WO2024052126A1 - Method for condition monitoring - Google Patents

Method for condition monitoring Download PDF

Info

Publication number
WO2024052126A1
WO2024052126A1 PCT/EP2023/073167 EP2023073167W WO2024052126A1 WO 2024052126 A1 WO2024052126 A1 WO 2024052126A1 EP 2023073167 W EP2023073167 W EP 2023073167W WO 2024052126 A1 WO2024052126 A1 WO 2024052126A1
Authority
WO
WIPO (PCT)
Prior art keywords
signal
chassis component
data set
classifier
excitation
Prior art date
Application number
PCT/EP2023/073167
Other languages
German (de)
French (fr)
Inventor
Christoph Werries
Dennis Pape
Fabian Imkenberg
Original Assignee
Zf Friedrichshafen Ag
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 Zf Friedrichshafen Ag filed Critical Zf Friedrichshafen Ag
Publication of WO2024052126A1 publication Critical patent/WO2024052126A1/en

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M7/00—Vibration-testing of structures; Shock-testing of structures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
    • G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles

Definitions

  • the invention relates to a method for condition monitoring, wherein
  • a sample chassis component is mechanically excited by at least one, preferably defined, mechanical excitation signal, which in response generates at least one mechanical response signal,
  • the response signal is detected by means of at least one sensor and at least one measurement signal characterizing it is provided, from which at least one measured data set is formed, and
  • a classifier in particular a machine classifier, is trained, by means of which one of several classes is assigned to the sample chassis component, which represent different states of wear of the sample chassis component.
  • examinations are mainly carried out directly in the vehicle in order to record and collect data for algorithms (such as neural networks, etc.) for wear classification based on acceleration, vibration or noise.
  • algorithms such as neural networks, etc.
  • wear classification based on acceleration, vibration or noise.
  • Individual chassis components are often artificially damaged in order to generate a defined component wear state.
  • independent component tests are carried out in which individual or all new components are examined for their service life and operational stability in the design validation process or product validation process. So far, the two studies are independent of each other.
  • the load spectrums applied on a test bench in the test field serve the purpose of simulating the wear of a chassis component over the entire life of the vehicle in just a few hours.
  • the chassis component is exposed to very high loads, both briefly and permanently.
  • wear in the vehicle occurs over several years, with high loads only rarely occurring.
  • training a machine learning-based model with the entire test bench data would not allow later use of the model to classify the wear of the chassis component in the real vehicle because the underlying data is not correlated.
  • the invention is based in particular on the object of being able to obtain suitable data for training a classifier, preferably on the test bench.
  • a sample chassis component is mechanically excited by at least one, preferably defined, mechanical excitation signal, which in response generates at least one mechanical response signal,
  • the response signal is detected using at least one sensor and at least one measurement signal characterizing it is provided, from which at least one measured data set is formed, and
  • a classifier in particular a machine classifier, is trained, by means of which one of several classes is assigned to the sample chassis component, which represent different states of wear of the sample chassis component, is further developed according to the invention in particular in that - the measured data set is formed, in particular exclusively, from, preferably selected, peak values of the measurement signal.
  • the classifier is not trained with the entire measurement signal, but only with, preferably selected, peak values of the measurement signal. This means, for example, that the quality of the classifier can be improved.
  • the model chassis component is preferably assigned a class of classes that characterizes the state of wear of the model chassis component.
  • the classifier is trained using the measured data set to assign the model chassis component the class or one of the classes, in particular the class or a wear condition of the model chassis component.
  • the sensor is or preferably comprises at least one acceleration sensor and/or at least one acoustic sensor.
  • the expression “at least one” also includes in particular the meaning of one or exactly one.
  • the sample chassis component is preferably manufactured and/or provided, in particular before the excitation step.
  • the sample chassis component is a joint.
  • the sample chassis component is a ball joint or a rubber bearing.
  • the classifier is produced and/or provided, in particular before the training step.
  • the excitation step, the detection step and the training step are advantageously carried out one after the other in this order.
  • a computing unit comprising the classifier.
  • the classifier is implemented by means of the or a computing unit.
  • the computing unit in particular comprises at least one digital computer and/or is formed by it.
  • the computing unit is preferably manufactured and/or provided, in particular before the training step.
  • the excitation step and/or the detection step and/or the training step are carried out on a test stand.
  • the sample component is preferably mounted on the test stand or on a test stand, in particular before the excitation step.
  • the test stand is manufactured and/or provided, in particular before the excitation step.
  • the excitation signal is generated, for example, by means of an excitation machine, which is preferably connected to the model chassis component.
  • the test stand advantageously includes the excitation machine.
  • the classes are or are given, in particular to the classifier, preferably fixed or variable.
  • the classes, in particular in the training step are formed using the classifier, preferably itself.
  • the number of classes is preferably at least two. Preferably the number of classes is five.
  • a first of the classes in particular indicates a new condition.
  • a final class particularly characterizes a worn condition, such as an unusable or defective condition.
  • the classes in between particularly characterize intermediate states, such as partially worn states.
  • At least one state signal or pattern state signal characterizing the class assigned to the model chassis component is generated and/or provided by means of the classifier. This means, for example, that information about the class assignment(s) made by the classifier can be communicated externally and/or is accessible from the outside.
  • a target value signal characterizing a target class is transmitted to the classifier, in particular in the training step.
  • the class assigned to the model chassis component is verified using the classifier or a target class. This particularly supports the self-learning of the classifier.
  • the target class is preferably one of the classes.
  • the target class is preferably specified.
  • the target class is known and/or determined based on previous load tests, in particular on similar sample chassis components, for example on the test bench.
  • the excitation step, the detection step and the training step are carried out repeatedly, preferably in this order, in particular with different excitation signals.
  • the excitation signal is preferably changed in at least one of the repetitions. It is therefore possible, for example, to take into account and/or simulate different road surfaces, potholes, bumps and/or other mechanical loads acting on the sample chassis component via the excitation signal.
  • the measured data set is formed from, in particular, those peak values of the measurement signal which lie within a, in particular predetermined, acquisition period, preferably starting with the excitation step.
  • the length of the recording period is preferably constant, in particular across all repetitions.
  • the length of the recording period is, for example, variable and/or the length of the recording period is changed, in particular in at least one of the repetitions.
  • the measured data set is formed, in particular exclusively, from above-average peak values of the measurement signal or from above-average peak values of the measurement signal and/or from, in particular, those peak values of the measurement signal whose amount, in particular beyond a predetermined level, is greater than is the average amount.
  • the majority of the peak values of the measurement signal in particular within predetermined limits, have the same amount or at least approximately the same amount. This amount is referred to, for example, as the average amount and/or these peak values are referred to, for example, as average peak values. It has been shown that peak values that differ from this average are particularly suitable for training the classifier.
  • the average amount and/or the average Peak value of the measurement signal preferably determined and/or formed over a, in particular predetermined, time interval.
  • the length of the time interval can be changed for at least one of the repetitions.
  • the average magnitude and/or the average peak value of the measurement signal is predetermined, for example because it was determined in previous experiments.
  • the measured data set is formed, in particular exclusively, from, preferably those, peak values of the measurement signal whose amount reaches or exceeds a, preferably predetermined, threshold value.
  • the measured data set does not include any peak values of the measurement signal whose magnitude is below the threshold value or corresponds to the threshold value.
  • the threshold value is preferably greater than the magnitude of at least one other peak value.
  • the threshold is greater than the magnitude of most other peak values.
  • the threshold value is greater than or equal to the average amount and/or greater than or equal to the amount of or an average peak value of the measurement signal.
  • the threshold value is constant, in particular across all repetitions and/or for all peak values.
  • the threshold value is, for example, variable and/or, for example, the threshold value is changed, in particular for at least one of the repetitions and/or for at least one of the peak values.
  • the threshold value is, for example, 5g or 7g, where g is the acceleration due to gravity and is preferably 9.81 m/s A 2 .
  • the sensor is preferably an acceleration sensor.
  • the frequency of the measurement signal is preferably recorded, in particular repeatedly or permanently, preferably within the detection period.
  • the measured data set is formed, in particular additionally or exclusively, from, preferably those, peak values of the measurement signal at which the frequency of the measurement signal reaches or exceeds a, preferably predetermined, minimum frequency.
  • the measured data set does not include peak values of the measurement signal at which the frequency of the measurement signal falls below the minimum frequency or corresponds to the minimum frequency.
  • the minimum frequency is constant, in particular across all repetitions and/or for all peak values.
  • the minimum frequency is, for example, variable and/or, for example, the minimum frequency is changed, in particular in at least one of the repetitions and/or in at least one of the peak values.
  • the trained classifier is used in a, preferably real, vehicle which comprises a chassis with at least one chassis component corresponding to or comparable to the model chassis component, the state of wear of which, in particular in a wear detection step is determined with the help of the classifier.
  • a wear detection step is determined with the help of the classifier.
  • one of the classes characterizing the state of wear of the chassis component is assigned to the chassis component, preferably in the wear detection step, by means of the classifier.
  • At least one correlation factor or several correlation factors can be used to compensate for a change in signal dynamics and/or signal amplitude resulting from the transmission from the test bench to the vehicle, in particular during the implementation of the trained classifier .
  • This allows the real signal and/or the signal measured in the vehicle to be adapted, in particular according to the algorithm.
  • the chassis component is, for example, a joint.
  • the chassis component is a ball joint or a rubber bearing.
  • a mechanical excitation of the chassis component preferably occurs during operation of the vehicle, for example by road surfaces, potholes, bumps, etc.
  • At least one state signal or wear state signal characterizing the state of wear of the chassis component is generated and/or provided.
  • the implementation step preferably takes place after the, in particular last, training step.
  • the wear detection step preferably takes place after the implementation step.
  • the state of wear is advantageously determined repeatedly and/or the wear detection step is carried out repeatedly, for example.
  • FIG. 1 is a schematic view of a test stand with a sample chassis component
  • Fig. 3 shows an example of a modified measurement signal
  • Fig. 4 is a schematic top view of a vehicle.
  • the test stand 1 shows a schematic view of a test stand 1 on which a sample chassis component 2 is mounted.
  • the test stand 1 comprises an excitation machine 3, by means of which at least one mechanical excitation signal x(t) is generated, through which the sample chassis component 2 is mechanically excited, which in response generates at least one mechanical response signal y(t).
  • the response signal y (t) is detected and at least one measurement signal m (t) characterizing it is provided.
  • the letter t denotes time.
  • an evaluation unit 5 is provided, by means of which at least one measured data set D is formed from the measurement signal m(t).
  • the measured data set D is formed, in particular exclusively, from peak values Ms of the measurement signal m(t), which lie within a detection period At and whose amount reaches or exceeds a predetermined threshold value Mt.
  • the detection period At begins in particular at a time tO, at which the sample chassis component 2 is excited by a, for example new, excitation signal x(t). becomes.
  • the recording period At ends at a time t1 after the time tO, the length of which was determined in advance through tests.
  • FIG. 2 shows an example of the measurement signal m(t), which has several peak values Ms. Furthermore, an example of a modified measurement signal p(t) is shown in FIG. 3, the peak values Ps of which are formed only from peak values Ms of the measurement signal m(t) which reach or exceed the threshold value Mt. For example, the peak values Ps of the modified measurement signal p(t) shown in FIG. 3 within the acquisition period At, preferably together with the associated time values, form the measured data set D.
  • the measured data set D is fed to a classifier 7, preferably implemented by means of a computing unit 6, in particular a machine classifier 7, by means of which one of several classes is assigned to the sample chassis component 2, taking into account the measured data set D, which represent different states of wear of the sample chassis component 2 . Furthermore, at least one pattern status signal s characterizing the class assigned to the pattern chassis component 3 is generated and provided by means of the classifier 7.
  • the evaluation unit 5 is implemented, for example, by means of the computing unit 6.
  • the classifier 7 can be trained with the measured data set D and the information about the actual state of wear. Alternatively, it is possible for the classifier 7 to form the classes itself by evaluating the measured data set D.
  • the classifier 7 is sufficiently trained, it is preferably used in a real vehicle 8, which can be seen in a schematic top view from FIG. 4 and has a vehicle body 9 and a chassis 10 with several wheel suspensions 11, 12, 13 and 14, by means of which vehicle wheels 15 are connected to the vehicle body 9.
  • a sensor 16 is provided on the chassis 10, by means of which a response signal from a chassis component 17 of the vehicle 8 corresponding to the sample chassis component 2 is detected.
  • a computing unit 18 comprising the classifier 7 is connected to an evaluation unit 19, which corresponds in particular to the evaluation unit 5.
  • the state of wear of the chassis component 17 can now be determined using the trained classifier 7. In particular, at least one status signal v characterizing the state of wear of the chassis component 17 is generated and provided by means of the classifier 7.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

Method for condition monitoring, wherein in an excitation step a sample chassis component (2) is mechanically excited by at least one mechanical excitation signal (x(t)), which generates at least one mechanical response signal (y(t)) in response thereto, the response signal (y(t)) is detected in a detection step by means of at least one sensor (4) and at least one measurement signal (m(t)) characterising this is provided, from which at least one measured dataset (D) is formed, and in a training step, a classifier (7) is trained with the aid of the measured dataset (D), by means of which the sample chassis component (2) is assigned one of several classes that represent different states of wear of the sample chassis component, wherein the measured dataset (D) is formed from peak values of the measurement signal (m(t)).

Description

Verfahren zur Zustandsüberwachunq Condition monitoring procedure
Die Erfindung betrifft ein Verfahren zur Zustandsüberwachung, wobei The invention relates to a method for condition monitoring, wherein
- in einem Anregungsschrit durch wenigstens ein, vorzugsweise definiertes, mechanisches Anregungssignal ein Muster-Fahrwerkbauteil mechanisch angeregt wird, welches in Antwort darauf wenigstens ein mechanisches Antwortsignal erzeugt,- in an excitation step, a sample chassis component is mechanically excited by at least one, preferably defined, mechanical excitation signal, which in response generates at least one mechanical response signal,
- in einem Erfassungsschritt mittels wenigstens eines Sensors das Antwortsignal erfasst und wenigstens ein dieses charakterisierendes Messsignal bereitgestellt wird, aus dem wenigstens ein gemessener Datensatz gebildet wird, und - in a detection step, the response signal is detected by means of at least one sensor and at least one measurement signal characterizing it is provided, from which at least one measured data set is formed, and
- in einem Trainingsschritt mit Hilfe des gemessenen Datensatzes ein, insbesondere maschineller, Klassifikator trainiert wird, mittels welchem dem Muster-Fahrwerkbau- teil eine von mehreren Klassen zugeordnet wird, die unterschiedliche Verschleißzustände des Muster-Fahrwerkbauteils repräsentieren. - In a training step with the help of the measured data set, a classifier, in particular a machine classifier, is trained, by means of which one of several classes is assigned to the sample chassis component, which represent different states of wear of the sample chassis component.
Im Rahmen der Zustandsüberwachung von Fahrwerkkomponenten werden Untersuchungen hauptsächlich direkt im Fahrzeug durchgeführt, um Daten für Algorithmen (wie z.B. neuronale Netze etc.) zur Verschleißklassifizierung auf Grundlage von Beschleunigungen, Vibrationen oder Geräuschen aufzunehmen und zu sammeln. Oftmals werden dafür einzelne Fahrwerkkomponenten künstlich vorgeschädigt, um einen definierten Bauteil-Verschleißzustand zu generieren. Parallel dazu laufen z.B. unabhängige Bauteilerprobungen, in welchen einzelne bzw. alle neuen Bauteile im Design-Validierungs-Prozess oder Produkt-Validierungs-Prozess auf ihre Lebensdauer und Betriebsfestigkeit hin untersucht werden. Bisher sind die beiden Untersuchungen voneinander unabhängig. As part of the condition monitoring of chassis components, examinations are mainly carried out directly in the vehicle in order to record and collect data for algorithms (such as neural networks, etc.) for wear classification based on acceleration, vibration or noise. Individual chassis components are often artificially damaged in order to generate a defined component wear state. In parallel, for example, independent component tests are carried out in which individual or all new components are examined for their service life and operational stability in the design validation process or product validation process. So far, the two studies are independent of each other.
Eine Problematik besteht in dem Aufwand für die Generierung von Daten zur Algo- rithmen-Entwicklung. Ziel ist es, allgemeingültige Merkmale über alle Gelenke und Gelenkgrößen zu definieren, die den Verschleiß zuverlässig für alle Gelenke Vorhersagen können. Andernfalls müssten die Untersuchungen für jedes Gelenkdesign in jedem Fahrzeug bzw. für jede Fahrzeugklasse/Fahrzeugserie einzeln durchgeführt werden, sodass hohe Kosten für die Rohdatenaufnahme über Fahrversuche entstehen würden, da für jedes neue Gelenk ein Fahrversuch durchgeführt werden müsste. Diese Problematik kann unterschiedlich starke Ausmaße annehmen und unter Umständen zur Unwirtschaftlichkeit führen. One problem is the effort involved in generating data for algorithm development. The aim is to define general characteristics across all joints and joint sizes that can reliably predict wear for all joints. Otherwise, the investigations would have to be carried out individually for each joint design in each vehicle or for each vehicle class/vehicle series, which would result in high costs for the raw data acquisition via driving tests, since a driving test would have to be carried out for every new joint. This problem can vary in severity and, under certain circumstances, lead to inefficiency.
Die auf einem Prüfstand aufgebrachten Lastkollektive im Prüffeld dienen dem Zweck, den Verschleiß eines Fahrwerkbauteils über eine gesamte Fahrzeuglebensdauer in nur wenigen Stunden zu simulieren. Dabei ist die Fahrwerkkomponente kurzzeitig und dauerhaft sehr hohen Belastungen ausgesetzt. Im Fahrzeug erfolgt der Verschleiß jedoch über mehrere Jahre, wobei nur selten hohe Belastungen auftreten. Somit würde das Training eines auf maschinellem Lernen basierenden Modells mit den gesamten Prüfstands-Daten eine spätere Verwendung des Modells zur Klassifizierung des Verschleißes der Fahrwerkskomponente im realen Fahrzeug nicht zulassen, da die zugrunde liegenden Daten nicht korrelieren. The load spectrums applied on a test bench in the test field serve the purpose of simulating the wear of a chassis component over the entire life of the vehicle in just a few hours. The chassis component is exposed to very high loads, both briefly and permanently. However, wear in the vehicle occurs over several years, with high loads only rarely occurring. Thus, training a machine learning-based model with the entire test bench data would not allow later use of the model to classify the wear of the chassis component in the real vehicle because the underlying data is not correlated.
Ausgehend hiervon liegt der Erfindung insbesondere die Aufgabe zugrunde, geeignete Daten zum Trainieren eines Klassifikators, vorzugsweise auf dem Prüfstand, gewinnen zu können. Based on this, the invention is based in particular on the object of being able to obtain suitable data for training a classifier, preferably on the test bench.
Diese Aufgabe wird erfindungsgemäß mit einem Verfahren nach Anspruch 1 gelöst. Bevorzugte Weiterbildungen der Erfindung sind in den Unteransprüchen und in der nachfolgenden Beschreibung gegeben. This object is achieved according to the invention with a method according to claim 1. Preferred developments of the invention are given in the subclaims and in the following description.
Ein Verfahren zur Zustandsüberwachung, wobei A method for condition monitoring, wherein
- in einem Anregungsschritt durch wenigstens ein, vorzugsweise definiertes, mechanisches Anregungssignal ein Muster-Fahrwerkbauteil mechanisch angeregt wird, welches in Antwort darauf wenigstens ein mechanisches Antwortsignal erzeugt,- in an excitation step, a sample chassis component is mechanically excited by at least one, preferably defined, mechanical excitation signal, which in response generates at least one mechanical response signal,
- in einem Erfassungsschritt mitels wenigstens eines Sensors das Antwortsignal erfasst und wenigstens ein dieses charakterisierendes Messsignal bereitgestellt wird, aus dem wenigstens ein gemessener Datensatz gebildet wird, und - in a detection step, the response signal is detected using at least one sensor and at least one measurement signal characterizing it is provided, from which at least one measured data set is formed, and
- in einem Trainingsschritt mit Hilfe des gemessenen Datensatzes ein, insbesondere maschineller, Klassifikator trainiert wird, mittels welchem dem Muster-Fahrwerkbauteil eine von mehreren Klassen zugeordnet wird, die unterschiedliche Verschleißzustände des Muster-Fahrwerkbauteils repräsentieren, wird erfindungsgemäß insbesondere dadurch weitergebildet, dass - der gemessene Datensatz, insbesondere ausschließlich, aus, vorzugsweise ausgewählten, Scheitelwerten des Messsignals gebildet wird. - In a training step with the help of the measured data set, a classifier, in particular a machine classifier, is trained, by means of which one of several classes is assigned to the sample chassis component, which represent different states of wear of the sample chassis component, is further developed according to the invention in particular in that - the measured data set is formed, in particular exclusively, from, preferably selected, peak values of the measurement signal.
Bei dem erfindungsgemäßen Verfahren wird der Klassifikator nicht mit dem gesamten Messsignal, sondern lediglich mit, vorzugsweise ausgewählten, Scheitelwerten des Messsignals trainiert. Somit kann z.B. die Qualität des Klassifikators verbessert werden. In the method according to the invention, the classifier is not trained with the entire measurement signal, but only with, preferably selected, peak values of the measurement signal. This means, for example, that the quality of the classifier can be improved.
Bevorzugt wird dem Muster-Fahrwerkbauteil im Trainingsschritt eine den oder einen Verschleißzustand des Muster-Fahrwerkbauteils charakterisierende Klasse der Klassen zugeordnet. Vorteilhaft wird im Trainingsschritt der Klassifikator mittels des gemessenen Datensatzes dahingehend trainiert, dem Muster-Fahrwerkbauteil die oder eine, insbesondere den oder einen Verschleißzustand des Muster-Fahrwerkbauteils charakterisierende Klasse, der Klassen zuzuordnen. In the training step, the model chassis component is preferably assigned a class of classes that characterizes the state of wear of the model chassis component. Advantageously, in the training step, the classifier is trained using the measured data set to assign the model chassis component the class or one of the classes, in particular the class or a wear condition of the model chassis component.
Der Sensor ist oder umfasst bevorzugt wenigstens einen Beschleunigungssensor und/oder wenigstens einen akustischen Sensor. Der Ausdruck „wenigstens ein“ umfasst insbesondere auch die Bedeutung von ein oder genau ein. The sensor is or preferably comprises at least one acceleration sensor and/or at least one acoustic sensor. The expression “at least one” also includes in particular the meaning of one or exactly one.
Bevorzugt wird das Muster-Fahrwerkbauteil, insbesondere vor dem Anregungsschritt, hergestellt und/oder bereitgestellt. Beispielsweise ist das Muster-Fahrwerkbauteil ein Gelenk. Insbesondere ist das Muster-Fahrwerkbauteil ein Kugelgelenk oder ein Gummilager. Vorzugsweise wird der Klassifikator, insbesondere vor dem Trainingsschritt, hergestellt und/oder bereitgestellt. Vorteilhaft werden der Anregungsschritt, der Erfassungsschritt und der Trainingsschritt in dieser Reihenfolge nacheinander ausgeführt. The sample chassis component is preferably manufactured and/or provided, in particular before the excitation step. For example, the sample chassis component is a joint. In particular, the sample chassis component is a ball joint or a rubber bearing. Preferably, the classifier is produced and/or provided, in particular before the training step. The excitation step, the detection step and the training step are advantageously carried out one after the other in this order.
Gemäß einer vorteilhaften Ausgestaltung ist eine den Klassifikator umfassende Recheneinheit vorgesehen. Insbesondere ist der Klassifikator mittels der oder einer Recheneinheit realisiert. Die Recheneinheit umfasst insbesondere wenigstens einen Digitalrechner und/oder ist durch diesen gebildet. Bevorzugt wird die Recheneinheit, insbesondere vor dem Trainingsschrit, hergestellt und/oder bereitgestellt. Gemäß einer vorteilhaften Weiterbildung werden der Anregungsschritt und/oder der Erfassungsschritt und/oder der Trainingsschritt auf einem Prüfstand durchgeführt. Bevorzugt wird das Musterbauteil, insbesondere vor dem Anregungsschritt, auf dem oder einem Prüfstand montiert. Vorzugsweise wird der Prüfstand, insbesondere vor dem Anregungsschritt, hergestellt und/oder bereitgestellt. Das Anregungssignal wird z.B. mittels einer Anregungsmaschine erzeugt, die vorzugsweise mit dem Muster- Fahrwerkbauteil verbunden ist. Vorteilhaft umfasst der Prüfstand die Anregungsmaschine. According to an advantageous embodiment, a computing unit comprising the classifier is provided. In particular, the classifier is implemented by means of the or a computing unit. The computing unit in particular comprises at least one digital computer and/or is formed by it. The computing unit is preferably manufactured and/or provided, in particular before the training step. According to an advantageous development, the excitation step and/or the detection step and/or the training step are carried out on a test stand. The sample component is preferably mounted on the test stand or on a test stand, in particular before the excitation step. Preferably, the test stand is manufactured and/or provided, in particular before the excitation step. The excitation signal is generated, for example, by means of an excitation machine, which is preferably connected to the model chassis component. The test stand advantageously includes the excitation machine.
Gemäß einer möglichen Ausgestaltung sind oder werden die Klassen, insbesondere dem Klassifikator, vorzugsweise fest oder variierbar, vorgegeben. Alternativ werden z.B. die Klassen, insbesondere im Trainingsschritt, mittels des Klassifikators, vorzugsweise selbst, gebildet. According to a possible embodiment, the classes are or are given, in particular to the classifier, preferably fixed or variable. Alternatively, for example, the classes, in particular in the training step, are formed using the classifier, preferably itself.
Die Anzahl der Klassen beträgt bevorzugt wenigstens zwei. Vorzugsweise beträgt die Anzahl der Klassen fünf. Eine erste der Klassen kennzeichnet insbesondere einen Neuzustand. Eine letzte der Klassen kennzeichnet insbesondere einen verschlissenen Zustand, wie z.B. einen unbrauchbaren oder defekten Zustand. Die dazwischenliegenden Klassen kennzeichnen insbesondere Zwischenzustände, wie z.B. teilweise verschlissene Zustände. The number of classes is preferably at least two. Preferably the number of classes is five. A first of the classes in particular indicates a new condition. A final class particularly characterizes a worn condition, such as an unusable or defective condition. The classes in between particularly characterize intermediate states, such as partially worn states.
Gemäß einer vorteilhaften Weiterbildung wird, insbesondere im Trainingsschritt, mittels des Klassifikators wenigstens ein die dem Muster-Fahrwerkbauteil zugeordnete Klasse charakterisierendes Zustandssignal oder Muster-Zustandssignal erzeugt und/oder bereitgestellt. Somit sind z.B. Informationen über die vom Klassifikator getroffene^) Klassenzuordnung(en) nach außen kommunizierbar und/oder von außen zugänglich. According to an advantageous development, in particular in the training step, at least one state signal or pattern state signal characterizing the class assigned to the model chassis component is generated and/or provided by means of the classifier. This means, for example, that information about the class assignment(s) made by the classifier can be communicated externally and/or is accessible from the outside.
Gemäß einer möglichen Ausgestaltung wird dem Klassifikator, insbesondere im Trainingsschritt, ein eine Soll-Klasse charakterisierendes Sollwert-Signal übermittelt. Vorzugsweise wird, insbesondere im Trainingsschritt, mittels des Klassifikators die dem Muster-Fahrwerkbauteil zugeordnete Klasse anhand der oder einer Soll-Klasse verifiziert. Hierdurch wird insbesondere das Selbstlernen des Klassifikators unterstützt. Die Soll-Klasse ist vorzugsweise eine der Klassen. Bevorzugt ist die Soll-Klasse vorgegeben. Beispielsweise ist die Soll-Klasse aufgrund vorhergehender Belastungsversuche, insbesondere an gleichartigen Muster-Fahrwerkbauteilen, z.B. auf dem Prüfstand, bekannt und/oder ermittelt worden. According to a possible embodiment, a target value signal characterizing a target class is transmitted to the classifier, in particular in the training step. Preferably, in particular in the training step, the class assigned to the model chassis component is verified using the classifier or a target class. This particularly supports the self-learning of the classifier. The target class is preferably one of the classes. The target class is preferably specified. For example, the target class is known and/or determined based on previous load tests, in particular on similar sample chassis components, for example on the test bench.
Gemäß einer vorteilhaften Weiterbildung werden der Anregungsschrit, der Erfassungsschritt und der Trainingsschritt, vorzugsweise in dieser Reihenfolge, insbesondere mit unterschiedlichen Anregungssignalen, wiederholt ausgeführt. Bevorzugt wird bei wenigstens einer der Wiederholungen das Anregungssignal geändert. Somit ist es z.B. möglich, unterschiedliche Straßenbeläge, Schlaglöcher, Bodenwellen und/oder andere am Muster-Fahrwerkbauteil angreifende, mechanische Belastungen über das Anregungssignal zu berücksichtigen und/oder zu simulieren. According to an advantageous development, the excitation step, the detection step and the training step are carried out repeatedly, preferably in this order, in particular with different excitation signals. The excitation signal is preferably changed in at least one of the repetitions. It is therefore possible, for example, to take into account and/or simulate different road surfaces, potholes, bumps and/or other mechanical loads acting on the sample chassis component via the excitation signal.
Gemäß einer möglichen Ausgestaltung wird der gemessene Datensatz aus, insbesondere denjenigen, Scheitelwerten des Messsignals gebildet, die innerhalb eines, vorzugsweise mit dem Anregungsschritt beginnenden, insbesondere vorgegebenen, Erfassungszeitraums liegen. Bevorzugt ist die Länge des Erfassungszeitraums, insbesondere über alle Wiederholungen hinweg, konstant. Alternativ ist die Länge des Erfassungszeitraums beispielsweise variabel und/oder wird, insbesondere bei wenigstens einer der Wiederholungen, die Länge des Erfassungszeitraums geändert. According to a possible embodiment, the measured data set is formed from, in particular, those peak values of the measurement signal which lie within a, in particular predetermined, acquisition period, preferably starting with the excitation step. The length of the recording period is preferably constant, in particular across all repetitions. Alternatively, the length of the recording period is, for example, variable and/or the length of the recording period is changed, in particular in at least one of the repetitions.
Gemäß einer vorteilhaften Weiterbildung wird der gemessene Datensatz, insbesondere ausschließlich, aus überdurchschnittlichen Scheitelwerten des Messsignals oder aus überdurchschnittlichen der Scheitelwerte des Messsignals gebildet und/oder aus, insbesondere denjenigen, Scheitelwerten des Messsignals gebildet, deren Betrag, insbesondere über ein vorgegebenes Maß hinaus, größer als der Durchschnitsbetrag ist. Beispielsweise weist die überwiegende Anzahl der Scheitelwerte des Messsignals, insbesondere innerhalb vorgegebener Grenzen, den gleichen Betrag oder zumindest annähernd den gleichen Betrag auf. Dieser Betrag wird z.B. als Durchschnittsbetrag bezeichnet und/oder diese Scheitelwerte werden z.B. als Durchschnittscheitelwerte bezeichnet. Es hat sich gezeigt, dass sich von diesem Durschnitt abhebende Scheitelwerte in besonderem Maße zum Trainieren des Klassifikators geeignet sind. Beispielsweise wird der Durchschnitsbetrag und/oder der durchschnittliche Scheitelwert des Messsignals, vorzugsweise über ein, insbesondere vorgegebenes, Zeitintervall, ermittelt und/oder gebildet. Bei wenigstens einer der Wiederholungen kann z.B. die Länge des Zeitintervalls geändert werden. Alternativ wird der Durchschnittsbetrag und/oder der durchschnittliche Scheitelwert des Messsignals z.B. vorgegeben, beispielsweise da er in vorherigen Versuchen ermittelt wurde. According to an advantageous development, the measured data set is formed, in particular exclusively, from above-average peak values of the measurement signal or from above-average peak values of the measurement signal and/or from, in particular, those peak values of the measurement signal whose amount, in particular beyond a predetermined level, is greater than is the average amount. For example, the majority of the peak values of the measurement signal, in particular within predetermined limits, have the same amount or at least approximately the same amount. This amount is referred to, for example, as the average amount and/or these peak values are referred to, for example, as average peak values. It has been shown that peak values that differ from this average are particularly suitable for training the classifier. For example, the average amount and/or the average Peak value of the measurement signal, preferably determined and/or formed over a, in particular predetermined, time interval. For example, the length of the time interval can be changed for at least one of the repetitions. Alternatively, the average magnitude and/or the average peak value of the measurement signal is predetermined, for example because it was determined in previous experiments.
Gemäß einer vorteilhaften Ausgestaltung wird der gemessene Datensatz, insbesondere ausschließlich, aus, vorzugsweise denjenigen, Scheitelwerten des Messsignals gebildet, deren Betrag einen, vorzugsweise vorgegebenen, Schwellenwert erreicht oder überschreitet. Insbesondere umfasst der gemessene Datensatz keine Scheitelwerte des Messsignals, deren Betrag den Schwellenwert unterschreitet oder dem Schwellenwert entspricht. Bevorzugt ist der Schwellenwert größer als der Betrag wenigstens eines anderen Scheitelwerts. Vorzugsweise ist der Schwellenwert größer als der Betrag der meisten anderen Scheitelwerte. Beispielsweise ist der Schwellenwert größer als der oder gleich dem Durchschnittsbetrag und/oder größer als der oder gleich dem Betrag des oder eines durchschnittlichen Scheitelwerts des Messsignals. Vorzugsweise ist der Schwellenwert, insbesondere über alle Wiederholungen hinweg und/oder für alle Scheitelwerte, konstant. Alternativ ist der Schwellenwert beispielsweise variabel und/oder wird z.B. der Schwellenwert, insbesondere bei wenigstens einer der Wiederholungen und/oder bei wenigstens einem der Scheitelwerte, geändert. Wird als Antwortsignal eine Beschleunigung gemessen, beträgt der Schwellenwert z.B. 5g oder 7g, wobei g die Erdbeschleunigung ist und vorzugsweise 9,81 m/sA2 beträgt. Der Sensor ist in diesem Fall bevorzugt ein Beschleunigungssensor. According to an advantageous embodiment, the measured data set is formed, in particular exclusively, from, preferably those, peak values of the measurement signal whose amount reaches or exceeds a, preferably predetermined, threshold value. In particular, the measured data set does not include any peak values of the measurement signal whose magnitude is below the threshold value or corresponds to the threshold value. The threshold value is preferably greater than the magnitude of at least one other peak value. Preferably, the threshold is greater than the magnitude of most other peak values. For example, the threshold value is greater than or equal to the average amount and/or greater than or equal to the amount of or an average peak value of the measurement signal. Preferably, the threshold value is constant, in particular across all repetitions and/or for all peak values. Alternatively, the threshold value is, for example, variable and/or, for example, the threshold value is changed, in particular for at least one of the repetitions and/or for at least one of the peak values. If an acceleration is measured as the response signal, the threshold value is, for example, 5g or 7g, where g is the acceleration due to gravity and is preferably 9.81 m/s A 2 . In this case, the sensor is preferably an acceleration sensor.
Bevorzugt wird die Frequenz des Messignals, insbesondere mehrfach oder dauerhaft, vorzugsweise innerhalb des Erfassungszeitraums, erfasst. Beispielsweise wird der gemessene Datensatz, insbesondere zusätzlich oder ausschließlich, aus, vorzugsweise denjenigen, Scheitelwerten des Messsignals gebildet, bei denen die Frequenz des Messsignals eine, vorzugsweise vorgegebene, Minimalfrequenz erreicht oder überschreitet. Beispielsweise umfasst der gemessene Datensatz keine Scheitelwerte des Messsignals, bei denen die Frequenz des Messsignals die Minimalfrequenz unterschreitet oder der Minimalfrequenz entspricht. Bevorzugt ist die Minimalfrequenz vorgegeben. Vorzugsweise ist die Minimalfrequenz, insbesondere über alle Wiederholungen hinweg und/oder für alle Scheitelwerte, konstant. Alternativ ist die Minimalfrequenz beispielsweise variabel und/oder wird z.B. die Minimalfrequenz, insbesondere bei wenigstens einer der Wiederholungen und/oder bei wenigstens einem der Scheitelwerte, geändert. The frequency of the measurement signal is preferably recorded, in particular repeatedly or permanently, preferably within the detection period. For example, the measured data set is formed, in particular additionally or exclusively, from, preferably those, peak values of the measurement signal at which the frequency of the measurement signal reaches or exceeds a, preferably predetermined, minimum frequency. For example, the measured data set does not include peak values of the measurement signal at which the frequency of the measurement signal falls below the minimum frequency or corresponds to the minimum frequency. This is preferred Minimum frequency specified. Preferably, the minimum frequency is constant, in particular across all repetitions and/or for all peak values. Alternatively, the minimum frequency is, for example, variable and/or, for example, the minimum frequency is changed, in particular in at least one of the repetitions and/or in at least one of the peak values.
Gemäß einer vorteilhaften Weiterbildung wird, insbesondere in einem Implementierungsschritt, der trainierte Klassifikator in einem, vorzugsweise realen, Fahrzeug eingesetzt, welches ein Fahrwerk mit wenigstens einem dem Muster-Fahrwerkbauteil entsprechenden oder zu diesem vergleichbaren Fahrwerkbauteil umfasst, dessen Verschleißzustand, insbesondere in einem Verschleißerfassungsschritt, mit Hilfe des Klassifikators bestimmt wird. Vorteilhaft wird, insbesondere dazu, dem Fahrwerkbauteil, vorzugsweise im Verschleißerfassungsschritt, mittels des Klassifikators eine den Verschleißzustand des Fahrwerkbauteils charakterisierende der Klassen zugeordnet. According to an advantageous development, in particular in an implementation step, the trained classifier is used in a, preferably real, vehicle which comprises a chassis with at least one chassis component corresponding to or comparable to the model chassis component, the state of wear of which, in particular in a wear detection step is determined with the help of the classifier. Advantageously, in particular, one of the classes characterizing the state of wear of the chassis component is assigned to the chassis component, preferably in the wear detection step, by means of the classifier.
Nach einer weiteren Ausführungsform kann mindestens ein Korrelationsfaktor oder können mehrere Korrelationsfaktoren, insbesondere statisch oder dynamisch, angewendet werden, um eine sich bei der Übertragung vom Prüfstand in das Fahrzeug, insbesondere bei der Implementierung des trainierten Klassifikators, ergebende Veränderung einer Signaldynamik und/oder Signalamplitude auszugleichen. Hierdurch kann das reale Signal und/oder das im Fahrzeug gemessene Signal, insbesondere dem Algorithmus entsprechend, angepasst werden. According to a further embodiment, at least one correlation factor or several correlation factors, in particular static or dynamic, can be used to compensate for a change in signal dynamics and/or signal amplitude resulting from the transmission from the test bench to the vehicle, in particular during the implementation of the trained classifier . This allows the real signal and/or the signal measured in the vehicle to be adapted, in particular according to the algorithm.
Das Fahrwerkbauteil ist z.B. ein Gelenk. Insbesondere ist das Fahrwerkbauteil ein Kugelgelenk oder ein Gummilager. Eine mechanische Anregung des Fahrwerkbauteil erfolgt bevorzugt im Betrieb des Fahrzeugs, beispielsweise durch Straßenbeläge, Schlaglöcher, Bodenwellen usw. The chassis component is, for example, a joint. In particular, the chassis component is a ball joint or a rubber bearing. A mechanical excitation of the chassis component preferably occurs during operation of the vehicle, for example by road surfaces, potholes, bumps, etc.
Bevorzugt wird, insbesondere im Verschleißerfassungsschritt, vorzugsweise mittels des Klassifikators, wenigstens ein den Verschleißzustand des Fahrwerkbauteils charakterisierendes Zustandssignal oder Verschleißzustandssignal erzeugt und/oder bereitgestellt. Der Implementierungsschritt erfolgt bevorzugt nach dem, insbesondere letzten, Trainingsschritt. Vorzugsweise erfolgt der Verschleißerfassungsschritt nach dem Implementierungsschritt. Vorteilhaft wird der Verschleißzustand wiederholt bestimmt und/oder der Verschleißerfassungsschritt wird z.B. wiederholt ausgeführt. Preferably, in particular in the wear detection step, preferably by means of the classifier, at least one state signal or wear state signal characterizing the state of wear of the chassis component is generated and/or provided. The implementation step preferably takes place after the, in particular last, training step. The wear detection step preferably takes place after the implementation step. The state of wear is advantageously determined repeatedly and/or the wear detection step is carried out repeatedly, for example.
Die Erfindung wird nachfolgend anhand einer bevorzugten Ausführungsform unter Bezugnahme auf die Zeichnung beschrieben. In der Zeichnung zeigen: The invention is described below using a preferred embodiment with reference to the drawing. Show in the drawing:
Fig. 1 eine schematische Ansicht eines Prüfstands mit einem Muster-Fahrwerkbau- teil, 1 is a schematic view of a test stand with a sample chassis component,
Fig. 2 ein Beispiel für ein Messsignal, 2 shows an example of a measurement signal,
Fig. 3 ein Beispiel für ein modifiziertes Messsignal und Fig. 3 shows an example of a modified measurement signal and
Fig. 4 eine schematische Draufsicht auf ein Fahrzeug. Fig. 4 is a schematic top view of a vehicle.
Aus Fig. 1 ist eine schematische Ansicht eines Prüfstands 1 ersichtlich, auf dem ein Muster-Fahrwerkbauteil 2 montiert ist. Der Prüfstand 1 umfasst eine Anregungsmaschine 3, mittels welcher wenigstens ein mechanisches Anregungssignal x(t) erzeugt wird, durch welches das Muster-Fahrwerkbauteil 2 mechanisch angeregt wird, welches in Antwort darauf wenigstens ein mechanisches Antwortsignal y(t) erzeugt. Mittels wenigstens eines Sensors 4 wird das Antwortsignal y (t) erfasst und wenigstens ein dieses charakterisierendes Messsignal m(t) bereitgestellt. Der Buchstabe t bezeichnet dabei die Zeit. 1 shows a schematic view of a test stand 1 on which a sample chassis component 2 is mounted. The test stand 1 comprises an excitation machine 3, by means of which at least one mechanical excitation signal x(t) is generated, through which the sample chassis component 2 is mechanically excited, which in response generates at least one mechanical response signal y(t). Using at least one sensor 4, the response signal y (t) is detected and at least one measurement signal m (t) characterizing it is provided. The letter t denotes time.
Ferner ist eine Auswerteeinheit 5 vorgesehen, mittels welcher aus dem Messsignal m(t) wenigstens ein gemessener Datensatz D gebildet wird. Dabei wird der gemessene Datensatz D, insbesondere ausschließlich, aus Scheitelwerten Ms des Messsignals m(t) gebildet, die innerhalb eines Erfassungszeitraums At liegen und deren Betrag einen vorgegebenen Schwellenwert Mt erreicht oder überschreitet. Der Erfassungszeitraum At beginnt insbesondere zu einem Zeitpunkt tO, zu dem das Muster- Fahrwerkbauteil 2 durch ein, beispielsweise neues, Anregungssignal x(t) angeregt wird. Zu einem nach dem Zeitpunkt tO liegenden Zeitpunkt t1 endet der Erfassungszeitraum At, dessen Länge insbesondere vorab durch Versuche ermittelt wurde. Furthermore, an evaluation unit 5 is provided, by means of which at least one measured data set D is formed from the measurement signal m(t). The measured data set D is formed, in particular exclusively, from peak values Ms of the measurement signal m(t), which lie within a detection period At and whose amount reaches or exceeds a predetermined threshold value Mt. The detection period At begins in particular at a time tO, at which the sample chassis component 2 is excited by a, for example new, excitation signal x(t). becomes. The recording period At ends at a time t1 after the time tO, the length of which was determined in advance through tests.
In Fig. 2 ist ein Beispiel für das Messsignal m(t) dargestellt, welches mehrere Scheitelwerte Ms aufweist. Ferner ist in Fig, 3 ein Beispiel für ein modifiziertes Messsignal p(t) dargestellt, dessen Scheitelwerte Ps lediglich aus Scheitelwerten Ms des Messsignals m(t) gebildet sind, die den Schwellenwert Mt erreichen oder überschreiten. Beispielsweise bilden die innerhalb des Erfassungszeitraums At liegenden Scheitelwerte Ps des aus Fig. 3 ersichtlichen, modifiziertes Messsignals p(t), vorzugsweise zusammen mit den zugehörigen Zeitwerten, den gemessenen Datensatz D. 2 shows an example of the measurement signal m(t), which has several peak values Ms. Furthermore, an example of a modified measurement signal p(t) is shown in FIG. 3, the peak values Ps of which are formed only from peak values Ms of the measurement signal m(t) which reach or exceed the threshold value Mt. For example, the peak values Ps of the modified measurement signal p(t) shown in FIG. 3 within the acquisition period At, preferably together with the associated time values, form the measured data set D.
Der gemessene Datensatz D wird einem, vorzugsweise mittels einer Recheneinheit 6 realisierten, insbesondere maschinellen, Klassifikator 7 zugeführt, mittels welchem dem Muster-Fahrwerkbauteil 2 unter Berücksichtigung des gemessenen Datensatzes D eine von mehreren Klassen zugeordnet wird, die unterschiedliche Verschleißzustände des Muster-Fahrwerkbauteils 2 repräsentieren. Ferner wird mittels des Klassifikators 7 wenigstens ein die dem Muster-Fahrwerkbauteil 3 zugeordnete Klasse charakterisierendes Muster-Zustandssignal s erzeugt und bereitgestellt. Die Auswerteeinheit 5 ist beispielsweise mittels der Recheneinheit 6 realisiert. The measured data set D is fed to a classifier 7, preferably implemented by means of a computing unit 6, in particular a machine classifier 7, by means of which one of several classes is assigned to the sample chassis component 2, taking into account the measured data set D, which represent different states of wear of the sample chassis component 2 . Furthermore, at least one pattern status signal s characterizing the class assigned to the pattern chassis component 3 is generated and provided by means of the classifier 7. The evaluation unit 5 is implemented, for example, by means of the computing unit 6.
Da der tatsächliche Verschleißzustand des auf dem Prüfstand 1 montierten Muster- Fahrwerkbauteils 2 vorzugsweise bekannt ist, kann der Klassifikator 7 mit dem gemessenen Datensatz D und der Information über den tatsächlichen Verschleißzustand trainiert werden. Alternativ ist es möglich, dass der Klassifikator 7 durch Auswertung des gemessenen Datensatzes D die Klassen selbst bildet. Since the actual state of wear of the sample chassis component 2 mounted on the test stand 1 is preferably known, the classifier 7 can be trained with the measured data set D and the information about the actual state of wear. Alternatively, it is possible for the classifier 7 to form the classes itself by evaluating the measured data set D.
Ist der Klassifikator 7 ausreichend trainiert, wird er bevorzugt in einem realen Fahrzeug 8 eingesetzt, welches in schematischer Draufsicht aus Fig. 4 ersichtlich ist und einen Fahrzeugaufbau 9 sowie ein Fahrwerk 10 mit mehreren Radaufhängungen 11 , 12, 13 und 14 aufweist, mittels welchen Fahrzeugräder 15 mit dem Fahrzeugaufbau 9 verbunden sind. Am Fahrwerk 10 ist ein Sensor 16 vorgesehen, mittels welchem ein Antwortsignal eines dem Muster-Fahrwerkbauteil 2 entsprechenden Fahrwerkbauteils 17 des Fahrzeugs 8 erfasst wird. Ferner ist zwischen den Sensor 16 und einer den Klassifikator 7 umfassenden Recheneinheit 18 eine Auswerteeinheit 19 geschaltet, die insbesondere der Auswerteeinheit 5 entspricht. Es ist aber auch möglich, die Auswerteeinheit 19 durch die Recheneinheit 18 zu realisieren. Der Verschleißzustand des Fahrwerkbauteils 17 kann nun mittels des trainierten Klassifikators 7 bestimmt werden. Insbesondere wird mittels des Klassifikators 7 wenigstens ein den Verschleißzustand des Fahrwerkbauteils 17 charakterisierendes Zustandssignal v erzeugt und bereitgestellt. If the classifier 7 is sufficiently trained, it is preferably used in a real vehicle 8, which can be seen in a schematic top view from FIG. 4 and has a vehicle body 9 and a chassis 10 with several wheel suspensions 11, 12, 13 and 14, by means of which vehicle wheels 15 are connected to the vehicle body 9. A sensor 16 is provided on the chassis 10, by means of which a response signal from a chassis component 17 of the vehicle 8 corresponding to the sample chassis component 2 is detected. There is also between the sensor 16 and A computing unit 18 comprising the classifier 7 is connected to an evaluation unit 19, which corresponds in particular to the evaluation unit 5. However, it is also possible to implement the evaluation unit 19 using the computing unit 18. The state of wear of the chassis component 17 can now be determined using the trained classifier 7. In particular, at least one status signal v characterizing the state of wear of the chassis component 17 is generated and provided by means of the classifier 7.
Bezugszeichen Reference symbols
1 Prüfstand 1 test bench
2 Muster-Fahrwerkbauteil 2 sample chassis component
3 Anregungsmaschine 3 excitation machine
4 Sensor 4 sensors
5 Auswerteeinheit 5 evaluation unit
6 Recheneinheit 6 calculation unit
7 Klassifikator 7 classifier
8 Fahrzeug 8 vehicle
9 Fahrzeugaufbau 9 vehicle structure
10 Fahrwerk 10 chassis
11 Radaufhängung 11 suspension
12 Radaufhängung 12 wheel suspension
13 Radaufhängung 13 suspension
14 Radaufhängung 14 suspension
15 Fahrzeugrad 15 vehicle wheel
16 Sensor 16 sensors
17 Fahrwerkbauteil 17 chassis component
18 Recheneinheit 18 arithmetic unit
19 Auswerteeinheit x(t) mechanisches Anregungssignal y(t) mechanisches Antwortsignal m(t) Messsignal Ms Scheitelwert 19 Evaluation unit x(t) mechanical excitation signal y(t) mechanical response signal m(t) measurement signal Ms peak value
Mt Schwellenwert Mt threshold
P(t) modifiziertes Messsignal P(t) modified measurement signal
Ps Scheitelwert D gemessener Datensatz s Muster-Zustandssignal t Zeit t1 Zeitpunkt t2 Zeitpunkt Ps peak value D measured data set s sample status signal t time t1 time t2 time
At Erfassungszeitraum v Zustandssignal At acquisition period v status signal

Claims

Patentansprüche Patent claims
1 . Verfahren zur Zustandsüberwachung, wobei 1 . Method for condition monitoring, whereby
- in einem Anregungsschritt durch wenigstens ein mechanisches Anregungssignal (x(t)) ein Muster-Fahrwerkbauteil (2) mechanisch angeregt wird, welches in Antwort darauf wenigstens ein mechanisches Antwortsignal (y(t)) erzeugt, - in an excitation step, a sample chassis component (2) is mechanically excited by at least one mechanical excitation signal (x(t)), which in response generates at least one mechanical response signal (y(t)),
- in einem Erfassungsschritt mittels wenigstens eines Sensors (4) das Antwortsignal (y(t)) erfasst und wenigstens ein dieses charakterisierendes Messsignal (m(t)) bereitgestellt wird, aus dem wenigstens ein gemessener Datensatz (D) gebildet wird, und- in a detection step, the response signal (y(t)) is detected by means of at least one sensor (4) and at least one measurement signal (m(t)) characterizing it is provided, from which at least one measured data set (D) is formed, and
- in einem Trainingsschritt mit Hilfe des gemessenen Datensatzes (D) ein Klassifikator (7) trainiert wird, mittels welchem dem Muster-Fahrwerkbauteil (2) eine von mehreren Klassen zugeordnet wird, die unterschiedliche Verschleißzustände des Muster- Fahrwerkbauteils repräsentieren, dadurch gekennzeichnet, dass - In a training step, with the help of the measured data set (D), a classifier (7) is trained, by means of which one of several classes is assigned to the sample chassis component (2), which represent different states of wear of the sample chassis component, characterized in that
- der gemessene Datensatz (D) aus Scheitelwerten (MS) des Messsignals (m(t)) gebildet wird. - the measured data set (D) is formed from peak values (MS) of the measurement signal (m(t)).
2. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass der Anregungsschritt, der Erfassungsschritt und der Trainingsschritt in dieser Reihenfolge wiederholt ausgeführt werden. 2. The method according to claim 1, characterized in that the excitation step, the detection step and the training step are carried out repeatedly in this order.
3. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass bei wenigstens einer der Wiederholungen das Anregungssignal (x(t)) geändert wird. 3. The method according to claim 2, characterized in that the excitation signal (x(t)) is changed in at least one of the repetitions.
4. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass der gemessene Datensatz (D) aus denjenigen Scheitelwerten (Ms) des Messsignals (m(t)) gebildet wird, die innerhalb eines mit dem Anregungsschritt beginnenden Erfassungszeitraums (At) liegen, 4. Method according to one of the preceding claims, characterized in that the measured data set (D) is formed from those peak values (Ms) of the measurement signal (m(t)) which lie within a detection period (At) beginning with the excitation step,
5. Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass die Länge des Erfassungszeitraums (At) konstant oder variabel ist. 5. The method according to claim 4, characterized in that the length of the detection period (At) is constant or variable.
6. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass der gemessene Datensatz (D) ausschließlich aus überdurchschnittlichen Scheitelwerten (Ms) des Messsignals (m(t)) gebildet wird. 6. Method according to one of the preceding claims, characterized in that the measured data set (D) is formed exclusively from above-average peak values (Ms) of the measurement signal (m(t)).
7. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass der gemessene Datensatz (D) ausschließlich aus denjenigen Scheitelwerten (Ms) des Messsignals (m(t)) gebildet, deren Betrag einen Schwellenwert (Mt) erreicht oder überschreitet, vorzugsweise ist der Schwellenwert (Mt) konstant oder variabel. 7. Method according to one of the preceding claims, characterized in that the measured data set (D) is formed exclusively from those peak values (Ms) of the measurement signal (m(t)) whose amount reaches or exceeds a threshold value (Mt), preferably the Threshold (Mt) constant or variable.
8. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass der Anregungsschritt, der Erfassungsschritt und der Trainingsschritt auf einem Prüfstand (1 ) durchgeführt werden. 8. Method according to one of the preceding claims, characterized in that the excitation step, the detection step and the training step are carried out on a test stand (1).
9. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass in einem Implementierungsschritt der trainierte Klassifikator (7) in einem Fahrzeug (8) eingesetzt wird, welches ein Fahrwerk (10) mit wenigstens einem dem Mus- ter-Fahrwerkbauteil (2) entsprechenden Fahrwerkbauteil (17) umfasst, dessen Verschleißzustand mit Hilfe des Klassifikators (7) bestimmt wird. 9. Method according to one of the preceding claims, characterized in that in an implementation step the trained classifier (7) is used in a vehicle (8) which has a chassis (10) with at least one of the model chassis components (2). Chassis component (17), the state of wear of which is determined using the classifier (7).
10. Verfahren nach Anspruch 9, dadurch gekennzeichnet, dass mindestens ein Korrelationsfaktor oder mehrere Korrelationsfaktoren, insbesondere statisch oder dynamisch, angewendet werden, um eine sich bei der Implementierung des trainierten Klassifikators (7) ergebende Veränderung einer Signaldynamik und/oder Signalamplitude auszugleichen. 10. The method according to claim 9, characterized in that at least one correlation factor or several correlation factors, in particular static or dynamic, are used to compensate for a change in signal dynamics and/or signal amplitude resulting from the implementation of the trained classifier (7).
PCT/EP2023/073167 2022-09-07 2023-08-23 Method for condition monitoring WO2024052126A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022209307.0A DE102022209307B4 (en) 2022-09-07 2022-09-07 Methods for condition monitoring
DE102022209307.0 2022-09-07

Publications (1)

Publication Number Publication Date
WO2024052126A1 true WO2024052126A1 (en) 2024-03-14

Family

ID=83507736

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/073167 WO2024052126A1 (en) 2022-09-07 2023-08-23 Method for condition monitoring

Country Status (2)

Country Link
DE (1) DE102022209307B4 (en)
WO (1) WO2024052126A1 (en)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2500708A1 (en) * 2011-03-16 2012-09-19 Fahrzeugsystemdaten GmbH Device and method for checking components, in particular axle suspension testing, in vehicles
US20200309641A1 (en) * 2016-05-06 2020-10-01 Dana Italia S.R.L. Sensor system for monitoring a vehicle axle and for discriminating between a plurality of axle failure modes

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018010275A1 (en) 2018-11-07 2019-09-05 Zf Friedrichshafen Ag Method for checking at least one chassis component

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2500708A1 (en) * 2011-03-16 2012-09-19 Fahrzeugsystemdaten GmbH Device and method for checking components, in particular axle suspension testing, in vehicles
US20200309641A1 (en) * 2016-05-06 2020-10-01 Dana Italia S.R.L. Sensor system for monitoring a vehicle axle and for discriminating between a plurality of axle failure modes

Also Published As

Publication number Publication date
DE102022209307A1 (en) 2022-10-27
DE102022209307B4 (en) 2023-08-03

Similar Documents

Publication Publication Date Title
DE102008002484A1 (en) Method for testing a vibration damper of a motor vehicle when installed and vibration damper test system for a motor vehicle
DE102017200855A1 (en) Method and system for diagnosing components of a vehicle
DE102022209307B4 (en) Methods for condition monitoring
DE102004019978B3 (en) Assessing quality of printed object produced by printer involves producing several examples of same printed object, selected limited number of examples, producing image data record, assessing using image data in relation to error type(s)
DE69830362T2 (en) A method of predicting tire performance on roads with gutters
DE4006948A1 (en) Wear monitoring system for cyclically loaded component - compares static distribution difference signals at end of each loading cycle with stored reference signals
DE102019206858A1 (en) Prokut test method, product test device and product test system for testing electronic assemblies
DE102019206859A1 (en) Product test method, product test device and product test system for testing electronic assemblies
DE102018127457A1 (en) Device and method for monitoring the condition of an electrical machine
DE102018003222A1 (en) A method of testing a rotary component assembly having a plurality of rotatable components
DE102007002801B4 (en) Method for determining a probability of failure of at least one component of a drive device
DE102019131638A1 (en) Method for adaptive adaptation of a test sequence, method for training an artificial intelligence, test and / or measuring device, computer program and computer-readable data carrier
DE102017002624A1 (en) Process for monitoring the production of mechanical and electromechanical products and machines
EP3757698A1 (en) Method and device for evaluating and selecting signal comparison metrics
WO2020148027A1 (en) Method for checking components, in particular injectors
DE102007011817A1 (en) Error e.g. assembly error, locating method for printed circuit board, involves obtaining test parameters from correlation analysis of signal subjected in circuit and signal measured at circuit
DE102021210423B3 (en) Method for detecting damage to a transport system and control device therefor
DE102020200297B4 (en) Method, system, computer program product and test stand arrangement for a quality assessment of a vehicle component
EP3891467B1 (en) Method for testing a quality of a workpiece and computing apparatus
EP2428775A1 (en) Method for monitoring rotary encoders and rotary encoder
DE102020205481A1 (en) Method, device, computer program and computer-readable medium for testing a product
DE102022205730A1 (en) Concept for selecting audio snippets of brake squealing noises in a vehicle
DE102018216335A1 (en) Method for determining at least one sensor property of a piezoelectric sensor
EP4134650A1 (en) Computer-implemented method, device, computer program and computer readable medium for identifying a gear wheel that induces vibrations in a transmission
DE102021102712A1 (en) Method and system for acoustic diagnosis of a motor vehicle based on operating noise

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: 23761121

Country of ref document: EP

Kind code of ref document: A1