Die Erfindung betrifft eine Schaltungsanordnung gemäß dem Oberbegriff des Anspruchs 1 und ein Verfahren zur Erkennung eines Gesundheitsstatus von elektrischen Verbrauchern gemäß dem Oberbegriff des Anspruchs 7.

Einzel-Halbleitersicherungen mit eingebauter Logik (z.B. SPI-Schnittstelle) und Shunt sind kostenintensiv und bieten nicht die Möglichkeit, Fehler und Anomalien frühzeitig zu erkennen. Solche Halbleitersicherungen haben zudem einen erhöhten Eigenverbrauch und benötigen mehr Datenleitungen und/oder Verbindungsstellen (z.B. SPI).

EP 3 098 681 B1 beschreibt ein Health-Managementsystem zur Diagnose und Prognose eines Host-Systems, wobei das Host-System mehrere Untersysteme besitzt und das Health-Managementsystem Folgendes umfasst: einen Speicher, um Anweisungen und mehrere vorgegebene Muster zu speichern; und eine Neuronales Netz-Steuereinheit, die mit dem Speicher gekoppelt ist, wobei die Neuronales Netz-Steuereinheit durch die Anweisungen konfiguriert ist zum Überwachen mehrerer eindeutiger Muster, die in Echtzeit erzeugt werden und einem Satz System para meter des Host-Systems entsprechen, wobei die Systemparameter mindestens eines oder mehrere der Folgenden umfassen:

Eingangsparameter, Steuerparameter, Rückkopplungsparameter und Ausgangsparameter, wobei die eindeutigen Muster die Leistung des Host-Systems auf Systemebene in Echtzeit anzeigen und jedes eindeutige Muster für ein entsprechendes Untersystem des Host-Systems eindeutig ist, wobei die eindeutigen Muster eine Identifizierung von Fehlern ermöglichen, die mit einem oder mehreren Untersystemen verbunden sind, ohne von physikalischen Sensoren zum Detektieren eines Fehlers in dem Untersystem abzuhängen, und der Satz Systemparameter lediglich eine Untermenge von mehreren Systemparametern des Host-Systems enthält;

Vorkonfigurieren der vorgegebenen Muster, wobei zum Vorkonfigurieren der vorgegebenen Muster die Neuronales Netz-Steuereinheit durch die Anweisungen konfiguriert ist zum Erfassen von Trainingsdaten, die die Leistung des Host-Systems auf Systemebene in einem normalen Betriebszustand der Untersysteme und in mehreren anomalen Betriebszuständen des oder der Untersysteme aus den Untersystemen umfassen; und

Extrahieren mehrerer Merkmalsvektoren aus den Trainingsdaten, wobei die Merkmalsvektoren die vorgegebenen Muster aufweisen, die eine oder mehrere mögliche Anomalien in dem Host-System anzeigen;

Vergleichen der eindeutigen Muster mit den vorgegebenen Mustern, die dem Satz System para meter entsprechen; und

Detektieren einer oder mehrerer möglicher Anomalien in dem Host-System und mindestens eines fehlerhaften Untersystems aus den Untersystemen auf der Grundlage des Vergleichs, wobei das mindestens eine fehlerhafte Untersystem für einen Beitrag zu der oder den möglichen Anomalien in dem Host-System verantwortlich ist.

Der Erfindung liegt die Aufgabe zu Grunde, eine neuartige Schaltungsanordnung und ein neuartiges Verfahren zur Erkennung eines Gesundheitsstatus von elektrischen Verbrauchern anzugeben.

Die Aufgabe wird erfindungsgemäß gelöst durch eine Schaltungsanordnung mit den Merkmalen des Anspruchs 1 und durch ein Verfahren zur Erkennung eines Gesundheitsstatus von elektrischen Verbrauchern mit den Merkmalen des Anspruchs 7.

Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.

Eine erfindungsgemäße Schaltungsanordnung für ein Kraftfahrzeug umfasst mindestens eine Verbrauchergruppe und eine künstliche Intelligenz, die dazu konfiguriert ist, in einem Trainingsmodus je Verbrauchergruppe einen Normal-Betriebspunkt der Verbraucher zu lernen, indem die Verbraucher in einem Norm-Betriebsmodus betrieben werden, wobei die so trainierte künstliche Intelligenz ferner dazu konfiguriert ist, in einem Anwendungsmodus in einer Verbrauchergruppe zwischen Normalbetrieb und Fehlerfall auf Verbraucherebene zu unterscheiden. Erfindungsgemäß weist jede Verbrauchergruppe eine Mehrzahl von Verbrauchern auf, die über eine gemeinsame Zuleitung und über einen Shunt mit einer Betriebsspannung verbunden sind, wobei jede Verbrauchergruppe ferner einen Mikrokontroller aufweist, der zur Messung eines Spannungsabfalls über dem Shunt und zur Berechnung eines dem Spannungsabfall entsprechenden Gesamtstroms durch den Shunt konfiguriert ist, wobei der künstlichen Intelligenz die ermittelten Gesamtströme aller Verbrauchergruppen sowie Fahrzeug-Bussignale als Eingangssignale zuführbar sind, wobei im Norm-Betriebsmodus der Gesamtstrom der Verbrauchergruppen zusammen mit einem Label „fehlerfrei“ sowie den Fahrzeug-Bussignalen als Trainingsdaten der künstlichen Intelligenz als Eingangsgrößen zuführbar sind, wobei der trainierten künstlichen Intelligenz im Anwendungsmodus ungelabelte Gesamtströme der Verbrauchergruppen sowie Bussignale als Eingangsgrößen zuführbar sind.

In einer Ausführungsform sind die Verbraucher über eine jeweilige Halbleitersicherung an die Zuleitung für die Betriebsspannung angeschlossen.

In einer Ausführungsform ist der Mikrocontroller ferner zur Ansteuerung der Halbleitersicherung über einen jeweiligen Steuerausgang konfiguriert.

In einer Ausführungsform ist die Halbleitersicherung als Feldeffekttransistoren, insbesondere MOSFET, ausgebildet.

In einer Ausführungsform ist die künstliche Intelligenz als ein neuronales Netz ausgebildet.

Die Schaltungsanordnung kann Teil eines Kraftfahrzeugs sein.

Gemäß einem Aspekt der vorliegenden Erfindung wird ein Verfahren zur Erkennung eines Gesundheitsstatus einer Mehrzahl von elektrischen Verbrauchern vorgeschlagen, umfassend eine Schaltungsanordnung, umfassend mindestens eine Verbrauchergruppe und eine künstliche Intelligenz, wobei in einem Trainingsmodus von der künstlichen Intelligenz je Verbrauchergruppe ein Normal-Betriebspunkt der Verbraucher gelernt wird, indem die Verbraucher in einem Norm-Betriebsmodus betrieben werden, sodass die trainierte künstliche Intelligenz in einem Anwendungsmodus in einer Verbrauchergruppe zwischen Normalbetrieb und Fehlerfall auf Verbraucherebene unterscheiden kann.

Erfindungsgemäß weist jede Verbrauchergruppe eine Mehrzahl von Verbrauchern auf, die über eine gemeinsame Zuleitung und über einen Shunt mit einer Betriebsspannung verbunden sind, wobei jede Verbrauchergruppe ferner einen Mikrokontroller aufweist, der einen Spannungsabfall über dem Shunt misst und einen entsprechenden Gesamtstrom durch den Shunt berechnet, wobei die ermittelten Gesamtströme aller Verbrauchergruppen sowie Fahrzeug-Bussignale der künstlichen Intelligenz als Eingangssignale zugeführt werden, wobei im Norm-Betriebsmodus der Gesamtstrom der Verbrauchergruppen zusammen mit einem Label „fehlerfrei“ sowie den Fahrzeug- Bussignalen als Trainingsdaten der künstlichen Intelligenz als Eingangsgrößen zugeführt werden, wobei der so trainierten künstlichen Intelligenz im Anwendungsmodus ungelabelte Gesamtströme der Verbrauchergruppen sowie Bussignale als Eingangsgrößen zugeführt werden.

In einer Ausführungsform werden der künstlichen Intelligenz im Trainingsmodus ferner Gesamtströme der Verbrauchergruppen zusammen mit dem Label „fehlerhaft“ sowie den Fahrzeug-Bussignalen als Trainingsdaten zur Verfügung gestellt, welche Fehlerfälle einzelner oder aller Verbraucher abbilden.

In einer alternativen Ausführungsform wird im Trainingsmodus eine binäre Klassifizierungsmethode verwendet, welche mit ausschließlich einer als „fehlerfrei“ gelabelten Klasse auskommt.

In einer Ausführungsform werden aus dem ermittelten Gesundheitszustand Rückschlüsse auf Anomalien und Alterungserscheinungen der Verbraucher gezogen.

Die vorliegende Erfindung ermöglicht eine frühzeitige Fehler- und Anomalieerkennung elektrischer Komponenten in einem Kraftfahrzeug, sodass präventiv Maßnahmen gegen Aus- und Fehlerfälle getroffen werden können. Auf diese Weise kann auf eine vollumfängliche Absicherung der elektrischen Verbraucher mittels Halbleitersicherungen, welche jeweils eine integrierte Strommessung über einen Shunt aufweisen, verzichtet werden, womit Kosten eingespart werden, da die Gesamtanzahl der zu verwendenden Shunts reduziert wird.

Durch die erfindungsgemäße Lösung werden Ausfälle von Komponenten durch die Ableitung präventiver Maßnahmen (analog zu Predictive Maintenance) reduziert. Es besteht die Möglichkeit, die gewonnenen und ausgewerteten Daten an einer Fahrzeugschnittstelle bereitzustellen und an ein Back-End zu senden. Auf diese Weise können Felddaten und Informationen über die Flotte im Feld gewonnen werden. Dank der erfindungsgemäßen Lösung werden weniger Bauteile benötigt als mit "intelligenten" Halbleitersicherungen. Somit ergibt sich eine Kosteneinsparung durch weniger elektronische Komponenten je Halbleitersicherung und durch weniger Datenleitungen und/oder Verbindungsstellen.

Ausführungsbeispiele der Erfindung werden im Folgenden anhand von Zeichnungen näher erläutert.

Dabei zeigen:

Fig. 1 eine schematische Ansicht einer elektrischen Schaltung einer Verbrauchergruppe,

Fig. 2 eine schematische Ansicht einer Schaltungsanordnung, umfassend mehrere Verbrauchergruppen gemäß Figur 1 sowie eine künstliche Intelligenz in einem Trainingsfall, und

Fig. 3 eine schematische Ansicht einer Schaltungsanordnung, umfassend mehrere Verbrauchergruppen gemäß Figur 1 sowie eine künstliche Intelligenz in einem Anwendungsfall.

Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen.

Figur 1 ist eine schematische Ansicht einer elektrischen Schaltung einer Verbrauchergruppe VG1 , insbesondere für ein Kraftfahrzeug. Die Verbrauchergruppe VG1 weist eine Mehrzahl von Verbrauchern R_V1 bis R_Vn auf, die einerseits an ein Massepotential GND und andererseits über eine jeweilige Halbleitersicherung M1 bis Mn an eine Zuleitung L für eine Betriebsspannung V+ angeschlossen sind. Die Zuleitung L ist mit der Betriebsspannung V+ über einen Shunt R1 verbunden. Die Halbleitersicherung M1 bis Mn sind beispielsweise als Feldeffekttransistoren, insbesondere MOSFET, ausgebildet. Ferner ist ein Mikrokontroller pC vorgesehen, der zur Ansteuerung der Halbleitersicherung M1 bis Mn über einen jeweiligen Steuerausgang C1 bis Cn und zur Messung eines Spannungsabfalls über dem Shunt R1 mittels zweier Messeingänge CS-, CS+ konfiguriert ist. Der Mikrocontroller pC misst die Spannung, welche an dem Shunt R1 anliegt und berechnet dadurch einen Gesamtstrom l _Gi der aus den untereinander parallel geschalteten Verbrauchern R_V1 bis R_Vn gebildeten Verbrauchergruppe VG1. Zusätzlich kann der Mikrocontroller pC bei Fehlerfällen einzelne Halbleitersicherungen M1 bis Mn steuern und somit gezielt einzelne Verbraucher R_V1 bis R_Vn an- und abschalten. Der Mikrocontroller pC übernimmt eine Mess-, Steuerungs- und Sicherheitsfunktion und sichert die Leitungen und Komponenten ab.

Figur 2 ist eine schematische Ansicht einer Schaltungsanordnung 1 , umfassend mehrere Verbrauchergruppen VG1 bis VGn, die wie in Figur 1 ausgebildet sein können.

Die Schaltungsanordnung 1 umfasst ferner eine künstliche Intelligenz Kl, insbesondere ein neuronales Netz. Für das Training der künstlichen Intelligenz Kl werden diesem ausgewählte Fahrzeug-Bussignale BS und die von den Microcontrollern pC der Verbrauchergruppen VG1 bis VGn ermittelten Gesamtströme l _Ri bis l _Rn der Verbrauchergruppen VG1 bis VGn zur Verfügung gestellt. Dabei liefern die Fahrzeug- Bussignale BS Informationen über den Gesamtzustand des Fahrzeugs. Hierdurch kann je Verbrauchergruppe VG1 bis VGn ein Normal-Betriebspunkt der Verbraucher R_V1 bis R_Vn der Verbrauchergruppe VG1 bis VGn angelernt werden, indem die Verbraucher R_V1 bis R_Vn in einem Norm-Betriebsmodus betrieben werden und der Gesamtstrom l _Ri bis l _Rn der Verbrauchergruppen VG1 bis VGn zusammen mit einem Label „fehlerfrei“ sowie den Fahrzeug-Bussignalen BS als Trainingsdaten der künstlichen Intelligenz Kl zur Verfügung gestellt werden.

Zusätzlich können der künstlichen Intelligenz Kl im Trainingsfall Gesamtströme l _Ri bis l _Rn der Verbrauchergruppen VG1 bis VGn zusammen mit dem Label „fehlerhaft“ sowie den Fahrzeug-Bussignalen BS als Trainingsdaten zur Verfügung gestellt werden, welche Fehlerfälle einzelner oder aller Verbraucher R_V1 bis R_Vn abbilden.

Alternativ können auch binäre Klassifizierungsmethoden, welche mit ausschließlich einer (z.B. der fehlerfreien) Klasse auskommen, verwendet werden (One-Class-Learning).

Durch maschinelles, insbesondere überwachtes, Lernen wird die künstliche Intelligenz Kl derart trainiert, dass in einer Verbrauchergruppe VG1 bis VGn zwischen Normalbetrieb und Fehlerfall auf Verbraucherebene unterschieden werden kann. Das Ergebnis des Trainings der künstlichen Intelligenz Kl für jeden Verbraucher R_V1 bis R_Vn ist eine trainierte künstliche Intelligenz KI_T mit einem Gesundheitsmodell. Dabei kann für jeden Verbraucher ein eigenes Gesundheitsmodell oder ein gemeinsames Gesundheitsmodell für mehrere oder alle Verbraucher vorgesehen sein.

Figur 3 ist eine schematische Ansicht einer Schaltungsanordnung 1 in einem Anwendungsfall, umfassend mehrere Verbrauchergruppen VG1 bis VGn, die wie in Figur 1 ausgebildet sein können.

Die Schaltungsanordnung 1 umfasst ferner die trainierte künstliche Intelligenz KI_T.

Der trainierten künstlichen Intelligenz KI_T werden die Fahrzeug-Bussignale BS und die von den Microcontrollern pC der Verbrauchergruppen VG1 bis VGn ermittelten Gesamtströme l _Gi bis l _Gn der Verbrauchergruppen VG1 bis VGn zur Verfügung gestellt.

Im Anwendungsfall werden der trainierten künstlichen Intelligenz KI_T ungelabelte Gesamtströme l _Gi bis l _Gn der Verbrauchergruppen VG1 bis VGn sowie Bussignale BS, insbesondere ausgewählte Bussignale BS, zur Verfügung gestellt. Die trainierte künstliche Intelligenz KI_T kann anhand dieser Informationen Rückschlüsse auf den Gesundheitsstatus GS einzelner oder aller Verbraucher R_V1 bis R_Vn einzelner oder aller Verbrauchergruppen VG1 bis VGn ziehen.

Dies erlaubt Rückschlüsse auf Anomalien und Alterungserscheinungen.