WO2024126265A1 - Verfahren und vorrichtung zum ermitteln einer thermischen belastung einer komponente in einem technischen system sowie zur prädiktiven diagnose einer thermischen ermüdung dieser komponente - Google Patents

Verfahren und vorrichtung zum ermitteln einer thermischen belastung einer komponente in einem technischen system sowie zur prädiktiven diagnose einer thermischen ermüdung dieser komponente Download PDF

Info

Publication number
WO2024126265A1
WO2024126265A1 PCT/EP2023/084809 EP2023084809W WO2024126265A1 WO 2024126265 A1 WO2024126265 A1 WO 2024126265A1 EP 2023084809 W EP2023084809 W EP 2023084809W WO 2024126265 A1 WO2024126265 A1 WO 2024126265A1
Authority
WO
WIPO (PCT)
Prior art keywords
temperature
variable
operating
environmental
data
Prior art date
Application number
PCT/EP2023/084809
Other languages
English (en)
French (fr)
Inventor
Lukas FREYTAG
Original Assignee
Bayerische Motoren Werke Aktiengesellschaft
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 Bayerische Motoren Werke Aktiengesellschaft filed Critical Bayerische Motoren Werke Aktiengesellschaft
Publication of WO2024126265A1 publication Critical patent/WO2024126265A1/de

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K7/00—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements
    • G01K7/42—Circuits effecting compensation of thermal inertia; Circuits for predicting the stationary value of a temperature
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K3/00—Thermometers giving results other than momentary value of temperature
    • G01K3/005—Circuits arrangements for indicating a predetermined temperature
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K3/00—Thermometers giving results other than momentary value of temperature
    • G01K3/02—Thermometers giving results other than momentary value of temperature giving means values; giving integrated values
    • G01K3/04—Thermometers giving results other than momentary value of temperature giving means values; giving integrated values in respect of time
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Definitions

  • higher temperatures generally represent a thermal load for all components of the technical system and can lead to increased wear, increased aging or other degradation.
  • the extent of aging depends significantly on the level of thermal load and the length of time for which the component in question is exposed to thermal load.
  • damage to the component in question can occur if a critical maximum temperature is exceeded.
  • the temperature of a component of the technical system can be determined and monitored using temperature sensors.
  • temperature sensors are complex and can be or cannot be installed for each of the components in a technical system due to the installation effort.
  • temperature sensors themselves can be prone to errors and can fail or provide incorrect measured values, particularly when exposed to environmental influences such as moisture or dirt. Therefore, the thermal load cannot be determined, particularly for passive components for which no dedicated temperature monitoring using a temperature sensor is provided, so that the effects of the thermal load over a longer period of time can only be noticed after the component in question has been impaired or has failed.
  • This object is achieved by the method for determining a thermal load on a component in a technical system according to claim 1 as well as a method for training a data-based temperature model and a corresponding device according to the independent claims.
  • a method for determining a thermal load of a component in a technical system with at least one active component that generates waste heat during operation and at least one passive component comprising the following steps:
  • Evaluating the operating and environmental variable trends in an evaluation time window in order to obtain input data Determining a temperature indication using a data-based temperature model in each of the successive evaluation time windows, wherein the data-based temperature model is trained to assign input data to a temperature indication for a temperature of the at least one passive component;
  • a technical system such as a vehicle, usually has active components that generate waste heat during operation depending on the load, which is released into the environment and to other adjacent active and passive components of the technical system.
  • the heating of the other components leads to thermal stress, which accelerates their degradation or thermal aging in the sense of thermal fatigue.
  • a stress condition of the components due to thermal influences is not measurable, but only becomes apparent after a longer period of time through a functional impairment or total failure of the component in question.
  • the above method proposes using a data-based temperature model to determine a temperature of a specific component in the technical system based on operating variables of the technical system that influence its load state and environmental variables.
  • the operating variables can in particular indicate the load states of active components, such as a speed, a torque, an engine power and the like in the case of combustion engines or a current and/or a power in the case of electronic components; so that current-carrying components can also be recorded as a heat source (e.g. traction line, power electronics or battery in an electric vehicle).
  • An environmental variable can, for example, be an ambient temperature, a measure a level of sunlight, a level of humidity, weather conditions such as rain, etc., and the like.
  • the evaluation of the operating size and environmental size curves comprises selecting a value of the respective operating size and environmental size at a point in time within the operating size and environmental size curves in the evaluation time window and/or determining at least one feature size that is derived from the operating size curves and environmental size curves within the evaluation time window as an aggregated and/or statistical feature, in particular a mean value or a median.
  • the data-based temperature model assigns a corresponding current temperature to the relevant component from time series of these input variables.
  • the data-based temperature model can be designed as a neural network, as an LSTM (long short-term memory), as a GRU (gated recurrent unit) or the like.
  • the data-based temperature model can correspond to a CNN-LSTM model or a CNN-GRU model.
  • the data-based temperature model can be based on a convolutional neural network (CNN) in conjunction with the LSTM architecture.
  • CNN convolutional neural network
  • the operating variables and environmental variables are provided as time series in time periods and summarized in a matrix. This matrix is evaluated in successive time periods using a CNN for feature extraction and the extracted features in each time period are continuously evaluated using the LSTM architecture in order to determine a temperature value at each evaluation point in time.
  • the temperature specification can correspond to a temperature or to a specification of a temperature range, wherein, in the case of a temperature as a temperature specification, this is assigned to a temperature range, wherein for each temperature range a frequency is specified with which the temperature has been within the temperature range for an evaluation time window since the at least one passive component was put into operation, wherein the warning regarding the thermal load of the at least one passive component is signaled depending on the frequency in each of the temperature ranges.
  • the time series of temperature data determined in this way represents a temperature profile to which the relevant component is exposed.
  • a temperature load collective is derived from the temperature profile, i.e. a frequency distribution is determined that cumulatively determines the frequencies of temperatures above a certain temperature limit.
  • the temperature ranges defined by the temperature limits overlap accordingly.
  • the temperature load collectives are accumulated over the entire operating period of the relevant component and evaluated accordingly.
  • the evaluation of the temperature load collectives can be carried out according to the frequency of the assignment of the resulting temperature information to a specific temperature range, which is defined by the respective temperature limit. If a specified frequency threshold is exceeded in a specific temperature range, this can be noted in an error log in the vehicle for the relevant component. Depending on the safety relevance of the component, a corresponding warning can be signaled to a user of the technical system, the component can continue to operate in an emergency mode, or the continued operation of the technical system can be blocked.
  • time series of operating variables can be recorded in real operation of the technical system using the resulting temperature of the component.
  • the temperature of the component can be determined, for example, by a temperature sensor installed on the component in question for test purposes. Training is carried out using a method known for machine learning models, such as backpropagation and the like, using provided training data sets.
  • the input data for the data-based temperature model can correspond to the time series of the operating variables and environmental variables for successive evaluation points in time.
  • the operating variables and environmental variables at the evaluation point in time can correspond to their values at the beginning or end of an evaluation time window assigned to the evaluation time, e.g. a duration of 1 - 5 seconds, or derived variables that are derived from the course of the operating variables and environmental variables during the evaluation time window as statistical or aggregated variables (features), such as an average of the operating variable and/or environmental variable course.
  • a training data set then corresponds to a vector of the operating variables and environmental variables and/or variables derived from them (within the evaluation time window) as well as the associated temperature information as a label. Training can be carried out with training data sets and monitored or checked with validation data sets (selected as part of the training data sets).
  • the data-based temperature model can be trained externally to the technical system. After training, the data-based temperature model can be transferred to the technical system to monitor the thermal load on the component. According to another aspect, there is provided a method for training a data-based temperature model for use with the above method, comprising the steps of:
  • Training the data-based temperature model to assign input data corresponding to or dependent on the operating and environmental variable profiles to a temperature specification for a temperature of the at least one passive component.
  • model parameters of the data-based temperature model can be transferred to a control unit of the system.
  • Figure 1 shows a technical system with several components whose thermal load is to be monitored
  • Figure 2 shows a flow chart illustrating a method for monitoring a component in the technical system
  • Figure 3 is a schematic representation of the data-based temperature model
  • Figure 4 is a diagram showing the temperature load collectives over the entire operating life of a component; and Figure 5 is a flowchart illustrating a procedure for training the data-based temperature model.
  • FIG. 1 shows a schematic representation of a vehicle as an example of a technical system.
  • the vehicle 1 comprises a large number of components, with an engine as the active component 2 and a large number of passive components 3 arranged near the engine.
  • the passive components can include, for example, a transmission, an alternator, a control unit module, a windshield wiper system, a heating system, steering components or the like.
  • one of the components can contain a plastic whose degradation depends on the duration and level of thermal stress.
  • Thermal energy is introduced into the system via the motor 2.
  • the amount of thermal energy is determined by the efficiency of the motor, which depends significantly on the operating mode and the type of motor.
  • the operating mode of the motor can be determined, for example, by the speed, the torque, the motor power, the speed of the vehicle, the cooling capacity of an engine cooler, the motor temperature and the like.
  • the temperature distribution in the vehicle with regard to the temperature effect on the passive components 3 depends considerably on environmental conditions, which can be influenced, for example, by an outside temperature, solar radiation, wind speed, driving speed and the like.
  • a data-based A temperature model is implemented which monitors the temperature of one or more of the passive components 3 as a virtual sensor in order to estimate their thermal load.
  • a method is implemented in the control unit 4 as an algorithm, as is illustrated in more detail using the flow chart in Figure 2.
  • operating variables and environmental variables are recorded as operating variable and environmental variable profiles, preferably at regular time intervals of, for example, between 0.1 s and 1 s.
  • the operating variables of the operating variable profiles can include, for example, the speed, the load of the engine, the engine power, the speed of the vehicle and the like.
  • the environmental variables can include an outside temperature, solar radiation, a wind speed and an air humidity.
  • step S2 the operating size curves and environmental size curves are evaluated as input data for a journal within an evaluation time window of e.g. 1s to 10s.
  • the duration of the evaluation time window can also be provided as a parameterizable hyperparameter that is optimized during training.
  • the input data can include a value of each of the operating sizes and environmental sizes, e.g. a corresponding value at the beginning or end of the corresponding evaluation time window, and/or aggregated feature sizes derived therefrom.
  • the feature sizes can be derived from the operating size curves and environmental size curves within the evaluation time window as aggregated and/or statistical features, such as a mean, a median or the like.
  • the input data can be provided in the form of a vector or a matrix and serve as input data for a data-based temperature model.
  • the input data characterize the operation of the technical system during the evaluation time window at a specific evaluation time.
  • step S3 the input data are now fed to the data-based temperature model at each evaluation time, which is trained to assign such input data to a temperature specification for a specific component.
  • the temperature model preferably has a CNN-LSTM architecture, as shown, for example, in Figure 3.
  • FIG 3 shows a block diagram of a data-based temperature model 10 with a CNN block 11, which includes a convolutional neural network to recognize patterns or features from the input data Xt.
  • the CNN block 11 provides input data features Mt.
  • These input data features Mt are fed to an LSTM block 12 (LSTM: Long short term memory), which processes the input data features Mt to obtain a temperature indication Tt at each evaluation time t.
  • the LSTM block 12 makes it possible to model dynamic processes so that past operating states of the technical system (vehicle 1) can be taken into account when modeling the current temperature indication.
  • the temperature information determined at each evaluation time is either immediately classified into temperature ranges and output by the data-based temperature model 10 or assigned to temperature ranges after each evaluation time in the optional step S4.
  • the temperature ranges are defined as overlapping ranges of temperatures above a specified temperature limit.
  • temperature ranges can be defined as so-called temperature load collectives, such as temperature ranges of over 60°C, over 65°C, over 70°C, over 75°C, over 80°C and over 85°C, to which the corresponding temperature information is assigned after each evaluation time. This results in a diagram as follows: as shown, for example, in Figure 4.
  • Each temperature value to be evaluated can thus be classified into one or more temperature ranges, thus increasing the frequency in one or more temperature ranges.
  • the heights of the temperature load collectives in the diagram indicate the frequency of detection or the total time since commissioning during which the component has a temperature in the corresponding temperature range.
  • the total time period can, for example, be calculated by multiplying the frequency by the duration of an evaluation time window.
  • the stepped threshold indicates the limit value of the accumulated operating time above the respective temperature limit.
  • Figure 5 shows an alternative representation in which the temperature is plotted against the accumulated operating hours.
  • the points shown as crosses show the frequency with which the respective temperature limit has been exceeded.
  • the bold line G indicates the corresponding limit values of the accumulated operating time above the respective temperature limit. If the frequency or total operating time at a temperature exceeds the corresponding temperature limit at one point, thermal fatigue of the component is assumed.
  • the step size of the temperature support points (here: 5 °C) can be chosen arbitrarily.
  • step S5 it is checked whether a frequency of one of the temperature load collectives exceeds a predefined frequency threshold value for one of the temperature limits considered. If this is the case (alternatively, yes), a corresponding warning can be signaled in step S6.
  • the warning can include issuing a notice to visit a workshop or writing to an error log so that the next time you visit the component can be examined or replaced in a workshop. An emergency operating mode can also be used. If it is determined in step S5 that a frequency of one of the temperature load collectives does not exceed a predetermined frequency threshold value (alternative: no), the method continues with step S1.
  • FIG. 6 shows a flow chart to illustrate a method for training the data-based temperature model.
  • step S11 the components of interest in a vehicle are provided with a temperature sensor and the vehicle is operated in real operation. Operating variable curves and environmental variable curves are recorded.
  • step S12 the resulting temperature of the component in question is recorded in step S12.
  • step S13 input data for successive evaluation time windows are determined from the operating variable curves and environmental variable curves, and the input data for each evaluation time window is assigned the temperature of the relevant component, which the component has, for example, at the time the evaluation time window ends.
  • the input data can be determined as described above from the operating variable curves and environmental variable curves in a corresponding evaluation time window.
  • This data represents training data sets.
  • validation data sets can be generated in the same way, which can be used to later check the trained model or to control the training process.
  • step S14 the data-based temperature model is trained using the training data sets in a known manner. Training is preferably carried out outside the vehicle in a cloud using known methods, such as backpropagation, and leads to model parameters, which characterize the respective temperature model of the proposed architecture.
  • step S15 the model parameters are transferred from the cloud to the control unit 4 in the vehicle 1 so that a corresponding evaluation can be carried out there, as previously described.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Ermitteln einer thermischen Belastung einer passiven Komponente in einem technischen System mit mindestens einer aktiven Komponente, die während ihres Betriebs Abwärme erzeugt, und mindestens der passiven Komponente, mit folgenden Schritten: - Kontinuierliches Erfassen von Betriebsgrößen und Umgebungsgrößen als Betriebsgrößen- und Umgebungsgrößenverläufe in aufeinanderfolgenden Auswertungszeitfenstern; - Ermitteln einer Temperaturangabe mithilfe eines datenbasierten Temperaturmodells in jedem der aufeinanderfolgenden Auswertungszeitfenster abhängig von den entsprechenden der Betriebsgrößen- und Umgebungsgrößenverläufen, wobei das datenbasierte Temperaturmodell trainiert ist, um den Betriebsgrößen- und Umgebungsgrößenverläufen entsprechenden oder davon abhängenden Eingangsdaten einer Temperaturangabe für eine Temperatur der mindestens einen passiven Komponente zuzuordnen; - Signalisieren einer Warnung hinsichtlich der thermischen Belastung der mindestens einen passiven Komponente abhängig von der Temperaturangabe.

Description

Beschreibung
Verfahren und Vorrichtung zum Ermitteln einer thermischen Belastung einer Komponente in einem technischen System sowie zur prädiktiven Diagnose einer thermischen Ermüdung dieser Komponente
Die Erfindung betrifft technische Systeme mit mehreren Komponenten und Verfahren zur Überwachung einer thermischen Belastung der mehreren Komponenten.
Technische Systeme, wie beispielsweise Fahrzeuge oder dergleichen, können in vielfältiger Weise mit unterschiedlichen Lasten betrieben werden. Dabei können aktive Komponenten, wie beispielsweise Motoren, Heizeinrichtungen und dergleichen, Abwärme erzeugen, die je nach thermischer Ankopplung passive Komponenten ebenfalls erwärmen.
Jedoch stellen höhere Temperaturen in der Regel für alle Komponenten des technischen Systems eine thermische Belastung dar und können zu einer verstärkten Abnutzung, verstärkten Alterung oder sonstiger Degradation führen. Das Maß der Alterung hängt dabei erheblich von der Höhe der thermischen Belastung und der Zeitdauer ab, während der die betreffende Komponente der thermischen Belastung ausgesetzt ist. Zudem kann eine Beschädigung der betreffenden Komponente bei Überschreitung einer kritischen Maximaltemperatur auftreten.
In der Regel kann die Temperatur einer Komponente des technischen Systems mithilfe von Temperatursensoren ermittelt und überwacht werden. Temperatursensoren sind jedoch aufwändig und können aus Kostengründen oder aufgrund des Montageaufwands nicht für jede der Komponenten in einem technischen System installiert werden. Zudem können Temperatursensoren selbst fehleranfällig sein und insbesondere bei Einwirkung von Umwelteinflüssen, wie Feuchtigkeit oder Schmutz, ausfallen oder fehlerhafte Messwerte liefern. Daher kann insbesondere für passive Komponenten, für die keine dedizierte Temperaturüberwachung mithilfe eines Temperatursensors vorgesehen ist, die thermische Belastung nicht ermittelt werden, so dass die Auswirkungen der thermischen Belastung über längere Zeitdauer erst nach Funktionsbeeinträchtigung oder Ausfall der betreffenden Komponente bemerkt werden kann.
Es ist Aufgabe der vorliegenden Erfindung, einen Belastungszustand einer Komponente aufgrund einer thermischen Einwirkung zu bestimmen, ohne einen Temperatursensor an der betreffenden Komponente vorsehen zu müssen.
Diese Aufgabe wird durch das Verfahren zum Ermitteln einer thermischen Belastung einer Komponente in einem technischen System gemäß Anspruch 1 sowie ein Verfahren zum Trainieren eines datenbasierten Temperaturmodells und eine entsprechende Vorrichtung gemäß den nebengeordneten Ansprüchen gelöst.
Weitere Ausgestaltungen sind in den abhängigen Ansprüchen angegeben.
Gemäß einem ersten Aspekt ist ein Verfahren zum Ermitteln einer thermischen Belastung einer Komponente in einem technischen System mit mindestens einer aktiven Komponente, die während des Betriebs Abwärme erzeugt, und mindestens einer passiven Komponente vorgesehen, mit folgenden Schritten:
Kontinuierliches Erfassen von Betriebsgrößen und Umgebungsgrößen als Betriebsgrößen- und Umgebungsgrößenverläufe in aufeinanderfolgenden Auswertungszeitfenstern;
Auswerten der Betriebsgrößen- und Umgebungsgrößenverläufe in einem Auswertungszeitfenster, um Eingangsdaten zu erhalten; Ermitteln einer Temperaturangabe mithilfe eines datenbasierten Temperaturmodells in jedem der aufeinanderfolgenden Auswertungszeitfenster, wobei das datenbasierte Temperaturmodell trainiert ist, um Eingangsdaten einer Temperaturangabe für eine Temperatur der mindestens einen passiven Komponente zuzuordnen;
Signalisieren einer Warnung hinsichtlich der thermischen Belastung der mindestens einen passiven Komponente abhängig von der Temperaturangabe.
Ein technisches System, wie beispielsweise ein Fahrzeug, weist in der Regel aktive Komponenten auf, die im Betrieb je nach Last Abwärme generieren, die in die Umgebung und an benachbarte weitere aktive und passive Komponenten des technischen Systems abgegeben wird. Die Erwärmung der weiteren Komponenten führt dort zu einer thermischen Belastung, die deren Degradation bzw. thermische Alterung im Sinne einer thermischen Ermüdung beschleunigt.
In der Regel ist ein Belastungszustand der Komponenten aufgrund einer thermischen Einwirkung nicht messbar, sondern zeigt sich erst durch eine Funktionsbeeinträchtigung oder Totalausfall der betreffenden Komponente nach längerer Zeit.
Das obige Verfahren schlägt dazu vor, mithilfe eines datenbasierten Temperaturmodells eine Temperatur einer bestimmten Komponente in dem technischen System basierend auf Betriebsgrößen des technischen Systems, die dessen Lastzustand beeinflussen, und Umgebungsgrößen zu ermitteln. Die Betriebsgrößen können insbesondere die Lastzustände von aktiven Komponenten, wie beispielsweise bei Verbrennungsmotoren eine Drehzahl, ein Drehmoment, eine Motorleistung und dergleichen bzw. bei elektronischen Komponenten ein Strom und/oder eine Leistung; so dass auch stromführende Komponenten als Wärmequelle erfasst werden können (z.B. Traktionsleitung, Leistungselektronik oder Batterie im Elektrofahrzeug), angeben. Eine Umgebungsgröße kann beispielsweise eine Umgebungstemperatur, ein Maß einer Sonneneinstrahlung, ein Feuchtigkeitsniveau, Wetterbedingungen, wie z.B. Regen usw., und dergleichen angeben.
Es kann vorgesehen sein, dass das Auswerten der Betriebsgrößen- und Umgebungsgrößenverläufe das Auswahlen eines Werts der jeweiligen Betriebsgröße und Umgebungsgröße zu einem Zeitpunkt innerhalb der Betriebsgrößen- und Umgebungsgrößenverläufe in dem Auswertungszeitfenster und/oder ein Ermitteln mindestens einer Merkmalsgröße, die aus den Betriebsgrößenverläufen und Umgebungsgrößenverläufen innerhalb des Auswertungszeitfensters als aggregiertes und/oder statistisches Merkmal abgeleitet wird, insbesondere einen Mittelwert oder einen Median, umfasst.
Das datenbasierte Temperaturmodell ordnet Zeitreihen dieser Eingangsgrößen eine entsprechende aktuellen Temperatur der betreffenden Komponente zu. Beispielsweise kann das datenbasierte Temperaturmodell als neuronales Netz, als LSTM (Long short-term memory), als GRU (Gated Recurrent Unit) oder dergleichen ausgebildet sein.
Weiterhin kann das datenbasierte Temperaturmodell einem CNN-LSTM Modell oder einem CNN-GRU-Modell entsprechen.
Um die Zeitreihen der Eingangsgrößen auf eine Temperaturangabe abzubilden, kann das datenbasierte Temperaturmodell auf einem konvolutionellen neuronalen Netzwerk (CNN: convolutional neural network) in Verbindung mit der LSTM-Architektur basieren. Hierbei werden in Zeitabschnitten die Betriebsgrößen und Umgebungsgrößen als Zeitreihen bereitgestellt und in einer Matrix zusammengefasst. Diese Matrix wird mithilfe eines CNN zur Merkmalsextraktion in aufeinanderfolgenden Zeitabschnitten ausgewertet und die extrahierten Merkmale in jedem Zeitabschnitt mithilfe der LSTM-Architektur kontinuierlich ausgewertet, um zu jedem Auswertungszeitpunkt eine Temperaturangabe zu ermitteln. Weiterhin kann die Temperaturangabe einer Temperatur oder einer Angabe eines Temperaturbereichs entsprechen, wobei bei einer Temperatur als Temperaturangabe diese in einem Temperaturbereich zugeordnet wird, wobei für jeden Temperaturbereich eine Häufigkeit angegeben wird, mit der seit Inbetriebnahme der mindestens einen passiven Komponente für ein Auswertungszeitfenster die Temperatur innerhalb des Temperaturbereichs gelegen hat, wobei die Warnung hinsichtlich der thermischen Belastung der mindestens einen passiven Komponente abhängig von der Häufigkeit in jedem der Temperaturbereiche signalisiert wird.
Die so ermittelte Zeitreihe von Temperaturangaben stellt ein Temperaturprofil dar, dem die betreffende Komponente ausgesetzt ist. Aus dem Temperaturprofil wird ein Temperaturlastkollektiv abgeleitet, d. h. z.B. eine Häufigkeitsverteilung ermittelt, das die Häufigkeiten von Temperaturen jeweils oberhalb einer bestimmten Temperaturgrenze kumulativ ermittelt. Die durch die Temperaturgrenzen definierten Temperaturbereiche überlappen sich entsprechend. Die Temperaturlastkollektive werden über die gesamte Betriebsdauer der betreffenden Komponente akkumuliert und entsprechend ausgewertet.
Die Auswertung der Temperaturlastkollektive kann entsprechend der Häufigkeit der Zuordnungen der jeweils resultierenden Temperaturangabe zu einem bestimmten Temperaturbereich, der durch die jeweilige Temperaturgrenze definiert ist, erfolgen. Wird ein jeweils vorgegebener Häufigkeitsschwellenwert in einem bestimmten Temperaturbereich überschritten, kann dies in einem Fehlerspeicher des Fahrzeugs für die betreffende Komponente vermerkt werden. Je nach Sicherheitsrelevanz der Komponente kann eine entsprechende Warnung an einen Nutzer des technischen Systems signalisiert werden oder die Komponente in einer Notbetriebsart weiter betrieben werden oder der Weiterbetrieb des technischen Systems blockiert werden. Zum Training des datenbasierten Temperaturmodells können im Realbetrieb des technischen Systems Zeitreihen von Betriebsgrößen mittels der resultierenden Temperatur der Komponente aufgezeichnet werden. Die Temperatur der Komponente kann beispielsweise durch einen testweise installierten Temperatursensor an der betreffenden Komponente bestimmt werden. Das Training erfolgt auf einem für Machine-Learning-Modelle bekannten Verfahren, beispielsweise Backpropagation und dergleichen mithilfe von bereitgestellten Trainingsdatensätzen.
Die Eingangsdaten für das datenbasierte Temperaturmodell können den Zeitreihen der Betriebsgrößen und Umgebungsgrößen für aufeinanderfolgende Auswertungszeitpunkte entsprechen. Die Betriebsgrößen und Umgebungsgrößen zu dem Auswertungszeitpunkt können deren Werte am Anfang oder Ende eines dem Auswertungszeitpunkt zugeordneten Auswertungszeitfensters, von z.B. einer Dauer von 1 - 5 Sekunden, oder abgeleiteten Größen entsprechen, die von dem Verlauf der Betriebsgrößen und Umgebungsgrößen während des Auswertungszeitfensters als statistische oder aggregierte Größen (Merkmale), wie z.B. einen Mittelwert des Betriebsgrößen- und/oder Umgebungsgrößenverlauf, abgeleitet sind. Ein Trainingsdatensatz entspricht dann einem Vektor der Betriebsgrößen und Umgebungsgrößen und/oder davon (innerhalb des Auswertungszeitfensters) abgeleiteten Größen sowie der zugeordneten Temperaturangabe als Label. Das Training kann mit Trainingsdatensätzen durchgeführt werden und mit (als Teil der Trainingsdatensätze ausgewählte) Validierungsdatensätzen überwacht bzw. überprüft werden.
Das datenbasierte Temperaturmodell kann extern des technischen Systems trainiert werden. Das datenbasierte Temperaturmodell kann nach dem Training in das technische System zur Überwachung der thermischen Belastung der Komponente übertragen werden. Gemäß einem weiteren Aspekt ist ein Verfahren zum Trainieren eines datenbasierten Temperaturmodells zur Verwendung mit dem obigen Verfahren, mit folgenden Schritten:
Kontinuierliches Erfassen von Betriebsgrößen und Umgebungsgrößen als Betriebsgrößen- und Umgebungsgrößenverläufe in aufeinanderfolgenden Auswertungszeitfenstern und Ermitteln einer zugehörigen Temperaturangabe einer passiven Komponente;
Generieren von Trainingsdatensätzen abhängig von den Betriebsgrößen- und Umgebungsgrößenverläufe und den zugehörigen Temperaturangaben;
Trainieren des datenbasierten Temperaturmodells, um den Betriebsgrößen- und Umgebungsgrößenverläufen entsprechenden oder davon abhängenden Eingangsdaten einer Temperaturangabe für eine Temperatur der mindestens einen passiven Komponente zuzuordnen.
Weiterhin können Modellparameter des datenbasierten Temperaturmodells an ein Steuergerät des Systems übertragen werden.
Ausführungsformen werden nachfolgend anhand der beigefügten Zeichnungen näher erläutert. Es zeigen:
Figur 1 ein technisches System mit mehreren Komponenten, deren thermische Belastung überwacht werden soll;
Figur 2 ein Flussdiagramm zur Veranschaulichung eines Verfahrens zum Überwachen einer Komponente in dem technischen System;
Figur 3 eine schematische Darstellung des datenbasierten Temperaturmodells;
Figur 4 ein Diagramm zur Darstellung der Temperaturlastkollektive über die gesamte Betriebsdauer einer Komponente; und Figur 5 ein Flussdiagramm zur Veranschaulichung eines Verfahrens zum Trainieren des datenbasierten Temperaturmodells.
Beschreibung von Ausführungsformen
Figur 1 zeigt eine schematische Darstellung eines Fahrzeugs als Beispiel für ein technisches System. Das Fahrzeug 1 umfasst eine Vielzahl von Komponenten, wobei als aktive Komponente 2 ein Motor und in der Nähe des Motors eine Vielzahl von passiven Komponenten 3 angeordnet sind. Die passiven Komponenten können beispielsweise ein Getriebe, eine Lichtmaschine, ein Steuergerätemodul, ein Scheibenwischersystem, ein Heizungssystem, Lenkungskomponenten oder dergleichen umfassen. Beispielsweise kann eine der Komponenten ein Kunststoff enthalten, dessen Degradation von einer Dauer und Höhe einer thermischen Belastung abhängt.
Über den Motor 2 wird thermische Energie in das System eingebracht. Die Menge der thermischen Energie bestimmt sich aus dem Wirkungsgrad des Motors, der erheblich von der Betriebsart und dem Typ des Motors abhängt. Die Betriebsart des Motors kann beispielsweise durch die Drehzahl, das Drehmoment, die Motorleistung, die Geschwindigkeit des Fahrzeugs, die Kühlleistung eines Motorkühlers, die Motortemperatur und dergleichen festgelegt werden.
Weiterhin ist die Temperaturverteilung im Fahrzeug hinsichtlich der Temperatureinwirkung auf die passive Komponenten 3 erheblich von Umgebungsbedingungen abhängig, die beispielsweise durch eine Außentemperatur, eine Sonneneinstrahlung, eine Windgeschwindigkeit, eine Fahrgeschwindigkeit und dergleichen beeinflusst werden kann.
In einem Steuergerät 4 des Fahrzeugs 1 , das zum Steuern einer Vielzahl von Fahrzeugfunktionen ausgelegt sein kann, ist ein datenbasiertes Temperaturmodell implementiert, das als virtueller Sensor eine Temperatur einer oder mehrerer der passiven Komponenten 3 überwacht, um deren thermische Belastung einzuschätzen. Dazu ist im Steuergerät 4 ein Verfahren als Algorithmus implementiert, wie es anhand des Flussdiagramms der Figur 2 näher veranschaulicht ist.
Im Schritt S1 werden dazu Betriebsgrößen und Umgebungsgrößen in vorzugsweise regelmäßigen Zeitabständen von z.B. zwischen 0,1s und 1s als Betriebsgrößen- und Umgebungsgrößenverläufe erfasst. Die Betriebsgrößen der Betriebsgrößenverläufe können beispielsweise die Drehzahl, die Last des Motors, die Motorleistung, die Geschwindigkeit des Fahrzeugs und dergleichen umfassen. Die Umgebungsgrößen können eine Außentemperatur, eine Sonneneinstrahlung, eine Windgeschwindigkeit und eine Luftfeuchtigkeit umfassen.
In Schritt S2 werden als Eingangsdaten für einen Zeitschrift die Betriebsgrößenverläufe und Umgebungsgrößenverläufe innerhalb eines Auswertungszeitfensters von z.B. 1s bis 10s ausgewertet. Die Dauer des Auswertezeitfensters kann auch als ein parametrierbarer Hyperparameter vorgesehen werden, der beim Training optimiert wird. Dazu können die Eingangsdaten einen Wert jeweils der Betriebsgrößen und Umgebungsgrößen umfassen, z.B. einen entsprechenden Wert zu Beginn oder zu Ende des entsprechenden Auswertungszeitfensters, und/oder davon abgeleitete aggregierte Merkmalsgrößen. Die Merkmalsgrößen können aus den Betriebsgrößenverläufen und Umgebungsgrößenverläufen innerhalb des Auswertungszeitfensters als aggregierte und/oder statistischen Merkmale abgeleitet werden, wie z.B. ein Mittelwert, ein Median oder dergleichen.
Die Eingangsdaten können in Form eines Vektors oder einer Matrix vorgesehen sein und dienen als Eingangsdaten für ein datenbasiertes Temperaturmodell. Die Eingangsdaten charakterisieren den Betrieb des technischen Systems während des Auswertungszeitfensters zu einem bestimmten Auswertungszeitpunkt.
Die Eingangsdaten werden nun in Schritt S3 zu jedem Auswertungszeitpunkt dem datenbasierten Temperaturmodell zugeführt, das trainiert ist, derartige Eingangsdaten einer Temperaturangabe für eine bestimmte Komponente zuzuordnen. Das Temperaturmodell weist vorzugsweise eine CNN-LSTM- Architektur auf, wie sie beispielsweise in Figur 3 dargestellt ist.
Figur 3 zeigt ein Blockdarstellung eines datenbasierten Temperaturmodells 10 mit einem CNN-Block 11 , der ein konvolutionelles neuronales Netz umfasst, um Muster bzw. Merkmale aus den Eingangsdaten Xt zu erkennen. Der CNN-Block 11 stellt Eingangsdatenmerkmale Mt bereit. Diese Eingangsdatenmerkmale Mt werden einem LSTM-Block 12 (LSTM: Long short term memory) zugeführt, der die Eingangsdatenmerkmale Mt verarbeitet, um zu jedem Auswertungszeitpunkt t eine Temperaturangabe Tt zu erhalten. Der LSTM-Block 12 ermöglicht es, dynamische Vorgänge zu modellieren, so dass zeitlich zurückliegende Betriebszustände des technischen Systems (Fahrzeugs 1 ) bei der Modellierung der aktuellen Temperaturangabe berücksichtigt werden können.
Die zu jedem Auswertungszeitpunkt ermittelte Temperaturangabe wird entweder gleich in Temperaturbereiche klassifiziert von dem datenbasierten Temperaturmodell 10 ausgegeben oder in dem optionalen Schritt S4 nach jedem Auswertungszeitpunkt Temperaturbereichen zugeordnet. Es werden für jeden Temperaturbereich die Häufigkeiten seit Inbetriebnahme der betreffenden Komponente kumuliert. Die Temperaturbereiche sind als überlappende Bereiche von Temperaturen jeweils über einer vorgegebenen Temperaturgrenze definiert. Beispielsweise können Temperaturbereiche als sogenannte Temperaturlastkollektive definiert werden, wie beispielsweise Temperaturbereiche von über 60°C, über 65 °C, über 70 °C, über 75 °C, über 80°C und über 85 °C, denen die entsprechende Temperaturangabe nach jedem Auswertungszeitpunkt zugeordnet wird. Es ergibt sich ein Diagramm, wie es beispielsweise in Figur 4 dargestellt ist. Jede auszuwertende Temperaturangabe kann somit in einen oder in mehrere Temperaturbereiche eingeordnet werden und somit die Häufigkeit in einem oder mehreren Temperaturbereichen erhöhen.
Die Höhen der Temperaturlastkollektive in dem Diagramm geben die Häufigkeiten der Detektion oder die gesamte Zeitdauer seit Inbetriebnahme an, während der die Komponente eine Temperatur in dem entsprechenden Temperaturbereich aufweist. Die gesamte Zeitdauer kann sich beispielsweise durch die Häufigkeit multipliziert mit der Zeitdauer eines Auswertungszeitfensters ergeben. Die stufenförmig gezeichnete Schwelle gibt den Grenzwert der akkumulierten Betriebszeit über der jeweiligen Temperaturgrenze an.
Figur 5 zeigt eine alternative Darstellung, in der die Temperatur über die akkumulierten Betriebsstunden aufgetragen ist. Die als Kreuze dargestellten Punkte zeigen die Häufigkeiten, mit der die jeweilige Temperaturgrenze überschritten worden ist. Die fettgezeichnete Linie G gibt die entsprechenden Grenzwerte der akkumulierten Betriebszeit über der jeweiligen Temperaturgrenze an. Wenn die Häufigkeit oder gesamte Betriebsdauer bei einer Temperatur die entsprechende Temperaturgrenze an einer Stelle überschreitet, so wird das thermische Ermüden der Komponente angenommen. Die Schrittweite der Stützstellen der Temperatur (hier: 5 °C) kann beliebig gewählt werden.
In Schritt S5 wird überprüft, ob eine Häufigkeit eines der Temperaturlastkollektive einen vorgegebenen Häufigkeitsschwellenwert für eine der betrachteten Temperaturgrenzen überschreitet. Ist dies der Fall (Alternative. Ja), so kann in Schritt S6 eine entsprechende Warnung signalisiert werden. Beispielsweise kann die Warnung im Falle eines Fahrzeugs als technisches System umfassen, einen Hinweis auszugeben, eine Werkstatt aufzusuchen, oder einen Fehlerspeicher zu beschreiben, so dass bei einem nächsten Besuch in einer Werkstatt die Komponente untersucht oder ausgetauscht werden kann. Auch kann eine Notbetriebsart eingenommen werden. Wird in Schritt S5 festgestellt, dass eine Häufigkeit eines der Temperaturlastkollektive einen vorgegebenen Häufigkeitsschwellenwert nicht überschreitet (Alternative: Nein), wird das Verfahren mit Schritt S1 fortgesetzt.
Figur 6 zeigt ein Flussdiagramm zur Veranschaulichung eines Verfahrens zum Trainieren des datenbasierten Temperaturmodells. Dazu werden in Schritt S11 die interessierenden Komponenten in einem Fahrzeug mit einem Temperatursensor versehen und das Fahrzeug im Realbetrieb betrieben. Dabei werden Betriebsgrößenverläufe und Umgebungsgrößenverläufe aufgezeichnet.
Gleichzeitig werden in Schritt S12 die resultierende Temperatur der betreffenden Komponente erfasst.
Aus den Betriebsgrößenverläufe und Umgebungsgrößenverläufen werden in Schritt S13 Eingangsdaten zu aufeinanderfolgenden Auswertungszeitfenstern ermittelt und den Eingangsdaten für jedes Auswertungszeitfenster die Temperatur der betreffenden Komponente zugeordnet, die die Komponente z.B. zum Zeitpunkt des Endes des Auswertungszeitfensters hat. Die Eingangsdaten können wie oben beschrieben aus den Betriebsgrößenverläufen und Umgebungsgrößenverläufen in einem entsprechenden Auswertungszeitfenster bestimmt werden. Diese Daten stellen Trainingsdatensätze dar. Weiterhin können auf gleiche Weise Validierungsdatensätze generiert werden, mit denen das trainierte Modell später überprüft oder mit denen der Trainingsprozess gesteuert werden kann.
In Schritt S14 wird das datenbasierte Temperaturmodell mithilfe der Trainingsdatensätze in an sich bekannter Weise trainiert. Das Training erfolgt vorzugsweise außerhalb des Fahrzeugs in einer Cloud mithilfe von bekannten Verfahren, wie beispielsweise Backpropagation, und führt zu Modellparametern, die das betreffende Temperaturmodell der vorgeschlagenen Architektur charakterisieren.
In Schritt S15 werden die Modellparameter von der Cloud an das Steuergerät 4 in dem Fahrzeug 1 übertragen, so dass dort eine entsprechende Auswertung, wie zuvor beschrieben, vorgenommen werden kann.
Bezugszeichenliste Fahrzeug aktive Komponente passive Komponente Steuergerät

Claims

Ansprüche Verfahren zum Ermitteln einer thermischen Belastung einer passiven Komponente (3) in einem technischen System (1 ) mit mindestens einer aktiven Komponente (2), die während ihres Betriebs Abwärme erzeugt, und mindestens der passiven Komponente (3), mit folgenden Schritten:
Kontinuierliches Erfassen (S1 ) von Betriebsgrößen und Umgebungsgrößen als Betriebsgrößen- und Umgebungsgrößenverläufe in aufeinanderfolgenden Auswertungszeitfenstern; Ermitteln (S3) einer Temperaturangabe mithilfe eines datenbasierten Temperaturmodells in jedem der aufeinanderfolgenden Auswertungszeitfenster abhängig von den entsprechenden der Betriebsgrößen- und Umgebungsgrößenverläufen, wobei das datenbasierte Temperaturmodell trainiert ist, um den Betriebsgrößen- und Umgebungsgrößenverläufen entsprechenden oder davon abhängenden Eingangsdaten einer Temperaturangabe für eine Temperatur der mindestens einen passiven Komponente (3) zuzuordnen;
Signalisieren (S6) einer Warnung hinsichtlich der thermischen Belastung der mindestens einen passiven Komponente (3) abhängig von der Temperaturangabe. Verfahren nach Anspruch 1 , wobei die Betriebsgrößen der Betriebsgrößenverläufe eine der folgenden Größen umfassen: eine Drehzahl eines Motors als aktiver Komponente, eine Last eines Motors und eine Motorleistung, ein Strom und/oder eine Leistung einer elektronischen Komponente, wobei die Umgebungsgrößen mindestens eine der folgenden Größen umfasst: eine Außentemperatur, eine Sonneneinstrahlung, eine Windgeschwindigkeit und eine Luftfeuchtigkeit. Verfahren nach Anspruch 1 oder 2, wobei die Betriebsgrößen- und Umgebungsgrößenverläufe ausgewertet werden, um Eingangsdaten zu erhalten, wobei die Eingangsdaten einen Wert der jeweiligen Betriebsgröße und Umgebungsgröße zu einem Zeitpunkt innerhalb der Betriebsgrößen- und Umgebungsgrößenverläufe in dem Auswertungszeitfenster und/oder mindestens eine Merkmalsgröße umfassen, die aus den Betriebsgrößenverläufen und Umgebungsgrößenverläufen innerhalb des Auswertungszeitfensters als aggregiertes und/oder statistisches Merkmal abgeleitet wird, insbesondere einen Mittelwert oder einen Median. Verfahren nach einem der Ansprüche 1 bis 3, wobei das datenbasierte Temperaturmodell einem CNN-LSTM Modell oder einem CNN-GRU- Modell entspricht. Verfahren nach einem der Ansprüche 1 bis 4, wobei die Temperaturangabe einer Temperatur entspricht, wobei bei einer Temperatur als Temperaturangabe diese einem Temperaturbereich zugeordnet wird, der durch eine untere Temperaturgrenze angegeben ist, wobei für jeden Temperaturbereich eine Häufigkeit angegeben wird, mit der seit Inbetriebnahme der mindestens einen passiven Komponente für ein Auswertungszeitfenster die Temperatur innerhalb des Temperaturbereichs gelegen hat, wobei die Warnung hinsichtlich der thermischen Belastung der mindestens einen passiven Komponente abhängig von der Häufigkeit in jedem der Temperaturbereiche signalisiert wird. Verfahren nach einem der Ansprüche 1 bis 4, wobei die Temperaturangabe einer Angabe eines Temperaturbereichs entspricht, wobei der Temperaturbereich durch eine untere Temperaturgrenze angegeben ist, wobei für jeden Temperaturbereich eine Häufigkeit der Ermittlung der Angaben des Temperaturbereichs für die Auswertungszeitfenster ermittelt wird, wobei die Warnung hinsichtlich der thermischen Belastung der mindestens einen passiven Komponente abhängig von der Häufigkeit in jedem der Temperaturbereiche signalisiert wird. Verfahren nach einem der Ansprüche 1 bis 6, wobei das datenbasierte Temperaturmodell extern des technischen Systems (1 ) trainiert wird und die Modellparameter des datenbasierten Temperaturmodells nach erfolgtem Training an das technische System (1) übertragen werden. Verfahren zum Trainieren eines datenbasierten Temperaturmodells zur Verwendung mit einem der Verfahren nach einem der Ansprüche 1 bis 7, mit folgenden Schritten:
Kontinuierliches Erfassen (S11 , S12) von Betriebsgrößen und Umgebungsgrößen als Betriebsgrößen- und Umgebungsgrößenverläufe in aufeinanderfolgenden Auswertungszeitfenstern und Ermitteln einer zugehörigen Temperaturangabe einer passiven Komponente (3);
Generieren (S13) von Trainingsdatensätzen abhängig von den Betriebsgrößen- und Umgebungsgrößenverläufe und den zugehörigen Temperaturangaben;
Trainieren des datenbasierten Temperaturmodells, um den Betriebsgrößen- und Umgebungsgrößenverläufen entsprechenden oder davon abhängenden Eingangsdaten einer Temperaturangabe für eine Temperatur der mindestens einen passiven Komponente (3) zuzuordnen. Verfahren nach Anspruch 8, wobei Modellparameter des datenbasierten Temperaturmodells an ein Steuergerät (4) des Systems (1 ) übertragen wird. Vorrichtung, insbesondere Steuergerät, zum Ermitteln einer thermischen Belastung einer passiven Komponente (3) in einem technischen System (1) mit mindestens einer aktiven Komponente (2), die während ihres Betriebs Abwärme erzeugt, und mindestens der passiven Komponente (3), wobei die Vorrichtung ausgebildet ist zum:
Kontinuierlichen Erfassen von Betriebsgrößen und Umgebungsgrößen als Betriebsgrößen- und Umgebungsgrößenverläufe in aufeinanderfolgenden Auswertungszeitfenstern;
Ermitteln einer Temperaturangabe mithilfe eines datenbasierten Temperaturmodells für jedes der aufeinanderfolgenden Auswertungszeitfenster abhängig von den entsprechenden der Betriebsgrößen- und Umgebungsgrößenverläufen, wobei das datenbasierte Temperaturmodell trainiert ist, um den Betriebsgrößen- und Umgebungsgrößenverläufen entsprechenden oder davon abhängenden Eingangsdaten einer Temperaturangabe für eine Temperatur der mindestens einen passiven Komponente (3) zuzuordnen;
Signalisieren einer Warnung hinsichtlich der thermischen Belastung der mindestens einen passiven Komponente (3) abhängig von der Temperaturangabe.
PCT/EP2023/084809 2022-12-16 2023-12-07 Verfahren und vorrichtung zum ermitteln einer thermischen belastung einer komponente in einem technischen system sowie zur prädiktiven diagnose einer thermischen ermüdung dieser komponente WO2024126265A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022133734.0 2022-12-16
DE102022133734.0A DE102022133734A1 (de) 2022-12-16 2022-12-16 Verfahren und Vorrichtung zum Ermitteln einer thermischen Belastung einer Komponente in einem technischen System sowie zur prädiktiven Diagnose einer thermischen Ermüdung dieser Komponente

Publications (1)

Publication Number Publication Date
WO2024126265A1 true WO2024126265A1 (de) 2024-06-20

Family

ID=89168245

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/084809 WO2024126265A1 (de) 2022-12-16 2023-12-07 Verfahren und vorrichtung zum ermitteln einer thermischen belastung einer komponente in einem technischen system sowie zur prädiktiven diagnose einer thermischen ermüdung dieser komponente

Country Status (2)

Country Link
DE (1) DE102022133734A1 (de)
WO (1) WO2024126265A1 (de)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120226483A1 (en) * 2011-03-03 2012-09-06 GM Global Technology Operations LLC Motor temperature estimation based on thermal model
DE102019202235A1 (de) * 2019-02-19 2020-08-20 Robert Bosch Gmbh Vorrichtung und Verfahren zur Überwachung einer Temperatur einer elektrischen Maschine und elektrisches Antriebssystem

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120226483A1 (en) * 2011-03-03 2012-09-06 GM Global Technology Operations LLC Motor temperature estimation based on thermal model
DE102019202235A1 (de) * 2019-02-19 2020-08-20 Robert Bosch Gmbh Vorrichtung und Verfahren zur Überwachung einer Temperatur einer elektrischen Maschine und elektrisches Antriebssystem

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CZERWINSKI DARIUSZ ET AL: "Machine Learning for Sensorless Temperature Estimation of a BLDC Motor", SENSORS, vol. 21, no. 14, 7 July 2021 (2021-07-07), CH, pages 4655, XP093135644, ISSN: 1424-8220, Retrieved from the Internet <URL:https://www.mdpi.com/journal/sensors/> [retrieved on 20240226], DOI: 10.3390/s21144655 *

Also Published As

Publication number Publication date
DE102022133734A1 (de) 2024-06-27

Similar Documents

Publication Publication Date Title
DE19651986B4 (de) Verfahren und Vorrichtung zum Vergleich von Maschinen in einer Flotte
DE10048826B4 (de) Verfahren und Vorrichtung zur Erfassung alterungsbedingter Veränderungen von technischen Systemen wie Elektromotoren
EP1423827B1 (de) Vorrichtung und verfahren zur früherkennung und vorhersage von aggregateschädigungen
DE102009003200B4 (de) Verfahren zur Bestimmung eines Ölverschleißes bei einer Brennkraftmaschine, elektrische Einrichtung zur Steuerung und/oder Regelung einer Brennkraftmaschine, Brennkraftmaschine
DE102011010605A1 (de) Funktionsprognose für ein komplexes System unter Verwendung der Fehlermodellierung
DE102019128177A1 (de) Vorrichtung und verfahren zur zustandsbestimmung
DE10007308A1 (de) Verfahren und Vorrichtung zur Ermittlung der verbleibenden Betriebsdauer eines Produktes
DE102020212277A1 (de) Verfahren und Vorrichtung zum Bestimmen einer Restnutzungsdauer basierend auf einer prädiktiven Diagnose von Komponenten eines elektrischen Antriebssystems mithilfe Verfahren künstlicher Intelligenz
DE102006018168B4 (de) Kraftfahrzeuggetriebe-Steuersystem
DE102013209013A1 (de) Verfahren zum Detektieren eines Fluidverlusts oder einer Blockade in einem Hydraulikkreis unter Verwendung eines exponentiell gewichteten Filters mit gleitendem Mittelwert
DE102017219473A1 (de) Verfahren zum vorausschauenden Erkennen eines Ausfalls einer Komponente eines Fahrzeugs, computerlesbares Medium, System, und Fahrzeug umfassend das System
DE102022210276A1 (de) Verfahren zur Erkennung von Defekten in einem System
DE102006013911A1 (de) Verfahren zur Prüfung elektrischer Verbraucher durch Bewertung eines Spannungsverlaufs unter schnell wechselnder Last
WO2018178196A1 (de) Verfahren zur bestimmung einer schädigungsmassunsicherheit eines kraftfahrzeugs
WO2024126265A1 (de) Verfahren und vorrichtung zum ermitteln einer thermischen belastung einer komponente in einem technischen system sowie zur prädiktiven diagnose einer thermischen ermüdung dieser komponente
DE102019211693A1 (de) Verfahren und Vorrichtung zur Ermittlung einer Langzeitschädigung einer Komponente durch Vibrationsbeaufschlagung
EP1423717B1 (de) Verfahren und vorrichtung zur on-board bordnetzdiagnose eines kraftfahrzeugbordnetzes
DE102004056434A1 (de) Diagnose- und Serviecesystem für ein Kraftfahrzeug
DE102008038890B4 (de) Verfahren und Vorrichtung zur Belastungszählung in einem elektromechanischen Lenksystem
DE102021105643B3 (de) Verfahren zur Feststellung des Beginns einer verschleißbedingten Bauteil-Restnutzungsdauer eines elastisch verformbaren Bauteils, als Strukturteil und/oder Lagerteil eines Geräts
DE10161998A1 (de) Verfahren und Vorrichtung zur Betriebsüberwachung
DE102013225710A1 (de) Überwachungseinheit für eine Getriebeeinheit eines Schienenfahrzeugs
DE102019107242A1 (de) Diagnoseverfahren, Diagnosesystem und Kraftfahrzeug
WO2019166377A1 (de) Verfahren zum betrieb einer brennkraftmaschine, steuereinrichtung und brennkraftmaschine
DE102006060515A1 (de) Verschleißursachendetektor für Fahrzeugkomponenten

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: 23821583

Country of ref document: EP

Kind code of ref document: A1