EP4267447A1 - Auswerteinrichtung für eine technische einrichtung und verfahren zum herstellen einer auswerteinrichtung - Google Patents

Auswerteinrichtung für eine technische einrichtung und verfahren zum herstellen einer auswerteinrichtung

Info

Publication number
EP4267447A1
EP4267447A1 EP21839900.4A EP21839900A EP4267447A1 EP 4267447 A1 EP4267447 A1 EP 4267447A1 EP 21839900 A EP21839900 A EP 21839900A EP 4267447 A1 EP4267447 A1 EP 4267447A1
Authority
EP
European Patent Office
Prior art keywords
measurement data
evaluation device
basis
real
training
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
EP21839900.4A
Other languages
English (en)
French (fr)
Inventor
Jens Braband
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 GmbH
Original Assignee
Siemens Mobility 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 GmbH filed Critical Siemens Mobility GmbH
Publication of EP4267447A1 publication Critical patent/EP4267447A1/de
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L1/00—Devices along the route controlled by interaction with the vehicle or train
    • B61L1/16—Devices for counting axles; Devices for counting vehicles
    • 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
    • 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
    • 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
    • B61L27/60—Testing or simulation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B61—RAILWAYS
    • B61L—GUIDING RAILWAY TRAFFIC; ENSURING THE SAFETY OF RAILWAY TRAFFIC
    • B61L25/00—Recording or indicating positions or identities of vehicles or trains or setting of track apparatus
    • B61L25/02—Indicating or recording positions or identities of vehicles or trains
    • B61L25/026—Relative localisation, e.g. using odometer

Definitions

  • Evaluation device for a technical device and method for producing an evaluation device
  • the invention relates to a method for producing an evaluation device that works on the basis or at least also on the basis of artificial intelligence and is suitable for use in a technical device in which one or more measurement data sources transmit real measurement data for evaluation to the evaluation device, the evaluation device being trained in a training phase in the method.
  • the invention is based on the object of specifying a method that can be carried out in a particularly simple and cost-effective manner.
  • the training phase includes:
  • a validation step that checks the quality of the training phase.
  • a major advantage of the method can be seen in the fact that the validation step provided according to the invention, the learning phase or whose quality can be checked.
  • the validation step thus makes it possible to minimize the effort involved in training with little risk; because the validation step shows whether the previously carried out training was sufficient or not in view of the specified criteria. If this is not the case, this is revealed and it can be corrected later.
  • the simulated measurement data and the real measurement data are compared as part of the validation step and the validation step is completed successfully, the simulation model is validated and the evaluation device is considered to be sufficiently trained if the deviation between the simulated Measurement data and the real measurement data, in particular the deviation between the error rate of the simulation model and the error rate of the real measurement data, falls below a predetermined limit.
  • the invention also relates to a training device for training an evaluation device that works on the basis or at least also on the basis of artificial intelligence and is suitable for use in a technical device in which one or more measurement data sources transmit real measurement data for evaluation to the evaluation device .
  • the training device is designed to carry out a training step on the basis of simulated measurement data generated by simulation based on a simulation model of the technical device and/or real measurement data obtained from one or more real measurement data sources technical equipment have been generated, and additional borrowed to carry out a validation step that checks the quality of the training phase.
  • the invention also relates to an evaluation device that works on the basis or at least also on the basis of artificial intelligence and is suitable for use in a technical device in which one or more measurement data sources transmit real measurement data for evaluation to the evaluation device.
  • the evaluation device has been trained in a training phase, the training phase comprising: a training step based on simulated measurement data that has been generated by simulation on the basis of a simulation model of the technical device, and/or real measurement data that have been generated by one or more real measurement data sources of the technical facility, and a validation step that checks the quality of the training phase.
  • FIG. 3 shows the arrangement according to FIG. 2 during a first embodiment of a validation step
  • FIG. 5 shows an exemplary embodiment of an arrangement for teaching the evaluation device of the railway system according to FIG. 1 during a teaching phase on the basis of real measurement data
  • FIG. 6 shows the arrangement according to FIG. 5 during a validation step.
  • the detection devices 21 generate analog or digital detection signals S, which can be used to identify when the respective detection device 21 is being passed by an axle. Due to aging and/or disturbing external influences, however, the detection signals S can be faulty and, under certain circumstances, can be evaluated poorly or not at all, so that measurement errors or Errors can occur when evaluating the detection signals S.
  • FIG. 2 shows an exemplary embodiment for an arrangement which includes the evaluation device 22 according to FIG. 1 and a first exemplary embodiment for an external training device 30 .
  • the training device 30 includes a computing device 31 and a memory 32 .
  • a simulation model S IM is stored in the memory 32 of the training device 30 , on the basis of which the computing device 31 of the training device 30 can generate simulated measurement data.
  • the simulation model S IM describes or simulates the mode of operation of the detection devices 21 according to FIG. refer to individual overrun events, but to overrun events on a large number of axes in the case of passing passenger trains PZ or freight trains GZ, i.e. to sequences of overrun events.
  • sequences of overrun events are generated for passenger trains PZ and freight trains GZ, which are characteristic of freight trains GZ and passenger trains PZ and allow a distinction to be made between the sequence type “passenger train PZ” and the sequence type “freight train GZ”.
  • the training module TM receives the simulated erroneous measurement data MDsim with the pre-classification, it will train the evaluation module AWM on this basis to recognize overrun events as such and to distinguish between passenger trains and freight trains.
  • the training can be based, for example, on the principle of the so-called support vector machine (SVM, or support vector machine or support vector method), but other known types of machine learning can also be used.
  • SVM support vector machine
  • a validation module VAL is also stored in the memory 32 of the training device 30 , on the basis of which the computing device 31 of the training device 30 can carry out a validation of the simulated erroneous measurement data MDsim. In concrete terms, it can use the validation module VAL to check whether the simulated erroneous measurement data MDsim of the simulation model S IM sufficiently correctly describe or describe the detection devices 21 according to FIG. simulate sufficiently correctly .
  • FIG. 3 shows an example of a first exemplary embodiment of a preferred mode of operation of the validation module VAL of the training device 30 according to FIG.
  • the validation module VAL carries out a validation step in which, after the training step has been completed, it feeds real measurement data MDreal , i.e. data that has actually been generated by the two detection devices 21 and then stored, into the trained evaluation device 22 and this real measurement data MDreal can be classified by the trained evaluation device 22 .
  • real measurement data MDreal i.e. data that has actually been generated by the two detection devices 21 and then stored
  • a simulation model S IM is stored in the memory 32 of the training device 30, on the basis of which the computing device 31 of the training device 30 can generate simulated error-prone measurement data MDsim and which, for example, can be identical to the simulation model S IM described above in connection with Figures 2 to 3 .
  • the simulation model SIM With regard to the simulation model SIM, the above statements in connection with FIGS. 2 to 3 apply accordingly.
  • a training module ALM is also stored in the memory 32 of the training device 30, which when executed by the computing device 31 - unlike the training device 30 according to Figures 2 to 4 - feeds real measurement data MDreal into the evaluation device 22, so that the training module TM of the evaluation device 22 carries out the training on the basis of the real measurement data MDreal.
  • the validation module VAL feeds simulated, ie erroneous, measurement data MDsim into the trained evaluation device 22 by means of the simulation model S IM for the purpose of validation.
  • the evaluation device 22 carries out a classification of the measurement data, preferably with regard to an assignment to freight or passenger trains and transmits the classification results K to the validation module VAL.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Die Erfindung bezieht sich unter anderem auf ein Verfahren zum Herstellen einer Auswerteinrichtung (22), die auf der Basis oder zumindest auch auf der Basis künstlicher Intelligenz arbeitet und zum Einsatz in einer technischen Einrichtung (20) geeignet ist, bei der eine oder mehrere Messdatenquellen reale Messdaten (MDreal) zwecks Auswertung zu der Auswerteinrichtung (22) übermitteln, wobei bei dem Verfahren die Auswerteinrichtung (22) in einer Anlernphase angelernt wird. Erfindungsgemäß ist vorgesehen, dass die Anlernphase umfasst: einen Trainingsschritt auf der Basis von simulierten Messdaten (MDsim), die durch Simulation auf der Basis eines Simulationsmodells (SIM) der technischen Einrichtung (20) erzeugt worden sind, und/oder realen Messdaten (MDreal), die von einer oder mehreren realen Messdatenquellen der technischen Einrichtung (20) erzeugt worden sind, und einen Validierungsschritt, der die Qualität der Anlernphase überprüft.

Description

Beschreibung
Auswerteinrichtung für eine technische Einrichtung und Verfahren zum Herstellen einer Auswerteinrichtung
Die Erfindung bezieht sich auf ein Verfahren zum Herstellen einer Auswerteinrichtung, die auf der Basis oder zumindest auch auf der Basis künstlicher Intelligenz arbeitet und zum Einsatz in einer technischen Einrichtung geeignet ist , bei der eine oder mehrere Messdatenquellen reale Messdaten zwecks Auswertung zu der Auswerteinrichtung übermitteln, wobei bei dem Verfahren die Auswerteinrichtung in einer Anlernphase angelernt wird .
Auf der Basis künstlicher Intelligenz arbeitende Auswerteinrichtungen und Verfahren zu deren Herstellung sind beispielsweise im Bereich autonom fahrender Fahrzeuge bekannt .
Der Erfindung liegt die Aufgabe zugrunde , ein Verfahren anzugeben, das sich besonders einfach und kostengünstig durchführen lässt .
Diese Aufgabe wird erfindungsgemäß durch ein Verfahren mit den Merkmalen gemäß Patentanspruch 1 gelöst . Vorteilhafte Ausgestaltungen des erfindungsgemäßen Verfahrens sind in Unteransprüchen angegeben .
Danach ist erfindungsgemäß vorgesehen, dass die Anlernphase umfasst :
- einen Trainingsschritt auf der Basis von simulierten Messdaten, die durch Simulation auf der Basis eines Simulationsmodells der technischen Einrichtung erzeugt worden sind, und/oder realen Messdaten, die von einer oder mehreren realen Messdatenquellen der technischen Einrichtung erzeugt worden sind, und
- einen Validierungsschritt , der die Qualität der Anlernphase überprüft . Ein wesentlicher Vorteil des erfindungsgemäßen Verfahrens ist darin zu sehen, dass durch den erfindungsgemäß vorgesehenen Validierungsschritt die Anlernphase bzw . deren Qualität überprüft werden kann . Der Validierungsschritt ermöglicht es somit , den Aufwand beim Anlernen risikoarm zu minimieren; denn der Validierungsschritt zeigt , ob das zuvor durchgeführte Anlernen mit Blick auf vorgegebene Kriterien ausreichend war oder nicht , ist dies nicht der Fall , so wird dies of fenbart und es kann nachträglich nachgebessert werden .
Bei vielen technischen Anlagen stehen für ein Anlernen häufig nicht ausreichend viele reale Messdaten zur Verfügung oder das Erzeugen ausreichend vieler realer Messdaten wäre unangemessen aufwändig . Aus diesem Grunde ist bei einer vorteilhaften Ausgestaltung des Verfahrens vorgesehen, dass der Trainingsschritt auf der Basis der simulierten Messdaten durchgeführt wird und im Rahmen des Validierungsschritts das Simulationsmodell und damit die Qualität der beim Anlernen herangezogenen simulierten Messdaten überprüft wird . Im Rahmen von Simulationen kann in einfacher und kostengünstiger Weise eine Viel zahl an Messdaten oder Messdatensequenzen erzeugt werden, die zum Anlernen verwendet werden kann .
Bei der letztgenannten Ausgestaltung ist es besonders vorteilhaft , wenn das Simulationsmodell Mess fehler mit einer vorgegebenen Mess fehlerrate berücksichtigt und auf der Basis des Simulationsmodells mess fehlerbehaftete , simulierte Messdaten erzeugt werden und im Rahmen des Validierungsschritts nach dem Trainingsschritt die realen Messdaten in die angelernte Auswerteinrichtung eingespeist werden und die realen Messdaten von der angelernten Auswerteinrichtung klassi fiziert werden, die Fehlerrate der Klassi fikation der Auswerteinrichtung mit der dem Simulationsmodell zugrunde liegenden Fehlerrate verglichen wird und der Validierungsschritt als erfolgreich abgeschlossen, das Simulationsmodell als validiert und die Auswerteinrichtung als ausreichend angelernt angesehen wird, wenn die Abweichung zwischen der Fehlerrate des Simulationsmodells und der Fehlerrate der Klassi fikation der Auswerteinrichtung eine vorgegebene Grenze unterschreitet .
Alternativ oder zusätzlich kann in vorteilhafter Weise vorgesehen werden, dass im Rahmen des Validierungsschritts die simulierten Messdaten und die realen Messdaten verglichen werden und der Validierungsschritt als erfolgreich abgeschlossen, das Simulationsmodell als validiert und die Auswerteinrichtung als ausreichend angelernt angesehen wird, wenn die Abweichung zwischen den simulierten Messdaten und den realen Messdaten, insbesondere die Abweichung zwischen der Fehlerrate des Simulationsmodells und der Fehlerrate der realen Messdaten, eine vorgegebene Grenze unterschreitet .
Bei einer anderen als vorteilhaft angesehenen Aus führungs Variante ist vorgesehen, dass der Trainingsschritt auf der Basis der realen Messdaten durchgeführt wird und mit dem Simulationsmodell simulierte Messdaten zum Zwecke der Validierung erzeugt werden, wobei nach dem Trainingsschritt die simulierten Messdaten in die angelernte Auswerteinrichtung eingespeist werden und auf der Basis einer von der Auswerteinrichtung durchgeführten Klassi fikation eine Vergleichs fehlerrate ermittelt wird und der Validierungsschritt als erfolgreich abgeschlossen, das Simulationsmodell als validiert und die Auswerteinrichtung als ausreichend angelernt angesehen wird, wenn die Abweichung zwischen der Vergleichs fehlerrate und der Fehlerrate der realen Messdaten eine vorgegebene Grenze unterschreitet . Bei der letztgenannten Aus führungs form dienen also die realen Messdaten zum Trainieren bzw . Anlernen und die simulierten Messdaten zum Validieren bzw . Kontrollieren, ob das Anlernen qualitativ ausreichend war .
Als besonders vorteilhaft wird es angesehen, wenn die Auswerteinrichtung für den Einsatz in einer eisenbahntechnischen Einrichtung hergestellt wird, indem die Auswerteinrichtung auf der Basis realer eisenbahntechnischer Messdaten und/oder simulierter eisenbahntechnischer Messdaten angelernt wird . Die Messdatenquellen, deren Messdaten von der Auswerteinrichtung ausgewertet werden bzw . ausgewertet werden sollen, sind vorzugsweise Achssensoren bzw . Achs zähler oder Hodometer .
Von großem Vorteil ist es , wenn die Auswerteinrichtung zur Auswertung von Messdaten eines oder mehrerer Achssensoren auf der Basis realer Achssensormessdaten und/oder simulierter Achssensormessdaten angelernt wird .
Die Auswerteinrichtung wird vorzugsweise angelernt , auf der Basis von Messdaten eines oder mehrerer Achssensoren festzustellen, ob der oder die Achssensoren von einem Personenzug oder einem Güterzug überfahren werden, indem die Auswerteinrichtung auf der Basis realer achssensorbezogener Personenzugdaten und/oder simulierter achssensorbezogener Personenzugdaten sowie auf der Basis realer achssensorbezogener Güterzugdaten und/oder simulierter achssensorbezogener Güterzugdaten angelernt wird .
Alternativ kann in vorteilhafter Weise vorgesehen werden, dass die Auswerteinrichtung zur Auswertung von Messdaten eines Hodometers einer eisenbahntechnischen Einrichtung, insbesondere eines Schienenfahrzeugs , angelernt wird .
Die Erfindung bezieht sich außerdem auf eine Anlerneinrichtung zum Anlernen einer Auswerteinrichtung, die auf der Basis oder zumindest auch auf der Basis künstlicher Intelligenz arbeitet und zum Einsatz in einer technischen Einrichtung geeignet ist , bei der eine oder mehrere Messdatenquellen reale Messdaten zwecks Auswertung zu der Auswerteinrichtung übermitteln . Erfindungsgemäß ist vorgesehen, dass die Anlerneinrichtung dazu ausgebildet ist , einen Trainingsschritt durchzuführen auf der Basis von simulierten Messdaten, die durch Simulation auf der Basis eines Simulationsmodells der technischen Einrichtung erzeugt worden sind, und/oder realen Messdaten, die von einer oder mehreren realen Messdatenquellen der technischen Einrichtung erzeugt worden sind, und zusätz- lieh einen Validierungsschritt durchzuführen, der die Qualität der Anlernphase überprüft .
Bezüglich der Vorteile der erfindungsgemäßen Anlerneinrichtung und vorteilhafter Ausgestaltungen der erfindungsgemäßen Anlerneinrichtung sei auf die obigen Aus führungen im Zusammenhang mit dem erfindungsgemäßen Verfahren und dessen vorteilhafter Ausgestaltungen verwiesen .
Die Erfindung bezieht sich außerdem auf eine Auswerteinrichtung, die auf der Basis oder zumindest auch auf der Basis künstlicher Intelligenz arbeitet und zum Einsatz in einer technischen Einrichtung geeignet ist , bei der eine oder mehrere Messdatenquellen reale Messdaten zwecks Auswertung zu der Auswerteinrichtung übermitteln . Erfindungsgemäß ist vorgesehen, dass die Auswerteinrichtung in einer Anlernphase angelernt worden ist , wobei die Anlernphase umfasst : einen Trainingsschritt auf der Basis von simulierten Messdaten, die durch Simulation auf der Basis eines Simulationsmodells der technischen Einrichtung erzeugt worden sind, und/oder realen Messdaten, die von einer oder mehreren realen Messdatenquellen der technischen Einrichtung erzeugt worden sind, und einen Validierungsschritt , der die Qualität der Anlernphase überprüft .
Bezüglich der Vorteile der erfindungsgemäßen Auswerteinrichtung und vorteilhafter Ausgestaltungen der erfindungsgemäßen Auswerteinrichtung sei auf die obigen Aus führungen im Zusammenhang mit dem erfindungsgemäßen Verfahren und dessen vorteilhafter Ausgestaltungen verwiesen .
Bei der Auswerteinrichtung ist es vorteilhaft , wenn die Auswerteinrichtung auf der Basis realer achssensorbezogener Personenzugdaten und/oder simulierter achssensorbezogener Personenzugdaten sowie auf der Basis realer achssensorbezogener Güterzugdaten und/oder simulierter achssensorbezogener Güterzugdaten angelernt worden ist und geeignet ist , auf der Basis von Messdaten eines oder mehrerer Achssensoren fest zustellen, ob der oder die Achssensoren von einem Personenzug oder einem Güterzug überfahren werden .
Die Erfindung bezieht sich außerdem auf eine eisenbahntechnische Einrichtung . Erfindungsgemäß ist vorgesehen, dass diese mit einer Auswerteinrichtung wie oben beschrieben und/oder mit einer Auswerteinrichtung, die wie oben beschrieben hergestellt worden ist , ausgestattet ist . Bezüglich der Vorteile der erfindungsgemäßen eisenbahntechnischen Einrichtung und vorteilhafter Ausgestaltungen der erfindungsgemäßen eisenbahntechnischen Einrichtung sei auf die obigen Aus führungen im Zusammenhang mit dem erfindungsgemäßen Verfahren und dessen vorteilhafter Ausgestaltungen verwiesen .
Die Erfindung wird nachfolgend anhand von Aus führungsbeispielen näher erläutert ; dabei zeigen beispielhaft
Figur 1 ein Aus führungsbeispiel für eine Eisenbahnanlage , die mit einem Aus führungsbeispiel für eine erfindungsgemäße eisenbahntechnische Einrichtung ausgestattet ist ,
Figur 2 ein Aus führungsbeispiel für eine Anordnung zum Anlernen einer Auswerteinrichtung der eisenbahntechnischen Einrichtung gemäß Figur 1 während einer Anlernphase auf der Basis simulierter Messdaten,
Figur 3 die Anordnung gemäß Figur 2 während einer ersten Aus führungsvariante eines Validierungsschritts ,
Figur 4 die Anordnung gemäß Figur 2 während einer zweiten Aus führungsvariante eines Validierungsschritts ,
Figur 5 ein Aus führungsbeispiel für eine Anordnung zum Anlernen der Auswerteinrichtung der eisenbahntechnischen Einrichtung gemäß Figur 1 während einer Anlernphase auf der Basis realer Messdaten, und Figur 6 die Anordnung gemäß Figur 5 während eines Validierungsschritts .
In den Figuren werden der Übersicht halber für identische o- der vergleichbare Komponenten stets dieselben Bezugs zeichen verwendet .
Die Figur 1 zeigt ein Aus führungsbeispiel für eine Eisenbahnanlage 10 , die mit einer eisenbahntechnischen Einrichtung 20 ausgestattet ist . Die eisenbahntechnische Einrichtung 20 umfasst als Messdatenquellen zwei Detektionseinrichtungen 21 in Form von Achssensoren zum Erfassen von Schienenfahrzeugachsen, die die j eweilige Detektionseinrichtung 21 passieren .
Die Detektionseinrichtungen 21 erzeugen analoge oder digitale Detektionssignale S , anhand derer sich erkennen lässt , wenn die j eweilige Detektionseinrichtung 21 von einer Achse passiert wird . Aufgrund von Alterung und/oder störenden äußeren Einflüssen können die Detektionssignale S j edoch fehlerbehaftet sein und unter Umständen schlecht oder gar nicht auswertbar sein, sodass Mess fehler bzw . Fehler beim Auswerten der Detektionssignale S auftreten können .
Den Detektionseinrichtungen 21 ist eine Auswerteinrichtung 22 nachgeordnet , die die Detektionssignale S , falls diese bereits digital übermittelt werden, als Messdaten auswertet o- der mit den Detektionssignalen zunächst auswertbare Messdaten bildet und diese anschließend auswertet . Die Auswerteinrichtung 22 ist zu diesem Zwecke mit einer Recheneinrichtung 220 und einem Speicher 221 ausgestattet .
In dem Speicher 221 der Auswerteinrichtung 22 ist unter anderem ein Auswertmodul AWM abgespeichert , das bei Aus führung durch die Recheneinrichtung 220 die Funktion des Auswertens der Messdaten übernimmt . Das Auswertmodul AWM basiert auf künstlicher Intelligenz und ist in einer vorher durchgeführten Anlernphase angelernt worden . In dem Speicher 221 ist außerdem ein Trainingsmodul TM abgespeichert , das bei Aus führung durch die Recheneinrichtung 220 die Funktion des Trainierens des Auswertmoduls AWM übernimmt . Das Trainieren kann das Trainingsmodul TM auf der Basis von realen Messdaten oder simulierten Messdaten durchführen, wie weiter unten im Zusammenhang mit den Figuren 2 bis 6 beispielhaft noch näher im Detail erläutert wird .
Das Auswertmodul AWM ist bei dem Aus führungsbeispiel gemäß Figur 1 derart trainiert worden, dass es auf der Basis realer Messdaten der beiden Detektionseinrichtungen 21 nicht nur feststellen kann, ob die Detektionseinrichtungen 21 von Achsen passiert werden oder nicht , also Überf ahrereignisse stattfinden oder nicht , sondern anhand von Abfolgen von Überfahrereignissen auch erkennen kann, ob die Detektionseinrichtungen 21 von einem Personenzug PZ oder einem Güterzug GZ überfahren werden . Das Auswertmodul AWM und damit die Auswerteinrichtung 22 sind somit geeignet , ausgangsseitig ein Identi fikationssignal ID zu erzeugen und aus zugeben, das das Überfahren der beiden Detektionseinrichtungen 21 durch einen Personenzug PZ oder einen Güterzug GZ beschreibt .
Die Figur 2 zeigt ein Aus führungsbeispiel für eine Anordnung, die die Auswerteinrichtung 22 gemäß Figur 1 sowie ein erstes Aus führungsbeispiel für eine externe Anlerneinrichtung 30 umfasst . Die Anlerneinrichtung 30 umfasst eine Recheneinrichtung 31 und einen Speicher 32 .
In dem Speicher 32 der Anlerneinrichtung 30 ist ein Simulationsmodell S IM abgespeichert , auf dessen Basis die Recheneinrichtung 31 der Anlerneinrichtung 30 simulierte Messdaten erzeugen kann .
Das Simulationsmodell S IM beschreibt bzw . simuliert die Arbeitsweise der Detektionseinrichtungen 21 gemäß Figur 1 und stellt simulierte , absichtlich mit einer vorgegebenen Fehlerrate RI versehene , also absichtlich fehlerbehaftete Messdaten MDsim zur Verfügung, die sich vorzugsweise nicht nur auf ein- zelne Überf ahrereignisse beziehen, sondern auf Überf ahrereig- nisse einer Viel zahl an Achsen im Falle vorbei fahrender Personenzüge PZ oder Güterzüge GZ , also auf Sequenzen an Überfahrereignissen . Dabei werden für Personenzüge PZ und Güterzüge GZ j eweils Sequenzen von Überf ahrereignissen erzeugt , die charakteristisch für Güterzüge GZ und Personenzüge PZ sind und eine Unterscheidung zwischen dem Sequenztyp " Personenzug PZ" und dem Sequenztyp "Güterzug GZ" ermöglichen .
In dem Speicher 32 der Anlerneinrichtung 30 ist außerdem ein Anlernmodul ALM abgespeichert . Das Anlernmodul ALM übermittelt bei Aus führung durch die Recheneinrichtung 32 die simulierten fehlerbehafteten Messdaten MDsim zu dem Trainingsmodul TM der Auswerteinrichtung 22 . Bei dieser Übermittlung wird vorzugsweise auch eine Vorklassi fikation, die die Zuordnung zum Sequenztyp " Personenzug PZ" und dem Sequenztyp "Güterzug GZ" anzeigt , zu dem Trainingsmodul TM übertragen .
Empfängt das Trainingsmodul TM die simulierten fehlerbehafteten Messdaten MDsim mit der Vorklassi fikation, so wird sie das Auswertmodul AWM auf deren Basis zum Erkennen von Überfahrereignissen als solchen sowie zum Unterscheiden zwischen Personenzügen und Güterzügen trainieren . Das Training kann beispielsweise auf dem Prinzip der sogenannten Support Vector Machine ( SVM, bzw . Stützvektormaschine oder Stützvektormethode ) beruhen, aber auch andere bekannte Arten des maschinellen Lernens können eingesetzt werden .
In dem Speicher 32 der Anlerneinrichtung 30 ist außerdem ein Validierungsmodul VAL abgespeichert , auf dessen Basis die Recheneinrichtung 31 der Anlerneinrichtung 30 eine Validierung der simulierten fehlerbehafteten Messdaten MDsim vornehmen kann . Konkret kann sie mit dem Validierungsmodul VAL prüfen, ob die simulierten fehlerbehafteten Messdaten MDsim des Simulationsmodells S IM die Detektionseinrichtungen 21 gemäß Figur 1 ausreichend korrekt beschreiben bzw . ausreichend korrekt simulieren . Die Figur 3 zeigt beispielhaft ein erstes Aus führungsbeispiel für eine bevorzugte Arbeitsweise des Validierungsmoduls VAL der Anlerneinrichtung 30 gemäß Figur 2 .
Bei dem Aus führungsbeispiel gemäß Figur 3 führt das Validierungsmodul VAL einen Validierungsschritt durch, bei dem es nach Abschluss des Trainingsschritts reale Messdaten MDreal , also solche , die tatsächlich von den beiden Detektionseinrichtungen 21 erzeugt und anschließend abgespeichert worden sind, in die angelernte Auswerteinrichtung 22 einspeist und diese realen Messdaten MDreal von der angelernten Auswerteinrichtung 22 klassi fi zieren lässt .
Die von der Auswerteinrichtung 22 erzeugten Klassi fikationsergebnisse K werden mit einer Vorklassi fikation der realen Messwerte MDreal unter Bildung einer Fehlerrate R2 der Klassi fikation der Auswerteinrichtung 22 verglichen . Anschließend wird die Fehlerrate R2 der Klassi fikation der Auswerteinrichtung 22 mit der dem Simulationsmodell S IM zugrunde liegenden Fehlerrate RI verglichen . Der Validierungsschritt wird als erfolgreich abgeschlossen, das Simulationsmodell S IM als validiert und die Auswerteinrichtung 22 als ausreichend angelernt angesehen, wenn die Abweichung zwischen der Fehlerrate RI des Simulationsmodells S IM und der Fehlerrate R2 der Klassi fikation der Auswerteinrichtung 22 eine vorgegebene Grenze Gl unterschreitet .
Die Figur 4 zeigt beispielhaft ein zweites Aus führungsbeispiel für eine bevorzugte Arbeitsweise des Validierungsmoduls VAL der Anlerneinrichtung 30 gemäß Figur 2 .
Bei dem Aus führungsbeispiel gemäß Figur 4 vergleicht das Validierungsmodul VAL im Rahmen des Validierungsschritts die simulierten Messdaten MDsim und die realen Messdaten MDreal . Der Validierungsschritt wird vorzugsweise als erfolgreich abgeschlossen, das Simulationsmodell S IM als validiert und die Auswerteinrichtung 22 als ausreichend angelernt angesehen, wenn die Abweichung zwischen der Fehlerrate RI des Simulati- onsmodells S IM und einer mittels eines anderen Kontrollauswertverfahrens festgestellten Fehlerrate R3 der realen Messdaten MDreal eine vorgegebene Grenze G2 unterschreitet .
Die Figur 5 zeigt ein Aus führungsbeispiel für eine Anordnung, die die Auswerteinrichtung 22 gemäß Figur 1 sowie ein zweites Aus führungsbeispiel für eine externe Anlerneinrichtung 30 umfasst . Die Anlerneinrichtung 30 gemäß Figur 5 umfasst ebenfalls eine Recheneinrichtung 31 und einen Speicher 32 .
In dem Speicher 32 der Anlerneinrichtung 30 ist ein Simulationsmodell S IM abgespeichert , auf dessen Basis die Recheneinrichtung 31 der Anlerneinrichtung 30 simulierte fehlerbehaftete Messdaten MDsim erzeugen kann und das beispielsweise mit dem oben im Zusammenhang mit den Figuren 2 bis 3 beschriebenen Simulationsmodell S IM identisch sein kann . Bezüglich des Simulationsmodells S IM gelten die obigen Aus führungen im Zusammenhang mit den Figuren 2 bis 3 also entsprechend .
In dem Speicher 32 der Anlerneinrichtung 30 ist außerdem ein Anlernmodul ALM abgespeichert , das bei Aus führung durch die Recheneinrichtung 31 - anders als die Anlerneinrichtung 30 gemäß den Figuren 2 bis 4 - reale Messdaten MDreal in die Auswerteinrichtung 22 einspeist , sodass das Trainingsmodul TM der Auswerteinrichtung 22 das Training auf der Basis der realen Messdaten MDreal durchführt .
Die Figur 6 zeigt beispielhaft ein Aus führungsbeispiel für eine bevorzugte Arbeitsweise des Validierungsmoduls VAL der Anlerneinrichtung 30 gemäß Figur 5 .
Nach dem Training der Auswerteinrichtung 22 auf der Basis der realen Messdaten speist - zum Zwecke der Validierung - das Validierungsmodul VAL mittels des Simulationsmodells S IM simulierte , also fehlerbehaftete Messdaten MDsim in die trainierte Auswerteinrichtung 22 ein . Die Auswerteinrichtung 22 führt eine Klassi fikation der Messdaten, vorzugsweise hinsichtlich einer Zuordnung zu Güter- oder Personenzügen, durch und übermittelt die Klassi fikationsergebnisse K zu dem Validierungsmodul VAL .
Das Validierungsmodul VAL ermittelt auf der Basis der von der Auswerteinrichtung 22 durchgeführten Klassi fikation eine Vergleichs fehlerrate R4 und sieht den Validierungsschritt als erfolgreich abgeschlossen, das Simulationsmodell S IM als validiert und die Auswerteinrichtung 22 als ausreichend angelernt an, wenn die Abweichung zwischen der Vergleichs fehlerrate R4 der Klassi fikation der Auswerteinrichtung 22 und der mittels eines anderen Kontrollauswertverfahrens festgestellten Fehlerrate R3 der realen Messdaten MDreal eine vorgegebene Grenze G3 unterschreitet .
Obwohl die Erfindung im Detail durch bevorzugte Aus führungsbeispiele näher illustriert und beschrieben wurde , so ist die Erfindung nicht durch die of fenbarten Beispiele eingeschränkt und andere Variationen können vom Fachmann hieraus abgeleitet werden, ohne den Schutzumfang der Erfindung zu verlassen .
Bezugs zeichenliste
10 Eisenbahnanlage
20 eisenbahntechnische Einrichtung
21 Detektionseinrichtung
22 Auswerteinrichtung
30 externe Anlerneinrichtung
31 Recheneinrichtung
32 Speicher
220 Recheneinrichtung
221 Speicher
ALM Anlernmodul
AWM Auswertmodul
G Güterzug
Gl vorgegebene Grenze
G2 vorgegebene Grenze
G3 vorgegebene Grenze
ID Identi fikationssignal
K Klassi fikationsergebnis
MDreal reale Messdaten
MDsim simulierte fehlerbehaftete Messdaten
PZ Personenzug
RI Fehlerrate
R2 Fehlerrate
R3 Fehlerrate
R4 Vergleichs fehlerrate
S Detektionssignal
S IM Simulationsmodell
TM Trainingsmodul
VAL Validierungsmodul

Claims

Patentansprüche
1. Verfahren zum Herstellen einer Auswerteinrichtung (22) , die
- auf der Basis oder zumindest auch auf der Basis künstlicher Intelligenz arbeitet und
- zum Einsatz in einer technischen Einrichtung (20) geeignet ist, bei der eine oder mehrere Messdatenquellen reale Messdaten (MDreal) zwecks Auswertung zu der Auswerteinrichtung (22) übermitteln, wobei bei dem Verfahren die Auswerteinrichtung (22) in einer Anlernphase angelernt wird, d a d u r c h g e k e n n z e i c h n e t, dass die Anlernphase umfasst:
- einen Trainingsschritt auf der Basis von simulierten Messdaten (MDsim) , die durch Simulation auf der Basis eines Simulationsmodells (SIM) der technischen Einrichtung (20) erzeugt worden sind, und/oder realen Messdaten (MDreal) , die von einer oder mehreren realen Messdatenquellen der technischen Einrichtung (20) erzeugt worden sind, und
- einen Validierungsschritt, der die Qualität der Anlernphase überprüft.
2. Verfahren nach Anspruch 1, d a d u r c h g e k e n n z e i c h n e t, dass
- der Trainingsschritt auf der Basis der simulierten Messdaten (MDsim) durchgeführt wird und im Rahmen des Validierungsschritts das Simulationsmodell (SIM) und damit die Qualität der beim Anlernen herangezogenen simulierten Messdaten (MDsim) überprüft werden.
3. Verfahren nach Anspruch 2, d a d u r c h g e k e n n z e i c h n e t, dass das Simulationsmodell (SIM) Messfehler mit einer vorgegebenen Fehlerrate (RI) berücksichtigt und auf der Basis des Simulationsmodells (SIM) messfehlerbehaftete, simulierte Messdaten (MDsim) erzeugt werden und im Rahmen des Validierungsschritts - nach dem Trainingsschritt die realen Messdaten (MDreal) in die angelernte Auswerteinrichtung (22) eingespeist werden und die realen Messdaten (MDreal) von der angelernten Auswerteinrichtung (22) klassifiziert werden,
- die Fehlerrate (R2) der Klassifikation der Auswerteinrichtung (22) mit der dem Simulationsmodell (SIM) zugrunde liegenden Fehlerrate (RI) verglichen wird und
- der Validierungsschritt als erfolgreich abgeschlossen, das Simulationsmodell (SIM) als validiert und die Auswerteinrichtung (22) als ausreichend angelernt angesehen wird, wenn die Abweichung zwischen der Fehlerrate (RI) des Simulationsmodells (SIM) und der Fehlerrate (R2) der Klassifikation der Auswerteinrichtung (22) eine vorgegebene Grenze (Gl) unterschreitet.
4. Verfahren nach einem der voranstehenden Ansprüche, d a d u r c h g e k e n n z e i c h n e t, dass
- im Rahmen des Validierungsschritts die simulierten Messdaten (MDsim) und die realen Messdaten (MDreal) verglichen werden und
- der Validierungsschritt als erfolgreich abgeschlossen, das Simulationsmodell (SIM) als validiert und die Auswerteinrichtung (22) als ausreichend angelernt angesehen wird, wenn die Abweichung zwischen den simulierten Messdaten (MDsim) und den realen Messdaten (MDreal) , insbesondere die Abweichung zwischen der Fehlerrate (RI) des Simulationsmodells (SIM) und der Fehlerrate (R3) der realen Messdaten (MDreal) , eine vorgegebene Grenze (G2) unterschreitet .
5. Verfahren nach Anspruch 1, d a d u r c h g e k e n n z e i c h n e t, dass
- der Trainingsschritt auf der Basis der realen Messdaten (MDreal) durchgeführt wird und mit dem Simulationsmodell (SIM) simulierte Messdaten (MDsim) zum Zwecke der Validierung erzeugt werden, wobei
- nach dem Trainingsschritt die simulierten Messdaten (MDsim) in die angelernte Auswerteinrichtung (22) einge- 16 speist werden und auf der Basis einer von der Auswerteinrichtung (22) durchgeführten Klassifikation eine Vergleichsfehlerrate (R4) ermittelt wird und
- der Validierungsschritt als erfolgreich abgeschlossen, das Simulationsmodell (SIM) als validiert und die Auswerteinrichtung (22) als ausreichend angelernt angesehen wird, wenn die Abweichung zwischen der Vergleichsfehlerrate (R4) und der Fehlerrate (R3) der realen Messdaten (MDreal) eine vorgegebene Grenze (G3) unterschreitet.
6. Verfahren nach einem der voranstehenden Ansprüche, d a d u r c h g e k e n n z e i c h n e t, dass die Auswerteinrichtung (22) für den Einsatz in einer eisenbahntechnischen Einrichtung (20) hergestellt wird, indem die Auswerteinrichtung (22) auf der Basis realer eisenbahntechnischer Messdaten (MDreal) und/oder simulierter eisenbahntechnischer Messdaten (MDsim) angelernt wird.
7. Verfahren nach einem der voranstehenden Ansprüche, d a d u r c h g e k e n n z e i c h n e t, dass die Auswerteinrichtung (22) zum Zwecke der Auswertung von Messdaten eines oder mehrerer, als Messdatenquellen arbeitender Achssensoren (21) auf der Basis realer Achssensormessdaten und/oder simulierter Achssensormessdaten angelernt wird.
8. Verfahren nach einem der voranstehenden Ansprüche, d a d u r c h g e k e n n z e i c h n e t, dass die Auswerteinrichtung (22) angelernt wird, auf der Basis von Messdaten eines oder mehrerer Achssensoren (21) festzustellen, ob der oder die Achssensoren (21) von einem Personenzug (PZ) oder einem Güterzug (GZ) überfahren werden, indem die Auswerteinrichtung (22) auf der Basis realer achssensorbezogener Personenzugmessdaten und/oder simulierter achssensorbezogener Personenzugmessdaten sowie auf der Basis realer achssensorbezogener Güterzugmessdaten und/oder simulierter achssensorbezogener Güterzugmessdaten angelernt wird.
9. Verfahren nach einem der voranstehenden Ansprüche, 17 d a d u r c h g e k e n n z e i c h n e t, dass die Auswerteinrichtung (22) zur Auswertung von Messdaten eines als Messdatenquelle arbeitenden Hodometers einer eisenbahntechnischen Einrichtung (20) , insbesondere eines Schienenfahrzeugs, angelernt wird.
10. Anlerneinrichtung zum Anlernen einer Auswerteinrichtung (22) , die auf der Basis oder zumindest auch auf der Basis künstlicher Intelligenz arbeitet und zum Einsatz in einer technischen Einrichtung (20) geeignet ist, bei der eine oder mehrere Messdatenquellen reale Messdaten (MDreal) zwecks Auswertung zu der Auswerteinrichtung (22) übermitteln, d a d u r c h g e k e n n z e i c h n e t, dass die Anlerneinrichtung dazu ausgebildet ist,
- einen Trainingsschritt durchzuführen auf der Basis von simulierten Messdaten (MDsim) , die durch Simulation auf der Basis eines Simulationsmodells (SIM) der technischen Einrichtung (20) erzeugt worden sind, und/oder realen Messdaten (MDreal) , die von einer oder mehreren realen Messdatenquellen der technischen Einrichtung (20) erzeugt worden sind, und
- zusätzlich einen Validierungsschritt durchzuführen, der die Qualität der Anlernphase überprüft.
11. Auswerteinrichtung (22) , die auf der Basis oder zumindest auch auf der Basis künstlicher Intelligenz arbeitet und zum Einsatz in einer technischen Einrichtung (20) geeignet ist, bei der eine oder mehrere Messdatenquellen reale Messdaten (MDreal) zwecks Auswertung zu der Auswerteinrichtung (22) übermitteln, d a d u r c h g e k e n n z e i c h n e t, dass die Auswerteinrichtung (22) in einer Anlernphase angelernt worden ist, wobei die Anlernphase umfasst:
- einen Trainingsschritt auf der Basis von simulierten Messdaten (MDsim) , die durch Simulation auf der Basis eines Simulationsmodells (SIM) der technischen Einrichtung (20) erzeugt worden sind, und/oder realen Messdaten (MDreal) , 18 die von einer oder mehreren realen Messdatenquellen der technischen Einrichtung (20) erzeugt worden sind, und
- einen Validierungsschritt, der die Qualität der Anlernphase überprüft.
12. Auswerteinrichtung (22) nach Anspruch 11, d a d u r c h g e k e n n z e i c h n e t, dass die Auswerteinrichtung (22) auf der Basis realer achssensorbezogener Personenzugmessdaten und/oder simulierter achssensorbezogener Personenzugmessdaten sowie auf der Basis realer achssensorbezogener Güterzugmessdaten und/oder simulierter achssensorbezogener Güterzugmessdaten angelernt worden ist und geeignet ist, auf der Basis von Messdaten eines oder mehrerer Achssensoren (21) fest zustellen, ob der oder die Achssensoren (21) von einem Personenzug (PZ) oder einem Güterzug (GZ) überfahren werden.
13. Eisenbahntechnische Einrichtung (20) , d a d u r c h g e k e n n z e i c h n e t, dass diese mit einer Auswerteinrichtung (22) nach Anspruch 11 oder 12 und/oder mit einer Auswerteinrichtung (22) , die nach einem der voranstehenden Ansprüche hergestellt worden ist, ausgestattet ist.
EP21839900.4A 2021-01-29 2021-12-15 Auswerteinrichtung für eine technische einrichtung und verfahren zum herstellen einer auswerteinrichtung Pending EP4267447A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021200803.8A DE102021200803A1 (de) 2021-01-29 2021-01-29 Auswerteinrichtung für eine technische Einrichtung und Verfahren zum Herstellen einer Auswerteinrichtung
PCT/EP2021/085891 WO2022161695A1 (de) 2021-01-29 2021-12-15 Auswerteinrichtung für eine technische einrichtung und verfahren zum herstellen einer auswerteinrichtung

Publications (1)

Publication Number Publication Date
EP4267447A1 true EP4267447A1 (de) 2023-11-01

Family

ID=79287565

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21839900.4A Pending EP4267447A1 (de) 2021-01-29 2021-12-15 Auswerteinrichtung für eine technische einrichtung und verfahren zum herstellen einer auswerteinrichtung

Country Status (3)

Country Link
EP (1) EP4267447A1 (de)
DE (1) DE102021200803A1 (de)
WO (1) WO2022161695A1 (de)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4425385A1 (de) 2023-03-03 2024-09-04 Siemens Mobility GmbH Ein überwachtes maschinelles lernen eines computerimplementierten verfahrens zur durchführung eines technischen prozesses
EP4425390A1 (de) 2023-03-03 2024-09-04 Siemens Mobility GmbH Ein überwachtes maschinelles lernen eines computerimplementierten verfahrens zur durchführung eines technischen prozesses
EP4563440A1 (de) 2023-07-17 2025-06-04 Siemens Mobility GmbH Ein überwachtes maschinelles lernen eines computerimplementierten verfahrens zur durchführung eines technischen prozesses

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016104722A1 (de) 2016-03-15 2017-09-21 Knorr-Bremse Systeme für Schienenfahrzeuge GmbH Verfahren zum Erzeugen von Daten für die Validierung von Entgleisungsdetektionssystemen
DE102018212733A1 (de) 2018-07-31 2020-02-06 Robert Bosch Gmbh Erkennung einer nachlassenden Leistungsfähigkeit eines Sensors
WO2020047768A1 (en) 2018-09-05 2020-03-12 Intel Corporation Object detection and tracking for autonomous driving utilizing shadows and reflections
DE102018218922A1 (de) 2018-11-06 2020-05-07 Robert Bosch Gmbh Prädiktion eines voraussichtlichen Fahrverhaltens
DE102019202738A1 (de) * 2019-02-28 2020-09-03 Siemens Mobility GmbH Vorrichtung und Verfahren zur Ermittlung akustischer Ereignisse mittels Schallsensoren im Gleis
DE102019206241A1 (de) * 2019-04-30 2020-11-05 Siemens Mobility GmbH Verfahren zum Bestimmen einer Gleisbelegung sowie Achszähleinrichtung
DE102019208865A1 (de) * 2019-06-18 2020-12-24 Siemens Mobility GmbH Odometrisches Verfahren, insbesondere für ein Schienenfahrzeug oder eine Leitzentrale

Also Published As

Publication number Publication date
DE102021200803A1 (de) 2022-08-04
WO2022161695A1 (de) 2022-08-04

Similar Documents

Publication Publication Date Title
EP4267447A1 (de) Auswerteinrichtung für eine technische einrichtung und verfahren zum herstellen einer auswerteinrichtung
EP1597643B1 (de) Vorrichtung und verfahren zur modellbasierten on-board-diagnose
WO2021130066A1 (de) Training von neuronalen netzen durch ein neuronales netz
WO2022069466A1 (de) Ermittlung einer prognose für einen zeithorizont in der zukunft auf basis eines zeithorizonts aus der vergangenheit, insbesondere vorhersage eines schadstoffwertes in der luft
EP3789264A1 (de) Verfahren und vorrichtung zur schlupferkennung sowie schienenfahrzeug
EP4003823B1 (de) Verfahren zum initialisieren eines kraftfahrzeugs
DE102019207215A1 (de) Verfahren zum Verwenden einer merkmalbasierten Lokalisierungskarte für ein Fahrzeug
EP4004518A1 (de) Verfahren zum testen eines kraftfahrzeugs
EP3714337B1 (de) Simulieren von statistisch modellierten sensordaten
DE10260909A1 (de) Mess- und Richtstation
DE102019209554A1 (de) Verfahren zum Testen der Robustheit eines simulierbaren technischen Systems, Computerprogramm, maschinenlesbares Speichermedium und Vorrichtung sowie ein technisches System
DE102019211076A1 (de) Verfahren und Vorrichtung zum Validieren einer Simulation eines technischen Systems
DE10153447A1 (de) Verfahren und Vorrichtung zur Programmierung eines Steuergeräts eines Fahrzeugs, insbesondere eines Kraftfahrzeugs
DE102022209618A1 (de) Verfahren zum Simulieren eines Umformwerkzeugs zum Erzeugen eines Bauteils für ein Kraftfahrzeug, Computerprogrammprodukt sowie elektronische Recheneinrichtung
WO2021185586A1 (de) Verfahren zur erzeugung von trainingsdaten, fahrzeug und trainingssystem
DE102011087594A1 (de) Verfahren zur Funktionsüberwachung von Rad-Schwingungsdämpfern
EP3933593A1 (de) Verfahren und computerprogramm zum testen eines technischen systems
DE102021130866A1 (de) Verfahren zum Ermitteln einer Fahrzeugmasse eines Fahrzeuges, Massen-Abschätzungseinheit sowie Fahrzeug
DE102007045255B4 (de) Verfahren zur Herstellung eines Diagnosesystems, insbesondere für ein Kraftfahrzeug
DE102021200257A1 (de) Verfahren zur Validierung von Softwarefunktionen in einem Fahrerassistenzsystem für Kraftfahrzeuge
DE102020207921A1 (de) Verfahren zum Einrichten eines Fahrzeugsimulationsmodells
DE10312557B4 (de) Verfahren zur Überprüfung der funktionalen Sicherheit von elektronischen Systemen eines Fahrzeugs
DE102021117498B3 (de) Vorrichtung und Verfahren zur Fehlerdiagnose
DE102023001366A1 (de) Verfahren zur Überprüfung eines Perzeptionsmoduls eines Fahrerassistenzsystems
DE102022212227A1 (de) Verfahren zum Ermitteln eines Betriebszustands eines ein erstes Umfeldsensorsystem und ein zweites Umfeldsensorsystem umfassenden Objekterkennungssystems eines Schienenfahrzeugs

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: 20230724

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)
RAP3 Party data changed (applicant data changed or rights of an application transferred)

Owner name: SIEMENS MOBILITY GMBH