WO2024052183A1 - Circuit arrangement and method for detecting a health status of electrical loads - Google Patents

Circuit arrangement and method for detecting a health status of electrical loads Download PDF

Info

Publication number
WO2024052183A1
WO2024052183A1 PCT/EP2023/073749 EP2023073749W WO2024052183A1 WO 2024052183 A1 WO2024052183 A1 WO 2024052183A1 EP 2023073749 W EP2023073749 W EP 2023073749W WO 2024052183 A1 WO2024052183 A1 WO 2024052183A1
Authority
WO
WIPO (PCT)
Prior art keywords
vgn
artificial intelligence
consumer
consumers
circuit arrangement
Prior art date
Application number
PCT/EP2023/073749
Other languages
German (de)
French (fr)
Inventor
Julian MÜLLER
Daniel Brauneis
Oskar Stahl
Roland Lindbüchl
Original Assignee
Mercedes-Benz Group 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 Mercedes-Benz Group AG filed Critical Mercedes-Benz Group AG
Publication of WO2024052183A1 publication Critical patent/WO2024052183A1/en

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/005—Testing of electric installations on transport means
    • G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
    • G01R31/007—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks using microprocessors or computers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only

Definitions

  • the invention relates to a circuit arrangement according to the preamble of claim 1 and a method for detecting a health status of electrical consumers according to the preamble of claim 7.
  • Single semiconductor fuses with built-in logic (e.g. SPI interface) and shunt are cost-intensive and do not offer the possibility of early detection of errors and anomalies.
  • Such semiconductor fuses also have increased internal consumption and require more data lines and/or connection points (e.g. SPI).
  • EP 3 098 681 B1 describes a health management system for diagnosing and prognosticating a host system, the host system having a plurality of subsystems and the health management system comprising: a memory for storing instructions and a plurality of predetermined patterns; and a neural network controller coupled to the memory, the neural network controller configured by the instructions to monitor a plurality of unique patterns generated in real time and corresponding to a set of system parameters of the host system, the System parameters include at least one or more of the following:
  • Input parameters, control parameters, feedback parameters and output parameters wherein the unique patterns indicate real-time system-level performance of the host system and each unique pattern is unique to a corresponding subsystem of the host system, the unique patterns enabling identification of errors associated with one or more subsystems without depending on physical sensors to detect a fault in the subsystem, and the set of system parameters includes only a subset of a plurality of system parameters of the host system;
  • the neural network controller is configured by the instructions to collect training data comprising system-level performance of the host system in a normal operating state of the subsystems and in multiple abnormal operating states of the subsystem or subsystems from the subsystems;
  • the host system Detecting one or more possible anomalies in the host system and at least one faulty subsystem among the subsystems based on the comparison, the at least one faulty subsystem being responsible for contributing to the possible anomaly(s) in the host system.
  • the invention is based on the object of specifying a novel circuit arrangement and a novel method for detecting the health status of electrical consumers.
  • the object is achieved according to the invention by a circuit arrangement with the features of claim 1 and by a method for detecting a health status of electrical consumers with the features of claim 7.
  • a circuit arrangement according to the invention for a motor vehicle comprises at least one consumer group and an artificial intelligence, which is configured to learn a normal operating point of the consumers in a training mode for each consumer group by operating the consumers in a standard operating mode, the artificial intelligence trained in this way Intelligence is further configured to distinguish between normal operation and error cases at the consumer level in an application mode in a consumer group.
  • each consumer group has a plurality of consumers that are connected to an operating voltage via a common supply line and a shunt, each consumer group also having a microcontroller which is used to measure a voltage drop across the shunt and is configured to calculate a total current through the shunt corresponding to the voltage drop, with the artificial intelligence being able to supply the determined total currents of all consumer groups as well as vehicle bus signals as input signals, whereby in the standard operating mode the total current of the consumer groups together with a label “error-free” and the Vehicle bus signals can be supplied as training data to the artificial intelligence as input variables, with unlabeled total streams of the consumer groups and bus signals being supplied as input variables to the trained artificial intelligence in application mode.
  • the consumers are connected to the supply line for the operating voltage via a respective semiconductor fuse.
  • the microcontroller is further configured to control the semiconductor fuse via a respective control output.
  • the semiconductor fuse is designed as a field effect transistor, in particular MOSFET.
  • the artificial intelligence is designed as a neural network.
  • the circuit arrangement can be part of a motor vehicle.
  • a method for detecting a health status of a plurality of electrical consumers comprising a circuit arrangement comprising at least one consumer group and an artificial intelligence, wherein in a training mode the artificial intelligence learns a normal operating point of the consumers for each consumer group by operating the consumers in a standard operating mode so that the trained artificial intelligence can distinguish between normal operation and fault cases at the consumer level in an application mode in a consumer group.
  • each consumer group has a plurality of consumers that are connected to an operating voltage via a common supply line and a shunt, each consumer group also having a microcontroller that measures a voltage drop across the shunt and a corresponding total current calculated by the shunt, whereby the determined total currents of all consumer groups as well as vehicle bus signals are fed to the artificial intelligence as input signals, with the total current of the consumer groups together with a label “error-free” and the vehicle bus signals as training data for the artificial intelligence in the standard operating mode Input variables are supplied, with the artificial intelligence trained in this way being supplied with unlabeled total streams of the consumer groups and bus signals as input variables in the application mode.
  • the artificial intelligence is also provided with total flows of the consumer groups together with the label “faulty” and the vehicle bus signals as training data in training mode, which represent error cases for individual or all consumers.
  • a binary classification method is used in the training mode, which only requires one class labeled as “error-free”.
  • conclusions about anomalies and signs of aging of the consumer are drawn from the determined state of health.
  • the present invention enables early fault and anomaly detection of electrical components in a motor vehicle, so that preventative measures can be taken against failures and errors. In this way, full protection of the electrical consumers using semiconductor fuses, each of which has an integrated current measurement via a shunt, can be dispensed with, which saves costs since the total number of shunts to be used is reduced.
  • the solution according to the invention reduces component failures by deriving preventative measures (analogous to predictive maintenance). It is possible to provide the acquired and evaluated data on a vehicle interface and send it to a backend. In this way, field data and information about the fleet in the field can be obtained. Thanks to the solution according to the invention, fewer components are required than with "intelligent" Semiconductor fuses. This results in cost savings through fewer electronic components per semiconductor fuse and through fewer data lines and/or connection points.
  • 1 is a schematic view of an electrical circuit of a consumer group
  • FIG. 2 shows a schematic view of a circuit arrangement, comprising several consumer groups according to FIG. 1 as well as an artificial intelligence in a training case, and
  • FIG. 3 shows a schematic view of a circuit arrangement, comprising several consumer groups according to FIG. 1 as well as an artificial intelligence in an application.
  • Figure 1 is a schematic view of an electrical circuit of a consumer group VG1, in particular for a motor vehicle.
  • the consumer group VG1 has a plurality of consumers R_V1 to R_Vn, which are connected on the one hand to a ground potential GND and on the other hand via a respective semiconductor fuse M1 to Mn to a supply line L for an operating voltage V+.
  • the supply line L is connected to the operating voltage V+ via a shunt R1.
  • the semiconductor fuses M1 to Mn are designed, for example, as field effect transistors, in particular MOSFETs.
  • a microcontroller pC is provided, which is configured to control the semiconductor fuse M1 to Mn via a respective control output C1 to Cn and to measure a voltage drop across the shunt R1 using two measuring inputs CS-, CS+.
  • the microcontroller pC measures the voltage applied to the shunt R1 and thereby calculates a total current l Gi of the consumer group VG1 formed from the consumers R_V1 to R_Vn connected in parallel with one another.
  • the microcontroller pC can control individual semiconductor fuses M1 to Mn and thus specifically switch individual consumers R_V1 to R_Vn on and off.
  • the microcontroller pC takes over a measuring, control and safety function and protects the cables and components.
  • Figure 2 is a schematic view of a circuit arrangement 1, comprising several consumer groups VG1 to VGn, which can be designed as in Figure 1.
  • the circuit arrangement 1 further comprises an artificial intelligence Kl, in particular a neural network.
  • an artificial intelligence Kl in particular a neural network.
  • selected vehicle bus signals BS and the total currents l Ri to l Rn of the consumer groups VG1 to VGn determined by the microcontrollers pC of the consumer groups VG1 to VGn are made available to it.
  • the vehicle bus signals BS provide information about the overall condition of the vehicle.
  • a normal operating point of the consumers R_V1 to R_Vn of the consumer group VG1 to VGn can be learned for each consumer group VG1 to VGn by operating the consumers R_V1 to R_Vn in a standard operating mode and the total current l Ri to l Rn of the consumer groups VG1 to VGn together with a label “error-free” and the vehicle bus signals BS are made available as training data to the artificial intelligence Kl.
  • the artificial intelligence Kl can be provided with total currents l Ri to l Rn of the consumer groups VG1 to VGn together with the label “faulty” and the vehicle bus signals BS as training data, which represent error cases of individual or all consumers R_V1 to R_Vn.
  • binary classification methods which only use one class (e.g. the error-free one), can also be used (one-class learning).
  • the artificial intelligence Kl is trained in such a way that in a consumer group VG1 to VGn a distinction can be made between normal operation and error cases at consumer level.
  • the result of training the artificial intelligence Kl for each consumer R_V1 to R_Vn is a trained artificial intelligence KI_T with a health model.
  • Each consumer can have their own health model or a common health model for several or all consumers.
  • Figure 3 is a schematic view of a circuit arrangement 1 in an application, comprising several consumer groups VG1 to VGn, which can be designed as in Figure 1.
  • the circuit arrangement 1 further includes the trained artificial intelligence KI_T.
  • the trained artificial intelligence KI_T is provided with the vehicle bus signals BS and the total currents l Gi to l Gn of the consumer groups VG1 to VGn determined by the microcontrollers pC of the consumer groups VG1 to VGn.
  • the trained artificial intelligence KI_T is provided with unlabeled total streams l Gi to l Gn of the consumer groups VG1 to VGn as well as bus signals BS, in particular selected bus signals BS.
  • the trained artificial intelligence KI_T can use this information to draw conclusions about the health status GS of individual or all consumers R_V1 to R_Vn of individual or all consumer groups VG1 to VGn.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

The invention relates to a circuit arrangement (1) for a motor vehicle, the circuit arrangement comprising at least one load group (VG1 to VGn) and an artificial intelligence (KI, KI_T) which is configured to learn a normal operating point of the loads (R_V1 to R_Vn) for each load group (VG1 to VGn) in a training mode, in that the loads (R_V1 to R_Vn) are operated in a normalized operating mode, wherein: the artificial intelligence (KI, KI_T) thus trained is also configured to differentiate, in a load group (VG1 to VGn) in an application mode, between normal operation and fault at the load level; each load group (VG1 to VGn) comprises a microcontroller (µC) which is configured to determine a total current (IG1 to IGn) through a shunt (R1) in a supply line (L) to the loads (R_V1 to R_Vn); the determined total currents (IG1 to IGn) of all load groups (VG1 to VGn), and vehicle bus signals (BS) can be supplied to the artificial intelligence (KI, KI_T) as input signals; in the normalized operating mode, the total currents (IR1 to IRn) together with a "fault-free" label and the vehicle bus signals (BS) as training data can be supplied to the artificial intelligence (KI) as input variables; and unlabelled total currents (IG1 to IGn) and bus signals (BS) can be supplied to the trained artificial intelligence (KI_T) as input variables in the application mode.

Description

Schaltungsanordnung und Verfahren zur Erkennung eines Gesundheitsstatus von elektrischen Verbrauchern Circuit arrangement and method for detecting the health status of electrical consumers
Die Erfindung betrifft eine Schaltungsanordnung gemäß dem Oberbegriff des Anspruchs 1 und ein Verfahren zur Erkennung eines Gesundheitsstatus von elektrischen Verbrauchern gemäß dem Oberbegriff des Anspruchs 7. The invention relates to a circuit arrangement according to the preamble of claim 1 and a method for detecting a health status of electrical consumers according to the preamble of claim 7.
Einzel-Halbleitersicherungen mit eingebauter Logik (z.B. SPI-Schnittstelle) und Shunt sind kostenintensiv und bieten nicht die Möglichkeit, Fehler und Anomalien frühzeitig zu erkennen. Solche Halbleitersicherungen haben zudem einen erhöhten Eigenverbrauch und benötigen mehr Datenleitungen und/oder Verbindungsstellen (z.B. SPI). Single semiconductor fuses with built-in logic (e.g. SPI interface) and shunt are cost-intensive and do not offer the possibility of early detection of errors and anomalies. Such semiconductor fuses also have increased internal consumption and require more data lines and/or connection points (e.g. SPI).
EP 3 098 681 B1 beschreibt ein Health-Managementsystem zur Diagnose und Prognose eines Host-Systems, wobei das Host-System mehrere Untersysteme besitzt und das Health-Managementsystem Folgendes umfasst: einen Speicher, um Anweisungen und mehrere vorgegebene Muster zu speichern; und eine Neuronales Netz-Steuereinheit, die mit dem Speicher gekoppelt ist, wobei die Neuronales Netz-Steuereinheit durch die Anweisungen konfiguriert ist zum Überwachen mehrerer eindeutiger Muster, die in Echtzeit erzeugt werden und einem Satz System para meter des Host-Systems entsprechen, wobei die Systemparameter mindestens eines oder mehrere der Folgenden umfassen: EP 3 098 681 B1 describes a health management system for diagnosing and prognosticating a host system, the host system having a plurality of subsystems and the health management system comprising: a memory for storing instructions and a plurality of predetermined patterns; and a neural network controller coupled to the memory, the neural network controller configured by the instructions to monitor a plurality of unique patterns generated in real time and corresponding to a set of system parameters of the host system, the System parameters include at least one or more of the following:
Eingangsparameter, Steuerparameter, Rückkopplungsparameter und Ausgangsparameter, wobei die eindeutigen Muster die Leistung des Host-Systems auf Systemebene in Echtzeit anzeigen und jedes eindeutige Muster für ein entsprechendes Untersystem des Host-Systems eindeutig ist, wobei die eindeutigen Muster eine Identifizierung von Fehlern ermöglichen, die mit einem oder mehreren Untersystemen verbunden sind, ohne von physikalischen Sensoren zum Detektieren eines Fehlers in dem Untersystem abzuhängen, und der Satz Systemparameter lediglich eine Untermenge von mehreren Systemparametern des Host-Systems enthält; Input parameters, control parameters, feedback parameters and output parameters, wherein the unique patterns indicate real-time system-level performance of the host system and each unique pattern is unique to a corresponding subsystem of the host system, the unique patterns enabling identification of errors associated with one or more subsystems without depending on physical sensors to detect a fault in the subsystem, and the set of system parameters includes only a subset of a plurality of system parameters of the host system;
Vorkonfigurieren der vorgegebenen Muster, wobei zum Vorkonfigurieren der vorgegebenen Muster die Neuronales Netz-Steuereinheit durch die Anweisungen konfiguriert ist zum Erfassen von Trainingsdaten, die die Leistung des Host-Systems auf Systemebene in einem normalen Betriebszustand der Untersysteme und in mehreren anomalen Betriebszuständen des oder der Untersysteme aus den Untersystemen umfassen; und Pre-configuring the predefined patterns, whereby to pre-configure the predetermined pattern, the neural network controller is configured by the instructions to collect training data comprising system-level performance of the host system in a normal operating state of the subsystems and in multiple abnormal operating states of the subsystem or subsystems from the subsystems; and
Extrahieren mehrerer Merkmalsvektoren aus den Trainingsdaten, wobei die Merkmalsvektoren die vorgegebenen Muster aufweisen, die eine oder mehrere mögliche Anomalien in dem Host-System anzeigen; Extracting a plurality of feature vectors from the training data, the feature vectors having the predetermined patterns indicating one or more possible anomalies in the host system;
Vergleichen der eindeutigen Muster mit den vorgegebenen Mustern, die dem Satz System para meter entsprechen; und comparing the unique patterns with the predetermined patterns corresponding to the set of system parameters; and
Detektieren einer oder mehrerer möglicher Anomalien in dem Host-System und mindestens eines fehlerhaften Untersystems aus den Untersystemen auf der Grundlage des Vergleichs, wobei das mindestens eine fehlerhafte Untersystem für einen Beitrag zu der oder den möglichen Anomalien in dem Host-System verantwortlich ist. Detecting one or more possible anomalies in the host system and at least one faulty subsystem among the subsystems based on the comparison, the at least one faulty subsystem being responsible for contributing to the possible anomaly(s) in the host system.
Der Erfindung liegt die Aufgabe zu Grunde, eine neuartige Schaltungsanordnung und ein neuartiges Verfahren zur Erkennung eines Gesundheitsstatus von elektrischen Verbrauchern anzugeben. The invention is based on the object of specifying a novel circuit arrangement and a novel method for detecting the health status of electrical consumers.
Die Aufgabe wird erfindungsgemäß gelöst durch eine Schaltungsanordnung mit den Merkmalen des Anspruchs 1 und durch ein Verfahren zur Erkennung eines Gesundheitsstatus von elektrischen Verbrauchern mit den Merkmalen des Anspruchs 7. The object is achieved according to the invention by a circuit arrangement with the features of claim 1 and by a method for detecting a health status of electrical consumers with the features of claim 7.
Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche. Advantageous embodiments of the invention are the subject of the subclaims.
Eine erfindungsgemäße Schaltungsanordnung für ein Kraftfahrzeug umfasst mindestens eine Verbrauchergruppe und eine künstliche Intelligenz, die dazu konfiguriert ist, in einem Trainingsmodus je Verbrauchergruppe einen Normal-Betriebspunkt der Verbraucher zu lernen, indem die Verbraucher in einem Norm-Betriebsmodus betrieben werden, wobei die so trainierte künstliche Intelligenz ferner dazu konfiguriert ist, in einem Anwendungsmodus in einer Verbrauchergruppe zwischen Normalbetrieb und Fehlerfall auf Verbraucherebene zu unterscheiden. Erfindungsgemäß weist jede Verbrauchergruppe eine Mehrzahl von Verbrauchern auf, die über eine gemeinsame Zuleitung und über einen Shunt mit einer Betriebsspannung verbunden sind, wobei jede Verbrauchergruppe ferner einen Mikrokontroller aufweist, der zur Messung eines Spannungsabfalls über dem Shunt und zur Berechnung eines dem Spannungsabfall entsprechenden Gesamtstroms durch den Shunt konfiguriert ist, wobei der künstlichen Intelligenz die ermittelten Gesamtströme aller Verbrauchergruppen sowie Fahrzeug-Bussignale als Eingangssignale zuführbar sind, wobei im Norm-Betriebsmodus der Gesamtstrom der Verbrauchergruppen zusammen mit einem Label „fehlerfrei“ sowie den Fahrzeug-Bussignalen als Trainingsdaten der künstlichen Intelligenz als Eingangsgrößen zuführbar sind, wobei der trainierten künstlichen Intelligenz im Anwendungsmodus ungelabelte Gesamtströme der Verbrauchergruppen sowie Bussignale als Eingangsgrößen zuführbar sind. A circuit arrangement according to the invention for a motor vehicle comprises at least one consumer group and an artificial intelligence, which is configured to learn a normal operating point of the consumers in a training mode for each consumer group by operating the consumers in a standard operating mode, the artificial intelligence trained in this way Intelligence is further configured to distinguish between normal operation and error cases at the consumer level in an application mode in a consumer group. According to the invention, each consumer group has a plurality of consumers that are connected to an operating voltage via a common supply line and a shunt, each consumer group also having a microcontroller which is used to measure a voltage drop across the shunt and is configured to calculate a total current through the shunt corresponding to the voltage drop, with the artificial intelligence being able to supply the determined total currents of all consumer groups as well as vehicle bus signals as input signals, whereby in the standard operating mode the total current of the consumer groups together with a label “error-free” and the Vehicle bus signals can be supplied as training data to the artificial intelligence as input variables, with unlabeled total streams of the consumer groups and bus signals being supplied as input variables to the trained artificial intelligence in application mode.
In einer Ausführungsform sind die Verbraucher über eine jeweilige Halbleitersicherung an die Zuleitung für die Betriebsspannung angeschlossen. In one embodiment, the consumers are connected to the supply line for the operating voltage via a respective semiconductor fuse.
In einer Ausführungsform ist der Mikrocontroller ferner zur Ansteuerung der Halbleitersicherung über einen jeweiligen Steuerausgang konfiguriert. In one embodiment, the microcontroller is further configured to control the semiconductor fuse via a respective control output.
In einer Ausführungsform ist die Halbleitersicherung als Feldeffekttransistoren, insbesondere MOSFET, ausgebildet. In one embodiment, the semiconductor fuse is designed as a field effect transistor, in particular MOSFET.
In einer Ausführungsform ist die künstliche Intelligenz als ein neuronales Netz ausgebildet. In one embodiment, the artificial intelligence is designed as a neural network.
Die Schaltungsanordnung kann Teil eines Kraftfahrzeugs sein. The circuit arrangement can be part of a motor vehicle.
Gemäß einem Aspekt der vorliegenden Erfindung wird ein Verfahren zur Erkennung eines Gesundheitsstatus einer Mehrzahl von elektrischen Verbrauchern vorgeschlagen, umfassend eine Schaltungsanordnung, umfassend mindestens eine Verbrauchergruppe und eine künstliche Intelligenz, wobei in einem Trainingsmodus von der künstlichen Intelligenz je Verbrauchergruppe ein Normal-Betriebspunkt der Verbraucher gelernt wird, indem die Verbraucher in einem Norm-Betriebsmodus betrieben werden, sodass die trainierte künstliche Intelligenz in einem Anwendungsmodus in einer Verbrauchergruppe zwischen Normalbetrieb und Fehlerfall auf Verbraucherebene unterscheiden kann. According to one aspect of the present invention, a method for detecting a health status of a plurality of electrical consumers is proposed, comprising a circuit arrangement comprising at least one consumer group and an artificial intelligence, wherein in a training mode the artificial intelligence learns a normal operating point of the consumers for each consumer group by operating the consumers in a standard operating mode so that the trained artificial intelligence can distinguish between normal operation and fault cases at the consumer level in an application mode in a consumer group.
Erfindungsgemäß weist jede Verbrauchergruppe eine Mehrzahl von Verbrauchern auf, die über eine gemeinsame Zuleitung und über einen Shunt mit einer Betriebsspannung verbunden sind, wobei jede Verbrauchergruppe ferner einen Mikrokontroller aufweist, der einen Spannungsabfall über dem Shunt misst und einen entsprechenden Gesamtstrom durch den Shunt berechnet, wobei die ermittelten Gesamtströme aller Verbrauchergruppen sowie Fahrzeug-Bussignale der künstlichen Intelligenz als Eingangssignale zugeführt werden, wobei im Norm-Betriebsmodus der Gesamtstrom der Verbrauchergruppen zusammen mit einem Label „fehlerfrei“ sowie den Fahrzeug- Bussignalen als Trainingsdaten der künstlichen Intelligenz als Eingangsgrößen zugeführt werden, wobei der so trainierten künstlichen Intelligenz im Anwendungsmodus ungelabelte Gesamtströme der Verbrauchergruppen sowie Bussignale als Eingangsgrößen zugeführt werden. According to the invention, each consumer group has a plurality of consumers that are connected to an operating voltage via a common supply line and a shunt, each consumer group also having a microcontroller that measures a voltage drop across the shunt and a corresponding total current calculated by the shunt, whereby the determined total currents of all consumer groups as well as vehicle bus signals are fed to the artificial intelligence as input signals, with the total current of the consumer groups together with a label “error-free” and the vehicle bus signals as training data for the artificial intelligence in the standard operating mode Input variables are supplied, with the artificial intelligence trained in this way being supplied with unlabeled total streams of the consumer groups and bus signals as input variables in the application mode.
In einer Ausführungsform werden der künstlichen Intelligenz im Trainingsmodus ferner Gesamtströme der Verbrauchergruppen zusammen mit dem Label „fehlerhaft“ sowie den Fahrzeug-Bussignalen als Trainingsdaten zur Verfügung gestellt, welche Fehlerfälle einzelner oder aller Verbraucher abbilden. In one embodiment, the artificial intelligence is also provided with total flows of the consumer groups together with the label “faulty” and the vehicle bus signals as training data in training mode, which represent error cases for individual or all consumers.
In einer alternativen Ausführungsform wird im Trainingsmodus eine binäre Klassifizierungsmethode verwendet, welche mit ausschließlich einer als „fehlerfrei“ gelabelten Klasse auskommt. In an alternative embodiment, a binary classification method is used in the training mode, which only requires one class labeled as “error-free”.
In einer Ausführungsform werden aus dem ermittelten Gesundheitszustand Rückschlüsse auf Anomalien und Alterungserscheinungen der Verbraucher gezogen. In one embodiment, conclusions about anomalies and signs of aging of the consumer are drawn from the determined state of health.
Die vorliegende Erfindung ermöglicht eine frühzeitige Fehler- und Anomalieerkennung elektrischer Komponenten in einem Kraftfahrzeug, sodass präventiv Maßnahmen gegen Aus- und Fehlerfälle getroffen werden können. Auf diese Weise kann auf eine vollumfängliche Absicherung der elektrischen Verbraucher mittels Halbleitersicherungen, welche jeweils eine integrierte Strommessung über einen Shunt aufweisen, verzichtet werden, womit Kosten eingespart werden, da die Gesamtanzahl der zu verwendenden Shunts reduziert wird. The present invention enables early fault and anomaly detection of electrical components in a motor vehicle, so that preventative measures can be taken against failures and errors. In this way, full protection of the electrical consumers using semiconductor fuses, each of which has an integrated current measurement via a shunt, can be dispensed with, which saves costs since the total number of shunts to be used is reduced.
Durch die erfindungsgemäße Lösung werden Ausfälle von Komponenten durch die Ableitung präventiver Maßnahmen (analog zu Predictive Maintenance) reduziert. Es besteht die Möglichkeit, die gewonnenen und ausgewerteten Daten an einer Fahrzeugschnittstelle bereitzustellen und an ein Back-End zu senden. Auf diese Weise können Felddaten und Informationen über die Flotte im Feld gewonnen werden. Dank der erfindungsgemäßen Lösung werden weniger Bauteile benötigt als mit "intelligenten" Halbleitersicherungen. Somit ergibt sich eine Kosteneinsparung durch weniger elektronische Komponenten je Halbleitersicherung und durch weniger Datenleitungen und/oder Verbindungsstellen. The solution according to the invention reduces component failures by deriving preventative measures (analogous to predictive maintenance). It is possible to provide the acquired and evaluated data on a vehicle interface and send it to a backend. In this way, field data and information about the fleet in the field can be obtained. Thanks to the solution according to the invention, fewer components are required than with "intelligent" Semiconductor fuses. This results in cost savings through fewer electronic components per semiconductor fuse and through fewer data lines and/or connection points.
Ausführungsbeispiele der Erfindung werden im Folgenden anhand von Zeichnungen näher erläutert. Exemplary embodiments of the invention are explained in more detail below with reference to drawings.
Dabei zeigen: Show:
Fig. 1 eine schematische Ansicht einer elektrischen Schaltung einer Verbrauchergruppe, 1 is a schematic view of an electrical circuit of a consumer group,
Fig. 2 eine schematische Ansicht einer Schaltungsanordnung, umfassend mehrere Verbrauchergruppen gemäß Figur 1 sowie eine künstliche Intelligenz in einem Trainingsfall, und 2 shows a schematic view of a circuit arrangement, comprising several consumer groups according to FIG. 1 as well as an artificial intelligence in a training case, and
Fig. 3 eine schematische Ansicht einer Schaltungsanordnung, umfassend mehrere Verbrauchergruppen gemäß Figur 1 sowie eine künstliche Intelligenz in einem Anwendungsfall. 3 shows a schematic view of a circuit arrangement, comprising several consumer groups according to FIG. 1 as well as an artificial intelligence in an application.
Einander entsprechende Teile sind in allen Figuren mit den gleichen Bezugszeichen versehen. Corresponding parts are provided with the same reference numbers in all figures.
Figur 1 ist eine schematische Ansicht einer elektrischen Schaltung einer Verbrauchergruppe VG1 , insbesondere für ein Kraftfahrzeug. Die Verbrauchergruppe VG1 weist eine Mehrzahl von Verbrauchern R_V1 bis R_Vn auf, die einerseits an ein Massepotential GND und andererseits über eine jeweilige Halbleitersicherung M1 bis Mn an eine Zuleitung L für eine Betriebsspannung V+ angeschlossen sind. Die Zuleitung L ist mit der Betriebsspannung V+ über einen Shunt R1 verbunden. Die Halbleitersicherung M1 bis Mn sind beispielsweise als Feldeffekttransistoren, insbesondere MOSFET, ausgebildet. Ferner ist ein Mikrokontroller pC vorgesehen, der zur Ansteuerung der Halbleitersicherung M1 bis Mn über einen jeweiligen Steuerausgang C1 bis Cn und zur Messung eines Spannungsabfalls über dem Shunt R1 mittels zweier Messeingänge CS-, CS+ konfiguriert ist. Der Mikrocontroller pC misst die Spannung, welche an dem Shunt R1 anliegt und berechnet dadurch einen Gesamtstrom lGi der aus den untereinander parallel geschalteten Verbrauchern R_V1 bis R_Vn gebildeten Verbrauchergruppe VG1. Zusätzlich kann der Mikrocontroller pC bei Fehlerfällen einzelne Halbleitersicherungen M1 bis Mn steuern und somit gezielt einzelne Verbraucher R_V1 bis R_Vn an- und abschalten. Der Mikrocontroller pC übernimmt eine Mess-, Steuerungs- und Sicherheitsfunktion und sichert die Leitungen und Komponenten ab. Figure 1 is a schematic view of an electrical circuit of a consumer group VG1, in particular for a motor vehicle. The consumer group VG1 has a plurality of consumers R_V1 to R_Vn, which are connected on the one hand to a ground potential GND and on the other hand via a respective semiconductor fuse M1 to Mn to a supply line L for an operating voltage V+. The supply line L is connected to the operating voltage V+ via a shunt R1. The semiconductor fuses M1 to Mn are designed, for example, as field effect transistors, in particular MOSFETs. Furthermore, a microcontroller pC is provided, which is configured to control the semiconductor fuse M1 to Mn via a respective control output C1 to Cn and to measure a voltage drop across the shunt R1 using two measuring inputs CS-, CS+. The microcontroller pC measures the voltage applied to the shunt R1 and thereby calculates a total current l Gi of the consumer group VG1 formed from the consumers R_V1 to R_Vn connected in parallel with one another. In addition, in the event of a fault, the microcontroller pC can control individual semiconductor fuses M1 to Mn and thus specifically switch individual consumers R_V1 to R_Vn on and off. The microcontroller pC takes over a measuring, control and safety function and protects the cables and components.
Figur 2 ist eine schematische Ansicht einer Schaltungsanordnung 1 , umfassend mehrere Verbrauchergruppen VG1 bis VGn, die wie in Figur 1 ausgebildet sein können. Figure 2 is a schematic view of a circuit arrangement 1, comprising several consumer groups VG1 to VGn, which can be designed as in Figure 1.
Die Schaltungsanordnung 1 umfasst ferner eine künstliche Intelligenz Kl, insbesondere ein neuronales Netz. Für das Training der künstlichen Intelligenz Kl werden diesem ausgewählte Fahrzeug-Bussignale BS und die von den Microcontrollern pC der Verbrauchergruppen VG1 bis VGn ermittelten Gesamtströme lRi bis lRn der Verbrauchergruppen VG1 bis VGn zur Verfügung gestellt. Dabei liefern die Fahrzeug- Bussignale BS Informationen über den Gesamtzustand des Fahrzeugs. Hierdurch kann je Verbrauchergruppe VG1 bis VGn ein Normal-Betriebspunkt der Verbraucher R_V1 bis R_Vn der Verbrauchergruppe VG1 bis VGn angelernt werden, indem die Verbraucher R_V1 bis R_Vn in einem Norm-Betriebsmodus betrieben werden und der Gesamtstrom lRi bis lRn der Verbrauchergruppen VG1 bis VGn zusammen mit einem Label „fehlerfrei“ sowie den Fahrzeug-Bussignalen BS als Trainingsdaten der künstlichen Intelligenz Kl zur Verfügung gestellt werden. The circuit arrangement 1 further comprises an artificial intelligence Kl, in particular a neural network. For the training of the artificial intelligence Kl, selected vehicle bus signals BS and the total currents l Ri to l Rn of the consumer groups VG1 to VGn determined by the microcontrollers pC of the consumer groups VG1 to VGn are made available to it. The vehicle bus signals BS provide information about the overall condition of the vehicle. As a result, a normal operating point of the consumers R_V1 to R_Vn of the consumer group VG1 to VGn can be learned for each consumer group VG1 to VGn by operating the consumers R_V1 to R_Vn in a standard operating mode and the total current l Ri to l Rn of the consumer groups VG1 to VGn together with a label “error-free” and the vehicle bus signals BS are made available as training data to the artificial intelligence Kl.
Zusätzlich können der künstlichen Intelligenz Kl im Trainingsfall Gesamtströme lRi bis lRn der Verbrauchergruppen VG1 bis VGn zusammen mit dem Label „fehlerhaft“ sowie den Fahrzeug-Bussignalen BS als Trainingsdaten zur Verfügung gestellt werden, welche Fehlerfälle einzelner oder aller Verbraucher R_V1 bis R_Vn abbilden. In addition, in the training case, the artificial intelligence Kl can be provided with total currents l Ri to l Rn of the consumer groups VG1 to VGn together with the label “faulty” and the vehicle bus signals BS as training data, which represent error cases of individual or all consumers R_V1 to R_Vn.
Alternativ können auch binäre Klassifizierungsmethoden, welche mit ausschließlich einer (z.B. der fehlerfreien) Klasse auskommen, verwendet werden (One-Class-Learning). Alternatively, binary classification methods, which only use one class (e.g. the error-free one), can also be used (one-class learning).
Durch maschinelles, insbesondere überwachtes, Lernen wird die künstliche Intelligenz Kl derart trainiert, dass in einer Verbrauchergruppe VG1 bis VGn zwischen Normalbetrieb und Fehlerfall auf Verbraucherebene unterschieden werden kann. Das Ergebnis des Trainings der künstlichen Intelligenz Kl für jeden Verbraucher R_V1 bis R_Vn ist eine trainierte künstliche Intelligenz KI_T mit einem Gesundheitsmodell. Dabei kann für jeden Verbraucher ein eigenes Gesundheitsmodell oder ein gemeinsames Gesundheitsmodell für mehrere oder alle Verbraucher vorgesehen sein. Through machine learning, in particular monitored learning, the artificial intelligence Kl is trained in such a way that in a consumer group VG1 to VGn a distinction can be made between normal operation and error cases at consumer level. The result of training the artificial intelligence Kl for each consumer R_V1 to R_Vn is a trained artificial intelligence KI_T with a health model. Each consumer can have their own health model or a common health model for several or all consumers.
Figur 3 ist eine schematische Ansicht einer Schaltungsanordnung 1 in einem Anwendungsfall, umfassend mehrere Verbrauchergruppen VG1 bis VGn, die wie in Figur 1 ausgebildet sein können. Figure 3 is a schematic view of a circuit arrangement 1 in an application, comprising several consumer groups VG1 to VGn, which can be designed as in Figure 1.
Die Schaltungsanordnung 1 umfasst ferner die trainierte künstliche Intelligenz KI_T. The circuit arrangement 1 further includes the trained artificial intelligence KI_T.
Der trainierten künstlichen Intelligenz KI_T werden die Fahrzeug-Bussignale BS und die von den Microcontrollern pC der Verbrauchergruppen VG1 bis VGn ermittelten Gesamtströme lGi bis lGn der Verbrauchergruppen VG1 bis VGn zur Verfügung gestellt. The trained artificial intelligence KI_T is provided with the vehicle bus signals BS and the total currents l Gi to l Gn of the consumer groups VG1 to VGn determined by the microcontrollers pC of the consumer groups VG1 to VGn.
Im Anwendungsfall werden der trainierten künstlichen Intelligenz KI_T ungelabelte Gesamtströme lGi bis lGn der Verbrauchergruppen VG1 bis VGn sowie Bussignale BS, insbesondere ausgewählte Bussignale BS, zur Verfügung gestellt. Die trainierte künstliche Intelligenz KI_T kann anhand dieser Informationen Rückschlüsse auf den Gesundheitsstatus GS einzelner oder aller Verbraucher R_V1 bis R_Vn einzelner oder aller Verbrauchergruppen VG1 bis VGn ziehen. In the application case, the trained artificial intelligence KI_T is provided with unlabeled total streams l Gi to l Gn of the consumer groups VG1 to VGn as well as bus signals BS, in particular selected bus signals BS. The trained artificial intelligence KI_T can use this information to draw conclusions about the health status GS of individual or all consumers R_V1 to R_Vn of individual or all consumer groups VG1 to VGn.
Dies erlaubt Rückschlüsse auf Anomalien und Alterungserscheinungen. This allows conclusions to be drawn about anomalies and signs of aging.

Claims

Patentansprüche Schaltungsanordnung (1) für ein Kraftfahrzeug, umfassend mindestens eine Verbrauchergruppe (VG1 bis VGn) und eine künstliche Intelligenz (Kl, KI_T), die dazu konfiguriert ist, in einem Trainingsmodus je Verbrauchergruppe (VG1 bis VGn) einen Normal-Betriebspunkt der Verbraucher (R_V1 bis R_Vn) zu lernen, indem die Verbraucher (R_V1 bis R_Vn) in einem Norm-Betriebsmodus betrieben werden, wobei die so trainierte künstliche Intelligenz (Kl, KI_T) ferner dazu konfiguriert ist, in einem Anwendungsmodus in einer Verbrauchergruppe (VG1 bis VGn) zwischen Normalbetrieb und Fehlerfall auf Verbraucherebene zu unterscheiden, dadurch gekennzeichnet, dass jede Verbrauchergruppe (VG1 bis VGn) eine Mehrzahl von Verbrauchern (R_V1 bis R_Vn) aufweist, die über eine gemeinsame Zuleitung (L) und über einen Shunt (R1) mit einer Betriebsspannung (V+) verbunden sind, wobei jede Verbrauchergruppe (VG1 bis VGn) ferner einen Mikrokontroller (pC) aufweist, der zur Messung eines Spannungsabfalls über dem Shunt (R 1 ) und zur Berechnung eines dem Spannungsabfall entsprechenden Gesamtstroms (lGi bis lGn) durch den Shunt (R1) konfiguriert ist, wobei der künstlichen Intelligenz (Kl, KI_T) die ermittelten Gesamtströme (lGi bis lGn) aller Verbrauchergruppen (VG1 bis VGn) sowie Fahrzeug-Bussignale (BS) als Eingangssignale zuführbar sind, wobei im Norm-Betriebsmodus der Gesamtstrom (lRi bis lRn) der Verbrauchergruppen (VG1 bis VGn) zusammen mit einem Label „fehlerfrei“ sowie den Fahrzeug-Bussignalen (BS) als Trainingsdaten der künstlichen Intelligenz (Kl) als Eingangsgrößen zuführbar sind, wobei der trainierten künstlichen Intelligenz (KI_T) im Anwendungsmodus ungelabelte Gesamtströme (lGi bis lGn) der Verbrauchergruppen (VG1 bis VGn) sowie Bussignale (BS) als Eingangsgrößen zuführbar sind. Schaltungsanordnung (1) nach Anspruch 1 , dadurch gekennzeichnet, dass die Verbraucher (R_V1 bis R_Vn) über eine jeweilige Halbleitersicherung (M1 bis Mn) an die Zuleitung (L) für die Betriebsspannung (V+) angeschlossen sind. Schaltungsanordnung (1) nach Anspruch 2, dadurch gekennzeichnet, dass der Mikrocontroller (pC) ferner zur Ansteuerung der Halbleitersicherung (M1 bis Mn) über einen jeweiligen Steuerausgang (C1 bis Cn) konfiguriert ist. Schaltungsanordnung (1) nach Anspruch 1, dadurch gekennzeichnet, dass die Halbleitersicherungen (M1 bis Mn) als Feldeffekttransistoren, insbesondere MOSFET, ausgebildet sind. Schaltungsanordnung (1) nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die künstliche Intelligenz (Kl, KI_T) als ein neuronales Netz ausgebildet ist. Kraftfahrzeug, umfassend eine Schaltungsanordnung (1) nach einem der vorhergehenden Ansprüche. Verfahren zur Erkennung eines Gesundheitsstatus (GS) einer Mehrzahl von elektrischen Verbrauchern (R_V1 bis R_Vn), umfassend eine Schaltungsanordnung (1), umfassend mindestens eine Verbrauchergruppe (VG1 bis VGn) und eine künstliche Intelligenz (Kl, KI_T), wobei in einem Trainingsmodus von der künstlichen Intelligenz (Kl) je Verbrauchergruppe (VG1 bis VGn) ein Normal-Betriebspunkt der Verbraucher (R_V1 bis R_Vn) gelernt wird, indem die Verbraucher (R_V1 bis R_Vn) in einem Norm-Betriebsmodus betrieben werden, sodass die trainierte künstliche Intelligenz (KI_T) in einem Anwendungsmodus in einer Verbrauchergruppe (VG1 bis VGn) zwischen Normalbetrieb und Fehlerfall auf Verbraucherebene unterscheiden kann, dadurch gekennzeichnet, dass jede Verbrauchergruppe (VG1 bis VGn) eine Mehrzahl von Verbrauchern (R_V1 bis R_Vn) aufweist, die über eine gemeinsame Zuleitung (L) und über einen Shunt (R1) mit einer Betriebsspannung (V+) verbunden sind, wobei jede Verbrauchergruppe (VG1 bis VGn) ferner einen Mikrokontroller (pC) aufweist, der einen Spannungsabfall über dem Shunt (R1) misst und einen entsprechenden Gesamtstrom (lGi bis lGn) durch den Shunt (R1) berechnet, wobei die ermittelten Gesamtströme (lGi bis lGn) aller Verbrauchergruppen (VG1 bis VGn) sowie Fahrzeug-Bussignale (BS) der künstlichen Intelligenz (Kl, KI_T) als Eingangssignale zugeführt werden, wobei im Norm-Betriebsmodus der Gesamtstrom (lRi bis lRn) der Verbrauchergruppen (VG1 bis VGn) zusammen mit einem Label „fehlerfrei“ sowie den Fahrzeug-Bussignalen (BS) als Trainingsdaten der künstlichen Intelligenz (Kl) als Eingangsgrößen zugeführt werden, wobei der so trainierten künstlichen Intelligenz (KI_T) im Anwendungsmodus ungelabelte Gesamtströme (lGi bis lGn) der Verbrauchergruppen (VG1 bis VGn) sowie Bussignale (BS) als Eingangsgrößen zugeführt werden. Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass der künstlichen Intelligenz (Kl) im Trainingsmodus ferner Gesamtströme (lRi bis lRn) der Verbrauchergruppen (VG1 bis VGn) zusammen mit dem Label „fehlerhaft“ sowie den Fahrzeug-Bussignalen (BS) als Trainingsdaten zur Verfügung gestellt werden, welche Fehlerfälle einzelner oder aller Verbraucher (R_V1 bis R_Vn) abbilden. Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass im Trainingsmodus eine binäre Klassifizierungsmethode, welche mit ausschließlich einer als „fehlerfrei“ gelabelten Klasse auskommt, verwendet wird. Verfahren nach einem der Ansprüche 7 bis 9, dadurch gekennzeichnet, dass aus dem ermittelten Gesundheitszustand (GS) Rückschlüsse auf Anomalien und Alterungserscheinungen der Verbraucher (R_V1 bis R_Vn) gezogen werden. Claims Circuit arrangement (1) for a motor vehicle, comprising at least one consumer group (VG1 to VGn) and an artificial intelligence (Kl, KI_T), which is configured to determine a normal operating point of the consumers (VG1 to VGn) in a training mode for each consumer group (VG1 to VGn). R_V1 to R_Vn) by operating the consumers (R_V1 to R_Vn) in a standard operating mode, the artificial intelligence trained in this way (Kl, KI_T) being further configured to operate in an application mode in a consumer group (VG1 to VGn). to distinguish between normal operation and error cases at consumer level, characterized in that each consumer group (VG1 to VGn) has a plurality of consumers (R_V1 to R_Vn), which have an operating voltage (R_V1 to R_Vn) via a common supply line (L) and via a shunt (R1). V+), each consumer group (VG1 to VGn) also having a microcontroller (pC) which is used to measure a voltage drop across the shunt (R 1) and to calculate a total current (l Gi to l Gn ) corresponding to the voltage drop through the Shunt (R1) is configured, with the artificial intelligence (Kl, KI_T) being able to supply the determined total currents (l Gi to l Gn ) of all consumer groups (VG1 to VGn) as well as vehicle bus signals (BS) as input signals, in the standard operating mode the total current (l Ri to l Rn ) of the consumer groups (VG1 to VGn) together with a label “error-free” and the vehicle bus signals (BS) can be supplied as training data to the artificial intelligence (Kl) as input variables, with the trained artificial intelligence ( KI_T) in the application mode, unlabeled total currents (l Gi to l Gn ) of the consumer groups (VG1 to VGn) as well as bus signals (BS) can be supplied as input variables. Circuit arrangement (1) according to claim 1, characterized in that the consumers (R_V1 to R_Vn) are connected to the supply line (L) for the operating voltage (V+) via a respective semiconductor fuse (M1 to Mn). Circuit arrangement (1) according to claim 2, characterized in that the microcontroller (pC) is further configured to control the semiconductor fuse (M1 to Mn) via a respective control output (C1 to Cn). Circuit arrangement (1) according to claim 1, characterized in that the semiconductor fuses (M1 to Mn) are designed as field effect transistors, in particular MOSFET. Circuit arrangement (1) according to claim 1 or 2, characterized in that the artificial intelligence (Kl, KI_T) is designed as a neural network. Motor vehicle, comprising a circuit arrangement (1) according to one of the preceding claims. Method for detecting a health status (GS) of a plurality of electrical consumers (R_V1 to R_Vn), comprising a circuit arrangement (1), comprising at least one consumer group (VG1 to VGn) and an artificial intelligence (Kl, KI_T), wherein in a training mode of The artificial intelligence (Kl) learns a normal operating point for the consumers (R_V1 to R_Vn) for each consumer group (VG1 to VGn) by operating the consumers (R_V1 to R_Vn) in a standard operating mode, so that the trained artificial intelligence (KI_T ) in an application mode in a consumer group (VG1 to VGn) can distinguish between normal operation and error cases at consumer level, characterized in that each consumer group (VG1 to VGn) has a plurality of consumers (R_V1 to R_Vn) which have a common supply line (L ) and are connected to an operating voltage (V+) via a shunt (R1), each consumer group (VG1 to VGn) also having a microcontroller (pC) which measures a voltage drop across the shunt (R1) and a corresponding total current (l Gi to l Gn ) through the shunt (R1), whereby the determined Total currents (l Gi to l Gn ) of all consumer groups (VG1 to VGn) as well as vehicle bus signals (BS) are supplied to the artificial intelligence (Kl, KI_T) as input signals, with the total current (l Ri to l Rn ) being in the standard operating mode Consumer groups (VG1 to VGn) together with a label “error-free” and the vehicle bus signals (BS) are supplied as training data to the artificial intelligence (Kl) as input variables, with the artificial intelligence (KI_T) trained in this way receiving unlabeled total currents (l Gi to l Gn ) of the consumer groups (VG1 to VGn) and bus signals (BS) are supplied as input variables. Method according to claim 7, characterized in that the artificial intelligence (Kl) in the training mode also receives total currents (l Ri to l Rn ) of the consumer groups (VG1 to VGn) together with the label “faulty” and the vehicle bus signals (BS) as training data are made available, which represent error cases of individual or all consumers (R_V1 to R_Vn). Method according to claim 7, characterized in that a binary classification method, which only works with one class labeled as “error-free”, is used in the training mode. Method according to one of claims 7 to 9, characterized in that conclusions about anomalies and signs of aging of the consumers (R_V1 to R_Vn) are drawn from the determined state of health (GS).
PCT/EP2023/073749 2022-09-06 2023-08-30 Circuit arrangement and method for detecting a health status of electrical loads WO2024052183A1 (en)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022003261.9 2022-09-06
DE102022003261.9A DE102022003261A1 (en) 2022-09-06 2022-09-06 Circuit arrangement and method for detecting the health status of electrical consumers

Publications (1)

Publication Number Publication Date
WO2024052183A1 true WO2024052183A1 (en) 2024-03-14

Family

ID=87886670

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/073749 WO2024052183A1 (en) 2022-09-06 2023-08-30 Circuit arrangement and method for detecting a health status of electrical loads

Country Status (2)

Country Link
DE (1) DE102022003261A1 (en)
WO (1) WO2024052183A1 (en)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19906276A1 (en) * 1999-02-15 2000-09-21 Heusler Isabellenhuette Method and current measuring module for current monitoring in a power supply system
DE102009027326A1 (en) * 2009-01-05 2010-07-08 Robert Bosch Gmbh Circuit arrangement for detecting breakdown of electrical load, particularly in electrical system of motor vehicle, is provided with sensor device, driver unit and shunt
EP3098681B1 (en) 2015-05-27 2020-08-26 Tata Consultancy Services Limited Artificial intelligence based health management of host system
CN114355110A (en) * 2022-03-18 2022-04-15 智联新能电力科技有限公司 Fault current mode identification method based on convolutional neural network
US20220163567A1 (en) * 2019-03-20 2022-05-26 Elmos Semiconductor Se Apparatus for analysing currents in an electrical load, and load having such an apparatus

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019213835A1 (en) 2019-09-11 2021-03-11 Volkswagen Aktiengesellschaft Method and device for identifying an additional consumer in an energy network

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19906276A1 (en) * 1999-02-15 2000-09-21 Heusler Isabellenhuette Method and current measuring module for current monitoring in a power supply system
DE102009027326A1 (en) * 2009-01-05 2010-07-08 Robert Bosch Gmbh Circuit arrangement for detecting breakdown of electrical load, particularly in electrical system of motor vehicle, is provided with sensor device, driver unit and shunt
EP3098681B1 (en) 2015-05-27 2020-08-26 Tata Consultancy Services Limited Artificial intelligence based health management of host system
US20220163567A1 (en) * 2019-03-20 2022-05-26 Elmos Semiconductor Se Apparatus for analysing currents in an electrical load, and load having such an apparatus
CN114355110A (en) * 2022-03-18 2022-04-15 智联新能电力科技有限公司 Fault current mode identification method based on convolutional neural network

Also Published As

Publication number Publication date
DE102022003261A1 (en) 2024-01-11

Similar Documents

Publication Publication Date Title
DE102010047960B4 (en) Sensor arrangement and method to use this
EP2593754B1 (en) Method of detecting a switching position of a switching device
DD296763A5 (en) DEVICE AND METHOD FOR TESTING ELECTRICAL CONSUMERS CONNECTED TO A DC SOURCE OF A MOTOR VEHICLE
DE102016112764A1 (en) INTERFACE MODULE FOR A MOTOR VEHICLE, ELECTRICITY DISTRIBUTION BOARD AND PORTABLE NETWORK FOR A MOTOR VEHICLE
EP2893365A1 (en) Method and device for checking the plausibility of a current sensor measurement result
EP1134589B1 (en) Method for detecting a faulty earth connection e.g. in a vehicle
EP1759452B1 (en) Generator regulator with diagnostic function for semiconductor components
DE102017005071A1 (en) Method for operating a speed sensor in a vehicle, and sensor arrangement
EP3132271B1 (en) Method and device for ascertaining an inner resistance of a supply network for supplying energy to a personal protection device of a vehicle
EP3612846A1 (en) Device and power supply for a control unit and method for monitoring a power supply
WO2024052183A1 (en) Circuit arrangement and method for detecting a health status of electrical loads
EP1597117B1 (en) Device and method for central on-board diagnosis for motor vehicles
WO2017137128A1 (en) Detection of a faulty dc link capacitor
EP2729857A1 (en) Documentation of faults in a fault memory of a motor vehicle
DE102021104535A1 (en) Method for monitoring the energy supply of a motor vehicle
DE10307344A1 (en) Device and method for decentralized on-board diagnosis for motor vehicles
EP0009649B1 (en) Circuit for controlling command conditions
EP2547556B1 (en) Method for identifying a short circuit to the positive terminal of a battery and circuit device for carrying out the method
DE102005015443A1 (en) Mass misalignment determining method for vehicles involves determining quality of mass binding of line strands based on comparison between supply voltages across controllers
EP2117094A2 (en) Monitoring switch and method for checking the switch
DE19845565C1 (en) Determining condition of on board electric supply system of motor vehicle based on supply voltage produced by generator and battery
DE102022108932B3 (en) Electronic system for a vehicle and method for identifying functional modules in a vehicle
DE102011114402A1 (en) CONTROL DEVICE FOR AN ELECTRICAL COMPONENT OF A VEHICLE
DE102017110155B4 (en) Procedure for ISO 26262 compliant monitoring of the supply voltage VCC of an integrated sensor circuit of a safety system
DE102017110154B4 (en) Method for ISO 26262 compliant monitoring of the supply voltage VCC of an integrated sensor circuit of a pedestrian impact absorption device

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: 23762475

Country of ref document: EP

Kind code of ref document: A1