ERMITTLUNG DES ZUSTANDES VON KAROSSERIEKOMPONENTEN

Die Erfindung betrifft ein Verfahren und eine Einrichtung zum Ermitteln bzw. Überwachen des fahrbetriebsbedingten Zustandes von Fahrgestell- bzw. Karosseriekomponenten eines Fahrzeugs sowie eines entsprechend zugrundeliegenden Fahrerverhaltens.

Stand der Technik

Über die individuelle Nutzungshistorie von Fahrzeugen gibt es heutzutage wenig bis gar kei ne Transparenz. Daher kann der resultierende Fahrzeugzustand und der Grad des Ver schleißes insbesondere von Fahrgestell- und Karosseriebauteilen nicht automatisch auf ei ner regelmäßigen, z.B. täglichen Basis ermittelt werden, da die zugrundeliegende Nutzungs historie bezüglich mechanischer Belastungen, Stöße oder anderer Ereignisse bzw. Vorfälle aufgrund des individuellen Fahrverhaltens oder der Straßenbedingungen nicht bekannt ist.

Darüber hinaus haben Fahrzeughersteller sehr heterogene und proprietäre Sensorsysteme an Bord, die dem Fahrzeugbesitzer oder -betreiber nur sehr begrenzten Zugang gewähren, um solche Sensordaten für ihre eigenen Fahrzeug- oder Flottendiagnosezwecke zu verwen den. In der Industrie besteht daher eine zunehmende Nachfrage nach leicht nachrüstbaren und fahrzeugunabhängigen Sensorsystemen zur kontinuierlichen Überwachung und Analyse von Fahrzeugdaten, und zwar unter besonderer Berücksichtigung von Erfassung und Quanti fizierung von mechanischen Belastungen wie z.B. Stößen oder anderen Schadensfällen so wie von Missbrauchsfällen aufgrund eines individuellen Fahrverhaltens des jeweiligen Fah rers oder der im Fährbetrieb vorgelegenen Straßenbedingungen.

Aus DE 10 2009 025 278 A1 gehen ein Verfahren und ein Gerät zur Bewertung der Fahrzeu gabnutzung zur Abrechnung von zur Nutzung überlassenen Kraftfahrzeugen hervor. Das Verfahren nutzt dabei das Gerät zur Ermittlung von Kennziffern, die im Wesentlichen Ver schleiß verursachende und auf die Räder wirkende Kräfte repräsentieren. Das Gerät kann unabhängig vom Fahrzeug und ausschließlich mit geräteinternen Einrichtungen betrieben werden. Während der Fahrt des Fahrzeugs registriert das Gerät die zurückgelegte Wegstre cke und Verschleiß verursachende und auf die Räder wirkende Kräfte. Anhand dieser Infor mationen wird eine den momentanen Fahrstil repräsentierende Kennziffer ermittelt, mittels der Mietvorgänge des Fahrzeugs so optimiert werden können, dass der Vermieter im Mittel einen nutzungsabhängig kalkulierten Mietpreis erzielt. Das Gerät kann dem Fahrer über eine Anzeigeeinheit die Kennziffer zum Beispiel grafisch anzeigen. Diese Kennziffer repräsentiert die momentane Verschleißsituation des Fahrzeugs. Durch Integration der Kennziffer über die Zeit oder den Weg kann daraus die Verschleißsituation des Fahrzeugs für eine Dauer und/oder Strecke ermittelt werden. Damit kann eine Bewertung der Fahrzeugabnutzung zur Abrechnung von zur Nutzung überlassenen Kraftfahrzeugen erfolgen.

Offenbarung der Erfindung

Die Erfindung schlägt ein Verfahren und eine Einrichtung zum Ermitteln bzw. Überwachen des fahrbetriebsbedingten mechanischen Zustandes eines Fahrzeugs anhand von realen, physikalischen Messgrößen. Der Fahrzeugzustand betrifft dabei wenigstens eine mechani sche Komponente des Fahrzeugs, z.B. eine Komponente des Fahrzeugchassis', des Fahr werks oder dergleichen.

Mit dem vorgeschlagenen Verfahren soll auch ermöglicht werden, ein insbesondere im Fähr betrieb eines Fahrzeugs vorliegendes Fahrerverhalten eines jeweiligen Fahrzeugführers zu ermitteln.

Das vorgeschlagene Verfahren setzt voraus, dass in dem Fahrzeug wenigstens ein Sensor zur Erfassung mindestens einer dynamischen, mechanischen Messgröße, und zwar sowohl im Fahrzeugbetrieb als auch im Ruhezustand des Fahrzeugs, vorhanden ist.

Das vorgeschlagene Verfahren sieht insbesondere vor, dass an den von dem wenigstens einen Sensor erfassten Sensordaten wenigstens eine Fensterung der Sensordaten in eine empirisch vorgebbare Fensterlänge, eine Merkmalsextraktion zur Bereitstellung charakteristi scher Merkmale in den Sensordaten anhand von zu erzeugenden Merkmalsvektoren, eine Segmentierung der erzeugten Fenster in Segmente unterschiedlicher Länge sowie eine Klassifizierung der Sensordaten anhand der erzeugten Merkmalsvektoren durchgeführt wer den. Dabei ergeben sich wiederum Ergebnisdaten für die genannten realen, physikalischen Messgrößen. Diese Messgrößen können mit genauen Positions- und Zeitdaten versehen werden. Bei den Positionsdaten kann es sich um mittels eines GPS-Sensors gewonnene Ortsdaten, d.h. entsprechende Werte der geografischen Länge und Breite, handeln.

Bei dem ersten Verfahrensschritt der Fensterung kann vorgesehen sein, dass mittels eines Beschleunigungssensors erfasste Beschleunigungsdaten sowie mittels eines Rotationssen sors bzw. Gyrometers erfasste Rotationsdaten zunächst in kurze, leicht überlappende Fens- ter mit einer empirisch vorgebbaren, festen Zeitlänge unterteilt werden. Bevorzugt wird dabei eine Fensterlänge At von 0.2 bis 60 s mit einer Fensterüberlappung von 0 bis 0.5 der gesam ten Fensterlänge verwendet. Bei relativ kurzzeitigen Ereignissen wird bevorzugt eine Fens terlänge von 250 bis 1000 ms mit einer Überlappung von bis zu 1/8 der gesamten Fenster länge verwendet.

Bei dem zweiten Verfahrensschritt der Merkmalsextraktion kann vorgesehen sein, dass für jedes erzeugte Fenster verschiedene charakteristische Merkmale abgeleitet bzw. extrahiert werden. Aus den zeitabhängigen Rohdaten bzw. Rohzeitreihen extrahierte Merkmale können dabei entweder Zeitdomänenmerkmale wie z.B. Mittelwerte, Mediane, Standardabweichun gen, mittlere Ableitungen, Standardabweichungsableitungen und Nulldurchgangsraten, oder Frequenzdomänenmerkmale wie z.B. Hochfrequenzanteile, Dominantfrequenzen oder Spek traldifferenzen sein. Mit solchen Merkmalen lässt sich jedes der erzeugten Fenster in jeder Achse der jeweiligen Rohzeitreihe durch einen hochdimensionalen Merkmalsvektor kenn zeichnen.

Bei dem dritten Verfahrensschritt der Segmentierung kann vorgesehen sein, dass Über gangspunkte in der Abfolge genannter Merkmalsvektoren identifiziert werden, an denen ab rupte Änderungen auftreten. Dabei kann ein multivarianter Algorithmus zur Wechselpunkter fassung anwendet werden. Diese Übergangspunkte ermöglichen es, ähnliche aufeinander folgende Fenster zu Segmenten unterschiedlicher Länge zu gruppieren, wobei jedes Seg ment einer anderen Art von mechanischer Belastung des Fahrzeugs entspricht. Wenn die Zeitreihendaten segmentiert sind, werden genannte Merkmalsvektoren von Fenstern inner halb jedes Segments aggregiert, was einen aggregierten Merkmalsvektor pro Segment er gibt.

Bei dem vierten Verfahrensschritt der Klassifizierung der Sensordaten können auf Basis der Merkmalsvektoren Informationen über den momentanen Betriebszustand des Fahrzeugs (z.B. Fahrzeug ruht oder im Fährbetrieb, Betriebszustand des Motors), über die Straßenober flächenbeschaffenheit sowie über den jeweils vorliegenden Missbrauchs- bzw. Aufpralltyp abgeleitet werden. Hierfür kommen an sich bekannte Clustering- und Klassifikationsalgorith men, z.B. die Methode des„Gaussian-Mixture“-Clustering oder die„Random-Forest“-Klassi- fikation, zum Einsatz. Dabei wird jedes Fenster oder Segment anhand seines mehrdimensio nalen Merkmalvektors einer Gruppe (Cluster oder Klasse) zugeordnet. Jede Gruppe enthält somit Segmente bzw. Fenster mit ähnlicher Merkmalskombination und entspricht daher einer jeweils anderen Art von mechanischer Belastung des Fahrzeugs Besonders rechenintensive Berechnungsschritte bei den genannten vier Verfahrensschritten können auf einem außerhalb des Fahrzeugs angeordneten (externen) Rechner, z.B. mittels Cloud-Computing, ausgeführt bzw. durchgeführt werden. Weniger rechenintensive Berech nungsschritte können dagegen bereits in dem Fahrzeug durchgeführt werden und nur ent sprechend vorprozessierte Daten an den externen Rechner übertragen werden, um insbe sondere das Datenvolumen der zu übertragenden Daten zu reduzieren bzw. zu minimieren.

Darüber hinaus können Parameter und Hyperparameter der genannten Klassifizierungsalgo rithmen aus dem vierten Verfahrensschritt anhand von Trainingsdaten mittels an sich be kannter maschineller Lernalgorithmen („machine learning algorithms“) angelernt bzw. trai niert werden, wobei entsprechende Trainingsdaten bevorzugt für ein individuelles Fahrzeug oder einen Fahrzeugtyp spezifisch an einem jeweiligen Teststand erzeugt werden können. Alternativ oder zusätzlich können die Trainingsdaten, ebenfalls fahrzeugspezifisch, bei Fahr ten auf einer geeignet präparierten Teststrecke erzeugt werden, wobei z.B. vorab definierte Fahrzeug-Missbrauchs- bzw. Schadeneinwirkungsszenarien auf das jeweilige Fahrzeug im Standbetrieb und/oder im Fährbetrieb reproduzierbar nachgestellt und sensorisch erfasst werden.

Für Segmente, die als kurzzeitige transiente Schock- oder Stoßereignisse klassifiziert wer den, kann eine zusätzliche Wavelet-Analyse an genannten Fenstern durchgeführt werden. In Kombination mit den Zeit- und Frequenzmerkmalen ermöglicht diese Vorgehensweise eine Analyse des Ortes (d.h. genaue Position der Einwirkung am Fahrzeug), der Richtung und der Art der jeweiligen Ein- bzw. Auswirkungen auf das Fahrzeug.

Die genannten Verfahrensschritte des vorgeschlagenen Analyseverfahrens können auch gleichzeitig mit der Datenübertragung in eine Cloud- Plattform durchgeführt werden. Sobald das Verfahren trainiert wurde, ist daher eine kontinuierliche Echtzeitanalyse möglich.

Zusammenfassend umfasst das vorgeschlagene Verfahren die folgenden drei Hauptziele:

(1) Verfolgen von Fahrzeugstatistiken: Ermittlung der Anzahl an Vibrationen und/oder Beschleunigungsspitzen oberhalb empirisch vorgegebener Schwellenwerte, welche einen erheblichen Fahrzeugverschleiß verursachen und damit zu einer erheblichen Wertminderung des jeweiligen Fahrzeugs führen können.

(2) Klassifizierung der Beanspruchungsarten: Erkennung verschiedener Straßenzustän de, plötzlicher Einwirkungen („impacts“) auf das Fahrzeug und kritischer Ereignisse z.B. aufgrund von Fahrzeugmissbrauch, aufgrund von Unfällen oder durch eine indivi duelle Fahrweise verursacht.

(3) Charakterisierung kritischer Auswirkungen wie Richtung, Größe und Position von ex ternen Lasten oder Stößen am Fahrzeug.

Diese Arten von kritischen Ereignissen werden identifiziert, klassifiziert und der daraus resul tierende Schaden und Grad der Abnutzung an bestimmten, mechanischen Fahrzeugkompo nenten abgeleitet. Auf diese Weise kann auch der Chassis- und Karosseriezustand eines gesamten Fahrzeugs ermittelt werden. Weiterhin können charakteristische Bewegungsereig nisse am Fahrzeug identifiziert werden, die auf den Gebrauch des Fahrzeugs schließen las sen, z.B. das Zusteigen von Personen in das Fahrzeug, das Zuschlägen von einzelnen Tü ren oder das Anlassen und Ausschalten des Motors.

Anhand der vorliegenden Sensordaten kann auch eine Fahrverhaltensanalyse zur Erken nung eines Fahrzeugmissbrauchs durchgeführt werden, und zwar durch eine anhand der Sensordaten durchgeführte Richtungserkennung und Schweregradindikation. Eine genaue Lokalisierung bzw. Richtungserkennung von Schadensereignissen kann dabei anhand der Sensordaten, insbesondere anhand der von einem genannten Rotations- bzw. Gyrosensor bereitgestellten Daten, erfolgen. Dadurch kann ein charakteristisches Missbrauchs-Muster erkannt und zusätzlich z.B. bezüglich des Schweregrads qualifiziert bzw. quantifiziert wer den. Ein jeweils erkanntes Missbrauchs-Muster kann auch zu Plausibilisierungszwecken z.B. mit öffentlich zugänglichen Straßendaten oder Verkehrsdaten abgeglichen werden.

Bei dem vorgeschlagenen Verfahren kann hierzu vorgesehen sein, dass die Richtungserken nung einer mechanischen Einwirkung auf das Fahrzeug mittels Klassifizierung der Sensorda ten erfolgt. Die Klassifizierung der Sensordaten kann mittels einer Wavelet-Analyse erfolgen, wobei die Sensordaten bezüglich der Position und der Richtung der mechanischen Einwir kung auf das Fahrzeug eingruppiert werden. Die Klassifizierung kann zudem auf einem En semble einer Vielzahl von Entscheidungsbäumen beruhen, wobei für jeden Entscheidungs baum anhand von erzeugten Wavelet-Merkmalen und deren Korrelation mit Zeit- und Fre- quenzdomänen-Merkmalen eine Zuordnung eines jeweiligen Ereignisses zu einer dominan ten Einwirkungsrichtung erstellt wird.

Durch das Trainieren des Klassifikators mit zusätzlichen Straßen- und Verkehrsdaten ist es weiterhin möglich, mit Hilfe der vorliegenden Sensordaten bestimmte Straßentypen (z.B. Au tobahn, Landstraße, Stadtstraßen) oder Fahrbahnoberflächen (z.B. Asphalt, Kopfsteinpflas ter, unbefestigter Weg) zu erkennen. Um weitere Indikatoren für möglichen Nutzungsmissbrauch eines Fahrzeugs zu erhalten, können auch zu diesem Zweck maschinelle Lernalgorithmen zur Datenanalyse eingesetzt werden. Diese Algorithmen können auf Trainingsdaten zugreifen, welche z.B. an einer Test strecke oder anhand von Feldtests in realen Betriebs- bzw. Fahrsituationen erzeugt werden. Dadurch ist eine zuverlässige Klassifizierung von relevanten Ereignissen möglich.

Das vorgeschlagene Verfahren ermöglicht somit eine genaue und insbesondere zeitlich um fassende Analyse von hier betroffenen Sensordaten. Dadurch kann für ein bestimmtes Fahr zeug sogar eine vollständige Gebrauchs- bzw. mechanische Belastungshistorie angelegt werden, welche unterschiedlichste Ereignisse des Produktlebenszyklus umfassen kann. Die se Ereignisse können hinsichtlich ihrer Bedeutung für den Wert des Fahrzeugs, den mecha nischen Zustand bestimmter, tatsächlich lokalisierter Fahrzeugkomponenten sowie die Rück verfolgbarkeit und den Schweregrad von durch Fahrzeugmissbrauch oder Fahrzeugunfälle hervorgerufenen mechanischen, aber nicht notwendigerweise sofort sichtbaren, Schädigun gen am Fahrzeug umfassen.

Die Erzeugung einer lückenlosen digitalen Fahrzeughistorie erlaubt es dem Besitzer eines Fahrzeugs, jeden in der Fahrzeughistorie gefahrenen Kilometer hinsichtlich der dabei erfah renen Ereignisse, z.B. Schadensfälle, Fahrstile und/oder jeweils überfahrene Fahrbahnober flächen, nachzuverfolgen. Für diese Ereignisse können die jeweils zugehörigen Positionsda ten mit ausgewertet werden und so nachträglich eine mögliche Korrelation mit vor Ort vorlie genden Verhältnissen, z.B. Straßenverhältnissen, durchgeführt werden. Anhand der sich da bei ergebenden Informationen kann sogar eine relative Fahrzeugabnutzung ermittelt werden. Bei Fahrzeugflotten können diese Informationen z.B. relativ zu einem repräsentativen Fahr zeugtyp oder einer repräsentativen Nutzergruppe statistisch ausgewertet werden.

Mit dem vorgeschlagenen Verfahren können zudem auch relativ geringfügige bzw. leichte Fahrzeugschäden, die optisch nicht erkennbar sind, aber zu einem vorzeitigen Verschleiß oder Versagen von Komponenten führen können, erkannt werden. Dadurch kann auch Fahr zeugmissbrauch transparent für z.B. einen Autovermieter oder ein Leasingunternehmen oder eine Versicherung qualifiziert und quantifiziert werden, noch bevor das Fahrzeug begutachtet wird.

Das vorgeschlagene Verfahren ermöglicht zudem eine verbesserte Unterstützung von Fahr zeugführern bzw. Fahrzeugbesitzern in einem Schadensfall, um dabei genauere Informatio nen z.B. über einen Unfallhergang oder eine verbesserte Erstellung eines Schadengutach tens auf der Grundlage der Sensorinformationen bereitzustellen. Darüber hinaus können da bei gezieltere Hinweise auf wahrscheinlich zu reparierende Komponenten gegeben werden. Es ist anzumerken, dass das vorgeschlagene Verfahren modular implementiert werden kann, so dass das Verfahren entweder insgesamt in dem Fahrzeug oder auf einem externen Rechner (Cloud) durchgeführt werden kann oder dass z.B. ein erster Teil des Verfahrens in dem Fahrzeug und der jeweils zweite Teil auf dem externen Rechner durchgeführt wird.

Die ebenfalls vorgeschlagene Einrichtung zum Ermitteln bzw. Überwachen des fahrbetriebs bedingten mechanischen Zustandes eines Fahrzeugs weist Rechenmittel auf, mittels derer die vorgenannten Verfahrensschritte automatisiert ausgeführt werden können. Bei der An ordnung bzw. Implementierung der Einrichtung in einem Fahrzeug weist die Einrichtung zu sätzlich eine genannte Sensorik zur Erfassung mindestens einer dynamischen, mechani schen Messgröße auf.

Es ist allerdings hervorzuheben, dass die Einrichtung auch in einem externen Rechner, z.B. in einem Cloud-Computing-System bzw. einer Cloud-Computing-Plattform, eingerichtet wer den kann. In dieser Ausgestaltung werden die von der in einem Fahrzeug angeordneten Sensorik bereitgestellten Sensordaten der Einrichtung zugeführt und von dieser gemäß den vorgenannten Verfahrensschritten ausgewertet.

Die Erfindung kann insbesondere bei einem Kraftfahrzeug, prinzipiell aber auch bei Nutzfahr zeugen, Wasserfahrzeugen, Unterwasserfahrzeugen, Luft-/Raumfahrzeugen oder derglei chen, welche einer nutzungsabhängigen, mechanischen Abnutzung unterliegen, entspre chend zum Einsatz kommen.

Das Computerprogramm ist eingerichtet, jeden Schritt des Verfahrens durchzuführen, insbe sondere wenn es auf einem Rechengerät oder in einem an dem jeweiligen Fahrzeug ange ordneten Steuergerät abläuft. Es ermöglicht die Implementierung des Verfahrens auch in ei nem bereits vorliegenden Steuergerät des Fahrzeugs, ohne an dem Steuergerät bauliche Veränderungen vornehmen zu müssen. Hierzu ist der maschinenlesbare Datenträger vorge sehen, auf welchem das Computerprogramm gespeichert ist. Durch Aufspielen des Compu terprogramms auf einen Mikroprozessor bzw. Mikrocontroller eines solchen Steuergerätes ist dieses eingerichtet, um das Verfahren auszuführen.

Weitere Vorteile und Ausgestaltungen der Erfindung ergeben sich aus der Beschreibung und den beiliegenden Zeichnungen.

Es versteht sich, dass die voranstehend genannten und die nachstehend noch zu erläutern den Merkmale nicht nur in der jeweiligen angegebenen Kombination, sondern auch in ande- ren Kombinationen oder in Alleinstellung verwendbar sind, ohne den Rahmen der vorliegen den Erfindung zu verlassen.

Kurze Beschreibung der Zeichnungen

Fig. 1 zeigt ein erstes Ausführungsbeispiel des erfindungsgemäßen Auswerteverfah rens anhand eines Flussdiagramms.

Fig. 2 zeigt einen beispielhaften Auswertealgorithmus zur Implementierung des in

Fig. 1 gezeigten Ausführungsbeispiels des erfindungsgemäßen Auswertever fahrens anhand eines Flussdiagramms.

Fig. 3 zeigt ein zweites Ausführungsbeispiel des erfindungsgemäßen Auswertever fahrens anhand eines Flussdiagramms, zur Illustration der Ermittlung der Richtungsabhängigkeit eines Ereignisses aus erfassten, transienten Signalen.

Fig. 4 zeigt einen beispielhaften Auswertealgorithmus zur Implementierung des in

Fig. 3 gezeigten Ausführungsbeispiels des erfindungsgemäßen Auswertever fahrens anhand eines Flussdiagramms, insbesondere zur Illustration der Ab leitung von Schadensereignissen mittels Aggregierung von extrahierten Merk malen zu segmentierten Merkmalen.

Fig. 5 zeigt eine Übersicht über eine erfindungsgemäße Auswertung von an einem

Kraftfahrzeug im Fährbetrieb über einen kurzen Zeitraum gemessenen Sens ordaten.

Fig. 6a - d zeigen beispielhafte Auswerteschritte von an einem vorliegend stehenden

Kraftfahrzeug über einen längeren Zeitraum gemessenen Sensordaten, zur Ermittlung von richtungsabhängigen Stoßeinwirkungen auf das Kraftfahrzeug.

Fig. 7a - d zeigen beispielhafte Auswerteschritte von an einem über einen längeren Zeit raum gefahrenen Kraftfahrzeug gemessenen Sensordaten, zur Ermittlung ei nes Fahrerverhaltens bzw. Fahrstils.

Beschreibung von Ausführungsbeispielen

Die in Fig. 1 gezeigte Auswertungsroutine setzt sich aus vier jeweils durch gestrichelte Linien abgegrenzten Prozessabschnitten zusammen, nämlich eine Fensterung 100, Merkmalsex- traktion 105, Segmentierung 110 und eine Klassifizierung 115 die jeweils erfassten Sensor daten betreffend.

Gemäß dem ersten Prozessabschnitt 100 werden zunächst in dem vorliegenden Ausfüh rungsbeispiel erfasste Beschleunigungs- und Gyrationszeitreihendaten in kurze, leicht über lappende Fenster mit einer empirisch vorgebbaren, festen Zeitlänge unterteilt 120. Bevorzugt wird dabei eine Fensterlänge von 250 - 1000 ms mit einer Überlappung von bis zu 1/8 der gesamten Fensterlänge verwendet. Für jedes so erzeugte Fenster werden verschiedene charakteristische Merkmale abgeleitet bzw. extrahiert 125. Solche extrahierten Merkmale können Zeitdomänenmerkmale, z.B. ein Mittelwert, ein Median, eine Standardabweichung, eine mittlere Ableitung, eine Standardabweichungsableitung oder eine Nulldurchgangsrate sein (zu weiteren Details, siehe auch Fig. 4).

Alternativ oder zusätzlich können solche extrahierten Merkmale Frequenzdomänenmerkma le, z.B. ein Hochfrequenzanteil, eine Dominantfrequenz oder eine Spektraldifferenz sein. Mit diesen extrahierten Merkmalen wird dann jedes der erzeugten Fenster in jeder Achse der Rohzeitreihe durch einen hochdimensionalen Merkmalsvektor gekennzeichnet 130 (siehe Fig. 4).

Um Übergangspunkte in der Abfolge solcher Merkmalsvektoren zu identifizieren, an denen abrupte Änderungen auftreten, wird in dem vorliegenden Ausführungsbeispiel ein multivari- anter Algorithmus zur Wechselpunkterfassung angewendet 135. Diese Übergangspunkte ermöglichen es, ähnliche aufeinanderfolgende Fenster zu Segmenten unterschiedlicher Län ge zu gruppieren 140, wobei jedes Segment einer anderen Art von mechanischer Belastung des Fahrzeugs entspricht (siehe Fig. 4).

Wenn die Zeitreihendaten in der genannten Weise segmentiert sind, werden die Merkmals vektoren von Fenstern innerhalb jedes Segments aggregiert 145, was einen aggregierten Merkmalsvektor pro Segment ergibt. Diese Merkmalsvektoren werden schließlich zur Klassi fizierung 150 des Betriebszustandes des Fahrzeugs, z.B. Fahrzeug im Fährbetrieb oder ru hend, Betriebszustand des Motors, Straßenoberflächenbeschaffenheit sowie der Miss brauchs- bzw. Aufpralltyp durch ein multivariaten Clusterverfahren verwendet (siehe Fig. 4).

Für Segmente, die als kurzzeitige, transiente Schock- oder Stoßereignisse klassifiziert wer den, kann eine zusätzliche Wavelet-Analyse an dem genannten Segment durchgeführt wer den. In Kombination mit den Zeit- und Frequenzmerkmalen ermöglicht diese Vorgehenswei se eine Analyse der räumlichen Position und der Richtung der jeweiligen Ein- bzw. Auswir kungen auf das Fahrzeug (siehe Fig. 4). io

Anhand der vorliegenden Sensordaten kann auch eine Fahrverhaltensanalyse des jeweiligen Fahrzugführers, z.B. zur Erkennung eines Fahrzeugmissbrauchs, durchgeführt werden. Die se Analyse kann durch eine anhand der Sensordaten durchgeführte Richtungserkennung und Schweregradindikation erfolgen (siehe auch Fig. 4).

In der Fig. 2 ist ein Ausführungsbeispiel von Prozessschritten zur Ausführung eines Auswer- tealgorithmus' insbesondere zur Ermittlung eines genannten für die Beurteilung des Fahr zeugzustandes relevanten Wechselpunktes durch ein Erkennen von Änderungen des Mittel werts oder der Varianz von in dem Zeitintervall At enthaltenen Sensordaten.

Bei dem gezeigten Auswerteprozess wird zunächst eine Sequenz von n Zufallsvariablen {X'l , ... , A } vorgegeben 200. Dabei wird angenommen, dass bereits eine geeignete Klassifizie rung für die möglichen bzw. verschiedenen Änderungen vorliegt. Die Zufallsvariablen dienen sozusagen als Platzhalter für die vorliegend auszuwertenden Sensordaten, d.h. bevorzugt von Beschleunigungsdaten und gyroskopischen Daten. Im Schritt 205 wird aus einer Anzahl möglicher Teststatistiken eine bestimmte Teststatistik ausgewählt, welche für eine vorgege bene Änderungsklasse eine geeignete oder die optimale Teststatistik darstellt. Bei den ge nannten Teststatistiken kann es sich z.B. um die an sich bekannte Methode des„Generali- zed Likelihood Ratio“ (GLR) Tests, um eine anhand von Testpersonen ermittelte Teststatistik oder um die ebenfalls an sich bekannte Methode der sogenannten„Fishers Exact Test“

(FET) Statistik handeln, welche üblicherweise zur Erkennung von Parameteränderungen in einer Bernoulli-Sequenz eingesetzt wird, handeln.

In dem folgenden Schritt 210 wird festgelegt, wie groß die durchschnittliche Anzahl von er kannten Änderungen sein muss, damit überhaupt einer Fehlererkennung erfolgt bzw. ein Fehler erkannt wird. Dabei werden Werte für eine Falschalarmrate und eine durchschnittliche Lauflänge („Average Run Length“ = ARL0) empirisch vorgegeben. Gemäß Schritt 215 wird eine zwei Stichproben („two-sample“) umfassende Teststatistik Dk,n an jedem möglichen Splitpunkt („split point“) Xk des zu untersuchenden Datensatzes ausgewertet bzw. bewertet. In Schritt 220 wird mittels einer genannten Teststatistik und der ARL0 ein Schwellenwert hn berechnet. Dabei wird auf der Grundlage des Schwellenwertes hn, und zwar bei Erfülltsein der Bedingung max Dk,n > hn, ein Zeitpunkt T, zu dem eine jeweils erkannte Änderung statt gefunden hat, gemäß der Beziehung T = arg (k) max Dk,n berechnet.

Bei der in Fig. 3 gezeigten Auswerteroutine werden wiederum von einer genannten Sensorik gelieferte Beschleunigungsdaten 300 und Winkel- bzw. entsprechende gyroskopische Daten 305 ausgewertet. Diese Daten werden zunächst in der Zeitdomäne analysiert 310, um an- hand der Ergebnisse der Analyse 310 Zeitbereiche mit auffälligen Beschleunigungs- bzw. Rotationsdaten zu erkennen und zu selektieren 315. Die in den so selektierten Zeitbereichen verfügbaren Daten werden in die Frequenzdomäne umgewandelt 320. Denn dem vorliegen den Auswerteverfahren liegt die Erkenntnis zugrunde, dass erst im Frequenzraum für die hier betroffenen Fahrzeugereignisse charakteristische, relativ kurze transiente Signale deut lich präziser erfasst werden können. Daher werden im nachfolgenden Schritt 325 solche Zeitbereiche mit auffällig kurzen Schockereignissen in dem vorliegenden Ausführungsbei spiel selektiert.

Die genannten Selektionen 315 und 325 werden durch Clustering-Algorithmen realisiert. Da bei werden die vorliegenden Daten in ein erstes Cluster mit auffälligen und ein zweites Clus ter mit unauffälligen Zeitdomänen-Merkmalvektoren eingeordnet bzw. eingruppiert 315. Zu sätzlich werden noch die Frequenzdomänen-Merkmale verwendet 325, um die Daten-Zeitbe- reiche aus dem auffälligen Cluster aus 315 in ein Cluster mit starken transienten Signalen und einen mit langsam veränderliche Signale einzuteilen.

Das Clustering erfolgt hierbei durch das sog.„Gaussian-Mixture“-Modell, bei dem eine pro babilistische Clusterzugehörigkeit als gewichtete Überlagerung von mehrdimensionalen Nor malverteilungen modelliert wird (siehe auch Fig. 5). Die zugrundeliegenden Ereignisse wer den dabei meist als Punktwolken dargestellt. In der nachfolgend beschriebenen Fig. 5 sind entsprechende Punktwolken für höhere bzw. multiple Dimensionen gezeigt. Die Parameter und Hyperparameter der Clustering-Modelle (Erwartungs- und Kovarianzmatrix, Clusteran zahl, Normalisierung, Kovarianztyp) werden initial aus Trainingsdaten 370 angelernt, und zwar unter Verwendung eines sog.„Expectation Maximization“(EM)-Algorithmus‘. Bei dem EM-Algorithmus handelt es sich bekanntermaßen um einen Algorithmus der mathematischen Statistik, bei dem mit einem zufällig gewählten Modell gestartet wird und abwechselnd die Zuordnung der Daten zu den einzelnen Teilen des Modells (sog. ,,Expectation“-Schritt) und die Parameter des Modells an die jeweils neueste Zuordnung (sog. ,,Maximization“-Schritt) die Qualität des Ergebnisses verbessert wird. Im Expectation-Schritt werden dabei die Punk te einer genannten Punktwolke besser zugeordnet und im Maximization-Schritt das Modell so verändert, dass es besser zu den Daten passt. Findet keine wesentliche Verbesserung mehr statt, beendet man das Verfahren. Das Verfahren findet typischerweise nur„lokale“ Op tima. Dadurch ist es oft notwendig, das Verfahren mehrfach aufzurufen, um das beste so ge fundene Ergebnis auswählen zu können.

Der dabei zugrunde gelegte Trainingsdatensatz 370 kann aus Sensordaten eines beliebigen Fahrzeugtyps bestehen und sollte definierte Zeitabschnitte von einigen Minuten im ruhenden Zustand und im Fahrzustand des Fahrzeugs sowie abrupte Betriebsereignisse, z.B. Voll- bremsungen oder Türenschließen, umfassen. Es ist anzumerken, dass in der Fig. 5 jeder Punkt der dort gezeigten Punktwolken (siehe dortige Bezugszeichen 560, 565) einem ge nannten Zeitfenster entspricht, innerhalb dessen ein möglicherweise relevantes Ereignis Vor gelegen hat.

Alternativ kann die Analyse der genannten Daten in der Zeit- und der Frequenzdomäne stets für den vollständigen Zeitbereich der jeweils vorliegenden Messdaten durchgeführt werden.

In diesem Fall entfällt der Selektionsschritt 315. Zudem wird dabei mittels eines einzigen Clustering-Algorithmus‘ der Datenzeitraum auf der Basis von Zeit- 310 und Frequenzmerk malen 320 klassifiziert 325, und zwar in unauffällige Zeitbereiche (z.B. bei einem ruhenden Fahrzeug), auffällige Segmente z.B. bei Fahrten, Erschütterungen oder Fahrbahnunebenhei ten, sowie kurze transiente Signalbereiche, z.B. bei Schock- oder Stoßereignissen.

Die dabei aufgefundenen Cluster können danach hierarchisch weiter in feinere Sub-Cluster aufgeteilt werden, und zwar nach dem gleichen Verfahren, wie beschrieben. Dadurch kön nen z.B. Sub-Cluster eines Clusters„Fahrten“ nun Fahrten über unterschiedliche Fahrbahno berflächen entsprechen. Der hier verwendete, probabilistische Clustering-Ansatz ermöglicht die Ableitung einer Plausibilitätsfunktion (sog. ,,Log-Likelihood“-Funktion). Durch eine kombi nierte Betrachtung eines entsprechenden„Likelihood-Scores“ in den jeweiligen Clustern mit den Merkmalen 310, 320 ist zusätzlich eine Anomalie-Erkennung möglich, um ungewöhnli che Segmente detektieren und beschreiben zu können.

Die durch den Schritt 325 selektierten Kurzzeitereignisse werden anhand von, für jeweils vor liegende relevante Fahrzeugereignisse empirisch vorgebbaren Wavelets 330 analysiert, um dadurch zusätzliche Wavelet-Merkmale 335 zu erzeugen. Anhand dieser Merkmale aus der Wavelet-Analyse können die Messsignale ggf. weiter klassifiziert werden 340 und danach entsprechend der Position und der Richtung der Ein- und Auswirkung auf das Fahrzeug ein gruppiert werden 345.

Bei dem Klassifizierungsschritt 340 kommt ein im Vorfeld antrainierter Klassifikationsalgorith mus zum Einsatz. Dieser Klassifizierungsalgorithmus basiert auf einem Ensemble von vielen einzelnen Entscheidungsbäumen, wobei jeder Entscheidungsbaum anhand der erzeugten Wavelet-Merkmale 335 und deren Korrelation mit den Zeit- und Frequenzdomänen-Merkma- len 310, 320 eine Zuordnung eines jeweiligen Ereignisses zu einer dominanten Einwirkungs richtung erstellt. Anschließend werden die Zuordnungsresultate aller Bäume gewichtet kom biniert und als Endresultat ausgegeben 345. Die geeigneten Entscheidungsparameter und Hyperparameter des Klassifikators, d.h. die Baumanzahl und die Baumtiefe sowie die Split- und Stoppkriterien, werden in einem Trainingsprozess ermittelt. Für das Antrainieren des Klassifikationsalgorithmus‘ wird ein Datensatz 380 verwendet, der Sensordaten von Stoß- und Schockereignissen an einem Fahrzeug beliebigen Fahrzeugtyps, deren Position und Richtung bereits bekannt sind, beinhalten.

Der genannte mechanische Zustand kann sich auf den Zustand von Stoßdämpfern, Radla gern, Lenksäulen, Reifen, Bremsen, der Außenhaut des Fahrzeugs, einschließlich Fahrzeug türen, Fahrzeugfenstern und Fahrzeugspiegeln beziehen. Bei dem Fahrverhalten können ein außergewöhnlich starkes Beschleunigen, Abbremsen oder Lenkverhalten des Fahrzeugs, mögliche Berührungen von Reifen mit Bordsteinen, heftiges Schließen von Fahrzeugtüren, das häufige Befahren von unebenen Fahrbahnen wie z.B. relativ unebenes Kopfsteinpflaster, oder das Auftreten von Parkremplern erkannt werden.

Fig. 4a zeigt einen Auswertealgorithmus zur Implementierung des anhand von Fig. 3 be schriebenen Auswerteverfahrens. Dabei werden in dem vorliegenden Ausführungsbeispiel die erfassten Beschleunigungs- und Gyrationsdaten 400 zunächst in Zeitfenster mit einer vorgegebenen Zeitlänge von 250 - 1000 ms und mit einer Überlappung von bis zu 1/8 der gesamten Fensterlänge unterteilt 405. Es ist dabei hervorzuheben, dass anhand von Test läufen festgestellt wurde, dass für die Zeitlänge Werte im Bereich von bevorzugt 0.2 bis 60 s und für den Überlappungsgrad Werte im Bereich von bevorzugt Null bis 0.5, und zwar bezo gen auf die gesamte Fensterlänge, möglich sind.

Dabei ist allerdings hervorzuheben, dass es bei dieser Fensterbildung hauptsächlich darum geht, solche Zeitfenster zu ermitteln, in denen überhaupt genannte Merkmale extrahiert bzw. für die weitere Auswertung erstellt werden können. Dabei wird die Fensterlänge in Abhängig keit von der Ereignislänge gewählt, so dass sich bei relativ kurzzeitigen Ereignissen, z.B. Parkrempler, Türschließen, oder dergleichen, meist Fensterlängen im Bereich von 0.2 bis 2 s ergeben und bei relativ langzeitigen Ereignissen sogar Fensterlängen bis zu 1 h möglich sind. Solche langzeitigen Ereignisse können z.B. längere Park- bzw. Standzeiten des Fahr zeugs oder längere Fahrten des Fahrzeugs auf einer Strecke mit z.B. starken Bodenuneben heiten sein, welche zu einer besonders hohen mechanischen Belastung von Fahrgestellkom ponenten des Fahrzeugs führen können.

Für diese Fenster werden vorliegend als charakteristische Zeitdomänenmerkmale ein Mittel wert, eine Standardabweichung, ein Maximum sowie eine Mediandurchgangsrate extrahiert 410. Zusätzlich werden aus den Daten in dem vorliegenden Ausführungsbeispiel ein Hoch frequenzanteil, ein Niederfrequenzanteil, die jeweiligen Spektraldifferenzen, d.h. der Anteil der spektralen Informationen, welche seit dem jeweils voranliegenden Zeitintervall neu hinzu kommen, sowie die komplexe Phaseninformation extrahiert 412. Mit diesen extrahierten 410, 412 Merkmalen wird jedes der erzeugten Fenster durch einen genannten, hochdimensiona len Merkmalsvektor gekennzeichnet 415.

Anhand der zeitlichen Abfolge der so gekennzeichneten 415 Merkmalsvektoren werden an schließend Übergangspunkte identifiziert 420, an denen abrupte, d.h. z.B. einen empirisch vorgebbaren Schwellenwert 425 übersteigende Änderungen auftreten. Zur Identifizierung 420 der Übergangspunkte wird in dem vorliegenden Ausführungsbeispiel ein multivarianter Algorithmus zur Wechselpunkterfassung angewendet.

Anhand der so identifizierten 420 Übergangspunkte werden ähnliche, zeitlich aufeinander folgende Fenster zu Segmenten unterschiedlicher Länge gruppiert 430. Dabei entspricht je des Segment einer anderen Art von mechanischer Belastung des Fahrzeugs. Für Segmente, die als vorübergehende Schock- oder Stoßereignisse klassifiziert werden sollen, wird in dem vorliegenden Ausführungsbeispiel optional (wie durch die Strichelung angedeutet) eine zu sätzliche Wavelet-Analyse an genannten Fenstern durchgeführt 435, um auch den Ort und die Richtung der jeweiligen Ein- bzw. Auswirkungen auf das Fahrzeug zu erfassen bzw. zu ermitteln.

Die Merkmalsvektoren von Fenstern innerhalb jedes Segments können optional, wie durch die Strichelung angedeutet, vor der Klassifizierung 450 zusätzlich aggregiert werden 440.

Die Klassifizierung 450 der Merkmalsvektoren erfolgt in dem Ausführungsbeispiel durch ein anhand der Fig. 3 beschriebenes Clustering-Verfahren 325, wobei vorliegend zu Vereinfa chungszwecken nur der Straßenoberflächentyp sowie der Missbrauchs- bzw. Aufpralltyp klassifiziert werden.

Diese Arten von kritischen Ereignissen werden identifiziert, klassifiziert und der daraus resul tierende Schaden und Grad der Abnutzung an bestimmten, mechanischen Fahrzeugkompo nenten abgeleitet. Die aufgrund der genannten Eingruppierung sich ergebenden Positions- bzw. Richtungsinformationen 345, 435 und die mittels der Klassifizierung 450 gewonnenen Merkmalsvektoren werden mit den Zeit- und Frequenz-Merkmalen 310, 410 und 320, 412 in Beziehung gesetzt bzw. mit diesen korreliert.

Zusätzlich wird in dem vorliegenden Ausführungsbeispiel eine Vergleichsanalyse mit ähnli chen Ereignissen durchgeführt. Die sich dabei ergebenden Vergleichsergebnisse ermögli chen die Einordnung 350, 455 dieser Ereignisse nach Schwere und Ausprägungsgrad sowie einen Hinweis auf den Grad einer jeweiligen Anomalie. Eine Betrachtung der Ergebnisse 350, 455 über die gesamte Fahrzeughistorie ermöglichen präzise Aussagen über den me chanischen Fahrzeugzustand 355, 460, insbesondere Änderungen des Fahrzeugzustandes aufgrund eines besonderen Fahrerverhaltens oder Ereignisses. Mögliche Fahrzeugzustände und/oder Fahrverhaltensmuster können zudem mit realen Messdaten 390, 465, z.B. mit bei einer Fahrzeuginspektion in einer Werkstatt gewonnenen Messdaten, korreliert werden. Da bei können die durch die gestrichelte Linie 470 eingegrenzten Verfahrensschritte entspre chend wiederholt bzw. rekursiv ausgeführt werden.

Bei einem genannten Fahrzeugzustand kann es sich um den mechanischen Zustand von Stoßdämpfern, Radlagern, Lenksäulen, Reifen, Bremsen, sowie der Außenhaut des Fahr zeugs, einschließlich Fahrzeugtüren, Fahrzeugfenster und Fahrzeugspiegeln, handeln. Bei einem genannten Fahrverhalten bzw. Fahrerverhalten kann es sich um ein außergewöhnlich starkes Beschleunigen, Abbremsen oder Lenkverhalten des Fahrzeugs, mögliche Berührun gen von Reifen mit Bordsteinen, ein heftiges Schließen von Fahrzeugtüren, ein häufiges Be fahren von unebenen Fahrbahnen wie z.B. von relativ unebenem Kopfsteinpflaster, oder das Auftreten von Parkremplern handeln. Auf diese Weise kann auch der Chassis- und Karosse riezustand eines gesamten Fahrzeugs zuverlässig ermittelt werden.

Zur genannten Erkennung eines Fahrzeugmissbrauchs wird in dem vorliegenden Ausfüh rungsbeispiel eine Analyse der Sensordaten anhand einer Richtungserkennung und Schwe regradindikation durchgeführt. Dabei wird ein charakteristisches Missbrauchs-Muster, z.B. die Beschädigung einer Frontverkleidung des Fahrzeugs aufgrund des Anfahrens eines Pol lers auf einem Parkplatz, erkannt. Das erkannte Ereignis wird vorliegend zusätzlich dahinge hend qualifiziert, ob nur ein„Parkrempler“ oder sogar ein schwerwiegender Zusammenstoß mit einem stationären oder beweglichen Gegenstand oder mit einem anderen Fahrzeug er folgt ist. Dabei wird der Schweregrad z.B. eines Parkremplers als z.B.„gering“,„mittel“ oder „hoch“ quantifiziert. Anhand der Sensordaten, insbesondere anhand der von einem Gyrosen- sor bereitgestellten Daten, kann zusätzlich eine genaue Lokalisierung bzw. Richtungserken nung von Schadensereignissen erfolgen, z.B.„Stoßeinwirkung vorne rechts, im Bereich von 30 bis 45°, bezogen auf die Fahrzeuglängsachse“.

Anhand von mittels GPS erzeugten Positionsinformationen eines jeweiligen Ereignisses, z.B. Parkvorgang an einem„Parkplatz Str. XY“, kann ein jeweils erkanntes Missbrauchsmuster zu Plausibilisierungszwecken z.B. mit öffentlich zugänglichen Straßendaten oder Verkehrsdaten abgeglichen werden. Die GPS-Daten können dabei z.B. mit detektierten Ereignissen kombi niert werden. So können das Auftreten sowie die Häufung von Ereignissen bestimmten Typs mit den GPS-Daten kombiniert werden. Dabei kann z.B. eine zeit- und ortsabhängige Häu fung von bestimmten Schadenereignissen erkannt werden und ggf. sogar entsprechende Gegenmaßnahmen ergriffen werden. Auch können bestimmte Ereignismuster bestimmten Orten zugeordnet werden, z.B. das Öffnen und Schließen der Motorhaube an bekannten Or ten wie z.B. in einer Werkstatt oder einer Wartungsstation, in der das Fahrzeug durch einen Techniker begutachtet und ggf. instandgesetzt wird. Auch können dabei ortsabhängige Ver kehrsinformationen, z.B. eine Häufung von Verkehrs- bzw. Unfallgefährdungen an bestimm ten Örtlichkeiten, z.B. an bestimmten Straßenkreuzungen.

Es ist anzumerken, dass z.B. die Verfahrensschritte 400, 410, 420 lokal, d.h. in dem Fahr zeug, durchgeführt werden und die übrigen Schritte auf einem externen Rechner bzw. in ei ner Cloud. Alternativ können sämtliche Verfahrensschritte auf einem externen Rechner (Cloud) durchgeführt werden.

Die in Fig. 5 gezeigte, datenanalytische Auswertung beruht auf rohen, d.h. nicht vorverarbei teten und in den drei Raumrichtungen erfassten Sensordaten (Rohdaten) 500 für die Fahr zeugbeschleunigung 505 (a _x , a _y , a _z in der Einheit [m/s ^A 2]) und das Gyrationsverhalten 510 (g _x , 9 _y , 9z in der Einheit [Grad/s]) des Fahrzeugs. In dem dargestellten Beispielszenario mit einer Dauer von sechs Minuten treten einige deutlich sichtbare Messsignale auf, von denen drei Zeitbereiche durch Strichelungen 506, 507, 508 in den Beschleunigungsdaten a _x , a _y , a _z sowie Gyrationsdaten g _x , g _y , g _z hervorgehoben sind.

Die so erfassten Sensordaten 500 werden einer ersten Datenverarbeitungseinheit 520 zuge führt 515, mittels der eine Merkmalsextraktion aus diesen Daten 500 durchgeführt wird. Da bei werden die Daten 500 zunächst in der den Messdaten zugrundeliegenden Zeitdomäne 525 bearbeitet, wobei aus den jeweils drei bzw. insgesamt sechs räumlichen Dimensionen der Messsignale a _x , a _y , a _z und g _x , g _y , g _z jeweils K zeitabhängige Zeitdomänen-Merkmale (mit K = 4 in dem vorliegenden Ausführungsbeispiel) extrahiert werden. Die aus den Rohdaten 500 bereits erkennbaren Ereignisse bzw. möglichen Schadensereignisse 506, 507 und 508 entsprechen in der Zeitdomäne den jeweils durch Strichelung hervorgehobenen Zeitberei chen 526, 527, 528. Aus den in der Zeitdomäne verarbeiteten Sensordaten werden in einem ersten Verarbeitungsschritt 540 Zeitbereiche mit anomalen Signalverläufen für die weitere Frequenzanalyse 530 vorselektiert. Alternativ kann die Frequenzanalyse, wie in dem vorlie genden Ausführungsbeispiel gezeigt, auch direkt in dem gesamten Zeitbereich durchgeführt werden.

Bei der Frequenzanalyse werden die Rohdaten 500 mittels einer Kurzzeit-Fourier-Transfor- mation zeitabschnittsweise in die Frequenzdomäne 530 transformiert und dort weiterverar beitet. Dabei werden aus dem bei der Transformation sich ergebenden Spektrogramm insge samt L Frequenzdomänen-Merkmale für jede der sechs Rohdaten-Dimensionen extrahiert (mit L = 6 in dem vorliegenden Ausführungsbeispiel). Auf der Basis der damit insgesamt vor liegenden K x L Merkmale klassifiziert der Clustering-Algorithmus 545 die Zeitbereiche, die besonders dynamische, transiente Signale enthalten. Die so selektierten 545 transienten Signale werden danach einer Wavelet-Analyse unterzo gen 535. Gemäß Schritt 548 erfolgt eine kontinuierliche Wavelet-Dekomposition anhand ei nes„Morlef-Wavelets von dem transienten Ereignis 508. Daraus lassen sich W Wavelet- Merkmale auf verschiedenen Approximations- und Detailstufen extrahieren.

Die sich insgesamt ergebenden Analyseergebnisse, d.h. die Zeit-, Frequenz-, und Wavelet- Merkmale 525, 530, 535, werden danach einer zweiten Datenverarbeitungseinheit 555 zuge führt 550, in der die Analyseergebnisse mittels„Maschine Learning“-Algorithmen weiter aus gewertet werden, um in den Datensätzen verborgene Informationen über mögliche Schaden sereignisse zu extrahieren. Dabei werden die insgesamt 6 x K x L x W Zeit-, Frequenz-, und Wavelet-Merkmale zunächst mittels multidimensionaler Clusteranalyse in zweckmäßige Teil mengen bzw. Klassen untergliedert bzw. segmentiert 560.

Die Clusteranalyse beruht auf einem„Gaussian-Mixture“-Modell, bei dem die probabilistische Clusterzugehörigkeit als gewichtete Überlagerung von mehrdimensionalen Normalverteilun gen modelliert wird. Gemäß Schritt 560 erfolgt dabei eine zweidimensionale Visualisierung der Wahrscheinlichkeitsverteilungen eines solchen Cluster-Modells, welches verschiedene Fahrzeugzustände bzw. Ereignisse klassifiziert. Dabei werden die wichtigsten fünf Dimensio nen paarweise als Matrix dargestellt, wobei jede Farbe der„Likelihood“-Kontur der Vertei lungsfunktion eines Clusters entspricht. Das Clustering-Modell 560 wurde im Vorfeld durch Trainingsdaten aus einem Fahrzeug beliebigen Typs angelernt. Anschließend können mit Hilfe des trainierten Clustering-Modells 560 neue Daten aus dem Fährbetrieb entsprechend klassifiziert werden 565.

Der gesamte Zeitbereich des hier vorliegenden Ausführungsbeispiels wird so einem Cluster zugeordnet, wobei die Cluster jeweils verschiedenen Ereignis- bzw. Schädigungsgruppen entsprechen Die Einteilung der Ereignisgruppen ist in für die in 570 dargestellte, obere Mess kurve 572 in zeitlicher Abfolge als farbliche Hinterlegung zusammen mit den entsprechenden Rohdaten 500 gezeigt. Jede der Farben entspricht einem Cluster bzw. einer Ereignisgruppe. Mittels solcher, antrainierter Clusteranalysen ist es möglich, durch einen Vergleich mit aktuell ermittelten Sensordaten zuverlässig auf bestimmte, genannte Ereignisse schließen zu kön nen.

So entspricht die in dem vorliegenden Beispielszenario zu der oberen Messkurve gezeigte Gruppe ,0‘ 573 einem Fahrzeug im Ruhezustand und die Gruppen ,T, ,2‘ und ,3‘ 574, 575, 576 verschiedenen Fahrsituationen und die Gruppe ,4‘ 577 den auffälligen, transienten Scho ckereignissen. So werden z.B. die beiden vorliegend als 506 und 508 markierten Ereignisse in die Gruppe ,4‘ 577 (ein-)klassifiziert, während der Bereich 507 in die drei Fahrtsituations gruppen ,T, ,2‘ oder ,3‘ 574, 575, 576 eingruppiert wird.

Aus den bei der Merkmalsextraktion 520 und bei dem ML-Verfahren 555 sich ergebenden Daten 585 können schließlich unterschiedliche Rückschlüsse 590 auf die Fahrzeughistorie gezogen werden. So kann der aktuelle Fahrzeugzustand 592 ermittelt werden, z.B. unter An gabe einer die jeweiligen Einwirkungen („impacts“) auf das Fahrzeug entsprechenden Punkt zahl („score“). Diese Punktzahl kann zusätzlich mit der aktuell vorliegenden Laufleistung des Fahrzeugs korreliert werden. Alternativ oder zusätzlich kann aus den vorliegenden Daten für jede der ermittelten Einwirkungen die entsprechende Art der Beanspruchung 594, z.B. eine schlag- oder stoßartige Beanspruchung, ermittelt werden. Alternativ oder zusätzlich kann für jede der ermittelten Einwirkungen auch die jeweilige Einwirkungsrichtung 596 ermittelt wer den. Aus den Daten kann zusätzlich das im zu untersuchenden Fährbetrieb des Fahrzeugs vorgelegene Fahrerverhalten 598 ermittelt werden. Dabei kann zwischen verschiedenen Fahrertypen, z.B. einem„konservativ“,„sportlich“ oder„aggressiv“ fahrenden Fahrer, unter schieden werden.

Anhand der Figuren 6a - 6d wird ein Ausführungsbeispiel des beschriebenen Verfahrens zur Ermittlung der genannten Einwirkungsrichtung 596 beschrieben. Wie in Fig. 6a schematisch gezeigt, kommen bei einem Personenkraftwagen im Wesentlichen die Einwirkungsrichtun gen vorne (V), hinten (H), links-vorne (LV), links-hinten (LH), rechts-vorne (RV) und rechts- hinten (RH) in Betracht, um transiente Schockeinwirkungen und in verschiedenen Richtun gen erfolgende schwingungsförmige Einwirkungen zu erfassen.

In dem vorliegenden Beispiel wurde als Testfall das Schließen von Fahrzeugtüren eines an genommen viertürigen Fahrzeugs untersucht. Als Trainingsdatensätze für das ML-Verfahren wurden dabei für drei unterschiedliche Fahrzeugtypen jeweils 80 Mal wiederholte Türschließ vorgänge der vier Türen durchgeführt. In der Fig. 6b sind die sich dabei ergebenden, in ei nem Zeitraum von etwa 300 s erfassten Sensor-Rohdaten für die Beschleunigung 600 und die Gyration 605 dargestellt. Die Rohdaten stellen, wie für das Schließen von Türen typisch, relativ kurz andauernde bzw. gedämpft abklingende Schwingungssignale dar.

Wie aus den Rohdaten zu ersehen, ergeben sich bei den Beschleunigungskomponenten a _x und a _z sowie bei der Gyrationskomponente g _y die jeweils größten Signalamplituden. Die Gy- rationskomponente g _z besitzt zudem die insgesamt geringste Amplitude, da die hier betroffe nen Schließbewegungen der Türen zwar ein Nicken und/oder Rollen des Fahrzeugs in der x- und y-Richtung bewirken, nicht aber ein Gieren bzw. Schlingern des Fahrzeugs in der z- Richtung In der Fig. 6c ist eine zeitliche Ausschnittvergrößerung 615 von am vorliegenden Messzei tende erfassten, sechs Schwingungssignalen 610 dargestellt. Wie daraus zu ersehen, unter scheiden sich die Amplituden und Phasen der drei durch Strichelungen 616, 617, 618 her vorgehobenen Signalverläufe deutlich. Die Ursache dafür ist der direktionale Impuls (hier aus der negativen x-Richtung) sowie die nicht zentrale Anordnung des Beschleunigungs- und Gyrosensors in Bezug auf den Fahrzeugschwerpunkt, welcher an der Fahrzeugstruktur im Motorraum nahe der 12V-Fahrzeugbatterie installiert ist. Anhand solcher Signale 610, 615 lässt sich die Art der jeweiligen Einwirkung auf das Fahrzeugchassis bzw. seine Komponen ten, d.h. vorliegend durch ein z.B. heftiges Türschließen, erkennen und charakterisieren. Auf grund der Unterschiede der in den verschiedenen Achsen gemessenen Signale kann auch die Richtung der jeweiligen Einwirkung erkannt werden.

In dem in Fig. 6d gezeigten Diagramm ist die Vorhersagegüte des beschriebenen Verfahrens für vorliegend 55 Testereignisse mit unterschiedlichen Einwirkungsrichtungen dargestellt. Dabei sind horizontal mittels des beschriebenen Verfahrens anhand von genannten Sensor daten vorhergesagte Einwirkungsrichtungen RV, RH, LH und LV sowie vertikal bei den Mes sungen tatsächlich vorliegende entsprechende Einwirkungsrichtungen aufgetragen. Die vier auf der Diagonalen angeordneten Felder 620, 621 , 622, 623 entsprechen dabei korrekten Vorhersagen der jeweiligen Einwirkungsrichtung, welche mittels des beschriebenen Verfah rens getroffenen wurden, wobei die in diesen Feldern eingetragenen Zahlen die Anzahl der jeweiligen Ereignisse angeben. Nicht auf der Diagonalen liegende Felder entsprechen dage gen mit dem beschriebenen Verfahren getroffenen falschen Vorhersagen bezüglich der Ein wirkungsrichtung. Die Anzahl solcher Ereignisse mit falschen Vorhersagen ist allerdings rela tiv gering und liegt in dem vorliegenden Beispiel bei insgesamt nur sechs Ereignissen (siehe 624, 625, 626 und 627). Das Verfahren ermöglicht somit eine sehr präzise Vorhersage der jeweiligen Einwirkungsrichtung.

Das anhand der Figuren 6a - 6d beschriebene Verfahren ermöglicht eine mehr als 98%ige Genauigkeit bei der Erfassung von, den mechanischen Fahrzeugzustand beeinflussenden Einwirkungen sowie eine 85- bis 90-prozentige Genauigkeit bei der Erkennung der jeweiligen Einwirkungsrichtung. Zudem kann die relative Stärke der jeweiligen Einwirkung mittels einer Punktzahl präzise charakterisiert bzw. festgestellt werden.

In den Figuren 7a - 7d ist ein Ausführungsbeispiel des beschriebenen Verfahrens zur Ermitt lung des Fahrerverhaltens 598 gezeigt. Die dabei zugrundeliegenden, bei einer von mehre ren Testfahrten erfassten Rohdaten sind in Fig. 7a dargestellt, und zwar wiederum drei Messreihen 700 eines im Fahrzeug angeordneten Beschleunigungssensors sowie drei Messreihen 705 eines im Fahrzeug angeordneten Gyrosensors. Bei den Testfahrten auf ei ner vorliegend 20 km langen Teststrecke wurden die Messdaten bei Fahrten mit drei ver schiedenen Fahrern erfasst.

Aus den in Fig. 7a gezeigten, bei der Testfahrt einer der drei Fahrer erfassten Rohdaten las sen sich noch keine qualitativen oder quantitativen Aussagen über das dabei zugrundelie gende Fahrerverhalten treffen. Erst die Auswertung der Sensordaten in der vorbeschriebe nen Weise lässt solche Aussagen zu. Da die Sensorik im Wesentlichen Brems- und Be schleunigungseingriffe sowie Lenkeingriffe seitens des Fahrers anhand der vorliegenden Sensordaten mittelbar erfassen kann, kann mittels der beschriebenen Auswertung, ggf. ein schließlich eines dabei durchgeführten Kl-basierten Lernverfahrens, eine konservative Fahr weise von einer sportlichen oder sogar aggressiven Fahrweise der vorliegend drei Fahrer sicher unterschieden werden.

Eine Auswertung der in Fig. 7a gezeigten Rohdaten 700‘, 705‘ ergibt die in Fig. 7b gezeigten Zeitintervalle bzw. Zeitfenster 710, in denen für das Fahrerverhalten relevante Zeitbereiche erfasst wurden. Die Vorselektion dieser Zeitintervalle 710 erfolgt durch ein„Clustering“-Ver- fahren auf Basis der Zeitdomänen-Merkmale der erfassten Beschleunigungs- und Gyrations- daten bzw. Gyrationssignale.

Aus den in Fig. 7b gezeigten, vorselektierten Daten 710‘ ergibt sich bei einer, wie vorbe schrieben, eingehenderen Datenauswertung der Beschleunigungsdaten 700“ und der Gyrati- onsdaten 705“ die in Fig. 7c gezeigten Zwischenergebnisse. So kann aus der Richtungsab hängigkeit der Fahrereingriffe, welche sich in entsprechend ansteigenden bzw. abfallenden Flanken der Messsignale niederschlägt, z.B. auf die Richtung von Lenkeingriffen seitens des Fahrers geschlossen werden. In dem vorliegenden Beispiel kann somit zwischen einem Linkseinschlagen 715 und einem Rechtseinschlagen 720 des Fahrzeuglenkrades unterschie den werden.

Wie aus der Fig. 7c somit zu ersehen, ermöglichen gemäß dem beschriebenen Verfahren ermittelte Amplituden, Trends und die Dauer verschiedener Fahrmanöver, z.B. Links- oder Rechtseinschläge, Beschleunigen oder Abbremsen, und deren zeitlicher Ablauf sowie die Kombination solcher Fahrmanöver, das individuelle Fahrverhalten oder den Fahrstil eines vorliegenden Fahrers zuverlässig zu ermitteln.

In dem in Fig. 7d gezeigten Diagramm ist die Vorhersagegüte einer beschriebenen gesam ten Datenauswertung bezüglich des bei der Testfahrt zugrundeliegenden Fahrerverhaltens gezeigt. In dem Diagramm sind vertikal die drei tatsächlich vorliegenden Fahrstile (konserva- tiv, sportlich und aggressiv) der an den Testfahrten beteiligten die sehr unterschiedlich agie renden Fahrer aufgetragen und in horizontal der mittels des beschriebenen Verfahrens je weils vorhergesagte, entsprechende Fahrstil. Es ist zu ersehen, dass bei allen drei Fahrstilen eine hohe Vorhersagegüte 725, 730, 735 mit Einzelübereinstimmungen mit jeweiligen Wer- ten„39“,„24“ und„38“ vorliegt. Die anderen sechs Felder weisen dagegen relativ geringe Werte von Null bis maximal„8“ auf.