WO2021089659A1 - Verfahren zum ermitteln einer unzulässigen abweichung des systemverhaltens einer technischen einrichtung von einem normwertebereich - Google Patents

Verfahren zum ermitteln einer unzulässigen abweichung des systemverhaltens einer technischen einrichtung von einem normwertebereich Download PDF

Info

Publication number
WO2021089659A1
WO2021089659A1 PCT/EP2020/081029 EP2020081029W WO2021089659A1 WO 2021089659 A1 WO2021089659 A1 WO 2021089659A1 EP 2020081029 W EP2020081029 W EP 2020081029W WO 2021089659 A1 WO2021089659 A1 WO 2021089659A1
Authority
WO
WIPO (PCT)
Prior art keywords
network
technical device
neural network
head
technical
Prior art date
Application number
PCT/EP2020/081029
Other languages
English (en)
French (fr)
Inventor
Achim Romer
Original Assignee
Robert Bosch Gmbh
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch Gmbh filed Critical Robert Bosch Gmbh
Priority to BR112022008252A priority Critical patent/BR112022008252A2/pt
Priority to US17/755,696 priority patent/US20220374711A1/en
Priority to CN202080076894.6A priority patent/CN114616561A/zh
Priority to JP2022523262A priority patent/JP7450027B2/ja
Priority to KR1020227016991A priority patent/KR20220092531A/ko
Publication of WO2021089659A1 publication Critical patent/WO2021089659A1/de

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • B60W50/0205—Diagnosing or detecting failures; Failure detection models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T2270/00—Further aspects of brake control systems not otherwise provided for
    • B60T2270/30—ESP control system
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/02—Ensuring safety in case of control system failures, e.g. by diagnosing, circumventing or fixing failures
    • B60W50/0205—Diagnosing or detecting failures; Failure detection models
    • B60W2050/021—Means for detecting failure or malfunction

Definitions

  • the invention relates to a method for determining an impermissible deviation of the system behavior of a technical device from a standard value range with the aid of an artificial neural network.
  • DE 102018206805 B3 describes a method for predicting a driving maneuver of an object by means of two machine learning systems.
  • the first machine learning system determines an output variable characterizing the object as a function of a first input variable
  • the second machine learning system determines a second output variable which characterizes a state of the object as a function of a second input variable.
  • the future movement of the object is predicted depending on the output variables.
  • the first machine learning system here comprises a deep neural network and the second machine learning system a probabilistic graphic model.
  • DE 102018209 916 A1 discloses a method for determining a sequence of output signals by means of a sequence of layers of a neural network on the basis of input signals which are fed to an input layer of the neural network. New input signals are already fed to the neural network at a defined point in time, while the previous input signals are still being propagated through the neural network.
  • an impermissible deviation of the system behavior of a technical device from a standard value range can be determined.
  • the state of the technical device can be monitored with measures that are easy to implement.
  • Deteriorations in system behavior and system anomalies can be detected in good time.
  • the method for determining the impermissible deviation of the technical device uses an artificial neural network to which input data and output data of the technical device are fed in a learning phase. By comparing with the input and output data of the technical device, the corresponding links are created in the artificial neural network and the neural network is trained on the system behavior of the technical device.
  • the system behavior of the device can be reliably predicted in the neural network.
  • only the input data of the technical device are fed to the neural network in the prediction phase and output comparison data are calculated in the neural network, which are compared with the output data of the technical device. If this comparison shows that the difference in the output data of the technical device, which is preferably recorded as measured values, deviates too much from the output comparison data of the neural network and exceeds a limit value, then there is an impermissible deviation in the system behavior of the technical device from the standard value range. Suitable measures can then be taken, for example a warning signal can be generated or stored or partial functions of the technical device can be deactivated (degradation of the technical device). If necessary, alternative technical facilities can be used in the event of impermissible deviations.
  • a real technical facility can be continuously monitored.
  • the neural network is fed with a sufficient amount of information from the technical device, both from its input side and from its output side, so that the technical device can be mapped and simulated in the neural network with sufficient accuracy.
  • this allows the technical facility to be monitored and a deterioration in the system behavior to be predicted. In this way, in particular, the remaining useful life of the technical facility can be predicted.
  • the neural network is divided into a base network and a head network, which together form the neural network.
  • the base network and the head network each consist of a large number of layers, with the base network and the head network working together, but being able to be subdivided into subnetworks.
  • different types of layers can be used, in particular in the head network, for example convolutional layer or dense layer.
  • both the base network and the head network are trained on the system behavior of a first technical facility. This represents a first section of the learning phase.
  • training takes place on a second technical device, which is structurally identical to the first technical device.
  • this second section of the learning phase only the head network is trained, but not the base network.
  • This embodiment has the advantage that the head network can be trained for the specific system behavior of the second technical device, with the electronic device in which the neural network is implemented only having to have a relatively small computing capacity.
  • the training in the first section of the learning phase on the basis of the first technical device can be carried out on another electronic device which has a higher computing capacity.
  • the first section of the learning phase which relates to the first technical device, centrally in a workshop or development environment or the like
  • the second section of the learning phase is carried out decentrally, for example in a vehicle.
  • the second section of the learning phase is carried out, for example, on a control unit in the vehicle, for example on the control unit of an ESP module (electronic stability program).
  • both the base network and the head network are used to determine an impermissible deviation of the second technical device.
  • the base network is trained on a technically identical facility from the first section of the learning phase
  • the head network is also trained on a technically identical facility from the first section of the learning phase and also trained on the specific second technical facility from the second section of the learning phase.
  • the base network and the head network work together to determine an impermissible deviation in the system behavior of the second technical facility.
  • the prediction phase requires less computing capacity than the learning phase, so that both sub-networks - the base network and the head network - can be operated in the prediction phase on an electronic device with reduced computing capacity.
  • the number of neurons in the head network is smaller than the number of neurons in the base network.
  • the difference can be at least a factor of five or at least a factor of ten, for example. Even with a head network that is at least ten times smaller, adequate adaptation to the system behavior of the second technical facility is guaranteed in the second section of the learning phase.
  • the base network also receives the input data from the technical device, which is monitored with the aid of the neural network.
  • measured values of the input data of the second technical device can also be fed to the head network, in particular mean values of relatively less dynamic measured values.
  • the input data of the second technical device, which are fed to the base network as an input can also represent measured values, in particular in the highly dynamic range, this input being fed to the base network in the time or frequency range.
  • Additional input information about the type or class of the input data can be fed to the head network.
  • This is, for example, information from a cluster analysis, preferably about the type of maneuver to be carried out in the second technical device.
  • a technical device in a vehicle in particular a brake system or a subsystem of a brake system, it can be, for example, the type of driving maneuver, for example a braking process or traffic jam driving.
  • the input data which are fed to the base network and, if necessary, to the head network can be subjected to preprocessing.
  • a first preprocessing step which is advantageously to be carried out, provides for the available measured values of the technical device, in particular of the second technical device, which is examined for impermissible deviation in the system behavior, or a subset of the available measured values to be subdivided into time segments of a fixed length.
  • Another advantageous preprocessing step provides that the measured values are subjected to a cluster analysis, for example with the aid of a k-means algorithm.
  • This information relating to a specific class can in particular be fed directly to the head network, which leads to an increase in the accuracy of the statement.
  • measured values which are fed in particular to the base network and which are preferably highly dynamic measured values are subjected to a Fourier transformation, in particular a Fast Fourier transformation or a short-time Fourier transformation (STFT) to transfer the input data from the time to the frequency domain.
  • a Fourier transformation in particular a Fast Fourier transformation or a short-time Fourier transformation (STFT)
  • STFT short-time Fourier transformation
  • mean values, maximum values, median values or modal values per frequency range can be used to reduce the amount of data.
  • the invention also relates to an electronic device, such as a control device in a vehicle, which is equipped with means for carrying out the method described above.
  • These means are, in particular, at least one computing unit and at least one storage unit for performing the necessary calculations or for storing input and output data.
  • the invention also relates to a computer program product with a program code which is designed to carry out the method steps described above.
  • the computer program product can be stored on a machine-readable storage medium and run in an electronic device described above.
  • the method can be applied, for example, to the status monitoring of a technical system in a vehicle, for example a steering system or a braking system.
  • the electronic device is advantageously a control device via which the components of the technical device can be controlled.
  • ESP module electronic stability program
  • Fig. 1 is a block diagram with symbolic representation of a first ESP
  • Module to which input data is supplied and which produces output data, with a parallel-connected neural network, which is composed of a base network and a head network and is in a first section of a learning phase,
  • FIG. 2 shows the block diagram according to FIG. 1, but with a second ESP module and the neural network in a second section of the learning phase
  • 3 shows the block diagram according to FIG. 2 with the second ESP module and the neural network in a prediction phase
  • FIG. 4 shows the basic network and the head network of the neural network in a detailed representation.
  • the block diagram according to FIG. 1 shows a basic diagram of a technical device 1 in the form of an ESP module for a braking system in a vehicle with input and output data and with a neural network 4 connected in parallel.
  • the ESP module 1 which is used by way of example as a technical device, comprises an ESP pump for generating a desired, modulated brake pressure in the brake system and a control unit for controlling the ESP pump.
  • Input data 2 are fed to ESP module 1, for example an input current for the electrically operated ESP pump of ESP module 1, ESP module 1 producing output data 3 in response to input data 2, for example hydraulic brake pressure.
  • a neural network 4 is connected in parallel with the technical device 1 and is trained in the system behavior of the technical device 1 in a learning phase, for which the input data 2 and the output data 3 of the technical device 1 are fed to the neural network 4 in the learning phase .
  • the neural network 4 is subdivided into a base network and a head network, which each have a plurality of layers and interact.
  • the output of the base network 6 represents the input of the head network 7.
  • the base network 6 is significantly larger than the head network 7, the number of neurons in the base network is preferably at least a factor of five or at least a factor of ten greater than the number of neurons of the Head net 7.
  • 1 shows a first section of the learning phase, in which both the base network 6 and the head network 7 are trained on the system behavior of the technical device 1. For this purpose, both the input data 2 and the output data of the technical device 1 are fed to the base network 6 as an input, and links are created in the base network 6 and the head network 7.
  • the first section of the learning phase according to FIG. 1 can be carried out during a development phase of the technical device 1. After the end of the first section of the learning phase, the training for the base network 6 is ended.
  • FIG. 2 shows a second section of the learning phase for the neural network 4, this second section of the learning phase being carried out on a second technical device 5 which is technically identical to the first technical device 1.
  • This second section of the learning phase relates exclusively to the head network 7 of the neural network 4, whereas the base network 6 is no longer trained in the second section of the learning phase. Due to the less computation-intensive implementation, this embodiment makes it possible to carry out the second section of the learning phase on a correspondingly less powerful control unit, in particular directly at the installation location of the second technical device 5.
  • the second section of the learning phase can be performed in the ESP control unit Module.
  • the input data 2 and the output data 3 of the second technical device 5 are fed to the neural network 4 as an input, but exclusively to the head network 7 of the neural network.
  • the second technical device 5 in a prediction phase of the neural network 4.
  • the learning phase is complete, the head network 7 has been adequately trained for the specific application with the second technical device 5.
  • the input data 2 of the second technical device 5 are fed to the neural network 4 as an input, wherein in the neural network with the base network 6 and output comparison data are generated in the head network 7 on the basis of the learned behavior, which output comparison data are compared with the output data 3 of the second technical device 5. If the deviation is so great that the output data 3 of the technical device 5 is outside a given range of standard values, there is an impermissibly severe deterioration in the system behavior of the technical device 5, which indicates a shortened service life or an imminent partial or complete failure of the technical device 5 can be closed. Measures can then be taken, such as, for example, the generation of a warning signal or a reduction in the functional scope of the technical device 5.
  • the basic network 6 comprises a plurality of individual basic networks or sub-basic networks 6a, 6b and 6c, to which measured values in the time or frequency domain of a highly dynamic measuring channel are supplied as input data. This involves input and output data from the technical device in the learning phase and input data from the technical device in the prediction phase.
  • the data generated in the sub-base networks 6a, 6b and 6c are fed to the head network 7 as an input, in which further links are created in the learning phase and a prediction is made about the system behavior of the technical device in question in the prediction phase.
  • the output data of the second technical device can be fed directly to the head network 7 as an input, as can also be seen from FIG. 2.
  • supplementary information can be fed to the head network 7 as an additional input, for example about the type or class of the input data or static measured values or mean values of less dynamic measured values.

Landscapes

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

Abstract

Bei einem Verfahren zum Ermitteln einer unzulässigen Abweichung einer technischen Einrichtung mithilfe eines künstlichen neuronalen Netzes, dem in einer Lernphase Eingangsdaten und Ausgangsdaten der technischen Einrichtung zugeführt werden, werden in einer anschließenden Prädiktionsphase dem neuronalen Netz nur die Eingangsdaten zugeführt und im neuronalen Netz Ausgangsvergleichsdaten berechnet, die mit den Ausgangsdaten der technischen Einrichtung verglichen werden.

Description

Beschreibung
Titel
Verfahren zum Ermitteln einer unzulässigen Abweichung des Svstemverhaltens einer technischen Einrichtung von einem Normwerte bereich
Die Erfindung bezieht sich ein Verfahren zum Ermitteln einer unzulässigen Abweichung des Systemverhaltens einer technischen Einrichtung von einem Normwertebereich mithilfe eines künstlichen neuronalen Netzes.
Stand der Technik
In der DE 102018206805 B3 wird ein Verfahren zur Prädiktion eines Fahrmanövers eines Objektes mittels zweier maschineller Lernsysteme beschrieben. Das erste maschinelle Lernsystem ermittelt in Abhängigkeit einer ersten Eingangsgröße eine das Objekt charakterisierende Ausgangsgröße, das zweite maschinelle Lernsystem ermittelt in Abhängigkeit einer zweiten Eingangsgröße eine zweite Ausgangsgröße, welche einen Zustand des Objekts charakterisiert. Die zukünftige Bewegung des Objektes wird in Abhängigkeit von den Ausgangsgrößen vorhergesagt. Das erste maschinelle Lernsystem umfasst hierbei ein tiefes neuronales Netz und das zweite maschinelle Lernsystem ein probabilistisches graphisches Modell.
Die DE 102018209 916 A1 offenbart ein Verfahren zum Ermitteln einer Folge von Ausgangssignalen mittels einer Folge von Schichten eines neuronalen Netzes auf der Grundlage von Eingangssignalen, welche einer Eingangsschicht des neuronalen Netzes zugeführt werden. Zu einem definierten Zeitpunkt werden dem neuronalen Netz bereits neue Eingangssignale zugeführt, während die vorherigen Eingangssignale durch das neuronale Netz noch propagiert werden.
Offenbarung der Erfindung Mithilfe des erfindungsgemäßen Verfahrens kann eine unzulässige Abweichung des Systemverhaltens einer technischen Einrichtung von einem Normwertebereich ermittelt werden. Es ist auf diese Weise möglich, ein vollständiges oder teilweises Versagen der technischen Einrichtung noch vor dem tatsächlichen Versagenseintritt vorherzusagen, so dass rechtzeitig entsprechende Gegenmaßnahmen ergriffen werden können. Auf diese Weise kann eine Zustandsüberwachung der technischen Einrichtung mit einfach zu realisierenden Maßnahmen durchgeführt werden. Es können rechtzeitig Verschlechterungen des Systemverhaltens sowie Systemanomalien festgestellt werden. Durch die Vorgabe und den Vergleich mit dem Normwertebereich ist es möglich, den Zustandsverlauf der technischen Einrichtung fortlaufend zu überwachen und den Zeitpunkt festzustellen, bis zu dem eine ordnungsgemäße Funktion der technischen Einrichtung gewährleistet ist und ab dem die ordnungsgemäße Funktion nicht mehr oder zumindest nicht mehr vollständig sichergestellt werden kann.
Das Verfahren zum Ermitteln der unzulässigen Abweichung der technischen Einrichtung nutzt ein künstliches neuronales Netz, dem in einer Lernphase Eingangsdaten und Ausgangsdaten der technischen Einrichtung zugeführt werden. Durch den Vergleich mit den Eingangs- und Ausgangsdaten der technischen Einrichtung werden die entsprechenden Verknüpfungen in dem künstlichen neuronalen Netz geschaffen und das neuronale Netz auf das Systemverhalten der technischen Einrichtung trainiert.
In einer sich an die Lernphase anschließenden Prädiktionsphase kann in dem neuronalen Netz das Systemverhalten der Einrichtung zuverlässig vorhergesagt werden. Hierzu werden in der Prädiktionsphase dem neuronalen Netz nur die Eingangsdaten der technischen Einrichtung zugeführt und im neuronalen Netz Ausgangsvergleichsdaten berechnet, welche mit Ausgangsdaten der technischen Einrichtung verglichen werden. Ergibt sich bei diesem Vergleich, dass die Differenz der Ausgangsdaten der technischen Einrichtung, welche vorzugsweise als Messwerte erfasst werden, von den Ausgangsvergleichsdaten des neuronalen Netzes zu stark abweichen und einen Grenzwert übersteigen, so liegt eine unzulässige Abweichung des Systemverhaltens der technischen Einrichtung von dem Normwertebereich vor. Daraufhin können geeignete Maßnahmen ergriffen werden, beispielsweise ein Warnsignal erzeugt oder abgespeichert oder Teilfunktionen der technischen Einrichtung deaktiviert werden (Degradation der technischen Einrichtung). Gegebenenfalls kann im Fall der unzulässigen Abweichung auf alternative technische Einrichtungen ausgewichen werden.
Mithilfe des vorbeschriebenen Verfahrens kann eine reale technische Einrichtung fortlaufend überwacht werden. In der Lernphase wird das neuronale Netz mit ausreichend vielen Informationen der technischen Einrichtung sowohl von dessen Eingangsseite als auch von dessen Ausgangsseite gespeist, so dass die technische Einrichtung mit hinreichender Genauigkeit in dem neuronalen Netz abgebildet und simuliert werden kann. Dies erlaubt es in der sich daran anschließenden Prädiktionsphase, die technische Einrichtung zu überwachen und eine Verschlechterung des Systemverhaltens zu prädizieren. Auf diese Weise kann insbesondere die Restnutzungsdauer der technischen Einrichtung vorhergesagt werden.
Gemäß einer vorteilhaften Ausführung ist das neuronale Netz in ein Basisnetz und ein Kopfnetz unterteilt, die gemeinsam das neuronale Netz bilden. Das Basisnetz und das Kopfnetz bestehen jeweils aus einer Vielzahl von Layern, wobei das Basisnetz und das Kopfnetz Zusammenarbeiten, jedoch in Teilnetze unterteilbar sind. In Abhängigkeit des Typs der technischen Einrichtung können verschiedenartige Layer, insbesondere im Kopfnetz verwendet werden, beispielsweise convolutional Layer oder dense Layer.
Es kann gegebenenfalls vorteilhaft sein, mehrere Basisnetze vorzusehen, die mit einem gemeinsamen Kopfnetz Zusammenwirken. Es ist beispielsweise möglich, für jeden hochdynamischen Messkanal jeweils ein Basisnetz einzusetzen.
In der Lernphase werden sowohl das Basisnetz als auch das Kopfnetz an das Systemverhalten einer ersten technischen Einrichtung trainiert. Dies stellt einen ersten Abschnitt der Lernphase dar. In einem sich hieran anschließenden zweiten Abschnitt der Lernphase erfolgt das Training an einer zweiten technischen Einrichtung, die baugleich mit der ersten technischen Einrichtung ist. In diesem zweiten Abschnitt der Lernphase wird nur das Kopfnetz trainiert, nicht jedoch das Basisnetz.
Diese Ausführung hat den Vorteil, dass das Kopfnetz auf das spezifische Systemverhalten der zweiten technischen Einrichtung trainiert werden kann, wobei die elektronische Einrichtung, in der das neuronale Netz implementiert ist, nur über eine verhältnismäßig geringe Rechenkapazität verfügen muss. Das Training im ersten Abschnitt der Lernphase anhand der ersten technischen Einrichtung kann dagegen auf einer anderen elektronischen Einrichtung durchgeführt werden, welche über eine höhere Rechenkapazität verfügt.
Diese Unterteilung der Lernphase in einen ersten Abschnitt und einen zweiten Abschnitt sowie das Training sowohl des Basisnetzes als auch des Kopfnetzes im ersten Abschnitt der Lernphase und das Training nur des Kopfnetzes im zweiten Abschnitt der Lernphase erfüllt einerseits hohe Anforderungen an die Genauigkeit der Abbildung des Systemverhaltens der technischen Einrichtung in dem neuronalen Netz und andererseits Anforderungen an die Lauffähigkeit des neuronalen Netzes auf einer elektronischen Einrichtung mit beschränkter Rechenkapazität. Es ist insbesondere möglich, den ersten Abschnitt der Lernphase, der sich auf die erste technische Einrichtung bezieht, zentral in einer Werkstatt oder Entwicklungsumgebung oder dergleichen durchzuführen, wohingegen der zweite Abschnitt der Lernphase dezentral, beispielsweise in einem Fahrzeug durchgeführt wird. In diesem Fall erfolgt die Durchführung des zweiten Abschnittes der Lernphase beispielhaft auf einem Steuergerät im Fahrzeug, zum Beispiel auf dem Steuergerät eines ESP-Moduls (Elektronisches Stabilitätsprogramm).
In der sich an die Lernphase anschließende Prädiktionsphase werden, gemäß weiterer vorteilhafter Ausführung, sowohl das Basisnetz als auch das Kopfnetz zum Ermitteln einer unzulässigen Abweichung der zweiten technischen Einrichtung verwendet. Das Basisnetz ist aus dem ersten Abschnitt der Lernphase auf eine technisch baugleiche Einrichtung trainiert, das Kopfnetz ist ebenfalls aus dem ersten Abschnitt der Lernphase auf eine technisch baugleiche Einrichtung trainiert und darüber hinaus aus dem zweiten Abschnitt der Lernphase auf die spezifische zweite technische Einrichtung trainiert. In der Prädiktionsphase wirken das Basisnetz und das Kopfnetz zusammen, um eine unzulässige Abweichung im Systemverhalten der zweiten technischen Einrichtung festzustellen. Die Prädiktionsphase erfordert eine geringere Rechenkapazität als die Lernphase, so dass beide Teilnetze - das Basisnetz und das Kopfnetz - in der Prädiktionsphase auf einer elektronischen Einrichtung mit reduzierter Rechenkapazität betrieben werden können.
Gemäß einerweiteren vorteilhaften Ausführung ist die Anzahl der Neuronen des Kopfnetzes kleiner als die Anzahl der Neuronen des Basisnetzes. Der Unterschied kann beispielsweise mindestens den Faktor fünf oder mindestens den Faktor zehn betragen. Auch bei einem mindestens zehnmal kleineren Kopfnetz ist eine hinreichende Anpassung an das Systemverhalten der zweiten technischen Einrichtung im zweiten Abschnitt der Lernphase gewährleistet.
Das Zusammenwirken von Basisnetz und Kopfnetz erfolgt in der Weise, dass in der Lern- und Prädiktionsphase der Ausgang des Basisnetzes als Eingang für das Kopfnetz verwendet wird. In der Prädiktionsphase empfängt das Basisnetz außerdem die Eingangsdaten der technischen Einrichtung, welche mithilfe des neuronalen Netzes überwacht wird. Darüber hinaus können dem Kopfnetz auch Messwerte der Eingangsdaten der zweiten technischen Einrichtung zugeführt werden, insbesondere Mittelwerte von verhältnismäßig wenig dynamischen Messwerten. Die Eingangsdaten der zweiten technischen Einrichtung, welche dem Basisnetz als Eingang zugeführt werden, können ebenfalls Messwerte darstellen, insbesondere im hochdynamischen Bereich, wobei dieser Eingang im Zeit- oder Frequenzbereich dem Basisnetz zugeführt wird.
Dem Kopfnetz können zusätzliche Eingangsinformationen über den Typ oder die Klasse der Eingangsdaten zugeführt werden. Es handelt sich hierbei zum Beispiel um Informationen aus einer Clusteranalyse, vorzugsweise über den Typ eines in der zweiten technischen Einrichtung durchzuführenden Manövers. Im Fall einer technischen Einrichtung in einem Fahrzeug, insbesondere eines Bremssystems oder eines Subsystems eines Bremssystems kann es sich zum Beispiel um die Art des Fahrmanövers handeln, beispielhaft um einen Bremsvorgang oder eine Staufolgefahrt. Die Eingangsdaten, die dem Basisnetz und gegebenenfalls dem Kopfnetz zugeführt werden, können, gemäß einerweiteren vorteilhaften Ausführung, einer Vorverarbeitung unterzogen werden. Ein erster, vorteilhaft durchzuführender Vorverarbeitungsschritt sieht vor, die zur Verfügung stehenden Messwerte der technischen Einrichtung, insbesondere der zweiten technischen Einrichtung, die auf unzulässige Abweichung des Systemverhaltens untersucht wird, bzw. eine Untermenge der zur Verfügung stehenden Messwerte in Zeitabschnitte fester Länge zu unterteilen. Zusätzlich oder alternativ ist es auch möglich, die Messwerte oder eine Untermenge hiervon nach einer bekannten Logik, zum Beispiel manöverspezifisch zu unterteilen. Bei technischen Einrichtungen, welche nur zeitweise aktiv sind, kann die Unterteilung auch pro Aktivierung gewählt werden.
Ein weiterer, vorteilhafter Vorverarbeitungsschritt sieht vor, dass die Messwerte einer Clusteranalyse unterzogen werden, beispielsweise mithilfe eines k-Means- Algorithmus. Diese Informationen bezüglich einer bestimmten Klasse können insbesondere unmittelbar dem Kopfnetz zugeführt werden, was zu einer Erhöhung der Aussagegenauigkeit führt.
Gemäß noch einem weiteren, vorteilhaften Vorverarbeitungsschritt werden Messwerte, welche insbesondere dem Basisnetz zugeführt werden und bei denen es sich vorzugsweise um hochdynamische Messwerte handelt, einer Fourier-Transformation unterzogen, insbesondere einer Fast-Fourier- Transformation oder einer Short-Time-Fourier-Transformation (STFT), um die Eingangsdaten vom Zeit- in den Frequenzbereich zu übertragen. Bei der Verwendung von STFT kann hierbei zur Verringerung der Datenmenge auf Mittelwerte, Maximalwerte, Medianwerte oder Modalwerte pro Frequenzbereich zurückgegriffen werden. Diese Möglichkeiten des Vorverarbeitungsschrittes können auch auf weniger dynamische Eingangs- bzw. Messdaten angewandt werden.
Gegebenenfalls kann durch eine Reduzierung der Abtastung bei den Messwerten die Datenmenge der dynamischen Messwerte reduziert werden. Die Erfindung bezieht sich des Weiteren auf eine elektronische Einrichtung wie beispielsweise ein Steuergerät in einem Fahrzeug, die mit Mitteln zur Durchführung des vorbeschriebenen Verfahrens ausgestattet ist. Bei diesen Mitteln handelt es sich insbesondere um mindestens eine Recheneinheit und um mindestens eine Speichereinheit zur Durchführung der erforderlichen Berechnungen bzw. zum Abspeichern von Eingangs- und Ausgangsdaten.
Die Erfindung bezieht sich außerdem auf ein Computerprogrammprodukt mit einem Programmcode, der dazu ausgelegt ist, die vorbeschriebenen Verfahrensschritte auszuführen. Das Computerprogrammprodukt kann auf einem maschinenlesbaren Speichermedium abgespeichert werden und in einer vorbeschriebenen elektronischen Einrichtung ablaufen.
Das Verfahren ist beispielhaft anwendbar auf die Zustandsüberwachung eines technischen Systems in einem Fahrzeug, beispielsweise eines Lenksystems oder eines Bremssystems. Die elektronische Einrichtung ist in diesem Fall vorteilhafterweise ein Steuergerät, über das die Komponenten der technischen Einrichtung ansteuerbar sind. Des Weiteren ist es auch möglich, innerhalb eines größeren Systems nur ein Subsystem als technische Einrichtung zu überwachen, beispielsweise in einem Bremssystem ein ESP-Modul (Elektronisches Stabilitätsprogramm).
Weitere Vorteile und zweckmäßige Ausführungen sind den weiteren Ansprüchen, der Figurenbeschreibung und den Zeichnungen zu entnehmen. Es zeigen:
Fig. 1 ein Blockschaltbild mit symbolischer Darstellung eines ersten ESP-
Moduls, dem Eingangsdaten zugeführt werden und das Ausgangsdaten produziert, mit einem parallel geschalteten neuronalen Netz, das sich aus einem Basisnetz und einem Kopfnetz zusammensetzt und sich in einem ersten Abschnitt einer Lernphase befindet,
Fig. 2 das Blockschaltbild gemäß Fig. 1, jedoch mit einem zweiten ESP-Modul und dem neuronalen Netz in einem zweiten Abschnitt der Lernphase, Fig. 3 das Blockschaltbild gemäß Fig. 2 mit dem zweiten ESP-Modul und dem neuronalen Netz in einer Prädiktionsphase,
Fig. 4 das Basisnetz und das Kopfnetz des neuronalen Netzes in einer detaillierten Darstellung.
In den Figuren sind gleiche Bauteile mit gleichen Bezugszeichen versehen.
Im Blockschaltbild gemäß Fig. 1 ist eine Prinzipdarstellung einer technischen Einrichtung 1 in Form eines ESP-Moduls für ein Bremssystem in einem Fahrzeug mit Eingangs- und Ausgangsdaten und mit einem parallel geschalteten neuronalen Netz 4 dargestellt. Das ESP-Modul 1, das beispielhaft als technische Einrichtung verwendet wird, umfasst eine ESP-Pumpe zur Erzeugung eines gewünschten, modulierten Bremsdrucks im Bremssystem sowie ein Steuergerät zur Ansteuerung der ESP-Pumpe. Dem ESP-Modul 1 werden Eingangsdaten 2 zugeführt, beispielsweise ein Eingangsstrom für die elektrisch betreibbare ESP- Pumpe des ESP-Moduls 1, wobei das ESP-Modul 1 als Reaktion auf die Eingangsdaten 2 Ausgangsdaten 3 produziert, beispielsweise einen hydraulischen Bremsdruck.
Parallel zu der technischen Einrichtung 1 ist ein neuronales Netz 4 geschaltet, das in einer Lernphase auf das Systemverhalten der technischen Einrichtung 1 trainiert wird, wofür dem neuronalen Netz 4 in der Lernphase sowohl die Eingangsdaten 2 als auch die Ausgangsdaten 3 der technischen Einrichtung 1 zugeführt werden.
Das neuronale Netz 4 ist in ein Basisnetz und ein Kopfnetz unterteilt, die jeweils eine Mehrzahl von Layern bzw. Schichten aufweisen und Zusammenwirken. Der Ausgang des Basisnetzes 6 stellt den Eingang des Kopfnetzes 7 dar. Das Basisnetz 6 ist signifikant größer als das Kopfnetz 7, die Anzahl der Neuronen des Basisnetzes ist vorzugsweise mindestens um den Faktor fünf oder mindestens um den Faktor zehn größer als die Anzahl der Neuronen des Kopfnetzes 7. Fig. 1 stellt einen ersten Abschnitt der Lernphase dar, in der sowohl das Basisnetz 6 als auch das Kopfnetz 7 auf das Systemverhalten der technischen Einrichtung 1 trainiert werden. Zu diesem Zweck werden dem Basisnetz 6 sowohl die Eingangsdaten 2 als auch die Ausgangsdaten der technischen Einrichtung 1 als Eingang zugeführt und Verknüpfungen in dem Basisnetz 6 und dem Kopfnetz 7 geschaffen.
Der erste Abschnitt der Lernphase gemäß Fig. 1 kann während einer Entwicklungsphase der technischen Einrichtung 1 durchgeführt werden. Nach Beendigung des ersten Abschnittes der Lernphase ist das Training für das Basisnetz 6 beendet.
Fig. 2 stellt einen zweiten Abschnitt der Lernphase für das neuronale Netz 4 dar, wobei dieser zweite Abschnitt der Lernphase an einer zweiten technischen Einrichtung 5 durchgeführt wird, die technisch baugleich mit der ersten technischen Einrichtung 1 ist. Dieser zweite Abschnitt der Lernphase betrifft ausschließlich das Kopfnetz 7 des neuronalen Netzes 4, das Basisnetz 6 wird im zweiten Abschnitt der Lernphase dagegen nicht mehr trainiert. Diese Ausführung ermöglicht es, aufgrund der weniger rechenintensiven Durchführung den zweiten Abschnitt der Lernphase auf einem entsprechend weniger leistungsfähigen Steuergerät durchzuführen, insbesondere unmittelbar am Einbauort der zweiten technischen Einrichtung 5. Im Fall eines ESP-Moduls 5 kann der zweite Abschnitt der Lernphase im Steuergerät des ESP-Moduls durchgeführt werden.
Auch im zweiten Abschnitt der Lernphase werden die Eingangsdaten 2 und die Ausgangsdaten 3 der zweiten technischen Einrichtung 5 dem neuronalen Netz 4 als Eingang zugeführt, jedoch ausschließlich dem Kopfnetz 7 des neuronalen Netzes.
Fig. 3 zeigt die zweite technische Einrichtung 5 in einer Prädiktionsphase des neuronalen Netzes 4. Die Lernphase ist abgeschlossen, das Kopfnetz 7 ist auf die konkrete Anwendung mit der zweiten technischen Einrichtung 5 in hinreichender Weise trainiert. In der Prädiktionsphase gemäß Fig. 3 werden dem neuronalen Netz 4 die Eingangsdaten 2 der zweiten technischen Einrichtung 5 als Eingang zugeführt, wobei in dem neuronalen Netz mit dem Basisnetz 6 und dem Kopfnetz 7 auf der Grundlage des erlernten Verhaltens Ausgangsvergleichsdaten erzeugt werden, die mit den Ausgangsdaten 3 der zweiten technischen Einrichtung 5 verglichen werden. Ist die Abweichung so groß, dass die Ausgangsdaten 3 der technischen Einrichtung 5 außerhalb eines gegebenen Normwertebereichs liegen, so liegt eine unzulässig starke Verschlechterung des Systemverhaltens der technischen Einrichtung 5 vor, woraus auf eine verkürzte Lebensdauer oder auf einen drohenden Teilausfall oder Komplettausfall der technischen Einrichtung 5 geschlossen werden kann. Daraufhin können Maßnahmen ergriffen werden wie beispielsweise die Erzeugung eines Warnsignals oder eine Reduzierung im Funktionsumfang der technischen Einrichtung 5.
In Fig. 4 ist die Struktur des neuronalen Netzes 4 mit dem Basisnetz 6 und dem Kopfnetz 7 im Detail dargestellt. Das Basisnetz 6 umfasst mehrere einzelne Basisnetze oder Subbasisnetze 6a, 6b und 6c, denen als Eingangsdaten jeweils Messwerte im Zeit- oder Frequenzbereich jeweils eines hochdynamischen Messkanals zugeführt werden. Es handelt sich hierbei in der Lernphase um Eingangs- und Ausgangsdaten der technischen Einrichtung und in der Prädiktionsphase um Eingangsdaten der technischen Einrichtung.
Ausgangsseitig werden die erzeugten Daten in den Subbasisnetzen 6a, 6b und 6c dem Kopfnetz 7 als Eingang zugeführt, in welchem in der Lernphase weitere Verknüpfungen geschaffen werden und in der Prädiktionsphase eine Vorhersage über das Systemverhalten der betrachteten technischen Einrichtung getroffen wird. Im zweiten Abschnitt der Lernphase können die Ausgangsdaten der zweiten technischen Einrichtung unmittelbar dem Kopfnetz 7 als Eingang zugeführt werden, wie auch Fig. 2 zu entnehmen ist.
In der Prädiktionsphase können dem Kopfnetz 7 als zusätzlicher Eingang ergänzende Informationen zugeführt werden, beispielsweise über den Typ oder die Klasse der Eingangsdaten oder statische Messwerte oder Mittelwerte von wenig dynamischen Messwerten.

Claims

Ansprüche
1. Verfahren zum Ermitteln einer unzulässigen Abweichung des Systemverhaltens einer technischen Einrichtung (1, 5) von einem Normwertebereich mithilfe eines künstlichen neuronalen Netzes (4), dem in einer Lernphase Eingangsdaten (2) und Ausgangsdaten (3) der technischen Einrichtung (1, 5) zugeführt werden, wobei in einer sich an die Lernphase anschließenden Prädiktionsphase dem neuronalen Netz (4) nur die Eingangsdaten (2) der technischen Einrichtung (5) zugeführt und im neuronalen Netz (4) Ausgangsvergleichsdaten berechnet werden, wobei eine unzulässige Abweichung der technischen Einrichtung (5) festgestellt wird, falls die Ausgangsdaten (3) der technischen Einrichtung (5) aufgrund der Differenz zu den Ausgangsvergleichsdaten des neuronalen Netzes (4) außerhalb des Normwertebereichs liegen
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das neuronale Netz (4) in ein Basisnetz (6) und ein Kopfnetz (7) unterteilt ist, wobei in einem ersten Abschnitt der Lernphase sowohl das Basisnetz (6) als auch das Kopfnetz (7) an einer ersten technischen Einrichtung (1) trainiert werden und in einem zweiten Abschnitt der Lernphase an einer zweiten technischen Einrichtung (5), die baugleich mit der ersten technischen Einrichtung (1) ist, nur das Kopfnetz (7) trainiert wird.
3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass in der Prädiktionsphase sowohl das Basisnetz (6) als auch das Kopfnetz (7) zum Ermitteln einer unzulässigen Abweichung der zweiten technischen Einrichtung (5) verwendet werden.
4. Verfahren nach Anspruch 2 oder 3, dadurch gekennzeichnet, dass die Anzahl der Neuronen des Kopfnetzes (7) kleiner ist als die Anzahl der Neuronen des Basisnetzes (6), insbesondere mindestens um den Faktor fünf oder zehn kleiner.
5. Verfahren nach einem der Ansprüche 2 bis 4, dadurch gekennzeichnet, dass der Ausgang des Basisnetzes (6) als Eingang für das Kopfnetz (7) verwendet wird.
6. Verfahren nach einem der Ansprüche 2 bis 5, dadurch gekennzeichnet, dass dem Kopfnetz (7) als Eingang Messwerte der zweiten technischen Einrichtung (5) zugeführt werden.
7. Verfahren nach einem der Ansprüche 2 bis 6, dadurch gekennzeichnet, dass dem Kopfnetz (7) als Eingang Informationen über den Typ oder die Klasse der Eingangsdaten (2) zugeführt wird.
8. Verfahren nach einem der Ansprüche 2 bis 7, dadurch gekennzeichnet, dass das neuronale Netz (4) mehrere Basisnetze (6) umfasst, denen unterschiedliche Eingangsdaten (2) zugeführt werden.
9. Verfahren nach Anspruch 8, dadurch gekennzeichnet, dass der Ausgang der verschiedenen Basisnetze (6) einem gemeinsamen Kopfnetz (7) zugeführt wird.
10. Verfahren nach einem der Ansprüche 2 bis 9, dadurch gekennzeichnet, dass die Eingangsdaten (2) einer Vorverarbeitung unterzogen werden, bevor die Bearbeitung im neuronalen Netz (4) erfolgt.
11. Elektronische Einrichtung, insbesondere Steuergerät in einem Fahrzeug, mit Mitteln, die dazu ausgebildet sind, das Verfahren nach einem der Ansprüche 1 bis 10 durchzuführen.
12. Computerprogrammprodukt mit einem Programmcode, der dazu ausgelegt ist, Schritte des Verfahrens nach einem der Ansprüche 1 bis 10 auszuführen.
13. Maschinenlesbares Speichermedium, auf welchem ein Computerprogrammprodukt nach Anspruch 12 gespeichert ist.
PCT/EP2020/081029 2019-11-06 2020-11-05 Verfahren zum ermitteln einer unzulässigen abweichung des systemverhaltens einer technischen einrichtung von einem normwertebereich WO2021089659A1 (de)

Priority Applications (5)

Application Number Priority Date Filing Date Title
BR112022008252A BR112022008252A2 (pt) 2019-11-06 2020-11-05 Processo para determinação de um desvio inadmissível do comportamento de sistema de um dispositivo técnico de uma faixa de valores padrão
US17/755,696 US20220374711A1 (en) 2019-11-06 2020-11-05 Method for Determining an Inadmissible Deviation of the System Behavior of a Technical Device from a Standard Value Range
CN202080076894.6A CN114616561A (zh) 2019-11-06 2020-11-05 确定技术设备的系统行为与标准值范围的不允许偏差的方法
JP2022523262A JP7450027B2 (ja) 2019-11-06 2020-11-05 技術装置のシステム挙動の標準値範囲からの許容されない偏差を判定する方法
KR1020227016991A KR20220092531A (ko) 2019-11-06 2020-11-05 표준값 범위로부터 기술 장치의 시스템 거동의 허용할 수 없는 편차를 결정하는 방법

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019217071.4A DE102019217071A1 (de) 2019-11-06 2019-11-06 Verfahren zum Ermitteln einer unzulässigen Abweichung des Systemverhaltens einer technischen Einrichtung von einem Normwertebereich
DE102019217071.4 2019-11-06

Publications (1)

Publication Number Publication Date
WO2021089659A1 true WO2021089659A1 (de) 2021-05-14

Family

ID=73172659

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2020/081029 WO2021089659A1 (de) 2019-11-06 2020-11-05 Verfahren zum ermitteln einer unzulässigen abweichung des systemverhaltens einer technischen einrichtung von einem normwertebereich

Country Status (8)

Country Link
US (1) US20220374711A1 (de)
JP (1) JP7450027B2 (de)
KR (1) KR20220092531A (de)
CN (1) CN114616561A (de)
BR (1) BR112022008252A2 (de)
DE (1) DE102019217071A1 (de)
FR (1) FR3102870A1 (de)
WO (1) WO2021089659A1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021204849A1 (de) 2021-05-12 2022-11-17 Volkswagen Aktiengesellschaft Prädiktion einer Charakteristik einer Zielflotte
DE102021213236A1 (de) 2021-11-24 2023-05-25 Volkswagen Aktiengesellschaft Verfahren und Vorrichtung zum Bereitstellen eines Schätzwertes für mindestens einen Zustandsparameter und/oder Steuerparameter eines Systems

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006131926A2 (en) * 2005-06-09 2006-12-14 Drive Diagnostics Ltd. System and method for displaying a driving profile
US20190199743A1 (en) * 2017-12-22 2019-06-27 Robert Bosch Gmbh Method and device for recognizing anomalies in a data stream of a communication network
WO2019168167A1 (ja) * 2018-03-02 2019-09-06 学校法人立命館 検証方法、検証装置、コンピュータプログラム、及び、検証システム
DE102018206805B3 (de) 2018-05-03 2019-09-12 Robert Bosch Gmbh Verfahren, Vorrichtung und Computerprogramm zum Prädizieren einer zukünftigen Bewegung eines Objekts

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0829538A (ja) * 1994-07-13 1996-02-02 Mitsubishi Electric Corp 放射線検出装置
DE102011081197A1 (de) * 2011-08-18 2013-02-21 Siemens Aktiengesellschaft Verfahren zur rechnergestützten Modellierung eines technischen Systems
RU2563161C2 (ru) * 2013-07-18 2015-09-20 Федеральное государственное бюджетное учреждение науки Институт конструкторско-технологической информатики Российской академии наук (ИКТИ РАН) Способ и устройство технической диагностки сложного технологического оборудования на основе нейронных сетей
CN106055579B (zh) * 2016-05-20 2020-01-21 上海交通大学 基于人工神经网络的车辆性能数据清洗系统及其方法
CN106125714B (zh) * 2016-06-20 2019-01-25 南京工业大学 结合bp神经网络与二参数威布尔分布的故障率预测方法
JP6904057B2 (ja) * 2017-05-19 2021-07-14 株式会社リコー 画像形成システム及び画像形成方法
CN109816094A (zh) * 2019-01-03 2019-05-28 山东省科学院海洋仪器仪表研究所 基于神经网络l-m算法的光学溶解氧传感器非线性温度补偿方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006131926A2 (en) * 2005-06-09 2006-12-14 Drive Diagnostics Ltd. System and method for displaying a driving profile
US20190199743A1 (en) * 2017-12-22 2019-06-27 Robert Bosch Gmbh Method and device for recognizing anomalies in a data stream of a communication network
WO2019168167A1 (ja) * 2018-03-02 2019-09-06 学校法人立命館 検証方法、検証装置、コンピュータプログラム、及び、検証システム
DE102018206805B3 (de) 2018-05-03 2019-09-12 Robert Bosch Gmbh Verfahren, Vorrichtung und Computerprogramm zum Prädizieren einer zukünftigen Bewegung eines Objekts

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
RUBITA SUDIRMAN ET AL: "Pre-processing of input features using LPC and warping process", COMPUTERS, COMMUNICATIONS,&SIGNAL PROCESSING WITH SPECIAL TRACK ON BIOMEDICAL ENGINEERING, 2005. CCSP 2005. 1ST INTERNATIONAL CONFERENCE ON, IEEE, PISCATAWAY, NJ, USA, 14 November 2005 (2005-11-14), pages 300 - 303, XP031461722, ISBN: 978-1-4244-0011-9 *
TAILAI WEN ET AL: "Time Series Anomaly Detection Using Convolutional Neural Networks and Transfer Learning", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 31 May 2019 (2019-05-31), XP081366563 *
YEONGHYEON PARK ET AL: "Fast Adaptive RNN Encoder-Decoder for Anomaly Detection in SMD Assembly Machine", SENSORS, vol. 18, no. 10, 22 October 2018 (2018-10-22), pages 3573, XP055764270, DOI: 10.3390/s18103573 *

Also Published As

Publication number Publication date
BR112022008252A2 (pt) 2022-07-12
DE102019217071A1 (de) 2021-05-06
JP7450027B2 (ja) 2024-03-14
CN114616561A (zh) 2022-06-10
JP2022552868A (ja) 2022-12-20
US20220374711A1 (en) 2022-11-24
FR3102870A1 (fr) 2021-05-07
KR20220092531A (ko) 2022-07-01

Similar Documents

Publication Publication Date Title
DE102018128289B4 (de) Verfahren und vorrichtung für eine autonome systemleistung und zur einstufung
DE102015203213A1 (de) Vorrichtung und programm zum erzeugen von korrekturparametern für diagnosedaten
DE102017111505A1 (de) Systeme und Verfahren zur Datengewinnung von einem entfernten System
DE102019124018A1 (de) Verfahren zum Optimieren von Tests von Regelsystemen für automatisierte Fahrdynamiksysteme
WO2021089659A1 (de) Verfahren zum ermitteln einer unzulässigen abweichung des systemverhaltens einer technischen einrichtung von einem normwertebereich
EP3876060B1 (de) Verfahren und recheneinheit zur ursachenanalyse eines anomalen zustandes einer maschine
DE102018000579A1 (de) Überwachen einer Funktionsbereitschaft eines elektrischen Gerätes
EP2947035B1 (de) Verfahren zur bestimmung der aufgenommenen last einer arbeitsmaschine sowie arbeitsmaschine, insbesondere kran
EP3876062B1 (de) Verfahren und recheneinheit zur überwachung des zustandes einer maschine
DE102020210789A1 (de) Analyse eines neuronalen Netzes für ein Fahrzeug
DE102019107363B4 (de) Verfahren und System zum Bestimmen einer Eigenschaft einer Maschine, insbesondere einer Werkzeugmaschine, ohne messtechnisches Erfassen der Eigenschaft sowie Verfahren zum Bestimmen eines voraussichtlichen Qualitätszustands eines mit einer Maschine gefertigten Bauteils
AT523850A4 (de) Computergestütztes Verfahren und Vorrichtung zur wahrscheinlichkeitsbasierten Geschwindigkeitsprognose für Fahrzeuge
DE102019212912A1 (de) Komprimieren eines tiefen neuronalen Netzes
DE102018214468A1 (de) Verfahren, Steuereinheit, System und Computerprogrammprodukt zum Bereitstellen einer Information zum Betreiben eines Fahrzeugs
EP3944158A1 (de) Computer-implementiertes verfahren für maschinelles lernen zum betrieb einer fahrzeugkomponente und verfahren zum betrieb einer fahrzeugkomponente
DE102019131456A1 (de) Verfahren zum Bestimmen einer Eigenschaft einer Maschine, insbesondere einer Werkzeugmaschine, ohne messtechnisches Erfassen der Eigenschaft
DE102019107242A1 (de) Diagnoseverfahren, Diagnosesystem und Kraftfahrzeug
WO2021089749A1 (de) Verfahren zum ermitteln einer unzulässigen abweichung des systemverhaltens einer technischen einrichtung von einem normwertebereich
DE102019107240A1 (de) Diagnoseverfahren, Diagnosesystem und Kraftfahrzeug
WO2021089655A1 (de) Verfahren zum ermitteln einer unzulässigen abweichung des systemverhaltens einer technischen einrichtung von einem normwertebereich
DE102018128892A1 (de) Verfahren, System und Computerprogramm zum Bereitstellen einer Information zum Betreiben eines Fahrzeugs
DE102018128894A1 (de) Verfahren, System sowie Computerprogramm zum Bereitstellen einer Information zum Betreiben eines Fahrzeugs, insbesondere mittels einer digitalen Karte
EP3572893B1 (de) Analyse mehrerer diagnosemeldungen eines technischen systems mit mehreren komponenten
DE102017009031A1 (de) Verfahren zur objektiven Bewertung eines Querregelverhaltens eines aktiven Spurhaltesystems eines Fahrzeugs
DE102020006267A1 (de) Verfahren zum Erzeugen eines Verhaltensmodells für eine Kraftfahrzeugflotte mittels einer kraftfahrzeugexternen elektronischen Recheneinrichtung, sowie kraftfahrzeugexterne elektronische Recheneinrichtung

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: 20803467

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022523262

Country of ref document: JP

Kind code of ref document: A

REG Reference to national code

Ref country code: BR

Ref legal event code: B01A

Ref document number: 112022008252

Country of ref document: BR

ENP Entry into the national phase

Ref document number: 20227016991

Country of ref document: KR

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 112022008252

Country of ref document: BR

Kind code of ref document: A2

Effective date: 20220429

122 Ep: pct application non-entry in european phase

Ref document number: 20803467

Country of ref document: EP

Kind code of ref document: A1