确定技术设备的系统行为与标准值范围的不允许偏差的方法与流程

1.本发明涉及一种借助于监视算法确定技术设备的系统行为与标准值范围的不允许偏差的方法。


背景技术：

2.在de 10 2018 206 805 b3中描述了一种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变量确定表征所述对象的输出变量，第二机器学习系统根据第二输入变量确定表征所述对象的状态的第二输出变量。根据输出变量预测所述对象的未来运动。在该文献中，第一机器学习系统包括深度神经网络，而第二机器学习系统包括概率图形模型。
3.de 10 2018 209 916 a1公开了一种借助于神经网络的层序列基于输送给所述神经网络的输入层的输入信号来确定输出信号序列的方法。在定义的时间点，新的输入信号已经被输送给所述神经网络，而先前的输入信号仍在通过所述神经网络传播。


技术实现要素：

4.借助于根据本发明的方法，可以确定技术设备的系统行为与标准值范围的不允许偏差。通过这种方式可以在故障实际发生之前预测所述技术设备的全部或部分故障，从而可以及时采取相应的对策。通过这种方式可以使用易于实现的措施来监视所述技术设备的状态。可以及时确定系统行为的恶化和系统异常。通过预给定并与标准值范围进行比较，可以持续监视技术设备的状态变化过程并确定以下时间点，到该时间点为止保证了技术设备正常工作并且从该时间点开始不再或至少不再完全能够确保正常工作。
5.用于确定技术设备的不允许偏差的方法使用监视算法，在学习阶段向所述监视算法输送所述技术设备的输入数据和输出数据。通过与所述技术设备的输入数据和输出数据进行比较，在所述监视算法中创建对应的链接，并针对所述技术设备的系统行为训练所述监视算法。
6.在学习阶段之后的预测阶段，可以在所述监视算法中可靠地预测所述设备的系统行为。为此在预测阶段仅将所述技术设备的输入数据输送给所述监视算法，并在所述监视算法中计算与所述技术设备的输出数据进行比较的输出比较数据。如果该比较表明所述技术设备的输出数据（优选作为测量值检测）与所述监视算法的输出比较数据之差偏离太大并超过了极限值，则所述技术设备的系统行为与标准值范围存在不允许的偏差。然后可以采取合适的措施，例如可以产生或存储警告信号或者可以停用所述技术设备的部分功能（所述技术设备的降级）。如有必要，可以在出现不允许偏差的情况下切换到替代技术设备。
7.借助于上述方法，可以持续监视真实的技术设备。在学习阶段，所述监视算法从其输入端以及从其输出端都获得了技术设备的足够多的信息，从而可以在所述监视算法中以足够的准确度映射和模拟所述技术设备。这允许在随后的预测阶段监视所述技术设备并预测系统行为的恶化。通过这种方式，特别是可以预测所述技术设备的剩余使用寿命。
8.作为监视算法特别是考虑神经网络。在所述神经网络中，在学习阶段从所述技术设备的输入数据和输出数据中创建链接，由此所述神经网络以高准确度映射所述技术设备的系统行为。在预测阶段，所述神经网络可以对应地用于可靠地预测系统行为的恶化。
9.作为神经网络的替代，也可以考虑将以其他方式实施的监视算法用于监视技术设备的系统行为。
10.在根据本发明的方法中，在每个学习阶段步骤之前和每个预测阶段步骤之前执行的预处理步骤中，将输送给所述监视算法的输入数据标准化为参考信号的数据。该过程的优点是边界条件的波动（例如由于自然散射）可以通过所述标准化得到补偿或至少在很大程度上得到补偿，由此根据散射的类型，学习阶段和预测阶段中的处理得到改进，特别是可以更快地执行，或者由此才使学习阶段和预测阶段中的处理成为可能。所述监视算法的学习阶段和预测阶段本身不受预处理步骤的影响，因为在每个阶段只有输入数据被标准化。
11.根据有利的实施方式，所述标准化与输送给所述监视算法的输入数据的数量有关。如果该数量偏离所述参考信号的数据的数量，则进行标准化，使得将输入数据的数量统一为所述参考信号的数据的数量。因此，在标准化后总是向所述监视算法输送相同数量的输入数据。
12.另一有利实施方式涉及输入数据的数量和参考信号数据的数量虽然相同但输入数据相对于参考信号失真的情况。在这种情况下也可以执行标准化，其中将失真的输入数据映射为参考信号的数据。该过程例如使得可以将输入数据中的移位的最大值或最小值映射为参考信号的数据。
13.根据另一有利实施方式，输送给所述监视算法的输入数据的标准化在三个子步骤中进行。所述输入数据以时间离散方式存在，其中在第一子步骤中在所考虑的时间窗口中将时间标准化为参考信号。在随后的第二子步骤中，将所考虑的时间窗口的不同时间段的非标准化输入数据变换到频域中。随后是第三子步骤，在所述第三子步骤中根据第一子步骤的时间标准化将分配给不同时间段的频率段进行组合。结果是获得频域中的标准化输入数据，这些输入数据作为输入输送给所述监视算法。在预测阶段在监视算法中产生的输出比较数据也相应地位于频域中。
14.所述监视算法的输出比较数据与所述技术设备的输出数据之间的比较可以在时域或频域中执行。在时域中进行比较的情况下，存在于所述监视算法的输出端的输出比较数据从频域反变换到时域，然后可以在时域与所述技术设备的输出数据进行比较。在频域中进行比较的情况下，将所述技术设备的输出数据（所述输出数据通常位于时域中，例如作为测量序列）变换到频域。然后可以在频域中将所述监视算法的输出比较数据与所述技术设备的输出数据相互比较。
15.根据另一有利实施方式，通过动态时间标准化（dynamic time warping，动态时间扭曲）进行在第一子步骤中执行的输入数据到参考信号的时间标准化。在这种情况下，从优化的角度来看，特别是在考虑成本函数的条件下，铺设穿过矩阵的优化路径，该矩阵形成从参考信号的每个点到输入数据的每个点的距离。从优化的角度来看，穿过所述矩阵的最具成本效益的路径是从起点到终点的连接形成最小和的路径。
16.根据另一有利实施方式，通过短时傅立叶变换（stft）进行在第二子步骤中执行的将所考虑的时间窗内的输入数据变换到频域。在这种到频域的变换中，对大量时间段分别
执行快速傅立叶变换（fft）。这个过程的优点是，即使在变换到频域之后也保留了时间信息。因此，如果必要，也可以执行到时域的反变换，特别是为了在时域中执行与技术设备的输出数据的比较。
17.用于执行标准化的参考信号例如由多个先前的输入数据形成，例如通过对多个输入信号形成平均值。
18.替代地，参考信号也可以遵循与所涉及的技术设备协调并且对于所述技术设备是典型的定义的机动。例如，在汽车领域中适宜的是基于在车辆中使用的技术设备预给定所述车辆的定义的驾驶机动，从所述定义的驾驶机动中形成所述参考信号。
19.本发明还涉及一种电子设备，例如车辆中的控制设备，所述电子设备配备有用于执行上述方法的装置。这些装置特别是至少一个计算单元和至少一个存储单元，分别用于执行必要的计算和用于存储输入数据和输出数据。
20.本发明还涉及一种具有程序代码的计算机程序产品，所述程序代码被设计为执行上述方法步骤。所述计算机程序产品可以存储在机器可读存储介质上并且可以在上述电子设备中运行。
21.所述方法例如可以应用于监视车辆中技术系统的状态，例如转向系统或制动系统。在这种情况下，所述电子设备有利地是控制设备，通过所述控制设备可以操控所述技术设备的组件。此外，还可以在较大系统内仅监视一个子系统作为技术设备，例如在制动系统中监视esp模块（电子稳定程序）。
附图说明
22.其他优点和适宜的实施方式在其他权利要求、附图描述和附图中得出。
23.图1示出了具有esp模块的符号表示的框图，该esp模块被输送了输入数据并产生输出数据，并且具有并联连接的神经网络，图2示出了输入信号和参考信号的时间变化过程的图表，图3以矩阵形式示出了变换到频域的输入信号的图示，图4示出了根据图2的通过时间标准化变换到频域的输入信号。
具体实施方式
24.在根据图1的框图中示出了用于车辆中制动系统的esp模块形式的技术设备1的原理图示，该技术设备具有输入数据和输出数据以及并联连接的神经网络4。例如用作技术设备的esp模块1包括用于在制动系统中产生期望的、经过调制的制动压力的esp泵和用于操控esp泵的控制设备。向esp模块1输送输入数据2，例如用于esp模块1的电可操作esp泵的输入电流，其中esp模块1响应于输入数据2产生输出数据3，例如液压制动压力。
25.神经网络4与技术设备1并联连接，该神经网络形成监视算法。在学习阶段针对技术设备1的系统行为来训练神经网络4，为此技术设备1的输入数据2和输出数据3都在学习阶段输送给神经网络4。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，在所述学习阶段中除了输入数据2之外，输出数据3也被输送给所述神经网络。
26.在学习阶段结束之后，神经网络4在预测阶段可以用于及早确定技术设备1的系统行为的恶化。为此，在预测阶段将技术设备1的输入数据2作为输入输送给神经网络4，其中
神经网络4现在基于其学习的行为产生输出比较数据（在神经网络4上的输出用实线表示）。神经网络4的输出比较数据可以与技术设备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设备1的输出数据3之间的偏差超出给定的标准值范围，则技术设备1的系统行为出现不允许的严重恶化，由此可以推断使用寿命缩短或技术设备5发生部分失效。然后可以采取措施，例如产生警告信号或减少技术设备5的功能范围。
27.神经网络4可以在技术设备1的控制设备中实现并且在那里运行。然而，神经网络4也可以在与技术设备1的控制设备分开实施的另外的控制设备中运行。
28.图2至图4示出了在每个学习阶段步骤之前和每个预测阶段步骤之前执行的预处理步骤，其中将输送给监视算法的输入数据标准化为参考信号的数据。
29.图2示出了两个叠加的图表，具有参考信号r的时间相关变化过程（下图表）和具有所测量的输入数据m的信号的时间相关变化过程（上图表）。输入数据m对应于图1中的输入数据2。参考信号r具有一系列时间点a、b、c、d和e。具有输入数据m的信号具有一系列时间点1到6，在这些时间点处测量输入数据的值。参考信号r例如可以从技术设备或相同设计的其他技术设备的大量先前的真实输入数据中获得。
30.虽然信号变化过程r和m具有原则上相同的变化过程，但它们并不完全相同。为了将具有总共六个测量的时间点1到6的输入数据m的测量信号标准化为具有总共五个时间点a到e的参考信号r，在第一子步骤中执行动态时间标准化（动态时间扭曲）。在这种情况下，从优化的角度寻找从两个信号变化过程r和m的起点到终点的最具成本效益的路径。结果，获得了信号变化过程r和m中的时间点之间具有分配模式1a、2b、3c、4c、5d和6e的用虚线示出的分配。信号变化过程m在时间点3和4处的测量值都分配给了参考信号r中的时间点c。
31.图3示出了频域中输入数据m的示意图。在这种情况下，在第二子步骤中，输入数据m通过短时傅立叶变换stft变换到频域，其方式是在每个时间点t=1至t=6处分别执行快速傅立叶变换。该过程的优点是即使在变换到频域期间也保留时间信息。在根据图3的矩阵中，每列代表一个已变换到频域的向量，该向量分配给了时间点t=1到6之一。
32.图4示出了输入数据预处理的第三子步骤和最后一个子步骤，其中根据图2的第一子步骤的时间标准化来组合图3中的输入数据m的矩阵。这导致同样在频域中，如图4所示，将分配给时间点3和4的频率段组合成公共频率段。结果是将频率段从六个减少到五个。例如，通过对分配给时间点3和4的相应向量中的信息进行平均来组合频率段3和4。
33.在结束预处理之后，可以将频域中的标准化输入数据m在预测阶段输送给作为神经网络实施的监视算法，然后所述神经网络确定频域中的输出比较数据，可以将所述输出比较数据与技术设备在频域中的相关联输出数据进行比较。在存在表明所述技术设备的系统行为恶化的不允许偏差的情况下，例如可以产生警报信号。
34.作为该过程的替代，还可以将在神经网络中计算的输出比较数据从频域变换到时域，并与所述技术设备在时域中的输出数据进行比较。在这种情况下，如果存在表明系统行为恶化的不允许的高偏差，则可以产生警报信号或可以采取其他措施，例如可以执行技术设备的功能下降或者可以激活替代技术设备。