GEBIET DER ERFINDUNG

Die vorliegende Erfindung betrifft ein Verfahren zum Detektieren von fehlerhaften Kopplungen zwischen einem Zugfahrzeug und einem Anhänger sowie ein Trainings- system für eine Fahrzeugsteuerung zum Detektieren von fehlerhaften Kopplungen zwischen einem Zugfahrzeug und einem Anhänger.

TECHNISCHER HINTERGRUND

Fehlerhafte Kopplungen zwischen einem Zugfahrzeug und einem Anhänger verursa- chen oft Unfälle mit Sach- oder Personenschaden. Dies geht beispielsweise aus der Internetseite http://www. Verkehrs portal. de/board/index.php?showtopic=83542, die am Anmeldetag dieser Patentanmeldung abrufbar war, hervor.

ZUSAMMENFASSUNG DER ERFINDUNG

Vor diesem Hintergrund liegt der Erfindung die Aufgabe zugrunde, ein Verfahren an- zugeben, mittels welchem fehlerhafte Kopplungen zwischen einem Zugfahrzeug und einem Anhänger detektiert werden können.

Erfindungsgemäß wird diese Aufgabe durch ein Verfahren zum Detektieren von feh- lerhaften Kopplungen zwischen einem Zugfahrzeug und einem Anhänger mit den Merkmalen des Patentanspruchs 1 und/oder durch ein Trainingssystem für eine Fahrzeugsteuerung zum Detektieren von fehlerhaften Kopplungen zwischen einem Zugfahrzeug und einem Anhänger mit den Merkmalen des Patentanspruchs 10 ge- löst.

Demgemäß ist vorgesehen:

- Verfahren zum Detektieren von fehlerhaften Kopplungen zwischen einem Zug- fahrzeug und einem Anhänger mit den folgenden Schritten: Erfassen von Ge- rauschen als Geräuschsignal, die während der Fahrt eines Gespanns aus dem Zugfahrzeug und dem Anhänger, insbesondere in einem unbeladenem Zustand des Anhängers, an einer Kopplung auftreten, mittels eines Mikro- phons des Gespanns; Detektieren von für eine fehlerhafte Kopplung charakte- ristischen Geräuschen; Ermitteln einer Reaktion auf das detektierte charakte- ristische Geräusch mittels einer Recheneinheit des Gespanns; sowie

- ein Trainingssystem für eine Fahrzeugsteuerung zum Detektieren von fehler- haften Kopplungen zwischen einem Zugfahrzeug und einem Anhänger, mit wenigstens einer Schnittstelle, um Trainingsdaten, welche jeweils ein Audio- signal und ein Soll-Reaktionssignal aufweisen, zu erhalten, einer Auswer- teeinheit, welche ein künstliches neuronales Netzwerk bildet und eingerichtet ist, das künstliche neuronale Netzwerk mit Trainingsdaten vorwärtszuspeisen, um Ist-Reaktionssignale zu ermitteln, und eine veränderte Topologie des künstlichen Neuronalen Netzwerks, insbesondere Gewichte, durch Rück- wärtsspeisen der Soll-Reaktionssignale in dem künstlichen neuronalen Netz- werk zu ermitteln, wobei die Topologie eingerichtet ist, in der Fahrzeugsteue- rung zum Detektieren von fehlerhaften Kopplungen zwischen einem Zugfahr- zeug und einem Anhänger gespeichert zu werden.

Kraftfahrzeuge im Sinne dieser Patentanmeldung sind motorgetriebene Landfahr- zeuge.

Ein Zugfahrzeug ist ein ziehendes Fahrzeug in einem Gespann bzw. Hänger- oder Sattelzug. So ist bei einem T raktor mit Anhänger der T raktor das Zugfahrzeug. Wei- tere Beispiele sind LKW in einem Hängerzug, Sattelzugmaschinen in einem Sattel- zug, PKW in einem PKW-Gespann oder ein Fahrrad mit einem Fahrradanhänger.

Ein Anhänger ist ein nicht-motorisierter Teil eines Gespanns. Beispielsweise sind Auflieger, Wohnwägen, PKW-Anhänger und dergleichen Anhänger. In dieser Anmeldung bezieht sich der Begriff Kopplung auf die Verbindung eines Zugfahrzeugs mit einem Anhänger. Kopplungen, die nicht vollständig geschlossen und/oder gesichert sind, sind fehlerhaft.

Charakteristische Geräusche einer fehlerhaften Kopplung sind beispielsweise Klap- pergeräusche von unzureichend gesicherten Bolzen oder Reibgeräusche der Kopp- lungsteile, die aufgrund eines atypischen Reibkontakts der Kopplungsteile entstehen. Auch Schwingungen, die aufgrund unzureichend gesicherter Bauteile entstehen, können charakteristische Geräusche hervorrufen.

Charakteristische Geräusche einer fehlerhaften Kopplung werden unter anderem vom Beladungszustand, beispielsweise„unbeladen“,„halb beladen“,„voll beladen“ und dergleichen beeinflusst. Ferner werden charakteristische Geräusche von Abnut- zungserscheinungen an den Kopplungsteilen beeinflusst.

Ein Mikrophon ist ein Schallwandler, der Luftschall als Schallwechseldruckschwin- gungen in entsprechende elektrische Spannungsänderungen als Mikrophonsignal umwandelt.

Eine Kamera ist eine fototechnische Apparatur, die statische oder bewegte Bilder auf einem fotografischen Film oder elektronisch auf ein magnetisches Videoband oder digitales Speichermedium aufzeichnen oder über eine Schnittstelle übermitteln kann.

Warnsignale sind für den Fahrer eines Fahrzeugs wahrnehmbar und steigern oder fokussieren seine Aufmerksamkeit. Warnsignale können optische, akustische oder haptische Signale sein.

Eine Schnittstelle ist eine Einrichtung zwischen wenigstens zwei Funktionseinheiten, an der ein Austausch von logischen Größen, z.B. Daten, oder physikalischen Grö- ßen, z.B. elektrischen Signalen, erfolgt, entweder nur unidirektional oder bidirektio- nal. Der Austausch kann analog oder digital erfolgen. Der Austausch kann ferner drahtgebunden oder drahtlos erfolgen. Eine Steuerung ist ein elektronisches Modul zur Steuerung oder Regelung. Steue- rungen werden im Kfz-Bereich in allen erdenklichen elektronischen Bereichen einge- setzt, ebenso zur Steuerung von Maschinen, Anlagen und sonstigen technischen Prozessen.

Eine Reaktion auf ein charakteristisches Geräusch einer fehlerhaften Kopplung ist beispielsweise ein Warnsignal an einen Fahrer oder ein Bremssignal zum Abbrem- sen des Gespanns. Einrichtungen zum Ausführen der Signale sind Reaktionseinhei- ten.

Eine Recheneinheit ist eine Vorrichtung, die eingehende Informationen verarbeitet und ein aus dieser Verarbeitung resultierendes Ergebnis ausgibt. Elektronische Schaltungen wie z.B. zentrale Prozessoreinheiten oder Grafikprozessoren sind Re- cheneinheiten.

Ein Gyroskop ist ein rotierender, symmetrischer Kreisel, der sich in einem bewegli- chen Lager dreht. Das Lager kann z.B. eine kardanische Aufhängung sein oder ein Rahmen in Form eines Käfigs. Aufgrund der Drehimpulserhaltung weist der Kreisel ein hohes Beharrungsvermögen gegenüber Lageänderungen im Raum auf. Wird die Drehgeschwindigkeit zwischen Kreisel und Käfig gemessen, spricht man von einem Gyrometer. Gyroskope werden z.B. als Navigationsinstrumente sowie zur aktiven Lageregelung eingesetzt.

Computerprogrammprodukte umfassen in der Regel eine Folge von Befehlen, durch die die Hardware bei geladenem Programm veranlasst wird, ein bestimmtes Verfah- ren durchzuführen, das zu einem bestimmten Ergebnis führt.

Ein künstliches neuronales Netzwerk (KNN, englisch artificial neural network - ANN) ist insbesondere ein in einem Rechenprogramm nachgebildetes Netzwerk aus ver- netzten künstlichen Neuronen. Die künstlichen Neuronen sind dabei typischerweise auf verschiedenen Schichten (layers) angeordnet. Üblicherweise umfasst das künst- liche neuronale Netzwerk eine Eingangsschicht und eine Ausgabeschicht (output layer), deren Neuronenausgabe als einzige des künstlichen neuronalen Netzwerkes sichtbar wird. Zwischen der Eingangsschicht und der Ausgabeschicht liegende Schichten werden typischerweise als verdeckte Schichten (hidden layer) bezeichnet. Typischerweise wird zunächst eine Architektur bzw. Topologie eines künstlichen neu- ronalen Netzwerkes initiiert und dann in einer T rainingsphase für eine spezielle Auf- gabe oder für mehrere Aufgaben in einer Trainingsphase trainiert.

Das Training des künstlichen neuronalen Netzwerkes umfasst dabei typischerweise eine Veränderung eines Gewichts einer Verbindung zwischen zwei künstlichen Neu- ronen des künstlichen neuronalen Netzwerkes. Das Gewicht enthält Information zur Stärke der Berücksichtigung eines Eingangs eines Neurons. Das Training des künst- lichen neuronalen Netzwerkes kann auch eine Entwicklung von neuen Verbindungen zwischen künstlichen Neuronen, ein Löschen von bestehenden Verbindungen zwi- schen künstlichen Neuronen, ein Anpassen von Schwellwerten der künstlichen Neu- ronen und/oder ein Hinzufügen oder ein Löschen von künstlichen Neuronen umfas- sen.

Ein Beispiel für ein künstliches neuronales Netzwerk ist ein flaches künstliches neu- ronales Netzwerkwerk (shallow neural network), welches oft nur eine einzelne ver- d eckte Schicht zwischen der Eingabeschicht und der Ausgabeschicht enthalten und damit relativ einfach zu trainieren ist. Ein weiteres Beispiel ist ein tiefes künstliches neuronales Netzwerkwerk (deep neural network), welches zwischen der Eingangs- schicht und der Ausgabeschicht mehrere verschachtelte verdeckte Schichten von künstlichen Neuronen enthält. Das tiefe künstliche neuronale Netzwerkwerk ermög- licht dabei eine verbesserte Erkennung von Mustern und komplexen Zusammenhän- gen

Beispielsweise kann das künstliche neuronale Netzwerk ein ein- bzw. mehrschichti- ges feedforward-Netzwerk oder eine rekurrentes Netzwerk sein. Feedforward- Netzwerke weisen Neuronen auf, die ausschließlich vorwärtsgespeist werden, d.h. ein Neuron wird ausschließlich von höher liegenden Schichten gespeist.

Ein rekurrentes Netzwerk weist bidirektional verbundene Neuronen auf, d.h. ein Neu- ron wird zudem tiefer liegenden Schichten gespeist. Somit lässt sich bei einem späte- ren Durchlauf des KNN Information aus eine früheren Durchlauf berücksichtigen, wodurch ein Erinnerungsvermögen geschaffen wird.

Ein T rainingssystem ist eine Recheneinheit, auf welcher ein KNN trainiert wird.

Trainingsdaten sind in dieser Anmeldung Datenpaare aus Eingangsdaten, die von dem KNN zu verarbeiten sind, sowie Ergebnissolldaten, die von dem KNN zu ermit- teln sind. Während des Trainings wird das KNN aufgrund eines Vergleichs von Er- gebnissolldaten mit dem von dem KNN ermittelten Ergebnis angepasst, wodurch sich ein Trainingseffekt einstellt.

Die Eingangsdaten, mit welchen das KNN in dieser Anmeldung gespeist wird sind Geräusche bzw. Audiosignale, die Geräusche kodieren. Die Eingangsdaten können Kontaktgeräusche von Kopplungen enthalten.

Ein Audiosignal ist ein elektrisches Signal, das akustische Informationen transpor- tiert.

Die grundlegende Idee der Erfindung ist es, die Geräuschemissionen von Kopplun- gen zwischen einem Zugfahrzeug und einem Anhänger zu überwachen und die Ge- räuschemissionen hinsichtlich charakteristischer Geräusche einer fehlerhaften Kopp- lung auszuwerten.

Vorteilhafte Ausgestaltungen und Weiterbildungen ergeben sich aus den weiteren Unteransprüchen sowie aus der Beschreibung unter Bezugnahme auf die Figuren der Zeichnung.

Dabei kann insbesondere vorgesehen sein, dass Geräusche während einer Fahrt eines Gespanns erfasst werden, wenn der Anhänger in einem unbeladenem Zustand ist. Somit werden lediglich die reinen Betriebsgeräusche, die aufgrund der Fahrt des Gespanns aus dem Anhänger und dem Zugfahrzeug entstehen erfasst. Dies erleichtert die Erkennung einer fehlerhaften Kopplung. Ferner kann es vorteilhaft sein, wenn zum Detektieren von charakteristischen

Geräuschen ein Beladungszustand berücksichtigt wird, d.h. dass vor dem

Detektieren der charakteristischen Geräusche ein Beladungszustand ermittelt wird.

Ferner kann es vorteilhaft sein, dass erfasste Geräusche hinsichtlich von

Geräuschen, die aufgrund von Abnutzungserscheinungen an den Kopplungsteilen wie Rost entstehen, gefiltert werden.

Gemäß einer bevorzugten Weiterbildung der Erfindung ist die Reaktion ein Warnsig- nal an einen Fahrer des Zugfahrzeugs und/oder an andere Verkehrsteilnehmer. So- mit lässt sich der Fahrer des Zugfahrzeugs über eine potentielle Gefahr durch ein unzureichend gesichertes Gespann informieren. Zudem lassen sich andere Ver- kehrsteilnehmer, beispielsweise mittels eines Wamblinkers, vor möglicherweise be- vorstehenden Auffahrunfällen aufgrund einer sich lösenden Kopplung warnen.

Gemäß einer bevorzugten Weiterbildung der Erfindung ist die Reaktion ein Brems- signal zum Abbremsen des Gespanns. Somit kann das Gespann kontrolliert ent- schleunigt werden. Dabei ist es zweckmäßig, wenn das Gespann nicht abrupt abge- bremst wird, da hierbei der Anhänger bei einer fehlerhaften Kopplung mit dem Zug- fahrzeug verloren gehen kann.

Gemäß einer bevorzugten Weiterbildung der Erfindung ist die Reaktion eine reduzier- te Höchstgeschwindigkeit des Gespanns bzw. des Zugfahrzeugs. Somit lässt sich ein Fahrer unverzüglich dazu bewegen, die Kopplung des Gespanns zu überprüfen. Ferner lassen sich somit die Kräfte, die auf die fehlerhafte Kopplung wirken, reduzie- ren. Somit lässt sich die Gefahr, dass sich ein Anhänger einer fehlerhaften Kopplung vom Zugfahrzeug löst, reduzieren.

Ferner kann vorgesehen sein, dass mittels weiterer Sensoren, wie einem Gyroskop oder einem Beschleunigungssensor weitere Sensordaten bezüglich der Bewegung des Gespanns erfasst werden und diese Sensordaten zur Plausibilisierung und/oder zur Verbesserung der Genauigkeit der detektierten charakteristischen Geräusche verwendet werden. Gemäß einer bevorzugten Weiterbildung der Erfindung wird eine Kopplung des Ge- spanns ferner mittels einer Kamera ausgewertet. Somit lässt sich das detektierte Ge- räusch mittels Bilddaten überprüfen. Ferner lässt sich somit eine Ursache einer feh- lerhaften Kopplung verständlich für einen Fahrer illustrieren.

Gemäß einer bevorzugten Weiterbildung der Erfindung wird das Geräusch mittels einer Vielzahl an Mikrophonen, insbesondere von einem Mikrophonarray, erfasst. Somit lässt sich der räumliche Ursprung eines Geräuschs genau lokalisieren. Ein Mikrophonarray umfasst eine Vielzahl von Mikrophonen, welche rasterartig angeord- net sind.

Gemäß einer bevorzugten Weiterbildung der Erfindung wird das erfasste Geräusch in mehrere Bestandteile zerlegt. Somit lassen sich Nebengeräusche, die nicht die Kopplung betreffen, ausblenden.

Es versteht sich, dass Fahrerassistenzsysteme für einen Fahrer eines Gespanns zum Durchführen eines Verfahrens nach einem der vorstehenden Ansprüche mit ei- ner Vielzahl von Mikrophonen zum Erfassen von Geräuschen als Geräuschsignal, die während der Fahrt eines Gespanns aus dem Zugfahrzeug und dem Anhänger an der Kopplung auftreten, einer Recheneinheit zum Auswerten der erfassten Ge- räuschsignale hinsichtlich des Detektierens von fehlerhaften Kopplungen zwischen einem Zugfahrzeug und einem Anhänger und zum Ermitteln einer Reaktion auf ein detektiertes charakteristisches Geräusch und mit einer Reaktionseinheit zum Durch- führen einer ermittelten Reaktion aufgrund des detektierten charakteristischen Ge- rä uschs vorteilhaft sind.

Das Computerprogrammprodukt gemäß einer Ausführungsform der Erfindung führt die Schritte eines Verfahrens gemäß der vorangehenden Beschreibung aus, wenn das Computerprogrammprodukt auf einem Computer, insbesondere einem fahrzeug- internen Computer, läuft. Wenn das betreffende Programm auf einem Computer zum Einsatz kommt, ruft das Computerprogrammprodukt einen Effekt hervor, nämlich die Erkennung von fehlerhaften Kopplungen von Gespannen, die eine potentielle Gefahr für den Straßenverkehr darstellen. Gemäß einer bevorzugten Weiterbildung der Erfindung weist das Soll- Reaktionssignal der Trainingsdaten ein Warnsignal, welches an einen Fahrer gerich- tet ist, auf.

Dabei ist es vorteilhaft, wenn das Warnsignal als haptisches, optisches oder Audio- Warnsignal ausgebildet ist. Haptische Warnsignale können beispielsweise Vibrati- onssignale, mit welchen Gegenstände, mit denen ein Fahrer in Berührung ist, beauf- schlagt werden. Beispielsweise lässt sich ein Lenkrad oder ein Bereich eines Fahrer- sitzes mit einem Vibrationssignal beaufschlagen. Alternativ oder zusätzlich kann das Warnsignal als optisches Signal, welches auf einem Display, zum Beispiel auf einem Head-Up-Display, angezeigt wird, ausgebildet sein. Weiter alternativ oder zusätzlich sind auch Audio-Warnsignale, also Töne, denkbar.

Es versteht sich, dass ein Verfahren zum Trainieren eines künstlichen neuronalen Netzwerks eines Fahrerassistenzsystems mit den folgenden Schritten vorteilhaft ist: Bereitstellen von wenigstens einem Paar aus einem Audiosignal und einem Soll- Reaktionssignal; Vorwärtsspeisen des künstlichen neuronalen Netzwerks mit dem wenigstens einem Audiosignal; Ermitteln eines Ist-Reaktionssignals aufgrund des Vorwärtsspeisens; Rückwärtsspeisen des künstlichen neuronalen Netzwerks auf- grund eines Unterschieds zwischen dem Ist-Reaktionssignal und dem Soll- Reaktionssignal.

Das Computerprogrammprodukt gemäß einer Ausführungsform der Erfindung führt die Schritte eines Verfahrens gemäß der vorangehenden Beschreibung aus, wenn das Computerprogrammprodukt auf einem Computer, insbesondere einem fahrzeug- internen Computer, läuft. Wenn das betreffende Programm auf einem Computer zum Einsatz kommt, ruft das Computerprogrammprodukt einen Effekt hervor, nämlich maschinelles Lernen bzw. Trainieren eines KNN zum Detektieren von fehlerhaften Kopplungen zwischen einem Zugfahrzeug und einem Anhänger.

INHALTSANGABE DER ZEICHNUNGEN Die vorliegende Erfindung wird nachfolgend anhand der in den schematischen Figu- ren der Zeichnungen angegebenen Ausführungsbeispiele näher erläutert. Es zeigen dabei:

Figur 1 ein Blockschaltbild einer Ausführungsform der Erfindung;

Figur 2 ein Blockschaltbild einer Ausführungsform der Erfindung;

Figur 3 ein Blockschaltbild einer Ausführungsform der Erfindung.

Die beiliegenden Zeichnungen sollen ein weiteres Verständnis der Ausführungsfor- men der Erfindung vermitteln. Sie veranschaulichen Ausführungsformen und dienen im Zusammenhang mit der Beschreibung der Erklärung von Prinzipien und Konzep- ten der Erfindung. Andere Ausführungsformen und viele der genannten Vorteile er- geben sich im Hinblick auf die Zeichnungen. Die Elemente der Zeichnungen sind nicht notwendigerweise maßstabsgetreu zueinander gezeigt.

In den Figuren der Zeichnungen sind gleiche, funktionsgleiche und gleichwirkende Elemente, Merkmale und Komponenten - sofern nicht anders ausgeführt ist - jeweils mit denselben Bezugszeichen versehen.

BESCHREIBUNG VON AUSFÜHRUNGSBEISPIELEN

Figur 1 zeigt ein Blockschaltbild eines Trainingssystems 10 gemäß einer Ausfüh- rungsform der Erfindung. Das Trainingssystem 10 umfasst eine Schnittstelle 12 so- wie eine Auswerteeinheit 20 mit einem KNN 22. Das KNN 22 umfasst mehrere Neu- ronen, die in Figur 1 vereinfacht mit 108a-f dargestellt sind. Dabei bilden die Neuro- nen 108a, b eine Eingangsschicht 102, die Neuronen 108c, d, e bilden eine verdeck- te Schicht 104 und das Neuron 108f bildet eine Ausgabeschicht 106.

Die Neuronen 108a, b der Eingangsschicht 102 werden über die Schnittstelle 12 mit einem Audiosignal 16 vorwärtsgespeist. Das Audiosignal 16 wird in den Neuronen 108a, b der Eingangsschicht mit Initialgewichten gewichtet. Dabei kann vorgesehen sein, dass das Audiosignal 16 in mehrere Signalanteile zerlegt wird und die Signalan- teile gewichtet werden. Es kann vorgesehen sein, dass auf die gewichteten Ein- gangsdaten eine oder mehrere Funktionen angewendet werden. Die Auswertung der Funktion bildet den Ausgabewert eines Neurons 108a, b, der an die Neuronen 108c, d, e der nächst tieferen Schicht, also der verdeckten Schicht 104, als Ein- gangswerte übergeben werden. Es kann vorgesehen sein, dass die verdeckte Schicht 104 mehrere Schichten aufweist.

Ähnlich wie in der Eingangsschicht 102 werden die an die Neuronen 108c, d, e der verdeckten Schicht übergebenen Eingangswerte gewichtet und eine oder mehrere Funktionen wird auf die gewichteten Eingangswerte angewendet. Die Auswertung der Funktionen, die auf die gewichteten Eingangswerte angewendet wird, bilden die Ausgangswerte der Neuronen 108c, d, e. Diese Ausgangswerte werden an die Neu- ronen der Ausgabeschicht 106 als Eingangswerte übergeben. In Figur 1 sind die Neuronen der Ausgabeschicht 106 beispielhaft als ein Neuron 108f dargestellt. Das Neuron 108f errechnet aus den Eingabewerten, die von den Neuronen 108c, d, e der verdeckten Schicht 104 übergeben wurden, unter Gewichtung der Eingabewerte und unter Anwendung einer oder mehrerer Funktionen auf die gewichteten Eingabewerte einen Ausgangswert. Von diesem Ausgangswert lässt sich ein Ist-Reaktionssignal 24 ableiten. Dieser Ablauf wird auch als Vorwärtsspeisen eines KNN bezeichnet.

In einem nächsten Schritt wird das Ist-Reaktionssignal 24 mit dem Soll- Reaktionssignal 18, welches der Auswerteeinheit 20 über die Schnittstelle 12 über- geben wurde, verglichen.

Im nächsten Schritt wird die Topologie der einzelnen Schichten 102, 104, 106 des KNN 22 derart angepasst, dass das KNN 22 für das übergebene Audiosignal 16 das Soll-Reaktionssignal 18 errechnet. Die Anpassung der Topologie 26 kann dabei eine Veränderung der Gewichte, das Hinzufügen von Verbindungen zwischen Neuronen, das Entfernen von Verbindungen zwischen Neuronen und/oder das Verändern von Funktionen, die auf gewichtete Eingangswerte angewendet werden, umfassen. Die- ser Ablauf wird auch als Rückwärtsspeisen eines KNN bezeichnet. Die Figur 2 zeigt ein Blockschaltbild eines Verfahrens zum Trainieren eines KNN gemäß einer Ausführungsform der Erfindung. Das Verfahren umfasst die Schritte S1 - S4.

In dem Schritt S1 wird ein Signalpaar aus einem Audiosignal 16 und einem Soll- Reaktionssignal 18 bereitgestellt.

In dem Schritt S2 wird das KNN 22 mit dem Audiosignal 16 vorwärtsgespeist.

In dem Schritt S3 wird ein Ist-Reaktionssignal 24 aufgrund des Vorwärtsspeisens S2 ermittelt.

In dem Schritt S4 wird das künstliche neuronale Netzwerk 22 aufgrund eines Unter- schieds zwischen dem Ist-Reaktionssignal 24 und dem Soll-Reaktionssignal 18 rückwärtsgespeist. Dabei wird eine veränderte Topologie 26 des KNN, insbesondere Gewichte, um die Ermittlung von Ist-Reaktionssignalen aufgrund des Vorwärtsspei- sens zu verbessern, ermittelt.

Die Figur 3 zeigt ein Blockschaltbild eines Verfahrens zum Detektieren von fehlerhaf- ten Kopplungen zwischen einem Zugfahrzeug und einem Anhänger. In dem Schritt St1 wird ein Geräusch, welches während der Fahrt eines Gespanns aus dem Zug- fahrzeug und dem Anhänger an der Kopplung auftritt, als Geräuschsignal mittels ei- nes Mikrophons, erfasst. In dem Schritt St2 wird ein für eine fehlerhafte Kopplung charakteristisches Geräusch detektiert.

In dem Schritt St3 wird eine Reaktion auf das detektierte charakteristische Geräusch mittels einer Recheneinheit des Gespanns ermittelt. Bezuaszeichen

10 Trainingssystem

12 Schnittstelle

14 Trainingsdaten

16 Audiosignal

18 Soll-Reaktionssignal

20 Auswerteeinheit

22 künstliches neuronales Netzwerk

24 Ist-Reaktionssignal

26 Topologie

102 Eingangsschicht

104 verdeckte Schicht

106 Ausgabeschicht

108a-f Neuronen

S1 -S4 Verfahrensschritte

St1 - St3 Verfahrensschritte