DE-102024003829-B3 - Verfahren und Vorrichtung zur Überwachung von Fahrzeugkomponenten

Abstract

Die Erfindung betrifft ein computerimplementiertes Verfahren zur Überwachung mindestens einer Fahrzeugkomponente eines Fahrzeugs (10) anhand eines fortlaufend erfassten Überwachungssignals. Es wird ein erstes Wörterbuch zur sparsamen Kodierung (Sparse Coding) anhand mindestens eines Signalabschnitts des Überwachungssignals vortrainiert, der in einem normalen Betriebszustand der mindestens einen überwachten Fahrzeugkomponente erfasst wird. Es wird ein zweites Wörterbuch zur sparsamen Kodierung anhand fortlaufend erfasster Signalabschnitte des Überwachungssignals gebildet. Es werden fortlaufend jeweils ein erster Sparse Code und ein zweiter Sparse Code bestimmt, der die Approximation eines fortlaufend erfassten Signalabschnitts des Überwachungssignals durch eine Linearkombination von Basisfunktionen des ersten beziehungsweise des zweiten Wörterbuchs beschreibt. Anhand der Sparse Codes wird ein Autoencoder trainiert. Es wird eine Anomalie der mindestens einen überwachten Fahrzeugkomponente festgestellt, wenn die Abweichung zwischen dem eingangsseitig des Autoencoders präsentierten Sparse Code und dem ausgangsseitig vom Autoencoder bereitgestellten approximierten Sparse Code eine vorbestimmte Maximalabweichung überschreitet. Die Erfindung betrifft ferner eine Vorrichtung zur Durchführung dieses Verfahrens, die eine GPU des Fahrzeugs (10) umfasst.

Inventors

• Geoffrey Kasenbacher

Assignees

• Mercedes-Benz Group AG

Dates

Publication Date

20260507

Application Date

20241121

Claims (5)

1. Computerimplementiertes Verfahren zur Überwachung mindestens einer Fahrzeugkomponente eines Fahrzeugs (10) anhand eines fortlaufend erfassten Überwachungssignals, dadurch gekennzeichnet , dass - ein erstes Wörterbuch zur sparsamen Kodierung (Sparse Coding) anhand mindestens eines Signalabschnitts des Überwachungssignals vortrainiert wird, der in einem normalen Betriebszustand der mindestens einen überwachten Fahrzeugkomponente erfasst wird, - ein zweites Wörterbuch zur sparsamen Kodierung anhand fortlaufend erfasster Signalabschnitte des Überwachungssignals gebildet wird, - fortlaufend jeweils ein erster Sparse Code und ein zweiter Sparse Code bestimmt werden, der die Approximation eines fortlaufend erfassten Signalabschnitts des Überwachungssignals durch eine Linearkombination von Basisfunktionen des ersten beziehungsweise des zweiten Wörterbuchs beschreibt, - ein als rekurrentes neuronales Netzwerk ausgebildeter Autoencoder, umfassend einen Encoder und einen Decoder, anhand des ersten und zweiten Sparse Codes trainiert wird, wobei ◯ der Encoder einen eingangsseitig des Autoencoders präsentierten Sparse Code in eine latente Repräsentation transformiert, wobei der eingangsseitig des Autoencoders präsentierte Sparse Code den ersten Sparse Code, den zweiten Sparse Code oder eine Verkettung des ersten und des zweiten Sparse Codes umfasst, und ◯ der Decoder die latente Repräsentation in einen ausgangsseitig vom Autoencoder bereitgestellten approximierten Sparse Code transformiert und - eine Anomalie der mindestens einen überwachten Fahrzeugkomponente festgestellt wird, wenn die Abweichung zwischen dem eingangsseitig des Autoencoders präsentierten Sparse Code und dem ausgangsseitig vom Autoencoder bereitgestellten approximierten Sparse Code eine vorbestimmte Maximalabweichung überschreitet.
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet , dass mindestens ein Wörterbuch zur sparsamen Kodierung mit einem faltenden neuronalen Netzwerk (Convolutional Neural Network, CNN) gebildet wird, welches anhand von mindestens einem Signalabschnitt des Überwachungssignals ausgehend von Startwerten, die mit einem lokal kompetitiven Verfahren (Locally Competitive Algorithm, LCA) ermittelt werden, trainiert wird.
3. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet , dass das Überwachungssignal mindestens teilweise aus fortlaufend erfassten Parametern einer Fahrzeugbatterie und/oder eines Energiemanagementsystems des Fahrzeugs (10) gebildet wird.
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet , dass bei einer festgestellten Anomalie mindestens eine proaktive Wartungsmaßnahme ausgelöst wird.
5. Vorrichtung zur Durchführung eines Verfahrens nach einem der vorhergehenden Ansprüche umfassend eine Signalerfassungseinheit (22) und eine Auswerteeinheit (23), dadurch gekennzeichnet , dass die Auswerteeinheit (23) eine Graphics Processing Unit (GPU) des überwachten Fahrzeugs (10) umfasst, die zur iterativen Anpassung mindestens eines Wörterbuchs zur sparsamen Kodierung eingerichtet ist.

Description

Die Erfindung betrifft ein computerimplementiertes Verfahren zur Überwachung mindestens einer Fahrzeugkomponente eines Fahrzeugs anhand eines fortlaufend erfassten Überwachungssignals sowie eine Vorrichtung zur Durchführung eines solchen Verfahrens. Komponenten eines Fahrzeugs, beispielsweise ein Energiemanagementsystem zur Überwachung und/oder Steuerung einer Antriebsbatterie eines elektrisch angetriebenen Fahrzeugs, aber auch mechanische Fahrzeugkomponenten, werden fortlaufend überwacht, indem zeitabhängige Veränderungen von Parametern als Signale oder Zeitreihen erfasst werden. Beispielsweise können von einer Antriebsbatterie abgegebene Spannungen und Ströme als Signale oder, in diskretisierter Darstellung, als Zeitreihen erfasst werden. Veränderungen an überwachten Fahrzeugkomponenten gegenüber einem normalen Betriebszustand werden als Anomalien bezeichnet. Anomalien können anhand charakteristischer Veränderungen der zur Überwachung erfassten Signale oder Zeitreihen detektiert werden. Die Anomalieerkennung in Zeitreihen ist ein zentrales Thema in zahlreichen industriellen und wissenschaftlichen Anwendungsbereichen. Die Identifikation von Abweichungen oder unvorhergesehenen Mustern in Datenströmen ist insbesondere für Überwachungs- und Sicherheitssysteme von Bedeutung, da das frühzeitige Erkennen solcher Anomalien Schäden, Ausfälle und kritische Ereignisse verhindern kann. Traditionelle Anomalieerkennungsmethoden, wie statistische Verfahren und klassische maschinelle Lernmethoden, stoßen bei großen, komplexen Datensätzen oft an ihre Grenzen, insbesondere wenn die zur Überwachung erfassten Daten nichtlinear oder hochdimensional sind. Traditionelle Optimierungsverfahren wie der Locally Competitive Algorithm (LCA), Iterative Shrinkage-Thresholding Algorithm (ISTA) oder Matching Pursuit (MP) erfordern oft hunderte Iterationen, um konvergente und genaue Ergebnisse zu liefern, was zu einem hohen Rechenaufwand führt. Diese Verfahren nutzen in der Regel GPUs (Graphics Processing Units), um die erforderlichen Berechnungen durchzuführen, was jedoch aufgrund der Anzahl der notwendigen Iterationen ressourcenintensiv und zeitaufwendig ist. Andere existierende Methoden, die auf vereinfachten Modellen basieren, bieten zwar eine Reduktion des Rechenaufwands, gehen jedoch häufig mit Einbußen in der Genauigkeit einher, was die Zuverlässigkeit der Anomaliedetektion beeinträchtigen kann. Diese Herausforderungen machen es schwierig, eine effiziente und gleichzeitig präzise Lösung für die Überwachung kritischer Fahrzeugsysteme zu finden. In der technischen Literatur zeigt das Dokument EISEN, M. et al.: „Anomaly Detection using Dictionary Learning“, University of Minnesota, Institute for Mathematics and its Applications, 2013. URL: https://zsiegel92 .gith ub.io/writing_repo/Wavefields_Report_ compressed.pdf eine Anomaliedetektion an Signalen unter Verwendung von einem Lernwörterbuch. Das Dokument DE 10 2023 111 241 A1 beschreibt Einrichtungen, Systeme und Verfahren, um ein oder mehrere neuronale Netze zu trainieren. Eine verbesserte Anomaliedetektion ist dadurch möglich, dass Signale oder Zeitreihen mittels Sparse Coding effizienter und leichter interpretierbar repräsentiert werden. Sparse Coding, nachfolgend synonym auch als sparsame Kodierung bezeichnet, ist ein Verfahren aus dem Bereich des maschinellen Lernens, das eine überbestimmte Repräsentation der Daten verwendet, bei der ein Signal in Basisfunktionen zerlegt wird. Überbestimmt ist eine Repräsentation, bei der die Anzahl der verwendeten Basisfunktionen die Dimension des Signals oder der Zeitreihe überschreitet. Beispielsweise werden Basisfunktionen, anders als bei der klassischen Fourier-Analyse, als nicht-orthogonaler Satz von Funktionen gewählt. Zur Rekonstruktion eines einzelnen Datenpunktes (das heißt eines Wertes der potenziell mehrdimensionalen Zeitreihe oder des Signals) werden jeweils in einer Linearkombination nur wenige dieser Basisvektoren mit einem jeweils zugeordneten Gewichtungsfaktor verwendet. Eine Zeitreihe X kann als m × n Matrix dargestellt werden, wobei m die Dimension der Zeitreihe und n der Zeitindex ist. Die Zeitreihe X kann als Produkt einer Matrix der Basisfunktionen D (im Folgenden als Dictionary oder Wörterbuch bezeichnet) mit einer Matrix von Sparse-Koeffizienten A (im Folgenden als Sparse Code bezeichnet) approximiert werden:X≈D A Der Approximation wird die l0-Norm zugrunde gelegt, welche die Anzahl der von Null verschiedenen Elemente eines Vektors oder einer Matrix erfasst. Zur Lösung des Approximationsproblems werden ein Wörterbuch D und ein Sparse Code A derart gesucht, dass die Anzahl der von Null verschiedenen Koeffizienten im Sparse Code A möglichst klein wird. Durch Sparse Coding können wichtige Merkmale oder Komponenten der Zeitreihe identifiziert werden, die möglicherweise versteckte, wiederkehrende Muster in den Daten darstellen. Diese extrahierten Merkmale können zur weiteren Analyse, Visualisierung oder als Eingaben in andere m