WO2021185586A1 - Verfahren zur erzeugung von trainingsdaten, fahrzeug und trainingssystem - Google Patents

Verfahren zur erzeugung von trainingsdaten, fahrzeug und trainingssystem Download PDF

Info

Publication number
WO2021185586A1
WO2021185586A1 PCT/EP2021/055412 EP2021055412W WO2021185586A1 WO 2021185586 A1 WO2021185586 A1 WO 2021185586A1 EP 2021055412 W EP2021055412 W EP 2021055412W WO 2021185586 A1 WO2021185586 A1 WO 2021185586A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
data
vehicle data
clusters
worn
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/EP2021/055412
Other languages
English (en)
French (fr)
Inventor
Dennis Pape
Christoph Werries
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ZF Friedrichshafen AG
Original Assignee
ZF Friedrichshafen AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by ZF Friedrichshafen AG filed Critical ZF Friedrichshafen AG
Publication of WO2021185586A1 publication Critical patent/WO2021185586A1/de
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Definitions

  • the invention relates to a method for generating training data for a maschi nelles learning method for recognizing a deviation from a normal state of a vehicle.
  • the invention also relates to a vehicle with a machine learning method and a training system.
  • machine learning methods such as artificial neural networks is that they can be trained for a specific complex task with a large amount of data and then can easily cope with this specific complex task.
  • the generation and generation of training data are also often associated with high costs.
  • the training data should representatively cover the largest possible range of possible wear and tear on the vehicle.
  • DE 10 2019 113 851 A1 discloses a method for generating training data for a neural network, comprising the step: changing existing training data for a neural network to changed training data for the neural network by means of an algorithm.
  • the object is achieved by a method with the features of claim 1, a vehicle with the features of claim 9 and a training system with the features of claim 11.
  • the object is achieved by a method for generating training data for a machine learning method for recognizing a deviation in a vehicle's standard status, with the following steps:
  • the vehicle data can be recorded by sensors arranged on the individual vehicles. These can be, for example: Lidar sensors, camera sensors or other image sensors, radar sensors, acoustic sensors, acceleration sensors, pressure sensors or others that represent the state of the vehicle.
  • the vehicle data recorded in this way are assigned to one or more existing clusters that represent the vehicle data, if one is available. Alternatively or additionally, one or more clusters can be created.
  • the clusters are then defined as a normal state. In this case, however, only vehicle data up to one to a previously defined mileage of the vehicle are defined as the standard condition. In this way it can be avoided that there is wear and tear on the vehicle components, since the vehicles and their vehicle components are new (valuable) and therefore show no wear. Defective vehicle components are also to be understood as wear.
  • the previously defined mileage can depend on the type of vehicle (diesel, hybrid, electric).
  • a car, truck or an agricultural vehicle can be included as a vehicle.
  • the deviation is also defined at the same time.
  • At least one defective and / or worn vehicle component determined vehicle data of the vehicle generates a new cluster according to the exchange or assigned the vehicle data of the vehicle determined after the exchange of the at least one defective and / or worn vehicle component to an existing cluster representing the exchange.
  • the worn and / or defective vehicle component is preferably detected manually or, for example, by a conventional system arranged on the vehicle itself.
  • the vehicle can be equipped with special control lamps / sensors which indicate such a defect / wear.
  • the wear / defect can be detected by optical detection with an on-board camera.
  • a new cluster is created - according to the replaced vehicle component - or this vehicle data is stored in existing clusters that represent the replacement. If another vehicle component is exchanged, a new cluster is also created for the subsequent vehicle data, which takes into account the current and the previous exchange or such a cluster already exists.
  • the method preferably has the following steps:
  • training data set can be successively expanded by tracking the replacement of vehicle components in, for example, specialist workshops.
  • the pre-selected set of vehicles is designed as the pilot series.
  • the pilot series or O-series is used to detect errors in the real prototype and to correct them before the series is delivered.
  • This pilot series can thus be used directly to record the first data for a "normal condition, i.e. good condition" before series delivery.
  • the normal state can thereby be represented by individual labeling of certain states before the first series and represented as training data.
  • the vehicle data preferably include at least the specific vehicle data and the environment data at the time of the specific vehicle data recorded. Environment data are, for example, weather data, etc.
  • vehicle data generated by simulation are generated to refine and / or multiply the clusters.
  • the training data records can be increased, which in turn leads to improved learning of the machine learning process.
  • the determined vehicle data are preferably enriched by means of map data which are read out from a map at the time of the generated vehicle data and by means of the position of the vehicle. This means that, depending on a position of the vehicle from, for example, digital maps, additional information, such as a gravel path, is enriched or verified in the vehicle data generated by the vehicle. This makes the training datasets more accurate.
  • the object is achieved by a vehicle with a machine learning method for recognizing a deviation from a normal state of a vehicle component, the machine learning method being trained with the aid of a method as described above.
  • the vehicle is able to identify defects and / or wear and tear of a vehicle component without an external connection.
  • the machine learning method is preferably configured as an artificial neural network. This is particularly suitable for processing a large number of recorded data using the trained neural network.
  • the trained machine learning process recognizes that "something" is worn / defective or can even make a more precise statement This can also be marked as an abnormality and used as a new training data set.
  • a training system for generating training data for a machine learning method for recognizing a deviation from a normal state of a vehicle
  • the training system comprising a receiving unit for receiving vehicle data which are generated by a pre-selected set of vehicles, wherein the vehicle data include the kilometer reading of the respective vehicle, further comprising at least one processor, which is designed to assign the received vehicle data to one or more existing clusters representing the vehicle data and / or to create a new cluster and the at least a processor is also designed to define the vehicle data in the clusters as a standard state, the vehicle data being defined up to a previously defined mileage of the vehicle as the standard state, and the processor also being designed to control the machine To train all learning methods with the help of the clusters for recognizing a deviation from a normal state of a vehicle.
  • Such a training system can, for example, be designed as an external computer, for example a cloud, which has the necessary computing resources.
  • the advantages of the method can also be applied to the training system. With such a training system, the normal state and its deviation can be defined and errors in the real prototype can be recognized and corrected.
  • the at least one processor is designed to, when at least one defective and / or worn vehicle component of one of the vehicles is replaced, to a new cluster corresponding to the replacement for the vehicle data of the vehicle determined after the replacement of the at least one defective and / or worn vehicle component generate or those determined after the replacement of the at least one worn vehicle component Assigning vehicle data of the vehicle to an existing, representing the exchange, the cluster.
  • the machine learning method of the training system is preferably designed as an artificial neural network.
  • the set of vehicles selected in advance is preferably the pilot series of a vehicle type.
  • FIG 1 a first embodiment of the method according to the invention
  • FIG 2 an example of several clusters
  • FIG 3 a second embodiment of the method according to the invention
  • FIG 1 shows a method according to the invention for generating training data for a machine learning method for recognizing a deviation from a Normzu state of a vehicle 2a, 2b, 2c (FIG 4) in a first embodiment.
  • vehicle data are determined which are generated by a preselected set of vehicles 2a, 2b, 2c (FIG. 4).
  • vehicle data can be generated, for example, with an image sensor such as a camera, an acoustic sensor or an acceleration sensor, pressure sensor, etc. in vehicles 2a, 2b, 2c (FIG. 4).
  • image sensor such as a camera, an acoustic sensor or an acceleration sensor, pressure sensor, etc.
  • Environment data is generated which record the environment of the vehicle 2a, 2b, 2c (FIG. 4) at the time of the generation of the respective specific vehicle data or which it generates.
  • Environment data can be weather data, for example, which are recorded with a temperature sensor.
  • the specific vehicle data and the environment data coupled to it are preferably transmitted in short protocols to a training system 1 (FIG. 4), which is arranged on an external server, for example.
  • the vehicle data include the mileage of a respective vehicle 2a, 2b, 2c (FIG. 4).
  • the vehicles 2a, 2b, 2c are preferably vehicles of the pilot series or a small series.
  • the vehicles that are manufactured in the introductory phase of series production for final testing purposes and that are identical to the later series vehicles are referred to as pilot series.
  • a second step S2 the specific vehicle data and the environment data are divided into clusters or assigned to existing clusters representing the vehicle data.
  • a third step S3 the specific vehicle data and associated environment data in the clusters are defined as a standard condition, with a definition of the vehicle data up to a previously defined mileage of the respective vehicle 2a, 2b, 2c (FIG. 4) as the standard condition he follows. In this way, it can be avoided that vehicle components that have already been worn or the associated vehicle data are defined as the standard state. By using the pilot series and the limited number of kilometers, the new condition is represented, in which there is no wear and tear on the vehicle components.
  • the method is used to train a machine learning method for recognizing a deviation from a normal state of a vehicle 2a, 2b, 2c (FIG. 4) on the basis of the clusters.
  • the learning process trained in this way can be used in a vehicle or centrally, for example in a cloud / external server to which the vehicle data from (series) vehicles are transmitted.
  • the procedure is used to individually label certain conditions prior to the first series.
  • the clusters generated in this way are used as training data. Due to the large number of different possible combinations of the vehicle components, it is not possible to test the worn vehicle components in their entirety at an early stage.
  • the method described here can nevertheless form a sufficient training database at an early stage in order to train a machine learning method.
  • FIG. 3 shows a further embodiment of the method according to the invention for generating training data for a machine learning method for recognizing a deviation from a normal state of a vehicle.
  • vehicle data generated by a preselected set of vehicles 2a, 2b, 2c (FIG. 4) and environment data corresponding to the specific vehicle data are determined.
  • the vehicles 2a, 2b, 2c (FIG 4) are vehicles of the pilot series or a small series.
  • the vehicle data include the mileage of a respective vehicle.
  • a defective vehicle component is replaced. This can be recognized, for example, by condition monitoring, for example by optical detection with an on-board camera, of the vehicles 2a, 2b, 2c (FIG. 4) of the pilot series.
  • condition monitoring for example by optical detection with an on-board camera
  • the specific vehicle data with the environment data which are generated by the vehicle after the exchange, are stored accordingly in a newly created cluster corresponding to the exchange. If there is already a cluster representing the exchange, the specific vehicle data and environment data subsequently transmitted are sorted into this cluster.
  • the information about the exchange can be stored in the transmitted vehicle data, for example information can be supplied / attached.
  • vehicles 3a, 3b are provided with one or more known defective and / or known vehicle components in a step A4.
  • the vehicle data are then determined. These can be determined, for example, on a technical system, i.e. on a test bench, for example.
  • the vehicle data generated in this way are assigned to one or more correspondingly newly generated clusters or to one or more existing clusters which represent the one or more known defective and / or worn vehicle components.
  • the vehicle data are then defined in the clusters as a damage state.
  • the database of the training data can be expanded, which leads to better learning of the machine learning process.
  • vehicle data can be generated by simulation and assigned to newly created clusters or to existing clusters.
  • the training data is refined.
  • the determined vehicle data can be enriched by means of map data which are read out from a map at the time of the generated vehicle data and by means of the position of a vehicle 2a, 2b, 2c (FIG. 4).
  • the map data can indicate the type of road (gravel road, mountain road, forest road), for example.
  • a step A5 the method is used to train a machine learning method for recognizing a deviation from a normal state of a (series) vehicle on the basis of vehicle data.
  • the training system 1 shows a training system 1 for generating training data for a maschi nelles learning method for recognizing a deviation from a normal state.
  • the training system 1 can have a processor 4 and can be arranged in an external server, for example a cloud. Furthermore, the training system 1 is designed to receive specific vehicle data with environment data that are generated by the vehicles 2a, 2b, 2c.
  • the vehicle data include the mileage of the respective vehicle 2a, 2b, 2c.
  • the vehicles 2a, 2b, 2c have sensors for generating the specific vehicle data with environment data. Furthermore, vehicles 2a, 2b, 2c are pilot series vehicles. The pilot series is used to detect errors in the real prototype and to correct them before series delivery to the customer.
  • the processor 4 of the training system 1 uses the received specific vehicle data with environment data to generate one or more clusters that already represent the vehicle data and in which the received vehicle data are stored. Alternatively, these are already available and the processor 4 of the training system 1 stores the received specific vehicle data with environment data in this cluster.
  • the environment data differ.
  • vehicle 2a is traveling on a broken road
  • vehicle 2b is traveling on a gravel road
  • vehicle 2c is traveling on a new road.
  • the vehicle data can differ from one another, for example the noise of the shock absorbers, although there is no defect.
  • the clusters thus generated therefore also differ from one another.
  • the clusters that is, the specific vehicle data recorded with their environment data, are defined as the standard condition up to a specified mileage, which, as it were, defines a new condition.
  • the standard condition thus corresponds to a "good condition”.
  • a new cluster can be used for the vehicle data of vehicle 2a, 2b, 2c transmitted after the replacement of the at least one defective and / or worn vehicle component can be generated according to the exchange.
  • the subsequently transmitted vehicle data of vehicle 2a, 2b, 2c can be divided into an existing cluster which represents the exchange.
  • the training data can be further refined by recording the vehicle data from chassis excitations or from vehicle data after replacing vehicle components, etc.
  • the following information can be stored in addition to the vehicle data: “What was exchanged? At how many kilometers? With which excitation profile? Etc.
  • vehicles 3a, 3b can be provided with one or more known defective and / or known worn vehicle components.
  • the vehicle data of the vehicles 3a, 3b are then determined and transmitted to the training system 1.
  • the vehicle data generated in this way are assigned by the processor 4 of the training system 1 to one or more of the newly generated clusters or the one or more existing clusters that represent the one or more defective and / or worn vehicle components.
  • the clusters thus generated or the vehicle data in the clusters are then defined as a defective state. This further refines the training data.
  • the processor 4 can then train the machine learning method with the aid of the clusters for recognizing a deviation from a normal condition of a vehicle 2a, 2b, 2c.
  • the machine learning process trained in this way can, for example, be used directly in the production vehicles or continue to be operated centrally, and if wear / defects are detected, the machine learning process can, for example, send a warning to the production vehicle.

Landscapes

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

Abstract

Die Erfindung betrifft ein Verfahren zur Erzeugung von Trainingsdaten für ein maschinelles Lernverfahren zum Erkennen von einer Abweichung eines Normzustandes eines Fahrzeugs, gekennzeichnet durch die Schritte: − Ermitteln von Fahrzeugdaten, welche durch eine vorab ausgewählte Menge von Fahrzeugen (2a, 2b, 2c ) erzeugt werden, wobei die Fahrzeugdaten den Kilometerstand des jeweiligen Fahrzeugs (2a, 2b, 2c) umfassen, − Zuordnen der ermittelten Fahrzeugdaten zu einem oder mehreren bereits vorhandenen, die Fahrzeugdaten repräsentierende Cluster und/oder Anlegen eines neuen Clusters, − Festlegen der Fahrzeugdaten in den Clustern als ein Normzustand, wobei eine Festlegung der Fahrzeugdaten bis zu einem vorab definierten Kilometerstand des jeweiligen Fahrzeugs (2a, 2b, 2c) als Normzustand erfolgt. Ferner betrifft die Erfindung ein Fahrzeug mit einem maschinellen Lernverfahren und ein Trainingssystem.

Description

Verfahren zur Erzeugung von Traininqsdaten, Fahrzeug und Traininqssvstem
Die Erfindung betrifft ein Verfahren zur Erzeugung von Trainingsdaten für ein maschi nelles Lernverfahren zum Erkennen von einer Abweichung eines Normzustandes ei nes Fahrzeugs. Ferner betrifft die Erfindung ein Fahrzeug mit einem maschinellen Lernverfahren und ein Trainingssystem.
Der Vorteil von maschinellen Lernverfahren wie künstlichen neuronalen Netzen ist, dass sie auf eine spezielle komplexe Aufgabe mit einer hohen Anzahl an Daten hin trainiert werden können und anschließend diese spezielle komplexe Aufgabe leicht bewältigen können.
Die Entwicklung datengetriebener Funktionen, insbesondere Funktionen des maschi nellen Lernens, zur automatischen Erkennung von Defekten oder Verschleiß bei Fahrzeugen geht mit einem Bedarf an umfassenden, gut aufbereiteten Trainingsda ten einher. Insbesondere müssen große verfügbare Datenmengen generiert werden. In der Regel ist ein Training umso erfolgreicher, je mehr Trainingsdaten, d.h. zum Training verwendbare Daten für die zu bewältigende Aufgabe verfügbar sind. Zudem ist bekannt, dass die Qualität des Netzes mit der Zahl der Trainingsdatensätze steigt. Nachteilig an diesen maschinellen Lernverfahren ist daher, dass, bevor sie ihre Ein satzfähigkeit und Generealisierungsfähigkeit erhalten, zunächst mit Lern- oder Trai ningsdaten trainiert werden müssen. Das Sammeln dieser Trainingsdaten ist oft lang wierig und mit hohem Aufwand verbunden.
Die Erzeugung und Generierung von Trainingsdaten sind zudem häufig mit hohen Kosten verbunden.
Insbesondere sollten die Trainingsdaten einen möglichst großen Bereich von mögli chen Verschleißerscheinungen des Fahrzeuges repräsentativ abdecken.
Bei der hohen Anzahl an verschiedenen Fahrzeugkomponenten kombiniert mit den unterschiedlichsten Umwelteinflüssen, wie Wetter, Straßenbelag etc. ist dies jedoch eine besondere Herausforderung. Die DE 10 2019 113 851 A1 offenbart ein Verfahren zum Erzeugen von T rainingsda- ten für ein neuronales Netz, umfassend den Schritt: Verändern von vorhandenen Trainingsdaten für ein neuronales Netz zu veränderten Trainingsdaten für das neuro nale Netz mittels eines Algorithmus.
Es ist daher eine Aufgabe der Erfindung, ein Verfahren zur Erzeugung hinreichend genügender Trainingsdaten anzugeben. Ferner ist es eine Aufgabe ein Fahrzeug mit einem maschinellen Lernverfahren, welches mit einem solchen Verfahren trainiert wurde, sowie ein Trainingssystem anzugeben.
Die Aufgabe wird gelöst durch ein Verfahren mit den Merkmalen des Anspruchs 1 , ein Fahrzeug mit den Merkmalen des Anspruchs 9 und ein Trainingssystem mit den Merkmalen des Anspruchs 11 .
Die Aufgabe wird gelöst durch ein Verfahren zur Erzeugung von Trainingsdaten für ein maschinelles Lernverfahren zum Erkennen von einer Abweichung eines Normzu standes eines Fahrzeugs, mit den Schritten:
- Ermitteln von Fahrzeugdaten, welche durch eine vorab ausgewählte Menge von Fahrzeugen erzeugt werden, wobei die Fahrzeugdaten den Kilometer stand des jeweiligen Fahrzeugs umfassen,
- Zuordnen der ermittelten Fahrzeugdaten zu einem oder mehreren bereits vor handenen, die Fahrzeugdaten repräsentierende Cluster und/oder Anlegen ei nes neuen Clusters,
- Festlegen der Fahrzeugdaten in den Clustern als ein Normzustand, wobei eine Festlegung der Fahrzeugdaten bis zu einem vorab definierten Kilometer stand des jeweiligen Fahrzeugs als Normzustand erfolgt.
Die Fahrzeugdaten können dabei von an den einzelnen Fahrzeugen angeordneten Sensoren aufgenommen werden. Diese können beispielsweise sein: Lidarsensoren, Kamerasensoren oder andere Bildsensoren, Radarsensoren, akustische Sensoren, Beschleunigungssensoren, Drucksensoren oder andere welche den Zustand des Fahrzeugs repräsentieren. Die so erfassten Fahrzeugdaten werden in einen oder mehreren bereits vorhande nen Cluster zugeordnet, welche die Fahrzeugdaten repräsentieren, falls ein solches vorhanden ist. Alternativ oder zusätzlich können ein oder mehrere Cluster neu ange legt werden.
Anschließend werden die Cluster als ein Normzustand definiert. Dabei werden je doch nur Fahrzeugdaten bis zu einem bis einem vorab definierten Kilometerstand des Fahrzeugs als Normzustand festgelegt. Dadurch kann vermieden werden, dass sich Verschleiß an den Fahrzeugkomponenten befindet, da die Fahrzeuge und deren Fahrzeugkomponenten neu(wertig) sind und damit keinen Verschleiß aufweisen. Un ter Verschleiß sind auch defekte Fahrzeugkomponenten zu verstehen.
Dabei kann der vorab definierte Kilometerstand von der Art des Fahrzeugs (Dieselbe trieben, Hybridbetrieben, Elektrobetrieben) abhängen.
Ferner kann als Fahrzeug ein PKW, LKW oder auch ein landwirtschaftliches Fahr zeug umfasst sein.
Auf Grund der Vielzahl an verschiedenen Kombinationsmöglichkeiten der Fahrzeug komponenten und der entsprechenden Kilometerlaufleistung ist ein frühzeitiges Tes ten der verschlissenen/defekten Fahrzeugkomponenten nicht in Gänze möglich.
Durch eine Erhebung von Fahrzeugdaten von einer Vielzahl von Fahrzeugen können jedoch genügend Trainingsdaten erzeugt werden, welche für ein Anlernen eines ma schinellen Lernverfahrens herangezogen werden können. Dadurch wird ein hinrei chend großer Datensatz erzeugt, welcher eine Vielzahl von Kombinationsmöglichkei ten abdeckt. Durch die Verwendung von real erzeugten Daten und nicht simulierten Daten kann ein qualitativ hochwertiger Trainingsdatensatz erzeugt werden.
Durch die Festlegung des Normzustandes wird auch gleichzeitig die Abweichung de finiert.
Vorzugsweise werden bei Austausch zumindest einer defekten und/oder verschlisse nen Fahrzeugkomponente, bei eines der Fahrzeuge für die nach dem Austausch der zumindest einen defekten und/oder verschlissenen Fahrzeugkomponente ermittelten Fahrzeugdaten des Fahrzeugs ein neues Cluster entsprechend des Austausches ge neriert oder die nach dem Austausch der zumindest einen defekten und/oder ver schlissenen Fahrzeugkomponente ermittelten Fahrzeugdaten des Fahrzeugs einem vorhandenen, den Austausch repräsentierenden Cluster zugeordnet.
Unter Verschleiß/Defekten sind hier alle Ausführungen einer Fahrzeugkomponente zu verstehen, welche nicht normgerecht bzw. normal unter den gegebenen Umstän den funktionieren. Dies bedeutet, dass sich ein normal funktionierender Stoßdämpfer auf einer Schotterpiste anders verhält, als auf gewöhnlichem Straßenbelag.
Dabei wird die verschlissene und/oder defekte Fahrzeugkomponente bevorzugt ma nuell erkannt oder beispielsweise durch ein konventionelles am Fahrzeug selber an geordnetes System. So kann beispielsweise das Fahrzeug mit besonderen Kontroll lampen /Sensoren ausgerüstet sein, welche einen solchen Defekt /Verschleiß anzei- gen. Beispielsweise kann die Erkennung des Verschleißes/Defektes durch eine opti sche Erfassung mit einer Bord-Kamera erfolgen.
Erfolgt ein Austausch einer Fahrzeugkomponente, so wird dies bei den anschließend gesendeten Fahrzeugdaten berücksichtigt. So wird - entsprechend der ausgetausch ten Fahrzeugkomponente - ein neues Cluster angelegt, oder es werden diese Fahr zeugdaten in bereits vorhandenen Cluster gespeichert, welche den Austausch reprä sentieren. Erfolgt ein Austausch einer anderen Fahrzeugkomponente, so wird eben falls für die nachfolgenden Fahrzeugdaten ein neues Cluster angelegt, welches den jetzigen und den vorherigen Austausch berücksichtigt oder es ist ein solches bereits vorhanden.
Auf diese Art und Weise werden viele verschiedene unterschiedliche Cluster mit Trai ningsdaten erzeugt, welche für das Anlernen des maschinellen Lernverfahrens her angezogen werden können. Damit kann die Bandbreite an Eingangsdaten erhöht werden, wodurch ein besseres Training des maschinellen Lernverfahrens möglich ist. Die Fahrzeugdaten werden in kurzen Abständen protokolliert, das heißt entweder nach kurzer Zeit oder jeweils nach kurzer gefahrener Kilometerzahl. Dadurch werden die Trainingsdaten bzw. die Cluster verfeinert.
Ferner weist das Verfahren bevorzugt die Schritte auf:
- Ermitteln von Fahrzeugdaten, welche durch ein oder mehrere Fahrzeuge er zeugt werden, wobei die Fahrzeuge ein oder mehrere bekannte defekte und/oder bekannte verschlissene Fahrzeugkomponenten aufweisen,
- Zuordnen der ermittelten Fahrzeugdaten zu ein oder mehreren, entsprechend der ein oder mehreren bekannten defekten und/oder bekannten verschlisse nen Fahrzeugkomponente, neu generierten Cluster oder zu ein oder mehreren vorhandenen Cluster, welche die ein oder mehrere bekannten defekte und/o der verschlissenen Fahrzeugkomponenten repräsentieren,
- Festlegen der Fahrzeugdaten in den Clustern als ein Schadzustand.
Dadurch können die Cluster bzw. die Trainingsdaten verfeinert werden. Somit kann ein hochqualitativer Trainingsdatensatz erzeugt werden, mit welchem das maschi nelle Lernverfahren angelernt werden kann.
Dadurch kann der Trainingsdatensatz sukzessive durch ein Nachverfolgen des Aus- tauschs von Fahrzeugkomponenten in z.B. Fachwerkstätten erweitert werden.
In weiterer bevorzugter Ausgestaltung ist die vorab ausgewählte Menge von Fahr zeugen als die Nullserie ausgestaltet.
Die Nullserie oder O-Serie wird dafür genutzt, Fehler im realen Prototyp zu erkennen und diese vor Auslieferung der Serie zu beheben. Diese Nullserie kann somit direkt genutzt werden, um erste Daten für einen "Normzustand das heißt guten Zustand" vor der Serien-Auslieferung zu erfassen. Der Normzustand kann dadurch durch indi viduelles Labein von bestimmten Zuständen vor der ersten Serie repräsentiert und als Trainingsdaten dargestellt werden. Vorzugsweise umfassen die Fahrzeugdaten zumindest die spezifischen Fahrzeugda ten als auch die Umfelddaten zum Zeitpunkt der erfassten spezifischen Fahrzeugda ten. Dabei sind Umfelddaten beispielsweise Wetterdaten, etc.
In weiterer bevorzugter Ausgestaltung werden simulativ erzeugte Fahrzeugdaten zur Verfeinerung und/oder Vermehrung der Cluster erzeugt. Dadurch können die Trai ningsdatensätze vermehrt werden, was wiederum zu einem verbesserten Lernen des maschinellen Lernverfahrens führt.
Bevorzugt werden die ermittelten Fahrzeugdaten mittels Kartendaten, welche zum Zeitpunkt der erzeugten Fahrzeugdaten und mittels der Position des Fahrzeugs aus einer Karte ausgelesen werden, angereichert. Dies bedeutet, dass abhängig von ei ner Position des Fahrzeugs aus beispielsweise digitalen Karten zusätzliche Informati onen, wie beispielsweise Schotterweg, die durch das Fahrzeug erzeugten Fahrzeug daten angereichert oder verifiziert werden. Dadurch werden die Trainingsdatensätze genauer.
Ferner wird die Aufgabe gelöst durch ein Fahrzeug mit einem maschinellen Lernver fahren zum Erkennen von einer Abweichung eines Normzustandes einer Fahrzeug komponente, wobei das maschinelle Lernverfahren mithilfe eines wie oben beschrie benen Verfahrens trainiert ist. Dadurch ist das Fahrzeug ohne eine Anbindung nach extern in der Lage, Defekte und/oder Verschleiß einer Fahrzeugkom ponente zu er kennen.
Vorzugsweise ist das maschinelle Lernverfahren als ein künstliches neuronales Netz konfiguriert. Dieses eignet sich besonders um eine Vielzahl von aufgenommenen Da ten mittels des trainierten neuronales Netzes zu verarbeiten.
Weicht nun der Ist-Zustand eines Serienfahrzeuges zu einem gewissen Grad vom Normzustand ab, so kann dies durch das trainierte maschinelle Lernverfahren er kannt werden. Das trainierte maschinelle Lemverfahren erkennt das "Irgendetwas" verschlissen/defekt ist oder kann sogar eine genauere Aussage treffen Dies kann zudem als Auffälligkeit markiert werden und als neuer Trainingsdatensatz herangezogen werden.
Ferner wird die Aufgabe gelöst durch ein Trainingssystem zur Erzeugung von Trai ningsdaten für ein maschinelles Lernverfahren zum Erkennen von einer Abweichung eines Normzustandes eines Fahrzeugs, das Trainingssystem umfassend eine Emp fangseinheit zum Empfang von Fahrzeugdaten, welche durch eine vorab ausge wählte Menge von Fahrzeugen erzeugt werden, wobei die Fahrzeugdaten den Kilo meterstand des jeweiligen Fahrzeugs umfassen, ferner umfassend zumindest einen Prozessor, welcher dazu ausgebildet ist, die empfangenen Fahrzeugdaten einem o- der mehreren bereits vorhandenen, die Fahrzeugdaten repräsentierende Cluster zu zuordnen und/oder ein neues Cluster anzulegen und wobei der zumindest eine Pro zessor ferner dazu ausgebildet ist, die Fahrzeugdaten in den Clustern als einen Normzustand festzulegen, wobei eine Festlegung der Fahrzeugdaten bis zu einem vorab definierten Kilometerstand des Fahrzeugs als Normzustand erfolgt, und wobei der Prozessor ferner dazu ausgebildet ist, das maschinelle Lernverfahren mithilfe der Cluster zum Erkennen von einer Abweichung eines Normzustandes eines Fahrzeugs anzutrainieren.
Ein solches Trainingssystem kann beispielsweise als externer Rechner beispiels weise eine Cloud ausgestaltet sein, welche über die notwendigen Rechen ressourcen verfügt. Die Vorteile des Verfahrens können auch auf das Trainingssystem angewen det werden. Durch ein solches Trainingssystem kann der Normzustand und dessen Abweichung definiert werden und Fehler im realen Prototypen erkannt und behoben werden.
Bevorzugt ist der zumindest eine Prozessor dazu ausgebildet, bei Austausch zumin dest einer defekten und/oder verschlissenen Fahrzeugkomponente eines der Fahr zeuge für die nach dem Austausch der zumindest einen defekten und/oder verschlis senen Fahrzeugkomponente ermittelten Fahrzeugdaten des Fahrzeugs ein neues Cluster entsprechend des Austausches zu generieren oder die nach dem Austausch der zumindest einen verschlissenen Fahrzeugkomponente ermittelten Fahrzeugdaten des Fahrzeugs einem vorhandenen, den Austausch repräsentieren den Cluster zuzuordnen.
Weiterhin vorzugsweise ist das maschinelle Lernverfahren des Trainingssystems als ein künstliches neuronales Netz ausgebildet. Ferner ist bevorzugt die vorab ausge wählte Menge von Fahrzeugen die Nullserie eines Fahrzeugtyps.
Weitere Merkmale, Eigenschaften und Vorteile der vorliegenden Erfindung ergeben sich aus der nachfolgenden Beschreibung unter Bezugnahme auf die beiliegenden Figuren. Variationen hiervon können vom Fachmann abgeleitet werden, ohne den Schutzumfang der Erfindung, wie er durch die nachfolgenden Patentansprüche defi niert wird, zu verlassen.
Die Figuren zeigen schematisch:
FIG 1 : eine erste Ausgestaltung des erfindungsgemäßen Verfahrens,
FIG 2: beispielhaft mehrere Cluster,
FIG 3: eine zweite Ausgestaltung des erfindungsgemäßen Verfahrens,
FIG 4: ein erfindungsgemäßes Trainingssystem.
FIG 1 zeigt ein erfindungsgemäßes Verfahren zur Erzeugung von Trainingsdaten für ein maschinelles Lernverfahren zum Erkennen von einer Abweichung eines Normzu standes eines Fahrzeugs 2a, 2b, 2c (FIG 4) in einer ersten Ausgestaltung.
Hierbei werden in einem ersten Schritt S1 Fahrzeugdaten ermittelt, welche durch eine vorab ausgewählte Menge von Fahrzeugen 2a, 2b, 2c (FIG 4) erzeugt werden. Solche Fahrzeugdaten können beispielsweise mit einem Bildsensor wie einer Ka mera, einem akustischen Sensor oder aber Beschleunigungssensor, Drucksensor etc. in den Fahrzeugen 2a, 2b, 2c (FIG 4) erzeugt werden. Zudem werden noch Umfelddaten erzeugt, welche das Umfeld des Fahrzeugs 2a, 2b, 2c (FIG 4) zum Zeit punkt der Erzeugung der jeweiligen spezifischen Fahrzeugdaten aufnehmen oder er zeugen. Umfelddaten können beispielsweise Wetterdaten sein, welche mit einem Temperatursensor aufgenommen werden.
Vorzugsweise werden die spezifischen Fahrzeugdaten und die daran gekoppelten Umfelddaten in kurzen Protokollen an ein Trainingssystem 1 (FIG 4), welches bei spielsweise auf einem externen Server angeordnet ist, übermittelt.
Die Fahrzeugdaten umfassen den Kilometerstand eines jeweiligen Fahrzeugs 2a, 2b, 2c (FIG 4).
Die Fahrzeuge 2a, 2b, 2c (FIG 4) sind vorzugsweise Fahrzeuge der Nullserie oder einer Kleinserie. Mit Nullserie werden diejenigen Fahrzeuge bezeichnet, die in der Einführungsphase einer Serienproduktion zu letzten Erprobungszwecken angefertigt werden und identisch mit den späteren Serienfahrzeugen sind.
In einem zweiten Schritt S2 werden die spezifischen Fahrzeugdaten und die Umfeld daten in Cluster eingeteilt oder vorhandenen, die Fahrzeugdaten repräsentierenden Clustern zugeordnet.
FIG 2 zeigt beispielhaft mehrere solcher Cluster. Dabei sind alle Daten identisch bis auf das Wetter. Dies veranschaulicht die Komplexität solcher Fahrzeugdaten mit de ren Umfelddaten.
In einem dritten Schritt S3 (FIG 1 ) werden die spezifischen Fahrzeugdaten und da zugehörigen Umfelddaten in den Clustern als ein Normzustand festgelegt, wobei eine Festlegung der Fahrzeugdaten bis zu einem vorab definierten Kilometerstand des jeweiligen Fahrzeugs 2a, 2b, 2c (FIG 4) als Normzustand erfolgt. Dadurch kann vermieden werden, dass bereits verschlissene Fahrzeugkomponenten bzw. die dazu gehörigen Fahrzeugdaten als Normzustand festgelegt werden. Durch Verwendung der Nullserie und der begrenzten Kilometeranzahl wird quasi der Neuzustand darge stellt, in welchem kein Verschleiß der Fahrzeugkomponenten vorhanden ist. In einem Schritt S4 wird das Verfahren verwendet, um ein maschinelles Lernverfah ren zum Erkennen einer Abweichung eines Normzustandes eines Fahrzeugs 2a, 2b, 2c (FIG 4) anhand der Cluster zu trainieren.
Das so trainierte Lernverfahren kann in einem Fahrzeug eingesetzt werden oder zentral beispielsweise in einer Cloud/externen Server, an welchen die Fahrzeugdaten von (Serien)- Fahrzeugen übermittelt werden.
Durch das Verfahren erfolgt ein individuelles Labein von bestimmten Zuständen vor der ersten Serie. Die so erzeugten Cluster werden als Trainingsdaten herangezogen. Auf Grund der Vielzahl an verschiedenen Kombinationsmöglichkeiten der Fahrzeug komponenten ist ein frühzeitiges Testen der verschlissenen Fahrzeugkomponenten nicht in Gänze möglich. Das hier beschriebene Verfahren kann dennoch frühzeitig eine ausreichende Trainingsdatenbasis bilden, um ein maschinelles Lernverfahren zu trainieren.
FIG 3 zeigt eine weitere Ausgestaltung des erfindungsgemäßen Verfahrens zur Er zeugung von Trainingsdaten für ein maschinelles Lernverfahren zum Erkennen von einer Abweichung eines Normzustandes eines Fahrzeugs.
Dabei werden wie in FIG 1 zunächst in einem ersten Schritt A1 Fahrzeugdaten, wel che durch eine vorab ausgewählte Menge von Fahrzeugen 2a, 2b, 2c (FIG 4) er zeugt werden sowie zu den spezifischen Fahrzeugdaten korrespondierende Umfeld- daten ermittelt. Die Fahrzeuge 2a, 2b, 2c (FIG 4) sind Fahrzeuge der Nullserie oder einer Kleinserie.
Die Fahrzeugdaten umfassen wie in FIG 1 den Kilometerstand eines jeweiligen Fahr zeugs.
In einem zweiten Schritt A2 werden die spezifischen Fahrzeugdaten und die Umfeld- daten in Cluster eingeteilt oder bereits vorhandenen Clustern zugeordnet. In einem Schritt A3 wird ein Austausch einer defekten Fahrzeugkomponente vorge nommen. Diese kann beispielsweise durch Condition Monitoring beispielsweise durch eine optische Erfassung mit einer Bord-Kamera, der Fahrzeuge 2a, 2b, 2c (FIG 4) der Nullserie erkannt werden. Anschließend werden die spezifischen Fahrzeugda ten mit den Umfelddaten, welche nach dem Austausch durch das Fahrzeug generiert werden entsprechend in einem dem Austausch entsprechend neu angelegten Clus ter abgelegt. Ist bereits ein den Austausch repräsentierendes Cluster vorhanden, so werden die anschließend übermittelten spezifischen Fahrzeugdaten und Umfeldda ten in dieses Cluster einsortiert.
Die Information überden Austausch können in den übermittelten Fahrzeugdaten hin terlegt sein, beispielsweise können Informationen mitgeliefert / angehängt werden.
Alternativ oder zusätzlich zu dem Schritt A3 werden in einem Schritt A4 Fahrzeuge 3a, 3b (FIG 4) mit ein oder mehreren bekannten defekten und/oder bekannten ver schlissenen Fahrzeugkomponenten versehen. Anschließend werden die Fahrzeug daten ermittelt. Diese können beispielsweise auf einer technischen Anlage ermittelt werden, d.h. beispielsweise auf einem Prüfstand.
Die so erzeugten Fahrzeugdaten werden zu ein oder mehreren entsprechend der neu generierten Cluster oder zu ein oder mehreren vorhandenen Cluster, welche die ein oder mehreren bekannten defekte und/oder verschlissenen Fahrzeugkomponen ten repräsentieren, zugeordnet.
Anschließend werden die Fahrzeugdaten in den Clustern als ein Schadzustand fest gelegt. Dadurch kann die Datenbasis der Trainingsdaten erweitert werden, was zu einem besseren Anlernen des maschinellen Lernverfahrens führt.
Zusätzlich können Fahrzeugdaten simulativ erzeugt werden und in neu angelegten Clustern oder zu bereits vorhandenen Clustern zugeordnet werden. Auch hier wer den die Trainingsdaten verfeinert. Weiterhin zusätzlich können die ermittelten Fahrzeugdaten mittels Kartendaten, wel che zum Zeitpunkt der erzeugten Fahrzeugdaten und mittels der Position eines Fahr zeugs 2a, 2b, 2c (FIG 4) aus einer Karte ausgelesen werden, angereichert werden.
Die Kartendaten können beispielsweise die Art der Straße (Schotterstraße, Berg straße, Waldstraße) angeben.
In einem Schritt A5 wird das Verfahren verwendet, um ein maschinelles Lernverfah ren zum Erkennen einer Abweichung eines Normzustandes eines (Serien)-Fahr- zeugs anhand von Fahrzeugdaten anzutrainieren.
Dieses kann in einem Fahrzeug eingesetzt werden oder zentral beispielsweise in ei ner Cloud/externer Server, an welchen die Fahrzeugdaten der Fahrzeuge übermittelt werden.
FIG 4 zeigt ein Trainingssystem 1 zur Erzeugung von Trainingsdaten für ein maschi nelles Lernverfahren zum Erkennen von einer Abweichung eines Normzustandes. Das Trainingssystem 1 weist einen Prozessor 4 kann auf und kann in einem externe Server beispielsweise einer Cloud angeordnet sein. Ferner ist das Trainingssystem 1 dazu ausgestaltet, spezifische Fahrzeugdaten mit Umfelddaten, welche mittels der Fahrzeuge 2a, 2b, 2c generiert werden, zu empfangen. Dabei umfassen die Fahr zeugdaten den Kilometerstand des jeweiligen Fahrzeugs 2a, 2b, 2c.
Dabei weisen die Fahrzeuge 2a, 2b, 2c Sensoren zum Generieren der spezifischen Fahrzeugdaten mit Umfelddaten auf. Ferner sind die Fahrzeuge 2a, 2b, 2c Nullserien- Fahrzeuge. Die Nullserie wird dafür genutzt, Fehler im realen Prototypen zu erken nen und diese vor Serien-Auslieferung an den Kunden zu beheben.
Der Prozessor 4 des Trainingssystems 1 erzeugt mithilfe der empfangenen spezifi schen Fahrzeugdaten mit Umfelddaten ein oder mehrere bereits, die Fahrzeugdaten repräsentierende Cluster, in welchem die empfangenen Fahrzeugdaten gespeichert werden. Alternativ sind diese bereits vorhanden und der Prozessor 4 des Trainings systems 1 speichert die empfangenen spezifischen Fahrzeugdaten mit Umfelddaten in diesen Cluster ab. In FIG 4 unterscheiden sich beispielsweise die Umfelddaten. So fährt Fahrzeug 2a auf einer brüchigen Straße, Fahrzeug 2b auf einer Schotterstraße und Fahrzeug 2c auf einer neuen Straße. Entsprechend können die Fahrzeugdaten voneinander ab weichen, beispielsweise die Geräusche der Stoßdämpfer, obwohl kein Defekt vor liegt. Somit weichen auch die damit erzeugten Cluster voneinander ab.
Die Cluster, das heißt die erfassten spezifischen Fahrzeugdaten mit deren Umfeldda ten werden bis zu einem vorgegebenen Kilometerstand, welcher quasi einen Neuzu stand definiert, als Normzustand festgelegt. Der Normzustand entspricht damit einen "Guten Zustand".
Dadurch wird die Gefahr reduziert, dass Fahrzeugdaten, welche mit einer bereits ver schlissenen oder defekten Fahrzeugkomponente erzeugt werden, versehentlich als Normzustand festgelegt werden.
Ferner kann bei einem erfolgten Austausch zumindest einer defekten und/oder ver schlissenen Fahrzeugkomponente eines der Fahrzeuge 2a, 2b, 2c für die nach dem Austausch der zumindest einen defekten und/oder verschlissenen Fahrzeugkompo nente übermittelten Fahrzeugdaten des Fahrzeugs 2a, 2b, 2c ein neues Cluster ent sprechend des Austausches generiert werden. Alternativ können die anschließend übermittelten Fahrzeugdaten des Fahrzeugs 2a, 2b, 2c in ein bereits vorhandenes Cluster eingeteilt werden, welches den Austausch repräsentiert.
Durch die Aufnahme der Fahrzeugdaten von Fahrwerksanregungen, oder von Fahr zeugdaten nach einem Austausch von Fahrzeugkomponenten etc. können die Trai ningsdaten weiter verfeinert werden. Hier kann beispielsweise folgende Informatio nen zusätzlich zu den Fahrzeugdaten hinterlegt werden „Was wurde ausgetauscht? Bei wieviel Kilometern? Mit welchem Anregungsprofil? etc.
Ferner können Fahrzeuge 3a, 3b mit ein oder mehreren bekannten defekten und/oder bekannten verschlissenen Fahrzeugkomponenten versehen werden. Anschließend werden die Fahrzeugdaten der Fahrzeuge 3a, 3b ermittelt und an das Trainingssys tem 1 übermittelt. Die so erzeugten Fahrzeugdaten werden von dem Prozessor 4 des Trainingssystems 1 zu ein oder mehreren entsprechend der neu generierten Cluster oder der ein oder mehreren vorhandenen Cluster, welche die ein oder mehreren defekten und/oder verschlissenen Fahrzeugkomponenten repräsentieren, zugeordnet.
Anschließend werden die dadurch erzeugten Cluster bzw. die Fahrzeugdaten in den Clustern als ein Schadzustand festgelegt. Damit werden die Trainingsdaten weiter verfeinert.
Somit wird eine ausreichende Datenbasis für die Trainingsdaten gebildet. So können beispielsweise Vertreterwagen oder Flottenfahrzeuge mit der hohen Kilometerlauf leistung schnell die Daten für wenig genutzte Fahrzeuge liefern.
Anschließend kann der Prozessor 4 das maschinelle Lernverfahren mithilfe der Cluster zum Erkennen von einer Abweichung eines Normzustandes eines Fahrzeugs 2a, 2b, 2c antrainieren.
Das so trainierte maschinelle Lernverfahren kann beispielsweise direkt in den Serien fahrzeugen eingesetzt werden oder zentral weiter betrieben werden, und bei erkann ten Verschleiß / Defekt durch das maschinelle Lernverfahren beispielsweise eine Warnung an das Serienfahrzeug übermitteln.
Bezuqszeichen
1 Trainingssystem
2a, 2b, 2c Fahrzeuge 3a, 3b Fahrzeuge mit defekter Fahrzeugkomponente 4 Prozessor
S1-S4 Verfahrensschritte
A1-A5 Verfahrensschritte

Claims

Patentansprüche
1. Verfahren zur Erzeugung von Trainingsdaten für ein maschinelles Lernverfahren zum Erkennen von einer Abweichung eines Normzustandes eines Fahrzeugs, ge kennzeichnet durch die Schritte:
- Ermitteln von Fahrzeugdaten, welche durch eine vorab ausgewählte Menge von Fahrzeugen (2a, 2b, 2c ) erzeugt werden, wobei die Fahrzeugdaten den Ki lometerstand des jeweiligen Fahrzeugs (2a, 2b, 2c) umfassen,
- Zuordnen der ermittelten Fahrzeugdaten zu einem oder mehreren bereits vor handenen, die Fahrzeugdaten repräsentierende Cluster und/oder Anlegen ei nes neuen Clusters,
- Festlegen der Fahrzeugdaten in den Clustern als ein Normzustand, wobei eine Festlegung der Fahrzeugdaten bis zu einem vorab definierten Kilometer stand des jeweiligen Fahrzeugs (2a, 2b, 2c) als Normzustand erfolgt.
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass bei Austausch zumindest einer defekten und/oder verschlissenen Fahrzeugkompo nente bei eines der Fahrzeuge (3a, 3b) für die nach dem Austausch der zumindest einen defekten und/oder verschlissenen Fahrzeugkomponente ermittelten Fahrzeug daten des Fahrzeugs (3a, 3b) ein neues Cluster entsprechend des Austausches ge neriert wird oder die nach dem Austausch der zumindest einen verschlissenen Fahr zeugkomponente ermittelten Fahrzeugdaten des Fahrzeugs (3a, 3b) einem vorhan denen, den Austausch repräsentierenden Cluster zugeordnet werden.
3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass die zumindest eine defekte und/oder verschlissene Fahrzeugkomponente manuell o- der durch das Fahrzeug (3a, 3b) selber erkannt wird.
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass ferner die Schritte durchgeführt werden:
- Ermitteln von Fahrzeugdaten, welche durch ein oder mehrere Fahrzeuge (2a, 2b, 2c) erzeugt werden, wobei die Fahrzeuge (2a, 2b, 2c) ein oder mehrere bekannte defekte und/oder bekannte verschlissene Fahrzeugkomponenten aufweisen,
- Zuordnen der ermittelten Fahrzeugdaten zu ein oder mehreren entsprechend der ein oder mehreren bekannten defekten und/oder bekannten verschlisse nen Fahrzeugkomponente neu generierten Cluster oder zu ein oder mehreren vorhandenen Cluster, welche die ein oder mehrere bekannten defekte und/o der verschlissenen Fahrzeugkomponenten repräsentieren,
- Festlegen der Fahrzeugdaten in den Clustern als ein Schadzustand.
5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die vorab ausgewählte Menge von Fahrzeugen die Nullserie ist.
6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die Fahrzeugdaten zumindest die spezifischen Fahrzeugdaten als auch die Umfeld daten zum Zeitpunkt der erfassten spezifischen Fahrzeugdaten umfasst.
7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass simulativ erzeugte Fahrzeugdaten zur Verfeinerung und/oder Vermehrung der Clus ter erzeugt werden.
8. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die ermittelten Fahrzeugdaten mittels Kartendaten, welche zum Zeitpunkt der erzeug ten Fahrzeugdaten und mittels der Position eines Fahrzeugs (2a, 2b, 2c) aus einer Karte ausgelesen werden, angereichert werden.
9. Fahrzeug mit einem maschinellen Lernverfahren zum Erkennen von einer Abwei chung eines Normzustandes einer Fahrzeugkomponente, wobei das maschinelle Lernverfahren mithilfe eines Verfahrens nach einem der vorhergehenden Ansprüche trainiert ist.
10. Fahrzeug nach Anspruch 9, dadurch gekennzeichnet, dass das maschinelles Lernverfahren als ein künstliches neuronales Netz konfiguriert ist.
11 . Trainingssystem (1 ) zur Erzeugung von Trainingsdaten für ein maschinelles Lern verfahren zum Erkennen von einer Abweichung eines Normzustandes eines Fahr zeugs, das Trainingssystem (1 ) umfassend eine Empfangseinheit zum Empfang von Fahrzeugdaten, welche durch eine vorab ausgewählte Menge von Fahrzeugen (2a, 2b, 2c) erzeugt werden, wobei die Fahrzeugdaten den Kilometerstand des jeweiligen Fahrzeugs (2a, 2b, 2c) umfassen, ferner umfassend zumindest einen Prozessor (4), welcher dazu ausgebildet ist, die empfangenen Fahrzeugdaten einem oder mehreren bereits vorhandenen, die Fahrzeugdaten repräsentierende Cluster zuzuordnen und/oder ein neues Cluster anzulegen und wobei der zumindest eine Prozessor (4) dazu ausgebildet ist, die Fahrzeugdaten in den Clustern als einen Normzustand fest zulegen, wobei eine Festlegung der Fahrzeugdaten bis zu einem vorab definierten Kilometerstand des Fahrzeugs (2a, 2b, 2c) als Normzustand erfolgt, und wobei der Prozessor (4) ferner dazu ausgebildet ist, das maschinelle Lernverfahren mithilfe der Cluster zum Erkennen von einer Abweichung eines Normzustandes eines Fahrzeugs (2a, 2b, 2c) anzutrainieren.
12. Trainingssystem (1 ) nach Anspruch 11 , dadurch gekennzeichnet, dass der zu mindest eine Prozessor (4) dazu ausgebildet ist, bei Austausch zumindest einer de fekten und/oder verschlissenen Fahrzeugkomponente eines der Fahrzeuge
(2a, 2b, 2c) für die nach dem Austausch der zumindest einen defekten und/oder ver schlissenen Fahrzeugkomponente ermittelten Fahrzeugdaten des Fahrzeugs (2a, 2b, 2c) ein neues Cluster entsprechend des Austausches zu generieren oder die nach dem Austausch der zumindest einen verschlissenen Fahrzeugkomponente er mittelten Fahrzeugdaten des Fahrzeugs (2a, 2b, 2c) einem vorhandenen, den Aus tausch repräsentierenden Cluster zuzuordnen.
13. Trainingssystem (1 ) nach Anspruch 11 oder 12, dadurch gekennzeichnet, dass die Empfangseinheit zum Empfang von Fahrzeugdaten, welche durch ein oder meh rere Fahrzeuge (3a, 3b) erzeugt werden, wobei die Fahrzeuge (3a, 3b) ein oder mehrere bekannte defekte und/oder bekannte verschlissene Fahrzeugkomponenten aufweisen, ausgebildet ist und, wobei der zumindest eine Prozessor (4) zum Zuordnen der ermittelten Fahr zeugdaten zu ein oder mehreren entsprechend der ein oder mehreren bekannten de fekten und/oder bekannten verschlissenen Fahrzeugkomponente neu generierten Cluster oder ein oder mehreren vorhandenen Cluster, welche die ein oder mehrere bekannten defekte und/oder verschlissenen Fahrzeugkomponenten repräsentieren, ausgebildet ist und wobei der zumindest eine Prozessor (4) die Fahrzeugdaten in den Clustern als ein Schadzustand festlegt.
PCT/EP2021/055412 2020-03-19 2021-03-04 Verfahren zur erzeugung von trainingsdaten, fahrzeug und trainingssystem Ceased WO2021185586A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020203514.8 2020-03-19
DE102020203514.8A DE102020203514A1 (de) 2020-03-19 2020-03-19 Verfahren zur Erzeugung von Trainingsdaten, Fahrzeug und Trainingssystem

Publications (1)

Publication Number Publication Date
WO2021185586A1 true WO2021185586A1 (de) 2021-09-23

Family

ID=74859438

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2021/055412 Ceased WO2021185586A1 (de) 2020-03-19 2021-03-04 Verfahren zur erzeugung von trainingsdaten, fahrzeug und trainingssystem

Country Status (2)

Country Link
DE (1) DE102020203514A1 (de)
WO (1) WO2021185586A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022207418A1 (de) * 2022-07-20 2024-01-25 Volkswagen Aktiengesellschaft Bauteilverschleiß-Erkennung bei autonomer Fahrzeugflotte mit Schwarmdaten und Auswahl des Einsatzszenarios eines Einzelfahrzeugs

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10235525A1 (de) * 2001-09-10 2003-04-10 Daimler Chrysler Ag Verfahren und System zur Überwachung des Zustands eines Fahrzeugs
DE102016210453A1 (de) * 2015-06-11 2016-12-15 Mitsubishi Electric Corporation Fahrzeug, System in Kommunikation mit einem Kommunikationsmodul des Fahrzeugs, und System in Kommunikation mit einer Gruppe von Fahrzeugen
DE102018003801A1 (de) * 2017-05-16 2018-11-22 Scania Cv Ab Verfahren und Steueranordnung zur Vorhersage einer Fehlfunktion einer Radlagereinheit einer Achse in einem Fahrzeug
DE102019113851A1 (de) 2019-05-23 2019-08-01 FEV Group GmbH Verfahren zum Erzeugen von Trainingsdaten für ein Neuronales Netz

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10235525A1 (de) * 2001-09-10 2003-04-10 Daimler Chrysler Ag Verfahren und System zur Überwachung des Zustands eines Fahrzeugs
DE102016210453A1 (de) * 2015-06-11 2016-12-15 Mitsubishi Electric Corporation Fahrzeug, System in Kommunikation mit einem Kommunikationsmodul des Fahrzeugs, und System in Kommunikation mit einer Gruppe von Fahrzeugen
DE102018003801A1 (de) * 2017-05-16 2018-11-22 Scania Cv Ab Verfahren und Steueranordnung zur Vorhersage einer Fehlfunktion einer Radlagereinheit einer Achse in einem Fahrzeug
DE102019113851A1 (de) 2019-05-23 2019-08-01 FEV Group GmbH Verfahren zum Erzeugen von Trainingsdaten für ein Neuronales Netz

Also Published As

Publication number Publication date
DE102020203514A1 (de) 2021-09-23

Similar Documents

Publication Publication Date Title
DE102019208735B4 (de) Verfahren zum Betreiben eines Fahrassistenzsystems eines Fahrzeugs und Fahrerassistenzsystem für ein Fahrzeug
DE102019217613A1 (de) Verfahren zur diagnose eines motorzustands und diagnostisches modellierungsverfahren dafür
EP3616180A1 (de) Verfahren zur datenerhebung
DE102019208733A1 (de) Verfahren und Generator zum Erzeugen von gestörten Eingangsdaten für ein neuronales Netz
WO2021130066A1 (de) Training von neuronalen netzen durch ein neuronales netz
WO2021094222A1 (de) Verfahren zur abschätzung einer abdeckung des raums von verkehrsszenarien
DE102018209108A1 (de) Schnelle Fehleranalyse für technische Vorrichtungen mit maschinellem Lernen
DE102018005865A1 (de) Verfahren zum Testen eines Assistenzsystems für ein Fahrzeug
EP3926304B1 (de) Verfahren zum beurteilen einer genauigkeit einer positionsbestimmung einer landmarke, sowie bewertungssystem
DE102022000331A1 (de) Verfahren zur Detektion von Geisterobjekten in Sensormessungen
EP4267447A1 (de) Auswerteinrichtung für eine technische einrichtung und verfahren zum herstellen einer auswerteinrichtung
DE102019207215A1 (de) Verfahren zum Verwenden einer merkmalbasierten Lokalisierungskarte für ein Fahrzeug
DE102020203514A1 (de) Verfahren zur Erzeugung von Trainingsdaten, Fahrzeug und Trainingssystem
DE102018009451A1 (de) Verfahren zum Überprüfen wenigstens eines Fahrzeugs sowie elektronische Recheneinrichtung
DE102021209817A1 (de) Verfahren zur mehrstufigen Fusion von Messdaten
WO2019166325A1 (de) Verfahren zum bereitstellen eines korrekturparameters zum korrigieren von eingangswerten zur reibwertschätzung für ein fahrzeug und verfahren zum korrigieren von eingangswerten zur reibwertschätzung für ein fahrzeug und verfahren zur steuerung eines fahrzeugs
DE102022200139A1 (de) Verfahren zur Optimierung der Umfeldwahrnehmung für ein Fahrunterstützungssystem mittels zusätzlicher Referenzsensorik
EP3985565A1 (de) Verfahren und vorrichtung zum überprüfen eines beim teilautomatisierten oder vollautomatisierten steuern eines fahrzeugs verwendeten ki-basierten informationsverarbeitungssystems
DE102019215656B4 (de) Verfahren zum Bewerten einer ausgewählten Route, Routenbewertungssystem und Computerprogramm
DE102019209554A1 (de) Verfahren zum Testen der Robustheit eines simulierbaren technischen Systems, Computerprogramm, maschinenlesbares Speichermedium und Vorrichtung sowie ein technisches System
WO2023222794A1 (de) Update einer software eines fahrzeugs auf basis von fahrzeugfelddaten
DE10315344B4 (de) Verfahren und Vorrichtung zur Erkennung fehlerhafter Komponenten in Fahrzeugen
DE102020123228A1 (de) Verfahren zum Betreiben einer Gerätefunktion, insbesondere eines Kraftfahrzeugss
DE102020207921A1 (de) Verfahren zum Einrichten eines Fahrzeugsimulationsmodells
DE102021200257A1 (de) Verfahren zur Validierung von Softwarefunktionen in einem Fahrerassistenzsystem für Kraftfahrzeuge

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: 21710240

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 21710240

Country of ref document: EP

Kind code of ref document: A1