WO2019057871A1 - Verfahren zum überwachen mindestens einer komponente eines kraftfahrzeugs - Google Patents

Verfahren zum überwachen mindestens einer komponente eines kraftfahrzeugs Download PDF

Info

Publication number
WO2019057871A1
WO2019057871A1 PCT/EP2018/075565 EP2018075565W WO2019057871A1 WO 2019057871 A1 WO2019057871 A1 WO 2019057871A1 EP 2018075565 W EP2018075565 W EP 2018075565W WO 2019057871 A1 WO2019057871 A1 WO 2019057871A1
Authority
WO
WIPO (PCT)
Prior art keywords
component
load
vehicle
components
failure
Prior art date
Application number
PCT/EP2018/075565
Other languages
English (en)
French (fr)
Inventor
Hans-Peter Seebich
Dietmar SCHLENKER
Katherina CHALKIADAKI
Armin Ruehle
Stefan Scholz
Frederic HEIDINGER
Patrick MUENZING
Oliver Dieter Koller
Christian Bohne
Original Assignee
Robert Bosch Gmbh
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from DE102017216801.3A external-priority patent/DE102017216801A1/de
Priority claimed from DE102018212770.0A external-priority patent/DE102018212770A1/de
Application filed by Robert Bosch Gmbh filed Critical Robert Bosch Gmbh
Publication of WO2019057871A1 publication Critical patent/WO2019057871A1/de

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/12—Recording operating variables ; Monitoring of operating variables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/005—Testing of electric installations on transport means
    • G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
    • G01R31/007—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks using microprocessors or computers

Definitions

  • the invention relates to a method for monitoring at least one component in an electrical system of a motor vehicle and to an arrangement for carrying out the method.
  • An energy on-board network which is also referred to herein as a vehicle electrical system, thus has the task of supplying the electrical consumers in the motor vehicle with energy. If the power supply due to an error, eg. Due to aging, in the electrical system or in a vehicle electrical system component in today's vehicles, so eliminated important functions, such as the power steering. Since the steerability of the vehicle is not compromised, but only becomes stiff, the failure of the electrical system is generally accepted in today's in-line vehicles, since the driver is available as a fallback level.
  • Exemplary new driving functions are automated as well as autonomous driving.
  • the driver In automated and autonomous driving in the motor vehicle, the driver is no longer available as a sensory, regulatory, mechanical and energy-saving fallback level.
  • the vehicle must independently recognize its environment, plan trajectories, select and implement them by activating the actuators. Reference is made in this context to FIG. Due to the omission of the driver, the vehicle, d. H. the manufacturer, the responsibility for the vehicle behavior.
  • the driver In today's manual driving, on the other hand, the driver has the task of recognizing his surroundings, identifying possible trajectories, deciding on a trajectory and then implementing these by controlling the actuators.
  • the vehicle is not involved in manual driving in this process.
  • a highly automatic driving which is also referred to as highly automated driving, an intermediate step between an assisted driving in which the driver is assisted by assistance systems, and an autonomous driving in which the vehicle drives automatically and without the driver's intervention, to understand.
  • highly automatic driving the vehicle has its own intelligence that could plan ahead and take on the driving task, at least in most driving situations.
  • Document DE 10 2013 203 661 A1 describes a method for operating a motor vehicle with an electrical vehicle electrical system which has at least one semiconductor switch which is loaded with load events.
  • An actual load of the semiconductor switch is determined based on a determination of past load events and a rated load fraction, comparing the actual load and the rated load share.
  • Known methods calculate the current failure probability of the component from the load seen. In known methods, however, it is provided that not every component measures its load. There are also approaches to diagnose certain component errors, eg. B. in the radar. Here, a premature indication of the health of radar sensors is made to avoid fault memory entries. This leads to an increase in sensor availability through intelligent monitoring.
  • sensors As components in the motor vehicle are understood in particular sensors, actuators and processing units.
  • Sensors are sensors or measuring sensors that can detect certain physical or chemical properties of their environment qualitatively or quantitatively as a measured variable. These quantities are detected and typically converted into a further processable electrical signal. Electric signals generated in this way are usually input in motor vehicles in control units, which are processing units, as input variables in order to be able to control and / or regulate processes and components in the motor vehicle taking into account these variables. In turn, the control units control actuators in the motor vehicle.
  • the vehicle may be operated in a kind of emergency mode. In the worst case, the vehicle can no longer be controlled.
  • the document DE 10 2013 203 661 AI describes a method for operating an electrified motor vehicle, which has an electrical system.
  • the actual load is detected on a semiconductor switch in the electrical system. In this way, a threatening failure should be detected
  • the publication DE 10 2015 220 823 AI describes a method for detecting a malfunction of a sensor of a motor vehicle, in which an error detection function is used, which is changed in response to a vehicle condition signal to detect the malfunction with a dependent on the vehicle condition sensitivity.
  • the presented method offers the possibility of determining the actual state and / or the future state of components supplied by the energy on-board network and / or on-board network components relevant for the energy supply at a central location in the electrical system or energy supply system and thus to initiate measures before it becomes a Failure comes.
  • the determination of the characteristics described may also elsewhere, such. In a cloud or controller.
  • the time until a future state is reached is defined, for example, by the Remaining Useful Life (RUL).
  • RUL Remaining Useful Life
  • Exemplary measures are:
  • the results of the analyzes are passed to a control unit that is used to control the vehicle functions in order to enable the following measures:
  • Blocking or degrading driving functions eg. B. locks
  • the results of the analyzes are passed to a control unit that is used to control the power supply / connected components to enable the following measures:
  • PHM measures Predictive Health Management
  • B preventive change of the operating strategy or mode of operation at the board level in order to regulate aging of the components
  • statements about the future state of health of a function can be derived, such as, for example, the future state of the function "environment detection" by extrapolation of the load which the associated sensors have hitherto seen
  • Measures at the functional level are: For example, the results of the analyzes are passed to a control unit that is used to control the respective function, in order to enable the following measures: Based on the data of the components, to conclude on the state (SOF) of functions.
  • SOF state
  • the analyzed data can, for example, for the optimization of components, for. B. in the form of design cycles and / or improvement of component and / or system and / or functional models to optimize.
  • Exemplary improvements of component models may e.g. be achieved through improved resilience models or improved physical model parameterization.
  • the presented method determines the actual state and predicts the failure of components connected to an electronic load distributor based on their past use and their conditions of use and the relevant system functions in order to take timely countermeasures whereby the functional availability and safety is increased.
  • the presented method has, at least in some of the embodiments, a number of advantages:
  • the described method can thus be used according to a supplementary or alternative aspect for monitoring a component in an electrical system of a motor vehicle, taking into account the past use of the component and / or taking into account boundary conditions, such as the omission of relevant system conditions , the actual state of the component is determined.
  • the presented method serves to monitor at least one component of a motor vehicle and, in this case, in an embodiment for predictive diagnosis in, for example, a central diagnostic module of a motor vehicle.
  • the failure of the component for example of a vehicle battery, can be predicted in particular in consideration of boundary conditions, the past use of the battery and the components and the omission of system functions.
  • the determination of the actual state of a state describing component size may be via a load-bearing capacity model, a physical model, or a machine learning-based model.
  • the determination of the future course of state describing component quantities may be via a load-bearing capacity model, a physical model, or a machine learning-based model.
  • the failure prediction can be done by comparing the predicted or predicated state describing component size with predetermined limits.
  • the calculation of the failure prediction can be carried out in the form of a mean expected remaining service life.
  • the maintenance intervals may be variably controlled, also referred to as predictive maintenance, and / or controlling the future loading of the components, referred to as Predictive Health Management, to increase the remaining lifetimes of the components.
  • the presented method thus offers the possibility of determining the remaining useful life (RUL) of relevant on-board network components and thus of preventively exchanging them or of taking system measures before the system fails.
  • the presented method predicts the failure of on-board network components connected to an electronic load distributor on the basis of their past use and the relevant system functions in order to take timely countermeasures, thereby increasing the functional availability and the safety.
  • the presented arrangement is arranged to carry out a method of the kind described herein.
  • This arrangement can be implemented in software and / or hardware.
  • the arrangement or parts of these can be stored in a control unit of a motor vehicle or be designed as a control unit.
  • the presented method thus makes it possible to monitor at least one component, for example a sensor, in a design of a number of components, for example a number of sensors, in a motor vehicle, the load of the at least one component being determined and, on this basis, its condition, in particular whose current and / or future state is determined.
  • at least one component for example a sensor
  • the load of the at least one component being determined and, on this basis, its condition, in particular whose current and / or future state is determined.
  • sensors and semiconductors can age and thus fail due to various effects.
  • passive and active temperature changes lead to different expansion coefficients of solder, semiconductor devices and adhesive bonds. This increasingly forms cracks. This applies in particular to components with high computing power, such.
  • microcontroller, FPGB, microprocessor, etc. which heat up due to a high power dissipation strong.
  • high temperatures lead to aging or dehydration of electrolytic capacitors and to a change in the adhesive. This causes embrittlement and therefore a lack of fixation, which causes a poor heat transfer. As a result, the warming continues to increase.
  • sensors with mechanical elements for.
  • lidar, focusing devices, camera fail due to excessive wear on these mechanical parts.
  • a higher-level control unit can be used, which can include a module as a diagnostic module and a forecasting module.
  • a diagnosis of an actual state can be carried out for each component as a possible state analysis.
  • a diagnosis of an actual state and thus of the current state can be carried out as a possible state analysis.
  • the forecast module a prediction of a future state can be performed for each component as a possible state analysis.
  • a prognosis of a future state can be performed for a higher-level system.
  • At least one load-relevant parameter is monitored over a period of time in order to determine a load of the component.
  • This load allows, in particular a reference variable determined therefrom, for example in a Weibull diagram, the determination of a probability of failure.
  • a still to be borne load can be determined up to a defined failure limit.
  • a residual life of the component or a system, a subsystem or a higher-level system can be determined.
  • At least one component and / or one superordinate system can usually be automatically decided with the higher-level control unit as whether Measure a driving function, for example, an automated driving function, may be released or must be prevented or disabled.
  • the superordinate control unit which comprehensively and comprehensively monitors the components of the system, is provided, with which an entire state of the system, which is dependent on at least one physical operating variable, in particular the load-relevant characteristic, is assessed by the system, since individual components system can not assess this for lack of information about the whole system in general.
  • the driving function is supported by at least one component of the system.
  • the at least one load-relevant parameter is measured in particular and is used in an embodiment for calculating the load of the at least one component.
  • individual components of the system can send current values of at least one, as a rule, physical operating variable, for example current, voltage or temperature, to the higher-level control device.
  • the merger of a diagnosis of individual components and of the entire system monitors the current state of the system, whereby the system-level diagnosis of the system is a plausibility check of the component-level diagnostics.
  • an analysis of a reliability of the entire system and of individual components of the system can be carried out with the higher-level control unit.
  • critical states depending on causes of failure and / or dependent on an operating mode, which is set, for example. For performing a respective driving operation of the motor vehicle, predicted.
  • values of the at least one operating variable are detected and monitored in real time, whereby a load of the at least one component is determined on the basis of a state and reliability monitoring.
  • values of a status analysis of individual components which also include, for example, default probabilities, are transmitted to the monitoring unit and used for a status analysis of the entire system.
  • This entire system can in turn be a subsystem of a higher-level system. It is also possible to monitor the state of the components and to transmit the result to the system control or system control of the vehicle, so that safety-relevant driving functions, such as, for example, automated driving, are prohibited.
  • safety-relevant driving functions such as, for example, automated driving
  • reliability-dependent data is determined and transferred to the system controller. Furthermore, released or blocked maneuvers etc. are transferred to the system control.
  • the determination of the component state consists on the one hand of the system diagnosis on the basis of the physical input variables, d. H. the analysis of the actual state, and the prognosis of the future state of the sensor / processing unit signal transmission unit, based on the loads that have been experienced by the component in the field so far.
  • the proposed method provides in an embodiment to match the state of the components with central databases in order then to make decisions if necessary in order to optimize the operation of the sensors or units. Furthermore, field data can be recorded that can be used to design future components.
  • this provides support for the release and release decision for automated driving functions: aging effects in sensors / processing units / data transmission units with high Importanz lead to the withdrawal of the release, or to leave the driving functions, such.
  • Preventive maintenance measures can be timely before an uncontrolled failure of the sensors / processing units / data transmission units, eg. At regular maintenance intervals.
  • a safety gain can be achieved when transferring from the automated driving mode into the manual driving mode: By premature warning of the system against an imminent critical condition of the sensors / processing units / data transmission units, the vehicle transfer can be carried out in a situation which is easier for the driver to control.
  • SDPUCM sensor and data processing unit condition management
  • the presented method describes the steps from the point of view of product safety, with regard to integrative consideration of the functional safety, reliability, necessary steps for monitoring the environmental recognition and data processing system and their realization by means of the SDPUCM.
  • the individual components of the environmental detection and data processing system ie in particular sensors and data processing units, transmit important parameters to the SDPUCM. These are needed to be able to carry out a physical plausibility check of component diagnoses on the one hand and a prediction of reliability prediction on the other hand. These parameters to be transmitted include, for example, the operating mode and the operating time of the component, the temperature of the component and the diagnostic status of the component.
  • the SDPUCM transmits the status or status of the environmental recognition and data processing system to the system control or the system control, which then, for example, enables the automated driving functions.
  • the overall concept is shown in FIG.
  • the SDPUCM is subdivided into two subsystems (see FIG. 2). It is an object of the proposed method to represent the interaction between component, environmental recognition and data processing system and vehicle levels as described so that the goals are achieved at the system level.
  • Sensors and processing units report their status to the system diagnostics.
  • the task of the system diagnostics is to evaluate the significance of failures of the sensors and processing units for the system and, accordingly, to take measures such as eg. As the abandonment or not releasing the automated driving function or the driver warning to take.
  • the components can transmit their load data, such as, for example, parameters of the components which reflect the load on the components, to a prognostic health monitoring (PHM).
  • PPM prognostic health monitoring
  • the component failure rates are determined.
  • the resilience models are integrated in the PHM. Through an interface it is possible to implement resilience models of components from other manufacturers.
  • For each driving mode the likelihood is calculated that the environmental detection and data processing system may be limited or unavailable due to wear effects. In this case, several failure causes can cause the failure in each driving mode and must be mapped accordingly reliability.
  • the calculation of the probabilities depends on the structure of the environmental recognition and data processing system, on the driving modes considered and the causes of the failure.
  • a method for quantifying the reliability such.
  • the method of modeling system reliability maps the criticality of a component failure or component aging for the entire system.
  • conditional probabilities thus obtained, for example by system diagnosis of the actual state of the environmental recognition and data processing system, make it possible for safety-critical driving functions to be activated only if the actual state of the environmental recognition and data processing system is in order.
  • a conditional probability or a probability of a safety-critical state of the environmental recognition and data processing system under the assumption of a functional actual state is compared with predetermined limit values.
  • the SDPUCM then reports back to the vehicle's control panel which operating modes may or may not be entered during automated driving, all the way to complete prevention of the automated driving function.
  • Driving functions are not released although the environmental detection and data processing system is in order. Errors or aging in the environmental detection and data processing system are detected and result in the transition to the safe state, driver handover and / or disabling the operating mode, although the individual component does not report an error or aging.
  • FIG. 1 shows in a diagram the chain of action of the vehicle longitudinal and transverse guidance in automated or autonomous driving.
  • FIG. 2 shows a diagram of the process of enabling the functions for autonomous driving and the determination and transfer of the state of the environmental detection and data processing level.
  • FIG. 3 shows a schematic representation of an electronic load distribution distributor with a central predictive diagnostics.
  • FIG. 4 shows in a graph the principle of determining a residual life
  • Figure 1 shows the chain of action of the vehicle longitudinal and lateral guidance in automated or autonomous driving, which is designated overall by the reference numeral 10.
  • the illustration shows a power supply or the electrical system 12, an environment identifier 14 by means of sensors, a data processing 16 including trajectory planning and trajectory selection, and a trajectory conversion 18 by means of actuators.
  • the chain of action 10 of Figure 1 must be implemented. If a component of the action chain 10 fails due to an error or aging, the vehicle can at best be operated in a kind of emergency mode, in the worst case the vehicle can no longer be controlled.
  • FIG. 2 is a diagram illustrating a process of enabling automated driving and detecting and passing the status of the environmental detection and data processing level, indicated generally by reference numeral 50.
  • the illustration shows a component level 52 with environmental recognition and
  • Data processing units, an environmental recognition and data processing level 54 and a vehicle level 56 In the component level 52, a first sensor 60, a second sensor 62, a first processing unit 64 and a second processing unit 66 are provided. These determine physical state variables 68, which are forwarded to the environmental recognition and data processing level 54.
  • a higher-level controller 70 an SDPUCM, is provided, which performs a systemic diagnosis 72 and a prediction method 74 for determining a load capacity 76.
  • the higher-level controller 70 forwards data 80 to the vehicle level 56.
  • These data 80 relate to the release of the automated driving functions, generally the release of functions and the status of the sensors and processing units in the component plane 52.
  • a vehicle controller 82 In the vehicle level 56, a vehicle controller 82 is provided. The vehicle level 82 communicates with a cloud 84 or a workshop.
  • FIG. 3 shows an electronic load distributor 210 with a central predictive diagnostic unit as an embodiment of the presented arrangement for carrying out the described method.
  • the illustration also shows a component A 212, a component B 214 and a component C 216.
  • Via a first connection 220 between the electronic load distributor 210 and the component A 212 there is an exchange of data or information about the variables voltage U, current intensity I and temperature T. These data are also transmitted via a second connection 222 and a third connection 224 replaced.
  • FIG. 3 thus schematically illustrates the electronic load distributor 10 with actual status and / or future integrated predictive diagnostic unit.
  • the electronic load distributor 210 can be used for each connected component 212,
  • 214, 216 measure the current, voltage and temperature. Additionally or alternatively, external measuring points can be used to determine the sizes. These variables then serve as the predictive diagnostic unit for calculating the actual state and the RUL of the connected on-board network components.
  • the calculation of the actual state from the current and past load can be done either via a Machine Learning Model, e.g. As a neural network, a stress-strength model or a physical model done.
  • a Machine Learning Model e.g. As a neural network, a stress-strength model or a physical model done.
  • Burden can be either through a machine learning model, eg. As a neural network, a stress-strength model or a physical model done. In this case, variables such as the state of health, a health index or the probability of default can be output for the actual state.
  • a machine learning model eg. As a neural network, a stress-strength model or a physical model done.
  • variables such as the state of health, a health index or the probability of default can be output for the actual state.
  • plausibility of the measured variables can take place by a comparison between the variables measured in the electronic load distributor and the variables measured in the components. This can be done via a simple comparison, a model, an observer or based on a machine learning or machine learning. Likewise, an adjustment of the determined actual state can be done by the load distributor.
  • a diagnosis model determines the current state of health. This can take the form of state-describing parameters, a health index, an probability of occurrence, etc. By comparison, a predictive diagnostic model predicts the future course of this health condition to predict the failure.
  • FIG. 4 shows in a graph 150, on the abscissa 152 of which time t is plotted and on whose ordinate 154 a state-determining variable is plotted, the course 156 of a state-determining component size. Also included are BoL 160 (BoL: start of runtime: start of life) and EoL 162 (end of lifetime end of life).
  • a marked area 170 shows a different gradient in the curve 156 due to a varying load and due to varying environmental conditions.
  • a double arrow 173 illustrates the remaining life (RUL).
  • FIG. 4 illustrates the principle of the determination of the Remaining Useful Life.
  • a prediction of the remaining service life is made on the basis of the past load. This is output to the system including a confidence interval or a probability distribution. Based on this information, system decisions such as predictive component replacement or other system responses (load balancing, component degradation, etc.) can then be made.
  • stress-strength models as described in DE 10 2013 203 661 A1, in which a method for operating a control device is described, are used.
  • the quantities measured in the electronic load distributor are converted into the relevant component load via a load model.
  • a load model e.g. As a neural network, or a physical model can be implemented.
  • the component load determined in this way such as, for example, temperature strokes, is measured using a load-bearing model, eg. B. a number of sustainable temperature strokes, the component faced. From this, a statement can be made as to how much of the life of the component is "used up". By extrapolating the load, the residual life (RUL) of the component can then be determined.
  • RUL residual life
  • a confidence interval of the expected life is spent, eg. B. 5% and 95% limit of the expected life.
  • the use of the described method is manifested in that driving functions are not released even though the environmental detection and data processing system is in order. Failure and / or aging in the environmental detection and data processing system is or are detected and result in a transition to the safe state, driver handover and / or disabling the operating mode, although individual component failure (or aging) is not reported.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Energy (AREA)
  • Sustainable Development (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Überwachen mindestens einer Komponente in einem Bordnetz (12) eines Kraftfahrzeugs durch eine zentrale Diagnoseeinheit, bei dem unter Berücksichtigung einer vergangenen Nutzung der mindestens einen Komponente der Ist-Zustand der mindestens einen Komponenten bestimmt wird, wozu der zentralen Diagnoseeinheit zumindest ein gemessener Wert wenigstens einer Belastungsgröße der mindestens einen Komponente zur Verfügung gestellt wird.

Description

Beschreibung Titel
Verfahren zum Überwachen mindestens einer Komponente eines Kraftfahrzeugs
Die Erfindung betrifft ein Verfahren zum Überwachen mindestens einer Komponente in einem Bordnetz eines Kraftfahrzeugs und eine Anordnung zum Durchführen des Verfahrens.
Stand der Technik
Unter einem Bordnetz ist im automotiven Einsatz die Gesamtheit aller elektrischen Komponenten in einem Kraftfahrzeug zu verstehen. Somit sind davon sowohl elektrische Verbraucher als auch Versorgungsquellen, wie bspw. Batterien, umfasst. Man unterscheidet dabei zwischen dem Energiebordnetz und dem Kommunikationsbordnetz, wobei hierin vor allen Dingen auf das Energiebordnetz eingegangen wird, das dafür zuständig ist, die Komponenten des Kraftfahrzeugs mit Energie zu versorgen. Zur Steuerung des Bordnetzes ist üblicherweise ein Mikrocontroller vorgesehen, der neben Steuerungsfunktionen auch Überwachungsfunktionen ausführt.
In einem Kraftfahrzeug ist darauf zu achten, dass elektrische Energie so verfügbar ist, dass das Kraftfahrzeug jederzeit gestartet werden kann und während des Betriebs eine ausreichende Stromversorgung gegeben ist. Aber auch im abgestellten Zustand sollen elektrische Verbraucher noch für einen angemessenen Zeitraum betreibbar sein, ohne dass ein nachfolgender Start beeinträchtigt wird.
Aufgrund der zunehmenden Elektrifizierung von Aggregaten sowie der Einführung von neuen Fahrzeugfunktionen, wie bspw. einem automatischen, hochautomatischen oder autonomen Fahren, steigt die Anforderung an die Zuverlässigkeit der elektrischen Energieversorgung im Kraftfahrzeug. Dabei ist insbesondere zu beachten, dass die Anzahl an leistungselektrischen Systemen stetig anwächst. Wenn eines dieser Systeme ausfällt, kann es dazu kommen, dass die Bordnetzspannung außerhalb des normalen Betriebsbereichs gerät, was zu einer Beeinträchtigung des Komforts und der Sicherheit der Fahrzeuginsassen führen kann.
Ein Energiebordnetz, das hierin auch als Fahrzeugbordnetz bezeichnet wird, hat somit die Aufgabe, die elektrischen Verbraucher im Kraftfahrzeug mit Energie zu versorgen. Fällt die Energieversorgung aufgrund eines Fehlers, bspw. bedingt durch Alterung, im Bordnetz bzw. in einer Bordnetzkomponente in heutigen Fahrzeugen aus, so entfallen wichtige Funktionen, wie bspw. die Servolenkung. Da die Lenkfähigkeit des Fahrzeugs nicht beeinträchtigt, sondern nur schwergängig wird, ist der Ausfall des Bordnetzes in heutigen in Serie befindlichen Fahrzeugen allgemein akzeptiert, da der Fahrer als Rückfallebene zur Verfügung steht.
Aufgrund der zunehmenden Elektrifizierung von Aggregaten sowie der Einführung von neuen Fahrfunktionen resultieren höhere Anforderungen an die Sicherheit und Zuverlässigkeit der elektrischen Energieversorgung im Kraftfahrzeug.
Beispielhafte neue Fahrfunktionen sind das automatisierte sowie das autonome Fahren. Beim automatisierten und autonomen Fahrbetrieb im Kraftfahrzeug steht der Fahrer nicht mehr als sensorische, regelungstechnische, mechanische und energetische Rückfallebene zur Verfügung. Das Fahrzeug muss seine Umwelt selbstständig erkennen, Trajektorien planen, auswählen und durch Ansteuerung der Aktoren umsetzen. Es wird in diesem Zusammenhang auf Figur 1 verwiesen. Durch den Wegfall des Fahrers hat das Fahrzeug, d. h. der Hersteller, die Verantwortung für das Fahrzeugverhalten.
Beim heutigen manuellen Fahren hat der Fahrer hingegen die Aufgabe, seine Umgebung zu erkennen, mögliche Trajektorien zu identifizieren, sich für eine Trajektorie zu entscheiden und diese anschließend durch Ansteuerung der Aktoren umzusetzen. Das Fahrzeug ist beim manuellen Fahren in diesen Prozess nicht involviert. Unter einem hochautomatischen Fahren, das auch als hochautomatisiertes Fahren bezeichnet wird, ist ein Zwischenschritt zwischen einem assistierten Fahren, bei dem der Fahrer durch Assistenzsysteme unterstützt wird, und einem autonomen Fahren, bei dem das Fahrzeug selbsttätig und ohne Einwirkung des Fahrers fährt, zu verstehen. Beim hochautomatischen Fahren verfügt das Fahrzeug über eine eigene Intelligenz, die vorausplant und die Fahraufgabe zumindest in den meisten Fahrsituationen übernehmen könnte.
Bei zukünftigen automatisierten Fahrfunktionen entfällt somit der Fahrer als Rückfallebene, was zur Folge hat, dass das Fahrzeug seine Umwelt selbstständig erkennen, Trajektorien planen, auswählen und durch Ansteuerung der Aktoren umsetzen muss.
Um den Ausfall der beteiligten Komponenten zu verhindern, ist aus Sicht der Produktsicherheit und somit der Zuverlässigkeit und Sicherheit die möglichst vollständige Erkennung der Fehler bzw. Alterung der genannten Komponenten/Einheiten von außerordentlicher Bedeutung.
Um den Ausfall von Komponenten prognostizieren zu können, wurden zuverlässigkeitstechnische Ansätze zur Überwachung von Fahrzeugkomponenten erarbeitet. Dazu werden die Bordnetz- Komponenten während des Betriebs überwacht und deren Schädigung ermittelt.
Die Druckschrift DE 10 2013 203 661 AI beschreibt ein Verfahren zum Betreiben eines Kraftfahrzeugs mit einem elektrischen Bordnetz, das wenigstens einen Halbleiterschalter aufweist, der mit Belastungsereignissen belastet wird. Es werden eine Istbelastung des Halbleiterschalters auf Grundlage einer Feststellung zurückliegender Belastungsereignisse und ein Nennbelastungsanteil ermittelt, wobei die Istbelastung und der Nennbelastungsanteil miteinander verglichen werden.
Bekannte Methoden errechnen aus der gesehenen Belastung die aktuelle Ausfallwahrscheinlichkeit der Komponente. Bei bekannten Verfahren ist jedoch vorgesehen, dass nicht jede Komponente ihre Belastung misst. Es gibt darüber hinaus Ansätze zur Diagnose bestimmter Komponentenfehler, z. B. im Radar. Hierbei erfolgt eine Frühindikation des Gesundheitszustands von Radarsensoren zwecks Vermeidung von Fehlerspeichereinträgen. Dies führt zu einer Erhöhung der Sensorverfügbarkeit durch intelligente Überwachungen.
Es sind weiterhin Verfahren zur prädiktiven Diagnose von Fahrzeugbatterien auf Basis der vergangen Belastung und auf Grundlage von relevanten Systemfunktionen bekannt.
Als Komponenten in dem Kraftfahrzeug werden hierin insbesondere Sensoren, Aktoren und Verarbeitungseinheiten verstanden.
Sensoren sind Messfühler bzw. Messaufnehmer, die bestimmte physikalische oder chemische Eigenschaften ihrer Umgebung qualitativ oder quantitativ als Messgröße erfassen können. Diese Größen werden erfasst und typischerweise in ein weiter verarbeitbares elektrisches Signal gewandelt. Auf diese Weise generierte elektrische Signale werden in Kraftfahrzeugen üblicherweise in Steuergeräten, die Verarbeitungseinheiten darstellen, als Eingangsgrößen eingegeben, um unter Berücksichtigung dieser Größen Abläufe und Komponenten im Kraftfahrzeug steuern und/oder regeln zu können. Die Steuergeräte wiederum steuern hierzu Aktoren im Kraftfahrzeug an.
Fallen die Sensoren, insbesondere zur Umfelderkennung, bzw. die Datenverar- beitungseinheit(en) für die Sensordatenfusion, die Trajektorienplanung und/oder die Trajektorienauswahl bzw. die Aktoren zur Trajektorienumsetzung bzw. Kommunikation zwischen den beteiligten Komponenten aufgrund eines Fehlers bzw. von Alterung aus, kann das Fahrzeug bestenfalls in einer Art Notfallmodus betrieben werden. Im Worst-case kann das Fahrzeug nicht mehr kontrolliert werden.
Um den Ausfall der Sensoren bzw. der Datenverarbeitungseinheit(en) bzw. der Trajektorienplanung/-auswahl zu verhindern, ist aus Sicht der Produktsicherheit die möglichst vollständige Erkennung der Fehler bzw. Alterung der genannten Komponenten/Einheiten von außerordentlicher Bedeutung. Um den Ausfall von Komponenten prognostizieren zu können, wurden zuverlässigkeitstechnische Ansätze zur Überwachung von Fahrzeugkomponenten erarbeitet. Dazu werden z. B. Bordnetz- Komponenten während des Betriebs überwacht und deren Schädigung ermittelt.
Die Druckschrift DE 10 2013 203 661 AI beschreibt ein Verfahren zum Betreiben eines elektrifizierten Kraftfahrzeugs, das über ein Bordnetz verfügt. Bei dem Verfahren wird die tatsächliche Belastung auf einen Halbleiterschalter im Bordnetz erfasst. Auf diese Weise soll ein drohender Ausfall erkannt werden
Aus der Druckschrift DE 10 2015 224 736 AI ist ein Verfahren zum Prüfen der Funktionsfähigkeit einer Sensoreinrichtung bekannt, bei dem das Frequenzverhalten eines Ausgangssignals der Sensoreinrichtung überwacht wird.
Die Druckschrift DE 10 2015 220 823 AI beschreibt ein Verfahren zum Erkennen einer Fehlfunktion eines Sensors eines Kraftfahrzeugs, bei dem eine Fehlererkennungsfunktion verwendet wird, die in Abhängigkeit eines Fahrzeugzustands- signals verändert wird, um die Fehlfunktion mit einer von dem Fahrzeugzustand abhängigen Sensibilität zu erkennen.
Offenbarung der Erfindung
Vor diesem Hintergrund werden ein Verfahren gemäß Anspruch 1 und eine Anordnung nach Anspruch 11 vorgestellt. Es werden weiterhin ein Computerprogramm gemäß Anspruch 12 und ein maschinenlesbares Speichermedium mit den Merkmalen des Anspruchs 13 vorgestellt. Ausführungsformen ergeben sich aus den abhängigen Ansprüchen und aus der Beschreibung.
Das vorgestellte Verfahren bietet die Möglichkeit, an zentraler Stelle im Bordnetz bzw. Energiebordnetz den Ist-Zustand und/oder den zukünftigen Zustand von durch das Energiebordnetz versorgte Komponenten und/oder für die Energieversorgung relevante Bordnetzkomponenten zu bestimmen und damit Maßnahmen einzuleiten, bevor es zu einem Ausfall kommt. Die Ermittlung der beschriebenen Kenngrößen kann auch an anderer Stelle, wie z. B. in einer Cloud oder einem Steuergerät, durchgeführt werden.
Auf Basis der durch das Energiebordnetz versorgte Komponenten und/oder für die Energieversorgung relevante Bordnetzkomponenten können Ist- und/oder zukünftige Gesundheitszustände von Funktionen ermittelt werden und Maßnahmen eingeleitet werden, bevor eine Beeinträchtigung einer Funktion droht.
Der Zeitpunkt bis zum Erreichen eines zukünftigen Zustands wird bspw. durch die Restlebensdauer (Remaining Useful Life, RUL) definiert.
Beispielhafte Maßnahmen sind:
1. auf Fahrzeugebene:
Die Ergebnisse der Analysen werden beispielsweise an ein Steuergerät, das zur Steuerung der Fahrzeugfunktionen eingesetzt wird, übergeben, um folgende Maßnahmen zu ermöglichen:
- Wechsel des Betriebsmodus auf Fahrzeugebene, z. B. Einschränkung von Fahrfunktionen, wie bspw. Reduktion Fahrzeuggeschwindigkeit,
- Sperren bzw. Degradieren von Fahrfunktionen, z. B. Sperren
automatisierte Fahrfunktion; Degradieren automatisierter Fahrfunktion, bspw. Degradierung der maximalen Fahrzeuggeschwindigkeit; Degradierung der maximalen Lenkwinkel,
- Freigabe von Fahrfunktionen sofern das System i.O. ist, z. B. fehlerfreies System; Zustand unterhalb gewissen Grenzwertes,
- Übergang in den sicheren Zustand, z. B. wird das Fahrzeug auf dem Standstreifen abgestellt, - Auswahl eines noch möglichen Safe-Stopp Szenarios, z. B. Manöver zum Abstellen am Fahrbahnrand zu kritisch, Fahrzeug kann nur noch in der Spur ausrollen und so zum Stillstand gebracht werden,
- Aussagen zur Funktionsverfügbarkeit. 2. auf Systemebene:
Die Ergebnisse der Analysen werden beispielsweise an ein Steuergerät, das zur Steuerung der Energieversorgung / der angeschlossenen Komponenten eingesetzt wird, übergeben, um folgende Maßnahmen zu ermöglichen:
- Präventiver Tausch der fehlerhaften bzw. gealterten Komponente(n),
- PHM-Maßnahmen (Predictive Health Management), wie z. B. präventiver Wechsel der Betriebsstrategie bzw. Betriebsmodus auf Bordnetzebene, um Alterung der Komponenten zu regeln,
- Ermittlung des Gesundheitszustandes einer Funktion,
- durch Informationen über die an einer Funktion beteiligten Komponenten und die Informationen über deren Ist-Zustände lassen sich Aussagen über den Ist- Gesundheitszustand einer Funktion ableiten, z. B. Ist-Zustand der Funktion„Umfelderkennung" auf Basis der Belastung, welche die zugehörige Sensorik bisher gesehen hat,
- durch Informationen über die an einer Funktion beteiligten Komponenten und die Informationen über deren zukünftige Zustände lassen sich Aussagen über den zukünftigen Gesundheitszustand einer Funktion ableiten, wie bspw. zukünftiger Zustand der Funktion„Umfelderkennung" durch Extrapolation der Belastung, welche die zugehörige Sensorik bisher gesehen hat
Maßnahmen auf Funktionsebene sind: Die Ergebnisse der Analysen werden beispielsweise an ein Steuergerät, das zur Steuerung der jeweiligen Funktion eingesetzt wird, übergeben, um folgende Maßnahmen zu ermöglichen: Auf Basis der Daten der Komponenten auf den Zustand (SOF) von Funktionenen schließen.
Die analysierten Daten können bspw. zur Optimierung von Komponenten, z. B. in Form von Auslegungszyklen und/oder Verbesserung von Komponenten- und/oder System- und/oder Funktionsmodellen zu optimieren. Beispielhafte Verbesserungen von Komponentenmodellen können z.B. durch verbesserte Belastbarkeitsmodelle oder verbesserte Parametrierung physikalischer Modell erreicht werden. Das vorgestellte Verfahren bestimmt den Ist-Zustand und prädiziert den Ausfall von an einem elektronischen Lastverteiler angeschlossene Komponenten auf Basis ihrer vergangenen Nutzung und ihrer Einsatzbedingungen und der relevanten Systemfunktionen um rechtzeitig Gegenmaßnahmen zu ergreifen wodurch die Funktionsverfügbarkeit und die Sicherheit erhöht wird.
Das vorgestellte Verfahren hat, zumindest in einigen der Ausgetaltungen, eine Reihe von Vorteilen:
- Erhöhung der Funktionsverfügbarkeit, z. B. Start Stopp und/oder automatisierte Fahrfunktionen,
- Wartungsunterstützung, daraud folgt eine Maximierung der Wartungsintervalle ohne zusätzliche Ausfälle zu erzeugen, d. h. eine Maximierung der Fahrzeugverfügbarkeit für Flottenbetreiber,
- Kosten red uktion durch das Vermeiden von Liegenbleibern, bspw. durch Bergungskosten usw.,
- Sicherheitserhöhung durch das rechtzeitige Sperren von nicht verfügbaren Funktionen, - Sicherheitserhöhung durch das Vermeiden von Liegenbeleibern in unübersichtlichen Situationen,
- Plausibilisierung von gemessenen Strömen, Spannungen und Temperaturen durch Abgleich der Messungen,
- Berechnung der Belastung und des RU L von angeschlossenen Komponenten, die diese Funktion nicht haben, - Plausibilisierung des Ist-Zustands durch Modellabgleich,
- Zuverlässigkeitserhöhung durch adaptierte Fahrstrategien: Fahrsituationen, die im Betrieb zu einem starken Alterungsverhalten von Komponenten führen, werden falls aus Systemsicht notwendig/möglich vermieden.
Das beschriebene Verfahren kann gemäß einem ergänzenden oder alternativen Aspekt somit zum Überwachen einer Komponente in einem Bordnetz eines Kraftfahrzeugs eingesetzt werden, bei dem unter Berücksichtigung der vergangenen Nutzung der Komponente und/oder unter Berücksichtigung von Randbedingun- gen, wie bspw. dem Wegfallen von relevanten Systembedingungen, der Istzustand der Komponente bestimmt wird.
Das vorgestellte Verfahren dient hierbei zum Überwachen mindestens einer Komponente eines Kraftfahrzeugs und dabei in Ausgestaltung zur prädiktiven Di- agnose in einem bspw. zentralen Diagnosemodul eines Kraftfahrzeugs. Auf diese
Weise kann der Ausfall der Komponente, bspw. einer Fahrzeugbatterie, insbesondere unter Berücksichtigung von Randbedingungen, der vergangenen Nutzung der Batterie und der Komponenten und dem Wegfallen von Systemfunktionen vorhergesagt werden.
Die Bestimmung des Istzustands einer zustandsbeschreibenden Komponentengröße kann über ein Belastungs-Belastbarkeitsmodell, ein physikalisches Modell oder ein auf Maschinenlernen basiertes Modell erfolgen. Die Bestimmung des zukünftigen Verlaufs von zustandsbeschreibenden Komponentengrößen kann über ein Belastungs-Belastbarkeitsmodell, ein physikalisches Modell oder ein auf Maschinenlernen basiertes Modell erfolgen.
Weiterhin kann die Ausfallvorhersage über den Vergleich der vorhergesagten bzw. prädizierten zustandsbeschreibenden Komponentengröße mit vorher bestimmten Grenzwerten erfolgen.
Die Berechnung der Ausfallvorhersage kann in Form einer mittleren zu erwartenden Restlebensdauer durchgeführt werden. Als Maßnahme der bestimmten Restlebensdauer können die Wartungsintervalle variabel gesteuert werden, was auch als Predictive Maintenance bezeichnet wird, und/oder die zukünftige Belastung der Komponenten geregelt werden, was als Predictive Health Management bezeichnet wird, um die Restlebensdauern der Komponenten zu erhöhen.
Das vorgestellte Verfahren bietet somit die Möglichkeit, die Restlebensdauer (Remaining Useful Life, RUL) von relevanten Bordnetzkomponenten zu bestimmen und damit präventiv diese zu tauschen bzw. Systemmaßnahmen zu treffen, bevor es zu einem Ausfall des Systems kommt.
Das vorgestellte Verfahren prädiziert gemäß dem vorgestellten Aspekt den Ausfall von an einem elektronischen Lastverteiler angeschlossene Bordnetzkomponenten auf Basis ihrer vergangenen Nutzung und der relevanten Systemfunktionen, um rechtzeitig Gegenmaßnahmen zu ergreifen, wodurch die Funktionsverfügbarkeit und die Sicherheit erhöht wird.
Der vorstehend beschriebene Aspekt des vorgestellten Verfahrens hat, zumindest in einigen der Ausführungen, eine Reihe von Vorteilen:
- Erhöhung der Funktionsverfügbarkeit, z. B. Start Stopp und/oder automatisierte Fahrfunktionen,
- Wartungsunterstützung, daraus folgt eine Maximierung der Wartungsintervalle ohne zusätzliche Ausfälle zu erzeugen und damit eine Maximierung der Fahrzeugverfügbarkeit für Flottenbetreiber, - Kostenreduktion durch das Vermeiden von Liegenbleibern, bspw. durch Bergungskosten usw.,
- Sicherheitserhöhung durch das Vermeiden von Liegenbeleibern in unübersichtlichen Situationen,
- Plausibilisierung von gemessenen Strömen, Spannungen und Temperaturen durch Abgleich der Messungen,
- Berechnung der Belastung und des Remaining Useful Life von angeschlossenen Komponenten, die diese Funktion nicht haben,
- Plausibilisierung des Istzustands durch Modellabgleich.
Die vorgestellte Anordnung ist zur Durchführung eines Verfahrens der hierin beschriebenen Art eingerichtet. Diese Anordnung kann in Software und /oder Hardware implementiert sein. Zudem kann die Anordnung oder Teile dieser in einem Steuergerät eines Kraftfahrzeugs abgelegt sein oder auch als Steuergerät ausgebildet sein.
Das vorgestellte Verfahren ermöglicht folglich die Überwachung mindestens einer Komponente, bspw. eines Sensors, in Ausgestaltung einer Anzahl von Komponenten, bspw. einer Anzahl von Sensoren, in einem Kraftfahrzeug, wobei die Belastung der mindestens einen Komponente ermittelt und auf dieser Grundlage deren Zustand, insbesondere deren aktueller und/oder zukünftiger Zustand, bestimmt wird.
Es wurde erkannt, dass es bislang keine Zusammenführung von vorliegenden Informationen auf Komponentenebene gab, um diese auf übergeordneter Ebene weiterzuverarbeiten. Hier setzt das vorgestellte Verfahren in Ausgestaltung an.
Dabei werden Ausfälle aufgrund von Fehlern bzw. Alterung der Umgebungserkennung, der Datenverarbeitung, der Trajektorienplanung, der Trajektorienaus- wahl und der Ansteuerung der Aktorik betrachtet. Hierfür wurde ein Konzept ent- wickelt, das Fehler der beschriebenen Einheiten erkennen und deren Alterungseffekte prognostizieren kann. Fallen die Elemente Umgebungserkennung bzw. Datenverarbeitung, Trajektorienplanung/-auswahl der Wirkkette aus, kennt das Fahrzeug seine Umgebung nicht mehr bzw. kann den optimalen Weg nicht erkennen, berechnen und/oder folgen. Demzufolge sind an die beschriebenen Funktionen aus Sicht der Produktsicherheit hohe Anforderungen gestellt, da deren Ausfall zu kritischen Fahrzeugzuständen führen kann. Als Resultat sollte die Fahrzeugfunktion des automatisierten bzw. autonomen Fahrens dem Nutzer nur dann zur Verfügung stehen, wenn diese Fahrzeugfunktionen jetzt und in naher Zukunft zur Verfügung stehen.
Es wird berücksichtigt, dass Sensoren und Halbleiter durch verschiedene Effekte altern und somit ausfallen können. So führen passive und aktive Temperaturwechsel zu unterschiedlichen Ausdehnungskoeffizienten von Lot, Halbleiterbauelementen und Klebeverbindungen. Dadurch bilden sich zunehmend Risse. Dies trifft insbesondere auf Bauelemente mit großer Rechnerleistung, wie z. B. Mikro- controller, FPGB, Mikroprozessor usw., zu, die sich bedingt durch eine hohe Verlustleistung stark erwärmen. Zudem führen hohe Temperaturen zu einer Alterung bzw. einem Austrocknen von Elektrotrolytkondensatoren und zu einer Veränderung im Klebstoff. Dies bewirkt ein Verspröden und daher eine mangelnde Fixierung, die einen schlechten Wärmeübergang verursacht. Dadurch steigt die Erwärmung weiter an.
Temperaturspitzen führen zu Veränderungen im Halbleiter selbst, angefangen von sogenannten "Bitkippern" bis hin zu Rissen innerhalb der Struktur oder an pn-Übergängen.
Außerdem können Sensoren mit mechanischen Elementen, z. B. bewegliche Spiegel, Lidar, Fokussiereinrichtungen, Kamera, durch übermäßigen Verschleiß an diesen mechanischen Teilen ausfallen. Auch in einer Kamera und bei einem Radar kommt es über die Lebensdauer zu Funktionsdegradierungen durch Linseneintrübung oder Alterung.
Mit der vorgestellten Anordnung und dem beschriebenen Verfahren ist es nunmehr möglich, zumindest in einigen der Ausführungen, die Belastung und die Be- lastbarkeit der Komponenten, die zur Erfüllung der Fahrzeugfunktionen Umgebungserkennung, Datenverarbeitung, Trajektorienplanung, Trajektorienauswahl und Ansteuerung der Aktoren, nötig sind, zu ermitteln und daraus auf deren aktuellen und zukünftigen Zustand zu schließen. Außerdem besteht die Möglichkeit, den aktuellen und den zukünftigen Zustand, z. B. den Zustand der Funktion "Umgebungserkennung", der zur Funktionserfüllung nötigen Komponenten funktionsabhängig als System zu analysieren. Der betrachteten Fahrzeugfunktion kann eine Zuverlässigkeit zugewiesen und für die nahe Zukunft prognostiziert werden, ggf. unter Berücksichtigung der Ausfallrate des Fahrzeugbordnetzes.
Hierzu kann ein übergeordnetes Steuergerät verwendet werden, das als Module ein Diagnosemodul und ein Prognosemodul umfassen kann. Mit dem Diagnosemodul kann für jede Komponente als eine mögliche Zustandsanalyse eine Diagnose eines Ist-Zustands durchgeführt werden. Außerdem kann auch für übergeordnete Systeme, üblicherweise unter umfassender Berücksichtigung sämtlicher Komponenten des Systems, als eine mögliche Zustandsanalyse eine Diagnose eines Ist-Zustands und somit des aktuellen Zustands durchgeführt werden. Mit dem Prognosemodul kann für jede Komponente als eine mögliche Zustandsanalyse eine Prognose eines zukünftigen Zustands durchgeführt werden. Außerdem kann auch für ein übergeordnetes System, üblicherweise unter umfassender Berücksichtigung sämtlicher Komponenten des Systems, als eine mögliche Zustandsanalyse eine Prognose eines zukünftigen Zustands durchgeführt werden.
Es kann dabei vorgesehen sein, dass mindestens eine belastungsrelevante Kenngröße über einen Zeitraum überwacht wird, um so eine Belastung der Komponente zu ermitteln. Diese Belastung ermöglicht, insbesondere eine daraus ermittelte Referenzgröße, bspw. in einem Weibull-Diagramm, die Ermittlung einer Ausfallwahrscheinlichkeit. Alternativ oder ergänzend kann eine noch zu ertragende Belastung bis zu einem definierten Ausfallgrenzwert ermittelt werden. Außerdem kann eine Restlebensdauer der Komponente oder eines Systems, eines Teilsystems oder eines übergeordneten Systems, ermittelt werden.
Mit dem übergeordneten Steuergerät kann unter Berücksichtigung mindestens einer Diagnose und/oder Prognose für mindestens eine Komponente und/oder ein übergeordnetes System in der Regel automatisch entschieden werden, ob als Maßnahme eine Fahrfunktion, bspw. eine automatisierte Fahrfunktion, freigegeben werden darf oder unterbunden bzw. gesperrt werden muss. Hierzu ist das übergeordnete Steuergerät, die die Komponenten des Systems zusammenfassend und übergreifend überwacht, vorgesehen, mit der ein gesamter Zustand des Systems, der von mindestens einer physikalischen Betriebsgröße, insbesondere der belastungsrelevanten Kenngröße, abhängig ist, durch das System beurteilt wird, da einzelne Komponenten des Systems dies mangels Information über das gesamte System im Allgemeinen nicht beurteilen können. In der Regel wird die Fahrfunktion durch mindestens eine Komponente des Systems unterstützt. Die mindestens eine belastungsrelevante Kenngröße wird insbesondere gemessen und wird in Ausgestaltung zur Berechnung der Belastung der mindestens einen Komponente genutzt.
Bei Durchführung des Verfahrens können einzelne Komponenten des Systems aktuelle Werte mindestens einer in der Regel physikalischen Betriebsgröße, bspw. Strom, Spannung oder Temperatur, an das übergeordnete Steuergerät senden. Anhand von Werten mindestens einer Betriebsgröße wird durch Zusammenführung einer Diagnose einzelner Komponenten sowie des gesamten Systems der aktuelle Zustand des Systems überwacht, wobei die Diagnose des Systems auf Systemebene einer Plausibilisierung der Diagnose der einzelnen Komponenten auf Komponentenebene dient. Außerdem können mit dem übergeordneten Steuergerät eine Analyse einer Zuverlässigkeit des gesamten Systems sowie einzelner Komponenten des Systems durchgeführt werden. Hierbei werden kritische Zustände, abhängig von Ausfallursachen und/oder abhängig eines Betriebsmodus, der bspw. zur Durchführung eines jeweiligen Fahrbetriebs des Kraftfahrzeugs eingestellt wird, vorhergesagt. Dabei werden Werte der mindestens einen Betriebsgröße in Echtzeit erfasst und überwacht, womit eine Belastung der mindestens einen Komponente auf Basis einer Zustands- und Zuverlässigkeitsüberwachung ermittelt wird. Außerdem werden Werte einer Zu- standsanalyse einzelner Komponenten, die bspw. auch Ausfallwahrscheinlichkeiten umfassen, an die Überwachungseinheit übermittelt und für eine Zu- standsanalyse des gesamten Systems verwendet. Dieses gesamte System kann wiederum ein Teilsystem eines übergeordneten Systems sein. Es ist weiterhin möglich, den Zustand der Komponenten zu überwachen und das Ergebnis an die Systemsteuerung bzw. das System Control des Fahrzeugs zu übermitteln, damit ggf. sicherheitsrelevante Fahrfunktionen, wie bspw. ein automatisiertes Fahren, verboten werden. Dazu werden funktionsabhängig Zuverlässigkeitsdaten ermittelt und an die Systemsteuerung übergeben. Des Weiteren werden freigegebene bzw. gesperrte Manöver usw. an die Systemsteuerung übergeben.
Die Ermittlung des Komponenten-Zustands besteht einerseits aus der Systemdiagnose auf Basis der physikalischen Eingangsgrößen, d. h. der Analyse des Ist- Zustands, und der Prognose des künftigen Zustands der Sen- sors/VerarbeitungseinheiVSignalübertragungseinheit, basierend auf den Belastungen, die die Komponente im Feld bisher erfahren haben.
Das vorgestellte Verfahren sieht in Ausgestaltung vor, den Zustand der Komponenten mit zentralen Datenbanken abzugleichen, um dann daraus ggf. Entscheidungen zu treffen, um den Betrieb der Sensoren bzw. Einheiten zu optimieren. Des Weiteren können Felddaten erfasst werden, die zur Auslegung zukünftiger Komponenten herangezogen werden können.
Bisher war eine Systemsteuerung, die eine gesamtheitliche Zustandsüberwa- chung aller relevanten Komponenten im Fahrzeug durchführt, wie dies vorstehend ausgeführt ist, nicht vorhanden. Aus Sicht der Produktsicherheit ist ein solches System für sicherheitskritische neue Anwendungen mit veränderten Grundannahmen, wie z. B. automatisiertes Fahren unbedingt notwendig.
Der vorstehend beschriebene Aspekt des vorgestellten Verfahrens hat, zumindest in einigen der Ausführungen, eine Reihe von Vorteilen:
- So bietet dieses eine Unterstützung für die Freigabe und Freigabeentscheidung für automatisierte Fahrfunktionen: Alterungseffekte in Sensoren/Verarbeitungseinheiten/Datenübertragungseinheiten mit hoher Importanz führen zum Entzug der Freigabe, bzw. zum Verlassen der Fahrfunktionen, wie z. B. automatisiertes Fahren, um sicherheitskritische Zustände zu vermeiden. - Weiterhin bietet dieses eine Erhöhung der Zuverlässigkeit durch adaptierte Fahrstrategien: Fahrsituationen, die im Betrieb zu einem starken Alterungsverhalten von Komponenten führen, werden, falls diese aus Systemsicht notwendig sind, vermieden.
- Die Verfügbarkeit wird erhöht: Präventive Wartungsmaßnahmen können rechtzeitig vor einem unkontrollierten Ausfall der Sensoren/Verarbeitungseinheiten/Datenübertragungseinheiten, z. B. in regulären Wartungsintervallen, durchgeführt werden.
- Weiterhin kann ein Sicherheitsgewinn bei der Übergabe vom automatisierten Fahrbetrieb in den manuellen Fahrbetrieb erzielt werden: Durch frühzeitiges Warnen des Systems vor einem drohenden kritischen Zustand der Sensoren/Verarbeitungseinheiten/Datenübertragungseinheiten kann die Fahrzeugüber- gäbe in einer für den Fahrer leichter beherrschbaren Situation durchgeführt werden.
- Es kann der zwingenden Notwendigkeit, das Fahrzeug auch bei Ausfall von Komponenten ohne Eingriff eines Fahrers bei vollautomatisiertem Fahren in den Sicheren Zustand zu bringen, entsprochen werden. Dies bedeutet einen Zeitgewinn bei der Einleitung der Rückfallstrategie durch frühzeitige Warnung, bzw. keine Freigabe der Fahrfunktionen bei sich anbahnendem kritischen Zuständen der Sensoren/Verarbeitungseinheiten/Datenübertragungseinheiten aufgrund von Verschleiß in Sensoren/Verarbeitungseinheiten/Datenübertragungseinheiten mit hoher Importanz im Gesamtsystem.
- Weiterhin bietet dieses eine Erhöhung der Zuverlässigkeit und der Sicherheit auch von nicht-automatisierten Fahrzeugen durch frühzeitiges Erkennen von anstehenden Ausfällen, wodurch auch "Liegenbleiber" auf Fahrspuren z. B. auf Au- tobahnen vermieden werden können.
Für die Freigabe der automatisierten Fahrfunktionen ist es notwendig, eine Um- welterkennungs- und Datenverarbeitungsebene zu haben, da die einzelnen Er- kennungs-/Verarbeitungseinheiten mangels Information über das Gesamtsystem den Zustand der Umwelterkennung- und Datenverarbeitung im Allgemeinen nicht beurteilen können. Daher ist die Einführung einer Zustandsverwaltung für Sensoren und Datenverarbeitungseinheiten (Sensor and Data Processing Unit Conditi- on Management; SDPUCM) notwendig, welche den Zustand der Umwelterkennung und Datenverarbeitung auf Systemebene überwacht. Im Detail bedeutet dies:
- Umwelterkennungs- und Datenverarbeitungseinheiten übermitteln zentrale Betriebsgrößen an die SDPUCM, z. B. Spannungen und Ströme,
- anhand dieser Größen wird durch Zusammenführung der Komponenten- und Systemdiagnose der aktuelle Zustand des Systems überwacht, hierbei dient die Systemdiagnose der Plausibilisierung der Komponentendiagnose,
- mittels System- und Komponentenzuverlässigkeitsanalyse kritische Systemzustände der Systemebene der Umwelterkennungs- und Datenverarbeitungseinheiten struktur-, ausfallursachen- und betriebsmodusabhängig vorherzusagen und damit eine auf der Echtzeiterfassung der Belastung in der Komponente und auf Systemebene basierenden Zustands- und Zuverlässigkeitsüberwachung zu realisieren.
Die Vorteile dieser prädizierenden Funktion werden hierin aufgezeigt.
Das vorgestellte Verfahren beschreibt die aus Sicht der Produktsicherheit, hinsichtlich integrativer Betrachtung der funktionalen Sicherheit, Zuverlässigkeit, notwendigen Schritte zur Überwachung des Umwelterkennungs- und Datenverarbeitungssystems und deren Realisierung mittels der SDPUCM.
So übertragen die einzelnen Komponenten des Umwelterkennungs- und Datenverarbeitungssystems, d. h. insbesondere Sensoren und Datenverarbeitungseinheiten, wichtige Kenngrößen die SDPUCM. Diese werden benötigt, um einerseits eine physikalische Plausibilisierung der Komponentendiagnosen und andererseits eine prognostizierende Zuverlässigkeitsvorhersage durchführen zu können. Zu diesen zu übermittelnden Kenngrößen gehören bspw. der Betriebsmodus und die Betriebsdauer der Komponente, die Temperatur der Komponente sowie der Diagnosestatus der Komponente. Weiterhin übermittelt die SDPUCM der Systemsteuerung bzw. dem System Con- trol den Zustand bzw. Status des Umwelterkennungs- und Datenverarbeitungssystems, womit dann bspw. die automatisierten Fahrfunktionen freigegeben wer- den. Das Gesamtkonzept ist in Figur 2 dargestellt. Die SDPUCM wird dabei in zwei Teilsysteme unterteilt (siehe Figur 2). Es ist Aufgabe des vorgestellten Verfahrens das Zusammenspiel zwischen Komponenten-, Umwelterkennungs- und Datenverarbeitungssystems- und Fahrzeugebene wie beschreiben darzustellen, sodass die Ziele auf Systemebene erreicht werden.
Sensoren und Verarbeitungseinheiten melden ihren Zustand an die Systemdiagnose. Die Systemdiagnose hat die Aufgabe, die Bedeutung von Ausfällen der Sensoren und Verarbeitungseinheiten für das System zu bewerten und dementsprechend Maßnahmen, wie z. B. das Verlassen oder nicht Freigeben der auto- matisierten Fahrfunktion oder die Fahrerbewarnung, zu ergreifen.
Die Komponenten können im Rahmen eines Prognoseverfahrens ihre Belastungsdaten, wie bspw. Kenngrößen der Komponenten, welche die Belastung der Komponenten wiederspiegeln, an eine Prognosezustandsüberwachung (Prog- nostic Health Monitoring: PHM) übermitteln. Mittels Komponenten-
Belastungsdaten und Komponenten- Belastbarkeitsmodellen werden die Komponenten-Ausfallraten ermittelt. Die Belastbarkeitsmodelle sind dabei im PHM integriert. Über eine Schnittstelle ist es möglich Belastbarkeitsmodelle von Komponenten anderer Hersteller zu implementieren. Für jeden Fahrmodus wird die Wahrscheinlichkeit berechnet, dass das Umwelterkennungs- und Datenverarbeitungssystem aufgrund von Verschleißeffekten eingeschränkt bzw. nicht verfügbar sein könnte. Dabei können in jedem Fahrmodus mehrere Ausfallursachen den Ausfall verursachen und müssen dementsprechend zuverlässigkeitstechnisch abgebildet werden.
Folglich ist die Berechnung der Wahrscheinlichkeiten von der Struktur des Umwelterkennungs- und Datenverarbeitungssystems, von den betrachteten Fahrmodi und den Ausfallursachen abhängig. Um diese Wahrscheinlichkeit zu berechnen, wird für jeden Betriebsmodus, z. B. automatisiertes Fahren, automati- siertes Fahren mit Segeln, automatisiertes Fahren mit Rekuperation, normales Fahren, usw., kombiniert mit jeder möglichen Ausfallursache eine Methode zur Quantifizierung der Zuverlässigkeit, wie z. B. ein Zuverlässigkeitsblockdiagramm bzw. ein Fehlerbaum bzw. eine Markov, hinterlegt werden, was mit den aktuell berechneten Komponentenausfallraten bedatet und berechnet wird. Die Methode zur Modellierung der Systemzuverlässigkeit bildet die Kritikalität eines Komponentenfehlers oder Komponentenalterung für das Gesamtsystem ab. Bei der Modellierung des Zuverlässigkeitsblockdiagramms oder einer alternativen Methode ist darauf zu achten, dass sich deren Aufbau nicht am elektrischen Schaltbild orientiert, sondern an der Kombinatorik der Fehler oder Alterung, die zum Ausfall des Umwelterkennungs- und Datenverarbeitungssystems aufgrund der jeweiligen Ausfallursache führen. Des Weiteren wird eine Prognose der Systemzuverlässigkeit auf Basis der Prognosen der Komponenten ermöglicht.
Die so erhaltenen bedingten Wahrscheinlichkeiten, bspw. durch Systemdiagnose des Ist-Zustands des Umwelterkennungs- und Datenverarbeitungssystems, ermöglichen es, dass sicherheitskritische Fahrfunktion nur dann freigeschalten werden, wenn der Ist-Zustand des Umwelterkennungs- und Datenverarbeitungssystems in Ordnung ist. Eine bedingte Wahrscheinlichkeit bzw. eine Wahrscheinlichkeit eines sicherheitskritischen Zustands des Umwelterkennungs- und Datenverarbeitungssystems unter der Annahme eines funktionsfähigen Ist-Zustands wird dabei mit vorgegebenen Grenzwerten verglichen. Die SDPUCM meldet der Systemsteuerung des Fahrzeugs anschließend zurück, welche Betriebsmodi während des automatisierten Fahrens betreten werden dürfen und welche nicht, bis hin zur vollständigen Verhinderung der Fahrfunktion„automatisiertes Fahren".
Weitere Optimierungsmaßnahmen anhand des Prozesses sind:
- Selbstlernende Systeme: z. B. Anpassung der Sensornutzung an das Beanspruchungsverhalten, mit dem Ziel die Komponenten optimal zu nutzen:
Bei der manuellen Fahrt werden bestimmte Sensoren deaktiviert. Folglich sind nur bestimmte Sensoren z. B. für Bremsassistenten oder Spurhalteassistenten aktiv. Im automatisierten Fahrbetrieb sind alle Sensoren aktiv. Es resultieren hinsichtlich der Einsatzdauer der Sensoren Abweichungen, die in der Zuverlässig- keitsbetrachtung berücksichtigt werden müssen bzw. was durch abwechselnde Nutzung verschiedener Sensorik berücksichtigt werden kann.
- Datenaustausch des SDPUCM mit einem Cloud-Speicher bietet folgende Vorteile:
Realistische Nutzungsprofile für zukünftige Entwicklungen / Auslegungen erhalten,
Verbesserung der Belastbarkeitsmodelle durch Auswertung der Felddaten und Update der Belastbarkeitsmodelle im SDPUCM, automatisierte Kommunikation mit der Werkstatt, wenn prognostizierte Komponentenlebensdauer kurz vor Ende ist, um Komponenten zu tauschen.
Fahrfunktionen werden nicht freigegeben, obwohl das Umwelterkennungs- und Datenverarbeitungssystem in Ordnung ist. Fehler oder Alterung im Umwelterkennungs- und Datenverarbeitungssystem werden erkannt und führen zum Übergang in den sicheren Zustand, einer Fahrerübergabe und/oder einem Sperren des Betriebsmodus, obwohl die Einzelkomponente einen Fehler oder eine Alterung nicht meldet.
Es können so eine Reihe von Vorteilen erzielt werden:
- Verbesserung der Komponentenentwicklung durch Felddatenerfassung,
- Verbesserung der Belastbarkeitsmodelle aufgrund großer Anzahl Komponenten im Feld, z. B. durch Deep-Learning,
- Verbesserung der Belastungsmodelle aufgrund bekannter, realer Komponentenbelastungen.
Grundsätzlich ist der Einsatz in jedem Fahrzeug, bei dem die Freigabe bestimmter Funktionen in Abhängigkeit der bisherigen Beanspruchung und des aktuellen Systemzustands erteilt werden soll, möglich. Weiterhin ist ein Einsatz in allen Fahrzeugen, in denen das die Sensoren und Verarbeitungseinheiten eine hohe Sicherheitsrelevanz besitzt, wie z. B. Fahrzeuge mit hoch- oder vollautomatisier- ten Fahrfunktionen, möglich.
Weitere Vorteile und Ausgestaltungen der Erfindung ergeben sich aus der Beschreibung und den beiliegenden Zeichnungen.
Es versteht sich, dass die voranstehend genannten und die nachstehend noch zu erläuternden Merkmale nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar sind, ohne den Rahmen der vorliegenden Erfindung zu verlassen.
Kurze Beschreibung der Zeichnungen
Figur 1 zeigt in einem Diagramm die Wirkkette der Fahrzeuglängs- und querfüh- rung beim automatisierten bzw. autonomen Fahren.
Figur 2 zeigt in einem Diagramm den Vorgang der Freigabe der Funktionen für ein autonomes Fahren und die Ermittlung und Übergabe des Zustands der Um- welterkennungs- und Datenverarbeitungsebene.
Figur 3 zeigt in einer schematischen Darstellung einen elektronischen Lastverteilungsverteiler mit einer zentalen prädiktiven Diagnostik.
Figur 4 zeigt in einem Graphen das Prinzip der Bestimmung einer Restlebens
Ausführungsformen der Erfindung
Die Erfindung ist anhand von Ausführungsformen in den Zeichnungen schematisch dargestellt und wird nachfolgend unter Bezugnahme auf die Zeichnungen ausführlich beschrieben.
Figur 1 zeigt die Wirkkette der Fahrzeuglängs- und Querführung beim automatisierten bzw. beim autonomen Fahren, die insgesamt mit der Bezugsziffer 10 bezeichnet ist. Die Darstellung zeigt eine Energieversorgung bzw. das Bordnetz 12, eine Umfelderkennung 14 mittels Sensoren, eine Datenverarbeitung 16 einschließlich Trajektorienplanung und Trajektorienauswahl sowie eine Trajektori- enumsetzung 18 mittels Aktoren. Zur Übertragung der Funktionen des Fahrers auf das Fahrzeug muss die Wirkkette 10 nach Figur 1 umgesetzt werden. Fällt ein Baustein der Wirkkette 10 aufgrund eines Fehlers bzw. Alterung aus, kann das Fahrzeug bestenfalls in einer Art Notfallmodus betrieben werden, im schlimmsten Fall kann das Fahrzeug nicht mehr kontrolliert werden.
Figur 2 zeigt in einem Diagramm einen Prozess der Freigabe für automatisiertes Fahren und zur Ermittlung und Übergabe des Status der Umwelterkennungs- und Datenverarbeitungsebene, was insgesamt mit der Bezugsziffer 50 bezeichnet ist. Die Darstellung zeigt eine Komponentenebene 52 mit Umwelterkennungs- und
Datenverarbeitungseinheiten, eine Umwelterkennungs- und Datenverarbeitungsebene 54 und eine Fahrzeugebene 56. In der Komponentenebene 52 sind ein erster Sensor 60, ein zweiter Sensor 62, eine erste Verarbeitungseinheit 64 und eine zweite Verarbeitungseinheit 66 vorgesehen. Diese ermitteln physikalische Zustandsgrößen 68, die in die Umwelterkennungs- und Datenverarbeitungsebene 54 weitergegeben werden. In dieser ist ein übergeordnetes Steuergerät 70, eine SDPUCM, vorgesehen, das eine systemische Diagnose 72 und ein Prognoseverfahren 74 zum Ermitteln einer Belastbarkeit 76 durchführt. Das übergeordnete Steuergerät 70 gibt Daten 80 an die Fahrzeugebene 56 weiter. Diese Daten 80 betreffen die Freigabe der automatisierten Fahrfunktionen, allgemein die Freigabe von Funktionen und den Status der Sensoren und Verarbeitungseinheiten in der Komponentenebene 52. In der Fahrzeugebene 56 ist eine Fahrzeugsteuerung 82 vorgesehen. Die Fahrzeugebene 82 kommuniziert mit einer Cloud 84 bzw. einer Werkstatt.
Figur 3 zeigt einen elektronischen Lastverteiler 210 mit zentraler prädiktiver Diagnoseeinheit als Ausführung der vorgestellten Anordnung zum Durchführen des beschriebenen Verfahrens. Die Darstellung zeigt weiterhin eine Komponente A 212, eine Komponente B 214 und eine Komponente C 216. Über eine erste Verbindung 220 zwischen dem elektronischen Lastverteiler 210 und der Komponente A 212 erfolgt ein Austausch von Daten bzw. Informationen zu den Größen Spannung U, Stromstärke I und Temperatur T. Diese Daten wer- den auch über eine zweite Verbindung 222 und eine dritte Verbindung 224 ausgetauscht.
Figur 3 stellt somit schematisch den elektronischen Lastverteiler 10 mit Ist- Zustands und/oder zukünftiger integrierter prädiktiver Diagnose- Einheit dar. Der elektronische Lastverteiler 210 kann für jede angeschlossene Komponente 212,
214, 216 den Strom, die Spannung und die Temperatur messen. Zusätzlich oder alternativ können externe Messstellen zur Ermittlung der Größen eingesetzt werden. Diese Größen dienen dann der prädiktiven Diagnose- Einheit der Berechnung des Ist-Zustands und des RUL der angeschlossenen Bordnetzkomponen- ten.
Die Berechnung des Ist-Zustands aus der aktuellen und vergangenen Belastung kann entweder über ein Maschinenlern-Modell (Machine Learning Model), z. B. ein neuronales Netz, einem Stress-Strength- Modell oder einem physikalischen Modell erfolgen. Die Berechnung des RUL aus der aktuellen und vergangenen
Belastung kann entweder über ein Machine Learning Modell, z. B. ein neuronales Netz, ein Stress-Strength Modell oder ein physikalisches Modell erfolgen. Dabei können für den Ist-Zustand Größen, wie der Gesundheitszustand (State of Health), ein Health-Index oder die Ausfallwahrscheinlichkeit ausgegeben werden.
Zusätzlich zu der Verwendung als Eingangsgröße für das prädiktive Diagnose- Modell kann durch einen Abgleich zwischen den in dem elektronischen Lastverteiler gemessenen Größen und den in den Komponenten gemessenen Größen eine Plausibilisierung der Messgrößen stattfinden. Dies kann über einen einfa- chen Abgleich, ein Modell, einen Beobachter oder basierend auf einem Maschinen lernen bzw. Machine Learning erfolgen. Ebenso kann ein Abgleich des ermittelten Ist-Zustands durch den Lastverteiler erfolgen.
Ein Diagnose-Modell bestimmt den aktuellen Gesundheitszustand. Dies kann in Form von zustandsbeschreibenden Kenngrößen, einem Healthindex, einer Aus- fallwahrscheinlichkeit usw. erfolgen. Ein prädiktives Diagnose-Modell prädiziert im Vergleich dazu den zukünftigen Verlauf dieses Gesundheitszustands, um den Ausfall vorherzusagen.
Figur 4 zeigt in einem Graphen 150, an dessen Abszisse 152 die Zeit t und an dessen Ordinate 154 eine zustandsbestimmende Größe aufgetragen ist, den Verlauf 156 einer zustandsbestimmenden Komponentengröße. Weiterhin eingetragen sind BoL 160 (BoL: beginn of liefetime: Beginn der Lebensdauer) und EoL 162 (EoL. end of lifetime: Ende der Lebensdauer).
Ein markierter Bereich 170 zeigt einen unterschiedlichen Gradienten in dem Verlauf 156 aufgrund einer variierenden Last und aufgrund von variierenden Umgebungsbedingungen. Ein Doppelpfeil 173 verdeutlicht die Restlebensdauer (RUL).
Figur 4 verdeutlicht das Prinzip der Bestimmung des Remaining Useful Life. Hierbei wird auf Basis der vergangenen Belastung eine Vorhersage der Restlebensdauer getroffen. Diese wird inklusive eines Vertrauensbereichs bzw. einer Wahrscheinlichkeitsverteilung an das System ausgegeben. Auf Basis dieser Information können dann Systementscheidungen, wie ein Prädiktiver Komponententausch oder andere Systemreaktionen (Lastverteilung, Komponentendegra- dierung usw.) getroffen werden.
In diesem Anwendungsbeispiel werden Stress-Strength Modelle, wie diese in der Druckschrift DE 10 2013 203 661 AI, in der ein Verfahren zum Betreiben eines Steuergeräts dargelegt ist, beschrieben sind, verwendet.
Die in dem elektronischen Lastverteiler gemessenen Größen, wie bspw. Strom, Spannung und Temperatur, werden über ein Belastungsmodell in die relevante Komponenten-Belastung umgerechnet. Dies kann entweder mittels eines Datenbasierten Modells, z. B. eines neuronalen Netzes, oder eines physikalischen Modells umgesetzt werden. Die so ermittelte Komponenten-Belastung, wie bspw. Temperaturhübe, wird mit einem Belastbarkeitsmodell, z. B. einer Anzahl ertragbarer Temperaturhübe, der Komponente gegenüber gestellt. Hieraus kann eine Aussage getroffen werden, wie viel der Lebensdauer der Komponente„aufgebraucht" ist. Durch eine Extrapolation der Belastung kann dann die Restlebensdauer (RUL) der Komponente bestimmt werden. Zusätzlich zu der mittleren zu erwartenden Lebensdauer wird ein Vertrauensbereich der zu erwartenden Lebensdauer ausgegeben, z. B. 5% und 95% Grenze der zu erwartenden Lebensdauer.
Durch Vergleich der RUL mit einem Grenzwert können Maßnahmen eingeleitet werden. Ebenso kann ein Abgleich der von dem Lastverteiler ermittelten RUL und dem von der Komponente selbst ermittelten RUL kommen.
Auf Basis ermittelter Ausfallwahrscheinlichkeiten der überwachten Komponenten in Kombination mit Zuverlässigkeitsmodellen von Systemen und/oder Funktionen können Aussagen zum aktuellen und/oder zukünftigen Zustand der Systeme und Funktionen getroffen werden. Durch den Vergleich mit dem Grenzwert lässt sich das RUL des Systems und/oder der Funktionen ermitteln.
Der Einsatz des beschriebenen Verfahrens, zumindest in einigen der Ausführungen, zeigt sich darin, dass Fahrfunktionen nicht freigegeben werden, obwohl das Umwelterkennungs- und Datenverarbeitungssystem in Ordnung ist. Fehler und/oder Alterung im Umwelterkennungs- und Datenverarbeitungssystem wird bzw. werden erkannt und führen zu einem Übergang in den Sicheren Zustand, einer Fahrerübergabe und/oder einem Sperren des Betriebsmodus, obwohl Einzelkomponente Fehler (oder Alterung) nicht meldet.
Es bleibt festzuhalten, dass das beschriebene Verfahren, zumindest in einigen der Ausführungen, etliche Vorteile mit sich bringt:
- Verbesserung der Komponentenentwicklung durch Felddatenerfassung,
- Verbesserung der Belastbarkeitsmodelle aufgrund großer Anzahl Komponenten im Feld, z.B. durch Deep-Iearning,
- Verbesserung der Belastungsmodelle aufgrund bekannter, realer Komponentenbelastungen.

Claims

Ansprüche
1. Verfahren zum Überwachen mindestens einer Komponente (212, 214, 216) in einem Bordnetz (12) eines Kraftfahrzeugs durch eine zentrale Diagnoseeinheit (210), bei dem unter Berücksichtigung einer vergangenen Nutzung der mindestens einen Komponente (212, 214, 216) der Ist-Zustand der mindestens einen Komponenten (212, 214, 216) bestimmt wird, wozu der zentralen Diagnoseeinheit (210) zumindest ein gemessener Wert wenigstens einer Belastungsgröße der mindestens einen Komponente (212, 214, 216) zur Verfügung gestellt wird.
2. Verfahren nach Anspruch 1, bei dem zusätzlich Randbedingungen berücksichtigt werden.
3. Verfahren nach Anspruch 1 oder 2, bei dem wenigstens eine Belastungsgröße mindestens einer der Komponenten (212, 214, 216) in der zentralen Diagnoseeinheit (210) und/oder durch einen externen Sensor (60, 62) gemessen wird.
4. Verfahren nach einem der Ansprüche 1 bis 3, bei dem eine Plausibilisierung der Belastungsgröße durch einen Abgleich der durch die zumindest eine Komponente (212, 214, 216) selbst ermittelten Belastungsgröße und der der zentralen Diagnoseeinheit (210) zur Verfügung gestellten Belastungsgröße, erfolgt.
5. Verfahren nach einem der Ansprüche 1 bis 4, bei dem der Ist-Zustand der mindestens einen Komponente (212, 214, 216) bestimmt wird, indem ein Belas- tungs-Belastbarkeitsmodell, ein physikalisches Modell und/oder ein Modell, das auf maschinellem Lernen basiert, verwendet wird bzw. werden.
6. Verfahren nach einem der Ansprüche 1 bis 5, das dazu eingesetzt wird, die Restlebensdauer der mindestens einer Komponente (212, 214, 216) zu bestimmen.
7. Verfahren nach Anspruch 6, bei dem die Berechnung eines Vertrauensintervalls der zu erwartenden Restlebensdauer erfolgt.
8. Verfahren nach einem der Ansprüche 1 bis 6, bei dem auf Basis der Ausfallwahrscheinlichkeiten von durch die zentrale Diagnoseeinheit (210) überwachten Komponenten (212, 214, 216) die Ausfallwahrscheinlichkeit eines Systems und/oder mindestens einer Funktion ermittelt wird bzw. werden und durch Abgleich mit einem Grenzwert Aussagen über die Restlebensdauer des Systems und/oder der Funktionen ermittelt wird bzw. werden.
9. Verfahren nach einem der Ansprüche 1 bis 8, bei dem als Maßnahme zur Vermeidung eines Komponenten-, Funktions- oder Systemausfalls die Wartungsintervalle variabel gesteuert werden und/oder die zukünftige Belastung mindestens einer Komponente (212, 214, 216) geregelt wird bzw. werden.
10. Verfahren nach einem der Ansprüche 1 bis 8, bei dem als Maßnahme zur Vermeidung eines unsicheren Fahrzeugs Fahrfunktionen bzw. Betriebsmodi freigegeben, degradiert oder gesperrt werden und/oder die Fahrerübernahme bzw. der Übergang in einen sicheren Zustand eingeleitet wird.
11. Anordnung zum Überwachen einer Komponente (212, 214, 216) eines Kraftfahrzeugs, die zum Durchführen eines Verfahrens nach einem der Ansprüche 1 bis 10 eingerichtet wird.
12. Computerprogramm mit Programmcodemitteln, das dazu eingerichtet ist, ein Verfahren nach einem der Ansprüche 1 bis 10 auszuführen, wenn das Computerprogramm auf einer Recheneinheit, insbesondere einer mobilen Recheneinheit, ausgeführt wird.
13. Maschinenlesbares Speichermedium mit einem darauf gespeicherten Computerprogramm nach Anspruch 12.
PCT/EP2018/075565 2017-09-22 2018-09-21 Verfahren zum überwachen mindestens einer komponente eines kraftfahrzeugs WO2019057871A1 (de)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
DE102017216801.3A DE102017216801A1 (de) 2017-09-22 2017-09-22 Verfahren zum Überwachen mindestens einer Komponente eines Kraftfahrzeugs
DE102017216801.3 2017-09-22
DE102018212770.0A DE102018212770A1 (de) 2018-07-31 2018-07-31 Verfahren zum Überwachen einer Komponente eines Kraftfahrzeugs
DE102018212770.0 2018-07-31

Publications (1)

Publication Number Publication Date
WO2019057871A1 true WO2019057871A1 (de) 2019-03-28

Family

ID=63762461

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2018/075565 WO2019057871A1 (de) 2017-09-22 2018-09-21 Verfahren zum überwachen mindestens einer komponente eines kraftfahrzeugs

Country Status (1)

Country Link
WO (1) WO2019057871A1 (de)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112394703A (zh) * 2019-08-14 2021-02-23 中车时代电动汽车股份有限公司 一种车辆故障管理系统
DE102020212283A1 (de) 2020-09-29 2022-03-31 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur Ermittlung und Fusionierung einer Alterungszustandstrajektorie eines elektrischen Energiespeichers basierend auf statistischen, modellgestützten und maschinellen Lernverfahren
DE102020212234A1 (de) 2020-09-29 2022-03-31 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur Bestimmung eines Alterungszustands eines elektrischen Energiespeichers unbekannten Typs mithilfe maschineller Lernverfahren
CN114742157A (zh) * 2022-04-12 2022-07-12 一汽解放汽车有限公司 车辆健康状态确定方法、装置、设备、存储介质
WO2024061940A1 (de) * 2022-09-23 2024-03-28 Magna powertrain gmbh & co kg Verfahren zur berechnung und beeinflussung der restlebensdauer von komponenten eines elektrisch angetriebenen fahrzeugs
CN114742157B (zh) * 2022-04-12 2024-06-04 一汽解放汽车有限公司 车辆健康状态确定方法、装置、设备、存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102013203661A1 (de) 2013-03-04 2014-09-04 Robert Bosch Gmbh Verfahren zum Betreiben eines elektrifizierten Kraftfahrzeugs und Mittel zu dessen Implementierung
DE102014212451A1 (de) * 2014-06-27 2015-12-31 Continental Automotive Gmbh Vorrichtung und Verfahren zur Regelung eines Ladezustands eines elektrischen Energiespeichers
DE102016202306A1 (de) * 2015-04-08 2016-10-13 Robert Bosch Gmbh Verfahren zum Betreiben eines elektrifizierten Kraftfahrzeugs
DE102015220823A1 (de) 2015-10-26 2017-04-27 Robert Bosch Gmbh Verfahren zum Erkennen einer Fehlfunktion zumindest eines Sensors zum Steuern einer Rückhaltevorrichtung eines Fahrzeugs, Steuergerät und Fahrzeug
DE102015224736A1 (de) 2015-12-09 2017-06-14 Robert Bosch Gmbh Verfahren und Vorrichtung zum Prüfen der Funktionsfähigkeit einer Sensoreinrichtung
EP3203574A1 (de) * 2016-02-08 2017-08-09 Siemens Aktiengesellschaft Lebensdauersteuerung für energiespeicher

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102013203661A1 (de) 2013-03-04 2014-09-04 Robert Bosch Gmbh Verfahren zum Betreiben eines elektrifizierten Kraftfahrzeugs und Mittel zu dessen Implementierung
DE102014212451A1 (de) * 2014-06-27 2015-12-31 Continental Automotive Gmbh Vorrichtung und Verfahren zur Regelung eines Ladezustands eines elektrischen Energiespeichers
DE102016202306A1 (de) * 2015-04-08 2016-10-13 Robert Bosch Gmbh Verfahren zum Betreiben eines elektrifizierten Kraftfahrzeugs
DE102015220823A1 (de) 2015-10-26 2017-04-27 Robert Bosch Gmbh Verfahren zum Erkennen einer Fehlfunktion zumindest eines Sensors zum Steuern einer Rückhaltevorrichtung eines Fahrzeugs, Steuergerät und Fahrzeug
DE102015224736A1 (de) 2015-12-09 2017-06-14 Robert Bosch Gmbh Verfahren und Vorrichtung zum Prüfen der Funktionsfähigkeit einer Sensoreinrichtung
EP3203574A1 (de) * 2016-02-08 2017-08-09 Siemens Aktiengesellschaft Lebensdauersteuerung für energiespeicher

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112394703A (zh) * 2019-08-14 2021-02-23 中车时代电动汽车股份有限公司 一种车辆故障管理系统
DE102020212283A1 (de) 2020-09-29 2022-03-31 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur Ermittlung und Fusionierung einer Alterungszustandstrajektorie eines elektrischen Energiespeichers basierend auf statistischen, modellgestützten und maschinellen Lernverfahren
DE102020212234A1 (de) 2020-09-29 2022-03-31 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur Bestimmung eines Alterungszustands eines elektrischen Energiespeichers unbekannten Typs mithilfe maschineller Lernverfahren
CN114742157A (zh) * 2022-04-12 2022-07-12 一汽解放汽车有限公司 车辆健康状态确定方法、装置、设备、存储介质
CN114742157B (zh) * 2022-04-12 2024-06-04 一汽解放汽车有限公司 车辆健康状态确定方法、装置、设备、存储介质
WO2024061940A1 (de) * 2022-09-23 2024-03-28 Magna powertrain gmbh & co kg Verfahren zur berechnung und beeinflussung der restlebensdauer von komponenten eines elektrisch angetriebenen fahrzeugs

Similar Documents

Publication Publication Date Title
EP3743733B1 (de) Verfahren zum überwachen der energieversorgung eines kraftfahrzeugs mit automatisierter fahrfunktion
EP3532356B1 (de) Verfahren zum überwachen eines kraftfahrzeugs mit automatisierter fahrfunktion und vorrichtung zum durchführen des verfahrens
WO2019057871A1 (de) Verfahren zum überwachen mindestens einer komponente eines kraftfahrzeugs
EP2766235B1 (de) Fahrzeug und verfahren zum steuern eines fahrzeugs
EP3519242B1 (de) Verfahren zum betreiben eines energiebordnetzes eines kraftfahrzeugs
WO2020109108A1 (de) Verfahren zum überwachen eines energiespeichers in einem bordnetz
EP3479134A1 (de) Verfahren zum überwachen einer batterie
EP2245718A1 (de) Batteriemanagementsystem
DE102017216801A1 (de) Verfahren zum Überwachen mindestens einer Komponente eines Kraftfahrzeugs
DE102020213357A1 (de) Verfahren zum Überprüfen des Verhaltens mindestens einer Gruppe von Verbrauchern in einem Kraftfahrzeug
DE102013204842B4 (de) Regelungssystem
DE102019219436A1 (de) Verfahren zur Erkennung eines belastungsbedingten Zustands zumindest einer Komponente, insbesondere eines Energiespeichers, in einem Kraftfahrzeug
DE102020124378A1 (de) Verfahren zum überwachen und steuern eines bordsystems und eines überwachungs- und steuerungssystems
WO2018059906A1 (de) Verfahren zum betreiben eines energiebordnetzes
DE102020212414A1 (de) Verfahren zum Überwachen eines Bordnetzes eines Kraftfahrzeugs
DE112020003460T5 (de) Entladesteuerschaltung und leistungsumsetzungsvorrichtung
DE102015224823B4 (de) Elektronische Steuervorrichtung
DE102017203211A1 (de) Vorrichtung zur Überwachung eines Bordnetzes eines Kraftfahrzeugs
WO2021180428A1 (de) Verfahren und vorrichtung zur überwachung eines elektrischen bordnetzes eines fahrzeugs
DE102021104535A1 (de) Verfahren zum Überwachen der Energieversorgung eines Kraftfahrzeugs
EP3510413A1 (de) Vorrichtung und verfahren zur erkennung einer fehlenden elektrischen verbindung eines energiespeichers mit einem energieversorgungssystem, insbesondere ein bordnetz eines kraftfahrzeugs
DE102012020298B4 (de) Verfahren zum Stabilisieren eines Bordnetzes in einem Kraftwagen
DE102020213771A1 (de) Verfahren zum Überwachen einer Energiequelle in einem Bordnetz
EP3418126A1 (de) Verfahren zum betreiben eines bordnetzes
EP4114691B1 (de) Verfahren zum betreiben eines bordnetzes

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18782334

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18782334

Country of ref document: EP

Kind code of ref document: A1