Titel

Verfahren zum Ermitteln einer unzulässigen Abweichung des Svstemverhaltens einer technischen Einrichtung von einem Normwertebereich

Die Erfindung bezieht sich ein Verfahren zum Ermitteln einer unzulässigen Abweichung des Systemverhaltens einer technischen Einrichtung von einem Normwertebereich mithilfe eines Überwachungsalgorithmus.

Stand der Technik

In der DE 102018206805 B3 wird ein Verfahren zur Prädiktion eines Fahrmanövers eines Objektes mittels zweier maschineller Lernsysteme beschrieben. Das erste maschinelle Lernsystem ermittelt in Abhängigkeit einer ersten Eingangsgröße eine das Objekt charakterisierende Ausgangsgröße, das zweite maschinelle Lernsystem ermittelt in Abhängigkeit einer zweiten Eingangsgröße eine zweite Ausgangsgröße, welche einen Zustand des Objekts charakterisiert. Die zukünftige Bewegung des Objektes wird in Abhängigkeit von den Ausgangsgrößen vorhergesagt. Das erste maschinelle Lernsystem umfasst hierbei ein tiefes neuronales Netz und das zweite maschinelle Lernsystem ein probabilistisches graphisches Modell.

Die DE 102018209 916 A1 offenbart ein Verfahren zum Ermitteln einer Folge von Ausgangssignalen mittels einer Folge von Schichten eines neuronalen Netzes auf der Grundlage von Eingangssignalen, welche einer Eingangsschicht des neuronalen Netzes zugeführt werden. Zu einem definierten Zeitpunkt werden dem neuronalen Netz bereits neue Eingangssignale zugeführt, während die vorherigen Eingangssignale durch das neuronale Netz noch propagiert werden.

Offenbarung der Erfindung Mithilfe des erfindungsgemäßen Verfahrens kann eine unzulässige Abweichung des Systemverhaltens einer technischen Einrichtung von einem Normwertebereich ermittelt werden. Es ist auf diese Weise möglich, ein vollständiges oder teilweises Versagen der technischen Einrichtung noch vor dem tatsächlichen Versagenseintritt vorherzusagen, so dass rechtzeitig entsprechende Gegenmaßnahmen ergriffen werden können. Auf diese Weise kann eine Zustandsüberwachung der technischen Einrichtung mit einfach zu realisierenden Maßnahmen durchgeführt werden. Es können rechtzeitig Verschlechterungen des Systemverhaltens sowie Systemanomalien festgestellt werden. Durch die Vorgabe und den Vergleich mit dem Normwertebereich ist es möglich, den Zustandsverlauf der technischen Einrichtung fortlaufend zu überwachen und den Zeitpunkt festzustellen, bis zu dem eine ordnungsgemäße Funktion der technischen Einrichtung gewährleistet ist und ab dem die ordnungsgemäße Funktion nicht mehr oder zumindest nicht mehr vollständig sichergestellt werden kann.

Das Verfahren zum Ermitteln der unzulässigen Abweichung der technischen Einrichtung nutzt einen Überwachungsalgorithmus, dem in einer Lernphase Eingangsdaten und Ausgangsdaten der technischen Einrichtung zugeführt werden. Durch den Vergleich mit den Eingangs- und Ausgangsdaten der technischen Einrichtung werden die entsprechenden Verknüpfungen in dem Überwachungsalgorithmus geschaffen und der Überwachungsalgorithmus auf das Systemverhalten der technischen Einrichtung trainiert.

In einer sich an die Lernphase anschließenden Prädiktionsphase kann in dem Überwachungsalgorithmus das Systemverhalten der Einrichtung zuverlässig vorhergesagt werden. Hierzu werden in der Prädiktionsphase dem Überwachungsalgorithmus nur die Eingangsdaten der technischen Einrichtung zugeführt und im Überwachungsalgorithmus Ausgangsvergleichsdaten berechnet, welche mit Ausgangsdaten der technischen Einrichtung verglichen werden. Ergibt sich bei diesem Vergleich, dass die Differenz der Ausgangsdaten der technischen Einrichtung, welche vorzugsweise als Messwerte erfasst werden, von den Ausgangsvergleichsdaten des Überwachungsalgorithmus zu stark abweichen und einen Grenzwert übersteigen, so liegt eine unzulässige Abweichung des Systemverhaltens der technischen Einrichtung von dem Normwertebereich vor. Daraufhin können geeignete Maßnahmen ergriffen werden, beispielsweise ein Warnsignal erzeugt oder abgespeichert oder Teilfunktionen der technischen Einrichtung deaktiviert werden (Degradation der technischen Einrichtung). Gegebenenfalls kann im Fall der unzulässigen Abweichung auf alternative technische Einrichtungen ausgewichen werden.

Mithilfe des vorbeschriebenen Verfahrens kann eine reale technische Einrichtung fortlaufend überwacht werden. In der Lernphase wird der Überwachungsalgorithmus mit ausreichend vielen Informationen der technischen Einrichtung sowohl von dessen Eingangsseite als auch von dessen Ausgangsseite gespeist, so dass die technische Einrichtung mit hinreichender Genauigkeit in dem Überwachungsalgorithmus abgebildet und simuliert werden kann. Dies erlaubt es in der sich daran anschließenden Prädiktionsphase, die technische Einrichtung zu überwachen und eine Verschlechterung des Systemverhaltens zu prädizieren. Auf diese Weise kann insbesondere die Restnutzungsdauer der technischen Einrichtung vorhergesagt werden.

Als Überwachungsalgorithmus kommt insbesondere ein neuronales Netz in Betracht. In dem neuronalen Netz werden in der Lernphase aus den Eingangs und Ausgangsdaten der technischen Einrichtung Verknüpfungen geschaffen, wodurch das neuronale Netz das Systemverhalten der technischen Einrichtung mit hoher Genauigkeit abbildet. In der Prädiktionsphase kann entsprechend das neuronale Netz für eine zuverlässige Vorhersage einer Verschlechterung des Systemverhaltens genutzt werden.

Alternativ zu einem neuronalen Netz kommen auch anderweitig ausgeführte Überwachungsalgorithmen für die Überwachung des Systemverhaltens der technischen Einrichtung in Betracht.

Bei dem erfindungsgemäßen Verfahren werden in einem Vorverarbeitungsschritt, der vor jedem Lernphasenschritt und vor jedem Prädiktionsphasenschritt durchgeführt wird, die dem Überwachungsalgorithmus zugeführten Eingangsdaten auf die Daten eines Referenzsignals normiert. Diese Vorgehensweise hat den Vorteil, dass Schwankungen in den Randbedingungen, beispielsweise aufgrund natürlicher Streuung, durch die Normierung kompensiert oder zumindest weitgehend kompensiert werden können, wodurch je nach Art der Streuung die Verarbeitung in der Lernphase und in der Prädiktionsphase verbessert wird, insbesondere schneller durchgeführt werden kann, oder erst möglich gemacht wird. Die Lernphase und die Prädiktionsphase des Überwachungsalgorithmus bleiben an sich unberührt von dem Vorverarbeitungsschritt, da lediglich die Eingangsdaten in jeder Phase normiert werden.

Gemäß einer vorteilhaften Ausführung betrifft die Normierung die Anzahl der dem Überwachungsalgorithmus zugeführten Eingangsdaten. Weicht diese Anzahl von der Anzahl der Daten des Referenzsignals ab, so erfolgt eine Normierung dahingehend, dass die Anzahl der Eingangsdaten auf die Anzahl der Daten des Referenzsignals vereinheitlicht wird. Dementsprechend erhält der Überwachungsalgorithmus nach der Normierung immer die gleiche Anzahl an Eingangsdaten zugeführt.

Eine weitere vorteilhafte Ausführung betrifft den Fall, dass zwar die Anzahl der Eingangsdaten und die Anzahl der Daten des Referenzsignals gleich ist, jedoch die Eingangsdaten gegenüber dem Referenzsignal verzerrt sind. Auch in diesem Fall kann eine Normierung durchgeführt werden, bei der die verzerrten Eingangsdaten auf die Daten des Referenzsignals abgebildet werden. Diese Vorgehensweise ermöglicht es beispielsweise, verschobene Maxima oder Minima in den Eingangsdaten auf die Daten des Referenzsignals abzubilden.

Gemäß einerweiteren vorteilhaften Ausführung erfolgt die Normierung der dem Überwachungsalgorithmus zugeführten Eingangsdaten in drei Teilschritten. Die Eingangsdaten liegen zeitdiskret vor, wobei im ersten Teilschritt eine Zeitnormierung in einem betrachteten Zeitfenster auf das Referenzsignal durchgeführt wird. In einem sich hieran anschließenden zweiten Teilschritt werden die nicht-normierten Eingangsdaten für die verschiedenen Zeitabschnitte des betrachteten Zeitfensters in den Frequenzbereich transformiert. Daran schließt sich ein dritter Teilschritt an, in welchem die den verschiedenen Zeitabschnitten zugeordneten Frequenzabschnitte entsprechend der Zeitnormierung des ersten Teilschritts zusammengefasst werden. Im Ergebnis erhält man normierte Eingangsdaten im Frequenzbereich, die dem Überwachungsalgorithmus als Eingang zugeführt werden. Die Ausgangsvergleichsdaten, welche im Überwachungsalgorithmus in der Prädiktionsphase erzeugt werden, liegen entsprechend ebenfalls im Frequenzbereich vor.

Der Vergleich zwischen den Ausgangsvergleichsdaten des Überwachungsalgorithmus und den Ausgangsdaten der technischen Einrichtung kann entweder im Zeitbereich oder im Frequenzbereich durchgeführt werden. Bei einem Vergleich im Zeitbereich werden die Ausgangsvergleichsdaten, welche am Ausgang des Überwachungsalgorithmus anliegen, vom Frequenz- in den Zeitbereich rücktransformiert, woraufhin im Zeitbereich der Vergleich mit den Ausgangsdaten der technischen Einrichtung durchgeführt werden kann. Bei einem Vergleich im Frequenzbereich werden die Ausgangsdaten der technischen Einrichtung, welche üblicherweise im Zeitbereich vorliegen, beispielsweise als Messreihe, in den Frequenzbereich transformiert. Daraufhin können die Ausgangsvergleichsdaten des Überwachungsalgorithmus und die Ausgangsdaten der technischen Einrichtung im Frequenzbereich miteinander verglichen werden.

Gemäß einer weiteren vorteilhaften Ausführung erfolgt die Zeitnormierung der Eingangsdaten auf das Referenzsignal, die im ersten Teilschritt durchgeführt wird, im Wege der dynamischen Zeitnormierung (dynamic time warping). Hierbei wird unter Optimierungsgesichtspunkten, insbesondere unter Berücksichtigung eines Kostenfunktionais der optimierte Weg durch eine Matrix gelegt, die den Abstand von jedem Punkt des Referenzsignals mit jedem Punkt der Eingangsdaten bildet. Unter Optimierungsgesichtspunkten ist der kostengünstigste Weg durch die Matrix derjenige, bei der die Verbindung vom Ausgangspunkt zum Endpunkt die geringste Summe bildet.

Gemäß einerweiteren vorteilhaften Ausführung erfolgt die Transformation der Eingangsdaten für das betrachtete Zeitfenster in den Frequenzbereich, was im zweiten Teilschritt durchgeführt wird, im Wege einer Short-Time-Fourier- Transformation (STFT). Bei dieser Transformation in den Frequenzbereich wird für eine Vielzahl von Zeitabschnitten jeweils eine Fast-Fourier-Transformation (FFT) durchgeführt. Diese Vorgehensweise hat den Vorteil, dass die Zeitinformation auch nach der Durchführung in den Frequenzbereich erhalten bleibt. Somit ist es auch möglich, gegebenenfalls eine Rücktransformation in den Zeitbereich durchzuführen, insbesondere um einen Vergleich mit den Ausgangsdaten der technischen Einrichtung im Zeitbereich durchzuführen.

Das Referenzsignal, anhand dessen die Normierung durchgeführt wird, wird beispielsweise aus mehreren vorhergehenden Eingangsdaten gebildet, zum Beispiel durch Mittelwertbildung aus mehreren Eingangssignalen.

Alternativ ist es auch möglich, dass das Referenzsignal einem definierten Manöver folgt, welches auf die betreffende technische Einrichtung abgestimmt und für die technische Einrichtung typisch ist. Es kann beispielsweise im Automobilbereich zweckmäßig sein, ein definiertes Fahrmanöver des Fahrzeugs vorzugeben, aus dem das Referenzsignal gebildet wird, bezogen auf die technische Einrichtung, die im Fahrzeug eingesetzt wird.

Die Erfindung bezieht sich des Weiteren auf eine elektronische Einrichtung wie beispielsweise ein Steuergerät in einem Fahrzeug, die mit Mitteln zur Durchführung des vorbeschriebenen Verfahrens ausgestattet ist. Bei diesen Mitteln handelt es sich insbesondere um mindestens eine Recheneinheit und um mindestens eine Speichereinheit zur Durchführung der erforderlichen Berechnungen bzw. zum Abspeichern von Eingangs- und Ausgangsdaten.

Die Erfindung bezieht sich außerdem auf ein Computerprogrammprodukt mit einem Programmcode, der dazu ausgelegt ist, die vorbeschriebenen Verfahrensschritte auszuführen. Das Computerprogrammprodukt kann auf einem maschinenlesbaren Speichermedium abgespeichert werden und in einer vorbeschriebenen elektronischen Einrichtung ablaufen.

Das Verfahren ist beispielhaft anwendbar auf die Zustandsüberwachung eines technischen Systems in einem Fahrzeug, beispielsweise eines Lenksystems oder eines Bremssystems. Die elektronische Einrichtung ist in diesem Fall vorteilhafterweise ein Steuergerät, über das die Komponenten der technischen Einrichtung ansteuerbar sind. Des Weiteren ist es auch möglich, innerhalb eines größeren Systems nur ein Subsystem als technische Einrichtung zu überwachen, beispielsweise in einem Bremssystem ein ESP-Modul (Elektronisches Stabilitätsprogramm).

Weitere Vorteile und zweckmäßige Ausführungen sind den weiteren Ansprüchen, der Figurenbeschreibung und den Zeichnungen zu entnehmen. Es zeigen:

Fig. 1 ein Blockschaltbild mit symbolischer Darstellung eines ESP-Moduls, dem Eingangsdaten zugeführt werden und das Ausgangsdaten produziert, mit einem parallel geschalteten neuronalen Netz,

Fig. 2 Schaubilder mit dem Zeitverlauf eines Eingangssignals und eines Referenzsignals,

Fig. 3 eine Darstellung des in den Frequenzbereich transformierten Eingangssignals in Matrixform,

Fig. 4 das in den Frequenzbereich transformierte Eingangssignal mit Zeitnormierung gemäß Fig. 2.

Im Blockschaltbild gemäß Fig. 1 ist eine Prinzipdarstellung einer technischen Einrichtung 1 in Form eines ESP-Moduls für ein Bremssystem in einem Fahrzeug mit Eingangs- und Ausgangsdaten und mit einem parallel geschalteten neuronalen Netz 4 dargestellt. Das ESP-Modul 1, das beispielhaft als technische Einrichtung verwendet wird, umfasst eine ESP-Pumpe zur Erzeugung eines gewünschten, modulierten Bremsdrucks im Bremssystem sowie ein Steuergerät zur Ansteuerung der ESP-Pumpe. Dem ESP-Modul 1 werden Eingangsdaten 2 zugeführt, beispielsweise ein Eingangsstrom für die elektrisch betreibbare ESP- Pumpe des ESP-Moduls 1, wobei das ESP-Modul 1 als Reaktion auf die Eingangsdaten 2 Ausgangsdaten 3 produziert, beispielsweise einen hydraulischen Bremsdruck.

Parallel zu der technischen Einrichtung 1 ist ein neuronales Netz 4 geschaltet, das einen Überwachungsalgorithmus bildet. Das neuronale Netz 4 wird in einer Lernphase auf das Systemverhalten der technischen Einrichtung 1 trainiert, wofür dem neuronalen Netz 4 in der Lernphase sowohl die Eingangsdaten 2 als auch die Ausgangsdaten 3 der technischen Einrichtung 1 zugeführt werden. In Fig. 1 entspricht der gestrichelte Pfeil von den Ausgangsdaten 3 zum neuronalen Netz 4 der Lernphase des neuronalen Netzes, in der zusätzlich zu den Eingangsdaten 2 auch die Ausgangsdaten 3 dem neuronalen Netz zugeführt werden.

Nach Beendigung der Lernphase kann das neuronale Netz 4 in einer Prädiktionsphase dazu verwendet werden, eine Verschlechterung im Systemverhalten der technischen Einrichtung 1 frühzeitig festzustellen. Zu diesem Zweck werden in der Prädiktionsphase dem neuronalen Netz 4 die Eingangsdaten 2 der technischen Einrichtung 1 als Eingang zugeführt, wobei nun das neuronale Netz 4 auf der Grundlage seines erlernten Verhaltens Ausgangsvergleichsdaten erzeugt (mit durchgezogener Linie dargestellter Ausgang am neuronalen Netz 4). Die Ausgangsvergleichsdaten des neuronalen Netzes 4 können mit den Ausgangsdaten 3 der technischen Einrichtung 1 verglichen werden. Liegt die Abweichung zwischen den Ausgangsvergleichsdaten des neuronalen Netzes 4 und den Ausgangsdaten 3 der technischen Einrichtung 1 außerhalb eines gegebenen Normwertebereichs, so liegt eine unzulässig starke Verschlechterung des Systemverhaltens der technischen Einrichtung 1 vor, woraus auf eine verkürzte Lebensdauer oder auf einen Teilausfall der technischen Einrichtung 1 geschlossen werden kann. Daraufhin können Maßnahmen ergriffen werden wie beispielsweise die Erzeugung eines Warnsignals oder eine Reduzierung im Funktionsumfang der technischen Einrichtung 1.

Das neuronale Netz 4 kann in dem Steuergerät der technischen Einrichtung 1 implementiert sein und dort ablaufen. Es ist aber auch möglich, das neuronale Netz 4 in einem weiteren Steuergerät ablaufen zu lassen, das separat von dem Steuergerät der technischen Einrichtung 1 ausgeführt ist.

Die Fig. 2 bis 4 zeigen einen Vorverarbeitungsschritt, der vor jedem Lernphasenschritt und vor jedem Prädiktionsphasenschritt durchgeführt wird und bei dem die dem Überwachungsalgorithmus zugeführten Eingangsdaten auf die Daten eines Referenzsignals normiert werden. In Fig. 2 sind zwei übereinander liegende Schaubilder mit dem zeitabhängigen Verlauf eines Referenzsignals R (unteres Schaubild) und eines Signals mit gemessenen Eingangsdaten M (oberes Schaubild) dargestellt. Die Eingangsdaten M entsprechen den Eingangsdaten 2 in Fig. 1. Das Referenzsignal R weist eine Reihe von Zeitpunkten a, b, c, d und e auf. Das Signal mit den Eingangsdaten M weist eine Reihe von Zeitpunkten 1 bis 6 auf, an denen die Werte der Eingangsdaten gemessen werden. Das Referenzsignal R kann beispielsweise aus einer Vielzahl vorhergehender realer Eingangsdaten der technischen Einrichtung oder einer baugleichen, anderen technischen Einrichtung gewonnen werden.

Die Signalverläufe R und M weisen zwar den grundsätzlich gleichen Verlauf auf, sie sind jedoch nicht identisch. Zur Normierung des gemessenen Signals der Eingangsdaten M mit den insgesamt sechs gemessenen Zeitpunkten 1 bis 6 auf das Referenzsignal R mit insgesamt fünf Zeitpunkten a bis e wird in einem ersten Teilschritt eine dynamische Zeitnormierung (dynamic time warping) durchgeführt. Hierbei wird unter Optimierungsgesichtspunkten der kostengünstigste Weg vom Anfang zum Ende der beiden Signalverläufe R und M gesucht. Im Ergebnis erhält man die mit gestrichelter Linie dargestellte Zuordnung zwischen den Zeitpunkten in den Signalverläufen R und M mit den Zuordnungsmuster 1a, 2b, 3c, 4c, 5d und 6e. Die Messwerte im Signalverlauf M zu den Zeitpunkten 3 und 4 sind beide dem Zeitpunkt c im Referenzsignal R zugeordnet.

Fig. 3 zeigt eine schematische Darstellung der Eingangsdaten M im Frequenzbereich. Hierbei werden in einem zweiten Teilschritt die Eingangsdaten M im Wege einer Short-Time-Fourier-Transformation STFT in den Frequenzbereich transformiert, indem zu jedem Zeitpunkt t = 1 bis t = 6 jeweils eine Fast-Fourier-Transformation durchgeführt wird. Diese Vorgehensweise hat den Vorteil, dass die Zeitinformation auch bei der Transformation in den Frequenzbereich erhalten bleibt. In der Matrix gemäß Fig. 3 stellen die Spalten jeweils einen in den Frequenzbereich transformierten Vektor dar, der einem der Zeitpunkte t = 1 bis 6 zugeordnet ist. Fig. 4 zeigt den dritten und letzten Teilschritt der Vorverarbeitung der Eingangsdaten, bei dem die Matrix der Eingangsdaten M aus Fig. 3 entsprechend der Zeitnormierung des ersten Teilschritts gemäß Fig. 2 zusammengefasst werden. Dies führt dazu, dass auch im Frequenzbereich, so wie dies in Fig. 4 dargestellt ist, die Frequenzabschnitte, welche den Zeitpunkten 3 und 4 zugeordnet sind, zu einem gemeinsamen Frequenzabschnitt zusammengefasst werden. Als Resultat erhält man eine Reduzierung der Frequenzabschnitte von sechs auf fünf. Die Zusammenfassung der Frequenzabschnitte 3 und 4 erfolgt beispielsweise über eine Mittelung der Informationen in den jeweiligen Vektoren, die den Zeitpunkten 3 und 4 zugeordnet sind.

Nach Beendigung der Vorverarbeitung können die normierten Eingangsdaten M im Frequenzbereich dem als neuronales Netz ausgeführten Überwachungsalgorithmus in der Prädiktionsphase zugeführt werden, woraufhin das neuronale Netz Ausgangsvergleichsdaten im Frequenzbereich ermittelt, die mit zugeordneten Ausgangsdaten der technischen Einrichtung im Frequenzbereich verglichen werden können. Im Fall einer unzulässigen Abweichung, die auf eine Verschlechterung des Systemverhaltens der technischen Einrichtung hinweist, kann beispielsweise ein Alarmsignal erzeugt werden.

Alternativ zu dieser Vorgehensweise ist es auch möglich, die im neuronalen Netz berechneten Ausgangsvergleichsdaten vom Frequenzbereich in den Zeitbereich zu transformieren und mit den Ausgangsdaten der technischen Einrichtung im Zeitbereich zu vergleichen. Auch in diesem Fall kann bei einer unzulässig hohen Abweichung, die auf eine Verschlechterung des Systemverhaltens hinweist, ein Alarmsignal erzeugt oder eine sonstige Maßnahme ergriffen werden, beispielsweise eine Degradation der Funktionalität der technischen Einrichtung durchgeführt oder alternative technische Einrichtungen aktiviert werden.