借助人工智能方法基于对电驱动系统的组件的预测诊断来确定剩余使用寿命的方法和设备与流程

1.本发明涉及具有电驱动系统的机动车辆，并且尤其涉及借助人工智能方法基于对电驱动系统的组件的诊断来提供关于剩余使用寿命的说明的方法。


背景技术：

2.电驱动系统包括许多组件，例如电能存储器（例如牵引电池）、用于在机械能和电能之间进行转换的电机、用于操控电机的功率电子设备和机械组件（例如用于力矩传递的变速箱和差速器以及用于支承驱动轮的车轮轴承）等。
3.从现有技术中已知用于监控各个组件的健康状态的方法以及用于确定各个组件中的故障的诊断方法。因此，例如在电驱动系统中，牵引电池基于预先定义的方法根据运行参量、即传感器参量和控制参量连续被监控。然而，对于其他组件，在持续运行中没有充分地进行监控和诊断。
4.通常，只有在发生了驱动系统的损坏时，才借助于常见的诊断方法识别出驱动系统中的故障。然而，老化和磨损引起的故障通过运行行为和系统状态的变化提前通知。如果随后发生故障，这通常导致性能下降或驱动系统的完全停止运转。


技术实现要素：

5.根据本发明，提出一种根据权利要求1所述的基于对机动车辆中的电驱动系统的组件的诊断来提供剩余使用时间的方法以及根据并列独立权利要求所述的一种用于训练基于数据的剩余使用模型的方法、一种相对应的设备和一种驱动系统。
6.在从属权利要求中说明进一步的构型。
7.根据第一方面，提出一种基于对车辆中的电驱动系统的组件的诊断来提供剩余使用寿命的计算机实现的方法，具有以下步骤：
‑ꢀ
检测车辆中的多个运行参量的变化曲线，所述运行参量包括至少一个传感器参量和/或至少一个控制参量；
‑ꢀ
使用针对多个故障类型的多个诊断模型，所述诊断模型分别被构造用于基于多个运行参量的至少一部分来识别所述组件之一中的特定的故障类型并且用信号通知根据该故障类型所分配的故障信息；
‑ꢀ
根据多个诊断模型的用信号通知的故障信息，借助于经训练的基于数据的剩余使用模型来确定剩余使用寿命，其中训练基于数据的剩余使用模型，以便根据多个诊断模型的故障信息来说明剩余使用寿命；
‑ꢀ
用信号通知剩余使用寿命。
8.故障类型在这里对应于特定组件中发生的特定故障。在一个组件中，不同的故障可以定义为不同的故障类型。故障信息可以包括故障发生了或没有故障发生的说明。故障信息还可以包含关于故障严重性的说明。
9.运行参量对应于来自正在进行的运行的驱动系统的参量，如传感器参量和用于致动器的控制参量以及由此导出的参量等。
10.此外，诊断模型可以包括一个或多个物理诊断模型，所述物理诊断模型分别被构造用于基于所述多个运行参量的至少一部分的相关和/或冗余的变化曲线来识别电驱动系统的组件中的一个或多个组件中的故障并且提供相对应的故障信息。物理诊断模型提供了，评估运行参量并且借助于领域知识评价可诊断的故障类型。这种诊断模型在机动车辆中实现并且尤其是可以使用冗余的或相关的运行参量，以便尤其是在与精确定位（pinpointing）一起使用时推断出故障。
11.替代地或附加地，多个诊断模型可以包括一个或多个基于数据的故障分类模型，所述故障分类模型被构造用于基于所述多个运行参量的至少一部分的变化曲线来识别所述组件中的一个或多个组件中的故障并且用信号通知相对应的故障信息。
12.借助于基于数据的故障分类模型作为诊断模型（机器学习模型），可以关于已知的故障类型执行另外的诊断。尤其是，可以使用基于数据的分类模型，例如以神经网络等为形式的分类模型，该分类模型同样可以在机动车辆中被实施以用于对可分类的故障类型进行分析和评价。故障分类模型的输出同样是故障信息，其说明已识别的故障的故障类型。这样的分类模型可以例如用作物理诊断模型的补充，以改善诊断覆盖率。基于数据的故障分类模型此外可以说明故障程度。
13.故障分类模型可以在大量训练数据的基础上通过中央单元（cloud（云））中的车队数据来被训练。用于训练故障分类模型的这些训练数据基于在大量车辆中识别出的特定故障类型的故障连同所属的运行参量在内，所述运行参量说明驱动系统的状态，通过该状态表征故障类型。以这种方式训练的故障分类模型的模型参数然后可以一次性地或定期地传送到机动车辆。
14.可以规定，多个诊断模型包括一个或多个异常探测模型，所述异常探测模型被构造用于基于所述多个运行参量的至少一部分的变化曲线来识别驱动系统的行为的异常并且提供相对应的异常程度作为故障信息。
15.可以规定，借助于基于数据的剩余使用模型，根据一个或多个异常程度作为故障信息来说明剩余使用寿命。
16.基于数据的异常探测模型可以识别驱动系统的组件处的行为偏差，尤其是也可以识别不会导致通过其他诊断模型识别出故障的行为偏差。因此已经可以识别出通过物理诊断模型或故障分类模型无法识别的行为偏差。异常探测模型可以利用自动编码器来构造，该自动编码器以本身公知的方式输出异常程度，例如作为重构故障。
17.异常探测模型可以利用来自驱动系统的不同运行区域中正在进行的运行的运行参量或运行参量的变化曲线来训练，所述驱动系统具有可靠无故障的组件。通过这种方式，可以将运行系统的行为模式压印给异常探测模型。异常探测模型可以在机动车辆中实现。异常探测模型的训练可以优选地在中央单元中进行，尤其是基于许多具有可靠无故障组件的机动车辆的行为模式。这样训练的异常探测模型的模型参数然后可以一次性地或在定期的时间点传送到机动车辆。
18.尤其是，可以将相应的故障信息分配给驱动系统的相关组件中的关键或非关键的故障，其中在通过故障信息中相对应的故障信息识别出关键故障时，用信号通知作为剩余
使用寿命的使用期的结束。
19.此外，在通过故障信息用信号通知非关键故障时，向该非关键故障分配时间信息，所述时间信息说明非关键故障何时发生，其中所述时间信息被用于确定剩余使用寿命，其中尤其是时间信息作为输入参量被提供给剩余使用模型。
20.根据一个实施方式，故障信息可以被连续地传输到一个或多个机动车辆的中央单元，其中在存在说明使用寿命结束的关键故障的情况下生成一个或多个训练数据记录，其将多个诊断模型的故障信息分配给剩余使用寿命，其中利用一个或多个训练数据记录再训练或更新基于数据的剩余使用模型。
21.原则上，用于检查机动车辆中不同组件的功能能力的不同诊断方法是已知的。这些诊断方法可以基于模型——如物理诊断模型、基于数据的故障分类模型或者异常探测模型——来执行诊断。
22.借助基于数据的剩余使用模型，整个驱动系统的当前健康状态可以借助于经诊断的故障以及必要时行为变化来评价。健康状态作为剩余使用寿命给出。剩余使用寿命可以作为驱动系统在可能发生停止运转之前的所估计的剩余运行时间或以其他方式来给出，用此可以确定剩余使用寿命。
23.尤其是，通过基于数据的剩余使用模型还可以评估非关键故障的故障图像，其中上述诊断模型中没有一个诊断模型或者仅一部分诊断模型识别出了故障。例如，在车辆中的疑似故障的情况下，可以通过基于数据的剩余服务模型进行剩余使用寿命的可靠说明，其中当针对故障类型的所实现的诊断模型提供了矛盾的故障信息时，所述疑似故障存在。
24.为此，借助于聚类方法，基于相似性条件确定云中的已经过去和已知的故障情况。这些已知的和相似的故障情况已经就其严重性和剩余使用寿命被评价。因此，现在可以得出关于故障的严重性以及由于故障导致的剩余使用寿命的预期值和发散。
25.不同的诊断方案不断地评估运行参数，以确定实际故障存在的概率，并且从中在必要时得出措施和/或确定有关组件的剩余使用寿命。通过将传统诊断方法与中央单元中车队数据的使用相组合，领域知识和数据知识可以以基于模型的方式相互组合，从而提高鲁棒性，尤其是在矛盾且不清楚的诊断状态的情况下。通过这种方式，可以很早就创建可靠的诊断。
26.剩余使用寿命可以借助于基于数据的剩余使用模型来确定，该剩余使用模型将剩余使用寿命相对应地映射到故障信息上。
27.可替换地，剩余使用模型可以应用聚类方法，例如通过最近邻（nearest neighbour）方案，基于所存储的数据记录，这些数据记录针对大量车辆按照所有考虑的类型故障的故障信息来分配剩余使用寿命。剩余使用寿命在此从故障信息发生变化的时间点和所识别出的发生关键故障的时间点来得出。因此现在可以评价剩余使用寿命的预期值和发散，其方式是通过相似的损坏过程在统计上拟合概率密度。这允许对剩余使用寿命进行统计量化预测。
28.根据另一方面，提供了一种基于对车辆中的电驱动系统的组件的诊断来提供剩余使用寿命的设备，其中该设备被构造用于：
‑ꢀ
检测车辆中的多个运行参量的变化曲线，所述运行参量包括至少一个传感器参量和/或至少一个控制参量；
‑ꢀ
使用针对多个故障类型的多个诊断模型，所述诊断模型分别被构造用于基于多个运行参量的至少一部分来识别所述组件之一中的特定的故障类型并且用信号通知根据该故障类型所分配的故障信息；
‑ꢀ
根据多个诊断模型的用信号通知的故障信息，借助于剩余使用模型来确定剩余使用寿命，其中剩余使用模型被构造用于根据多个诊断模型的故障信息来说明剩余使用寿命；以及
‑ꢀ
用信号通知剩余使用寿命。
附图说明
29.下面根据随附的附图更详细地解释实施方式。其中：图1示出了具有车队和用于确定机动车辆的驱动系统中的故障的中央单元的系统的示意图；图2示出了说明用于诊断驱动系统的组件的方法的流程图；和图3示出了说明机动车辆中的诊断系统和中央单元的框图。
具体实施方式
30.图1示出了具有车队3和中央单元2的系统1的示意图，该车队3由多个车辆4组成。每个车辆4都与中央单元2通信连接。
31.为此，每个车辆4具有控制单元41，该控制单元通过通信装置42与中央单元2通信连接。
32.车辆4通过驱动系统43来运行，该驱动系统43具有许多组件，例如电能存储器44（例如牵引电池）、用于在机械能和电能之间进行转换的电机 45、用于操控电机 45 的功率电子设备 46 和机械组件 47（例如用于力矩传递的变速箱和差速器以及用于支承驱动轮的车轮轴承）等。此外，可以提供传感机构48，以便检测传感器参量作为运行参量f。运行参量f包括用于操控驱动系统43中的执行器的传感器参量和控制参量。
33.控制单元41被构造用于操控驱动系统43以运行驱动系统。此外，控制单元41可以被构造用于实施诊断方法。
34.中央单元2与所有车辆通信连接并且具有控制单元21和用于存储数据记录的数据库22。
35.结合图3的诊断系统10的框图，在图2中详细描述了说明用于诊断机动车辆4的驱动系统43的方法的流程图，如其在控制单元41中结合中央单元2能实施的那样。
36.该方法可以在中央单元或机动车辆的控制单元21、41中以硬件或软件实现。原则上，诊断系统10具有如图3中所示的结构。
37.诊断系统10具有运行参量检测单元11，以便提供运行参量f，所述运行参量包括来自驱动系统43中的传感机构48的各种不同的传感器的传感器参量和输出到驱动系统43的执行器的控制参量。此外，运行参量 f可以包括从中导出的参量，例如平均值、时间平均值、梯度等。来自车辆的驱动系统43的运行参量在步骤s1中被连续检测，从而运行参数f的随时间的变化曲线可用。
38.运行参量f在步骤s2中在预处理块12中被预处理。在此，异常值被消除，运行参量f
的曲线被平滑，并且必要时被准备用于进一步评估，例如通过归一化、变换等。
39.以这种方式准备的运行参量 f 被输送给不同的故障诊断模型。这些故障诊断模型通常包括多个物理诊断模型13，为了清楚起见，仅示出了其中一个物理诊断模型。可以借助于领域知识创建和使用物理诊断模型，以对可诊断的故障类型进行分析评估。利用物理诊断模型 13 可以基于冗余的或相关的运行参量f之间的物理相关性来识别驱动系统 43 的一个或多个组件中的故障。以此方式，可以在驱动系统43的多个组件中识别出一系列不同的故障类型并且可以输出相对应的故障信息。故障信息说明了所分配的物理诊断模型13是否已经识别出故障。
40.在步骤s3中，相对应地借助于物理诊断模型13识别驱动系统43的组件中的故障并且提供相对应的故障信息。
41.此外，可以提供基于数据的故障分类模型14，所述故障分类模型在步骤s4中可以借助于分类方案根据运行参量f的变化曲线来确定驱动系统43的一个或多个组件中的故障并且可以提供相对应的各自的故障信息。故障分类模型 14（这里为了清楚起见仅示出一个）可以基于无故障的驱动系统43的运行参量 f 和/或运行参量 f 的变化曲线来训练。故障分类模型可以基于高斯过程模型、神经网络等。
42.物理诊断模型13和故障分类模型14可以在车辆的控制单元41中实现。它们可以执行故障诊断并且用信号发出相对应的故障信息。
43.作为缺陷分类模型的替代或补充，可以在中央单元2中提供车队分类模型16，该车队分类模型可以基本上以类似于故障分类模型14的方式来构造。车队分类模型16可以基于数据地被构造，例如作为高斯过程模型或神经网络，并且利用车队数据进行训练，以便如此识别得出车队 3 的不同车辆 4 的故障图像，而故障检测模型只能识别相应的自车辆（ego-fahrzeug）的故障图像。借助于车队分类模型16，因此可以附加地识别并且提供驱动系统的组件中的对应于已知故障模式的故障。这通过为要检测的每种故障类型相对应地提供故障信息来实现。
44.此外，在步骤s5中，将经准备的运行参量f或运行参量的变化曲线和物理诊断模型13和故障分类模型14的故障信息传送给中央单元2。
45.借助于既可以在中央单元2中也可以在控制单元41中实现的异常探测模型15，可以在步骤s6中识别出运行参量f的变化曲线中的异常，而这些异常不能被分配给具体的故障或具体的故障类型。这些异常表明驱动系统 43 的有偏差的行为模式。
46.异常检测通常基于自动编码器来执行，该自动编码器基于正常数据（驱动系统的无故障组件的运行参量）来训练。所述正常数据被映射到缩减的特征空间中，从中可以再次重构运行参量。其中重构的运行参量 f 与原始运行参量有偏差的运行参量 f 组表明异常。偏差的程度可以表明异常的程度。在中央单元2中提供异常程度作为故障信息。
47.例如用于故障分类模型14和车队分类模型16的基于数据的诊断方法可用于分析和量化已知的故障类型。如果识别出故障，则视所使用的分类模型而定，可以利用故障信息来说明置信水平，该置信水平说明了以何种可靠性识别出了故障的存在或故障的不存在。
48.上面描述的每个诊断模型都可以分别分配给驱动系统43的组件之一，以便识别出相对应组件中的故障类型。
49.从模型 13-16 中识别出的故障在步骤s8中被输送给融合块 17，该融合块借助于
剩余使用模型来进行故障评估。
50.在步骤s9中，在融合块17中借助于剩余使用模型将故障信息分配给剩余使用寿命。该剩余使用寿命优选地根据故障信息的状态变化来确定，使得根据所确定的剩余使用寿命和自状态变化起经过的时间可以导出所述剩余使用寿命。
51.所述剩余使用寿命可以借助于聚类方法确定，例如通过最近邻方案。为此，利用存储在数据库22中的故障信息的数据记录并且根据作为结果出现的关键故障来进行评估，所述关键故障用信号通知使用寿命结束。因此，数据记录可以将车辆的所有故障信息的组合分配给剩余使用寿命，其方式是将在出现故障信息的状态变化（例如，在识别出非关键故障、阈值被异常程度超过等之后）与出现关键故障之间的持续时间确定为剩余使用寿命。
52.因此现在可以评价剩余使用寿命的预期值和发散，其方式是借助于聚类方法在类似的损坏过程中以统计方式对概率密度进行拟合。这允许对剩余使用寿命进行统计量化预测。
53.可替代地，利用数据记录还可以以回归模型（例如高斯过程模型）或神经网络的形式训练基于数据的剩余使用模型。然后可以借助于所提供的故障信息评估这种基于数据的剩余使用模型，以获得剩余使用寿命。如上面那样，可以以这样的方式进行训练，使得与故障信息量的状态变换的时间点有关地说明剩余使用寿命。
54.借助异常探测模型15，如果重构的运行参量与原始传感器数据的偏差（对应于异常程度）超过特定的偏差度量，则可以识别出异常。只要不是这种情况，就无法确定故障。然而，可以对异常程度进行连续监控，以确定异常程度的发展趋势。这使得能够预测异常程度超过预先给定的异常程度阈值的时间段。该时间段可以作为剩余使用寿命来被假设并且用信号通知。此外，剩余使用寿命和经评估的运行参量 f 可用作车队分类模型的训练数据。在出现异常之后识别出的故障也可以被分配给该异常，以便因此为车队分类模型创建进一步的训练数据用于再训练。
55.如果基于聚类方法在中央单元2中不能确定可靠的剩余使用寿命，则异常程度是特别令人感兴趣的。因为然后可以估计剩余使用寿命，其方式是外推异常程度的升高并且估计何时达到预先给定的临界极限值。该交点描述了组件或系统的预计的停止运转。