用于确定技术装置的系统行为与标准值范围的不容许的偏差的方法与流程

1.本发明涉及一种用于借助于人工神经网络来确定技术装置的系统行为与标准值范围的不容许的偏差的方法。


背景技术：

2.在de 10 2018 206 805 b3中描述了一种用于借助于两个机器学习系统来预测对象的驾驶机动的方法。第一机器学习系统根据第一输入参量来确定表征该对象的输出参量，第二机器学习系统根据第二输入参量来确定第二输出参量，该第二输出参量表征该对象的状态。根据这些输出参量来预测该对象的将来的移动。在这种情况下，第一机器学习系统包括深度神经网络并且第二机器学习系统包括概率图形模型。
3.de 10 2018 209 916 a1公开了一种用于借助于神经网络的层序列基于被输送给该神经网络的输入层的输入信号来确定输出信号的序列的方法。在限定的时间点，新的输入信号已经被输送给该神经网络，而先前的输入信号仍被传播经过该神经网络。


技术实现要素：

4.借助于按照本发明的方法，可以确定技术装置的系统行为与标准值范围的不容许的偏差。以这种方式，还在实际发生失灵之前就能够预测该技术装置的完全或部分的失灵，使得可以及时采取相对应的应对措施。以这种方式，可以使用易于实现的措施来执行对该技术装置的状态监控。可以及时查明系统行为的恶化以及系统异常。通过预先给定标准值范围并且与该标准值范围进行比较，能够持续监控该技术装置的状态走向并且查明如下时间点，直至该时间点为止确保该技术装置正常运行，并且从该时间点起不再能够或者至少不再能够完全保证正常运行。
5.用于确定该技术装置的不容许的偏差的方法使用人工神经网络，在学习阶段中向该人工神经网络输送该技术装置的输入数据和输出数据。通过与该技术装置的输入和输出数据的比较，在该人工神经网络中提供相对应的链接，并且有关该技术装置的系统行为来训练该神经网络。在学习阶段之后的预测阶段中，可以在该神经网络中可靠地预测该装置的系统行为。为此，在预测阶段中向该神经网络只输送该技术装置的输入数据并且在该神经网络中计算输出比较数据，将这些输出比较数据与该技术装置的输出数据进行比较。如果该比较得出：该技术装置的优选地作为测量值被记录的输出数据与该神经网络的输出比较数据之差偏差得太大并且超过极限值，则存在该技术装置的系统行为与标准值范围的不容许的偏差。然后，可以采取适合的措施，例如可以生成或存储报警信号或者停用该技术装置的部分功能（该技术装置的降级）。必要时，在该不容许的偏差的情况下，可以另选替代的技术装置。
6.借助于上述方法，可以持续监控真实技术装置。在学习阶段中，该神经网络不仅从其输入侧而且从其输出侧都被馈送该技术装置的足够多的信息，使得该技术装置可以在该
神经网络中以足够的精度被映射和模拟。在随后的预测阶段中，这允许监控该技术装置并且预测系统行为的恶化。以这种方式，尤其可以预测该技术装置的剩余使用寿命。
7.按照一个有利的实施方案，该神经网络被实施成自编码器，该自编码器具有：编码器或输入部分；解码器或输出部分；和位于编码器与解码器之间的瓶颈（engstelle）或中间层，该瓶颈或中间层被构造得具有数目比编码器和解码器更少的神经元。编码器和解码器优选地具有相同的尺寸，而瓶颈具有更小的尺寸。在这种情况下，可以有利的是：在瓶颈中的神经元数目至多是在编码器或解码器中的神经元数目的十分之一。
8.编码器以及解码器可以分别具有一个层或多个层。
9.该神经网络的这种作为自编码器的构造具有如下优点：在自编码器完成学习阶段之后，在自编码器的瓶颈中以压缩形式存在关于该技术装置的行为的信息。尽管在瓶颈中是压缩形式，但是预计不会有明显的信息丢失。这开辟了如下可能性：在预测阶段中只将编码器和瓶颈用作神经网络并且向其馈送该技术装置的输入数据，然后在瓶颈中确定输出比较数据，可以将这些输出比较数据与该技术装置的输出数据进行比较。因此，不需要在预测阶段中也使用解码器。
10.瓶颈提供数目减少的信息作为输出比较数据，将这些输出比较数据与该技术装置的所分配的输出数据进行比较。该技术装置的技术行为在该神经网络的输出比较数据中以压缩形式存在。该技术装置的输出数据也必须以相对应的尺寸存在，以便能够进行比较。在这种情况下，该技术装置的输出数据例如来自计算，该计算是在先前的时间点针对该技术装置来被执行的，尤其是经由同一神经网络。瓶颈的输出比较数据以压缩形式作为表示向量存在，将该表示向量与该技术装置的对应的表示向量进行比较，其中该技术装置的对应的表示向量来自先前的计算步骤。只要这些表示向量由同一神经网络确定，这些表示向量就是在不同时间点的被相互比较的表示向量。如果被实施成自编码器的神经网络的当前的表示向量显著偏离先前的表示向量，则存在真实技术系统的恶化。
11.在另一有利的实施方案中，将由瓶颈提供的表示向量与对应的表示向量进行比较，该对应的表示向量表示该技术装置的输出数据并且来自针对另一、然而技术上构造相同的装置的计算。在这种情况下，可以动用先前的、所存储的以对应的表示向量为形式的计算数据，这些计算数据是针对另一、技术上构造相同的装置来被确定的。只要确保技术上构造相同，就不一定需要是同一技术装置。
12.在又一有利的实施方案中，瓶颈的以压缩的表示向量为形式的输出比较数据借助于解码器来被扩展。该做法具有如下优点：所扩展的输出比较数据能直接与该技术装置的输出数据进行比较。这些输出比较数据优选地作为时间相关的数据信号存在并且直接对应于该技术装置的输出数据，这些输出数据有利地借助于传感装置来被测量。
13.瓶颈的表示向量的生成和该表示向量借助于解码器到输出比较数据的扩展可以在同一电子装置中被执行或者在不同的电子装置中被执行。上述变体具有如下优点：表示向量到输出比较数据的扩展可以在安全环境中被执行，使得未经加密地存在的、扩展的输出比较数据只能被为此授权的人员查看。
14.相反，在瓶颈的输出处的表示向量由于其压缩表示以加密方式存在，并且可以合理地只与对应的表示向量进行比较。这是对在瓶颈的输出处的表示向量的加密，其中在没有解码器的情况下无法进行解密。因而，压缩的表示向量也可以存放在公开可及的电子装
置上。
15.本发明还涉及一种电子装置，诸如车辆中的控制设备，该技术装置配备有用于执行上述方法的装置。这些装置尤其是至少一个计算单元和至少一个存储单元，用于执行所需的计算或者用于存储输入和输出数据。
16.本发明还涉及一种计算机程序产品，该计算机程序产品具有程序代码，该程序代码被设计为实施上述方法步骤。该计算机程序产品可以被存储在机器可读存储介质上并且在上述电子装置中运行。
17.示例性地，该方法能应用于对车辆中的技术系统、例如转向系统或制动系统的状态监控。在这种情况下，所述电子装置有利地是控制设备，经由该控制设备能操控该技术装置的组件。此外，也能够在更大的系统内仅监控作为技术装置的子系统，例如在制动系统中监控esp模块（电子稳定程序）。
附图说明
18.其它优点和适宜的实施方案能从其他权利要求、附图描述和附图中得知。其中：图1示出了具有并联的神经网络的esp模块的符号表示的框图，该esp模块被输送输入数据并且产生输出数据；图2示出了以自编码器为形式的神经网络的原理图，该自编码器包括编码器、瓶颈和解码器；图3示出了自编码器的在用于预测技术装置的系统行为的恶化的预测阶段中的编码器和瓶颈；图4示出了用于将瓶颈的压缩的表示向量转换成输出比较数据的瓶颈和解码器，将这些输出比较数据与该技术装置的输出数据进行比较。
具体实施方式
19.在按照图1的框图中，示出了以用于车辆中的制动系统的esp模块为形式的具有输入和输出数据并且具有并联的神经网络4的技术装置1的原理图。示例性地用作技术装置的esp模块1包括：esp泵，用于在制动系统中生成所希望的、经调制的制动压力；以及控制设备，用于操控该esp泵。向esp模块1输送输入数据2，例如用于esp模块1的电可驱动esp泵的输入电流，其中esp模块1响应于输入数据2来产生输出数据3，例如液压制动压力。
20.神经网络4与技术装置1并联，该神经网络在学习阶段中有关技术装置1的系统行为来被训练，为此在学习阶段中向神经网络4输送输入数据2以及技术装置1的输出数据3。在图1中，从输出数据3到神经网络4的虚线箭头对应于神经网络的学习阶段，在该学习阶段中，除了输入数据2之外，也向该神经网络输送输出数据3。
21.在学习阶段结束之后，神经网络4可以在预测阶段中被用于及早查明在技术装置1的系统行为方面的恶化。为了该目的，在预测阶段中向神经网络4输送技术装置1的输入数据2作为输入，其中现在神经网络4基于其被教导的行为来生成输出比较数据（在神经网络4处的用实线呈现的输出）。可以将神经网络4的输出比较数据与技术装置1的输出数据3进行比较。如果神经网络4的输出比较数据与技术装置1的输出数据3之间的偏差超出给定的标准值范围，则存在技术装置1的系统行为的不容许地严重的恶化，据此可以推断出技术装置
1的使用寿命缩短或者推断出该技术装置的部分失灵。然后可以采取措施，诸如生成报警信号或者缩小技术装置1的功能范围。
22.神经网络4可以在技术装置1的控制设备中实现并且在那里运行。但是，也能够使神经网络4在另一控制设备中运行，该另一控制设备与技术装置1的控制设备分开地被实施。
23.在图2中示出了以自编码器为形式的神经网络4的基本结构，该自编码器包括：编码器5，作为具有多个层的输入部分；瓶颈6；和解码器7，作为具有多个层的输出部分。编码器5和解码器7具有相同的尺寸，而瓶颈6具有比编码器5和解码器7明显更小的尺寸。在这种情况下，瓶颈中的神经元数目尤其至多是编码器5或解码器7中的神经元数目的十分之一。在学习阶段中，向编码器5输送技术系统1的输入数据和输出数据作为输入。在瓶颈6中，生成表示向量，该表示向量在解码器7中再次被扩展。
24.在预测阶段中，只将自编码器4的编码器5和瓶颈6用于预测技术装置1的系统行为就足够了。这种情况在图3中示出，其中向编码器5输送技术装置1的输入数据2作为输入并且在瓶颈6的输出处生成表示向量8，该表示向量包含该神经网络的输出比较数据。在随后的评估单元9中，可以将瓶颈6的表示向量与被分配给该技术装置的输出数据的对应的表示向量进行比较。
25.技术装置1的对应的表示向量例如对应于瓶颈6的来自先前的计算时间点的表示向量。也可能的是：该对应的表示向量来自神经网络、必要时上述自编码器针对另一、技术上构造相同的装置的计算。无论如何，都不需要将技术装置1的实际输出数据3用于与瓶颈6的表示向量8的比较。更确切地说，将所计算出的以来自先前的计算时间步长和/或技术上构造相同的装置的计算时间步长的表示向量为形式的输出数据用于该比较就足够了。以这种方式，可以及早查明技术装置1的系统行为的可能的恶化。
26.在图4中示出了评估变体，其中瓶颈6的表示向量在解码器7中被扩展成输出比较数据11，这些输出比较数据可以与技术装置1的真实输出数据进行比较。该比较发生在电子装置10中，该电子装置有利地是独立于技术装置1的控制设备地被实施的电子装置。这允许：在受保护的环境中评估尤其是作为时间序列存在的输出比较数据11并且防止未经授权的访问。
27.但是，必要时也可以考虑在技术装置1的控制设备中评估输出比较数据11。
28.将输出比较数据11与技术装置1的真实输出数据进行比较，由此与在按照图3的评估中一样，可以查明系统行为的恶化。