahrzeugdiagnose
AT521732B1 (de) Verfahren zur Diagnose und Überwachung von Fahrzeugkomponenten
EP4010770B1 (de) Diagnose von technischen systemen mittels hauptkomponentenanalyse (pca)
EP3626576A1 (de) Verfahren und vorrichtung zur diagnose und überwachung von fahrzeugkomponenten
DE102023100533A1 (de) Verfahren und vorrichtung zur überwachung des zustands und zur berechnung der verbleibenden lebensdauer der zentralen rechnereinheit einer transportvorrichtung

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: 20201106

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)
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: 20230413