[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

WO2021089749A1 - Method for determining an inadmissible deviation of the system behavior of a technical device from a standard value range - Google Patents

Method for determining an inadmissible deviation of the system behavior of a technical device from a standard value range Download PDF

Info

Publication number
WO2021089749A1
WO2021089749A1 PCT/EP2020/081227 EP2020081227W WO2021089749A1 WO 2021089749 A1 WO2021089749 A1 WO 2021089749A1 EP 2020081227 W EP2020081227 W EP 2020081227W WO 2021089749 A1 WO2021089749 A1 WO 2021089749A1
Authority
WO
WIPO (PCT)
Prior art keywords
technical device
data
neural network
bottleneck
output
Prior art date
Application number
PCT/EP2020/081227
Other languages
German (de)
French (fr)
Inventor
Achim Romer
Original Assignee
Robert Bosch Gmbh
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch Gmbh filed Critical Robert Bosch Gmbh
Priority to CN202080076839.7A priority Critical patent/CN114600132A/en
Publication of WO2021089749A1 publication Critical patent/WO2021089749A1/en

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Definitions

  • the invention relates to a method for determining an impermissible deviation of the system behavior of a technical device from a standard value range with the aid of an artificial neural network.
  • DE 102018206805 B3 describes a method for predicting a driving maneuver of an object by means of two machine learning systems.
  • the first machine learning system determines an output variable characterizing the object as a function of a first input variable
  • the second machine learning system determines a second output variable which characterizes a state of the object as a function of a second input variable.
  • the future movement of the object is predicted depending on the output variables.
  • the first machine learning system here comprises a deep neural network and the second machine learning system a probabilistic graphic model.
  • DE 102018209 916 A1 discloses a method for determining a sequence of output signals by means of a sequence of layers of a neural network on the basis of input signals which are fed to an input layer of the neural network. New input signals are already fed to the neural network at a defined point in time, while the previous input signals are still being propagated through the neural network.
  • an impermissible deviation of the system behavior of a technical device from a standard value range can be determined.
  • the state of the technical device can be monitored with measures that are easy to implement.
  • Deteriorations in system behavior and system anomalies can be detected in good time.
  • the method for determining the impermissible deviation of the technical device uses an artificial neural network to which input data and output data of the technical device are fed in a learning phase. By comparing with the input and output data of the technical device, the corresponding links are created in the artificial neural network and the neural network is trained on the system behavior of the technical device.
  • the system behavior of the device can be reliably predicted in the neural network.
  • only the input data of the technical device are fed to the neural network in the prediction phase and output comparison data are calculated in the neural network, which are compared with the output data of the technical device. If this comparison shows that the difference in the output data of the technical device, which is preferably recorded as measured values, deviates too much from the output comparison data of the neural network and exceeds a limit value, then there is an impermissible deviation in the system behavior of the technical device from the standard value range. Suitable measures can then be taken, for example a warning signal can be generated or stored or partial functions of the technical device can be deactivated (degradation of the technical device). If necessary, alternative technical facilities can be used in the event of impermissible deviations.
  • a real technical facility can be continuously monitored.
  • the neural network is fed with a sufficient amount of information from the technical device, both from its input side and from its output side, so that the technical device can be mapped and simulated in the neural network with sufficient accuracy.
  • this allows the technical facility to be monitored and a deterioration in the system behavior to be predicted. In this way, in particular, the remaining useful life of the technical facility can be predicted.
  • the neural network is designed as an autoencoder which has an encoder or input part, a decoder or output part and a bottleneck or intermediate layer between the encoder and decoder, which is designed with a smaller number of neurons than the encoder and the decoder .
  • the encoder and the decoder preferably have the same dimensions, whereas the constriction has a smaller dimension. It can be advantageous here for the number of neurons in the bottleneck to be at least a factor of ten smaller than the number of neurons in the encoder or decoder.
  • Both the encoder and the decoder can each have one layer or several layers.
  • This structure of the neural network as an autoencoder has the advantage that information about the behavior of the technical device is available in compressed form in the bottleneck of the autoencoder after the autoencoder has completed the learning phase. Despite the compressed form in the bottleneck, no significant loss of information is to be expected. This opens the Possibility of using only the encoder and the bottleneck as a neural network in the prediction phase and feeding them with the input data of the technical device, whereupon output comparison data are determined in the bottleneck, which can be compared with the output data of the technical device. It is therefore not necessary to also use the decoder in the prediction phase.
  • the bottleneck supplies a reduced amount of information as output comparison data, which is compared with assigned output data of the technical device.
  • the technical behavior of the technical device is available in the output comparison data of the neural network in compressed form.
  • the output data of the technical facility must also be available in a corresponding dimension in order to enable a comparison.
  • the output data of the technical device originate, for example, from a calculation that was carried out at an earlier point in time for the technical device, in particular via the same neural network.
  • the output comparison data of the bottleneck are available in compressed form as a representation vector which is compared with a corresponding representation vector of the technical device, the corresponding representation vector of the technical device originating from the earlier calculation step.
  • the representation vectors are determined by the same neural network, they are representation vectors at different times which are compared with one another.
  • the real technical system has deteriorated if the current representation vector of the neural network implemented as an autoencoder deviates significantly from the previous representation vector.
  • the representation vector that is supplied by the bottleneck is compared with a corresponding representation vector that represents the output data of the technical device and comes from a calculation for another, but technically identical device.
  • stored calculation data can be used in the form of a corresponding representation vector that corresponds to the other, technically identical facility were determined. It is not absolutely necessary that the technical equipment is the same, as long as the technical identity is guaranteed.
  • the output comparison data of the bottleneck which are present in the form of a compressed representation vector, are expanded with the aid of the decoder.
  • This procedure has the advantage that the expanded output comparison data can be directly compared with the output data of the technical device.
  • the output comparison data are preferably available as time-dependent data signals and correspond directly to the output data of the technical device, which are advantageously measured with the aid of a sensor device.
  • the generation of the representation vector of the bottleneck and the expansion of the representation vector onto the output comparison data with the aid of the decoder can be carried out either in the same electronic device or in different electronic devices.
  • the latter variant has the advantage that the expansion of the representation vector to the output comparison data can be carried out in a secure environment, so that the unencrypted, expanded output comparison data can only be viewed by authorized persons.
  • the representation vector at the exit of the bottleneck is encrypted due to its compressed representation and can only be compared in a meaningful way with corresponding representation vectors. This represents an encryption of the representation vector at the exit of the bottleneck, decryption not being possible without the decoder.
  • the compressed representation vector can therefore also be stored on publicly accessible electronic devices.
  • the invention also relates to an electronic device, such as a control device in a vehicle, which is equipped with means for carrying out the method described above.
  • Means are in particular at least one computing unit and at least one memory unit for performing the necessary calculations or for storing input and output data.
  • the invention also relates to a computer program product with a program code which is designed to carry out the method steps described above.
  • the computer program product can be stored on a machine-readable storage medium and run in an electronic device described above.
  • the method can be applied, for example, to the status monitoring of a technical system in a vehicle, for example a steering system or a braking system.
  • the electronic device is advantageously a control device via which the components of the technical device can be controlled.
  • ESP module electronic stability program
  • FIG. 1 shows a block diagram with a symbolic representation of an ESP module, to which input data is supplied and which produces output data, with a neural network connected in parallel.
  • FIG. 2 shows a basic illustration of a neural network in the form of a
  • Autoencoders which includes an encoder, a bottleneck and a decoder
  • Prediction phase to predict a deterioration in the system behavior of the technical facility 4 shows the bottleneck and the decoder for transforming a compressed representation vector of the bottleneck into output comparison data which are compared with output data of the technical device.
  • the block diagram according to FIG. 1 shows a basic diagram of a technical device 1 in the form of an ESP module for a braking system in a vehicle with input and output data and with a neural network 4 connected in parallel.
  • the ESP module 1 which is used by way of example as a technical device, comprises an ESP pump for generating a desired, modulated brake pressure in the brake system and a control unit for controlling the ESP pump.
  • Input data 2 are fed to ESP module 1, for example an input current for the electrically operated ESP pump of ESP module 1, ESP module 1 producing output data 3 in response to input data 2, for example hydraulic brake pressure.
  • a neural network 4 is connected in parallel with the technical device 1 and is trained in the system behavior of the technical device 1 in a learning phase, for which the input data 2 and the output data 3 of the technical device 1 are fed to the neural network 4 in the learning phase .
  • the dashed arrow from the output data 3 to the neural network 4 corresponds to the learning phase of the neural network, in which, in addition to the input data 2, the output data 3 are also fed to the neural network.
  • the neural network 4 can be used in a prediction phase to determine a deterioration in the system behavior of the technical device 1 at an early stage.
  • the input data 2 of the technical device 1 is fed to the neural network 4 as an input in the prediction phase, the neural network 4 now generating output comparison data on the basis of its learned behavior (output on the neural network 4 shown with a solid line).
  • the output comparison data of the neural network 4 can be compared with the output data 3 of the technical device 1 be compared.
  • the neural network 4 can be implemented in the control device of the technical device 1 and run there. However, it is also possible to run the neural network 4 in a further control device which is designed separately from the control device of the technical device 1.
  • FIG. 2 shows the basic structure of a neural network 4 in the form of an autoencoder, which comprises an encoder 5 as an input part with several layers, a bottleneck 6 and a decoder 7 as an output part with several layers.
  • the encoder 5 and the decoder 7 have the same dimensions, whereas the constriction 6 has a significantly smaller dimension than the encoder 5 and decoder 7.
  • the number of neurons in the bottleneck is in particular at least a factor of ten smaller than the number of neurons in the encoder 5 or the decoder 7.
  • the encoder 5 receives the input data and the output data of the technical system 1 as an input.
  • a representation vector is generated in the bottleneck 6, which is expanded again in the decoder 7.
  • the corresponding representation vector of the technical device 1 corresponds, for example, to the representation vector of the bottleneck 6 from an earlier calculation time. It is also possible that the corresponding representation vector originates from the calculation of a neural network, possibly the above-described autoencoder, to another, technically identical device. In any case, it is not necessary to use the actual output data 3 of the technical device 1 for the comparison with the representation vector 8 of the bottleneck 6. Rather, it is sufficient to use calculated output data in the form of representation vectors from an earlier calculation time step and / or a calculation time step of a technically identical device for the comparison. In this way, any deterioration in the system behavior of the technical device 1 can be determined at an early stage.
  • FIG. 4 shows an evaluation variant in which the representation vector of the bottleneck 6 in the decoder 7 is expanded to output comparison data 11, which can be compared with the real output data of the technical device 1.
  • the comparison takes place in an electronic device 10, which is advantageously an electronic device implemented independently of the control device of the technical device 1. This allows the output comparison data 11, which are present in particular as time series, to be evaluated in a protected environment and to be secured against unauthorized access.
  • the output comparison data 11 are compared with the real output data of the technical device 1, which is the same as during the evaluation According to FIG. 3, a deterioration in the system behavior can be determined.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computational Mathematics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

The invention relates to a method for determining an inadmissible deviation of a technical device by means of an artificial neural network which is supplied with input data and output data of the technical device in a learning phase. In a subsequent prediction phase, the neural network is only supplied with the input data, and comparative output data are calculated in the neural network and are compared to the output data of the technical device.

Description

Beschreibung description
Titel title
Verfahren zum Ermitteln einer unzulässigen Abweichung des Svstemverhaltens einer technischen Einrichtung von einem Normwertebereich Method for determining an impermissible deviation of the system behavior of a technical facility from a standard value range
Die Erfindung bezieht sich ein Verfahren zum Ermitteln einer unzulässigen Abweichung des Systemverhaltens einer technischen Einrichtung von einem Normwertebereich mithilfe eines künstlichen neuronalen Netzes. The invention relates to a method for determining an impermissible deviation of the system behavior of a technical device from a standard value range with the aid of an artificial neural network.
Stand der Technik State of the art
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. DE 102018206805 B3 describes a method for predicting a driving maneuver of an object by means of two machine learning systems. The first machine learning system determines an output variable characterizing the object as a function of a first input variable, the second machine learning system determines a second output variable which characterizes a state of the object as a function of a second input variable. The future movement of the object is predicted depending on the output variables. The first machine learning system here comprises a deep neural network and the second machine learning system a probabilistic graphic model.
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. DE 102018209 916 A1 discloses a method for determining a sequence of output signals by means of a sequence of layers of a neural network on the basis of input signals which are fed to an input layer of the neural network. New input signals are already fed to the neural network at a defined point in time, while the previous input signals are still being propagated through the neural network.
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. Disclosure of the invention With the aid of the method according to the invention, an impermissible deviation of the system behavior of a technical device from a standard value range can be determined. In this way, it is possible to predict a complete or partial failure of the technical device before the failure actually occurs, so that appropriate countermeasures can be taken in good time. In this way, the state of the technical device can be monitored with measures that are easy to implement. Deteriorations in system behavior and system anomalies can be detected in good time. By specifying and comparing it with the standard value range, it is possible to continuously monitor the state of the technical device and to determine the point in time up to which the proper function of the technical device is guaranteed and from which the proper function is no longer or at least no longer complete can be ensured.
Das Verfahren zum Ermitteln der unzulässigen Abweichung der technischen Einrichtung nutzt ein künstliches neuronales Netz, 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 künstlichen neuronalen Netz geschaffen und das neuronale Netz auf das Systemverhalten der technischen Einrichtung trainiert. The method for determining the impermissible deviation of the technical device uses an artificial neural network to which input data and output data of the technical device are fed in a learning phase. By comparing with the input and output data of the technical device, the corresponding links are created in the artificial neural network and the neural network is trained on the system behavior of the technical device.
In einer sich an die Lernphase anschließenden Prädiktionsphase kann in dem neuronalen Netz das Systemverhalten der Einrichtung zuverlässig vorhergesagt werden. Hierzu werden in der Prädiktionsphase dem neuronalen Netz nur die Eingangsdaten der technischen Einrichtung zugeführt und im neuronalen Netz 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 neuronalen Netzes 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. In a prediction phase following the learning phase, the system behavior of the device can be reliably predicted in the neural network. For this purpose, only the input data of the technical device are fed to the neural network in the prediction phase and output comparison data are calculated in the neural network, which are compared with the output data of the technical device. If this comparison shows that the difference in the output data of the technical device, which is preferably recorded as measured values, deviates too much from the output comparison data of the neural network and exceeds a limit value, then there is an impermissible deviation in the system behavior of the technical device from the standard value range. Suitable measures can then be taken, for example a warning signal can be generated or stored or partial functions of the technical device can be deactivated (degradation of the technical device). If necessary, alternative technical facilities can be used in the event of impermissible deviations.
Mithilfe des vorbeschriebenen Verfahrens kann eine reale technische Einrichtung fortlaufend überwacht werden. In der Lernphase wird das neuronale Netz 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 neuronalen Netz 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. With the aid of the method described above, a real technical facility can be continuously monitored. In the learning phase, the neural network is fed with a sufficient amount of information from the technical device, both from its input side and from its output side, so that the technical device can be mapped and simulated in the neural network with sufficient accuracy. In the subsequent prediction phase, this allows the technical facility to be monitored and a deterioration in the system behavior to be predicted. In this way, in particular, the remaining useful life of the technical facility can be predicted.
Gemäß einer vorteilhaften Ausführung ist das neuronale Netz als ein Autoencoder ausgeführt, der einen Encoder oder Eingabeteil, einen Decoder oder Ausgabeteil und eine zwischen Encoder und Decoder liegende Engstelle oder Zwischenschicht aufweist, welche mit einer geringeren Anzahl an Neuronen als der Encoder und der Decoder ausgebildet ist. Der Encoder und der Decoder weisen vorzugsweise die gleiche Dimension auf, wohingegen die Engstelle eine geringere Dimension besitzt. Hierbei kann es vorteilhaft sein, dass die Anzahl der Neuronen in der Engstelle mindestens um den Faktor zehn kleiner ist als die Anzahl der Neuronen in dem Encoder oder Decoder. According to an advantageous embodiment, the neural network is designed as an autoencoder which has an encoder or input part, a decoder or output part and a bottleneck or intermediate layer between the encoder and decoder, which is designed with a smaller number of neurons than the encoder and the decoder . The encoder and the decoder preferably have the same dimensions, whereas the constriction has a smaller dimension. It can be advantageous here for the number of neurons in the bottleneck to be at least a factor of ten smaller than the number of neurons in the encoder or decoder.
Sowohl der Encoder als auch der Decoder können jeweils eine Schicht oder mehrere Schichten aufweisen. Both the encoder and the decoder can each have one layer or several layers.
Dieser Aufbau des neuronalen Netzes als Autoencoder hat den Vorteil, dass in der Engstelle des Autoencoders Informationen über das Verhalten der technischen Einrichtung in komprimierter Form vorliegen, nachdem der Autoencoder die Lernphase absolviert hat. Trotz der komprimierten Form in der Engstelle ist kein signifikanter Informationsverlust zu erwarten. Dies eröffnet die Möglichkeit, in der Prädiktionsphase nur den Encoder und die Engstelle als neuronales Netz zu verwenden und mit den Eingangsdaten der technischen Einrichtung zu speisen, woraufhin Ausgangsvergleichsdaten in der Engstelle ermittelt werden, die mit Ausgangsdaten der technischen Einrichtung verglichen werden können. Es ist somit nicht erforderlich, auch den Decoder in der Prädiktionsphase zu verwenden. This structure of the neural network as an autoencoder has the advantage that information about the behavior of the technical device is available in compressed form in the bottleneck of the autoencoder after the autoencoder has completed the learning phase. Despite the compressed form in the bottleneck, no significant loss of information is to be expected. This opens the Possibility of using only the encoder and the bottleneck as a neural network in the prediction phase and feeding them with the input data of the technical device, whereupon output comparison data are determined in the bottleneck, which can be compared with the output data of the technical device. It is therefore not necessary to also use the decoder in the prediction phase.
Die Engstelle liefert eine reduzierte Anzahl an Informationen als Ausgangsvergleichsdaten, die mit zugeordneten Ausgangsdaten der technischen Einrichtung verglichen werden. Das technische Verhalten der technischen Einrichtung liegt in den Ausgangsvergleichsdaten des neuronalen Netzes in komprimierter Form vor. Auch die Ausgangsdaten der technischen Einrichtung müssen, um einen Vergleich zu ermöglichen, in einer entsprechenden Dimension vorliegen. Die Ausgangsdaten der technischen Einrichtung stammen hierbei zum Beispiel aus einer Berechnung, die zu einem früheren Zeitpunkt zu der technischen Einrichtung durchgeführt wurde, insbesondere über das gleiche neuronale Netz. Die Ausgangsvergleichsdaten der Engstelle liegen in komprimierter Form als ein Repräsentationsvektor vor, der mit einem korrespondierenden Repräsentationsvektor der technischen Einrichtung vergleichen wird, wobei der korrespondierende Repräsentationsvektor der technischen Einrichtung aus dem früheren Berechnungsschritt stammt. Sofern die Repräsentationsvektoren von dem gleichen neuronalen Netz ermittelt werden, handelt es sich um Repräsentationsvektoren zu verschiedenen Zeitpunkten, die miteinander verglichen werden. Eine Verschlechterung des realen technischen Systems liegt vor, wenn der aktuelle Repräsentationsvektor des als Autoencoder ausgeführten neuronalen Netzes in signifikanter Weise von dem früheren Repräsentationsvektor abweicht. The bottleneck supplies a reduced amount of information as output comparison data, which is compared with assigned output data of the technical device. The technical behavior of the technical device is available in the output comparison data of the neural network in compressed form. The output data of the technical facility must also be available in a corresponding dimension in order to enable a comparison. The output data of the technical device originate, for example, from a calculation that was carried out at an earlier point in time for the technical device, in particular via the same neural network. The output comparison data of the bottleneck are available in compressed form as a representation vector which is compared with a corresponding representation vector of the technical device, the corresponding representation vector of the technical device originating from the earlier calculation step. If the representation vectors are determined by the same neural network, they are representation vectors at different times which are compared with one another. The real technical system has deteriorated if the current representation vector of the neural network implemented as an autoencoder deviates significantly from the previous representation vector.
In einerweiteren vorteilhaften Ausführung wird der Repräsentationsvektor, der von der Engstelle geliefert wird, mit einem korrespondierenden Repräsentationsvektor verglichen, der die Ausgangsdaten der technischen Einrichtung repräsentiert und aus einer Berechnung zu einer anderen, jedoch technisch baugleichen Einrichtung stammt. Hierbei kann auf frühere, abgespeicherte Berechnungsdaten in Form eines korrespondierenden Repräsentationsvektors zurückgegriffen werden, die zu der anderen, technisch baugleichen Einrichtung ermittelt wurden. Es ist nicht zwingend erforderlich, dass es sich um die gleiche technische Einrichtung handelt, solange die technische Baugleichheit gewährleistet ist. In a further advantageous embodiment, the representation vector that is supplied by the bottleneck is compared with a corresponding representation vector that represents the output data of the technical device and comes from a calculation for another, but technically identical device. Here, earlier, stored calculation data can be used in the form of a corresponding representation vector that corresponds to the other, technically identical facility were determined. It is not absolutely necessary that the technical equipment is the same, as long as the technical identity is guaranteed.
In noch einerweiteren vorteilhaften Ausführung werden die Ausgangsvergleichsdaten der Engstelle, die in Form eines komprimierten Repräsentationsvektors vorliegen, mithilfe des Decoders expandiert. Diese Vorgehensweise hat den Vorteil, dass die expandierten Ausgangsvergleichsdaten unmittelbar mit den Ausgangsdaten der technischen Einrichtung vergleichbar sind. Die Ausgangsvergleichsdaten liegen vorzugsweise als zeitabhängige Datensignale vor und entsprechen unmittelbar den Ausgangsdaten der technischen Einrichtung, welche vorteilhafterweise mithilfe einer Sensoreinrichtung gemessen werden. In yet another advantageous embodiment, the output comparison data of the bottleneck, which are present in the form of a compressed representation vector, are expanded with the aid of the decoder. This procedure has the advantage that the expanded output comparison data can be directly compared with the output data of the technical device. The output comparison data are preferably available as time-dependent data signals and correspond directly to the output data of the technical device, which are advantageously measured with the aid of a sensor device.
Die Erzeugung des Repräsentationsvektors der Engstelle und die Expansion des Repräsentationsvektors auf die Ausgangsvergleichsdaten mithilfe des Decoders kann entweder in der gleichen elektronischen Einrichtung oder in unterschiedlichen elektronischen Einrichtungen durchgeführt werden. Die letztgenannte Variante hat den Vorteil, dass die Expansion des Repräsentationsvektors auf die Ausgangsvergleichsdaten in einer gesicherten Umgebung durchgeführt werden kann, so dass die unverschlüsselt vorliegenden, expandierten Ausgangsvergleichsdaten nur von hierfür autorisierten Personen eingesehen werden können. The generation of the representation vector of the bottleneck and the expansion of the representation vector onto the output comparison data with the aid of the decoder can be carried out either in the same electronic device or in different electronic devices. The latter variant has the advantage that the expansion of the representation vector to the output comparison data can be carried out in a secure environment, so that the unencrypted, expanded output comparison data can only be viewed by authorized persons.
Der Repräsentationsvektor am Ausgang der Engstelle liegt dagegen aufgrund seiner komprimierten Darstellung verschlüsselt vor und kann in sinnvoller Weise nur mit korrespondierenden Repräsentationsvektoren verglichen werden. Dies stellt eine Verschlüsselung des Repräsentationsvektors am Ausgang der Engstelle dar, wobei ohne den Decoder eine Entschlüsselung nicht möglich ist. Der komprimierte Repräsentationsvektor kann daher auch auf öffentlich zugänglichen elektronischen Einrichtungen abgelegt sein. The representation vector at the exit of the bottleneck, on the other hand, is encrypted due to its compressed representation and can only be compared in a meaningful way with corresponding representation vectors. This represents an encryption of the representation vector at the exit of the bottleneck, decryption not being possible without the decoder. The compressed representation vector can therefore also be stored on publicly accessible electronic devices.
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. The invention also relates to an electronic device, such as a control device in a vehicle, which is equipped with means for carrying out the method described above. With these Means are in particular at least one computing unit and at least one memory unit for performing the necessary calculations or for storing input and output data.
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. The invention also relates to a computer program product with a program code which is designed to carry out the method steps described above. The computer program product can be stored on a machine-readable storage medium and run in an electronic device described above.
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). The method can be applied, for example, to the status monitoring of a technical system in a vehicle, for example a steering system or a braking system. In this case, the electronic device is advantageously a control device via which the components of the technical device can be controlled. Furthermore, it is also possible to monitor only one subsystem as a technical device within a larger system, for example an ESP module (electronic stability program) in a braking system.
Weitere Vorteile und zweckmäßige Ausführungen sind den weiteren Ansprüchen, der Figurenbeschreibung und den Zeichnungen zu entnehmen. Es zeigen: Further advantages and useful designs can be found in the further claims, the description of the figures and the drawings. Show it:
Fig. 1 ein Blockschaltbild mit symbolischer Darstellung eines ESP-Moduls, dem Eingangsdaten zugeführt werden und das Ausgangsdaten produziert, mit einem parallel geschalteten neuronalen Netz, 1 shows a block diagram with a symbolic representation of an ESP module, to which input data is supplied and which produces output data, with a neural network connected in parallel.
Fig. 2 eine Prinzipdarstellung eines neuronalen Netzes in Form eines2 shows a basic illustration of a neural network in the form of a
Autoencoders, der einen Encoder, eine Engstelle und einen Decoder umfasst, Autoencoders, which includes an encoder, a bottleneck and a decoder,
Fig. 3 den Encoder und die Engstelle des Autoencoders in einer3 shows the encoder and the bottleneck of the autoencoder in one
Prädiktionsphase zur Vorhersage einer Verschlechterung des Systemverhaltens der technischen Einrichtung, Fig. 4 die Engstelle und den Decoder zur T ransformation eines komprimierten Repräsentationsvektors der Engstelle in Ausgangsvergleichsdaten, welche mit Ausgangsdaten der technischen Einrichtung verglichen werden. Prediction phase to predict a deterioration in the system behavior of the technical facility, 4 shows the bottleneck and the decoder for transforming a compressed representation vector of the bottleneck into output comparison data which are compared with output data of the technical device.
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. The block diagram according to FIG. 1 shows a basic diagram of a technical device 1 in the form of an ESP module for a braking system in a vehicle with input and output data and with a neural network 4 connected in parallel. The ESP module 1, which is used by way of example as a technical device, comprises an ESP pump for generating a desired, modulated brake pressure in the brake system and a control unit for controlling the ESP pump. Input data 2 are fed to ESP module 1, for example an input current for the electrically operated ESP pump of ESP module 1, ESP module 1 producing output data 3 in response to input data 2, for example hydraulic brake pressure.
Parallel zu der technischen Einrichtung 1 ist ein neuronales Netz 4 geschaltet, das in einer Lernphase auf das Systemverhalten der technischen Einrichtung 1 trainiert wird, 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. A neural network 4 is connected in parallel with the technical device 1 and is trained in the system behavior of the technical device 1 in a learning phase, for which the input data 2 and the output data 3 of the technical device 1 are fed to the neural network 4 in the learning phase . In FIG. 1, the dashed arrow from the output data 3 to the neural network 4 corresponds to the learning phase of the neural network, in which, in addition to the input data 2, the output data 3 are also fed to the neural network.
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. After the end of the learning phase, the neural network 4 can be used in a prediction phase to determine a deterioration in the system behavior of the technical device 1 at an early stage. For this purpose, the input data 2 of the technical device 1 is fed to the neural network 4 as an input in the prediction phase, the neural network 4 now generating output comparison data on the basis of its learned behavior (output on the neural network 4 shown with a solid line). The output comparison data of the neural network 4 can be compared with the output data 3 of the technical device 1 be compared. If the discrepancy between the output comparison data of the neural network 4 and the output data 3 of the technical device 1 is outside a given range of standard values, then there is an impermissibly severe deterioration in the system behavior of the technical device 1, which leads to a shortened service life or partial failure of the technical device 1 can be closed. Measures can then be taken, such as, for example, the generation of a warning signal or a reduction in the functional scope of the technical device 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. The neural network 4 can be implemented in the control device of the technical device 1 and run there. However, it is also possible to run the neural network 4 in a further control device which is designed separately from the control device of the technical device 1.
In Fig. 2 ist der grundsätzliche Aufbau eines neuronalen Netzes 4 in Form eines Autoencoders dargestellt, der einen Encoder 5 als Eingangsteil mit mehreren Schichten, eine Engstelle 6 und einen Decoder 7 als Ausgangsteil mit mehreren Schichten umfasst. Der Encoder 5 und der Decoder 7 weisen die gleiche Dimension auf, wohingegen die Engstelle 6 eine signifikant kleinere Dimension als Encoder 5 und Decoder 7 besitzt. Die Anzahl der Neuronen in der Engstelle ist hierbei insbesondere mindestens um den Faktor zehn kleiner als die Anzahl der Neuronen in dem Encoder 5 oder dem Decoder 7. In der Lernphase werden dem Encoder 5 die Eingangsdaten und die Ausgangsdaten des technischen Systems 1 als Eingang zugeführt. In der Engstelle 6 wird ein Repräsentationsvektor erzeugt, der in dem Decoder 7 wieder expandiert wird. 2 shows the basic structure of a neural network 4 in the form of an autoencoder, which comprises an encoder 5 as an input part with several layers, a bottleneck 6 and a decoder 7 as an output part with several layers. The encoder 5 and the decoder 7 have the same dimensions, whereas the constriction 6 has a significantly smaller dimension than the encoder 5 and decoder 7. The number of neurons in the bottleneck is in particular at least a factor of ten smaller than the number of neurons in the encoder 5 or the decoder 7. In the learning phase, the encoder 5 receives the input data and the output data of the technical system 1 as an input. A representation vector is generated in the bottleneck 6, which is expanded again in the decoder 7.
In der Prädiktionsphase genügt es, nur den Encoder 5 und die Engstelle 6 des Autoencoders 4 für die Prädiktion des Systemverhaltens der technischen Einrichtung 1 zu verwenden. Diese Situation ist in Fig. 3 dargestellt, wobei dem Encoder 5 die Eingangsdaten 2 der technischen Einrichtung 1 als Eingang zugeführt werden und am Ausgang der Engstelle 6 ein Repräsentationsvektor 8 generiert wird, der die Ausgangsvergleichsdaten des neuronalen Netzes enthält. Der Repräsentationsvektor der Engstelle 6 kann in einer nachfolgenden Auswerteeinheit 9 mit einem korrespondierenden Repräsentationsvektor verglichen werden, die den Ausgangsdaten der technischen Einrichtung zugeordnet sind. In the prediction phase, it is sufficient to use only the encoder 5 and the bottleneck 6 of the auto-encoder 4 for the prediction of the system behavior of the technical device 1. This situation is shown in FIG. 3, the input data 2 of the technical device 1 being fed to the encoder 5 as an input and a representation vector 8 which contains the output comparison data of the neural network is generated at the output of the bottleneck 6. The representation vector of the bottleneck 6 can be used in a subsequent evaluation unit 9 with a corresponding representation vector which are assigned to the output data of the technical facility.
Der korrespondierende Repräsentationsvektor der technischen Einrichtung 1 entspricht beispielsweise dem Repräsentationsvektor der Engstelle 6 aus einem früheren Berechnungszeitpunkt. Es ist auch möglich, dass der korrespondierende Repräsentationsvektor aus der Berechnung eines neuronalen Netzes, gegebenenfalls des vorbeschriebenen Autoencoders, zu einer anderen, technisch baugleichen Einrichtung stammt. In jedem Fall ist es nicht erforderlich, die tatsächlichen Ausgangsdaten 3 der technischen Einrichtung 1 für den Vergleich mit dem Repräsentationsvektor 8 der Engstelle 6 heranzuziehen. Es genügt vielmehr, berechnete Ausgangsdaten in Form von Repräsentationsvektoren aus einem früheren Berechnungszeitschritt und/oder einem Berechnungszeitschritt einer technisch baugleichen Einrichtung für den Vergleich heranzuziehen. Auf diesem Weg kann eine etwaige Verschlechterung des Systemverhaltens der technischen Einrichtung 1 frühzeitig festgestellt werden. The corresponding representation vector of the technical device 1 corresponds, for example, to the representation vector of the bottleneck 6 from an earlier calculation time. It is also possible that the corresponding representation vector originates from the calculation of a neural network, possibly the above-described autoencoder, to another, technically identical device. In any case, it is not necessary to use the actual output data 3 of the technical device 1 for the comparison with the representation vector 8 of the bottleneck 6. Rather, it is sufficient to use calculated output data in the form of representation vectors from an earlier calculation time step and / or a calculation time step of a technically identical device for the comparison. In this way, any deterioration in the system behavior of the technical device 1 can be determined at an early stage.
In Fig. 4 ist eine Auswertungsvariante dargestellt, bei der der Repräsentationsvektor der Engstelle 6 in dem Decoder 7 zu Ausgangsvergleichsdaten 11 expandiert werden, welche mit den realen Ausgangsdaten der technischen Einrichtung 1 verglichen werden können. Der Vergleich erfolgt in einer elektronischen Einrichtung 10, bei der es sich vorteilhafterweise um eine unabhängig von dem Steuergerät der technischen Einrichtung 1 ausgeführte elektronische Einrichtung handelt. Dies erlaubt es, die Ausgangsvergleichsdaten 11, die insbesondere als Zeitreihen vorliegen, in einer geschützten Umgebung auszuwerten und vor einem unbefugten Zugriff zu sichern. 4 shows an evaluation variant in which the representation vector of the bottleneck 6 in the decoder 7 is expanded to output comparison data 11, which can be compared with the real output data of the technical device 1. The comparison takes place in an electronic device 10, which is advantageously an electronic device implemented independently of the control device of the technical device 1. This allows the output comparison data 11, which are present in particular as time series, to be evaluated in a protected environment and to be secured against unauthorized access.
Gegebenenfalls kommt aber auch eine Auswertung der Ausgangsvergleichsdaten 11 in dem Steuergerät der technischen Einrichtung 1 in Betracht. If necessary, however, an evaluation of the output comparison data 11 in the control device of the technical device 1 can also be considered.
Die Ausgangsvergleichsdaten 11 werden mit den realen Ausgangsdaten der technischen Einrichtung 1 verglichen, wodurch ebenso wie bei der Auswertung gemäß Fig. 3 eine Verschlechterung des Systemverhaltens festgestellt werden kann. The output comparison data 11 are compared with the real output data of the technical device 1, which is the same as during the evaluation According to FIG. 3, a deterioration in the system behavior can be determined.

Claims

Ansprüche Expectations
1. Verfahren zum Ermitteln einer unzulässigen Abweichung des Systemverhaltens einer technischen Einrichtung von einem Normwertebereich mithilfe eines künstlichen neuronalen Netzes (4), dem in einer Lernphase Eingangsdaten (2) und Ausgangsdaten (3) der technischen Einrichtung (1) zugeführt werden, wobei in einer sich an die Lernphase anschließenden Prädiktionsphase dem neuronalen Netz (4) nur die Eingangsdaten (2) der technischen Einrichtung (1) zugeführt und im neuronalen Netz (4) Ausgangsvergleichsdaten (11) berechnet werden, wobei eine unzulässige Abweichung der technischen Einrichtung (1) festgestellt wird, falls die Ausgangsdaten (3) der technischen Einrichtung (1) aufgrund der Differenz zu den Ausgangsvergleichsdaten (11) des neuronalen Netzes (4) außerhalb des Normwertebereichs liegen. 1. A method for determining an impermissible deviation of the system behavior of a technical device from a standard value range with the aid of an artificial neural network (4) to which input data (2) and output data (3) of the technical device (1) are fed in a learning phase After the prediction phase following the learning phase, only the input data (2) of the technical device (1) are fed to the neural network (4) and output comparison data (11) are calculated in the neural network (4), an impermissible deviation of the technical device (1) being determined if the output data (3) of the technical device (1) are outside the standard value range due to the difference to the output comparison data (11) of the neural network (4).
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das neuronale Netz (4) als Autoencoder mit einem Encoder (5), einem Decoder (7) zur Erzeugung von den Eingangsdaten (2) des Encoders (5) entsprechenden Ausgangsdaten (3) und einer Engstelle (6) zwischen Encoder und Decoder (5, 7) mit einer geringeren Anzahl an Neuronen als die Encoder und Decoder (5, 7) ausgebildet ist, wobei in der Lernphase dem Encoder (5) die Eingangs und Ausgangsdaten (2, 3) der technischen Einrichtung (1) zugeführt werden2. The method according to claim 1, characterized in that the neural network (4) as an autoencoder with an encoder (5), a decoder (7) for generating the input data (2) of the encoder (5) corresponding output data (3) and a bottleneck (6) between encoder and decoder (5, 7) is formed with a smaller number of neurons than the encoder and decoder (5, 7), with the encoder (5) receiving the input and output data (2, 3 ) are fed to the technical device (1)
3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass in der Prädiktionsphase nur der Encoder (5) und die Engstelle (6) als neuronales Netz (4) verwendet und Ausgangsvergleichsdaten (11), die die Engstelle (6) liefert, mit korrespondierenden Ausgangsdaten (3) verglichen werden, die der technischen Einrichtung (1) zugeordnet sind. 3. The method according to claim 2, characterized in that in the prediction phase only the encoder (5) and the bottleneck (6) are used as a neural network (4) and output comparison data (11) that the bottleneck (6) delivers with corresponding output data (3) which are assigned to the technical device (1) are compared.
4. Verfahren nach Anspruch 3, dadurch gekennzeichnet, dass die Ausgangsvergleichsdaten (11) der Engstelle (6) als komprimierter Repräsentationsvektor (8) vorliegen, wobei die Ausgangsdaten (3), die der technischen Einrichtung (1) zugeordnet sind, als ein korrespondierender Repräsentationsvektor (8) vorliegen und aus einer früheren Berechnung zu der gleichen technischen Einrichtung (1) stammen. 4. The method according to claim 3, characterized in that the output comparison data (11) of the bottleneck (6) are present as a compressed representation vector (8), the output data (3) assigned to the technical device (1) being a corresponding one Representation vector (8) are available and originate from an earlier calculation for the same technical facility (1).
5. Verfahren nach Anspruch 3 oder 4, dadurch gekennzeichnet, dass die Ausgangsvergleichsdaten (11) der Engstelle (6) als komprimierter Repräsentationsvektor (8) vorliegen, wobei die Ausgangsdaten (3), die der technischen Einrichtung (1) zugeordnet sind, als ein korrespondierender Repräsentationsvektor vorliegen und aus einer Berechnung zu einer anderen, technisch baugleichen Einrichtung (1) stammen. 5. The method according to claim 3 or 4, characterized in that the output comparison data (11) of the bottleneck (6) are present as a compressed representation vector (8), the output data (3) assigned to the technical device (1) being a corresponding representation vector are present and come from a calculation for another, technically identical device (1).
6. Verfahren nach einem der Ansprüche 2 bis 5, dadurch gekennzeichnet, dass die Ausgangsvergleichsdaten (11) der Engstelle (6), die als komprimierter Repräsentationsvektor (8) vorliegen, mithilfe des Decoders (7) expandiert und mit den Ausgangsdaten (3) der technischen Einrichtung (1) verglichen werden. 6. The method according to any one of claims 2 to 5, characterized in that the output comparison data (11) of the bottleneck (6), which are available as a compressed representation vector (8), expanded with the aid of the decoder (7) and with the output data (3) of the technical device (1) are compared.
7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass die Erzeugung des Repräsentationsvektors (8) der Engstelle (6) und die Expansion auf die Ausgangsvergleichsdaten (11) mithilfe des Decoders (7) in unterschiedlichen elektronischen Einrichtungen (10) durchgeführt werden. 7. The method according to claim 6, characterized in that the generation of the representation vector (8) of the bottleneck (6) and the expansion to the output comparison data (11) are carried out with the aid of the decoder (7) in different electronic devices (10).
8. Verfahren nach einem der Ansprüche 2 bis 7, dadurch gekennzeichnet, dass die Anzahl der Neuronen in der Engstelle (6) mindestens um den Faktor zehn kleiner ist als die Anzahl der Neuronen in dem Encoder oder Decoder (5, 7). 8. The method according to any one of claims 2 to 7, characterized in that the number of neurons in the bottleneck (6) is at least a factor of ten smaller than the number of neurons in the encoder or decoder (5, 7).
9. Elektronische Einrichtung, insbesondere Steuergerät in einem Fahrzeug, mit Mitteln, die dazu ausgebildet sind, das Verfahren nach einem der Ansprüche 1 bis 8 durchzuführen. 9. Electronic device, in particular control device in a vehicle, with means which are designed to carry out the method according to one of claims 1 to 8.
10. Computerprogrammprodukt mit einem Programmcode, der dazu ausgelegt ist, Schritte des Verfahrens nach einem der Ansprüche 1 bis 9 auszuführen. 10. Computer program product with a program code which is designed to carry out steps of the method according to one of claims 1 to 9.
11. Maschinenlesbares Speichermedium, auf welchem ein Computerprogrammprodukt nach Anspruch 10 gespeichert ist. 11. Machine-readable storage medium on which a computer program product according to claim 10 is stored.
PCT/EP2020/081227 2019-11-06 2020-11-06 Method for determining an inadmissible deviation of the system behavior of a technical device from a standard value range WO2021089749A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202080076839.7A CN114600132A (en) 2019-11-06 2020-11-06 Method for determining an inadmissible deviation of a system behavior of a technical device from a standard value range

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019217073.0A DE102019217073A1 (en) 2019-11-06 2019-11-06 Method for determining an impermissible deviation of the system behavior of a technical facility from a standard value range
DE102019217073.0 2019-11-06

Publications (1)

Publication Number Publication Date
WO2021089749A1 true WO2021089749A1 (en) 2021-05-14

Family

ID=73198285

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2020/081227 WO2021089749A1 (en) 2019-11-06 2020-11-06 Method for determining an inadmissible deviation of the system behavior of a technical device from a standard value range

Country Status (3)

Country Link
CN (1) CN114600132A (en)
DE (1) DE102019217073A1 (en)
WO (1) WO2021089749A1 (en)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006131926A2 (en) * 2005-06-09 2006-12-14 Drive Diagnostics Ltd. System and method for displaying a driving profile
US20190199743A1 (en) * 2017-12-22 2019-06-27 Robert Bosch Gmbh Method and device for recognizing anomalies in a data stream of a communication network
DE102018206805B3 (en) 2018-05-03 2019-09-12 Robert Bosch Gmbh A method, apparatus and computer program for predicting a future movement of an object

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006131926A2 (en) * 2005-06-09 2006-12-14 Drive Diagnostics Ltd. System and method for displaying a driving profile
US20190199743A1 (en) * 2017-12-22 2019-06-27 Robert Bosch Gmbh Method and device for recognizing anomalies in a data stream of a communication network
DE102018206805B3 (en) 2018-05-03 2019-09-12 Robert Bosch Gmbh A method, apparatus and computer program for predicting a future movement of an object

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
RUBITA SUDIRMAN ET AL: "Pre-processing of input features using LPC and warping process", COMPUTERS, COMMUNICATIONS,&SIGNAL PROCESSING WITH SPECIAL TRACK ON BIOMEDICAL ENGINEERING, 2005. CCSP 2005. 1ST INTERNATIONAL CONFERENCE ON, IEEE, PISCATAWAY, NJ, USA, 14 November 2005 (2005-11-14), pages 300 - 303, XP031461722, ISBN: 978-1-4244-0011-9 *
TAILAI WEN ET AL: "Time Series Anomaly Detection Using Convolutional Neural Networks and Transfer Learning", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 31 May 2019 (2019-05-31), XP081366563 *
YEONGHYEON PARK ET AL: "Fast Adaptive RNN Encoder-Decoder for Anomaly Detection in SMD Assembly Machine", SENSORS, vol. 18, no. 10, 22 October 2018 (2018-10-22), pages 3573, XP055764270, DOI: 10.3390/s18103573 *

Also Published As

Publication number Publication date
CN114600132A (en) 2022-06-07
DE102019217073A1 (en) 2021-05-06

Similar Documents

Publication Publication Date Title
DE102004030685B4 (en) Method for fault detection in a steer-by-wire steering system
DE102017218446A1 (en) Method for monitoring a motor vehicle with an automated driving function and device for carrying out the method
DE102012217002A1 (en) Method and device for operating a motor vehicle in an automated driving operation
EP1163532A1 (en) Method for identifying the condition of an energy accumulator
DE10007308A1 (en) Method and device for determining the remaining operating time of a product
EP3876060B1 (en) Method and computing unit for analyzing the reason for an anomalous state of a machine
DE102014210485A1 (en) Method and device for monitoring a system of a vehicle providing an at least partially automated driving function
DE102018008024A1 (en) Method for assessing a traffic situation
EP2099667B2 (en) Method for ensuring or maintaining the function of a complex complete safety-critical system
WO2015193141A1 (en) Method for monitoring a vehicle controller
DE102018122664A1 (en) Method for determining jumps and / or break points in an actuation characteristic of an actuation unit, evaluation module and vehicle
DE102018209108A1 (en) Fast fault analysis for machine learning technical devices
WO2021089659A1 (en) Method for determining an inadmissible deviation of the system behavior of a technical device from a standard value range
WO2021089749A1 (en) Method for determining an inadmissible deviation of the system behavior of a technical device from a standard value range
DE102016112332B4 (en) METHOD AND DEVICE FOR MONITORING A REGULATOR BLOCK FOR CONTROLLING AN ACTUATOR, IN PARTICULAR AN ACTUATOR OF A STEERING SYSTEM
DE102020005615A1 (en) Method for operating a crosswind assistant in a vehicle
EP3786853A1 (en) Compression of a deep neural network
WO2019057801A1 (en) Method and control unit for determining a condition of a system
DE102018214468A1 (en) Method, control unit, system and computer program product for providing information for operating a vehicle
EP4168999A1 (en) Method for supporting the operation of a vehicle with a sensor unit, computer program product and system
DE102018128892B4 (en) Method, system and computer program for providing information for operating a vehicle
DE102019107242A1 (en) Diagnostic method, diagnostic system and motor vehicle
WO2021089655A1 (en) Method for determining an inadmissible deviation of the system behavior of a technical device from a standard value range
DE102018128894A1 (en) Method, system and computer program for providing information for operating a vehicle, in particular by means of a digital map
DE102019128744A1 (en) Method for the detection of undesired vibrations of an actuator of an electromechanical brake, electronically controlled brake system, computer program product, control device and motor vehicle

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20803782

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20803782

Country of ref document: EP

Kind code of ref document: A1