EP4055497A1 - Method for determining an inadmissible deviation of the system behavior of a technical device from a standard value range - Google Patents

Method for determining an inadmissible deviation of the system behavior of a technical device from a standard value range

Info

Publication number
EP4055497A1
EP4055497A1 EP20803131.0A EP20803131A EP4055497A1 EP 4055497 A1 EP4055497 A1 EP 4055497A1 EP 20803131 A EP20803131 A EP 20803131A EP 4055497 A1 EP4055497 A1 EP 4055497A1
Authority
EP
European Patent Office
Prior art keywords
data
input data
technical device
monitoring algorithm
reference signal
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
EP20803131.0A
Other languages
German (de)
French (fr)
Inventor
Achim Romer
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.)
Robert Bosch GmbH
Original Assignee
Robert Bosch 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 Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of EP4055497A1 publication Critical patent/EP4055497A1/en
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Definitions

  • the invention relates to a method for determining an impermissible deviation of the system behavior of a technical device from a standard value range with the aid of a monitoring algorithm.
  • DE 102018206805 B3 describes a method for predicting a driving maneuver of an object by means of two machine learning systems.
  • the first machine learning system determines an output variable characterizing the object as a function of a first input variable
  • the second machine learning system determines a second output variable which characterizes a state of the object as a function of a second input variable.
  • the future movement of the object is predicted depending on the output variables.
  • the first machine learning system here comprises a deep neural network and the second machine learning system a probabilistic graphic model.
  • DE 102018209 916 A1 discloses a method for determining a sequence of output signals by means of a sequence of layers of a neural network on the basis of input signals which are fed to an input layer of the neural network. New input signals are already fed to the neural network at a defined point in time, while the previous input signals are still being propagated through the neural network.
  • an impermissible deviation of the system behavior of a technical device from a standard value range can be determined.
  • the state of the technical device can be monitored with measures that are easy to implement.
  • Deteriorations in system behavior and system anomalies can be detected in good time.
  • the method for determining the impermissible deviation of the technical device uses a monitoring algorithm to which input data and output data of the technical device are fed in a learning phase. By comparing the input and output data of the technical device, the corresponding links are created in the monitoring algorithm and the monitoring algorithm is trained on the system behavior of the technical device.
  • the system behavior of the device can be reliably predicted in the monitoring algorithm.
  • only the input data of the technical device are fed to the monitoring algorithm in the prediction phase and output comparison data are calculated in the monitoring algorithm, which are compared with the output data of the technical device. If this comparison shows that the difference between the output data of the technical device, which is preferably recorded as measured values, deviates too much from the output comparison data of the monitoring algorithm and exceeds a limit value, then it is an impermissible one Deviation of the system behavior of the technical facility from the standard value range. Suitable measures can then be taken, for example a warning signal can be generated or stored or partial functions of the technical device can be deactivated (degradation of the technical device). If necessary, alternative technical facilities can be used in the event of impermissible deviations.
  • a real technical facility can be continuously monitored.
  • the monitoring algorithm is fed with a sufficient amount of information from the technical device, both from its input side and from its output side, so that the technical device can be mapped and simulated in the monitoring algorithm with sufficient accuracy.
  • this allows the technical facility to be monitored and a deterioration in the system behavior to be predicted. In this way, in particular, the remaining useful life of the technical facility can be predicted.
  • a neural network in particular comes into consideration as the monitoring algorithm.
  • the learning phase links are created in the neural network from the input and output data of the technical device, as a result of which the neural network maps the system behavior of the technical device with high accuracy.
  • the neural network can accordingly be used for a reliable prediction of a deterioration in the system behavior.
  • the input data supplied to the monitoring algorithm are normalized to the data of a reference signal.
  • This approach has the advantage that fluctuations in the boundary conditions, for example, due to natural scatter, which can be compensated or at least largely compensated by the normalization, whereby, depending on the type of scatter, the processing in the learning phase and in the prediction phase is improved, in particular can be carried out more quickly, or is made possible in the first place.
  • the learning phase and the prediction phase of the monitoring algorithm remain unaffected by the preprocessing step, since only the input data are normalized in each phase.
  • the normalization relates to the number of input data supplied to the monitoring algorithm. If this number deviates from the number of data in the reference signal, normalization takes place in such a way that the number of input data is standardized to the number of data in the reference signal. Accordingly, the monitoring algorithm always receives the same number of input data after the normalization.
  • a further advantageous embodiment relates to the case in which the number of input data and the number of data of the reference signal are the same, but the input data are distorted with respect to the reference signal.
  • normalization can be carried out in which the distorted input data are mapped onto the data of the reference signal. This procedure makes it possible, for example, to map shifted maxima or minima in the input data onto the data of the reference signal.
  • the input data fed to the monitoring algorithm is normalized in three sub-steps.
  • the input data are available in a time-discrete manner, with a time normalization being carried out in an observed time window on the reference signal in the first sub-step.
  • the non-standardized input data for the various time segments of the time window under consideration are transformed into the frequency range.
  • the frequency segments assigned to the various time segments are combined in accordance with the time normalization of the first sub-step.
  • the comparison between the output comparison data of the monitoring algorithm and the output data of the technical device can be carried out either in the time domain or in the frequency domain.
  • the output comparison data which are present at the output of the monitoring algorithm are transformed back from the frequency domain to the time domain, whereupon the comparison with the output data of the technical device can be carried out in the time domain.
  • the output data of the technical device which are usually present in the time domain, for example as a series of measurements, are transformed into the frequency domain.
  • the output comparison data of the monitoring algorithm and the output data of the technical device can then be compared with one another in the frequency range.
  • the time normalization of the input data to the reference signal takes place by way of dynamic time normalization (dynamic time warping).
  • dynamic time warping takes place by way of dynamic time normalization (dynamic time warping).
  • the optimized path is laid through a matrix which forms the distance between each point of the reference signal and each point of the input data. From the point of view of optimization, the cheapest route through the matrix is the one where the connection from the starting point to the end point forms the lowest sum.
  • the input data for the time window under consideration is transformed into the frequency range, which is carried out in the second sub-step, by way of a short-time Fourier transformation (STFT).
  • STFT short-time Fourier transformation
  • FFT time segments
  • the reference signal on the basis of which the normalization is carried out, is formed, for example, from several previous input data, for example by averaging several input signals.
  • the reference signal may follow a defined maneuver which is tailored to the technical device in question and is typical for the technical device.
  • a defined driving maneuver for the vehicle from which the reference signal is formed, based on the technical device that is used in the vehicle.
  • the invention also relates to an electronic device, such as a control device in a vehicle, which is equipped with means for carrying out the method described above.
  • These means are, in particular, at least one computing unit and at least one storage unit for performing the necessary calculations or for storing input and output data.
  • the invention also relates to a computer program product with a program code which is designed to carry out the method steps described above.
  • the computer program product can be stored on a machine-readable storage medium and run in an electronic device described above.
  • the method can be applied, for example, to the status monitoring of a technical system in a vehicle, for example a steering system or a braking system.
  • the electronic device is advantageously a control device via which the components of the technical device can be controlled.
  • ESP module electronic stability program
  • FIG. 1 shows a block diagram with a symbolic representation of an ESP module, to which input data is supplied and which produces output data, with a neural network connected in parallel.
  • Fig. 2 diagrams with the time course of an input signal and a reference signal
  • FIG. 4 shows the input signal transformed into the frequency range with time normalization according to FIG. 2.
  • the block diagram according to FIG. 1 shows a basic diagram of a technical device 1 in the form of an ESP module for a braking system in a vehicle with input and output data and with a neural network 4 connected in parallel.
  • the ESP module 1 which is used by way of example as a technical device, comprises an ESP pump for generating a desired, modulated brake pressure in the brake system and a control unit for controlling the ESP pump.
  • Input data 2 are fed to ESP module 1, for example an input current for the electrically operated ESP pump of ESP module 1, ESP module 1 producing output data 3 in response to input data 2, for example hydraulic brake pressure.
  • a neural network 4 which forms a monitoring algorithm, is connected in parallel with the technical device 1.
  • the neural network 4 is trained in a learning phase on the system behavior of the technical device 1, For which purpose both the input data 2 and the output data 3 of the technical device 1 are fed to the neural network 4 in the learning phase.
  • the dashed arrow from the output data 3 to the neural network 4 corresponds to the learning phase of the neural network, in which, in addition to the input data 2, the output data 3 are also fed to the neural network.
  • the neural network 4 can be used in a prediction phase to determine a deterioration in the system behavior of the technical device 1 at an early stage.
  • the input data 2 of the technical device 1 is fed to the neural network 4 as an input in the prediction phase, the neural network 4 now generating output comparison data on the basis of its learned behavior (output on the neural network 4 shown with a solid line).
  • the output comparison data of the neural network 4 can be compared with the output data 3 of the technical device 1.
  • the discrepancy between the output comparison data of the neural network 4 and the output data 3 of the technical device 1 is outside a given range of standard values, then there is an impermissibly severe deterioration in the system behavior of the technical device 1, resulting in a shortened service life or partial failure of the technical device 1 can be closed. Measures can then be taken, such as, for example, the generation of a warning signal or a reduction in the functional scope of the technical device 1.
  • the neural network 4 can be implemented in the control device of the technical device 1 and run there. However, it is also possible to run the neural network 4 in a further control device which is designed separately from the control device of the technical device 1.
  • FIGS. 2 to 4 show a preprocessing step which is carried out before each learning phase step and before each prediction phase step and in which the input data fed to the monitoring algorithm are normalized to the data of a reference signal.
  • FIG. 2 shows two graphs lying one above the other with the time-dependent profile of a reference signal R (lower diagram) and a signal with measured input data M (upper diagram).
  • the input data M corresponds to the input data 2 in FIG. 1.
  • the reference signal R has a series of times a, b, c, d and e.
  • the signal with the input data M has a series of times 1 to 6 at which the values of the input data are measured.
  • the reference signal R can be obtained, for example, from a large number of previous real input data from the technical device or from a structurally identical, other technical device.
  • the signal profiles R and M basically have the same profile, but they are not identical.
  • a dynamic time normalization (dynamic time warping) is carried out in a first partial step.
  • the most cost-effective route from the beginning to the end of the two signal courses R and M is sought.
  • the result is the assignment, shown with a dashed line, between the times in the signal curves R and M with the assignment patterns 1a, 2b, 3c, 4c, 5d and 6e.
  • the measured values in signal curve M at times 3 and 4 are both assigned to time c in reference signal R.
  • FIG. 3 shows a schematic representation of the input data M in the frequency domain.
  • STFT short-time Fourier transformation
  • FIG. 4 shows the third and last sub-step of the preprocessing of the input data, in which the matrix of the input data M from FIG. 3 is combined according to the time normalization of the first sub-step according to FIG. 2.
  • the frequency segments which are assigned to times 3 and 4 are combined to form a common frequency segment.
  • the result is a reduction in the frequency segments from six to five.
  • Frequency sections 3 and 4 are combined, for example, by averaging the information in the respective vectors that are assigned to times 3 and 4.
  • the normalized input data M in the frequency domain can be fed to the monitoring algorithm implemented as a neural network in the prediction phase, whereupon the neural network determines output comparison data in the frequency domain, which can be compared with the assigned output data of the technical device in the frequency domain.
  • an alarm signal can be generated, for example.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

The invention relates to a method for determining an inadmissible deviation of the system behavior of a technical device by means of a monitoring algorithm which is supplied with input data and output data of the technical device in a learning phase. In a subsequent prediction phase, the monitoring algorithm is only supplied with the input data, and output data are calculated. In a preprocessing step the input data supplied to the monitoring algorithm are aligned with the data of a reference signal.

Description

Beschreibung description
Titel title
Verfahren zum Ermitteln einer unzulässigen Abweichung des Svstemverhaltens einer technischen Einrichtung von einem Normwertebereich Method for determining an impermissible deviation of the system behavior of a technical facility from a standard value range
Die Erfindung bezieht sich ein Verfahren zum Ermitteln einer unzulässigen Abweichung des Systemverhaltens einer technischen Einrichtung von einem Normwertebereich mithilfe eines Überwachungsalgorithmus. The invention relates to a method for determining an impermissible deviation of the system behavior of a technical device from a standard value range with the aid of a monitoring algorithm.
Stand der Technik State of the art
In der DE 102018206805 B3 wird ein Verfahren zur Prädiktion eines Fahrmanövers eines Objektes mittels zweier maschineller Lernsysteme beschrieben. Das erste maschinelle Lernsystem ermittelt in Abhängigkeit einer ersten Eingangsgröße eine das Objekt charakterisierende Ausgangsgröße, das zweite maschinelle Lernsystem ermittelt in Abhängigkeit einer zweiten Eingangsgröße eine zweite Ausgangsgröße, welche einen Zustand des Objekts charakterisiert. Die zukünftige Bewegung des Objektes wird in Abhängigkeit von den Ausgangsgrößen vorhergesagt. Das erste maschinelle Lernsystem umfasst hierbei ein tiefes neuronales Netz und das zweite maschinelle Lernsystem ein probabilistisches graphisches Modell. DE 102018206805 B3 describes a method for predicting a driving maneuver of an object by means of two machine learning systems. The first machine learning system determines an output variable characterizing the object as a function of a first input variable, the second machine learning system determines a second output variable which characterizes a state of the object as a function of a second input variable. The future movement of the object is predicted depending on the output variables. The first machine learning system here comprises a deep neural network and the second machine learning system a probabilistic graphic model.
Die DE 102018209 916 A1 offenbart ein Verfahren zum Ermitteln einer Folge von Ausgangssignalen mittels einer Folge von Schichten eines neuronalen Netzes auf der Grundlage von Eingangssignalen, welche einer Eingangsschicht des neuronalen Netzes zugeführt werden. Zu einem definierten Zeitpunkt werden dem neuronalen Netz bereits neue Eingangssignale zugeführt, während die vorherigen Eingangssignale durch das neuronale Netz noch propagiert werden. DE 102018209 916 A1 discloses a method for determining a sequence of output signals by means of a sequence of layers of a neural network on the basis of input signals which are fed to an input layer of the neural network. New input signals are already fed to the neural network at a defined point in time, while the previous input signals are still being propagated through the neural network.
Offenbarung der Erfindung Mithilfe des erfindungsgemäßen Verfahrens kann eine unzulässige Abweichung des Systemverhaltens einer technischen Einrichtung von einem Normwertebereich ermittelt werden. Es ist auf diese Weise möglich, ein vollständiges oder teilweises Versagen der technischen Einrichtung noch vor dem tatsächlichen Versagenseintritt vorherzusagen, so dass rechtzeitig entsprechende Gegenmaßnahmen ergriffen werden können. Auf diese Weise kann eine Zustandsüberwachung der technischen Einrichtung mit einfach zu realisierenden Maßnahmen durchgeführt werden. Es können rechtzeitig Verschlechterungen des Systemverhaltens sowie Systemanomalien festgestellt werden. Durch die Vorgabe und den Vergleich mit dem Normwertebereich ist es möglich, den Zustandsverlauf der technischen Einrichtung fortlaufend zu überwachen und den Zeitpunkt festzustellen, bis zu dem eine ordnungsgemäße Funktion der technischen Einrichtung gewährleistet ist und ab dem die ordnungsgemäße Funktion nicht mehr oder zumindest nicht mehr vollständig sichergestellt werden kann. Disclosure of the invention With the aid of the method according to the invention, an impermissible deviation of the system behavior of a technical device from a standard value range can be determined. In this way, it is possible to predict a complete or partial failure of the technical device before the failure actually occurs, so that appropriate countermeasures can be taken in good time. In this way, the state of the technical device can be monitored with measures that are easy to implement. Deteriorations in system behavior and system anomalies can be detected in good time. By specifying and comparing it with the standard value range, it is possible to continuously monitor the state of the technical device and to determine the point in time up to which the proper function of the technical device is guaranteed and from which the proper function is no longer or at least no longer complete can be ensured.
Das Verfahren zum Ermitteln der unzulässigen Abweichung der technischen Einrichtung nutzt einen Überwachungsalgorithmus, dem in einer Lernphase Eingangsdaten und Ausgangsdaten der technischen Einrichtung zugeführt werden. Durch den Vergleich mit den Eingangs- und Ausgangsdaten der technischen Einrichtung werden die entsprechenden Verknüpfungen in dem Überwachungsalgorithmus geschaffen und der Überwachungsalgorithmus auf das Systemverhalten der technischen Einrichtung trainiert. The method for determining the impermissible deviation of the technical device uses a monitoring algorithm to which input data and output data of the technical device are fed in a learning phase. By comparing the input and output data of the technical device, the corresponding links are created in the monitoring algorithm and the monitoring algorithm is trained on the system behavior of the technical device.
In einer sich an die Lernphase anschließenden Prädiktionsphase kann in dem Überwachungsalgorithmus das Systemverhalten der Einrichtung zuverlässig vorhergesagt werden. Hierzu werden in der Prädiktionsphase dem Überwachungsalgorithmus nur die Eingangsdaten der technischen Einrichtung zugeführt und im Überwachungsalgorithmus Ausgangsvergleichsdaten berechnet, welche mit Ausgangsdaten der technischen Einrichtung verglichen werden. Ergibt sich bei diesem Vergleich, dass die Differenz der Ausgangsdaten der technischen Einrichtung, welche vorzugsweise als Messwerte erfasst werden, von den Ausgangsvergleichsdaten des Überwachungsalgorithmus zu stark abweichen und einen Grenzwert übersteigen, so liegt eine unzulässige Abweichung des Systemverhaltens der technischen Einrichtung von dem Normwertebereich vor. Daraufhin können geeignete Maßnahmen ergriffen werden, beispielsweise ein Warnsignal erzeugt oder abgespeichert oder Teilfunktionen der technischen Einrichtung deaktiviert werden (Degradation der technischen Einrichtung). Gegebenenfalls kann im Fall der unzulässigen Abweichung auf alternative technische Einrichtungen ausgewichen werden. In a prediction phase following the learning phase, the system behavior of the device can be reliably predicted in the monitoring algorithm. For this purpose, only the input data of the technical device are fed to the monitoring algorithm in the prediction phase and output comparison data are calculated in the monitoring algorithm, which are compared with the output data of the technical device. If this comparison shows that the difference between the output data of the technical device, which is preferably recorded as measured values, deviates too much from the output comparison data of the monitoring algorithm and exceeds a limit value, then it is an impermissible one Deviation of the system behavior of the technical facility from the standard value range. Suitable measures can then be taken, for example a warning signal can be generated or stored or partial functions of the technical device can be deactivated (degradation of the technical device). If necessary, alternative technical facilities can be used in the event of impermissible deviations.
Mithilfe des vorbeschriebenen Verfahrens kann eine reale technische Einrichtung fortlaufend überwacht werden. In der Lernphase wird der Überwachungsalgorithmus mit ausreichend vielen Informationen der technischen Einrichtung sowohl von dessen Eingangsseite als auch von dessen Ausgangsseite gespeist, so dass die technische Einrichtung mit hinreichender Genauigkeit in dem Überwachungsalgorithmus abgebildet und simuliert werden kann. Dies erlaubt es in der sich daran anschließenden Prädiktionsphase, die technische Einrichtung zu überwachen und eine Verschlechterung des Systemverhaltens zu prädizieren. Auf diese Weise kann insbesondere die Restnutzungsdauer der technischen Einrichtung vorhergesagt werden. With the aid of the method described above, a real technical facility can be continuously monitored. In the learning phase, the monitoring algorithm is fed with a sufficient amount of information from the technical device, both from its input side and from its output side, so that the technical device can be mapped and simulated in the monitoring algorithm with sufficient accuracy. In the subsequent prediction phase, this allows the technical facility to be monitored and a deterioration in the system behavior to be predicted. In this way, in particular, the remaining useful life of the technical facility can be predicted.
Als Überwachungsalgorithmus kommt insbesondere ein neuronales Netz in Betracht. In dem neuronalen Netz werden in der Lernphase aus den Eingangs und Ausgangsdaten der technischen Einrichtung Verknüpfungen geschaffen, wodurch das neuronale Netz das Systemverhalten der technischen Einrichtung mit hoher Genauigkeit abbildet. In der Prädiktionsphase kann entsprechend das neuronale Netz für eine zuverlässige Vorhersage einer Verschlechterung des Systemverhaltens genutzt werden. A neural network in particular comes into consideration as the monitoring algorithm. In the learning phase, links are created in the neural network from the input and output data of the technical device, as a result of which the neural network maps the system behavior of the technical device with high accuracy. In the prediction phase, the neural network can accordingly be used for a reliable prediction of a deterioration in the system behavior.
Alternativ zu einem neuronalen Netz kommen auch anderweitig ausgeführte Überwachungsalgorithmen für die Überwachung des Systemverhaltens der technischen Einrichtung in Betracht. As an alternative to a neural network, other monitoring algorithms for monitoring the system behavior of the technical device can also be considered.
Bei dem erfindungsgemäßen Verfahren werden in einem Vorverarbeitungsschritt, der vor jedem Lernphasenschritt und vor jedem Prädiktionsphasenschritt durchgeführt wird, die dem Überwachungsalgorithmus zugeführten Eingangsdaten auf die Daten eines Referenzsignals normiert. Diese Vorgehensweise hat den Vorteil, dass Schwankungen in den Randbedingungen, beispielsweise aufgrund natürlicher Streuung, durch die Normierung kompensiert oder zumindest weitgehend kompensiert werden können, wodurch je nach Art der Streuung die Verarbeitung in der Lernphase und in der Prädiktionsphase verbessert wird, insbesondere schneller durchgeführt werden kann, oder erst möglich gemacht wird. Die Lernphase und die Prädiktionsphase des Überwachungsalgorithmus bleiben an sich unberührt von dem Vorverarbeitungsschritt, da lediglich die Eingangsdaten in jeder Phase normiert werden. In the method according to the invention, in a preprocessing step which is carried out before each learning phase step and before each prediction phase step, the input data supplied to the monitoring algorithm are normalized to the data of a reference signal. This approach has the advantage that fluctuations in the boundary conditions, for example, due to natural scatter, which can be compensated or at least largely compensated by the normalization, whereby, depending on the type of scatter, the processing in the learning phase and in the prediction phase is improved, in particular can be carried out more quickly, or is made possible in the first place. The learning phase and the prediction phase of the monitoring algorithm remain unaffected by the preprocessing step, since only the input data are normalized in each phase.
Gemäß einer vorteilhaften Ausführung betrifft die Normierung die Anzahl der dem Überwachungsalgorithmus zugeführten Eingangsdaten. Weicht diese Anzahl von der Anzahl der Daten des Referenzsignals ab, so erfolgt eine Normierung dahingehend, dass die Anzahl der Eingangsdaten auf die Anzahl der Daten des Referenzsignals vereinheitlicht wird. Dementsprechend erhält der Überwachungsalgorithmus nach der Normierung immer die gleiche Anzahl an Eingangsdaten zugeführt. According to an advantageous embodiment, the normalization relates to the number of input data supplied to the monitoring algorithm. If this number deviates from the number of data in the reference signal, normalization takes place in such a way that the number of input data is standardized to the number of data in the reference signal. Accordingly, the monitoring algorithm always receives the same number of input data after the normalization.
Eine weitere vorteilhafte Ausführung betrifft den Fall, dass zwar die Anzahl der Eingangsdaten und die Anzahl der Daten des Referenzsignals gleich ist, jedoch die Eingangsdaten gegenüber dem Referenzsignal verzerrt sind. Auch in diesem Fall kann eine Normierung durchgeführt werden, bei der die verzerrten Eingangsdaten auf die Daten des Referenzsignals abgebildet werden. Diese Vorgehensweise ermöglicht es beispielsweise, verschobene Maxima oder Minima in den Eingangsdaten auf die Daten des Referenzsignals abzubilden. A further advantageous embodiment relates to the case in which the number of input data and the number of data of the reference signal are the same, but the input data are distorted with respect to the reference signal. In this case too, normalization can be carried out in which the distorted input data are mapped onto the data of the reference signal. This procedure makes it possible, for example, to map shifted maxima or minima in the input data onto the data of the reference signal.
Gemäß einerweiteren vorteilhaften Ausführung erfolgt die Normierung der dem Überwachungsalgorithmus zugeführten Eingangsdaten in drei Teilschritten. Die Eingangsdaten liegen zeitdiskret vor, wobei im ersten Teilschritt eine Zeitnormierung in einem betrachteten Zeitfenster auf das Referenzsignal durchgeführt wird. In einem sich hieran anschließenden zweiten Teilschritt werden die nicht-normierten Eingangsdaten für die verschiedenen Zeitabschnitte des betrachteten Zeitfensters in den Frequenzbereich transformiert. Daran schließt sich ein dritter Teilschritt an, in welchem die den verschiedenen Zeitabschnitten zugeordneten Frequenzabschnitte entsprechend der Zeitnormierung des ersten Teilschritts zusammengefasst werden. Im Ergebnis erhält man normierte Eingangsdaten im Frequenzbereich, die dem Überwachungsalgorithmus als Eingang zugeführt werden. Die Ausgangsvergleichsdaten, welche im Überwachungsalgorithmus in der Prädiktionsphase erzeugt werden, liegen entsprechend ebenfalls im Frequenzbereich vor. According to a further advantageous embodiment, the input data fed to the monitoring algorithm is normalized in three sub-steps. The input data are available in a time-discrete manner, with a time normalization being carried out in an observed time window on the reference signal in the first sub-step. In a subsequent second partial step, the non-standardized input data for the various time segments of the time window under consideration are transformed into the frequency range. This is followed by a third sub-step in which the frequency segments assigned to the various time segments are combined in accordance with the time normalization of the first sub-step. As a result normalized input data is obtained in the frequency range, which is fed to the monitoring algorithm as an input. The output comparison data, which are generated in the monitoring algorithm in the prediction phase, are accordingly also available in the frequency range.
Der Vergleich zwischen den Ausgangsvergleichsdaten des Überwachungsalgorithmus und den Ausgangsdaten der technischen Einrichtung kann entweder im Zeitbereich oder im Frequenzbereich durchgeführt werden. Bei einem Vergleich im Zeitbereich werden die Ausgangsvergleichsdaten, welche am Ausgang des Überwachungsalgorithmus anliegen, vom Frequenz- in den Zeitbereich rücktransformiert, woraufhin im Zeitbereich der Vergleich mit den Ausgangsdaten der technischen Einrichtung durchgeführt werden kann. Bei einem Vergleich im Frequenzbereich werden die Ausgangsdaten der technischen Einrichtung, welche üblicherweise im Zeitbereich vorliegen, beispielsweise als Messreihe, in den Frequenzbereich transformiert. Daraufhin können die Ausgangsvergleichsdaten des Überwachungsalgorithmus und die Ausgangsdaten der technischen Einrichtung im Frequenzbereich miteinander verglichen werden. The comparison between the output comparison data of the monitoring algorithm and the output data of the technical device can be carried out either in the time domain or in the frequency domain. In the case of a comparison in the time domain, the output comparison data which are present at the output of the monitoring algorithm are transformed back from the frequency domain to the time domain, whereupon the comparison with the output data of the technical device can be carried out in the time domain. In the case of a comparison in the frequency domain, the output data of the technical device, which are usually present in the time domain, for example as a series of measurements, are transformed into the frequency domain. The output comparison data of the monitoring algorithm and the output data of the technical device can then be compared with one another in the frequency range.
Gemäß einer weiteren vorteilhaften Ausführung erfolgt die Zeitnormierung der Eingangsdaten auf das Referenzsignal, die im ersten Teilschritt durchgeführt wird, im Wege der dynamischen Zeitnormierung (dynamic time warping). Hierbei wird unter Optimierungsgesichtspunkten, insbesondere unter Berücksichtigung eines Kostenfunktionais der optimierte Weg durch eine Matrix gelegt, die den Abstand von jedem Punkt des Referenzsignals mit jedem Punkt der Eingangsdaten bildet. Unter Optimierungsgesichtspunkten ist der kostengünstigste Weg durch die Matrix derjenige, bei der die Verbindung vom Ausgangspunkt zum Endpunkt die geringste Summe bildet. According to a further advantageous embodiment, the time normalization of the input data to the reference signal, which is carried out in the first sub-step, takes place by way of dynamic time normalization (dynamic time warping). Here, from the point of view of optimization, in particular taking into account a cost function, the optimized path is laid through a matrix which forms the distance between each point of the reference signal and each point of the input data. From the point of view of optimization, the cheapest route through the matrix is the one where the connection from the starting point to the end point forms the lowest sum.
Gemäß einerweiteren vorteilhaften Ausführung erfolgt die Transformation der Eingangsdaten für das betrachtete Zeitfenster in den Frequenzbereich, was im zweiten Teilschritt durchgeführt wird, im Wege einer Short-Time-Fourier- Transformation (STFT). Bei dieser Transformation in den Frequenzbereich wird für eine Vielzahl von Zeitabschnitten jeweils eine Fast-Fourier-Transformation (FFT) durchgeführt. Diese Vorgehensweise hat den Vorteil, dass die Zeitinformation auch nach der Durchführung in den Frequenzbereich erhalten bleibt. Somit ist es auch möglich, gegebenenfalls eine Rücktransformation in den Zeitbereich durchzuführen, insbesondere um einen Vergleich mit den Ausgangsdaten der technischen Einrichtung im Zeitbereich durchzuführen. According to a further advantageous embodiment, the input data for the time window under consideration is transformed into the frequency range, which is carried out in the second sub-step, by way of a short-time Fourier transformation (STFT). In this transformation into the frequency domain, a fast Fourier transformation is carried out for a large number of time segments (FFT) carried out. This procedure has the advantage that the time information is retained even after it has been carried out in the frequency domain. It is thus also possible, if necessary, to carry out a transformation back into the time domain, in particular in order to carry out a comparison with the output data of the technical device in the time domain.
Das Referenzsignal, anhand dessen die Normierung durchgeführt wird, wird beispielsweise aus mehreren vorhergehenden Eingangsdaten gebildet, zum Beispiel durch Mittelwertbildung aus mehreren Eingangssignalen. The reference signal, on the basis of which the normalization is carried out, is formed, for example, from several previous input data, for example by averaging several input signals.
Alternativ ist es auch möglich, dass das Referenzsignal einem definierten Manöver folgt, welches auf die betreffende technische Einrichtung abgestimmt und für die technische Einrichtung typisch ist. Es kann beispielsweise im Automobilbereich zweckmäßig sein, ein definiertes Fahrmanöver des Fahrzeugs vorzugeben, aus dem das Referenzsignal gebildet wird, bezogen auf die technische Einrichtung, die im Fahrzeug eingesetzt wird. Alternatively, it is also possible for the reference signal to follow a defined maneuver which is tailored to the technical device in question and is typical for the technical device. In the automotive sector, for example, it can be expedient to specify a defined driving maneuver for the vehicle, from which the reference signal is formed, based on the technical device that is used in the vehicle.
Die Erfindung bezieht sich des Weiteren auf eine elektronische Einrichtung wie beispielsweise ein Steuergerät in einem Fahrzeug, die mit Mitteln zur Durchführung des vorbeschriebenen Verfahrens ausgestattet ist. Bei diesen Mitteln handelt es sich insbesondere um mindestens eine Recheneinheit und um mindestens eine Speichereinheit zur Durchführung der erforderlichen Berechnungen bzw. zum Abspeichern von Eingangs- und Ausgangsdaten. The invention also relates to an electronic device, such as a control device in a vehicle, which is equipped with means for carrying out the method described above. These means are, in particular, at least one computing unit and at least one storage unit for performing the necessary calculations or for storing input and output data.
Die Erfindung bezieht sich außerdem auf ein Computerprogrammprodukt mit einem Programmcode, der dazu ausgelegt ist, die vorbeschriebenen Verfahrensschritte auszuführen. Das Computerprogrammprodukt kann auf einem maschinenlesbaren Speichermedium abgespeichert werden und in einer vorbeschriebenen elektronischen Einrichtung ablaufen. The invention also relates to a computer program product with a program code which is designed to carry out the method steps described above. The computer program product can be stored on a machine-readable storage medium and run in an electronic device described above.
Das Verfahren ist beispielhaft anwendbar auf die Zustandsüberwachung eines technischen Systems in einem Fahrzeug, beispielsweise eines Lenksystems oder eines Bremssystems. Die elektronische Einrichtung ist in diesem Fall vorteilhafterweise ein Steuergerät, über das die Komponenten der technischen Einrichtung ansteuerbar sind. Des Weiteren ist es auch möglich, innerhalb eines größeren Systems nur ein Subsystem als technische Einrichtung zu überwachen, beispielsweise in einem Bremssystem ein ESP-Modul (Elektronisches Stabilitätsprogramm). The method can be applied, for example, to the status monitoring of a technical system in a vehicle, for example a steering system or a braking system. In this case, the electronic device is advantageously a control device via which the components of the technical device can be controlled. Furthermore, it is also possible within a larger system to monitor only one subsystem as a technical device, for example an ESP module (electronic stability program) in a braking system.
Weitere Vorteile und zweckmäßige Ausführungen sind den weiteren Ansprüchen, der Figurenbeschreibung und den Zeichnungen zu entnehmen. Es zeigen: Further advantages and useful designs can be found in the further claims, the description of the figures and the drawings. Show it:
Fig. 1 ein Blockschaltbild mit symbolischer Darstellung eines ESP-Moduls, dem Eingangsdaten zugeführt werden und das Ausgangsdaten produziert, mit einem parallel geschalteten neuronalen Netz, 1 shows a block diagram with a symbolic representation of an ESP module, to which input data is supplied and which produces output data, with a neural network connected in parallel.
Fig. 2 Schaubilder mit dem Zeitverlauf eines Eingangssignals und eines Referenzsignals, Fig. 2 diagrams with the time course of an input signal and a reference signal,
Fig. 3 eine Darstellung des in den Frequenzbereich transformierten Eingangssignals in Matrixform, 3 shows a representation of the input signal transformed into the frequency range in matrix form,
Fig. 4 das in den Frequenzbereich transformierte Eingangssignal mit Zeitnormierung gemäß Fig. 2. FIG. 4 shows the input signal transformed into the frequency range with time normalization according to FIG. 2.
Im Blockschaltbild gemäß Fig. 1 ist eine Prinzipdarstellung einer technischen Einrichtung 1 in Form eines ESP-Moduls für ein Bremssystem in einem Fahrzeug mit Eingangs- und Ausgangsdaten und mit einem parallel geschalteten neuronalen Netz 4 dargestellt. Das ESP-Modul 1, das beispielhaft als technische Einrichtung verwendet wird, umfasst eine ESP-Pumpe zur Erzeugung eines gewünschten, modulierten Bremsdrucks im Bremssystem sowie ein Steuergerät zur Ansteuerung der ESP-Pumpe. Dem ESP-Modul 1 werden Eingangsdaten 2 zugeführt, beispielsweise ein Eingangsstrom für die elektrisch betreibbare ESP- Pumpe des ESP-Moduls 1, wobei das ESP-Modul 1 als Reaktion auf die Eingangsdaten 2 Ausgangsdaten 3 produziert, beispielsweise einen hydraulischen Bremsdruck. The block diagram according to FIG. 1 shows a basic diagram of a technical device 1 in the form of an ESP module for a braking system in a vehicle with input and output data and with a neural network 4 connected in parallel. The ESP module 1, which is used by way of example as a technical device, comprises an ESP pump for generating a desired, modulated brake pressure in the brake system and a control unit for controlling the ESP pump. Input data 2 are fed to ESP module 1, for example an input current for the electrically operated ESP pump of ESP module 1, ESP module 1 producing output data 3 in response to input data 2, for example hydraulic brake pressure.
Parallel zu der technischen Einrichtung 1 ist ein neuronales Netz 4 geschaltet, das einen Überwachungsalgorithmus bildet. Das neuronale Netz 4 wird in einer Lernphase auf das Systemverhalten der technischen Einrichtung 1 trainiert, wofür dem neuronalen Netz 4 in der Lernphase sowohl die Eingangsdaten 2 als auch die Ausgangsdaten 3 der technischen Einrichtung 1 zugeführt werden. In Fig. 1 entspricht der gestrichelte Pfeil von den Ausgangsdaten 3 zum neuronalen Netz 4 der Lernphase des neuronalen Netzes, in der zusätzlich zu den Eingangsdaten 2 auch die Ausgangsdaten 3 dem neuronalen Netz zugeführt werden. A neural network 4, which forms a monitoring algorithm, is connected in parallel with the technical device 1. The neural network 4 is trained in a learning phase on the system behavior of the technical device 1, For which purpose both the input data 2 and the output data 3 of the technical device 1 are fed to the neural network 4 in the learning phase. In FIG. 1, the dashed arrow from the output data 3 to the neural network 4 corresponds to the learning phase of the neural network, in which, in addition to the input data 2, the output data 3 are also fed to the neural network.
Nach Beendigung der Lernphase kann das neuronale Netz 4 in einer Prädiktionsphase dazu verwendet werden, eine Verschlechterung im Systemverhalten der technischen Einrichtung 1 frühzeitig festzustellen. Zu diesem Zweck werden in der Prädiktionsphase dem neuronalen Netz 4 die Eingangsdaten 2 der technischen Einrichtung 1 als Eingang zugeführt, wobei nun das neuronale Netz 4 auf der Grundlage seines erlernten Verhaltens Ausgangsvergleichsdaten erzeugt (mit durchgezogener Linie dargestellter Ausgang am neuronalen Netz 4). Die Ausgangsvergleichsdaten des neuronalen Netzes 4 können mit den Ausgangsdaten 3 der technischen Einrichtung 1 verglichen werden. Liegt die Abweichung zwischen den Ausgangsvergleichsdaten des neuronalen Netzes 4 und den Ausgangsdaten 3 der technischen Einrichtung 1 außerhalb eines gegebenen Normwertebereichs, so liegt eine unzulässig starke Verschlechterung des Systemverhaltens der technischen Einrichtung 1 vor, woraus auf eine verkürzte Lebensdauer oder auf einen Teilausfall der technischen Einrichtung 1 geschlossen werden kann. Daraufhin können Maßnahmen ergriffen werden wie beispielsweise die Erzeugung eines Warnsignals oder eine Reduzierung im Funktionsumfang der technischen Einrichtung 1. After the end of the learning phase, the neural network 4 can be used in a prediction phase to determine a deterioration in the system behavior of the technical device 1 at an early stage. For this purpose, the input data 2 of the technical device 1 is fed to the neural network 4 as an input in the prediction phase, the neural network 4 now generating output comparison data on the basis of its learned behavior (output on the neural network 4 shown with a solid line). The output comparison data of the neural network 4 can be compared with the output data 3 of the technical device 1. If the discrepancy between the output comparison data of the neural network 4 and the output data 3 of the technical device 1 is outside a given range of standard values, then there is an impermissibly severe deterioration in the system behavior of the technical device 1, resulting in a shortened service life or partial failure of the technical device 1 can be closed. Measures can then be taken, such as, for example, the generation of a warning signal or a reduction in the functional scope of the technical device 1.
Das neuronale Netz 4 kann in dem Steuergerät der technischen Einrichtung 1 implementiert sein und dort ablaufen. Es ist aber auch möglich, das neuronale Netz 4 in einem weiteren Steuergerät ablaufen zu lassen, das separat von dem Steuergerät der technischen Einrichtung 1 ausgeführt ist. The neural network 4 can be implemented in the control device of the technical device 1 and run there. However, it is also possible to run the neural network 4 in a further control device which is designed separately from the control device of the technical device 1.
Die Fig. 2 bis 4 zeigen einen Vorverarbeitungsschritt, der vor jedem Lernphasenschritt und vor jedem Prädiktionsphasenschritt durchgeführt wird und bei dem die dem Überwachungsalgorithmus zugeführten Eingangsdaten auf die Daten eines Referenzsignals normiert werden. In Fig. 2 sind zwei übereinander liegende Schaubilder mit dem zeitabhängigen Verlauf eines Referenzsignals R (unteres Schaubild) und eines Signals mit gemessenen Eingangsdaten M (oberes Schaubild) dargestellt. Die Eingangsdaten M entsprechen den Eingangsdaten 2 in Fig. 1. Das Referenzsignal R weist eine Reihe von Zeitpunkten a, b, c, d und e auf. Das Signal mit den Eingangsdaten M weist eine Reihe von Zeitpunkten 1 bis 6 auf, an denen die Werte der Eingangsdaten gemessen werden. Das Referenzsignal R kann beispielsweise aus einer Vielzahl vorhergehender realer Eingangsdaten der technischen Einrichtung oder einer baugleichen, anderen technischen Einrichtung gewonnen werden. FIGS. 2 to 4 show a preprocessing step which is carried out before each learning phase step and before each prediction phase step and in which the input data fed to the monitoring algorithm are normalized to the data of a reference signal. FIG. 2 shows two graphs lying one above the other with the time-dependent profile of a reference signal R (lower diagram) and a signal with measured input data M (upper diagram). The input data M corresponds to the input data 2 in FIG. 1. The reference signal R has a series of times a, b, c, d and e. The signal with the input data M has a series of times 1 to 6 at which the values of the input data are measured. The reference signal R can be obtained, for example, from a large number of previous real input data from the technical device or from a structurally identical, other technical device.
Die Signalverläufe R und M weisen zwar den grundsätzlich gleichen Verlauf auf, sie sind jedoch nicht identisch. Zur Normierung des gemessenen Signals der Eingangsdaten M mit den insgesamt sechs gemessenen Zeitpunkten 1 bis 6 auf das Referenzsignal R mit insgesamt fünf Zeitpunkten a bis e wird in einem ersten Teilschritt eine dynamische Zeitnormierung (dynamic time warping) durchgeführt. Hierbei wird unter Optimierungsgesichtspunkten der kostengünstigste Weg vom Anfang zum Ende der beiden Signalverläufe R und M gesucht. Im Ergebnis erhält man die mit gestrichelter Linie dargestellte Zuordnung zwischen den Zeitpunkten in den Signalverläufen R und M mit den Zuordnungsmuster 1a, 2b, 3c, 4c, 5d und 6e. Die Messwerte im Signalverlauf M zu den Zeitpunkten 3 und 4 sind beide dem Zeitpunkt c im Referenzsignal R zugeordnet. The signal profiles R and M basically have the same profile, but they are not identical. To normalize the measured signal of the input data M with a total of six measured times 1 to 6 to the reference signal R with a total of five times a to e, a dynamic time normalization (dynamic time warping) is carried out in a first partial step. Here, from the point of view of optimization, the most cost-effective route from the beginning to the end of the two signal courses R and M is sought. The result is the assignment, shown with a dashed line, between the times in the signal curves R and M with the assignment patterns 1a, 2b, 3c, 4c, 5d and 6e. The measured values in signal curve M at times 3 and 4 are both assigned to time c in reference signal R.
Fig. 3 zeigt eine schematische Darstellung der Eingangsdaten M im Frequenzbereich. Hierbei werden in einem zweiten Teilschritt die Eingangsdaten M im Wege einer Short-Time-Fourier-Transformation STFT in den Frequenzbereich transformiert, indem zu jedem Zeitpunkt t = 1 bis t = 6 jeweils eine Fast-Fourier-Transformation durchgeführt wird. Diese Vorgehensweise hat den Vorteil, dass die Zeitinformation auch bei der Transformation in den Frequenzbereich erhalten bleibt. In der Matrix gemäß Fig. 3 stellen die Spalten jeweils einen in den Frequenzbereich transformierten Vektor dar, der einem der Zeitpunkte t = 1 bis 6 zugeordnet ist. Fig. 4 zeigt den dritten und letzten Teilschritt der Vorverarbeitung der Eingangsdaten, bei dem die Matrix der Eingangsdaten M aus Fig. 3 entsprechend der Zeitnormierung des ersten Teilschritts gemäß Fig. 2 zusammengefasst werden. Dies führt dazu, dass auch im Frequenzbereich, so wie dies in Fig. 4 dargestellt ist, die Frequenzabschnitte, welche den Zeitpunkten 3 und 4 zugeordnet sind, zu einem gemeinsamen Frequenzabschnitt zusammengefasst werden. Als Resultat erhält man eine Reduzierung der Frequenzabschnitte von sechs auf fünf. Die Zusammenfassung der Frequenzabschnitte 3 und 4 erfolgt beispielsweise über eine Mittelung der Informationen in den jeweiligen Vektoren, die den Zeitpunkten 3 und 4 zugeordnet sind. 3 shows a schematic representation of the input data M in the frequency domain. Here, in a second sub-step, the input data M are transformed into the frequency range by means of a short-time Fourier transformation STFT by performing a fast Fourier transformation at each point in time t = 1 to t = 6. This procedure has the advantage that the time information is also retained during the transformation into the frequency domain. In the matrix according to FIG. 3, the columns each represent a vector which has been transformed into the frequency range and which is assigned to one of the times t = 1 to 6. FIG. 4 shows the third and last sub-step of the preprocessing of the input data, in which the matrix of the input data M from FIG. 3 is combined according to the time normalization of the first sub-step according to FIG. 2. As a result, in the frequency range as well, as shown in FIG. 4, the frequency segments which are assigned to times 3 and 4 are combined to form a common frequency segment. The result is a reduction in the frequency segments from six to five. Frequency sections 3 and 4 are combined, for example, by averaging the information in the respective vectors that are assigned to times 3 and 4.
Nach Beendigung der Vorverarbeitung können die normierten Eingangsdaten M im Frequenzbereich dem als neuronales Netz ausgeführten Überwachungsalgorithmus in der Prädiktionsphase zugeführt werden, woraufhin das neuronale Netz Ausgangsvergleichsdaten im Frequenzbereich ermittelt, die mit zugeordneten Ausgangsdaten der technischen Einrichtung im Frequenzbereich verglichen werden können. Im Fall einer unzulässigen Abweichung, die auf eine Verschlechterung des Systemverhaltens der technischen Einrichtung hinweist, kann beispielsweise ein Alarmsignal erzeugt werden. After the preprocessing has ended, the normalized input data M in the frequency domain can be fed to the monitoring algorithm implemented as a neural network in the prediction phase, whereupon the neural network determines output comparison data in the frequency domain, which can be compared with the assigned output data of the technical device in the frequency domain. In the event of an impermissible deviation that indicates a deterioration in the system behavior of the technical device, an alarm signal can be generated, for example.
Alternativ zu dieser Vorgehensweise ist es auch möglich, die im neuronalen Netz berechneten Ausgangsvergleichsdaten vom Frequenzbereich in den Zeitbereich zu transformieren und mit den Ausgangsdaten der technischen Einrichtung im Zeitbereich zu vergleichen. Auch in diesem Fall kann bei einer unzulässig hohen Abweichung, die auf eine Verschlechterung des Systemverhaltens hinweist, ein Alarmsignal erzeugt oder eine sonstige Maßnahme ergriffen werden, beispielsweise eine Degradation der Funktionalität der technischen Einrichtung durchgeführt oder alternative technische Einrichtungen aktiviert werden. As an alternative to this procedure, it is also possible to transform the output comparison data calculated in the neural network from the frequency domain to the time domain and to compare it with the output data of the technical device in the time domain. In this case too, in the event of an impermissibly high deviation that indicates a deterioration in system behavior, an alarm signal can be generated or some other measure can be taken, for example a degradation of the functionality of the technical device or alternative technical devices activated.

Claims

Ansprüche Expectations
1. Verfahren zum Ermitteln einer unzulässigen Abweichung des Systemverhaltens einer technischen Einrichtung (1) von einem Normwertebereich mithilfe eines Überwachungsalgorithmus (4), dem in einer Lernphase Eingangsdaten (2, M) und Ausgangsdaten (3) der technischen Einrichtung (1) zugeführt werden, wobei in einer sich an die Lernphase anschließenden Prädiktionsphase dem Überwachungsalgorithmus (4) nur die Eingangsdaten (2, M) der technischen Einrichtung (1) zugeführt und im Überwachungsalgorithmus (4) Ausgangsvergleichsdaten berechnet werden, wobei eine unzulässige Abweichung der technischen Einrichtung (1) festgestellt wird, falls die Ausgangsdaten (3) der technischen Einrichtung (1) aufgrund der Differenz zu den Ausgangsvergleichsdaten des Überwachungsalgorithmus (4) außerhalb des Normwertebereichs liegen, wobei in einem Vorverarbeitungsschritt die dem Überwachungsalgorithmus (4) zugeführten Eingangsdaten (2, M) auf die Daten eines Referenzsignals (R) normiert werden. 1. A method for determining an impermissible deviation of the system behavior of a technical device (1) from a standard value range with the aid of a monitoring algorithm (4) to which input data (2, M) and output data (3) of the technical device (1) are fed in a learning phase, in a prediction phase following the learning phase, only the input data (2, M) of the technical device (1) are fed to the monitoring algorithm (4) and output comparison data are calculated in the monitoring algorithm (4), an impermissible deviation of the technical device (1) being determined if the output data (3) of the technical device (1) are outside the standard value range due to the difference to the output comparison data of the monitoring algorithm (4), the input data (2, M) fed to the monitoring algorithm (4) being applied to the data in a preprocessing step of a reference signal (R) can be normalized.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass in dem Vorverarbeitungsschritt die Anzahl der dem Überwachungsalgorithmus (4) zugeführten Eingangsdaten (2, M) auf die Anzahl der Daten des Referenzsignals (R) vereinheitlicht wird. 2. The method according to claim 1, characterized in that in the preprocessing step the number of input data (2, M) fed to the monitoring algorithm (4) is standardized to the number of data of the reference signal (R).
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass in dem Vorverarbeitungsschritt bei gleicher Anzahl der Eingangsdaten (2, M) und der Daten des Referenzsignals (R), jedoch bei einer Verzerrung der Eingangsdaten (2, M) gegenüber den Daten des Referenzsignals (R) die Eingangsdaten (2, M) auf die Daten des Referenzsignals (R) abgebildet werden. 3. The method according to claim 1 or 2, characterized in that in the preprocessing step with the same number of input data (2, M) and the data of the reference signal (R), but with a distortion of the input data (2, M) compared to the data of the Reference signal (R) the input data (2, M) are mapped onto the data of the reference signal (R).
4. Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass im Vorverarbeitungsschritt die Normierung der dem Überwachungsalgorithmus (4) zugeführten Eingangsdaten (2, M), die zeitdiskret vorliegen, in drei Teilschritten durchgeführt wird, wobei im ersten Teilschritt eine Zeitnormierung der Eingangsdaten (2, M) in einem betrachteten Zeitfenster auf das Referenzsignal (R) durchgeführt wird, im zweiten Teilschritt die Eingangsdaten (2, M) für die Zeitabschnitte des Zeitfensters in den Frequenzbereich transformiert werden und im dritten Teilschritt die den verschiedenen Zeitabschnitten zugeordnete Frequenzabschnitte der Eingangsdaten (2, M) entsprechend der Zeitnormierung des ersten Teilschritts zusammengefasst werden. 4. The method according to any one of claims 1 to 3, characterized in that in the preprocessing step the normalization of the monitoring algorithm (4) supplied input data (2, M), which are present in discrete time, is carried out in three sub-steps, with a time normalization in the first sub-step Input data (2, M) is carried out in an observed time window on the reference signal (R), in the second partial step the input data (2, M) for the time segments of the time window are transformed into the frequency range and in the third partial step the frequency segments assigned to the different time segments Input data (2, M) are summarized according to the time normalization of the first sub-step.
5. Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass die im ersten Teilschritt erfolgende Zeitnormierung der Eingangsdaten (2, M) auf das Referenzsignal (R) im Wege der dynamischen Zeitnormierung (dynamic time warping) durchgeführt wird. 5. The method according to claim 4, characterized in that the time normalization of the input data (2, M) to the reference signal (R) taking place in the first sub-step is carried out by way of dynamic time normalization (dynamic time warping).
6. Verfahren nach Anspruch 4 oder 5, dadurch gekennzeichnet, dass die im zweiten Teilschritt erfolgende Transformation der Eingangsdaten (2, M) für das betrachtete Zeitfenster in den Frequenzbereich im Wege einer Short- Time-Fourier-Transformation (STFT) durchgeführt wird. 6. The method according to claim 4 or 5, characterized in that the transformation of the input data (2, M) taking place in the second sub-step for the time window under consideration in the frequency range is carried out by means of a short-time Fourier transformation (STFT).
7. Verfahren nach einem der Ansprüche 4 bis 6, dadurch gekennzeichnet, dass die Ausgangsdaten (3) der technischen Einrichtung (1) in den Frequenzbereich transformiert und mit den im Überwachungsalgorithmus (4) berechneten Ausgangsvergleichsdaten im Frequenzbereich verglichen werden. 7. The method according to any one of claims 4 to 6, characterized in that the output data (3) of the technical device (1) is transformed into the frequency range and compared with the output comparison data calculated in the monitoring algorithm (4) in the frequency range.
8. Verfahren nach einem der Ansprüche 4 bis 6, dadurch gekennzeichnet, dass die im Überwachungsalgorithmus (4) berechneten Ausgangsvergleichsdaten in den Zeitbereich transformiert und mit den Ausgangsdaten (3) der technischen Einrichtung (1) im Zeitbereich verglichen werden. 8. The method according to any one of claims 4 to 6, characterized in that the output comparison data calculated in the monitoring algorithm (4) is transformed into the time domain and compared with the output data (3) of the technical device (1) in the time domain.
9. Verfahren nach einem der Ansprüche 1 bis 8, dadurch gekennzeichnet, dass das Referenzsignal (R) aus mehreren vorhergehenden Eingangsdaten (2, M) gebildet wird. 9. The method according to any one of claims 1 to 8, characterized in that the reference signal (R) is formed from a plurality of preceding input data (2, M).
10. Verfahren nach einem der Ansprüche 1 bis 9, dadurch gekennzeichnet, dass das Referenzsignal (R) einem definierten Manöver entspricht, zum Beispiel einem definierten Fahrmanöver eines Fahrzeugs. 10. The method according to any one of claims 1 to 9, characterized in that the reference signal (R) corresponds to a defined maneuver, for example a defined driving maneuver of a vehicle.
11. Verfahren nach einem der Ansprüche 1 bis 10, dadurch gekennzeichnet, dass der Überwachungsalgorithmus (4) als neuronales Netz ausgebildet ist. 11. The method according to any one of claims 1 to 10, characterized in that the monitoring algorithm (4) is designed as a neural network.
12. Elektronische Einrichtung, insbesondere Steuergerät in einem Fahrzeug, mit Mitteln, die dazu ausgebildet sind, das Verfahren nach einem der Ansprüche 1 bis 11 durchzuführen. 12. Electronic device, in particular control device in a vehicle, with means which are designed to carry out the method according to one of claims 1 to 11.
13. Computerprogrammprodukt mit einem Programmcode, der dazu ausgelegt ist, Schritte des Verfahrens nach einem der Ansprüche 1 bis 11 auszuführen. 13. Computer program product with a program code which is designed to carry out steps of the method according to one of claims 1 to 11.
14. Maschinenlesbares Speichermedium, auf welchem ein Computerprogrammprodukt nach Anspruch 12 gespeichert ist. 14. Machine-readable storage medium on which a computer program product according to claim 12 is stored.
EP20803131.0A 2019-11-06 2020-11-05 Method for determining an inadmissible deviation of the system behavior of a technical device from a standard value range Pending EP4055497A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019217055.2A DE102019217055A1 (en) 2019-11-06 2019-11-06 Method for determining an impermissible deviation of the system behavior of a technical facility from a standard value range
PCT/EP2020/081024 WO2021089655A1 (en) 2019-11-06 2020-11-05 Method for determining an inadmissible deviation of the system behavior of a technical device from a standard value range

Publications (1)

Publication Number Publication Date
EP4055497A1 true EP4055497A1 (en) 2022-09-14

Family

ID=73138829

Family Applications (1)

Application Number Title Priority Date Filing Date
EP20803131.0A Pending EP4055497A1 (en) 2019-11-06 2020-11-05 Method for determining an inadmissible deviation of the system behavior of a technical device from a standard value range

Country Status (8)

Country Link
US (1) US20220391473A1 (en)
EP (1) EP4055497A1 (en)
JP (1) JP7419515B2 (en)
KR (1) KR20220092532A (en)
CN (1) CN114641781A (en)
DE (1) DE102019217055A1 (en)
FR (1) FR3102871A1 (en)
WO (1) WO2021089655A1 (en)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11212637A (en) * 1998-01-22 1999-08-06 Hitachi Ltd Method and device for preventive maintenance
CA2611408A1 (en) * 2005-06-09 2006-12-14 Drive Diagnostics Ltd. System and method for displaying a driving profile
JP4510739B2 (en) * 2005-09-29 2010-07-28 富士重工業株式会社 Vehicle behavior estimation / prediction device and vehicle stabilization control system
JP6900163B2 (en) * 2016-09-26 2021-07-07 株式会社デンソー Control system
JP7179444B2 (en) * 2017-03-29 2022-11-29 三菱重工業株式会社 Sign detection system and sign detection method
DE102017223751A1 (en) * 2017-12-22 2019-06-27 Robert Bosch Gmbh Method and device for detecting anomalies in a data stream of a communication network
US11029359B2 (en) * 2018-03-09 2021-06-08 Pdf Solutions, Inc. Failure detection and classsification using sensor data and/or measurement data
DE102018206805B3 (en) 2018-05-03 2019-09-12 Robert Bosch Gmbh A method, apparatus and computer program for predicting a future movement of an object

Also Published As

Publication number Publication date
KR20220092532A (en) 2022-07-01
JP7419515B2 (en) 2024-01-22
FR3102871A1 (en) 2021-05-07
US20220391473A1 (en) 2022-12-08
CN114641781A (en) 2022-06-17
WO2021089655A1 (en) 2021-05-14
JP2022552854A (en) 2022-12-20
DE102019217055A1 (en) 2021-05-06

Similar Documents

Publication Publication Date Title
EP3066529B1 (en) Virtual test optimization for driver assistance systems
DE102008021385B3 (en) Method and apparatus for learning the rest position of the accelerator pedal of a motor vehicle
EP3282399B1 (en) Method for the improved detection of process anomalies of a technical installation and corresponding diagnostic system
EP1163532A1 (en) Method for identifying the condition of an energy accumulator
DE102009046230A1 (en) Collision monitoring for a motor vehicle
WO2019086149A1 (en) Method and device for controlling a longitudinal position of a vehicle
DE102012202903A1 (en) Method for determining an operating state of a form-locking switching element of a transmission device
DE102018210454A1 (en) Device and method for monitoring the activity of a driver of a vehicle
EP1638829A1 (en) Method and arrangement for eliminating false messages in monitoring systems
DE19939872A1 (en) Method and device for sensor monitoring, in particular for an ESP system for vehicles
DE102014211896A1 (en) Method for monitoring a vehicle control
DE102018000579A1 (en) Monitoring a functional readiness of an electrical device
WO2021089659A1 (en) Method for determining an inadmissible deviation of the system behavior of a technical device from a standard value range
DE102016002105A1 (en) Method for offset compensation of a yaw rate sensor of a vehicle
EP4055497A1 (en) Method for determining an inadmissible deviation of the system behavior of a technical device from a standard value range
DE102018214468A1 (en) Method, control unit, system and computer program product for providing information for operating a vehicle
DE102016208076A1 (en) METHOD AND DEVICE FOR EVALUATING AN INPUT VALUE IN A DRIVER ASSISTANCE SYSTEM, DRIVER ASSISTANCE SYSTEM AND TEST SYSTEM FOR A DRIVER ASSISTANCE SYSTEM
DE102019203783B4 (en) Method, program and system for using signal quality requirements within the framework of security concepts
DE102020109858A1 (en) Method of operating a system
WO2021089749A1 (en) Method for determining an inadmissible deviation of the system behavior of a technical device from a standard value range
DE102018128892A1 (en) Method, system and computer program for providing information for operating a vehicle
DE102014217694A1 (en) Lane Departure
DE102018128894A1 (en) Method, system and computer program for providing information for operating a vehicle, in particular by means of a digital map
DE102016219315A1 (en) Method and device for avoiding unwanted acceleration of a motor vehicle
DE102015221951A1 (en) Procedure for checking a monitoring function

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: 20220607

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

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)