EP4330845A1 - Modeling method - Google Patents

Modeling method

Info

Publication number
EP4330845A1
EP4330845A1 EP22726433.0A EP22726433A EP4330845A1 EP 4330845 A1 EP4330845 A1 EP 4330845A1 EP 22726433 A EP22726433 A EP 22726433A EP 4330845 A1 EP4330845 A1 EP 4330845A1
Authority
EP
European Patent Office
Prior art keywords
feature
amplitude spectrum
data series
measurement data
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
EP22726433.0A
Other languages
German (de)
French (fr)
Inventor
Stéphane Foulard
Rafael Fietzek
Rudolf Kraft
Martin Zeller
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.)
Compredict GmbH
Original Assignee
Compredict 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 Compredict GmbH filed Critical Compredict GmbH
Publication of EP4330845A1 publication Critical patent/EP4330845A1/en
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Definitions

  • the invention relates to a method for determining feature signal filters for preparing signal measurement data series of multiple measurement variables for the experimental determination of a mathematical model that maps model measurement data for at least one target signal sensor as a function of recorded measurement data from multiple feature signal sensors.
  • the invention also relates to a method for determining a mathematical model that maps model measurement data for at least one target signal sensor as a function of recorded measurement data from a number of feature signal sensors.
  • a sensor is a technical component that detects physical or chemical properties and converts them into an electrical signal. Sensors can be used for a variety of measurement tasks, for example to make temperature, acceleration, force, torque or displacement quantitatively detectable.
  • complex systems such as electronic or mechatronic devices, but also in engines or complex production plants, a large number of sensors are usually installed to monitor the system or the processes running.
  • a limited installation space often makes it difficult to use sensors at suitable locations.
  • the use of sensors at suitable locations due to unfavorable environmental conditions, such as thermal, mechanical or chemical effects and the resulting Wear of the sensors more difficult.
  • the use is often associated with high costs due to the large number of sensors used.
  • a simulation of sensors or sensor signals is used in virtual test environments in order to be able to reproduce and simulate complex systems for virtual tests.
  • the sensor signals can be simulated and calculated sensor signal curves or sensor data recorded during a real process.
  • signals from sensors are used as input signals for a simulation program stored in a control unit or for a simulation program stored in a computer system embedded in a real system in order to assign a sensor value of a non-existent sensor based on the stored calculation model to calculate.
  • the calculation can be carried out directly on the computer system or on a computer system integrated within a computer network, such as a cloud.
  • the sensor value is usually calculated by evaluating characteristic diagrams stored in the memory of the control unit or the computer system.
  • the sensor values determined using the calculation models on the basis of the characteristic diagrams may show an unsatisfactory match with the sensor values from the real process. Due to changing environmental conditions or changes in the course of the process or in the system, further deviations can be caused, which lead to an inaccurate sensor value. It is considered the object of the present invention to improve the methods known from the prior art.
  • this object is achieved by a method in which feature signal measurement raw data series with a
  • Feature signal measurement raw data series are determined, with the at least one target signal sensor recording at least one target signal measurement raw data series with the data processing system, with the data processing system at least one target signal measurement data series being determined from the at least one target signal measurement raw data series, with a feature amplitude spectrum being determined in a frequency analysis step by the data processing system for each feature signal measurement data series using a frequency analysis method is determined and a target amplitude spectrum is determined for the target signal measurement data series using the frequency analysis method, with the feature amplitude spectra each being divided into a plurality of adjacent or partially overlapping feature amplitude spectrum sections, with the feature amplitude spectrum sections each comprising a manually or automatically specified feature frequency range, with the target amplitude udenpektrum is divided into target amplitude spectrum sections, wherein target frequency ranges of the target amplitude spectrum sections correspond to the feature frequency ranges, wherein in a match checking process in several repetitive match checking steps, a match measure for each feature amplitude spectrum section by the Data processing system is
  • Selection bandpass filter is designed by the data processing system, so that signal measurement data series filtered with the respective selection bandpass filter have signal components within the respective selection signal frequency range and signal components lying outside of the respective selection signal frequency range are filtered out of the filtered signal measurement data series, with each selection bandpass filter forming a feature signal filter for each feature signal sensor, in which the degree of agreement between the
  • Feature amplitude spectrum section of the feature signal measurement data series recorded by the respective feature signal sensor and the target amplitude spectrum section in the feature frequency range associated with the respective selection bandpass filter exceeds the measure of correspondence.
  • the feature frequency ranges with the greater degree of agreement are selected.
  • the lower frequency band limit of the selection bandpass filter can be chosen such that it is at 0 Hz, so that the selection bandpass filter forms a low-pass filter.
  • the upper frequency band limit of the selection bandpass filter can be chosen so that it is at the Nyquist frequency, so that the selection bandpass filter forms a high-pass filter.
  • feature signal measurement raw data series can also be provided by sources other than sensors.
  • feature signal measurement raw data series can be formed from control unit output signals output by a control unit.
  • the control unit input signals are not necessarily formed from sensor signals.
  • a preprocessed control unit input signal which is determined by means of a feature signal sensor, can be used to generate speed information as a control unit output signal from a count of control unit input signal peaks. Also from a simulation model implemented in a control unit
  • control unit output signals which are formed by plausibility checks of various control unit input signals, for example in the form of state variables, so-called Boolean variables, as
  • Feature signal measurement raw data series are provided.
  • a real system for example an engine
  • several signal sensors such as the feature signal sensors and the target signal sensor, are used to measure pressure, temperature or a gas volume flow, for example.
  • two pressure sensors are used as feature signal sensors to measure the pressures p1 and p2 and a temperature sensor to measure the temperature TI.
  • the target signal sensor designed as a volume flow sensor is used in the example to measure the volume flow ql.
  • the aim of the modeling process is to create a mathematical model that uses the signal curves of the pressures pl and p2 and the temperature TI determined by the feature signal sensors to emulate the signal curve determined by the target signal sensor and correspondingly the volume flow ql, so that when the mathematical model is used
  • the signal curve of the target signal sensor can be simulated and the use of the target signal sensor can be dispensed with.
  • the signals recorded by the feature signal sensors and the target signal sensor are sampled in Equidistant time intervals, the signals are alternatively or additionally interpolated, so that several feature signal measurement raw data series and one by recording the measured values of the signals
  • Target signal measurement raw data series are generated.
  • Target signal measurement raw data series through low-pass filtering in order to suppress the noise components contained therein.
  • a selection of relevant time segments from the feature signal measurement raw data series and from the target signal measurement raw data series then takes place, resulting in several feature signal measurement data series and several
  • Target signal measurement data series are formed.
  • those time segments are selected in which the feature signal measurement raw data series or the target signal measurement raw data series have the greatest possible frequency content and the greatest possible dynamic range.
  • the dynamic range can be measured, for example, using frequency amplitude spectra that are
  • Frequency analysis method such as a short-time Fourier transform (English: Short-time Fourier transform, abbreviated: STFT) are determined to be assessed.
  • STFT Short-time Fourier transform
  • the feature amplitude spectra and the target amplitude spectra are determined and then subdivided into individual feature amplitude spectrum sections and target amplitude spectrum sections.
  • the verification step the feature amplitude spectrum sections and the target amplitude spectrum sections are checked and compared to determine whether the frequency components contained therein are in one agree to a certain degree of agreement.
  • the frequency components that change as a result of changes in the pressures p1 or p2 within a feature amplitude spectrum section can be represented by a changing volume flow q1 or as changing frequency components in a target amplitude spectrum section. Since a change in volume flow ql due to a change in temperature TI may occur at a longer time interval than a change in pressure p1 or p2, several different feature amplitude spectra or feature signal measurement data series can be relevant for modeling. To ensure that only those frequency components from the feature amplitude spectrum sections classified as relevant are used for modeling, each is classified as relevant
  • Feature amplitude spectrum section creates a selection bandpass filter.
  • the input signal measurement data series provided for modeling are filtered with these selection bandpass filters and the input signal data series for modeling are generated in this way.
  • a model is thus formed only with the signal components which have the previously determined relevant frequency components, so that a particularly precise model can be determined.
  • the data processing system used to carry out the method according to the invention can include different data processing devices which also carry out sub-steps of the method at longer time intervals.
  • the feature signal measurement raw data series and the target signal measurement raw data series with a data logger are recorded and stored in memory.
  • these recorded feature signal measurement raw data series and target signal measurement raw data series are accessed by another data processing device of the data processing system, such as a PC or a cloud server, and the further evaluation steps of the method according to the invention are carried out.
  • the degree of correspondence is determined by the data processing system by means of a correlation analysis.
  • the root of the mean squared error (RMSE for short) or a normalized root of the mean squared error can be determined as a measure of conformity.
  • the bandpass filter preferably has a filter order of at least eight. A particularly steep edge can thus be achieved at the limits of the selection signal frequency range, as a result of which the frequencies lying within and outside the selection signal frequency range can be separated from one another particularly well.
  • a bandpass filter designed as a so-called Butterworth filter preferably has a filter order of at least four.
  • other types of filters such as For example, a finite impulse response filter (FIR filter for short) is provided.
  • Feature amplitude spectrum sections have a predetermined amplitude spectrum width.
  • An amplitude spectrum width can be specified manually, for example, so that only relevant frequency ranges of the feature amplitude spectra are taken into account if there is a certain understanding of the process to be simulated.
  • the feature amplitude spectrum sections are determined by the data processing system by dividing the feature amplitude spectrum into two feature amplitude spectrum sections in a first partial step and for each feature amplitude spectrum section a first degree of correspondence is determined and then the feature amplitude spectrum sections continue in further partial steps into smaller ones
  • Feature amplitude spectrum section is divided until an improvement in the degree of agreement between a previous partial step and the current partial step is less than a predetermined improvement value.
  • the respective feature frequency ranges can be determined automatically in a particularly simple manner.
  • the degrees of agreement for the feature amplitude spectrum sections determined in a sub-step are compared in a subsequent sub-step with the measures of agreement that are determined during a further division of the respective feature amplitude spectrum section and the further division is terminated if no further significant improvement can be achieved by this.
  • Overlap feature amplitude spectrum bins by a predetermined amplitude spectrum overlap width such that relevant frequencies of the feature amplitude spectra are contained multiple times within the feature amplitude spectrum bins.
  • the amplitude spectrum overlap width can also be zero, so that neighboring feature amplitude spectrum sections border one another and do not overlap.
  • the amplitude spectrum overlap width can also be less than zero in order to avoid frequency overshoots in the areas of the overlapping filter flanks.
  • the above-mentioned object is also achieved by a method for determining a mathematical model that maps model measurement data for at least one target signal sensor as a function of recorded measurement data from a number of feature signal sensors, with training input measurement data series determined by the feature signal sensors being linked to at least one of at least one of at least one target signal sensor determined Training output measurement data series are mapped, the training input measurement data series being filtered with a data processing system by means of feature signal filters designed according to the method described above, and training input data series being formed as a result, a training input measurement data series being able to be filtered with differently designed feature signal filters, so that a training input measurement data series can be formed from a plurality of training input data series, and wherein the mathematical model is determined with the data processing system using a data-based model determination method based on the training input data series as model input variables and the at least one training output measurement data series as model output variable.
  • Training input measurement data series using the determined selection band filters can from a
  • Training input measurement data series one or a plurality of training input data series are generated.
  • the mathematical model can be determined particularly quickly and precisely.
  • Different data-based model determination methods can be used to determine the mathematical model.
  • the mathematical model can be linear or non-linear.
  • Parametric and non-parametric models can be used.
  • the identification methods, genetic algorithms, neural networks and the like that are sufficiently known from the prior art can be used as model determination methods. Those used for modelling
  • Training input metrics are determined by the feature signal sensors. As in the example above, the
  • Training input measurement data series are thus determined by the exemplary two pressure sensors and by the temperature sensor.
  • the model can also be created using training input measurement data series, which are determined in the same process but on other similar systems.
  • the above-mentioned pressure sensors and the temperature sensor are used as feature signal sensors for determining the training input measurement data series.
  • the training output measurement data series determined with the target signal sensor are used as training output data series for modeling by filtering with the corresponding selection band filter.
  • the model can be used in a series system of the real system.
  • the model is used on a computer system that is operated within a computer network, such as a cloud.
  • the target signal sensor is no longer present in the real system or the target signal measurement data series should be supplemented as a redundant calculated signal.
  • the target signal measurement data series of the target signal sensor are approximated by the model output variables output by the model and determined by the model from the model input variables.
  • the training input measurement data rows are formed by the feature signal measurement data rows.
  • Feature signal measurement data series can be accessed, which can eliminate the time required to prepare feature signal measurement raw data series for use as training input measurement data series.
  • a combination of feature signal measurement data series or components of feature signal measurement data series and training input measurement data series or sections of training input measurement data series is also provided according to the invention.
  • the feature signal measurement data series have feature signal measurement data points that follow one another in direct time and thus each form a section of the associated feature signal measurement raw data series, with the sections of the feature signal measurement data series having at least a predetermined minimum number of data points and with the section being selected by the data processing system in this way that a target signal power is maximum in the selected section.
  • Target signal power describes the relevant amplitudes contained within the feature signal measurement data sets. The greater the amplitudes contained within a corresponding section of the signal or the feature signal measurement data series, the greater the target signal power.
  • a short-time Fourier transform (English: Short-time Fourier transform, abbreviated: STFT) or a wavelet transformation of the feature signal measurement raw data series is carried out.
  • STFT Short-time Fourier transform
  • Feature signal measurement data sets are identified by determining a sum of each bin's residual (square root) error from its local mean. As soon as a significant change in the mean occurs, under
  • the next section is formed taking into account the specified minimum number of data points. It is thus possible to identify time sections of the feature signal measurement raw data series which have a particularly large frequency content or a particularly high dynamic or a high dynamic range and a high target signal power.
  • a short-time frequency amplitude spectrum is determined by the data processing system for consecutive and advantageously overlapping time segments with a predetermined time duration of the target signal measurement raw data series, with one for each short-time frequency amplitude spectrum
  • Short-term frequency amplitude power is determined, with consecutive target signal measurement raw data points being combined by the data processing system to form target signal measurement raw data sections in such a way that a change in the short-time frequency amplitude power of target signal measurement raw data points directly following one another in terms of time is below a specified change power, and with a target signal power for all combinations of temporally consecutive target signal measurement raw data sections by the
  • Data processing system is formed, which have the predetermined minimum number of data points and wherein the combination is selected as a section by the data processing system, the target signal power is maximum.
  • Target signal power, the selection band filter and the mathematical model can be determined particularly precisely.
  • the filter a minimum step frequency and a maximum upper frequency are first defined.
  • the minimum step frequency can be set at 1 Hz and the frequency M for the maximum frequency.
  • individual feature signal measurement data sets are divided by the
  • a Fourier spectrum is determined for each of the target signal measurement data series and each individual feature signal measurement data series using a standard Fast Fourier Transform analysis. Then the correlation coefficients between the Fourier spectra of the target signal measurement data series and the feature signal measurement data series are calculated on each of the frequency domain sections defined above (0 Hz to 1 Hz, 0 Hz to 2 Hz, ... 0 Hz to M Hz, 1 Hz to 2 Hz, 1 Hz up to 3 Hz ... ,
  • Feature signal measurement data series or frequency domain sections with the highest Correlation coefficients are further considered.
  • this can be the frequency range sections 0 Hz to 1 Hz, 1 Hz to 6 Hz, 6 Hz to 8 Hz and 8 Hz to M Hz.
  • the entire frequency range from 0 Hz to M Hz is covered with p frequency range sections, with no frequency range section being neglected and frequency range sections with low correlation coefficients also being taken into account.
  • Feature signal measurement data sets are selected that have the largest correlation coefficient on the respective
  • the filters are then designed for the selected feature signal measurement data sets. If the number of frequency domain sections p is equal to the number of selected feature signal measurement data series n, all defined frequency domain sections are considered and exactly one feature signal measurement data series per frequency domain section is considered. If the number of selected feature signal measurement data series n is smaller than the number of frequency domain sections p, only the frequency domain sections of the n selected feature signal measurement data series with the highest correlations are considered. A feature signal measurement data series is thus considered for each frequency domain section. The remaining frequency range sections are neglected. If the number of selected feature signal measurement data series n is greater than the number of the number of frequency domain bins p, there may be more Feature signal measurement data series considered per frequency domain bin.
  • a short-time frequency amplitude spectrum is determined by the data processing system for consecutive and advantageously overlapping time segments with a predetermined time duration of the target signal measurement raw data series, the short-time frequency amplitude spectra determined being arranged chronologically in a short-time frequency amplitude spectra matrix, wherein then a math
  • a convolution operation with a frequency weight matrix is applied to the short-term frequency-amplitude spectrum matrix by the data processing system, so that a weight value time series is formed as a result, which is used as the target signal power.
  • the short-term frequency amplitude spectrum matrix includes, for example, m rows with the frequency amplitudes determined for m frequencies and n columns that correspond to the time segments for which the frequency amplitudes were determined, for example, using the STFT method.
  • Frequency weighting matrix is advantageously a matrix that also has m rows.
  • the number of columns k in the frequency weighting matrix is predetermined and determines a width of the time segment for which a weighting value is formed.
  • the frequency weighting matrix can be specified in such a way that certain frequency ranges have a greater influence on the weighting value formed by the convolution operation than others. Further advantageous refinements of the method according to the invention are explained using exemplary embodiments illustrated in the drawings. Show it:
  • FIG. 1 shows a schematic representation of feature signal measurement raw data series and target signal measurement raw data series and those determined by the frequency analysis method
  • FIG. 2 shows a schematic representation of those used for determining the mathematical model
  • Training input data series as model inputs and the training output measurement data series as model outputs.
  • FIG. 1 shows a schematic representation of feature signal measurement raw data series 1 and target signal measurement raw data series 2 and feature amplitude spectra 4 determined by a frequency analysis step 3.
  • Feature signal measurement raw data series 1 are determined using feature signal sensors 5 .
  • the feature signal measurement raw data rows become 1
  • Feature signal measurement data series 2 determined.
  • the at least one target signal measurement raw data series 6 is determined using a target signal sensor 7 .
  • At least one target signal measurement data series 8 is determined from the target signal measurement raw data series 6 .
  • the frequency analysis step 3 for each feature signal measurement data series 2 by means of a
  • Frequency analysis method a feature amplitude spectrum 4 and for each target signal measurement data series 8 a Target amplitude spectrum 9 determined.
  • the feature amplitude spectra 4 are each divided into a plurality of adjacent or partially overlapping feature amplitude spectrum sections 10, each of which includes a predetermined feature frequency range.
  • the target amplitude spectrum 9 is in
  • Target amplitude spectrum sections 11 divided, with target frequency ranges of the target amplitude spectrum sections 11 corresponding to the feature frequency ranges.
  • a matching measure is determined for each
  • Feature amplitude spectrum section 10 determined, wherein the degree of agreement is a measure of the agreement of the amplitude spectrum of the respective
  • Feature amplitude spectrum section 10 and the associated target amplitude spectrum section 11 is.
  • the feature frequency ranges whose degree of correspondence exceeds a predetermined degree of correspondence are selected as selection signal frequency ranges 13 .
  • a subsequent determination step 14 for each of the selection signal frequency ranges 13, a
  • Selection bandpass filter 15 designed so that signal measurement data series filtered with the respective selection bandpass filter 15 have signal components lying within the respective selection signal frequency range 13 and signal components lying outside of the respective selection signal frequency range 13 are filtered out of the filtered signal measurement data series.
  • FIG. 2 shows a schematic representation of training input data series 17 used for determining a mathematical model 16 as model input variables and the training output measurement data set 18 is shown as model outputs.
  • the designed selection bandpass filter 15 filters the training input measurement data rows 19 determined by the feature signal sensors 5, which can also be formed by the feature signal measurement data rows 2, whereby training input data rows 17 are formed.
  • the training input measurement data series 19 filtered with the respective selection bandpass filter 15 have signal components lying within the respective selection signal frequency range 13 . Signal components lying outside the respective selection signal frequency range 13 are filtered out of the filtered training input measurement data series 19 .
  • a training input measurement data series 19 can be filtered with differently designed selection band filters 15 so that a number of training input data series 17 are formed from one training input measurement data series 19 .
  • the mathematical model 16 is determined based on the training input data series 17 as model input variables and the at least one training output measurement data series 19 as model output variable.

Abstract

The invention relates to a method for determining feature signal filters for preparing signal measurement data sequences of a plurality of measurement variables for experimentally determining a mathematical model which maps model measurement data for at least one target signal sensor (7) on the basis of detected measurement data of a plurality of feature signal sensors (5). The invention also relates to a method for determining a mathematical model (16) which maps model measurement data for at least one target signal sensor (7) on the basis of detected measurement data of a plurality of feature signal sensors (5), wherein training input measurement data sequences (19) ascertained by the feature signal sensors (5) are mapped onto at least one training output measurement data sequence (18) ascertained by at least one target signal sensor (7).

Description

Modellbildungsverfahren modeling process
Die Erfindung betrifft ein Verfahren zur Bestimmung von Featuresignalfiltern zur Vorbereitung von Signalmessdatenreihen mehrerer Messgrößen für die experimentelle Bestimmung eines mathematischen Modells, das Modellmessdaten für mindestens einen Zielsignalsensor in Abhängigkeit von erfassten Messdaten mehrerer Featuresignalsensoren abbildet. Die Erfindung betrifft auch ein Verfahren zur Bestimmung eines mathematischen Modells, das Modellmessdaten für mindestens einen Zielsignalsensor in Abhängigkeit von erfassten Messdaten mehrerer Featuresignalsensoren abbildet. The invention relates to a method for determining feature signal filters for preparing signal measurement data series of multiple measurement variables for the experimental determination of a mathematical model that maps model measurement data for at least one target signal sensor as a function of recorded measurement data from multiple feature signal sensors. The invention also relates to a method for determining a mathematical model that maps model measurement data for at least one target signal sensor as a function of recorded measurement data from a number of feature signal sensors.
Ein Sensor ist ein technisches Bauteil, durch das physikalische oder chemische Eigenschaften erfasst und in ein elektrisches Signal umgeformt werden. Sensoren sind für eine Vielzahl von Messaufgaben einsetzbar, um beispielsweise Temperatur, Beschleunigung, Kraft, Drehmoment oder Weg quantitativ erfassbar zu machen. In komplexen Systemen, wie elektronischen oder mechatronischen Geräten, aber auch in Motoren oder komplexen Produktionsanlagen sind meist eine große Anzahl an Sensoren zur Überwachung des Systems beziehungsweise der ablaufenden Prozesse verbaut. Häufig erschwert ein limitierter Bauraum den Einsatz von Sensoren an geeigneten Stellen. Des Weiteren wird der Einsatz von Sensoren an geeigneten Stellen aufgrund ungünstiger Umgebungsbedingungen, wie thermische, mechanische oder chemische Einwirkungen und durch den dadurch entstehenden Verschleiß der Sensoren erschwert. In Abhängigkeit der Messaufgabe ist der Einsatz aufgrund der Vielzahl der eingesetzten Sensoren oft mit hohen Kosten verbunden. A sensor is a technical component that detects physical or chemical properties and converts them into an electrical signal. Sensors can be used for a variety of measurement tasks, for example to make temperature, acceleration, force, torque or displacement quantitatively detectable. In complex systems, such as electronic or mechatronic devices, but also in engines or complex production plants, a large number of sensors are usually installed to monitor the system or the processes running. A limited installation space often makes it difficult to use sensors at suitable locations. Furthermore, the use of sensors at suitable locations due to unfavorable environmental conditions, such as thermal, mechanical or chemical effects and the resulting Wear of the sensors more difficult. Depending on the measurement task, the use is often associated with high costs due to the large number of sensors used.
Eine Nachbildung von Sensoren beziehungsweise Sensorsignalen wird in virtuellen Testumgebungen genutzt, um komplexe Systeme für virtuelle Tests nachbilden und simulieren zu können. Bei den Sensorsignalen kann es sich um simulierte und berechnete Sensorsignalverläufe oder aber um während eines Realprozesses aufgezeichnete Sensordaten handeln. A simulation of sensors or sensor signals is used in virtual test environments in order to be able to reproduce and simulate complex systems for virtual tests. The sensor signals can be simulated and calculated sensor signal curves or sensor data recorded during a real process.
Für die Nachbildung von Sensorsignalen im Realbetrieb eines Systems ist bekannt, dass Signale von Sensoren als Eingangssignale für ein in einem Steuergerät hinterlegtes Simulationsprogramm oder für in einem Realsystem eingebettete Rechnersysteme hinterlegtes Simulationsprogramm genutzt werden, um auf Basis des hinterlegten Berechnungsmodells ein Sensorwert eines nicht vorhandenen Sensors zu berechnen. For the simulation of sensor signals in real operation of a system, it is known that signals from sensors are used as input signals for a simulation program stored in a control unit or for a simulation program stored in a computer system embedded in a real system in order to assign a sensor value of a non-existent sensor based on the stored calculation model to calculate.
Dabei kann die Berechnung direkt auf dem Rechnersystem oder auf einem innerhalb eines Rechnernetzwerks eingebundenen Rechnersystems, wie eine Cloud, durchgeführt werden. Die Berechnung des Sensorwertes erfolgt in der Regel durch die Auswertung von im Speicher des Steuergeräts beziehungsweise des Rechnersystems abgelegten Kennfeldern. Die mittels der Berechnungsmodelle auf Basis der Kennfelder ermittelten Sensorwerte weisen möglicherweise eine unbefriedigende Übereinstimmung mit den Sensorwerten aus dem realen Prozess auf. Aufgrund sich ändernder Umgebungsbedingungen oder Änderungen im Prozessverlauf oder im System können weitere Abweichungen hervorgerufen werden, die zu einem ungenauen Sensorwert führen. Als Aufgabe der vorliegenden Erfindung wird es angesehen, die aus dem Stand der Technik bekannten Verfahren zu verbessern. The calculation can be carried out directly on the computer system or on a computer system integrated within a computer network, such as a cloud. The sensor value is usually calculated by evaluating characteristic diagrams stored in the memory of the control unit or the computer system. The sensor values determined using the calculation models on the basis of the characteristic diagrams may show an unsatisfactory match with the sensor values from the real process. Due to changing environmental conditions or changes in the course of the process or in the system, further deviations can be caused, which lead to an inaccurate sensor value. It is considered the object of the present invention to improve the methods known from the prior art.
Diese Aufgabe wird erfindungsgemäß durch ein Verfahren gelöst, wobei mit den Featuresignalsensoren Featuresignalmessrohdatenreihen mit einemAccording to the invention, this object is achieved by a method in which feature signal measurement raw data series with a
Datenverarbeitungssystem aufgezeichnet werden, wobei mit dem Datenverarbeitungssystem aus denData processing system are recorded, with the data processing system from the
Featuresignalmessrohdatenreihen Featuresignalmessdatenreihen ermittelt werden, wobei mit dem mindestens einen Zielsignalsensor mindestens eine Zielsignalmessrohdatenreihe mit dem Datenverarbeitungssystem aufgezeichnet wird, wobei mit dem Datenverarbeitungssystem mindestens eine Zielsignalmessdatenreihe aus der mindestens einen Zielsignalmessrohdatenreihe ermittelt wird, wobei in einem Frequenzanalyseschritt durch das Datenverarbeitungssystem für jede Featuresignalmessdatenreihe mittels eines Frequenzanalyseverfahrens ein Featureamplitudenspektrum ermittelt wird und für die Zielsignalmessdatenreihe mittels des Frequenzanalyseverfahrens ein Zielamplitudenspektrum ermittelt wird, wobei die Featureamplitudenspektren jeweils in mehrere aneinander angrenzende oder teilweise überlappende Featureamplitudenspektrumabschnitte aufgeteilt werden, wobei die Featureamplitudenspektrumabschnitte jeweils einen manuell oder automatisiert vorgegebenen Featurefrequenzbereich umfassen, wobei das Zielamplitudenspektrum in Zielamplitudenspektrumabschnitte aufgeteilt wird, wobei Zielfrequenzbereiche der Zielamplitudenspektrumabschnitte den Featurefrequenzbereichen entsprechen, wobei in einem Übereinstimmungsprüfvorgang in mehreren sich wiederholenden Übereinstimmungsprüfschritten jeweils ein Übereinstimmungsmaß für jeden Featureamplitudenspektrumabschnitt durch das Datenverarbeitungssystem ermittelt wird, wobei das Übereinstimmungsmaß ein Maß für die Übereinstimmung des Amplitudenspektrums des jeweiligenFeature signal measurement raw data series Feature signal measurement data series are determined, with the at least one target signal sensor recording at least one target signal measurement raw data series with the data processing system, with the data processing system at least one target signal measurement data series being determined from the at least one target signal measurement raw data series, with a feature amplitude spectrum being determined in a frequency analysis step by the data processing system for each feature signal measurement data series using a frequency analysis method is determined and a target amplitude spectrum is determined for the target signal measurement data series using the frequency analysis method, with the feature amplitude spectra each being divided into a plurality of adjacent or partially overlapping feature amplitude spectrum sections, with the feature amplitude spectrum sections each comprising a manually or automatically specified feature frequency range, with the target amplitude udenpektrum is divided into target amplitude spectrum sections, wherein target frequency ranges of the target amplitude spectrum sections correspond to the feature frequency ranges, wherein in a match checking process in several repetitive match checking steps, a match measure for each feature amplitude spectrum section by the Data processing system is determined, wherein the degree of agreement is a measure of the agreement of the amplitude spectrum of the respective
Featureamplitudenspektrumabschnitt und dem zugehörigen Zielamplitudenspektrumabschnitt ist, wobei die Featurefrequenzbereiche, deren Übereinstimmungsmaß eine vorgegebene Übereinstimmungsmaßzahl übersteigen als Auswahlsignalfrequenzbereiche durch dasFeature amplitude spectrum section and the associated target amplitude spectrum section, wherein the feature frequency ranges whose degree of agreement exceeds a predetermined degree of agreement as a selection signal frequency ranges through the
Datenverarbeitungssystem ausgewählt werden, wobei in einem nachfolgenden Bestimmungsschritt für die Auswahlsignalfrequenzbereiche jeweils einData processing system are selected, in a subsequent determination step for the selection signal frequency ranges in each case
Auswahlbandpassfilter durch das Datenverarbeitungssystem entworfen wird, sodass mit dem jeweiligen Auswahlbandpassfilter gefilterte Signalmessdatenreihen innerhalb des jeweiligen Auswahlsignalfrequenzbereichs liegende Signalanteile aufweisen und außerhalb des jeweiligen Auswahlsignalfrequenzbereich liegende Signalanteile aus der gefilterten Signalmessdatenreihe heraus gefiltert werden, wobei jeder Auswahlbandpassfilter einen Featuresignalfilter für jeden Featuresignalsensor bildet, bei dem das Übereinstimmungsmaß zwischen demSelection bandpass filter is designed by the data processing system, so that signal measurement data series filtered with the respective selection bandpass filter have signal components within the respective selection signal frequency range and signal components lying outside of the respective selection signal frequency range are filtered out of the filtered signal measurement data series, with each selection bandpass filter forming a feature signal filter for each feature signal sensor, in which the degree of agreement between the
Featureamplitudenspektrumabschnitt der von dem jeweiligen Featuresignalsensor aufgenommenen Featuresignalmessdatenreihe und dem Zielamplitudenspektrumabschnitt in dem zu dem jeweiligen Auswahlbandpassfilter zugehörigen Featurefrequenzbereich die Übereinstimmungsmaßzahl übersteigt. Bei sich überscheidenden Featurefrequenzbereichen werden die Featurefrequenzbereiche mit dem größeren Übereinstimmungsmaß ausgewählt. Durch die Einstellung der vorgebbaren Übereinstimmungsmaßzahl kann eine gezielte manuelle Auswahl von Featuresignalmessdatenreihen beziehungsweise Featurefrequenzbereichen erfolgen, sodass in einfacher Weise die für die Auslegung des Auswahlbandpassfilter sinnvollen und relevanten Featuresignalmessdatenreihen ausgewählt werden. Bei Bandpassfiltern werden nur Signale eines bestimmten Frequenzbands innerhalb einer unteren Frequenzbandgrenze und einer oberen Frequenzbandgrenze durchgelassen. Die Frequenzbereiche oberhalb der oberen Frequenzbandgrenze und unterhalb der unteren Frequenzbandgrenze werden dabei gesperrt oder deutlich abgeschwächt. Erfindungsgemäß kann die untere Frequenzbandgrenze des Auswahlbandpassfilters so gewählt sein, dass diese bei 0 Hz liegt, sodass das Auswahlbandpassfilter ein Tiefpassfilter ausbildet. Erfindungsgemäß kann die obere Frequenzbandgrenze des Auswahlbandpassfilters so gewählt sein, dass diese bei der Nyquist-Frequenz liegt, sodass das Auswahlbandpassfilter ein Hochpassfilter ausbildet. Feature amplitude spectrum section of the feature signal measurement data series recorded by the respective feature signal sensor and the target amplitude spectrum section in the feature frequency range associated with the respective selection bandpass filter exceeds the measure of correspondence. In the case of overlapping feature frequency ranges, the feature frequency ranges with the greater degree of agreement are selected. By setting the definable measure of correspondence, a targeted manual selection of feature signal measurement data series or feature frequency ranges can take place, so that in The feature signal measurement data series that are meaningful and relevant for the design of the selection bandpass filter can be selected in a simple way. With bandpass filters, only signals of a specific frequency band within a lower frequency band limit and an upper frequency band limit are allowed to pass. The frequency ranges above the upper frequency band limit and below the lower frequency band limit are blocked or significantly weakened. According to the invention, the lower frequency band limit of the selection bandpass filter can be chosen such that it is at 0 Hz, so that the selection bandpass filter forms a low-pass filter. According to the invention, the upper frequency band limit of the selection bandpass filter can be chosen so that it is at the Nyquist frequency, so that the selection bandpass filter forms a high-pass filter.
Erfindungsgemäß können Featuresignalmessrohdatenreihen auch durch sich von Sensoren unterscheidenden Quellen bereitgestellt werden. Beispielsweise können Featuresignalmessrohdatenreihen aus von einem Steuergerät ausgegebenen Steuergerätausgangssignalen gebildet werden. Dabei sind die Steuergeräteingangssignale nicht zwingend aus Sensorsignalen gebildet. Beispielsweise kann ein vorverarbeitetes Steuergeräteingangssignal, welches mittels eines Featuresignalsensors ermittelt wird, dazu genutzt werden, aus einer Zählung von Steuergeräteingangssignal-Peaks eine Drehzahl-Information als Steuergerätausgangssignal zu generieren. Auch aus einem in einem Steuergerät implementierten Simulationsmodell könnenAccording to the invention, feature signal measurement raw data series can also be provided by sources other than sensors. For example, feature signal measurement raw data series can be formed from control unit output signals output by a control unit. In this case, the control unit input signals are not necessarily formed from sensor signals. For example, a preprocessed control unit input signal, which is determined by means of a feature signal sensor, can be used to generate speed information as a control unit output signal from a count of control unit input signal peaks. Also from a simulation model implemented in a control unit
Featuresignalmessrohdatenreihen gebildet werden, wobei eine Drehmoment-Information auf Basis von in dem Simulationsmodell hinterlegten Kennfeldern bestimmt werden kann. Auch Steuergerätausgangssignale, die durch Plausibilitätsprüfungen von verschiedenen Steuergeräteingangssignalen gebildet werden, können beispielsweise in Form von Zustandsvariablen, sogenannter Boolscher Variablen, alsFeature signal measurement raw data series are formed, with torque information based on in the simulation model stored characteristic fields can be determined. Also control unit output signals, which are formed by plausibility checks of various control unit input signals, for example in the form of state variables, so-called Boolean variables, as
Featuresignalmessrohdatenreihen bereitgestellt werden. Feature signal measurement raw data series are provided.
Zur Veranschaulichung der oben genannten Begriffe soll ein im Folgenden dargestelltes Beispiel dienen. Innerhalb eines realen Systems, beispielsweise einem Motor, werden mehrere Signalsensoren, wie die Featuresignalsensoren und der Zielsignalsensor, dazu eingesetzt, um beispielhaft Druck, Temperatur, oder einen Gasvolumenstrom zu messen. Dabei werden als Featuresignalsensoren beispielsweise zwei Drucksensoren, um die Drücke pl und p2 zu messen und ein Temperatursensor, um die Temperatur TI zu messen, eingesetzt. Des Weiteren wird im Beispiel der als Volumenstromsensor ausgeführte Zielsignalsensor dazu eingesetzt, den Volumenstrom ql zu messen. Ziel des Modellbildungsverfahrens ist es, ein mathematisches Modell zu erstellen, durch das aus den durch die Featuresignalsensoren ermittelten Signalverläufen der Drücke pl und p2 und der Temperatur TI den durch den Zielsignalsensor ermittelten Signalverlauf und entsprechend den Volumenstrom ql nachzubilden, sodass bei einer Verwendung des mathematischen Modells in einem ähnlichen realen System und unter Verwendung der oben genannten Featuresignalsensoren der Signalverlauf des Zielsignalsensors nachgebildet werden und gegebenenfalls auf den Einsatz des Zielsignalsensors verzichtet werden kann. An example presented below is intended to illustrate the above-mentioned terms. Within a real system, for example an engine, several signal sensors, such as the feature signal sensors and the target signal sensor, are used to measure pressure, temperature or a gas volume flow, for example. In this case, for example, two pressure sensors are used as feature signal sensors to measure the pressures p1 and p2 and a temperature sensor to measure the temperature TI. Furthermore, the target signal sensor designed as a volume flow sensor is used in the example to measure the volume flow ql. The aim of the modeling process is to create a mathematical model that uses the signal curves of the pressures pl and p2 and the temperature TI determined by the feature signal sensors to emulate the signal curve determined by the target signal sensor and correspondingly the volume flow ql, so that when the mathematical model is used In a similar real system and using the above-mentioned feature signal sensors, the signal curve of the target signal sensor can be simulated and the use of the target signal sensor can be dispensed with.
Die Abtastung der durch die Featuresignalsensoren und den Zielsignalsensor aufgenommenen Signale erfolgt in äquidistanten zeitlichen Abständen, wobei die Signale alternativ oder zusätzlich interpoliert werden, sodass durch eine Messwertaufnahme der Signale mehrere Featuresignalmessrohdatenreihen und eineThe signals recorded by the feature signal sensors and the target signal sensor are sampled in Equidistant time intervals, the signals are alternatively or additionally interpolated, so that several feature signal measurement raw data series and one by recording the measured values of the signals
Zielsignalmessrohdatenreihe erzeugt werden. In der Regel erfolgt eine Vorverarbeitung der mehreren Featuresignalmessrohdatenreihen und derTarget signal measurement raw data series are generated. As a rule, the multiple feature signal measurement raw data series and the
Zielsignalmessrohdatenreihe durch eine Tiefpassfilterung, um darin enthaltene Rauschanteile zu unterdrücken. Anschließend erfolgt eine Auswahl von relevanten Zeitabschnitten aus den Featuresignalmessrohdatenreihen und aus der Zielsignalmessrohdatenreihe, wodurch jeweils mehrere Featuresignalmessdatenreihen und mehrereTarget signal measurement raw data series through low-pass filtering in order to suppress the noise components contained therein. A selection of relevant time segments from the feature signal measurement raw data series and from the target signal measurement raw data series then takes place, resulting in several feature signal measurement data series and several
Zielsignalmessdatenreihen gebildet werden. Dabei werden diejenigen Zeitabschnitte gewählt, in denen die Featuresignalmessrohdatenreihen beziehungsweise die Zielsignalmessrohdatenreihe einen möglichst großen Frequenzinhalt und eine möglichst großen Dynamikumfang aufweisen. Der Dynamikumfang kann beispielsweise anhand von Frequenzamplitudenspektren, die mittels desTarget signal measurement data series are formed. In this case, those time segments are selected in which the feature signal measurement raw data series or the target signal measurement raw data series have the greatest possible frequency content and the greatest possible dynamic range. The dynamic range can be measured, for example, using frequency amplitude spectra that are
Frequenzanalyseverfahrens, wie beispielsweise einer Kurzzeit- Fourier-Transformation (englisch: Short-time Fourier transform, kurz: STFT) ermittelt werden, beurteilt werden. Durch die Anwendung des Frequenzanalyseverfahrens werden die Featureamplitudenspektren und die Zielamplitudenspektren ermittelt und anschließend in einzelne Featureamplitudenspektrumabschnitte und Zielamplitudenspektrumabschnitte unterteilt. In dem Überprüfungsschritt werden die Featureamplitudenspektrumabschnitte und die Zielamplitudenspektrumabschnitte dahingehend überprüft und verglichen, ob die darin enthaltenen Frequenzanteile in einem gewissen Übereinstimmungsmaß übereinstimmen. Beispielsweise können die sich durch Veränderungen der Drücke pl oder p2 verändernden Frequenzanteile innerhalb eines Featureamplitudenspektrumabschnitts durch einen sich ändernden Volumenstrom ql beziehungsweise als sich ändernde Frequenzanteile in einem Zielamplitudenspektrumabschnitt dargestellt werden. Da eine Änderung des Volumenstroms ql durch eine Änderung der Temperatur TI möglicherweise in einem längeren zeitlichen Äbstand abläuft, als durch eine Änderung der Drücke pl oder p2, können mehrere voneinander verschiedenen Featureamplitudenspektren beziehungsweise Featuresignalmessdatenreihen für die Modellbildung relevant sein. Damit aus den als relevant eingestuften Featureamplitudenspektrumabschnitten nur diejenigen Frequenzanteile zur Modellbildung eingesetzt werden, werden für jeden als relevant eingestuftenFrequency analysis method, such as a short-time Fourier transform (English: Short-time Fourier transform, abbreviated: STFT) are determined to be assessed. By using the frequency analysis method, the feature amplitude spectra and the target amplitude spectra are determined and then subdivided into individual feature amplitude spectrum sections and target amplitude spectrum sections. In the verification step, the feature amplitude spectrum sections and the target amplitude spectrum sections are checked and compared to determine whether the frequency components contained therein are in one agree to a certain degree of agreement. For example, the frequency components that change as a result of changes in the pressures p1 or p2 within a feature amplitude spectrum section can be represented by a changing volume flow q1 or as changing frequency components in a target amplitude spectrum section. Since a change in volume flow ql due to a change in temperature TI may occur at a longer time interval than a change in pressure p1 or p2, several different feature amplitude spectra or feature signal measurement data series can be relevant for modeling. To ensure that only those frequency components from the feature amplitude spectrum sections classified as relevant are used for modeling, each is classified as relevant
Featureamplitudenspektrumabschnitt ein Auswahlbandpassfilter erzeugt. Die für die Modellbildung vorgesehenen Eingangssignalmessdatenreihen werden mit diesen Auswahlbandpassfiltern gefiltert und auf diese Weise werden die Eingangssignaldatenreihen für die Modellbildung erzeugt. Somit erfolgt eine Modellbildung nur mit den Signalanteilen, die die zuvor ermittelten relevanten Frequenzanteile aufweisen, sodass ein besonders präzises Modell ermittelbar ist. Feature amplitude spectrum section creates a selection bandpass filter. The input signal measurement data series provided for modeling are filtered with these selection bandpass filters and the input signal data series for modeling are generated in this way. A model is thus formed only with the signal components which have the previously determined relevant frequency components, so that a particularly precise model can be determined.
Das zur Durchführung des erfindungsgemäßen Verfahrens verwendete Datenverarbeitungssystem kann unterschiedliche Datenverabeitungsgeräte umfassen, die Teilschritte des Verfahrens auch in größeren zeitlichen Abständen durchführen. Beispielsweise können die Featuresignalmessrohdatenreihen und die Zielsignalmessrohdatenreihen mit einem Datenlogger aufgezeichnet werden und auf einem Speicher hinterlegt werden. Zu einem späteren Zeitpunkt wird auf diese aufgezeichneten Featuresignalmessrohdatenreihen und Zielsignalmessrohdatenreihen von einem weiteren Datenverarbeitungsgerät des Datenverarbeitungssystems wie beispielsweise einem PC oder einem Cloud-Server zugegriffen und werden die weiteren Auswertungsschritte des erfindungsgemäßen Verfahrens durchgeführt. The data processing system used to carry out the method according to the invention can include different data processing devices which also carry out sub-steps of the method at longer time intervals. For example, the feature signal measurement raw data series and the target signal measurement raw data series with a data logger are recorded and stored in memory. At a later point in time, these recorded feature signal measurement raw data series and target signal measurement raw data series are accessed by another data processing device of the data processing system, such as a PC or a cloud server, and the further evaluation steps of the method according to the invention are carried out.
In einer vorteilhaften Ausgestaltung der Erfindung ist vorgesehen, dass das Übereinstimmungsmaß mittels einer Korrelationsanalyse durch das Datenverarbeitungssystem bestimmt wird. Optional kann als Übereinstimmungsmaß die Wurzel aus dem gemittelten Fehlerquadrat (sogenannte Root- mean-squared error, kurz RMSE) oder eine normierte Wurzel aus dem gemittelten Fehlerquadrat bestimmt werden. In an advantageous embodiment of the invention, it is provided that the degree of correspondence is determined by the data processing system by means of a correlation analysis. Optionally, the root of the mean squared error (RMSE for short) or a normalized root of the mean squared error can be determined as a measure of conformity.
Um eine besonders scharfe Abgrenzung desIn order to make a particularly sharp delimitation of
Auswahlsignalfrequenzbereichs zu erreichen, ist in einer vorteilhaften Umsetzung des Erfindungsgedankens vorgesehen, dass der Bandpassfilter vorzugsweise eine Filterordnung von mindestens acht aufweist. Somit kann eine besonders steile Flanke an den Grenzen des Auswahlsignalfrequenzbereichs erreicht werden, wodurch die innerhalb und außerdem des Auswahlsignalfrequenzbereichs liegenden Frequenzen besonders gut voneinander getrennt werden können. In order to achieve the selection signal frequency range, an advantageous implementation of the idea of the invention provides that the bandpass filter preferably has a filter order of at least eight. A particularly steep edge can thus be achieved at the limits of the selection signal frequency range, as a result of which the frequencies lying within and outside the selection signal frequency range can be separated from one another particularly well.
Außerdem ist erfindungsgemäß vorgesehen, dass ein als sogenannter Butterworth-Filter ausgeführter Bandpassfilter vorzugsweise eine Filterordnung von mindestens vier aufweist. Erfindungsgemäß sind auch weitere Filterarten, wie beispielsweise ein Finite-Impulse-Response-Filter (kurz FIR- Filter), vorgesehen. In addition, it is provided according to the invention that a bandpass filter designed as a so-called Butterworth filter preferably has a filter order of at least four. According to the invention, other types of filters, such as For example, a finite impulse response filter (FIR filter for short) is provided.
Bei einer vorteilhaften Ausgestaltung des erfindungsgemäßen Verfahrens ist vorgesehen, dass dieIn an advantageous embodiment of the method according to the invention it is provided that the
Featureamplitudenspektrumabschnitte eine vorgegebene Amplitudenspektrumbreite aufweisen. Eine Amplitudenspektrumbreite kann beispielsweise manuell vorgegeben werden, sodass bei Vorliegen eines gewissen Prozessverständnisses des nachzubildenden Prozesses nur relevante Frequenzbereiche der Featureamplitudenspektren berücksichtigt werden. Feature amplitude spectrum sections have a predetermined amplitude spectrum width. An amplitude spectrum width can be specified manually, for example, so that only relevant frequency ranges of the feature amplitude spectra are taken into account if there is a certain understanding of the process to be simulated.
Zur Bestimmung der Featureamplitudenspektrumabschnitte ist erfindungsgemäß vorteilhafterweise vorgesehen, dass die Featureamplitudenspektrumabschnitte durch das Datenverarbeitungssystem dadurch ermittelt werden, dass das Featureamplitudenspektrum in einem ersten Teilschritt in zwei Featureamplitudenspektrumabschnitte aufgeteilt wird und für jeden Featureamplitudenspektrumabschnitt ein erstes Übereinstimmungsmaß bestimmt wird und dass nachfolgend die Featureamplitudenspektrumabschnitte in weiteren Teilschritten jeweils weiter in kleinereTo determine the feature amplitude spectrum sections, it is advantageously provided according to the invention that the feature amplitude spectrum sections are determined by the data processing system by dividing the feature amplitude spectrum into two feature amplitude spectrum sections in a first partial step and for each feature amplitude spectrum section a first degree of correspondence is determined and then the feature amplitude spectrum sections continue in further partial steps into smaller ones
Featureamplitudenspektrumabschnitte aufgeteilt werden und jeweils das Übereinstimmungsmaß bestimmt wird, wobei jeder Featureamplitudenspektrumabschnitt in den weiteren Teilschritten solange in neueFeature amplitude spectrum sections are divided and the degree of agreement is determined in each case, with each feature amplitude spectrum section in the further sub-steps as long as new
Featureamplitudenspektrumabschnitt geteilt wird, bis eine Verbesserung des Übereinstimmungsmaß zwischen einem vorangegangene Teilschritt und dem aktuellen Teilschritt kleiner als ein vorgegebener Verbesserungswert ist. Durch die Anwendung eines derartigen Regressionsbaumverfahrens im Frequenzbereich können die jeweiligen Featurefrequenzbereiche besonders einfach automatisiert ermittelt werden. Dabei werden die Übereinstimmungsmaße für die in einem Teilschritt ermittelten Featureamplitudenspektrumabschnitte jeweils in einem nachfolgenden Teilschritt mit den Übereinstimmungsmaßen verglichen, die bei einer weiteren Aufteilung des jeweiligen Featureamplitudenspektrumabschnitts ermittelt werden und die weitere Aufteilung abgebrochen, wenn durch diese keine weitere signifikante Verbesserung erreicht werden kann. Feature amplitude spectrum section is divided until an improvement in the degree of agreement between a previous partial step and the current partial step is less than a predetermined improvement value. By applying such a regression tree method in frequency range, the respective feature frequency ranges can be determined automatically in a particularly simple manner. The degrees of agreement for the feature amplitude spectrum sections determined in a sub-step are compared in a subsequent sub-step with the measures of agreement that are determined during a further division of the respective feature amplitude spectrum section and the further division is terminated if no further significant improvement can be achieved by this.
In einer vorteilhaften Ausgestaltung des Erfindungsgedankens ist vorgesehen, dass sich benachbarteIn an advantageous embodiment of the invention, it is provided that adjacent
Featureamplitudenspektrumabschnitte um eine vorgegebene Amplitudenspektrumüberlappungsbreite überlappen, sodass relevante Frequenzen der Featureamplitudenspektren mehrfach innerhalb der Featureamplitudenspektrumabschnitte enthalten sind. Damit kann vorteilhafterweise auf die vorhandene Datenbasis zurückgegriffen werden. Dabei kann die Amplitudenspektrumüberlappungsbreite auch null betragen, so dass benachbarte Featureamplitudenspektrumabschnitte aneinander angrenzen und sich nicht überlappen. Die Amplitudenspektrumüberlappungsbreite kann auch kleiner als null sein, um Frequenzüberhöhungen in den Bereichen der sich überschneidenden Filtertlanken zu vermeiden. Overlap feature amplitude spectrum bins by a predetermined amplitude spectrum overlap width such that relevant frequencies of the feature amplitude spectra are contained multiple times within the feature amplitude spectrum bins. In this way, it is advantageously possible to access the existing database. In this case, the amplitude spectrum overlap width can also be zero, so that neighboring feature amplitude spectrum sections border one another and do not overlap. The amplitude spectrum overlap width can also be less than zero in order to avoid frequency overshoots in the areas of the overlapping filter flanks.
Die oben genannte Aufgabe wird auch durch ein Verfahren zur Bestimmung eines mathematischen Modells, das Modellmessdaten für mindestens einen Zielsignalsensor in Abhängigkeit von erfassten Messdaten mehrerer Featuresignalsensoren abbildet gelöst, wobei von durch die Featuresignalsensoren ermittelte Trainingseingangsmessdatenreihen auf mindestens eine von durch mindestens einem Zielsignalsensor ermittelte Trainingsausgangsmessdatenreihe abgebildet werden, wobei mittels von gemäß des voranstehend beschriebenen erfindungsgemäßen Verfahrens entworfene Featuresignalfiltern die Trainingseingangsmessdatenreihen mit einem Datenverarbeitungssystem gefiltert werden und dadurch Trainingseingangsdatenreihen gebildet werden, wobei eine Trainingseingangsmessdatenreihe mit unterschiedlich ausgelegten Featuresignalfiltern gefiltert werden kann, sodass aus einer Trainingseingangsmessdatenreihe mehrere Trainingseingangsdatenreihen gebildet werden, und wobei mittels eines datenbasierten Modellbestimmungsverfahrens ausgehend von den Trainingseingangsdatenreihen als Modelleingangsgrößen und der mindestens einen Trainingsausgangsmessdatenreihe als Modellausgangsgröße das mathematische Modell mit dem Datenverarbeitungssystem ermittelt wird. Durch die Filterung derThe above-mentioned object is also achieved by a method for determining a mathematical model that maps model measurement data for at least one target signal sensor as a function of recorded measurement data from a number of feature signal sensors, with training input measurement data series determined by the feature signal sensors being linked to at least one of at least one of at least one target signal sensor determined Training output measurement data series are mapped, the training input measurement data series being filtered with a data processing system by means of feature signal filters designed according to the method described above, and training input data series being formed as a result, a training input measurement data series being able to be filtered with differently designed feature signal filters, so that a training input measurement data series can be formed from a plurality of training input data series, and wherein the mathematical model is determined with the data processing system using a data-based model determination method based on the training input data series as model input variables and the at least one training output measurement data series as model output variable. By filtering the
Trainingseingangsmessdatenreihen mittels der ermittelten Auswahlbandfiltern können aus einerTraining input measurement data series using the determined selection band filters can from a
Trainingseingangsmessdatenreihe eine oder eine Vielzahl von Trainingseingangsdatenreihen erzeugt werden. Dadurch kann das mathematische Modell besonders schnell und präzise bestimmt werden. Für die Bestimmung des mathematischen Modells können unterschiedliche datenbasierte Modellbestimmungsverfahren verwendet werden. Das mathematische Modell kann linear oder nichtlinear sein. Es können parametrische und nicht parametrische Modelle verwendet werden. Als Modellbestimmungsverfahren können die aus dem Stand der Technik hinreichend bekannten Identifikationsverfahren, genetischen Algorithmen, neuronale Netze und dergleichen verwendet werden. Die zur Modellbildung genutztenTraining input measurement data series one or a plurality of training input data series are generated. As a result, the mathematical model can be determined particularly quickly and precisely. Different data-based model determination methods can be used to determine the mathematical model. The mathematical model can be linear or non-linear. Parametric and non-parametric models can be used. The identification methods, genetic algorithms, neural networks and the like that are sufficiently known from the prior art can be used as model determination methods. Those used for modelling
Trainingseingangsmessdatenreihen werden durch die Featuresignalsensoren ermittelt. Wie in dem oben beschriebenen Beispiel werden dieTraining input metrics are determined by the feature signal sensors. As in the example above, the
Trainingseingangsmessdatenreihen somit durch die beispielhaften zwei Drucksensoren und durch den Temperatursensor ermittelt. Dabei kann die Modellbildung auch mittels Trainingseingangsmessdatenreihen erfolgen, die in einem gleichen Prozess aber auf weiteren gleichartigen Systemen ermittelt werden. In den weiteren gleichartigen Systemen werden die oben genannten Drucksensoren und der Temperatursensor als Featuresignalsensoren zur Ermittlung der Trainingseingangsmessdatenreihen verwendet. Training input measurement data series are thus determined by the exemplary two pressure sensors and by the temperature sensor. The model can also be created using training input measurement data series, which are determined in the same process but on other similar systems. In the other systems of the same type, the above-mentioned pressure sensors and the temperature sensor are used as feature signal sensors for determining the training input measurement data series.
Optional ist erfindungsgemäß vorgesehen, dass die mit dem Zielsignalsensor ermittelten Trainingsausgangsmessdatenreihen durch Filterung mit den entsprechenden Auswahlbandfilter als Trainingsausgangsdatenreihen für die Modellbildung genutzt werden. According to the invention, it is optionally provided that the training output measurement data series determined with the target signal sensor are used as training output data series for modeling by filtering with the corresponding selection band filter.
Nach erfolgter Modellbildung kann das Modell in einem Seriensystem des realen Systems eingesetzt werden. Alternativ wird das Modell auf einem Rechnersystem eingesetzt, welches innerhalb eines Rechnernetzwerks, wie eine Cloud, betrieben wird. Je nach Anwendungsfall ist der Zielsignalsensor in dem realen System nicht mehr vorhanden oder aber sollen die Zielsignalmessdatenreihen als redundantes berechnetes Signal ergänzt werden. Dazu werden die Zielsignalmessdatenreihen des Zielsignalsensors durch die durch das Modell ausgegebenen und durch das Modell aus den Modelleingangsgrößen bestimmten Modellausgangsgrößen angenähert. In einer vorteilhaften Umsetzung des Erfindungsgedankens ist vorgesehen, dass die Trainingseingangsmessdatenreihen durch die Featuresignalmessdatenreihen gebildet sind. Dadurch kann in einfacher Weise auf bereits vorhandeneOnce the model has been created, the model can be used in a series system of the real system. Alternatively, the model is used on a computer system that is operated within a computer network, such as a cloud. Depending on the application, the target signal sensor is no longer present in the real system or the target signal measurement data series should be supplemented as a redundant calculated signal. For this purpose, the target signal measurement data series of the target signal sensor are approximated by the model output variables output by the model and determined by the model from the model input variables. In an advantageous implementation of the idea of the invention, it is provided that the training input measurement data rows are formed by the feature signal measurement data rows. As a result, in a simple manner on already existing
Featuresignalmessdatenreihen zurückgegriffen werden, wodurch ein Zeitaufwand für die Vorbereitung von Featuresignalmessrohdatenreihen zur Verwendung als Trainingseingangsmessdatenreihen entfallen kann. Auch eine Kombination von Featuresignalmessdatenreihen oder Bestandteilen von Featuresignalmessdatenreihen und Trainingseingangsmessdatenreihen oder Abschnitten von Trainingseingangsmessdatenreihen ist erfindungsgemäß vorgesehen . Feature signal measurement data series can be accessed, which can eliminate the time required to prepare feature signal measurement raw data series for use as training input measurement data series. A combination of feature signal measurement data series or components of feature signal measurement data series and training input measurement data series or sections of training input measurement data series is also provided according to the invention.
Zur Bestimmung der Featuresignalmessdatenreihen aus den Featuresignalmessrohdatenreihen ist erfindungsgemäß vorteilhafterweise vorgesehen, dass die Featuresignalmessdatenreihen zeitlich unmittelbar aufeinanderfolgende Featuresignalmessdatenpunkte aufweisen und so jeweils einen Abschnitt der zugehörigen Featuresignalmessrohdatenreihen bilden, wobei die Abschnitte der Featuresignalmessdatenreihen mindestens eine vorgegebene Mindestdatenpunktanzahl aufweisen und wobei der Abschnitt durch das Datenverarbeitungssystem so ausgewählt wird, dass eine Zielsignalleistung in dem gewählten Abschnitt maximal ist. Mit Zielsignalleistung sind die innerhalb der Featuresignalmessdatenreihen enthaltenen relevanten Amplituden beschrieben. Je größer die enthaltenen Amplituden innerhalb eines entsprechenden Abschnitts des Signals beziehungsweise der Featuresignalmessdatenreihen sind, desto größer ist die Zielsignalleistung. Erfindungsgemäß ist vorgesehen, dass zur Ermittlung von Featureamplitudenspektrumabschnitten aus Featuresignalmessdatenreihen eine Kurzzeit-Fourier- Transformation (englisch: Short-time Fourier transform, kurz: STFT) oder eine Wavelet-Transformation der Featuresignalmessrohdatenreihen durchgeführt wird. Dabei werden die Abschnitte der zugehörigenIn order to determine the feature signal measurement data series from the feature signal measurement raw data series, it is advantageously provided according to the invention that the feature signal measurement data series have feature signal measurement data points that follow one another in direct time and thus each form a section of the associated feature signal measurement raw data series, with the sections of the feature signal measurement data series having at least a predetermined minimum number of data points and with the section being selected by the data processing system in this way that a target signal power is maximum in the selected section. Target signal power describes the relevant amplitudes contained within the feature signal measurement data sets. The greater the amplitudes contained within a corresponding section of the signal or the feature signal measurement data series, the greater the target signal power. According to the invention it is provided that for the determination of Feature amplitude spectrum sections from feature signal measurement data series a short-time Fourier transform (English: Short-time Fourier transform, abbreviated: STFT) or a wavelet transformation of the feature signal measurement raw data series is carried out. The sections of the associated
Featuresignalmessdatenreihen identifiziert, in dem eine Summe des (quadratischen) Restfehlers jeden Abschnitts von ihrem lokalen Mittelwert bestimmt wird. Sobald eine signifikante Änderung des Mittelwerts auftritt, wird unterFeature signal measurement data sets are identified by determining a sum of each bin's residual (square root) error from its local mean. As soon as a significant change in the mean occurs, under
Berücksichtigung der vorgegebenen Mindestdatenpunktanzahl der nächste Abschnitt gebildet. Somit können zeitliche Abschnitte der Featuresignalmessrohdatenreihen identifiziert werden, welche eine besonders großen Frequenzinhalt beziehungsweise eine besonders hohe Dynamik beziehungsweise einen hohen Dynamikumfang und eine hohe Zielsignalleistung aufweisen.The next section is formed taking into account the specified minimum number of data points. It is thus possible to identify time sections of the feature signal measurement raw data series which have a particularly large frequency content or a particularly high dynamic or a high dynamic range and a high target signal power.
In einer vorteilhaften Ausgestaltung der Erfindung ist vorgesehen, dass zur Bestimmung der Zielsignalleistung für eine Zielsignalmessrohdatenreihe für aufeinanderfolgende und sich vorteilhafterweise überlappende Zeitabschnitte mit einer vorgegebenen Zeitdauer der Zielsignalmessrohdatenreihe ein Kurzzeitfrequenzamplitudenspektrum durch das Datenverarbeitungssystem ermittelt wird, wobei für jedes Kurzzeitfrequenzamplitudenspektrum eine In an advantageous embodiment of the invention, it is provided that, in order to determine the target signal power for a target signal measurement raw data series, a short-time frequency amplitude spectrum is determined by the data processing system for consecutive and advantageously overlapping time segments with a predetermined time duration of the target signal measurement raw data series, with one for each short-time frequency amplitude spectrum
Kurzzeitfrequenzamplitudenleistung bestimmt wird, wobei zeitlich aufeinanderfolgende Zielsignalmessrohdatenpunkte zu Zielsignalmessrohdatenabschnitten so durch das Datenverarbeitungssystem zusammengefasst werden, dass eine Änderung der Kurzzeitfrequenzamplitudenleistung zeitlich unmittelbar aufeinanderfolgender Zielsignalmessrohdatenpunkte unterhalb einer vorgegebenen Änderungsleistung liegt, und wobei anschließend jeweils eine Zielsignalleistung für sämtliche Kombinationen zeitlich aufeinanderfolgender Zielsignalmessrohdatenabschnitten durch dasShort-term frequency amplitude power is determined, with consecutive target signal measurement raw data points being combined by the data processing system to form target signal measurement raw data sections in such a way that a change in the short-time frequency amplitude power of target signal measurement raw data points directly following one another in terms of time is below a specified change power, and with a target signal power for all combinations of temporally consecutive target signal measurement raw data sections by the
Datenverarbeitungssystem gebildet wird, die die vorgegebene Mindestdatenpunktanzahl aufweisen und wobei die Kombination als Abschnitt durch das Datenverarbeitungssystem ausgewählt wird, deren Zielsignalleistung maximal ist. Durch die Auswahl der Zielsignalmessrohdatenpunkte mit maximalerData processing system is formed, which have the predetermined minimum number of data points and wherein the combination is selected as a section by the data processing system, the target signal power is maximum. By selecting the target signal measurement raw data points with maximum
Zielsignalleistung kann eine besonders präzise Bestimmung der Auswahlbandfilter und des mathematischen Modells erfolgen. Target signal power, the selection band filter and the mathematical model can be determined particularly precisely.
In einem folgenden Beispiel soll die Ermittlung der Zielsignalleistung anschaulich erläutert werden. Für die Auslegung des Filters werden zunächst eine minimale Schrittfrequenz und eine maximale obere Frequenz definiert. Beispielweise kann für die minimale Schrittfrequenz bei 1 Hz und für die maximale Frequenz die Frequenz M festgelegt werden. Anschließend werden einzelne Featuresignalmessdatenreihen durch dieThe determination of the target signal power is to be clearly explained in the following example. To design the filter, a minimum step frequency and a maximum upper frequency are first defined. For example, the minimum step frequency can be set at 1 Hz and the frequency M for the maximum frequency. Subsequently, individual feature signal measurement data sets are divided by the
Frequenzbereichsabschnitte 0 Hz bis 1 Hz, 0 Hz bis 2 Hz, ... ,Frequency range sections 0 Hz to 1 Hz, 0 Hz to 2 Hz, ... ,
0 Hz bis M Hz, 1 Hz bis 2 Hz, 1 Hz bis 3 Hz ... , 1 Hz bis0 Hz to M Hz, 1 Hz to 2 Hz, 1 Hz to 3 Hz ... , 1 Hz to
M Hz, ..., (M-l) Hz bis M Hz gebildet. Für dieM Hz, ..., (M-l) Hz to M Hz formed. For the
Zielsignalmessdatenreihe und alle einzelnen Featuresignalmessdatenreihen wird jeweils ein Fourier- Spektrum durch eine Standard-Fast-Fourier-Transform-Analyse ermittelt. Anschließend werden die Korrelationskoeffizienten zwischen den Fourier-Spektren der Zielsignalmessdatenreihen und der Featuresignalmessdatenreihen auf allen einzelnen oben definierten Frequenzbereichsabschnitten (0 Hz bis 1 Hz, 0 Hz bis 2 Hz, ... 0 Hz bis M Hz, 1 Hz bis 2 Hz, 1 Hz bis 3 Hz ... ,A Fourier spectrum is determined for each of the target signal measurement data series and each individual feature signal measurement data series using a standard Fast Fourier Transform analysis. Then the correlation coefficients between the Fourier spectra of the target signal measurement data series and the feature signal measurement data series are calculated on each of the frequency domain sections defined above (0 Hz to 1 Hz, 0 Hz to 2 Hz, ... 0 Hz to M Hz, 1 Hz to 2 Hz, 1 Hz up to 3 Hz ... ,
1 Hz bis M Hz, ..., (M-l) Hz bis M Hz) bestimmt. Ausschließlich1 Hz to M Hz, ..., (M-1) Hz to M Hz). Exclusively
Featuresignalmessdatenreihen beziehungsweise Frequenzbereichsabschnitte mit den höchsten Korrelationskoeffizienten werden weiter berücksichtigt. Beispielhaft können dies die Frequenzbereichsabschnitte 0 Hz bis 1 Hz, 1 Hz bis 6 Hz, 6 Hz bis 8 Hz und 8 Hz bis M Hz sein. Dabei wird der gesamte Frequenzbereich von 0 Hz bis M Hz mit p Frequenzbereichsabschnitten abgedeckt, wobei kein Frequenzbereichsabschnitt vernachlässigt wird und auch Frequenzbereichsabschnitte mit geringen Korrelationskoeffizienten berücksichtigt werden. Erfindungsgemäß ist es optional aber auch vorgesehen, dass Frequenzbereichsabschnitte, die einen geringen und unterhalb eines vorgegebenen Korrelationsgrenzwerts liegenden Korrelationswert aufweisen, vernachlässigt werden. Durch die beschriebene Vorgehensweise werden nFeature signal measurement data series or frequency domain sections with the highest Correlation coefficients are further considered. For example, this can be the frequency range sections 0 Hz to 1 Hz, 1 Hz to 6 Hz, 6 Hz to 8 Hz and 8 Hz to M Hz. The entire frequency range from 0 Hz to M Hz is covered with p frequency range sections, with no frequency range section being neglected and frequency range sections with low correlation coefficients also being taken into account. According to the invention, however, it is also optionally provided that frequency range sections which have a low correlation value lying below a predetermined correlation limit value are neglected. With the procedure described, n
Featuresignalmessdatenreihen ausgewählt, die den größten Korrelationskoeffizient auf dem jeweiligenFeature signal measurement data sets are selected that have the largest correlation coefficient on the respective
Frequenzbereichsabschnitt aufweisen. Die Filter werden dann für die ausgewählten Featuresignalmessdatenreihen ausgelegt. Wenn die Anzahl der Frequenzbereichsabschnitte p gleich der Anzahl der ausgewählten Featuresignalmessdatenreihen n ist, werden alle definierten Frequenzbereichsabschnitte betrachtet und es wird genau eine Featuresignalmessdatenreihe pro Frequenzbereichsabschnitt betrachtet. Wenn die Anzahl der ausgewählten Featuresignalmessdatenreihen n kleiner als die Anzahl der Frequenzbereichsabschnitte p ist, werden nur die Frequenzbereichsabschnitte der n ausgewählten Featuresignalmessdatenreihen mit den höchsten Korrelationen betrachtet. Somit wird für jeden Frequenzbereichsabschnitt eine Featuresignalmessdatenreihe betrachtet. Die übrigen Frequenzbereichsabschnitte werden vernachlässigt. Wenn die Anzahl der ausgewählten Featuresignalmessdatenreihen n größer als die Anzahl der Anzahl der Frequenzbereichsabschnitte p ist, werden möglicherweise mehrere Featuresignalmessdatenreihen pro Frequenzbereichsabschnitt betrachtet . Have frequency domain section. The filters are then designed for the selected feature signal measurement data sets. If the number of frequency domain sections p is equal to the number of selected feature signal measurement data series n, all defined frequency domain sections are considered and exactly one feature signal measurement data series per frequency domain section is considered. If the number of selected feature signal measurement data series n is smaller than the number of frequency domain sections p, only the frequency domain sections of the n selected feature signal measurement data series with the highest correlations are considered. A feature signal measurement data series is thus considered for each frequency domain section. The remaining frequency range sections are neglected. If the number of selected feature signal measurement data series n is greater than the number of the number of frequency domain bins p, there may be more Feature signal measurement data series considered per frequency domain bin.
In einer vorteilhaften Ausgestaltung der Erfindung ist vorgesehen, dass zur Bestimmung der Zielsignalleistung für eine Zielsignalmessrohdatenreihe für aufeinanderfolgende und sich vorteilhafterweise überlappende Zeitabschnitte mit einer vorgegebenen Zeitdauer der Zielsignalmessrohdatenreihe ein Kurzzeitfrequenzamplitudenspektrum durch das Datenverarbeitungssystem ermittelt wird, wobei die ermittelten Kurzeitfrequenzamplitudenspektren chronologisch in einer Kurzeitfrequenzamplitudenspektrenmatrix angeordnet werden, wobei anschließend eine mathematischeIn an advantageous embodiment of the invention, it is provided that, in order to determine the target signal power for a target signal measurement raw data series, a short-time frequency amplitude spectrum is determined by the data processing system for consecutive and advantageously overlapping time segments with a predetermined time duration of the target signal measurement raw data series, the short-time frequency amplitude spectra determined being arranged chronologically in a short-time frequency amplitude spectra matrix, wherein then a math
Faltungsoperation mit einer Frequenzgewichtungsmatrix auf die Kurzeitfrequenzamplitudenspektrenmatrix durch das Datenverarbeitungssystem angewandt wird, sodass als Ergebnis eine Gewichtungswertzeitreihe gebildet wird, die als Zielsignalleistung verwendet wird. Die Kurzeitfrequenzamplitudenspektrenmatrix umfasst beispielsweise m Zeilen mit den zu m Frequenzen ermittelten Frequenzamplituden und n Spalten die den Zeitabschnitten entsprechenen, für die die Frequenzamplituden beispielsweise mit dem STFT-Verfahren ermittelt wurden. DieA convolution operation with a frequency weight matrix is applied to the short-term frequency-amplitude spectrum matrix by the data processing system, so that a weight value time series is formed as a result, which is used as the target signal power. The short-term frequency amplitude spectrum matrix includes, for example, m rows with the frequency amplitudes determined for m frequencies and n columns that correspond to the time segments for which the frequency amplitudes were determined, for example, using the STFT method. the
Frequenzgewichtungsmatrix ist vorteilhafterweise eine Matrix, die ebenfalls m Zeilen aufweist. Die Anzahl der Spalten k der Frequenzgewichtungsmatrix ist vorgegeben und bestimmt eine Breite der Zeitabschnitts, für den ein Gewichtungswert gebildet wird. Die Frequenzgewichtungsmatrix kann dabei so vorgegeben werden, dass bestimmte Frequenzbereiche stärker in den durch die Faltungsoperation gebildeten Gewichtungswert einfließen als andere. Weitere vorteilhafte Ausgestaltungen des erfindungsgemäßen Verfahrens werden anhand von in den Zeichnungen dargestellten Ausführungsbeispielen erläutert. Es zeigen: Frequency weighting matrix is advantageously a matrix that also has m rows. The number of columns k in the frequency weighting matrix is predetermined and determines a width of the time segment for which a weighting value is formed. The frequency weighting matrix can be specified in such a way that certain frequency ranges have a greater influence on the weighting value formed by the convolution operation than others. Further advantageous refinements of the method according to the invention are explained using exemplary embodiments illustrated in the drawings. Show it:
Figur 1 eine schematische Darstellung von Featuresignalmessrohdatenreihen und Zielsignalmessrohdatenreihen und die durch das Frequenzanalyseverfahren ermitteltenFIG. 1 shows a schematic representation of feature signal measurement raw data series and target signal measurement raw data series and those determined by the frequency analysis method
Featureamplitudenspektren und Zielamplitudenspektren und feature amplitude spectra and target amplitude spectra and
Figur 2 eine schematische Darstellung von für die Bestimmung des mathematischen Modells verwendetenFIG. 2 shows a schematic representation of those used for determining the mathematical model
Trainingseingangsdatenreihen als Modelleingangsgrößen und die Trainingsausgangsmessdatenreihe als Modellausgangsgrößen. Training input data series as model inputs and the training output measurement data series as model outputs.
In Figur 1 ist eine schematische Darstellung von Featuresignalmessrohdatenreihen 1 und Zielsignalmessrohdatenreihen 2 und durch einen Frequenzanalyseschritt 3 ermittelten Featureamplitudenspektren 4. DieFIG. 1 shows a schematic representation of feature signal measurement raw data series 1 and target signal measurement raw data series 2 and feature amplitude spectra 4 determined by a frequency analysis step 3. The
Featuresignalmessrohdatenreihen 1 werden unter Verwendung von Featuresignalsensoren 5 bestimmt. Aus den Featuresignalmessrohdatenreihen 1 werdenFeature signal measurement raw data series 1 are determined using feature signal sensors 5 . The feature signal measurement raw data rows become 1
Featuresignalmessdatenreihen 2 ermittelt. Die mindestens eine Zielsignalmessrohdatenreihe 6 wird unter Verwendung eines Zielsignalsensors 7 bestimmt. Aus den Zielsignalmessrohdatenreihen 6 wird mindestens eine Zielsignalmessdatenreihe 8 ermittelt. In dem Frequenzanalyseschritt 3 wird für jede Featuresignalmessdatenreihe 2 mittels einesFeature signal measurement data series 2 determined. The at least one target signal measurement raw data series 6 is determined using a target signal sensor 7 . At least one target signal measurement data series 8 is determined from the target signal measurement raw data series 6 . In the frequency analysis step 3, for each feature signal measurement data series 2 by means of a
Frequenzanalyseverfahrens ein Featureamplitudenspektrum 4 und für jede Zielsignalmessdatenreihe 8 ein Zielamplitudenspektrum 9 ermittelt. Die Featureamplitudenspektren 4 werden jeweils in mehrere aneinander angrenzende oder teilweise überlappende Featureamplitudenspektrumabschnitte 10 aufgeteilt, die jeweils einen vorgegebenen Featurefrequenzbereich umfassen. Das Zielamplitudenspektrum 9 wird inFrequency analysis method a feature amplitude spectrum 4 and for each target signal measurement data series 8 a Target amplitude spectrum 9 determined. The feature amplitude spectra 4 are each divided into a plurality of adjacent or partially overlapping feature amplitude spectrum sections 10, each of which includes a predetermined feature frequency range. The target amplitude spectrum 9 is in
Zielamplitudenspektrumabschnitte 11 aufgeteilt, wobei Zielfrequenzbereiche der Zielamplitudenspektrumabschnitte 11 den Featurefrequenzbereichen entsprechen. In einem Übereinstimmungsprüfvorgang 12 wird in mehreren sich wiederholenden Übereinstimmungsprüfschritten jeweils ein Übereinstimmungsmaß für jedenTarget amplitude spectrum sections 11 divided, with target frequency ranges of the target amplitude spectrum sections 11 corresponding to the feature frequency ranges. In a matching process 12, in a plurality of iterative matching steps, a matching measure is determined for each
Featureamplitudenspektrumabschnitt 10 ermittelt, wobei das Übereinstimmungsmaß ein Maß für die Übereinstimmung des Amplitudenspektrums des jeweiligenFeature amplitude spectrum section 10 determined, wherein the degree of agreement is a measure of the agreement of the amplitude spectrum of the respective
Featureamplitudenspektrumabschnitts 10 und dem zugehörigen Zielamplitudenspektrumabschnitt 11 ist. Die Featurefrequenzbereiche, deren Übereinstimmungsmaß eine vorgegebene Übereinstimmungsmaßzahl übersteigen werden als Auswahlsignalfrequenzbereiche 13 ausgewählt. In einem nachfolgenden Bestimmungsschritt 14 wird für die Auswahlsignalfrequenzbereiche 13 jeweils einFeature amplitude spectrum section 10 and the associated target amplitude spectrum section 11 is. The feature frequency ranges whose degree of correspondence exceeds a predetermined degree of correspondence are selected as selection signal frequency ranges 13 . In a subsequent determination step 14, for each of the selection signal frequency ranges 13, a
Auswahlbandpassfilter 15 entworfen, sodass mit dem jeweiligen Auswahlbandpassfilter 15 gefilterte Signalmessdatenreihen innerhalb des jeweiligen Auswahlsignalfrequenzbereichs 13 liegende Signalanteile aufweisen und außerhalb des jeweiligen Auswahlsignalfrequenzbereich 13 liegende Signalanteile aus der gefilterten Signalmessdatenreihe heraus gefiltert werden. Selection bandpass filter 15 designed so that signal measurement data series filtered with the respective selection bandpass filter 15 have signal components lying within the respective selection signal frequency range 13 and signal components lying outside of the respective selection signal frequency range 13 are filtered out of the filtered signal measurement data series.
In Figur 2 ist eine schematische Darstellung von für die Bestimmung eines mathematischen Modells 16 verwendeten Trainingseingangsdatenreihen 17 als Modelleingangsgrößen und die Trainingsausgangsmessdatenreihe 18 als Modellausgangsgrößen gezeigt. Mit dem entworfenen Auswahlbandpassfilter 15 werden die von durch die Featuresignalsensoren 5 ermittelten Trainingseingangsmessdatenreihen 19, die auch durch die Featuresignalmessdatenreihen 2 gebildet sein können, gefiltert, wodurch Trainingseingangsdatenreihen 17 gebildet werden. Die mit dem jeweiligen Auswahlbandpassfilter 15 gefilterten Trainingseingangsmessdatenreihen 19 weisen innerhalb des jeweiligen Auswahlsignalfrequenzbereichs 13 liegende Signalanteile auf. Außerhalb des jeweiligen Auswahlsignalfrequenzbereichs 13 liegende Signalanteile sind aus den gefilterten Trainingseingangsmessdatenreihen 19 heraus gefiltert. Dabei kann eine Trainingseingangsmessdatenreihe 19 mit unterschiedlich ausgelegten Auswahlbandfiltern 15 gefiltert werden, sodass aus einer Trainingseingangsmessdatenreihe 19 mehrere Trainingseingangsdatenreihen 17 gebildet werden. Mittels eines datenbasierten Modellbestimmungsverfahren 20 wird ausgehend von den Trainingseingangsdatenreihen 17 als Modelleingangsgrößen und der mindestens einen Trainingsausgangsmessdatenreihe 19 als Modellausgangsgröße das mathematische Modell 16 ermittelt. FIG. 2 shows a schematic representation of training input data series 17 used for determining a mathematical model 16 as model input variables and the training output measurement data set 18 is shown as model outputs. The designed selection bandpass filter 15 filters the training input measurement data rows 19 determined by the feature signal sensors 5, which can also be formed by the feature signal measurement data rows 2, whereby training input data rows 17 are formed. The training input measurement data series 19 filtered with the respective selection bandpass filter 15 have signal components lying within the respective selection signal frequency range 13 . Signal components lying outside the respective selection signal frequency range 13 are filtered out of the filtered training input measurement data series 19 . A training input measurement data series 19 can be filtered with differently designed selection band filters 15 so that a number of training input data series 17 are formed from one training input measurement data series 19 . Using a data-based model determination method 20, the mathematical model 16 is determined based on the training input data series 17 as model input variables and the at least one training output measurement data series 19 as model output variable.

Claims

PA T E N TA N S P R Ü C H E PA TEN CLAIMS
1. Verfahren zur Bestimmung von Featuresignalfiltern zur Vorbereitung von Signalmessdatenreihen mehrerer Messgrößen für die experimentelle Bestimmung eines mathematischen Modells (16), das Modellmessdaten für mindestens einen Zielsignalsensor (7) in Abhängigkeit von erfassten Messdaten mehrerer Featuresignalsensoren (5) abbildet, wobei mit den Featuresignalsensoren (5) Featuresignalmessrohdatenreihen (1) mit einem Datenverarbeitungssystemsystem aufgezeichnet werden, wobei mit dem Datenverarbeitungssystemsystem aus den Featuresignalmessrohdatenreihen (1)1. A method for determining feature signal filters for preparing signal measurement data series of a number of measurement variables for the experimental determination of a mathematical model (16) that maps model measurement data for at least one target signal sensor (7) as a function of recorded measurement data from a number of feature signal sensors (5), with the feature signal sensors ( 5) Feature signal measurement raw data series (1) are recorded with a data processing system, with the data processing system from the feature signal measurement raw data series (1)
Featuresignalmessdatenreihen (2) ermittelt werden, wobei mit dem mindestens einen Zielsignalsensor (7) mindestens eine Zielsignalmessrohdatenreihe (6) mit demFeature signal measurement data rows (2) are determined, with the at least one target signal sensor (7) having at least one target signal measurement raw data row (6) with the
Datenverarbeitungssystem aufgezeichnet wird, wobei mit dem Datenverarbeitungssystem mindestens eine Zielsignalmessdatenreihe (8) aus der mindestens einen Zielsignalmessrohdatenreihe (6) ermittelt wird, wobei in einem Frequenzanalyseschritt (3) durch das Datenverarbeitungssystem für jede Featuresignalmessdatenreihe (2) mittels eines Frequenzanalyseverfahrens ein Featureamplitudenspektrum (4) ermittelt wird und für die Zielsignalmessdatenreihe (8) mittels des Frequenzanalyseverfahrens ein Zielamplitudenspektrum (9) ermittelt wird, wobei die Featureamplitudenspektren (4) jeweils in mehrere aneinander angrenzende oder teilweise überlappendedata processing system is recorded, with at least one target signal measurement data series (8) being determined from the at least one target signal measurement raw data series (6) with the data processing system, with a feature amplitude spectrum (4) being determined by the data processing system for each feature signal measurement data series (2) using a frequency analysis method in a frequency analysis step (3). and a target amplitude spectrum (9) is determined for the target signal measurement data series (8) using the frequency analysis method, with the feature amplitude spectra (4) each being divided into several adjacent or partially overlapping ones
Featureamplitudenspektrumabschnitte (10) aufgeteilt werden, wobei die Featureamplitudenspektrumabschnitte (10) jeweils einen manuell oder automatisiert vorgegebenen Featurefrequenzbereich umfassen, wobei das Zielamplitudenspektrum (9) inFeature amplitude spectrum sections (10) are divided, the feature amplitude spectrum sections (10) each having a manually or automatically specified Feature frequency range include, where the target amplitude spectrum (9) in
Zielamplitudenspektrumabschnitte (11) aufgeteilt wird, wobei Zielfrequenzbereiche der Target amplitude spectrum sections (11) is divided, with target frequency ranges of
Zielamplitudenspektrumabschnitte (11) den Featurefrequenzbereichen entsprechen, wobei in einem Übereinstimmungsprüfvorgang (12) in mehreren sich wiederholenden Übereinstimmungsprüfschritten jeweils ein Übereinstimmungsmaß für jedenTarget amplitude spectrum sections (11) correspond to the feature frequency ranges, in a matching process (12) in a plurality of repetitive matching steps each having a matching measure for each
Featureamplitudenspektrumabschnitt (10) durch das Datenverarbeitungssystem ermittelt wird, wobei das Übereinstimmungsmaß ein Maß für die Übereinstimmung des Amplitudenspektrums des jeweiligenFeature amplitude spectrum section (10) is determined by the data processing system, the degree of agreement being a measure of the agreement of the amplitude spectrum of the respective
Featureamplitudenspektrumabschnitt (10) und dem zugehörigen Zielamplitudenspektrumabschnitt (11) ist, wobei die Featurefrequenzbereiche, deren Übereinstimmungsmaß eine vorgegebene Übereinstimmungsmaßzahl übersteigen als Auswahlsignalfrequenzbereiche (13) durch das Datenverarbeitungssystem ausgewählt werden, wobei in einem nachfolgenden Bestimmungsschritt (14) für die Auswahlsignalfrequenzbereiche (13) jeweils einfeature amplitude spectrum section (10) and the associated target amplitude spectrum section (11), wherein the feature frequency ranges whose degree of agreement exceeds a predetermined degree of agreement are selected as selection signal frequency ranges (13) by the data processing system, with a subsequent determination step (14) for the selection signal frequency ranges (13) each
Auswahlbandpassfilter (15) durch das Datenverarbeitungssystem entworfen wird, sodass mit dem jeweiligenSelection bandpass filter (15) is designed by the data processing system, so that with the respective
Auswahlbandpassfilter (15) gefilterte Signalmessdatenreihen innerhalb des jeweiligen Auswahlsignalfrequenzbereichs (13) liegende Signalanteile aufweisen und außerhalb des jeweiligen Auswahlsignalfrequenzbereich (13) liegende Signalanteile aus der gefilterten Signalmessdatenreihe heraus gefiltert werden, wobei jeder Auswahlbandpassfilter (13) einenSelection bandpass filter (15) have filtered signal measurement data series within the respective selection signal frequency range (13) and signal components lying outside of the respective selection signal frequency range (13) are filtered out of the filtered signal measurement data series, each selection bandpass filter (13) having a
Featuresignalfilter für jeden Featuresignalsensor (5) bildet, bei dem das Übereinstimmungsmaß zwischen dem Featureamplitudenspektrumabschnitt (10) der von dem jeweiligen Featuresignalsensor (5) aufgenommenen Featuresignalmessdatenreihe (2) und demFeature signal filter for each feature signal sensor (5) forms, in which the degree of agreement between the feature amplitude spectrum section (10) of the respective feature signal sensor (5) recorded feature signal measurement data series (2) and the
Zielamplitudenspektrumabschnitt (11) in dem zu dem jeweiligen Auswahlbandpassfilter (13) zugehörigen Featurefrequenzbereich die Übereinstimmungsmaßzahl übersteigt. Target amplitude spectrum section (11) in the respective selection bandpass filter (13) associated feature frequency range exceeds the measure of conformity.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das Übereinstimmungsmaß mittels einer Korrelationsanalyse durch das Datenverarbeitungssystem bestimmt wird. 2. The method as claimed in claim 1, characterized in that the degree of agreement is determined by the data processing system by means of a correlation analysis.
3. Verfahren gemäß Anspruch 1 oder 2, dadurch gekennzeichnet, dass der Bandpassfilter vorzugsweise eine Filterordnung von mindestens acht aufweist. 3. The method according to claim 1 or 2, characterized in that the bandpass filter preferably has a filter order of at least eight.
4. Verfahren gemäß einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass die4. The method according to any one of the preceding claims, characterized in that the
Featureamplitudenspektrumabschnitte (10) eine vorgegebene Amplitudenspektrumbreite aufweisen. Feature amplitude spectrum sections (10) have a predetermined amplitude spectrum width.
5. Verfahren gemäß einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass die5. The method according to any one of claims 1 to 3, characterized in that the
Featureamplitudenspektrumabschnitte (10) durch das Datenverarbeitungssystem dadurch ermittelt werden, dass das Featureamplitudenspektrum (4) in einem ersten Teilschritt in zwei Featureamplitudenspektrumabschnitte (10) aufgeteilt wird und für jeden Featureamplitudenspektrumabschnitt (10) ein erstes Übereinstimmungsmaß bestimmt wird und dass nachfolgend die Featureamplitudenspektrumabschnitte (10) in weiteren Teilschritten jeweils weiter in kleinereFeature amplitude spectrum sections (10) are determined by the data processing system in that the feature amplitude spectrum (4) is divided into two feature amplitude spectrum sections (10) in a first partial step and a first degree of correspondence is determined for each feature amplitude spectrum section (10) and in that the feature amplitude spectrum sections (10) are then divided into further sub-steps further into smaller ones
Featureamplitudenspektrumabschnitte (10) aufgeteilt werden und jeweils das Übereinstimmungsmaß bestimmt wird, wobei jeder Featureamplitudenspektrumabschnitt (10) in den weiteren Teilschritten solange in neueFeature amplitude spectrum sections (10) are divided and the degree of agreement is determined in each case, with each feature amplitude spectrum section (10) in the other partial steps as long as in new
Featureamplitudenspektrumabschnitt (10) geteilt wird, bis eine Verbesserung des Übereinstimmungsmaß zwischen einem vorangegangene Teilschritt und dem aktuellen Teilschritt kleiner als ein vorgegebener Verbesserungswert ist. Feature amplitude spectrum section (10) is divided until an improvement in the degree of agreement between a previous partial step and the current partial step is less than a predetermined improvement value.
6. Verfahren gemäß einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass sich benachbarte Featureamplitudenspektrumabschnitte (10) um eine vorgegebene Amplitudenspektrumüberlappungsbreite überlappen. 6. The method according to any one of the preceding claims, characterized in that adjacent feature amplitude spectrum sections (10) overlap by a predetermined amplitude spectrum overlap width.
7. Verfahren zur Bestimmung eines mathematischen Modells (16), das Modellmessdaten für mindestens einen Zielsignalsensor (7) in Abhängigkeit von erfassten Messdaten mehrerer Featuresignalsensoren (5) abbildet, wobei von durch die Featuresignalsensoren (5) ermittelte7. A method for determining a mathematical model (16) that maps model measurement data for at least one target signal sensor (7) as a function of recorded measurement data from a number of feature signal sensors (5), the feature signal sensors (5) determining this
Trainingseingangsmessdatenreihen (19) auf mindestens eine von durch mindestens einem Zielsignalsensor (7) ermittelte Trainingsausgangsmessdatenreihe (18) abgebildet werden, wobei mittels von gemäß der in den Ansprüchen 1 bis 6 entworfenen Featuresignalfiltern die Training input measurement data series (19) are mapped to at least one of at least one target signal sensor (7) determined training output measurement data series (18), using feature signal filters designed according to claims 1 to 6
Trainingseingangsmessdatenreihen (19) mit einem Datenverarbeitungssystem gefiltert werden und dadurch Trainingseingangsdatenreihen (17) gebildet werden, wobei eine Trainingseingangsmessdatenreihe (19) mit unterschiedlich ausgelegten Featuresignalfiltern gefiltert werden kann, sodass aus einer Trainingseingangsmessdatenreihe (19) mehrere Trainingseingangsdatenreihen (17) gebildet werden, und wobei mittels eines datenbasierten Modellbestimmungsverfahrens (20) ausgehend von den Trainingseingangsdatenreihen (17) als Modelleingangsgrößen und der mindestens einen Trainingsausgangsmessdatenreihe (18) als Modellausgangsgröße das mathematische Modell (16) mit dem Datenverarbeitungssystem ermittelt wird. Training input measurement data series (19) are filtered with a data processing system and thereby training input data series (17) are formed, wherein a training input measurement data series (19) can be filtered with differently designed feature signal filters, so that a training input measurement data series (19) several training input data series (17) are formed, and with a data-based model determination method (20) based on the training input data series (17) as model input variables and the at least one training output measurement data series (18) as model output variable the mathematical model (16) is determined with the data processing system.
8. Verfahren gemäß Anspruch 7, dadurch gekennzeichnet, dass die Trainingseingangsmessdatenreihen (19) durch die Featuresignalmessdatenreihen (2) gebildet sind. 8. The method according to claim 7, characterized in that the training input measurement data series (19) are formed by the feature signal measurement data series (2).
9. Verfahren gemäß einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass die9. The method according to any one of the preceding claims, characterized in that the
Featuresignalmessdatenreihen (2) zeitlich unmittelbar aufeinanderfolgende Featuresignalmessdatenpunkte aufweisen und so jeweils einen Abschnitt der zugehörigen Featuresignalmessrohdatenreihen (1) bilden, wobei die Abschnitte der Featuresignalmessdatenreihen (2) mindestens eine vorgegebene Mindestdatenpunktanzahl aufweisen und wobei der Abschnitt durch das Datenverarbeitungssystem so ausgewählt wird, dass eine Zielsignalleistung in dem gewählten Abschnitt maximal ist. Feature signal measurement data series (2) have feature signal measurement data points that follow one another in immediate succession and thus each form a section of the associated feature signal measurement raw data series (1), the sections of the feature signal measurement data series (2) having at least a predetermined minimum number of data points and the section being selected by the data processing system in such a way that a target signal power in the selected section is maximum.
10. Verfahren gemäß Anspruch 9, dadurch gekennzeichnet, dass zur Bestimmung der Zielsignalleistung für eine Zielsignalmessrohdatenreihe (6) für jeden Zielsignalmessrohdatenpunkt ein 10. The method according to claim 9, characterized in that to determine the target signal power for a target signal measurement raw data series (6) for each target signal measurement raw data point
Kurzzeitfrequenzamplitudenspektrum durch das Datenverarbeitungssystem ermittelt wird, wobei für jedes Kurzzeitfrequenzamplitudenspektrum eine Short-term frequency amplitude spectrum is determined by the data processing system, with one for each short-term frequency amplitude spectrum
Kurzzeitfrequenzamplitudenleistung bestimmt wird, wobei zeitlich aufeinanderfolgende Zielsignalmessrohdatenpunkte zu Zielsignalmessrohdatenabschnitten so durch das Datenverarbeitungssystem zusammengefasst werden, dass eine Änderung der Kurzzeitfrequenzamplitudenleistung zeitlich unmittelbar aufeinanderfolgender Zielsignalmessrohdatenpunkte unterhalb einer vorgegebenen Änderungsleistung liegt, und wobei anschließend jeweils eine Zielsignalleistung für sämtliche Kombinationen zeitlich aufeinanderfolgender Zielsignalmessrohdatenabschnitten durch das Datenverarbeitungssystem gebildet wird, die die vorgegebene Mindestdatenpunktanzahl aufweisen und wobei die Kombination als Abschnitt durch das Datenverarbeitungssystem ausgewählt wird, deren Zielsignalleistung maximal ist. Short-term frequency amplitude power is determined, with temporally consecutive target signal measurement raw data points being combined into target signal measurement raw data sections by the data processing system in such a way that a change in the short-term frequency amplitude power of temporally consecutive target signal measurement raw data points below a specified change power, and wherein a target signal power is then formed by the data processing system for all combinations of chronologically consecutive target signal measurement raw data sections that have the specified minimum number of data points and wherein the combination is selected by the data processing system as a section whose target signal power is maximum.
EP22726433.0A 2021-04-29 2022-04-29 Modeling method Pending EP4330845A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
LU500099A LU500099B1 (en) 2021-04-29 2021-04-29 modeling process
PCT/EP2022/061431 WO2022229364A1 (en) 2021-04-29 2022-04-29 Modeling method

Publications (1)

Publication Number Publication Date
EP4330845A1 true EP4330845A1 (en) 2024-03-06

Family

ID=76624101

Family Applications (1)

Application Number Title Priority Date Filing Date
EP22726433.0A Pending EP4330845A1 (en) 2021-04-29 2022-04-29 Modeling method

Country Status (4)

Country Link
EP (1) EP4330845A1 (en)
CN (1) CN117223003A (en)
LU (1) LU500099B1 (en)
WO (1) WO2022229364A1 (en)

Also Published As

Publication number Publication date
CN117223003A (en) 2023-12-12
LU500099B1 (en) 2022-10-31
WO2022229364A1 (en) 2022-11-03

Similar Documents

Publication Publication Date Title
DE69724555T2 (en) Diagnostic trend analysis for aircraft engines
EP1071937B1 (en) System and method for configuring and/or parameterising a diagnostic device
DE69732569T2 (en) SYSTEM FOR DETECTING FAULTS OF ELECTRIC MOTORS
DE102008027016B4 (en) Method and device for analyzing noises of a motor vehicle
DE102012103652A1 (en) Method, computer program and system for performing interpolation on sensor data for high system availability
EP3763031B1 (en) System, method and computer programme product for detecting physical variables of at least one component of a tap-changing transformer and for monitoring the components of a tap-changing transformer
WO1996014612A1 (en) Monitoring system for an industrial plant
DE102006057743B4 (en) Method for monitoring the functional software of control units in a control unit network
DE102013221995A1 (en) Method and device for the evaluation of abnormal burns of an internal combustion engine of a motor vehicle by a regression calculation of a physical quantity
WO2019197082A1 (en) Cause determination of anomalous events
LU500099B1 (en) modeling process
DE102017106943A1 (en) Method and arrangement for simulating driving tests
DE19857462A1 (en) Method to test individual components of vehicle; involves measuring data for all components that affect individual component in different operating states and generating signal course for individual component
EP1209458B1 (en) Procedure for determining the noise level of an internal combustion engine
DE102011114058A1 (en) Evaluation method for acoustic evaluation of component, involves exciting component to generate sound, where sound of component is recorded by sensor for detection of sound
DE102018003222A1 (en) A method of testing a rotary component assembly having a plurality of rotatable components
EP3657283A1 (en) Method for determining a merged data set
DE102005014308A1 (en) Method of guiding a user in the diagnosis of complex systems such as in vehicles using a computer program to analyze the data and provide steps to carry out a diagnosis
DE102022200285B3 (en) Method and device for providing a data-based system model and for checking a training state of the system model
DE102020108328B3 (en) Method for manufacturing a rolling bearing system and system for determining a number of sensors and sensor positions in a rolling bearing system
DE102017205437A1 (en) Robustness analysis in vehicles
DE102021102712A1 (en) Method and system for acoustic diagnosis of a motor vehicle based on operating noise
EP3825791A1 (en) Method for determining a stationary model of a technical system
EP2110676A2 (en) Method for calculating a useful signal
DE102022002242A1 (en) Virtual sensor and method for operating a virtual sensor

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: 20231128

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