EP4666220A1 - Verfahren und vorrichtung zum maschinellen lernen für die alterungsvorhersage einer komponente eines fahrzeugs - Google Patents

Verfahren und vorrichtung zum maschinellen lernen für die alterungsvorhersage einer komponente eines fahrzeugs

Info

Publication number
EP4666220A1
EP4666220A1 EP24701657.9A EP24701657A EP4666220A1 EP 4666220 A1 EP4666220 A1 EP 4666220A1 EP 24701657 A EP24701657 A EP 24701657A EP 4666220 A1 EP4666220 A1 EP 4666220A1
Authority
EP
European Patent Office
Prior art keywords
model parameters
vehicle
aging
model
vehicles
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
EP24701657.9A
Other languages
English (en)
French (fr)
Inventor
Andreas Udo Sass
Friedrich von Bülow
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.)
Volkswagen AG
Original Assignee
Volkswagen AG
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 Volkswagen AG filed Critical Volkswagen AG
Publication of EP4666220A1 publication Critical patent/EP4666220A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/098—Distributed learning, e.g. federated learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Definitions

  • the present invention relates to a method for machine learning for predicting the aging of a component of a vehicle. Furthermore, the invention relates to a corresponding device that can be used in a vehicle to carry out the method.
  • Machine learning uses suitable self-adaptive algorithms and training data to build a statistical model that can be used to recognize patterns and regularities and to make predictions for future data or decisions based on collected data. Due to the complexity of the algorithms used and the often very large amounts of data, the training process for machine learning can be very computationally intensive.
  • vehicle sensors are used to record the vehicle's surroundings and an environment model is created based on the recorded sensor data, whereby learned objects in the environment can be recognized, which are then taken into account for safe control of the vehicle depending on the detected objects.
  • the recorded sensor data can be evaluated in control units in the vehicle itself, by a backend server, or, for example, in a cloud environment with the provision of sufficient hardware resources by a service provider.
  • Such a scenario occurs, for example, when machine learning is used to make a manufacturer- or company-wide prediction about the wear and tear or aging of a vehicle component.
  • the inventive method for machine learning for the aging prediction of a component of a vehicle comprises the following steps performed by a vehicle:
  • the aging model when training the aging model, local changes in the model parameters are calculated based on time series of the specified vehicle data recorded locally in the vehicle. These can be aggregated with the changes in the model parameters determined by other vehicles by a central server in order to determine a global aging model or to be able to update this global aging model.
  • the global aging model can thus be trained decentrally by a large number of vehicles, whereby the data used for this purpose Vehicle data is only available locally in the respective vehicle and does not leave the vehicle. This means that when predicting the aging of vehicle components, where the aging model used uses sensitive internal vehicle signals, this data can be prevented from being shared, thus ensuring data security.
  • the model parameters and the vehicle data for the aging model are specified by several parties involved, wherein the several parties involved each independently train the aging model for vehicles or vehicle components assigned to them and in doing so calculate a change in the model parameters for the vehicles or vehicle components assigned to them, the changed model parameters or information about the change in the model parameters are sent by the several parties involved to the central server and the central server aggregates the changes in the model parameters of the individual parties into the global model parameters.
  • this allows the parties involved to access the recorded vehicle data in detail for the vehicles or vehicle components assigned to them, while on the other hand it ensures that the global ML model can contain knowledge derived from the sensitive data of all parties involved without the parties having to explicitly share their sensitive data.
  • the aging model is initially trained by one of the parties involved, with the resulting initial model parameters being sent to the other parties involved and the subsequent training of the aging model being carried out by all of the parties involved.
  • changed model parameters of a vehicle are determined which differ significantly from the changed model parameters of the other vehicles and are given a higher weighting when aggregating the changed model parameters.
  • the aging model can also adequately take into account aging behavior that only a few vehicles exhibit.
  • the aging model can include premature aging due to extreme driving style by the driver or inferior material of the affected component. Accelerated aging can also be taken into account, for example in the case of batteries, massive aging within a short period of time or a few load cycles, also known as "sudden death".
  • the changed model parameters or the information about the change in the model parameters are sent to the central server at predefined time intervals.
  • the parameter updates for the global aging model can be sent regularly at longer time intervals, for example at intervals of one or more weeks or even months.
  • the changed model parameters or the information about the change in the model parameters are preferably sent with priority if they differ significantly from the changed model parameters of the other vehicles.
  • the vehicle data used for training the aging model can be generated by a control unit in the vehicle and be available as time series of CAN messages.
  • the aging model predicts the aging of a battery of the vehicle, wherein a statistical parameter is determined for at least one battery parameter over a defined number of charging and discharging cycles.
  • the aging model predicts the aging of an exhaust gas recirculation cooler of the vehicle, wherein a statistical parameter is determined for at least one parameter of the exhaust gas recirculation cooler over a defined period of time in which the exhaust gas recirculation cooler is operated.
  • a computing unit for calculating at least one statistical parameter for the recorded time series of the specified vehicle data and training the aging model based on the at least one statistical parameter, wherein a change in the model parameters is calculated.
  • the invention also includes a computer program with instructions that cause a device in a vehicle to carry out the steps of one of the methods according to the invention.
  • the invention also includes a motor vehicle which is configured to carry out a method according to the invention or has a device according to the invention.
  • Fig. 1 shows a schematic flow chart for a method according to the invention for machine learning for the aging prediction of a component of a motor vehicle
  • Fig. 2 shows a schematic example of predicting the aging of a battery using an aging model based on a neural network, with a central server that combines distributed aging models from several parties, each of which has been locally trained using several vehicles; and
  • Fig. 3 shows a schematic block diagram of a vehicle with a prediction unit for predicting the aging of a battery by means of the method according to the invention.
  • FIG. 1 A flow chart of a method according to the invention, which is carried out in one of the vehicles involved in the distributed machine learning, is shown in Figure 1. Different methods of machine learning come into consideration, such as training deep neural networks (deep learning) or creating a random forest model.
  • deep learning deep neural networks
  • FIG. 1 A flow chart of a method according to the invention, which is carried out in one of the vehicles involved in the distributed machine learning.
  • the number of intermediate layers (hidden layers) between the input layer and the output layer, the number of neurons in the respective layers, the activation function (threshold function), etc. are determined.
  • model parameters for the aging model are then received from a central server in one of the vehicles involved in the distributed machine learning, for example via a mobile phone connection.
  • the central server coordinates the vehicles involved, aggregates the updates of the model parameters by the participating vehicles and communicates these model parameter updates back to the participating vehicles.
  • the received model parameters can be untrained or randomly initialized model parameters. However, model parameters that result from a previous training of an initial ML model at a party can also be received.
  • the data from an initial training can, for example, come from prototypes, endurance runners or laboratory/test bench tests of the components or systems.
  • a specification of vehicle data that is suitable for predicting the aging of the component and that is to be recorded by the vehicle for the aging model is received from the central server.
  • this can be one or more several operating parameters of the battery, such as the battery current, the battery voltage, the battery temperature or the battery state of charge (SoC).
  • predefined parameters for determining the statistical parameters such as in particular a predefined period of time within which a load occurs and the statistical parameters are determined, can be received.
  • a number of charging cycles after which the statistical parameters are to be determined can be defined, for example 25 or 50 average charging and discharging cycles of the battery.
  • the predefined parameters for subdividing the aggregation can also include a specified mileage, such as 1000, 2000 km or more, or a specified operating period, such as one month of ferry operation.
  • statistical parameters of the exhaust gas recirculation cooler can be determined. For example, the EGR valve position or the EGR mass flow can be recorded over a defined period of time in which the exhaust gas recirculation cooler is operated. For example, corresponding statistical characteristics can be determined for each nine hours of use of the exhaust gas recirculation cooler by clustering the measured values.
  • the statistical parameter can also be as fine as desired, so that it approximates an unchanged time series of measured data.
  • the statistical parameter is itself a time series and can serve as input, for example, to a Long Short-Term Memory (LSTM) model.
  • LSTM Long Short-Term Memory
  • the time series of vehicle data required for training the aging model are then collected from the vehicle.
  • This can in particular be vehicle data that is generated by a control unit in the vehicle and is available as a time series of CAN messages.
  • Both univariate time series in which there is a series of chronologically ordered measurement data points for which the measurement variable is recorded with associated time information, and multivariate time series of several different measurement signals can be recorded.
  • the analysis of such multivariate time series makes it possible to recognize connection or dependency structures between the various measurement signals and thus to understand how changes to one variable can affect the other variables.
  • the individual measurement data points of the time series can initially be temporarily stored locally in the vehicle until they are used for training, for example in a central data storage. However, the local measurement data is not transmitted to the central server or other vehicles.
  • At least one statistical parameter is then determined for the recorded time series of the specified vehicle data.
  • a set of sample data can be selected from the time series data contained in the recorded vehicle data set according to a predefined time interval, for example using a sliding window.
  • frequency distributions of certain features can also be determined and measurement data can be divided into classes.
  • time series data when the time series data is temporarily stored, only the relevant measurement data is saved, thus saving storage space in the vehicle.
  • temporary storage can be carried out in this way by combining method steps 12 and 13 if not the time series data itself, but only an aggregation of this data, such as histograms or other statistical parameters, is used for training.
  • Method steps 12 and 13 can in particular be carried out alternately, so that the time series data recorded in method step 12 does not have to be permanently saved, but only the at least one statistical parameter calculated in method step 13. This can then be continued until method step 14 is triggered by a predefined parameter, such as a set mileage, number of charging and discharging cycles, or similar. In this case, a loop of method steps 12 and 13 is executed until method step 14 is then executed.
  • the aging model is trained based on the at least one statistical parameter, with locally updated model parameters being calculated based on the recorded vehicle data. If, for example, a deep neural network is used for a battery aging model, the respective weightings of the individual neurons are adjusted.
  • a so-called random forest model can be created. This is based on an algorithm that can be used well for classification and regression tasks and on the combination of the results of many different Decision trees.
  • a single decision tree consists of several branches that are created by assigning data to a class based on its properties using rules, with new branches being created starting from an initial decision until a predefined result level is reached.
  • the Random Forest algorithm specifies rules on how the decision trees are to be generated and combined to achieve an overall result.
  • model parameters of a vehicle can also be intended to identify model parameters of a vehicle or changes to these model parameters that differ significantly from the model parameters or changes to the model parameters of the other vehicles. Since it is not sufficient, particularly for safety-relevant vehicle components, if the aging model only makes a reliable prediction for the majority of the vehicles concerned, the global aging model benefits from taking into account such aging information, i.e. the aging behavior that only a few vehicles show.
  • the identification of such outliers can take place on the vehicles themselves by identifying values of high changes in the model parameters.
  • the identification can also take place subsequently in the central server, which can cluster the model parameter changes of all vehicles, resulting in one or more larger groups of vehicles with average or usual aging behavior, as well as smaller groups and/or individual outliers with extreme aging behavior.
  • the aging model can take special account of premature aging caused by extreme driving by the driver, for example by giving it a higher weighting during aggregation. This can also be achieved by only using individual representatives of the groups for the larger groups.
  • other types of aging can also be identified in this way, such as aging that only occurs in small groups.
  • the changed model parameters or information about the change in the model parameters is then sent to the central server in process step 15.
  • These parameter updates are preferably sent at predefined time intervals.
  • the parameter updates for the global aging model can be sent regularly at longer intervals, for example at intervals of one or more weeks or even months, since aging of vehicle components can occur over longer periods of time. periods of time and therefore, in contrast to, for example, environmental information about a new traffic sign or a new construction site, has no urgent temporal relevance.
  • the transmission of the changed model parameters to the central server can also take place after a set mileage or a set operating time instead of at predefined time intervals.
  • the transmission can also be triggered by certain events during operation, such as exceeding or falling below predefined values for the operating parameters of the battery, such as the battery current, the battery voltage, the temperature of the battery or the environment.
  • a combination of the above-mentioned criteria can also be provided for the transmission, such as: for example, transmission when a set mileage is reached or a predefined event is recorded.
  • the criterion for the transmission can also be that it is carried out as soon as a certain number of samples, for example 50, 100 or 1000 samples, are available.
  • the exact time at which the parameter updates are transmitted is not relevant for further processing, so that the transmission can be postponed, for example, if the vehicle is in a tunnel, abroad or outside of a home/fleet hub WiFi when the time interval expires.
  • the transmission of the locally updated model parameters can first be checked in the vehicle to see when this can take place without affecting other, priority data communication of the vehicle.
  • the transmission of the parameter updates can be prioritized if outlier behavior is detected.
  • additional anonymization can also be carried out before transmission if necessary in order to better protect the privacy of the owners of the vehicles involved in the training.
  • the received parameter updates are then aggregated on the server side to create globally updated model parameters. In the simplest case, this is done by forming an average of all local updates. However, the received parameter updates can also be weighted in order to enable the special consideration of identified outliers by giving them a higher weighting, as described above.
  • method step 16 after an aggregation of the changed model parameters by the central server in the respective vehicle, global model parameters can be received which are calculated by the central server by means of the aggregation of the changed Model parameters have been generated. This then enables a more accurate prediction of the aging of the components installed in the vehicle and recorded by the aging model.
  • the described method for predicting aging can be continued without a time limit or it can be continued in an iterative process until a termination condition is reached.
  • the iteration can be terminated when a predefined number of iterations has been carried out. It can also be planned to terminate the method when fewer than a predefined number of vehicles are participating in the learning process.
  • the repetition rate for updating the global model i.e. how often parameter updates are sent to the central backend, updates to the global model are determined and made available to the vehicles again, can be reduced if only small changes to the model parameters occur, i.e. the model learns less and less.
  • the process is not aborted based on a convergence metric, because even if a local/vehicle-specific model cannot currently contribute anything to the global model, this does not mean that this will not be the case in the future.
  • the method according to the invention carried out in the vehicles can be carried out, for example, as a computer program on a control unit.
  • the computer program is transferred to a memory of the respective control unit during production of the control unit and stored.
  • the computer program includes instructions which, when executed by a processor of the control unit, cause the control unit to carry out the steps according to the method according to the invention.
  • Figure 2 shows a schematic example of predicting the aging of a battery using an aging model based on a neural network.
  • the two parties can be two vehicle manufacturers who install the same battery in their vehicles and therefore have a common interest in an aging model for this battery that is as accurate as possible, but do not want to share information with each other about how their vehicles are used.
  • the method according to the invention is described as an example only for two parties involved, but more than two parties can also be involved.
  • Other parties such as suppliers of vehicle components or operators of larger vehicle fleets, can also be involved in the method according to the invention.
  • laboratory or test bench data can also be used here.
  • multiple data from different development stages or generations of a component can also be taken into account.
  • the aging model is trained on each vehicle based on the locally available vehicle data.
  • the local model parameters MP1A to MP1N and MP2A to MP2N resulting from the training or changes to the model parameters result in corresponding changes to the model parameters MP1 and MP2 for the parties involved, who can each operate their own servers for the vehicles assigned to them.
  • Each party sends these changes to the model parameters to a central server ZS, in which the changes to the model parameters of the individual parties are summarized, for example as an average of the individual changes to the model parameters.
  • the central server ZS can be operated as a backend server, for example by a special service provider who offers the parties involved a distributed machine learning service for a usage fee and uses the parameter updates learned from these parties' vehicles.
  • the central server can also limit the aging prediction to certain vehicle components, such as batteries from a certain battery manufacturer, or certain vehicle models.
  • FIG. 3 shows a schematic block diagram of a vehicle F with various units that can be used to predict the aging of a battery using the method according to the invention.
  • this can be an electrically powered vehicle in particular, which comprises one or more electric motors (not shown in the example) that are driven by a Drive battery BAT.
  • the drive battery can be made up of one or more battery modules or according to the cell-to-pack (CTP) approach and can contain lithium-ion batteries in particular.
  • the drive battery system can also include other components, such as a battery management system, battery heating/cooling and charging electronics.
  • the vehicle has a communication unit KE with which model parameters for the aging model and a specification of vehicle data suitable for predicting the aging of the battery can be received and locally updated model parameters can be sent.
  • the vehicle also has a recording unit EE for recording time series of the specified vehicle data, i.e. in the example shown, the vehicle's battery data used for the battery aging model, and a computing unit RE for training the aging model NN.
  • the computing unit RE and the recording unit EE are shown separately in the example, but can also be integrated in one unit.
  • the computing unit RE and, if applicable, the recording unit EE can be part of a control unit, for example a central control unit or vehicle server.
  • the control unit can comprise one or more processors to carry out the method according to the invention, each of which has one or more processor units, for example microprocessors, digital signal processors or combinations thereof.
  • the recorded vehicle data can be stored in a storage unit SE until it is processed by the computing unit. Furthermore, a computer program for carrying out the method according to the invention can also be stored in the storage unit SE.
  • the storage unit SE can have both volatile and non-volatile memory areas and can be designed, for example, as a semiconductor memory.
  • the memory modules can be designed, for example, as random access memory (RAM), dynamic random access memory (DRAM), EPROM or flash memory.
  • the drive battery BAT, the computing unit RE, the recording unit EE, the communication unit KE and the storage unit SE are connected to a digital data bus B, for example a CAN, MOST, FlexRay or Automotive Ethernet bus.
  • the method according to the invention can be carried out in any vehicle, such as passenger cars, but is not limited thereto. List of reference symbols
  • MP1A, MP1 N, MP2A, MP2N locally changed model parameters
  • MP1 , MP2 changed model parameters of a party involved

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

Bei dem erfindungsgemäßen Verfahren zum maschinellen Lernen für die Alterungsvorhersage einer Komponente eines Fahrzeugs werden durch ein Fahrzeug Modellparametern für ein Alterungsmodell, das von mehreren Fahrzeugen dezentral trainiert wird, sowie eine Spezifikation von Fahrzeugdaten, die für das Prädizieren der Alterung der Komponente geeignet sind; empfangen (10, 11). Zeitreihen der spezifizierten Fahrzeugdaten des Fahrzeugs werden erfasst (12) und mindestens eine statistische Kenngröße für die erfassten Zeitreihen der spezifizierten Fahrzeugdaten berechnet (13). Das Alterungsmodells (NN) wird basierend auf der mindestens einen statistischen Kenngröße trainiert (14), wobei eine Änderung der Modellparameter berechnet wird. Die geänderten Modellparameter (MP1A, MP1N, MP2A, MP2N) oder eine Information über die Änderung der Modellparameter wird an einen zentralen Server (ZS) gesendet (15).

Description

Beschreibung
Verfahren und Vorrichtung zum maschinellen Lernen für die Alterungsvorhersage einer Komponente eines Fahrzeugs
Die vorliegende Erfindung betrifft ein Verfahren zum maschinellen Lernen für die Alterungsvorhersage einer Komponente eines Fahrzeugs. Weiterhin betrifft die Erfindung eine entsprechende Vorrichtung, die in einem Fahrzeug zur Durchführung des Verfahrens verwendet werden kann.
Beim Maschinellen Lernen (ML) wird mittels geeigneter selbstadaptiver Algorithmen und basierend auf Trainingsdaten ein statistisches Modell aufgebaut, mit dem Muster und Gesetzmäßigkeiten erkannt werden können und Vorhersagen für zukünftige Daten oder Entscheidungen basierend auf erfassten Daten getroffen werden können. Aufgrund der Komplexität der eingesetzten Algorithmen und der häufig sehr großen Datenmengen kann der Trainingsprozess für das Maschinelle Lernen sehr rechenintensiv sein.
Da die Bereitstellung der hierfür erforderlichen Rechenkapazitäten mittlerweile unproblematisch ist, nimmt die Bedeutung des Maschinellen Lernens in vielen technischen Bereichen fortwährend zu. Dieses gilt auch für den Einsatz in Fahrzeugen, beispielsweise für Fahrerassistenzsysteme beim teilautomatisierten Fahren oder für Sicherheitssysteme beim vollautomatisierten Fahren. So sind eine Vielzahl von ML-Anwendungen für Fahrerassistenzsysteme beim teilautomatisierten Fahren oder für Sicherheitssysteme beim vollautomatisierten Fahren bekannt. Dabei wird beispielsweise mit Fahrzeugsensoren das Umfeld des Fahrzeugs erfasst und basierend auf den erfassten Sensordaten ein Umfeldmodell erstellt, wobei erlernte Objekte im Umfeld erkannt werden können, die dann für eine sichere Steuerung des Fahrzeugs in Abhängigkeit von den erkannten Objekten berücksichtigt werden. Die erfassten Sensordaten können dabei in Steuergeräten im Fahrzeug selber, durch einen Backendserver, oder beispielsweise auch in einer Cloud- Umgebung mit Bereitstellung ausreichender Hardwareressourcen durch einen Service Provider ausgewertet werden.
Sind beim initialen und/oder kontinuierlichen Training solcher fahrzeugbezogenen ML- Modelle eine Vielzahl von Fahrzeugen beteiligt, so kann ein Problem vorliegen, falls hierfür sensiblen Daten verarbeitet werden. So können diese beispielsweise personenbezogene Daten umfassen, die nicht ohne weiteres geteilt werden dürfen. Ebenso kann bei hersteller- bzw. firmenübergreifenden ML-Anwendungen ein Teilen der Daten unter Wettbewerbern unerwünscht sein, beispielsweise weil diese wettbewerbsrelevante Details enthalten.
Ein solches Szenario liegt beispielsweise vor, wenn mittels maschinellen Lernens eine hersteller- bzw. firmenübergreifende Vorhersage zur Abnutzung bzw. Alterung einer Fahrzeugkomponente getroffen werden soll.
Es ist eine Aufgabe der Erfindung, ein Verfahren zum maschinellen Lernen für die Alterungsvorhersage einer Komponente eines Fahrzeugs und eine entsprechende Vorrichtung zur Verfügung zu stellen.
Diese Aufgabe wird durch die unabhängigen Ansprüche gelöst. Bevorzugte Ausgestaltungen der Erfindung sind Gegenstand der abhängigen Ansprüche.
Das erfindungsgemäße Verfahren zum maschinellen Lernen für die Alterungsvorhersage einer Komponente eines Fahrzeugs umfasst die folgenden durch ein Fahrzeug ausgeführten Schritte:
- Empfangen von Modellparametern für ein Alterungsmodell, das von mehreren Fahrzeugen dezentral trainiert wird;
- Empfangen einer Spezifikation von Fahrzeugdaten, die für das Prädizieren der Alterung der Komponente geeignet sind;
- Erfassen von Zeitreihen der spezifizierten Fahrzeugdaten des Fahrzeugs;
- Berechnen mindestens einer statistischen Kenngröße für die erfassten Zeitreihen der spezifizierten Fahrzeugdaten,
- Trainieren des Alterungsmodells basierend auf der mindestens einen statistischen Kenngröße, wobei eine Änderung der Modellparameter berechnet wird;
- Senden der geänderten Modellparameter oder einer Information über die Änderung der Modellparameter an einen zentralen Server.
Auf diese Weise werden bei dem Training des Alterungsmodells basierend auf lokal in dem Fahrzeug erfassten Zeitreihen der spezifizierten Fahrzeugdaten lokale Änderungen der Modellparameter errechnet. Diese können mit den durch andere Fahrzeuge ermittelten Änderungen der Modellparameter durch einen zentralen Server aggregiert werden, um so ein globales Alterungsmodell zu bestimmen bzw. eine Aktualisierung dieses globalen Alterungsmodells vornehmen zu können. Das globale Alterungsmodell kann so durch eine Vielzahl von Fahrzeugen dezentral trainiert werden, wobei die hierfür verwendeten Fahrzeugdaten ausschließlich lokal im jeweiligen Fahrzeug vorliegen und dieses nicht verlassen. Damit kann bei einer Vorhersage zur Alterung von Fahrzeugkomponenten, bei der das eingesetzte Alterungsmodell sensible interne Fahrzeugsignale verwendet, verhindert werden, dass diese Daten geteilten werden und so die Datensicherheit gewährleistet werden.
Insbesondere können hierbei nach einer Aggregation der geänderten Modellparameter durch den zentralen Server in dem jeweiligen Fahrzeug globale Modellparameter empfangen werden, die von dem zentralen Server mittels der Aggregation der geänderten Modellparameter generiert worden sind. Dieses ermöglicht dann, in dem jeweiligen Fahrzeug eine genauere Prädiktion der Alterung der im Fahrzeug verbauten und von dem Alterungsmodell erfassten Komponenten.
Gemäß einer Ausführungsform der Erfindung werden die Modellparameter und die Fahrzeugdaten für das Alterungsmodell von mehreren beteiligten Parteien spezifiziert, wobei die mehreren beteiligten Parteien jeweils unabhängig voneinander für ihnen zugeordnete Fahrzeuge oder Fahrzeugkomponenten das Alterungsmodell trainieren und hierbei eine Änderung der Modellparameter für die ihnen zugeordneten Fahrzeuge oder Fahrzeugkomponenten berechnen, die geänderten Modellparameter oder Informationen über die Änderung der Modellparameter von den mehreren beteiligten Parteien an den zentralen Server gesendet werden und von dem zentralen Server die Änderungen der Modellparameter der einzelnen Parteien zu den globalen Modellparametern aggregiert werden.
Damit können die beteiligten Parteien einerseits im Detail für die ihnen zugeordneten Fahrzeuge oder Fahrzeugkomponenten auf die erfassten Fahrzeugdaten zugreifen, andererseits wird sichergestellt, dass das globale ML-Modell aus den sensiblen Daten aller beteiligter Parteien abgeleitetes Wissen beinhalten kann, ohne dass die Parteien ihre sensiblen Daten explizit teilen müssen.
Vorteilhafterweise wird hierbei das Alterungsmodell initial durch eine der beteiligten Parteien trainiert, wobei die daraus resultierenden initialen Modellparameter an die weiteren beteiligten Parteien gesendet werden und das darauffolgende Trainieren des Alterungsmodells durch sämtliche der beteiligten Parteien erfolgt.
Gemäß einer weiteren Ausführungsform der Erfindung werden geänderte Modellparameter eines Fahrzeugs ermittelt, die sich signifikant von den geänderten Modellparametern der übrigen Fahrzeuge unterscheiden und bei der Aggregation der geänderten Modellparameter höher gewichtet.
Auf diese Weise kann das Alterungsmodell auch ein Alterungsverhalten, das nur wenige Fahrzeuge zeigen, angemessen berücksichtigen. So kann das Alterungsmodell beispielsweise eine frühzeitige Alterung durch eine extreme Fahrweise des Fahrers oder minderwertiges Material der betroffenen Komponente mit einbeziehen. Ebenso kann auch eine beschleunigte Alterung berücksichtigt werden, beispielsweise bei Batterien eine massive Alterung innerhalb kurzer Zeit bzw. weniger Belastungszyklen, auch als „Sudden death“ bekannt.
Gemäß einer weiteren Ausführungsform der Erfindung werden die geänderten Modellparameter oder die Information über die Änderung der Modellparameter in vordefinierten Zeitintervallen an den zentralen Server gesendet. So können die Parameter- Updates für das globale Alterungsmodell regelmäßig in größeren zeitlichen Abständen, beispielsweise im Abstand einer oder mehrerer Wochen oder auch Monate versendet werden.
Weiterhin werden die geänderten Modellparameter oder die Information über die Änderung der Modellparameter vorzugsweise priorisiert gesendet, wenn diese sich signifikant von den geänderten Modellparametern der übrigen Fahrzeuge unterscheiden.
Insbesondere können die für das Training des Alterungsmodells verwendeten Fahrzeugdaten von einem Steuergerät in dem Fahrzeug erzeugt werden und als Zeitreihen von CAN-Botschaften vorliegen.
Gemäß einer Ausführungsform der Erfindung prädiziert das Alterungsmodell die Alterung einer Batterie des Fahrzeugs, wobei für mindestens eine Batteriekenngröße über eine definierte Anzahl von Lade- und Entladezyklen eine statistische Kenngröße bestimmt wird.
Gemäß einer weiteren Ausführungsform der Erfindung prädiziert das Alterungsmodell die Alterung eines Abgasrückführungskühlers des Fahrzeugs, wobei für mindestens eine Kenngröße des Abgasrückführungskühlers über eine definierte Zeitdauer, in welcher der Abgasrückführungskühler betrieben wird, eine statistische Kenngröße bestimmt wird.
Eine erfindungsgemäße Vorrichtung zum maschinellen Lernen für die Alterungsvorhersage einer Komponente eines Fahrzeugs umfasst: - eine Kommunikationseinheit zum Empfangen von Modellparametern für ein Alterungsmodell, das von mehreren Fahrzeugen dezentral trainiert wird, zum Empfangen einer Spezifikation von Fahrzeugdaten, die für das Prädizieren der Alterung der Komponente geeignet sind und zum Senden von geänderten Modellparametern oder einer Information über die Änderung der Modellparameter an einen zentralen Server;
- eine Erfassungseinheit zur Erfassung von Zeitreihen der spezifizierten Fahrzeugdaten des Fahrzeugs;
- eine Recheneinheit zum Berechnen mindestens einer statistischen Kenngröße für die erfassten Zeitreihen der spezifizierten Fahrzeugdaten und Trainieren des Alterungsmodells basierend auf der mindestens einen statistischen Kenngröße, wobei eine Änderung der Modellparameter berechnet wird.
Die Erfindung umfasst auch ein Computerprogramm mit Instruktionen, die eine Vorrichtung in einem Fahrzeug zur Ausführung der Schritte von einem der erfindungsgemäßen Verfahren veranlassen.
Schließlich umfasst die Erfindung auch ein Kraftfahrzeug, das eingerichtet ist, ein erfindungsgemäßes Verfahren auszuführen oder eine erfindungsgemäße Vorrichtung aufweist.
Weitere Merkmale der vorliegenden Erfindung werden aus der nachfolgenden Beschreibung und den Ansprüchen in Verbindung mit den Figuren ersichtlich.
Fig. 1 zeigt schematisch ein Ablaufdiagramm für ein erfindungsgemäßes Verfahren zum maschinellen Lernen für die Alterungsvorhersage einer Komponente eines Kraftfahrzeugs;
Fig. 2 zeigt schematisch ein Beispiel zur Prädiktion der Alterung einer Batterie mittels eines auf einem neuronalen Netz basierenden Alterungsmodell, mit einem zentralen Server, der verteilt gelernte Alterungsmodelle mehrerer Parteien zusammenfasst, die jeweils mittels mehrerer Fahrzeuge lokal trainiert worden sind; und
Fig. 3 zeigt schematisch ein Blockschaltbild eines Fahrzeugs mit einer Vorhersageeinheit zur Prädiktion der Alterung einer Batterie mittels des erfindungsgemäßen Verfahrens. Zum besseren Verständnis der Prinzipien der vorliegenden Erfindung werden nachfolgend Ausführungsformen der Erfindung anhand der Figuren detaillierter erläutert. Es versteht sich, dass sich die Erfindung nicht auf diese Ausführungsformen beschränkt und dass die beschriebenen Merkmale auch kombiniert oder modifiziert werden können, ohne den Schutzbereich der Erfindung, wie er in den Ansprüchen definiert ist, zu verlassen.
Ein Ablaufdiagramm eines erfindungsgemäßen Verfahrens, das in einem der an dem verteilten maschinellen Lernen beteiligten Fahrzeuge ausgeführt wird, wird in Figur 1 gezeigt. Dabei kommen unterschiedliche Methode des maschinellen Lernens in Betracht, wie beispielsweise das Training tiefer neuronaler Netze (englisch: Deep Learning) oder das Erstellen eines Random-Forest-Modells.
Vorausgegangen ist hierbei eine Einigung der beteiligten Parteien auf die Architektur des gemeinsam verwendeten Alterungsmodells. Bei einem tiefen neuronalen Netz erfolgt beispielsweise eine Festlegung der Anzahl der Zwischenschichten (englisch: hidden layers) zwischen Eingabeschicht und Ausgabeschicht, der Anzahl der Neuronen in den jeweiligen Schichten, der Aktivierungsfunktion (Schwellenwertfunktion), etc..
In einem Verfahrensschritt 10 werden dann in einem der an dem verteilten maschinellen Lernen beteiligten Fahrzeuge Modellparameter für das Alterungsmodell von einem zentralen Server empfangen, beispielsweise über eine Mobilfunkverbindung. Der zentrale Server koordiniert hierbei die beteiligten Fahrzeuge, aggregiert die Aktualisierungen der Modellparameter durch die teilnehmenden Fahrzeuge und teilt diese Modellparameteraktualisierungen wieder an die teilnehmenden Fahrzeuge mit.
Bei den empfangenen Modellparametern kann es sich um untrainierte oder auch randominitialisierte Modellparameter handeln. Ebenso können aber auch Modellparameter, die aus einem vorausgegangenen Training eines initialem ML-Modells bei einer Partei resultieren, empfangen werden. Die Daten von einem initialen Training können beispielsweise von Prototypen, Dauerläufern oder Labor-/Prüfstandsversuchen der Komponenten bzw.
Fahrzeuge stammen.
Ebenso wird im Fahrzeug im Verfahrensschritt 11 von dem zentralen Server eine Spezifikation von Fahrzeugdaten, die für das Prädizieren der Alterung der Komponente geeignet sind und von dem Fahrzeug für das Alterungsmodell erfasst werden sollen, empfangen. Dieses können beispielsweise bei einem Batterie-Alterungsmodell eine oder mehrere Betriebsparameter der Batterie, wie der Batteriestrom, die Batteriespannung, die Temperatur der Batterie oder der Ladezustand der Batterie (englisch: State of Charge (SoC)) sein. Ebenso können vordefinierte Parameter für die Bestimmung der statistischen Kenngrößen, wie insbesondere ein vordefinierter Zeitraum, innerhalb dem eine Belastung erfolgt und die statistischen Kenngrößen ermittelt werden, empfangen werden. So kann eine Anzahl von Ladezyklen, nach denen eine Bestimmung der statistischen Kenngrößen erfolgen soll, definiert werden, beispielsweise 25 bzw. 50 durchschnittlichen Lade- und Entladezyklen der Batterie. Ebenso können die vordefinierten Parameter zur Unterteilung der Aggregation auch eine festgelegte Kilometerleistung, wie beispielsweise 1000, 2000 km oder mehr oder eine festgelegte Betriebsdauer, wie beispielsweise einen Monat Fährbetrieb, umfassen.
Ebenso können beispielsweise bei einem Alterungsmodell für die Alterung eines Abgasrückführungskühlers eines Fahrzeugs statistische Kenngrößen des Abgasrückführungskühlers bestimmt werden. So kann über eine definierte Zeitdauer, in welcher der Abgasrückführungskühler betrieben wird, die AGR-Ventilstellung oder der AGR- Massenstrom erfasst werden. Beispielsweise können für jeweils neun Nutzungsstunden des Abgasrückführungskühlers durch eine Clusterung der Messwerte entsprechende statistische Merkmale bestimmt werden.
Ebenso kann die statistische Kenngröße beliebig fein sein, sodass sie sich einer unveränderten Zeitreihe aus Messdaten annähert. In diesem Fall ist die statistische Kenngröße selbst eine Zeitreihe und kann als Input z.B. eines Long Short-Term Memory (LSTM) Modell dienen.
In dem darauffolgenden Verfahrensschritt 12 werden dann von dem Fahrzeug die für das Training des Alterungsmodells benötigen Zeitreihen der Fahrzeugdaten gesammelt. Hierbei kann es sich insbesondere um Fahrzeugdaten handeln, die von einem Steuergerät in dem Fahrzeug erzeugt werden und als Zeitreihen von CAN-Botschaften vorliegen. Es können sowohl univariate Zeitreihen, bei denen eine Reihe von zeitlich geordneten Messdatenpunkten vorliegt, für die jeweils die Messgröße mit einer zugeordneten Zeitinformation erfasst wird, als auch multivariate Zeitreihen mehrerer unterschiedlicher Messsignale aufgezeichnet werden. Die Analyse solcher multivariaten Zeitreihen ermöglicht es, Zusammenhangs- bzw. Abhängigkeitsstrukturen zwischen den verschiedenen Messsignalen zu erkennen und damit zu verstehen, wie sich Änderungen an einer Variablen auf die anderen Variablen auswirken können. Die einzelnen Messdatenpunkte der Zeitreihen können hierbei zunächst lokal im Fahrzeug zwischengespeichert werden, bis diese für das Training herangezogen werden, beispielsweise in einem zentralen Datenspeicher. Eine Übermittlung der lokalen Messdaten an den zentralen Server oder andere Fahrzeuge erfolgt dagegen nicht.
In dem darauffolgenden Verfahrensschritt 13 wird dann für die erfassten Zeitreihen der spezifizierten Fahrzeugdaten mindestens eine statistische Kenngröße bestimmt. Dabei kann von den in dem erfassten Fahrzeugdatensatz enthaltenen Zeitreihendaten entsprechend einem vordefinierten Zeitintervall ein Satz von Beispieldaten (englisch: samples) selektiert werden, beispielsweise mittels eines Schiebefensters (englisch: sliding window). Hierbei können beispielsweise auch Häufigkeitsverteilungen bestimmter Merkmale ermittelt werden und Messdaten in Klassen eingeteilt werden.
Es kann auch vorgesehen werden, bei einer Zwischenspeicherung der Zeitreihendaten nur die relevanten Messdaten abzuspeichern und so Speicherplatz im Fahrzeug einzusparen. Weiterhin kann die Zwischenspeicherung in dieser Weise durch eine Kombination der Verfahrensschritte 12 und 13 erfolgen, wenn nicht die Zeitreihen-Daten selbst, sondern nur eine Aggregation dieser Daten wie beispielsweise Histogramme oder andere statistische Kenngrößen zum Training verwendet werden. Dabei können die Verfahrensschritte 12 und 13 insbesondere abwechselnd durchgeführt werden, sodass die in Verfahrensschritt 12 erfassten Zeitreihendaten nicht dauerhaft gespeichert werden müssen, sondern nur die in Verfahrensschritt 13 berechnete mindestens eine statistische Kenngröße. Dieses kann dann so lange fortgesetzt werden, bis Verfahrensschritt 14 über einen vordefinierten Parameter, wie beispielsweise eine festgelegte Kilometerleistung km-Leistung, Anzahl von Lade- und Entladezyklen, o.ä., getriggert wird. Es wird in diesem Fall also eine Schleife (englisch: Loop) der Verfahrensschritte 12 und 13 ausgeführt, bis dann Verfahrensschritt 14 ausgeführt wird.
Im darauffolgenden Verfahrensschritt 14 wird das Alterungsmodell basierend auf der mindestens einen statistischen Kenngröße trainiert, wobei eine Berechnung lokal aktualisierter Modellparameter basierend auf den erfassten Fahrzeugdaten erfolgt. Wird beispielsweise ein tiefes neuronales Netz für ein Batterie-Alterungsmodell eingesetzt, so werden hierbei die jeweiligen Gewichtungen der einzelnen Neuronen angepasst.
Ebenso kann, beispielsweise bei einem Alterungsmodell für die Alterung eines Abgasrückführungskühlers, ein sogenanntes Random-Forest-Modell erstellt werden. Dieses beruht auf einem Algorithmus, der sich für Klassifizierungs- und Regressionsaufgaben gut nutzen lässt und auf der Kombination der Ergebnisse vieler verschiedener Entscheidungsbäume beruht. Ein einzelner Entscheidungsbaum besteht hierbei aus mehreren Verzweigungen, die entstehen, indem Daten aufgrund ihrer Eigenschaften mithilfe von Regeln einer Klasse zugeordnet werden, wobei ausgehend von einer ersten Entscheidung neue Verzweigungen entstehen bis eine vordefinierte Ergebnisebene erreicht worden ist. Der Random-Forest-Algorithmus gibt hierbei Regeln vor, wie die Entscheidungsbäume zu generieren und zu kombinieren sind, um ein Gesamtergebnis zu erzielen.
Hierbei kann es auch vorgesehen werden, Modellparameter eines Fahrzeugs bzw. Änderungen dieser Modellparameter zu identifizieren, die sich signifikant von den Modellparametern bzw. Änderungen der Modellparameter der übrigen Fahrzeuge unterscheiden. Da es insbesondere bei sicherheitsrelevanten Fahrzeugkomponenten nicht ausreicht, wenn das Alterungsmodell lediglich für die Mehrzahl der betroffenen Fahrzeuge eine verlässliche Vorhersage trifft, profitiert das globale Alterungsmodell von der Berücksichtigung solcher Alterungsinformationen, d.h. dem Alterungsverhalten, das nur wenige Fahrzeuge zeigen.
Die Identifikation solcher Ausreißer (englisch: Outlier) kann auf den Fahrzeugen selbst erfolgen, indem Werte hoher Änderungen der Modellparameter identifiziert werden. Ebenso kann die Identifikation aber auch nachfolgend im zentralen Server erfolgen, der hierfür eine Clusterung der Modellparameteränderungen aller Fahrzeuge vornehmen kann, bei der sich neben einer oder mehreren größeren Gruppen von Fahrzeugen mit durchschnittlichem bzw. üblichen Alterungsverhalten, kleinere Gruppen und/oder einzelne Ausreißer mit extremem Alterungsverhalten ergeben. So kann das Alterungsmodell beispielsweise eine frühzeitige Alterung durch eine extreme Fahrweise des Fahrers besonders berücksichtigen, beispielsweise durch eine höhere Wichtung bei der Aggregation. Dieses kann auch dadurch erreicht werden, dass bei den größeren Gruppen nur einzelne Repräsentanten der Gruppen verwendet werden. Ferner lassen sich auf diese Weise auch weitere Alterungstypen erkennen, wie beispielsweise Alterungen, die nur in kleinen Gruppen auftreten.
Die geänderten Modellparameter oder eine Information über die Änderung der Modellparameter wird dann in Verfahrensschritt 15 an den zentralen Server gesendet. Der Versand dieser Parameter-Updates erfolgt vorzugsweise in vordefinierten Zeitintervallen. So können die Parameter-Updates für das globale Alterungsmodell regelmäßig in größeren zeitlichen Abständen, beispielsweise im Abstand einer oder mehrerer Wochen oder auch Monate versendet werden, da eine Alterung von Fahrzeugkomponenten über längere Zeiträume erfolgt und daher, im Gegensatz beispielsweise zu einer Umfeldinformation über ein neues Verkehrsschild oder eine neue Baustelle, keine dringende zeitliche Relevanz hat.
Ebenso wie bei den vordefinierten Parametern zur Datenaufnahme bzw. Unterteilung der Aggregation kann die Übermittlung der geänderten Modellparameter an den zentralen Server anstatt nach vordefinierten zeitlichen Intervallen auch bei festgelegten Kilometerleistungen oder einer festgelegte Betriebsdauer erfolgen. Auch kann die Übermittlung durch bestimmte Ereignisse im Betrieb getriggert werden, wie beispielsweise eine Über- oder Unterschreitung von vordefinierten Werten für die Betriebsparameter der Batterie, wie der Batteriestrom, die Batteriespannung, die Temperatur der Batterie oder der Umgebung. Ferner kann auch eine Kombination der genannten Kriterien für die Übermittlung vorgesehen werden, wie: beispielsweise eine Übermittlung, wenn eine festgelegte Kilometerleistung erreicht ist oder ein vordefiniertes Ereignis erfasst wird. Schließlich kann als Kriterium für die Übermittlung auch vorgesehen werden, diese durchzuführen so bald eine bestimmte Anzahl von Samples, beispielsweise 50, 100 oder 1000 Samples, zur Verfügung stehen.
Der genaue Zeitpunkt der Übermittlung der Parameter-Updates ist für die weitere Verarbeitung nicht relevant, so dass der Versand beispielsweise zurückgestellt werden kann, wenn sich das Fahrzeug zum Ablauf des Zeitintervalls in einem Tunnel, im Ausland oder außerhalb von eines Home-/Flotten-Hub-Wifi befindet. Ebenso kann für die Übermittlung der lokal aktualisierten Modellparameter zunächst im Fahrzeug geprüft werden, wann diese erfolgen kann, ohne eine andere, vorrangige Datenkommunikation des Fahrzeugs zu beeinträchtigen. Weiterhin kann der Versand der Parameter-Updates priorisiert werden, wenn ein Ausreißer-Verhalten erkannt wird. Ferner kann ggfs. vor der Übermittlung auch noch eine zusätzliche Anonymisierung vorgenommen werden, um die Privatsphäre der Halter der an dem Training beteiligten Fahrzeuge noch besser zu schützen.
Im Anschluss erfolgt dann serverseitig eine Aggregation der empfangenen Parameter- Updates zu global aktualisierten Modellparametern. Dies erfolgt im einfachsten Fall durch das Bilden eines Durchschnitts aller lokalen Updates. Ebenso kann aber auch eine Gewichtung der empfangenen Parameter- Updates erfolgen, um die oben beschriebene besondere Berücksichtigung identifizierter Ausreißer durch eine höhere Wichtung zu ermöglichen.
In Verfahrensschritt 16 können nach einer Aggregation der geänderten Modellparameter durch den zentralen Server in dem jeweiligen Fahrzeug globale Modellparameter empfangen werden, die von dem zentralen Server mittels der Aggregation der geänderten Modellparameter generiert worden sind. Dieses ermöglicht dann, in dem jeweiligen Fahrzeug eine genauere Prädiktion der Alterung der im Fahrzeug verbauten und von dem Alterungsmodell erfassten Komponenten.
Das beschriebene Verfahren zur Alterungsvorhersage kann ohne zeitliche Begrenzung fortgesetzt werden oder aber auch in einem iterativen Prozess so lange fortgeführt werden, bis eine Abbruchbedingung erreicht ist. So kann die Iteration beendet werden, wenn eine vordefinierte Anzahl von Iterationen durchgeführt worden ist. Ebenso kann vorgesehen werden, das Verfahren abzubrechen, wenn nur noch weniger als eine vordefinierte Anzahl an Fahrzeugen an dem Lernprozess teilnehmen.
Ferner ist es im Fall des Trainings eines neuronalen Netzes auch möglich, den Prozess in Abhängigkeit von der Konvergenz geeigneter Metriken oder Loss-Funktionen, anhand derer feststellt werden kann, wie sich die Performanz des Alterungsmodell verändert, anzupassen beenden. So kann die Wiederholrate für die Aktualisierung des globalen Modells, also wie oft Parameter-Updates an das zentrale Backend geschickt, Updates des globalen Modells ermittelt und wieder den Fahrzeugen bereitgestellt werden, reduziert werden, wenn nur noch kleine Änderungen der Modellparameter erfolgen, das Modell also immer weniger neu dazu lernt. Ein Abbrechen des Verfahren basierend auf einer Konvergenzmetrik erfolgt hierbei aber nicht, da, selbst wenn ein lokales/fahrzeugspezifisches Modell aktuell nichts zum globalen Modell beitragen kann, dieses nicht bedeutet, dass dieses auch in Zukunft so sein muss.
Das in den Fahrzeugen ausgeführte erfindungsgemäße Verfahren kann beispielsweise als Computerprogramm auf einem Steuergerät ausgeführt werden. Dazu wird das Computerprogramm bei der Herstellung des Steuergeräts in einen Speicher des jeweiligen Steuergeräts übertragen und abgespeichert. Das Computerprogramm umfasst Instruktionen, die das Steuergerät bei Ausführung durch einen Prozessor des Steuergeräts veranlassen, die Schritte gemäß dem erfindungsgemäßen Verfahren auszuführen.
Figur 2 zeigt schematisch ein Beispiel zur Prädiktion der Alterung einer Batterie mittels eines auf einem neuronalen Netz basierenden Alterungsmodell.
Hierbei werden in dem dargestellten Beispiel von mehreren Fahrzeugen F1A bis F1N einer ersten beteiligten Partei P1 und mehreren Fahrzeugen F2A bis F2N einer zweiten beteiligten Partei P2 in den Fahrzeugen Kenndaten zu dem aktuellen Betriebszustand der jeweils verbauten Batterie BAT ermittelt. Basierend darauf wird in den Fahrzeugen jeweils das Batteriealterungsmodell lokal trainiert.
Beispielsweise kann es sich bei den beiden Parteien um zwei Fahrzeughersteller handeln, welche die gleiche Batterie in ihren Fahrzeugen verbauen und daher ein gemeinsames Interesse an einem möglichst genauen Alterungsmodell für diese Batterie haben, aber nicht miteinander Information darüber teilen wollen, wie ihre Fahrzeuge genutzt werden. In dem dargestellten Beispiel wird das erfindungsgemäße Verfahren exemplarisch lediglich für zwei beteiligte Parteien beschrieben, es können aber ebenso mehr als zwei Parteien beteiligt sein. Ebenso können bei dem erfindungsgemäßen Verfahren aber auch andere Parteien, wie beispielsweise Lieferanten von Fahrzeugkomponenten oder auch Betreiber von größeren Fahrzeugflotten beteiligt sein. Wie oben beschrieben, können hierbei insbesondere auch Labor- oder Prüfstandsdaten verwendet werden. Ferner können auch mehrere Daten von verschiedenen Entwicklungsstufen oder Generation eines Bauteils berücksichtigt werden.
Auf jedem Fahrzeug wird das Alterungsmodell basierend auf den lokal vorliegenden Fahrzeugdaten trainiert. Die sich aufgrund des Trainings ergebenden lokalen Modellparameter MP1A bis MP1N und MP2A bis MP2N bzw. Änderungen der Modellparameter resultieren in entsprechenden Änderungen der Modellparameter MP1 und MP2 für die beteiligten Parteien, die jeweils eigene Server für die ihnen zugeordneten Fahrzeuge betreiben können. Jede Partei schickt diese Änderungen der Modellparameter zu einem zentralen Server ZS, in dem die Änderungen der Modellparameter der einzelnen Parteien zusammengefasst werden, beispielsweise als Durchschnitt der einzelnen Änderungen der Modellparameter. Der zentrale Server ZS kann als Backend-Server beispielsweise von einem speziellen Service- Provider betrieben werden, der gegen eine Nutzungsgebühr den beteiligten Parteien einen Service zum verteilten maschinellen Lernen anbietet und hierfür auf die von Fahrzeugen dieser Parteien gelernten Parameter-Updates zurückgreift. Weiterhin kann der zentrale Server basierend auf den Vorgaben der beteiligten Parteien die Alterungsvorhersage auch auf bestimmte Fahrzeugkomponenten, wie beispielsweise Batterien eines bestimmten Batterieherstellers, oder bestimmte Fahrzeugmodelle beschränken.
Figur 3 zeigt schematisch ein Blockschaltbild eines Fahrzeugs F mit verschiedenen Einheiten, die zur Prädiktion der Alterung einer Batterie mittels des erfindungsgemäßen Verfahrens zum Einsatz kommen können. Hierbei kann es sich in dem dargestellten Beispiel insbesondere um ein elektrisch angetriebenes Fahrzeug handeln, welches einen oder mehrere, in dem Beispiel nicht dargestellte Elektromotoren umfasst, die von einer Antriebsbatterie BAT angetrieben werden. Die Antriebsbatterie kann hierbei aus einem oder mehreren Batteriemodulen oder nach dem cell-to-pack (CTP) Ansatz aufgebaut sein und insbesondere Lithium-Ionen-Akkumulatoren beinhalten. Das System der Antriebsbatterie kann zusätzlich noch weitere Komponenten, wie beispielsweise ein Batteriemanagementsystem, eine BatterieheizungAkühlung sowie eine Ladeelektronik, umfassen.
Das Fahrzeug weist eine Kommunikationseinheit KE auf, mit der Modellparametern für das Alterungsmodell und eine Spezifikation von Fahrzeugdaten, die für das Prädizieren der Alterung der Batterie geeignet sind; empfangen und lokal aktualisierte Modellparameter versendet werden können. Ferner weist das Fahrzeug eine Erfassungseinheit EE zur Erfassung von Zeitreihen der spezifizierten Fahrzeugdaten, d.h. im dargestellten Beispiel der für das Batteriealterungsmodell verwendeten Batteriedaten des Fahrzeugs sowie eine Recheneinheit RE zum Trainieren des Alterungsmodells NN auf. Die Recheneinheit RE und die Erfassungseinheit EE sind in dem Beispiel separat dargestellt, kommen aber ebenso in einer Einheit integriert sein. Hierbei kann die Recheneinheit RE und ggfs. die Erfassungseinheit EE Teil eines Steuergeräts, beispielsweise eines zentralen Steuergeräts oder Fahrzeug-Servers sein. Das Steuergerät kann hierbei zur Ausführung des erfindungsgemäßen Verfahrens einen oder mehrere Prozessoren umfassen, die jeweils eine oder mehrere Prozessoreinheiten aufweisen, beispielsweise Mikroprozessoren, digitale Signalprozessoren oder Kombinationen daraus.
Die erfassten Fahrzeugdaten können bis zur Verarbeitung durch die Recheneinheit in einer Speichereinheit SE abgelegt werden. Ferner kann in der Speichereinheit SE auch ein Computerprogramm zur Ausführung des erfindungsgemäßen Verfahrens abgelegt sein. Die Speichereinheit SE kann sowohl volatile als auch nichtvolatile Speicherbereiche aufweisen und beispielsweise als Halbleiterspeicher ausgestaltet sein. Die Speicherbausteine können beispielsweise als Random-Access Memory (RAM), Dynamic Random Access Memory (DRAM), EPROM oder Flash-Speicher ausgestaltet sein.
Ferner sind die Antriebsbatterie BAT, die Recheneinheit RE, die Erfassungseinheit EE, die. Kommunikationseinheit KE sowie die Speichereinheit SE mit einem digitalen Datenbus B verbunden, beispielsweise einem CAN-, MOST-, FlexRay- oder Automotive Ethernet-Bus.
Das erfindungsgemäße Verfahren kann in beliebigen Fahrzeugen ausgeführt werden, wie beispielsweise Personenkraftwagen, ist aber nicht darauf beschränkt. Bezugszeichenliste
10 - 16 Verfahrensschritte
ZS zentraler Server
F1A, F1 N, F2A, F2N am verteilten Lernen beteiligte Fahrzeuge
P1 , P2 Server beteiligter Partei
MP1A, MP1 N, MP2A, MP2N lokal geänderte Modellparameter
MP1 , MP2 geänderte Modellparameter einer beteiligten Partei
MP aktualisierte globale Modellparameter
NN Maschinenlernmodell
NNzs globales Maschinenlernmodell
F Fahrzeug
KE Kommunikationseinheit
SE Speichereinheit
RE Recheneinheit
BAT Batterieeinheit
EE Erfassungseinheit
B digitaler Datenbus

Claims

Patentansprüche
1. Verfahren zum maschinellen Lernen für die Alterungsvorhersage einer Komponente eines Fahrzeugs, wobei durch ein Fahrzeug die folgenden Schritte ausgeführt werden:
- Empfangen (10) von Modellparametern für ein Alterungsmodell, das von mehreren Fahrzeugen dezentral trainiert wird;
- Empfangen (11) einer Spezifikation von Fahrzeugdaten, die für das Prädizieren der Alterung der Komponente geeignet sind;
- Erfassen (12) von Zeitreihen der spezifizierten Fahrzeugdaten des Fahrzeugs;
- Berechnen (13) mindestens einer statistischen Kenngröße für die erfassten Zeitreihen der spezifizierten Fahrzeugdaten,
- Trainieren (14) des Alterungsmodells (NN) basierend auf der mindestens einen statistischen Kenngröße, wobei eine Änderung der Modellparameter berechnet wird;
- Senden (15) der geänderten Modellparameter (MP1A, MP1N, MP2A, MP2N) oder einer Information über die Änderung der Modellparameter an einen zentralen Server (ZS).
2. Verfahren nach Anspruch 1 , wobei globale Modellparameter (MP) empfangen (16) werden, die von dem zentralen Server (ZS) mittels einer Aggregation der geänderten Modellparameter generiert worden sind.
3. Verfahren nach Anspruch 1 oder 2, wobei
- die Modellparameter und die Fahrzeugdaten für das Alterungsmodell von mehreren beteiligten Parteien (P1 , P2) spezifiziert werden;
- die mehreren beteiligten Parteien jeweils unabhängig voneinander für ihnen zugeordnete Fahrzeuge (F1Ä, F1N, F2Ä, F2N) oder Fahrzeugkomponenten das Alterungsmodell (NN) trainieren und hierbei eine Änderung der Modellparameter für die ihnen zugeordneten Fahrzeuge oder Fahrzeugkomponenten berechnen;
- die geänderten Modellparameter oder Informationen über die Änderung der Modellparameter von den mehreren beteiligten Parteien an den zentralen Server (ZS) gesendet werden; und
- von dem zentralen Server die Änderungen der Modellparameter der einzelnen Parteien zu den globalen Modellparametern (MP) aggregiert werden.
4. Verfahren nach Anspruch 3, wobei das Alterungsmodell initial durch eine der beteiligten Parteien trainiert wird und die daraus resultierenden initialen Modellparameter an die weiteren beteiligten Parteien gesendet werden und das darauffolgende Trainieren (14) des Alterungsmodells (NN) durch sämtliche der beteiligten Parteien erfolgt.
5. Verfahren nach einem der vorhergehenden Ansprüche, wobei geänderte Modellparameter eines Fahrzeugs ermittelt werden, die sich signifikant von den geänderten Modellparametern der übrigen Fahrzeuge unterscheiden und bei der Aggregation der geänderten Modellparameter höher gewichtet werden.
6. Verfahren nach einem der vorhergehenden Ansprüche, wobei die geänderten Modellparameter oder die Information über die Änderung der Modellparameter in vordefinierten Zeitintervallen an den zentralen Server gesendet werden.
7. Verfahren nach Anspruch 6, wobei die geänderten Modellparameter oder die Information über die Änderung der Modellparameter priorisiert gesendet werden, wenn diese sich signifikant von den geänderten Modellparametern der übrigen Fahrzeuge unterscheiden.
8. Verfahren nach einem der vorhergehenden Ansprüche, wobei die Fahrzeugdaten von einem Steuergerät in dem Fahrzeug erzeugt werden und als Zeitreihen von CAN-Botschaften vorliegen.
9. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Alterungsmodell die Alterung einer Batterie (BAT) des Fahrzeugs prädiziert und für mindestens eine Batteriekenngröße über eine definierte Anzahl von Lade- und Entladezyklen eine statistische Kenngröße bestimmt wird.
10. Verfahren nach einem der Ansprüche 1 bis 9, wobei das Alterungsmodell die Alterung eines Abgasrückführungskühlers des Fahrzeugs prädiziert und für mindestens eine Kenngröße des Abgasrückführungskühlers über eine definierte Zeitdauer, in welcher der Abgasrückführungskühler betrieben wird, eine statistische Kenngröße bestimmt wird.
11. Vorrichtung zum maschinellen Lernen für die Alterungsvorhersage einer Komponente eines Fahrzeugs, mit
- einer Kommunikationseinheit (KE) zum Empfangen von Modellparametern für ein Alterungsmodell, das von mehreren Fahrzeugen dezentral trainiert wird, zum Empfangen einer Spezifikation von Fahrzeugdaten, die für das Prädizieren der Alterung der Komponente geeignet sind und zum Senden von geänderten Modellparametern oder einer Information über die Änderung der Modellparameter an einen zentralen Server;
- einer Erfassungseinheit (EE) zur Erfassung von Zeitreihen der spezifizierten Fahrzeugdaten des Fahrzeugs;
- einer Recheneinheit (RE) zum Berechnen mindestens einer statistischen Kenngröße für die erfassten Zeitreihen der spezifizierten Fahrzeugdaten und Trainieren des Alterungsmodells basierend auf der mindestens einen statistischen Kenngröße, wobei eine Änderung der Modellparameter berechnet wird.
EP24701657.9A 2023-02-14 2024-01-22 Verfahren und vorrichtung zum maschinellen lernen für die alterungsvorhersage einer komponente eines fahrzeugs Pending EP4666220A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102023201255.3A DE102023201255A1 (de) 2023-02-14 2023-02-14 Verfahren und Vorrichtung zum maschinellen Lernen für die Alterungsvorhersage einer Komponente eines Fahrzeugs
PCT/EP2024/051452 WO2024170224A1 (de) 2023-02-14 2024-01-22 Verfahren und vorrichtung zum maschinellen lernen für die alterungsvorhersage einer komponente eines fahrzeugs

Publications (1)

Publication Number Publication Date
EP4666220A1 true EP4666220A1 (de) 2025-12-24

Family

ID=89707691

Family Applications (1)

Application Number Title Priority Date Filing Date
EP24701657.9A Pending EP4666220A1 (de) 2023-02-14 2024-01-22 Verfahren und vorrichtung zum maschinellen lernen für die alterungsvorhersage einer komponente eines fahrzeugs

Country Status (4)

Country Link
EP (1) EP4666220A1 (de)
CN (1) CN120677488A (de)
DE (1) DE102023201255A1 (de)
WO (1) WO2024170224A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN121029561B (zh) * 2025-10-29 2026-02-13 苏州元脑智能科技有限公司 服务器老化稳定性测试方法及装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9316699B2 (en) * 2012-04-05 2016-04-19 Samsung Sdi Co., Ltd. System for predicting lifetime of battery
DE102021203729A1 (de) * 2021-04-15 2022-10-20 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern unter Nutzung von rekonstruierten Zeitreihensignalen mithilfe von maschinellen Lernverfahren
CN113536670B (zh) * 2021-07-09 2024-01-12 北京航空航天大学 一种群体产品剩余寿命预测的联邦迁移学习方法

Also Published As

Publication number Publication date
CN120677488A (zh) 2025-09-19
DE102023201255A1 (de) 2024-08-14
WO2024170224A1 (de) 2024-08-22

Similar Documents

Publication Publication Date Title
EP4168813B1 (de) Bestimmung eines alterungszustands eines energiespeichers
DE102021110487A1 (de) System und verfahren zum auswerten von fahrerleistung unter verwendung von crowdsourcing-daten
DE102021114514A1 (de) Fahrzeug, modelltrainingssystem und server
DE102020100668A1 (de) Charakterisierung von wiederaufladbaren Batterien mit Maschinen-gelernten Algorithmen
DE102019217299A1 (de) Verfahren zur Prädiktion eines Alterungszustands einer Batterie
DE102020106880A1 (de) Verfahren und Vorrichtung zum Kalibrieren eines Steuer- und Regelvorrichtungssystems zur Steuer- und Regelung eines Betriebszustandes
DE102022127529A1 (de) Steuerung des automatisierten fahrbetriebs von fahrzeugen mit einem unabhängigen planungsmodell und einem kognitiven lernmodell
DE102021126440A1 (de) Effizientes inkrementelles lernen durch probabilistische trainingssatzauswahl
DE102021108019A1 (de) System und Verfahren zum Bewerten der Fahrerleistung
DE102022211063A1 (de) Controller zum Abschätzen charakteristischer Parameter einer Batterie und Verfahren dafür
EP4666220A1 (de) Verfahren und vorrichtung zum maschinellen lernen für die alterungsvorhersage einer komponente eines fahrzeugs
DE102021129697A1 (de) Maschinenlernverfahren und Maschinenlernsystem
DE102021204847A1 (de) Betrieb eines elektrischen Energiespeichers in einem Kraftfahrzeug
DE102023101720A1 (de) Identifizierung von batterieproblemen und konfidenzniveaubasierte gegenmassnahmen
DE102022202990B4 (de) Verfahren und Vorrichtung zum verteilten maschinellen Lernen für ein fahrzeugbezogenes Maschinenlernproblem
DE102020008050A1 (de) Charakterisierung von wiederaufladbaren Batterien mit Maschinen-gelernten Algorithmen
DE102018215017A1 (de) Verfahren zur Bestimmung einer Betriebsstrategie für Fahrzeug, System, Steuereinrichtung für ein Fahrzeug und ein Fahrzeug
BE1030866B1 (de) Computerprogramm und Verfahren zur Analyse von Inhomogenitäten sowie Anomaliedetektion und -vorhersage von elektrischen Energiespeichern
DE102021118606A1 (de) Modelllernsystem, Modelllernverfahren und Server
WO2023169936A1 (de) Verfahren zur bestimmung optimierter betriebseinstellungen für antriebsstrangkomponenten eines nutzfahrzeugs
DE102023106824A1 (de) Traktionsbatterieleistungsplanung
DE102022203283A1 (de) Verfahren zum Zuordnen von Softwarekomponenten zu einer Steuergerätearchitektur
DE102021134173A1 (de) Entscheidungsbaum von modellen: verwenden des entscheidungsbaummodells und ersetzen der blätter des baums durch andere modelle des maschinellen lernens
EP1717651B1 (de) Verfahren und Vorrichtung zum Auswerten von Ereignissen aus dem Betrieb eines Fahrzeuges
DE102021129635A1 (de) Verfahren zum Bestimmen eines Gesundheitszustands eines elektrischen Energiespeichers eines zumindest teilweise elektrisch betriebenen Kraftfahrzeugs, Computerprogrammprodukt sowie Überwachungssystem

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: 20250915

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 ME MK MT NL NO PL PT RO RS SE SI SK SM TR