DE102019209797A1

DE102019209797A1 - Method and device for determining the driving-related condition of body components of a vehicle and a corresponding driver behavior

Info

Publication number: DE102019209797A1
Application number: DE102019209797.9A
Authority: DE
Inventors: Nico Schön; Sophie Ruoshan Wei
Original assignee: ThyssenKrupp AG
Current assignee: Carvaloo GmbH
Priority date: 2019-07-03
Filing date: 2019-07-03
Publication date: 2021-01-07
Also published as: WO2021001460A1

Abstract

Das beschriebene Verfahren zur Ermittlung des Zustandes wenigstens einer mechanischen Komponente eines Fahrzeugs, wobei in dem Fahrzeug wenigstens ein Sensor zur Erfassung mindestens einer mechanischen Größe angeordnet ist, sieht insbesondere die folgenden Schritte vor:- Fensterung (100) der von dem wenigstens einen Sensor erfassten Sensordaten in eine empirisch vorgebbare Fensterlänge,- Merkmalsextraktion (105) zur Bereitstellung charakteristischer Merkmale in den Sensordaten anhand von zu erzeugenden Merkmalsvektoren,- Segmentierung (110) der erzeugten Fenster in Segmente unterschiedlicher Länge,- Klassifizierung (115) der Sensordaten anhand der erzeugten Merkmalsvektoren.The described method for determining the state of at least one mechanical component of a vehicle, with at least one sensor for detecting at least one mechanical variable being arranged in the vehicle, provides in particular the following steps: Windowing (100) of the sensor data recorded by the at least one sensor into an empirically predeterminable window length, feature extraction (105) to provide characteristic features in the sensor data based on feature vectors to be generated, segmentation (110) of the generated windows into segments of different lengths, - classification (115) of the sensor data using the generated feature vectors.

Description

Die Erfindung betrifft ein Verfahren und eine Einrichtung zum Ermitteln bzw. Überwachen des fahrbetriebsbedingten Zustandes von Fahrgestell- bzw. Karosseriekomponenten eines Fahrzeugs sowie eines entsprechend zugrundeliegenden Fahrerverhaltens.The invention relates to a method and a device for determining or monitoring the driving-related state of chassis or body components of a vehicle, as well as a corresponding underlying driver behavior.

Stand der TechnikState of the art

Über die individuelle Nutzungshistorie von Fahrzeugen gibt es heutzutage wenig bis gar keine Transparenz. Daher kann der resultierende Fahrzeugzustand und der Grad des Verschleißes insbesondere von Fahrgestell- und Karosseriebauteilen nicht automatisch auf einer regelmäßigen, z.B. täglichen Basis ermittelt werden, da die zugrundeliegende Nutzungshistorie bezüglich mechanischer Belastungen, Stöße oder anderer Ereignisse bzw. Vorfälle aufgrund des individuellen Fahrverhaltens oder der Straßenbedingungen nicht bekannt ist.Nowadays, there is little or no transparency about the individual usage history of vehicles. Therefore, the resulting vehicle condition and the degree of wear, especially of chassis and body components, cannot be automatically determined on a regular, e.g. daily basis, since the underlying usage history with regard to mechanical loads, shocks or other events or incidents due to individual driving behavior or road conditions is not known.

Darüber hinaus haben Fahrzeughersteller sehr heterogene und proprietäre Sensorsysteme an Bord, die dem Fahrzeugbesitzer oder -betreiber nur sehr begrenzten Zugang gewähren, um solche Sensordaten für ihre eigenen Fahrzeug- oder Flottendiagnosezwecke zu verwenden. In der Industrie besteht daher eine zunehmende Nachfrage nach leicht nachrüstbaren und fahrzeugunabhängigen Sensorsystemen zur kontinuierlichen Überwachung und Analyse von Fahrzeugdaten, und zwar unter besonderer Berücksichtigung von Erfassung und Quantifizierung von mechanischen Belastungen wie z.B. Stößen oder anderen Schadensfällen sowie von Missbrauchsfällen aufgrund eines individuellen Fahrverhaltens des jeweiligen Fahrers oder der im Fahrbetrieb vorgelegenen Straßenbedingungen.In addition, vehicle manufacturers have very heterogeneous and proprietary sensor systems on board that give the vehicle owner or operator very limited access to use such sensor data for their own vehicle or fleet diagnostic purposes. There is therefore an increasing demand in industry for easily retrofittable and vehicle-independent sensor systems for the continuous monitoring and analysis of vehicle data, with particular consideration of the recording and quantification of mechanical loads such as impacts or other cases of damage as well as cases of abuse due to the individual driving behavior of the respective driver or the road conditions prevailing while driving.

Aus DE 10 2009 025 278 A1 gehen ein Verfahren und ein Gerät zur Bewertung der Fahrzeugabnutzung zur Abrechnung von zur Nutzung überlassenen Kraftfahrzeugen hervor. Das Verfahren nutzt dabei das Gerät zur Ermittlung von Kennziffern, die im Wesentlichen Verschleiß verursachende und auf die Räder wirkende Kräfte repräsentieren. Das Gerät kann unabhängig vom Fahrzeug und ausschließlich mit geräteinternen Einrichtungen betrieben werden. Während der Fahrt des Fahrzeugs registriert das Gerät die zurückgelegte Wegstrecke und Verschleiß verursachende und auf die Räder wirkende Kräfte. Anhand dieser Informationen wird eine den momentanen Fahrstil repräsentierende Kennziffer ermittelt, mittels der Mietvorgänge des Fahrzeugs so optimiert werden können, dass der Vermieter im Mittel einen nutzungsabhängig kalkulierten Mietpreis erzielt. Das Gerät kann dem Fahrer über eine Anzeigeeinheit die Kennziffer zum Beispiel grafisch anzeigen. Diese Kennziffer repräsentiert die momentane Verschleißsituation des Fahrzeugs. Durch Integration der Kennziffer über die Zeit oder den Weg kann daraus die Verschleißsituation des Fahrzeugs für eine Dauer und/oder Strecke ermittelt werden. Damit kann eine Bewertung der Fahrzeugabnutzung zur Abrechnung von zur Nutzung überlassenen Kraftfahrzeugen erfolgen.Out DE 10 2009 025 278 A1 a method and a device for evaluating vehicle wear and tear for accounting for motor vehicles made available for use emerge. The method uses the device to determine key figures which essentially represent forces that cause wear and act on the wheels. The device can be operated independently of the vehicle and only with internal devices. While the vehicle is in motion, the device registers the distance covered and the forces that cause wear and tear on the wheels. On the basis of this information, a key figure representing the current driving style is determined, by means of which rental processes of the vehicle can be optimized in such a way that the landlord achieves an average rental price that is calculated based on usage. The device can, for example, graphically display the code number to the driver via a display unit. This code number represents the current wear situation of the vehicle. By integrating the code number over time or the route, the wear situation of the vehicle can be determined for a duration and / or route. In this way, the vehicle wear and tear can be assessed for the purposes of billing motor vehicles made available for use.

Offenbarung der ErfindungDisclosure of the invention

Die Erfindung schlägt ein Verfahren und eine Einrichtung zum Ermitteln bzw. Überwachen des fahrbetriebsbedingten mechanischen Zustandes eines Fahrzeugs anhand von realen, physikalischen Messgrößen. Der Fahrzeugzustand betrifft dabei wenigstens eine mechanische Komponente des Fahrzeugs, z.B. eine Komponente des Fahrzeugchassis', des Fahrwerks oder dergleichen.The invention proposes a method and a device for determining or monitoring the driving-related mechanical state of a vehicle on the basis of real, physical measured variables. The vehicle state relates to at least one mechanical component of the vehicle, e.g. a component of the vehicle chassis, the chassis or the like.

Mit dem vorgeschlagenen Verfahren soll auch ermöglicht werden, ein insbesondere im Fahrbetrieb eines Fahrzeugs vorliegendes Fahrerverhalten eines jeweiligen Fahrzeugführers zu ermitteln.The proposed method is also intended to make it possible to determine a driver behavior of a respective vehicle driver that is present in particular when a vehicle is being driven.

Das vorgeschlagene Verfahren setzt voraus, dass in dem Fahrzeug wenigstens ein Sensor zur Erfassung mindestens einer dynamischen, mechanischen Messgröße, und zwar sowohl im Fahrzeugbetrieb als auch im Ruhezustand des Fahrzeugs, vorhanden ist.The proposed method requires that the vehicle has at least one sensor for detecting at least one dynamic, mechanical measured variable, both when the vehicle is in operation and when the vehicle is at rest.

Das vorgeschlagene Verfahren sieht insbesondere vor, dass an den von dem wenigstens einen Sensor erfassten Sensordaten wenigstens eine Fensterung der Sensordaten in eine empirisch vorgebbare Fensterlänge, eine Merkmalsextraktion zur Bereitstellung charakteristischer Merkmale in den Sensordaten anhand von zu erzeugenden Merkmalsvektoren, eine Segmentierung der erzeugten Fenster in Segmente unterschiedlicher Länge sowie eine Klassifizierung der Sensordaten anhand der erzeugten Merkmalsvektoren durchgeführt werden. Dabei ergeben sich wiederum Ergebnisdaten für die genannten realen, physikalischen Messgrößen. Diese Messgrößen können mit genauen Positions- und Zeitdaten versehen werden. Bei den Positionsdaten kann es sich um mittels eines GPS-Sensors gewonnene Ortsdaten, d.h. entsprechende Werte der geografischen Länge und Breite, handeln.The proposed method provides, in particular, that at least one windowing of the sensor data into an empirically predeterminable window length, feature extraction to provide characteristic features in the sensor data based on feature vectors to be generated, segmenting of the generated windows into segments on the sensor data acquired by the at least one sensor of different lengths and a classification of the sensor data based on the generated feature vectors. This in turn results in result data for the aforementioned real, physical measured variables. These measured variables can be provided with precise position and time data. The position data can be location data obtained by means of a GPS sensor, i.e. corresponding values of the geographical longitude and latitude.

Bei dem ersten Verfahrensschritt der Fensterung kann vorgesehen sein, dass mittels eines Beschleunigungssensors erfasste Beschleunigungsdaten sowie mittels eines Rotationssensors bzw. Gyrometers erfasste Rotationsdaten zunächst in kurze, leicht überlappende Fenster mit einer empirisch vorgebbaren, festen Zeitlänge unterteilt werden. Bevorzugt wird dabei eine Fensterlänge Δt von 0.2 bis 60 s mit einer Fensterüberlappung von 0 bis 0.5 der gesamten Fensterlänge verwendet. Bei relativ kurzzeitigen Ereignissen wird bevorzugt eine Fensterlänge von 250 bis 1000 ms mit einer Überlappung von bis zu 1/8 der gesamten Fensterlänge verwendet.In the first method step of windowing, it can be provided that acceleration data acquired by means of an acceleration sensor and rotational data acquired by means of a rotation sensor or gyrometer are initially divided into short, slightly overlapping windows with an empirically predeterminable, fixed time length. A window length Δt of 0.2 to 60 s with a window overlap of 0 to 0.5 of the total window length is preferably used. At relative For short-term events, a window length of 250 to 1000 ms is preferably used with an overlap of up to 1/8 of the total window length.

Bei dem zweiten Verfahrensschritt der Merkmalsextraktion kann vorgesehen sein, dass für jedes erzeugte Fenster verschiedene charakteristische Merkmale abgeleitet bzw. extrahiert werden. Aus den zeitabhängigen Rohdaten bzw. Rohzeitreihen extrahierte Merkmale können dabei entweder Zeitdomänenmerkmale wie z.B. Mittelwerte, Mediane, Standardabweichungen, mittlere Ableitungen, Standardabweichungsableitungen und Nulldurchgangsraten, oder Frequenzdomänenmerkmale wie z.B. Hochfrequenzanteile, Dominantfrequenzen oder Spektraldifferenzen sein. Mit solchen Merkmalen lässt sich jedes der erzeugten Fenster in jeder Achse der jeweiligen Rohzeitreihe durch einen hochdimensionalen Merkmalsvektor kennzeichnen.In the second method step of feature extraction, it can be provided that different characteristic features are derived or extracted for each generated window. Features extracted from the time-dependent raw data or raw time series can either be time domain features such as mean values, medians, standard deviations, mean derivatives, standard deviation derivatives and zero crossing rates, or frequency domain features such as high frequency components, dominant frequencies or spectral differences. With such features, each of the generated windows in each axis of the respective raw time series can be identified by a high-dimensional feature vector.

Bei dem dritten Verfahrensschritt der Segmentierung kann vorgesehen sein, dass Übergangspunkte in der Abfolge genannter Merkmalsvektoren identifiziert werden, an denen abrupte Änderungen auftreten. Dabei kann ein multivarianter Algorithmus zur Wechselpunkterfassung anwendet werden. Diese Übergangspunkte ermöglichen es, ähnliche aufeinanderfolgende Fenster zu Segmenten unterschiedlicher Länge zu gruppieren, wobei jedes Segment einer anderen Art von mechanischer Belastung des Fahrzeugs entspricht. Wenn die Zeitreihendaten segmentiert sind, werden genannte Merkmalsvektoren von Fenstern innerhalb jedes Segments aggregiert, was einen aggregierten Merkmalsvektor pro Segment ergibt.In the third method step of segmentation, it can be provided that transition points are identified in the sequence of named feature vectors at which abrupt changes occur. A multivariate algorithm can be used to detect the changeover point. These transition points make it possible to group similar successive windows into segments of different lengths, each segment corresponding to a different type of mechanical load on the vehicle. When the time series data is segmented, said feature vectors of windows within each segment are aggregated, resulting in one aggregated feature vector per segment.

Bei dem vierten Verfahrensschritt der Klassifizierung der Sensordaten können auf Basis der Merkmalsvektoren Informationen über den momentanen Betriebszustand des Fahrzeugs (z.B. Fahrzeug ruht oder im Fahrbetrieb, Betriebszustand des Motors), über die Straßenoberflächenbeschaffenheit sowie über den jeweils vorliegenden Missbrauchs- bzw. Aufpralltyp abgeleitet werden. Hierfür kommen an sich bekannte Clustering- und Klassifikationsalgorithmen, z.B. die Methode des „Gaussian-Mixture“-Clustering oder die „Random-Forest“-Klassifikation, zum Einsatz. Dabei wird jedes Fenster oder Segment anhand seines mehrdimensionalen Merkmalvektors einer Gruppe (Cluster oder Klasse) zugeordnet. Jede Gruppe enthält somit Segmente bzw. Fenster mit ähnlicher Merkmalskombination und entspricht daher einer jeweils anderen Art von mechanischer Belastung des Fahrzeugs Besonders rechenintensive Berechnungsschritte bei den genannten vier Verfahrensschritten können auf einem außerhalb des Fahrzeugs angeordneten (externen) Rechner, z.B. mittels Cloud-Computing, ausgeführt bzw. durchgeführt werden. Weniger rechenintensive Berechnungsschritte können dagegen bereits in dem Fahrzeug durchgeführt werden und nur entsprechend vorprozessierte Daten an den externen Rechner übertragen werden, um insbesondere das Datenvolumen der zu übertragenden Daten zu reduzieren bzw. zu minimieren.In the fourth procedural step of the classification of the sensor data, information about the current operating state of the vehicle (e.g. vehicle resting or driving, operating state of the engine), the road surface condition and the type of abuse or impact present can be derived on the basis of the feature vectors. For this purpose, known clustering and classification algorithms are used, e.g. the method of "Gaussian Mixture" clustering or the "Random Forest" classification. Each window or segment is assigned to a group (cluster or class) on the basis of its multi-dimensional feature vector. Each group therefore contains segments or windows with a similar combination of features and therefore corresponds to a different type of mechanical load on the vehicle. Particularly computationally intensive calculation steps in the four process steps mentioned can be carried out on an (external) computer located outside the vehicle, e.g. using cloud computing or be carried out. Less computationally intensive calculation steps, on the other hand, can already be carried out in the vehicle and only correspondingly preprocessed data can be transmitted to the external computer, in particular in order to reduce or minimize the data volume of the data to be transmitted.

Darüber hinaus können Parameter und Hyperparameter der genannten Klassifizierungsalgorithmen aus dem vierten Verfahrensschritt anhand von Trainingsdaten mittels an sich bekannter maschineller Lernalgorithmen („machine learning algorithms“) angelernt bzw. trainiert werden, wobei entsprechende Trainingsdaten bevorzugt für ein individuelles Fahrzeug oder einen Fahrzeugtyp spezifisch an einem jeweiligen Teststand erzeugt werden können. Alternativ oder zusätzlich können die Trainingsdaten, ebenfalls fahrzeugspezifisch, bei Fahrten auf einer geeignet präparierten Teststrecke erzeugt werden, wobei z.B. vorab definierte Fahrzeug-Missbrauchs- bzw. Schadeneinwirkungsszenarien auf das jeweilige Fahrzeug im Standbetrieb und/oder im Fahrbetrieb reproduzierbar nachgestellt und sensorisch erfasst werden.In addition, parameters and hyperparameters of the mentioned classification algorithms from the fourth method step can be learned or trained using training data using known machine learning algorithms, with corresponding training data preferably for an individual vehicle or a vehicle type specifically for a respective one Test stand can be generated. Alternatively or in addition, the training data can also be generated specifically for the vehicle when driving on a suitably prepared test track, e.g. predefined vehicle abuse scenarios or scenarios for the impact of damage on the respective vehicle when stationary and / or while driving are reproducibly simulated and recorded using sensors.

Für Segmente, die als kurzzeitige transiente Schock- oder Stoßereignisse klassifiziert werden, kann eine zusätzliche Wavelet-Analyse an genannten Fenstern durchgeführt werden. In Kombination mit den Zeit- und Frequenzmerkmalen ermöglicht diese Vorgehensweise eine Analyse des Ortes (d.h. genaue Position der Einwirkung am Fahrzeug), der Richtung und der Art der jeweiligen Ein- bzw. Auswirkungen auf das Fahrzeug.For segments that are classified as short-term transient shock or shock events, an additional wavelet analysis can be carried out on the windows mentioned. In combination with the time and frequency characteristics, this procedure enables an analysis of the location (i.e. the exact position of the impact on the vehicle), the direction and the type of the respective impacts or effects on the vehicle.

Die genannten Verfahrensschritte des vorgeschlagenen Analyseverfahrens können auch gleichzeitig mit der Datenübertragung in eine Cloud-Plattform durchgeführt werden. Sobald das Verfahren trainiert wurde, ist daher eine kontinuierliche Echtzeitanalyse möglich.The mentioned method steps of the proposed analysis method can also be carried out simultaneously with the data transfer to a cloud platform. As soon as the method has been trained, continuous real-time analysis is therefore possible.

Zusammenfassend umfasst das vorgeschlagene Verfahren die folgenden drei Hauptziele:

(1) Verfolgen von Fahrzeugstatistiken: Ermittlung der Anzahl an Vibrationen und/oder Beschleunigungsspitzen oberhalb empirisch vorgegebener Schwellenwerte, welche einen erheblichen Fahrzeugverschleiß verursachen und damit zu einer erheblichen Wertminderung des jeweiligen Fahrzeugs führen können.
(2) Klassifizierung der Beanspruchungsarten: Erkennung verschiedener Straßenzustände, plötzlicher Einwirkungen („impacts“) auf das Fahrzeug und kritischer Ereignisse z.B. aufgrund von Fahrzeugmissbrauch, aufgrund von Unfällen oder durch eine individuelle Fahrweise verursacht.
(3) Charakterisierung kritischer Auswirkungen wie Richtung, Größe und Position von externen Lasten oder Stößen am Fahrzeug.

In summary, the proposed method has the following three main objectives:

(1) Tracking vehicle statistics: Determination of the number of vibrations and / or acceleration peaks above empirically specified threshold values, which cause considerable vehicle wear and thus can lead to a considerable reduction in the value of the respective vehicle.
(2) Classification of the types of stress: Recognition of different road conditions, sudden effects ("impacts") on the vehicle and critical events, e.g. caused by vehicle misuse, accidents or an individual driving style.
(3) Characterization of critical effects such as direction, size and position of external loads or impacts on the vehicle.

Diese Arten von kritischen Ereignissen werden identifiziert, klassifiziert und der daraus resultierende Schaden und Grad der Abnutzung an bestimmten, mechanischen Fahrzeugkomponenten abgeleitet. Auf diese Weise kann auch der Chassis- und Karosseriezustand eines gesamten Fahrzeugs ermittelt werden. Weiterhin können charakteristische Bewegungsereignisse am Fahrzeug identifiziert werden, die auf den Gebrauch des Fahrzeugs schließen lassen, z.B. das Zusteigen von Personen in das Fahrzeug, das Zuschlagen von einzelnen Türen oder das Anlassen und Ausschalten des Motors.These types of critical events are identified, classified, and the resulting damage and degree of wear and tear on certain mechanical vehicle components are derived. In this way, the chassis and body condition of an entire vehicle can also be determined. Furthermore, characteristic movement events on the vehicle can be identified that indicate the use of the vehicle, for example people getting into the vehicle, slamming individual doors or starting and switching off the engine.

Anhand der vorliegenden Sensordaten kann auch eine Fahrverhaltensanalyse zur Erkennung eines Fahrzeugmissbrauchs durchgeführt werden, und zwar durch eine anhand der Sensordaten durchgeführte Richtungserkennung und Schweregradindikation. Eine genaue Lokalisierung bzw. Richtungserkennung von Schadensereignissen kann dabei anhand der Sensordaten, insbesondere anhand der von einem genannten Rotations- bzw. Gyrosensor bereitgestellten Daten, erfolgen. Dadurch kann ein charakteristisches Missbrauchs-Muster erkannt und zusätzlich z.B. bezüglich des Schweregrads qualifiziert bzw. quantifiziert werden. Ein jeweils erkanntes Missbrauchs-Muster kann auch zu Plausibilisierungszwecken z.B. mit öffentlich zugänglichen Straßendaten oder Verkehrsdaten abgeglichen werden.On the basis of the available sensor data, a driving behavior analysis can also be carried out to detect vehicle misuse, specifically by means of direction detection and severity indication carried out on the basis of the sensor data. Exact localization or directional detection of damage events can take place on the basis of the sensor data, in particular on the basis of the data provided by a named rotation or gyro sensor. In this way, a characteristic abuse pattern can be recognized and additionally qualified or quantified with regard to the degree of severity, for example. A recognized abuse pattern can also be compared with publicly available road data or traffic data for plausibility purposes.

Bei dem vorgeschlagenen Verfahren kann hierzu vorgesehen sein, dass die Richtungserkennung einer mechanischen Einwirkung auf das Fahrzeug mittels Klassifizierung der Sensordaten erfolgt. Die Klassifizierung der Sensordaten kann mittels einer Wavelet-Analyse erfolgen, wobei die Sensordaten bezüglich der Position und der Richtung der mechanischen Einwirkung auf das Fahrzeug eingruppiert werden. Die Klassifizierung kann zudem auf einem Ensemble einer Vielzahl von Entscheidungsbäumen beruhen, wobei für jeden Entscheidungsbaum anhand von erzeugten Wavelet-Merkmalen und deren Korrelation mit Zeit- und Frequenzdomänen-Merkmalen eine Zuordnung eines jeweiligen Ereignisses zu einer dominanten Einwirkungsrichtung erstellt wird.In the proposed method, it can be provided for this purpose that the direction of a mechanical effect on the vehicle is recognized by means of classification of the sensor data. The sensor data can be classified by means of a wavelet analysis, the sensor data being grouped with regard to the position and the direction of the mechanical action on the vehicle. The classification can also be based on an ensemble of a large number of decision trees, an assignment of a respective event to a dominant direction of action being created for each decision tree on the basis of generated wavelet features and their correlation with time and frequency domain features.

Durch das Trainieren des Klassifikators mit zusätzlichen Straßen- und Verkehrsdaten ist es weiterhin möglich, mit Hilfe der vorliegenden Sensordaten bestimmte Straßentypen (z.B. Autobahn, Landstraße, Stadtstraßen) oder Fahrbahnoberflächen (z.B. Asphalt, Kopfsteinpflaster, unbefestigter Weg) zu erkennen.By training the classifier with additional road and traffic data, it is still possible to use the available sensor data to identify certain road types (e.g. motorway, country road, city streets) or road surfaces (e.g. asphalt, cobblestone, unpaved road).

Um weitere Indikatoren für möglichen Nutzungsmissbrauch eines Fahrzeugs zu erhalten, können auch zu diesem Zweck maschinelle Lernalgorithmen zur Datenanalyse eingesetzt werden. Diese Algorithmen können auf Trainingsdaten zugreifen, welche z.B. an einer Teststrecke oder anhand von Feldtests in realen Betriebs- bzw. Fahrsituationen erzeugt werden. Dadurch ist eine zuverlässige Klassifizierung von relevanten Ereignissen möglich.In order to obtain further indicators for possible misuse of a vehicle, machine learning algorithms can also be used for data analysis for this purpose. These algorithms can access training data that are generated e.g. on a test track or based on field tests in real operating or driving situations. This enables a reliable classification of relevant events.

Das vorgeschlagene Verfahren ermöglicht somit eine genaue und insbesondere zeitlich umfassende Analyse von hier betroffenen Sensordaten. Dadurch kann für ein bestimmtes Fahrzeug sogar eine vollständige Gebrauchs- bzw. mechanische Belastungshistorie angelegt werden, welche unterschiedlichste Ereignisse des Produktlebenszyklus umfassen kann. Diese Ereignisse können hinsichtlich ihrer Bedeutung für den Wert des Fahrzeugs, den mechanischen Zustand bestimmter, tatsächlich lokalisierter Fahrzeugkomponenten sowie die Rückverfolgbarkeit und den Schweregrad von durch Fahrzeugmissbrauch oder Fahrzeugunfälle hervorgerufenen mechanischen, aber nicht notwendigerweise sofort sichtbaren, Schädigungen am Fahrzeug umfassen.The proposed method thus enables a precise and, in particular, time-extensive analysis of the sensor data concerned here. As a result, a complete usage or mechanical load history can even be created for a specific vehicle, which can include a wide variety of events in the product life cycle. In terms of their significance for the value of the vehicle, these events can include the mechanical condition of certain, actually located vehicle components, as well as the traceability and severity of mechanical damage to the vehicle, but not necessarily immediately visible, caused by vehicle abuse or vehicle accidents.

Die Erzeugung einer lückenlosen digitalen Fahrzeughistorie erlaubt es dem Besitzer eines Fahrzeugs, jeden in der Fahrzeughistorie gefahrenen Kilometer hinsichtlich der dabei erfahrenen Ereignisse, z.B. Schadensfälle, Fahrstile und/oder jeweils überfahrene Fahrbahnoberflächen, nachzuverfolgen. Für diese Ereignisse können die jeweils zugehörigen Positionsdaten mit ausgewertet werden und so nachträglich eine mögliche Korrelation mit vor Ort vorliegenden Verhältnissen, z.B. Straßenverhältnissen, durchgeführt werden. Anhand der sich dabei ergebenden Informationen kann sogar eine relative Fahrzeugabnutzung ermittelt werden. Bei Fahrzeugflotten können diese Informationen z.B. relativ zu einem repräsentativen Fahrzeugtyp oder einer repräsentativen Nutzergruppe statistisch ausgewertet werden.The generation of a complete digital vehicle history allows the owner of a vehicle to track every kilometer driven in the vehicle history with regard to the events experienced, e.g. damage cases, driving styles and / or road surfaces driven over. For these events, the associated position data can also be evaluated and a possible correlation with on-site conditions, e.g. road conditions, can be carried out subsequently. Based on the information obtained in the process, it is even possible to determine relative vehicle wear. In the case of vehicle fleets, for example, this information can be statistically evaluated relative to a representative vehicle type or a representative user group.

Mit dem vorgeschlagenen Verfahren können zudem auch relativ geringfügige bzw. leichte Fahrzeugschäden, die optisch nicht erkennbar sind, aber zu einem vorzeitigen Verschleiß oder Versagen von Komponenten führen können, erkannt werden. Dadurch kann auch Fahrzeugmissbrauch transparent für z.B. einen Autovermieter oder ein Leasingunternehmen oder eine Versicherung qualifiziert und quantifiziert werden, noch bevor das Fahrzeug begutachtet wird.With the proposed method, it is also possible to detect relatively minor or slight vehicle damage which is not visually recognizable but can lead to premature wear or failure of components. As a result, vehicle abuse can also be transparently qualified and quantified for e.g. a car rental company or a leasing company or an insurance company, even before the vehicle is examined.

Das vorgeschlagene Verfahren ermöglicht zudem eine verbesserte Unterstützung von Fahrzeugführern bzw. Fahrzeugbesitzern in einem Schadensfall, um dabei genauere Informationen z.B. über einen Unfallhergang oder eine verbesserte Erstellung eines Schadengutachtens auf der Grundlage der Sensorinformationen bereitzustellen. Darüber hinaus können dabei gezieltere Hinweise auf wahrscheinlich zu reparierende Komponenten gegeben werden. The proposed method also enables improved support for vehicle drivers or vehicle owners in the event of damage, in order to provide more precise information, e.g. about the course of the accident or an improved creation of a damage report based on the sensor information. In addition, more specific information on components that are likely to be repaired can be given.

Es ist anzumerken, dass das vorgeschlagene Verfahren modular implementiert werden kann, so dass das Verfahren entweder insgesamt in dem Fahrzeug oder auf einem externen Rechner (Cloud) durchgeführt werden kann oder dass z.B. ein erster Teil des Verfahrens in dem Fahrzeug und der jeweils zweite Teil auf dem externen Rechner durchgeführt wird.It should be noted that the proposed method can be implemented in a modular manner, so that the method can either be carried out in its entirety in the vehicle or on an external computer (cloud) or that, for example, a first part of the method is in the vehicle and the second part in each case the external computer.

Die ebenfalls vorgeschlagene Einrichtung zum Ermitteln bzw. Überwachen des fahrbetriebsbedingten mechanischen Zustandes eines Fahrzeugs weist Rechenmittel auf, mittels derer die vorgenannten Verfahrensschritte automatisiert ausgeführt werden können. Bei der Anordnung bzw. Implementierung der Einrichtung in einem Fahrzeug weist die Einrichtung zusätzlich eine genannte Sensorik zur Erfassung mindestens einer dynamischen, mechanischen Messgröße auf.The likewise proposed device for determining or monitoring the driving-related mechanical state of a vehicle has computing means by means of which the aforementioned method steps can be carried out in an automated manner. When the device is arranged or implemented in a vehicle, the device additionally has a named sensor system for detecting at least one dynamic, mechanical measured variable.

Es ist allerdings hervorzuheben, dass die Einrichtung auch in einem externen Rechner, z.B. in einem Cloud-Computing-System bzw. einer Cloud-Computing-Plattform, eingerichtet werden kann. In dieser Ausgestaltung werden die von der in einem Fahrzeug angeordneten Sensorik bereitgestellten Sensordaten der Einrichtung zugeführt und von dieser gemäß den vorgenannten Verfahrensschritten ausgewertet.However, it should be emphasized that the facility can also be set up in an external computer, e.g. in a cloud computing system or a cloud computing platform. In this refinement, the sensor data provided by the sensor system arranged in a vehicle are fed to the device and evaluated by the device in accordance with the aforementioned method steps.

Die Erfindung kann insbesondere bei einem Kraftfahrzeug, prinzipiell aber auch bei Nutzfahrzeugen, Wasserfahrzeugen, Unterwasserfahrzeugen, Luft-/Raumfahrzeugen oder dergleichen, welche einer nutzungsabhängigen, mechanischen Abnutzung unterliegen, entsprechend zum Einsatz kommen.The invention can be used accordingly in particular in a motor vehicle, but in principle also in commercial vehicles, watercraft, underwater vehicles, aircraft / spacecraft or the like, which are subject to usage-dependent, mechanical wear.

Das Computerprogramm ist eingerichtet, jeden Schritt des Verfahrens durchzuführen, insbesondere wenn es auf einem Rechengerät oder in einem an dem jeweiligen Fahrzeug angeordneten Steuergerät abläuft. Es ermöglicht die Implementierung des Verfahrens auch in einem bereits vorliegenden Steuergerät des Fahrzeugs, ohne an dem Steuergerät bauliche Veränderungen vornehmen zu müssen. Hierzu ist der maschinenlesbare Datenträger vorgesehen, auf welchem das Computerprogramm gespeichert ist. Durch Aufspielen des Computerprogramms auf einen Mikroprozessor bzw. Mikrocontroller eines solchen Steuergerätes ist dieses eingerichtet, um das Verfahren auszuführen.The computer program is set up to carry out each step of the method, in particular when it runs on a computing device or in a control device arranged on the respective vehicle. It also enables the implementation of the method in an already existing control unit of the vehicle without having to make structural changes to the control unit. The machine-readable data carrier on which the computer program is stored is provided for this purpose. By uploading the computer program to a microprocessor or microcontroller of such a control device, the latter is set up to carry out the method.

Weitere Vorteile und Ausgestaltungen der Erfindung ergeben sich aus der Beschreibung und den beiliegenden Zeichnungen.Further advantages and configurations of the invention emerge from the description and the accompanying drawings.

Es versteht sich, dass die voranstehend genannten und die nachstehend noch zu erläuternden Merkmale nicht nur in der jeweiligen angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar sind, ohne den Rahmen der vorliegenden Erfindung zu verlassen.It goes without saying that the features mentioned above and those yet to be explained below can be used not only in the respective specified combination, but also in other combinations or on their own, without departing from the scope of the present invention.

FigurenlisteFigure list

1 shows a first embodiment of the evaluation method according to the invention on the basis of a flow chart.
2 shows an exemplary evaluation algorithm for implementing the in 1 shown embodiment of the evaluation method according to the invention using a flowchart.
3 shows a second exemplary embodiment of the evaluation method according to the invention using a flow chart to illustrate the determination of the directional dependency of an event from recorded, transient signals.
4th shows an exemplary evaluation algorithm for implementing the in 3 shown embodiment of the evaluation method according to the invention using a flowchart, in particular to illustrate the derivation of damage events by aggregating extracted features into segmented features.
5 shows an overview of an evaluation according to the invention of sensor data measured on a motor vehicle while driving over a short period of time.
6a - d show exemplary evaluation steps of sensor data measured on a motor vehicle at a standstill over a longer period of time, for determining direction-dependent impacts on the motor vehicle.
7a - d show exemplary evaluation steps of sensor data measured on a motor vehicle that has been driven over a longer period of time for determining driver behavior or driving style.

Beschreibung von AusführungsbeispielenDescription of exemplary embodiments

Die in 1 gezeigte Auswertungsroutine setzt sich aus vier jeweils durch gestrichelte Linien abgegrenzten Prozessabschnitten zusammen, nämlich eine Fensterung 100, Merkmalsextraktion 105, Segmentierung 110 und eine Klassifizierung 115 die jeweils erfassten Sensordaten betreffend.In the 1 The evaluation routine shown is composed of four process sections each delimited by dashed lines, namely a windowing 100 , Feature extraction 105 , Segmentation 110 and a classification 115 relating to the respective recorded sensor data.

Gemäß dem ersten Prozessabschnitt 100 werden zunächst in dem vorliegenden Ausführungsbeispiel erfasste Beschleunigungs- und Gyrationszeitreihendaten in kurze, leicht überlappende Fenster mit einer empirisch vorgebbaren, festen Zeitlänge unterteilt 120. Bevorzugt wird dabei eine Fensterlänge von 250 - 1000 ms mit einer Überlappung von bis zu 1/8 der gesamten Fensterlänge verwendet. Für jedes so erzeugte Fenster werden verschiedene charakteristische Merkmale abgeleitet bzw. extrahiert 125. Solche extrahierten Merkmale können Zeitdomänenmerkmale, z.B. ein Mittelwert, ein Median, eine Standardabweichung, eine mittlere Ableitung, eine Standardabweichungsableitung oder eine Nulldurchgangsrate sein (zu weiteren Details, siehe auch 4).According to the first stage of the process 100 acceleration and gyration time series data acquired in the present exemplary embodiment are initially divided 120 into short, slightly overlapping windows with an empirically predeterminable, fixed time length Window length of 250 - 1000 ms with an overlap of up to 1/8 of the total window length used. For each window generated in this way, various characteristic features are derived or extracted 125 . Such extracted features can be time-domain features, for example a mean, a median, a standard deviation, a mean derivative, a standard deviation derivative or a zero crossing rate (for further details, see also 4th ).

Alternativ oder zusätzlich können solche extrahierten Merkmale Frequenzdomänenmerkmale, z.B. ein Hochfrequenzanteil, eine Dominantfrequenz oder eine Spektraldifferenz sein. Mit diesen extrahierten Merkmalen wird dann jedes der erzeugten Fenster in jeder Achse der Rohzeitreihe durch einen hochdimensionalen Merkmalsvektor gekennzeichnet 130 (siehe 4).Alternatively or in addition, such extracted features can be frequency domain features, for example a high frequency component, a dominant frequency or a spectral difference. With these extracted features, each of the generated windows is then identified in each axis of the raw time series by a high-dimensional feature vector 130 (please refer 4th ).

Um Übergangspunkte in der Abfolge solcher Merkmalsvektoren zu identifizieren, an denen abrupte Änderungen auftreten, wird in dem vorliegenden Ausführungsbeispiel ein multivarianter Algorithmus zur Wechselpunkterfassung angewendet 135. Diese Übergangspunkte ermöglichen es, ähnliche aufeinanderfolgende Fenster zu Segmenten unterschiedlicher Länge zu gruppieren 140, wobei jedes Segment einer anderen Art von mechanischer Belastung des Fahrzeugs entspricht (siehe 4).In order to identify transition points in the sequence of such feature vectors at which abrupt changes occur, a multivariate algorithm for changing point detection is applied 135 in the present exemplary embodiment. These transition points make it possible to group similar successive windows into segments of different lengths 140 , where each segment corresponds to a different type of mechanical load on the vehicle (see 4th ).

Wenn die Zeitreihendaten in der genannten Weise segmentiert sind, werden die Merkmalsvektoren von Fenstern innerhalb jedes Segments aggregiert 145, was einen aggregierten Merkmalsvektor pro Segment ergibt. Diese Merkmalsvektoren werden schließlich zur Klassifizierung 150 des Betriebszustandes des Fahrzeugs, z.B. Fahrzeug im Fahrbetrieb oder ruhend, Betriebszustand des Motors, Straßenoberflächenbeschaffenheit sowie der Missbrauchs- bzw. Aufpralltyp durch ein multivariaten Clusterverfahren verwendet (siehe 4).When the time series data is segmented in the above manner, the feature vectors of windows within each segment are aggregated 145 resulting in an aggregated feature vector per segment. These feature vectors eventually become the classification 150 the operating condition of the vehicle, e.g. vehicle in motion or at rest, operating condition of the engine, road surface condition and the type of abuse or impact used by a multivariate cluster method (see 4th ).

Für Segmente, die als kurzzeitige, transiente Schock- oder Stoßereignisse klassifiziert werden, kann eine zusätzliche Wavelet-Analyse an dem genannten Segment durchgeführt werden. In Kombination mit den Zeit- und Frequenzmerkmalen ermöglicht diese Vorgehensweise eine Analyse der räumlichen Position und der Richtung der jeweiligen Ein- bzw. Auswirkungen auf das Fahrzeug (siehe 4).For segments that are classified as short-term, transient shock or shock events, an additional wavelet analysis can be carried out on the named segment. In combination with the time and frequency characteristics, this procedure enables an analysis of the spatial position and the direction of the respective influences or effects on the vehicle (see 4th ).

Anhand der vorliegenden Sensordaten kann auch eine Fahrverhaltensanalyse des jeweiligen Fahrzugführers, z.B. zur Erkennung eines Fahrzeugmissbrauchs, durchgeführt werden. Diese Analyse kann durch eine anhand der Sensordaten durchgeführte Richtungserkennung und Schweregradindikation erfolgen (siehe auch 4).The present sensor data can also be used to carry out a driving behavior analysis of the respective driver, for example to detect vehicle abuse. This analysis can be carried out by means of a direction recognition and severity indication carried out on the basis of the sensor data (see also 4th ).

In der 2 ist ein Ausführungsbeispiel von Prozessschritten zur Ausführung eines Auswertealgorithmus' insbesondere zur Ermittlung eines genannten für die Beurteilung des Fahrzeugzustandes relevanten Wechselpunktes durch ein Erkennen von Änderungen des Mittelwerts oder der Varianz von in dem Zeitintervall Δt enthaltenen Sensordaten.In the 2 is an exemplary embodiment of process steps for executing an evaluation algorithm, in particular for determining a named change point relevant for assessing the vehicle condition by recognizing changes in the mean value or the variance of sensor data contained in the time interval Δt.

Bei dem gezeigten Auswerteprozess wird zunächst eine Sequenz von n Zufallsvariablen {X1, .. , Xn} vorgegeben 200. Dabei wird angenommen, dass bereits eine geeignete Klassifizierung für die möglichen bzw. verschiedenen Änderungen vorliegt. Die Zufallsvariablen dienen sozusagen als Platzhalter für die vorliegend auszuwertenden Sensordaten, d.h. bevorzugt von Beschleunigungsdaten und gyroskopischen Daten. Im Schritt 205 wird aus einer Anzahl möglicher Teststatistiken eine bestimmte Teststatistik ausgewählt, welche für eine vorgegebene Änderungsklasse eine geeignete oder die optimale Teststatistik darstellt. Bei den genannten Teststatistiken kann es sich z.B. um die an sich bekannte Methode des „Generalized Likelihood Ratio“ (GLR) Tests, um eine anhand von Testpersonen ermittelte Teststatistik oder um die ebenfalls an sich bekannte Methode der sogenannten „Fishers Exact Test“ (FET) Statistik handeln, welche üblicherweise zur Erkennung von Parameteränderungen in einer Bernoulli-Sequenz eingesetzt wird, handeln.In the evaluation process shown, a sequence of n random variables {X1, .., Xn} is first specified 200. It is assumed that a suitable classification for the possible or different changes is already available. The random variables serve, so to speak, as placeholders for the present sensor data to be evaluated, ie preferably acceleration data and gyroscopic data. In step 205 a certain test statistic is selected from a number of possible test statistics, which test statistic represents a suitable or the optimal test statistic for a given change class. The test statistics mentioned can be, for example, the known method of the "Generalized Likelihood Ratio" (GLR) test, test statistics determined on the basis of test persons, or the also known method of the so-called "Fishers Exact Test" (FET) Act statistics, which are usually used to detect parameter changes in a Bernoulli sequence.

In dem folgenden Schritt 210 wird festgelegt, wie groß die durchschnittliche Anzahl von erkannten Änderungen sein muss, damit überhaupt einer Fehlererkennung erfolgt bzw. ein Fehler erkannt wird. Dabei werden Werte für eine Falschalarmrate und eine durchschnittliche Lauflänge („Average Run Length“ = ARL0) empirisch vorgegeben. Gemäß Schritt 215 wird eine zwei Stichproben („two-sample“) umfassende Teststatistik Dk,n an jedem möglichen Splitpunkt („split point“) Xk des zu untersuchenden Datensatzes ausgewertet bzw. bewertet. In Schritt 220 wird mittels einer genannten Teststatistik und der ARL0 ein Schwellenwert hn berechnet. Dabei wird auf der Grundlage des Schwellenwertes hn, und zwar bei Erfülltsein der Bedingung max Dk,n > hn, ein Zeitpunkt T, zu dem eine jeweils erkannte Änderung stattgefunden hat, gemäß der Beziehung T = arg(k) max Dk,n berechnet.In the following step 210 it is determined how large the average number of recognized changes must be for an error to be recognized or an error to be recognized. Values for a false alarm rate and an average run length ("Average Run Length" = ARL0) are empirically specified. According to step 215 a test statistic Dk, n comprising two random samples (“two-sample”) is evaluated or assessed at each possible split point (“split point”) Xk of the data set to be examined. In step 220 a threshold value hn is calculated using a test statistic mentioned and the ARL0. On the basis of the threshold value hn, namely when the condition max Dk, n> hn is met, a point in time T at which a change was recognized in each case is calculated according to the relationship T = arg (k) max Dk, n.

Bei der in 3 gezeigten Auswerteroutine werden wiederum von einer genannten Sensorik gelieferte Beschleunigungsdaten 300 und Winkel- bzw. entsprechende gyroskopische Daten 305 ausgewertet. Diese Daten werden zunächst in der Zeitdomäne analysiert 310, um anhand der Ergebnisse der Analyse 310 Zeitbereiche mit auffälligen Beschleunigungs- bzw. Rotationsdaten zu erkennen und zu selektieren 315. Die in den so selektierten Zeitbereichen verfügbaren Daten werden in die Frequenzdomäne umgewandelt 320. Denn dem vorliegenden Auswerteverfahren liegt die Erkenntnis zugrunde, dass erst im Frequenzraum für die hier betroffenen Fahrzeugereignisse charakteristische, relativ kurze transiente Signale deutlich präziser erfasst werden können. Daher werden im nachfolgenden Schritt 325 solche Zeitbereiche mit auffällig kurzen Schockereignissen in dem vorliegenden Ausführungsbeispiel selektiert.At the in 3 The evaluation routine shown are in turn delivered by a named sensor system 300 and angle or corresponding gyroscopic data 305 evaluated. This data is first analyzed 310 in the time domain in order to be based on the results of the analysis 310 Recognize and select time ranges with conspicuous acceleration or rotation data 315 . The data available in the time ranges selected in this way are converted 320 into the frequency domain The evaluation method is based on the knowledge that relatively short transient signals characteristic, relatively short transient signals for the vehicle events affected here can only be recorded much more precisely in the frequency domain. Therefore, in the next step 325 such time ranges with conspicuously short shock events are selected in the present exemplary embodiment.

Die genannten Selektionen 315 und 325 werden durch Clustering-Algorithmen realisiert. Dabei werden die vorliegenden Daten in ein erstes Cluster mit auffälligen und ein zweites Cluster mit unauffälligen Zeitdomänen-Merkmalvektoren eingeordnet bzw. eingruppiert 315. Zusätzlich werden noch die Frequenzdomänen-Merkmale verwendet 325, um die Daten-Zeitbereiche aus dem auffälligen Cluster aus 315 in ein Cluster mit starken transienten Signalen und einen mit langsam veränderliche Signale einzuteilen.The mentioned selections 315 and 325 are implemented using clustering algorithms. The present data are classified or grouped into a first cluster with conspicuous and a second cluster with inconspicuous time domain feature vectors 315 . The frequency domain features are also used 325 to select the data time ranges from the conspicuous cluster 315 to be divided into a cluster with strong transient signals and one with slowly changing signals.

Das Clustering erfolgt hierbei durch das sog. „Gaussian-Mixture“-Modell, bei dem eine probabilistische Clusterzugehörigkeit als gewichtete Überlagerung von mehrdimensionalen Normalverteilungen modelliert wird (siehe auch 5). Die zugrundeliegenden Ereignisse werden dabei meist als Punktwolken dargestellt. In der nachfolgend beschriebenen 5 sind entsprechende Punktwolken für höhere bzw. multiple Dimensionen gezeigt. Die Parameter und Hyperparameter der Clustering-Modelle (Erwartungs- und Kovarianzmatrix, Clusteranzahl, Normalisierung, Kovarianztyp) werden initial aus Trainingsdaten 370 angelernt, und zwar unter Verwendung eines sog. „Expectation Maximization"(EM)-Algorithmus'. Bei dem EM-Algorithmus handelt es sich bekanntermaßen um einen Algorithmus der mathematischen Statistik, bei dem mit einem zufällig gewählten Modell gestartet wird und abwechselnd die Zuordnung der Daten zu den einzelnen Teilen des Modells (sog. „Expectation“-Schritt) und die Parameter des Modells an die jeweils neueste Zuordnung (sog. „Maximization“-Schritt) die Qualität des Ergebnisses verbessert wird. Im Expectation-Schritt werden dabei die Punkte einer genannten Punktwolke besser zugeordnet und im Maximization-Schritt das Modell so verändert, dass es besser zu den Daten passt. Findet keine wesentliche Verbesserung mehr statt, beendet man das Verfahren. Das Verfahren findet typischerweise nur „lokale“ Optima. Dadurch ist es oft notwendig, das Verfahren mehrfach aufzurufen, um das beste so gefundene Ergebnis auswählen zu können.The clustering is done using the so-called "Gaussian Mixture" model, in which a probabilistic cluster membership is modeled as a weighted superposition of multi-dimensional normal distributions (see also 5 ). The underlying events are usually displayed as point clouds. In the below described 5 corresponding point clouds for higher or multiple dimensions are shown. The parameters and hyperparameters of the clustering models (expectation and covariance matrix, number of clusters, normalization, covariance type) are initially taken from training data 370 learned, using what is known as an "expectation maximization" (EM) algorithm. The EM algorithm is known to be an algorithm of mathematical statistics that starts with a randomly selected model and alternates the assignment of the Data on the individual parts of the model (so-called "expectation" step) and the parameters of the model to the latest assignment (so-called "maximization" step) the quality of the result is improved. In the expectation step, the points better assigned to a named point cloud and in the maximization step changes the model so that it fits the data better. If there is no further significant improvement, the process is ended. The process typically only finds “local” optima. This is why it is often necessary to call the procedure several times in order to be able to select the best result found in this way.

Der dabei zugrunde gelegte Trainingsdatensatz 370 kann aus Sensordaten eines beliebigen Fahrzeugtyps bestehen und sollte definierte Zeitabschnitte von einigen Minuten im ruhenden Zustand und im Fahrzustand des Fahrzeugs sowie abrupte Betriebsereignisse, z.B. Vollbremsungen oder Türenschließen, umfassen. Es ist anzumerken, dass in der 5 jeder Punkt der dort gezeigten Punktwolken (siehe dortige Bezugszeichen 560, 565) einem genannten Zeitfenster entspricht, innerhalb dessen ein möglicherweise relevantes Ereignis vorgelegen hat.The underlying training data set 370 can consist of sensor data of any type of vehicle and should include defined time periods of a few minutes in the resting state and in the driving state of the vehicle as well as abrupt operating events, e.g. emergency braking or door closing. It should be noted that in the 5 each point of the point clouds shown there (see reference symbols there 560 , 565 ) corresponds to a specified time window within which a possibly relevant event occurred.

Alternativ kann die Analyse der genannten Daten in der Zeit- und der Frequenzdomäne stets für den vollständigen Zeitbereich der jeweils vorliegenden Messdaten durchgeführt werden. In diesem Fall entfällt der Selektionsschritt 315. Zudem wird dabei mittels eines einzigen Clustering-Algorithmus' der Datenzeitraum auf der Basis von Zeit- 310 und Frequenzmerkmalen 320 klassifiziert 325, und zwar in unauffällige Zeitbereiche (z.B. bei einem ruhenden Fahrzeug), auffällige Segmente z.B. bei Fahrten, Erschütterungen oder Fahrbahnunebenheiten, sowie kurze transiente Signalbereiche, z.B. bei Schock- oder Stoßereignissen.Alternatively, the analysis of the data mentioned in the time and frequency domains can always be carried out for the complete time range of the respective measurement data present. In this case the selection step is not necessary 315 . In addition, a single clustering algorithm is used to determine the data period on the basis of time 310 and frequency characteristics 320 classified 325 , namely in inconspicuous time periods (e.g. when the vehicle is at rest), conspicuous segments e.g. when driving, vibrations or uneven road surfaces, and short transient signal areas, e.g. in the event of shock or impact events.

Die dabei aufgefundenen Cluster können danach hierarchisch weiter in feinere Sub-Cluster aufgeteilt werden, und zwar nach dem gleichen Verfahren, wie beschrieben. Dadurch können z.B. Sub-Cluster eines Clusters „Fahrten“ nun Fahrten über unterschiedliche Fahrbahnoberflächen entsprechen. Der hier verwendete, probabilistische Clustering-Ansatz ermöglicht die Ableitung einer Plausibilitätsfunktion (sog. „Log-Likelihood“-Funktion). Durch eine kombinierte Betrachtung eines entsprechenden „Likelihood-Scores“ in den jeweiligen Clustern mit den Merkmalen 310, 320 ist zusätzlich eine Anomalie-Erkennung möglich, um ungewöhnliche Segmente detektieren und beschreiben zu können.The clusters found in the process can then be further sub-divided hierarchically into finer sub-clusters using the same method as described. In this way, for example, sub-clusters of a “journeys” cluster can now correspond to journeys on different road surfaces. The probabilistic clustering approach used here enables a plausibility function to be derived (so-called “log likelihood” function). Through a combined consideration of a corresponding “likelihood score” in the respective clusters with the characteristics 310 , 320 An anomaly detection is also possible in order to be able to detect and describe unusual segments.

Die durch den Schritt 325 selektierten Kurzzeitereignisse werden anhand von, für jeweils vorliegende relevante Fahrzeugereignisse empirisch vorgebbaren Wavelets 330 analysiert, um dadurch zusätzliche Wavelet-Merkmale 335 zu erzeugen. Anhand dieser Merkmale aus der Wavelet-Analyse können die Messsignale ggf. weiter klassifiziert werden 340 und danach entsprechend der Position und der Richtung der Ein- und Auswirkung auf das Fahrzeug eingruppiert werden 345.The by the step 325 Selected short-term events are based on wavelets that can be empirically specified for the relevant vehicle events that are present 330 analyzed to thereby add additional wavelet features 335 to create. Using these features from the wavelet analysis, the measurement signals can be further classified if necessary 340 and then grouped according to the position and direction of the impact and impact on the vehicle 345 .

Bei dem Klassifizierungsschritt 340 kommt ein im Vorfeld antrainierter Klassifikationsalgorithmus zum Einsatz. Dieser Klassifizierungsalgorithmus basiert auf einem Ensemble von vielen einzelnen Entscheidungsbäumen, wobei jeder Entscheidungsbaum anhand der erzeugten Wavelet-Merkmale 335 und deren Korrelation mit den Zeit- und Frequenzdomänen-Merkmalen 310, 320 eine Zuordnung eines jeweiligen Ereignisses zu einer dominanten Einwirkungsrichtung erstellt. Anschließend werden die Zuordnungsresultate aller Bäume gewichtet kombiniert und als Endresultat ausgegeben 345. Die geeigneten Entscheidungsparameter und Hyperparameter des Klassifikators, d.h. die Baumanzahl und die Baumtiefe sowie die Split- und Stoppkriterien, werden in einem Trainingsprozess ermittelt. Für das Antrainieren des Klassifikationsalgorithmus' wird ein Datensatz 380 verwendet, der Sensordaten von Stoß- und Schockereignissen an einem Fahrzeug beliebigen Fahrzeugtyps, deren Position und Richtung bereits bekannt sind, beinhalten.At the classification step 340 a previously trained classification algorithm is used. This classification algorithm is based on an ensemble of many individual decision trees, each decision tree based on the generated wavelet features 335 and their correlation with the time and frequency domain features 310 , 320 an assignment of a respective event to a dominant direction of action is created. The allocation results of all trees are then combined in a weighted manner and output as the end result 345 . The suitable decision parameters and hyperparameters of the classifier, ie the number of trees and the tree depth as well as the split and stop criteria, are determined in a training process. For the A data set is used to train the classification algorithm 380 used, the sensor data of shock and shock events on a vehicle of any vehicle type, whose position and direction are already known, contain.

Der genannte mechanische Zustand kann sich auf den Zustand von Stoßdämpfern, Radlagern, Lenksäulen, Reifen, Bremsen, der Außenhaut des Fahrzeugs, einschließlich Fahrzeugtüren, Fahrzeugfenstern und Fahrzeugspiegeln beziehen. Bei dem Fahrverhalten können ein außergewöhnlich starkes Beschleunigen, Abbremsen oder Lenkverhalten des Fahrzeugs, mögliche Berührungen von Reifen mit Bordsteinen, heftiges Schließen von Fahrzeugtüren, das häufige Befahren von unebenen Fahrbahnen wie z.B. relativ unebenes Kopfsteinpflaster, oder das Auftreten von Parkremplern erkannt werden.Said mechanical condition can relate to the condition of shock absorbers, wheel bearings, steering columns, tires, brakes, the outer skin of the vehicle, including vehicle doors, vehicle windows and vehicle mirrors. When it comes to driving behavior, it is possible to detect extraordinarily strong acceleration, braking or steering behavior of the vehicle, possible contact between tires and curbs, violent closing of vehicle doors, frequent driving on uneven roads such as relatively uneven cobblestones, or the occurrence of parking bumps.

4a zeigt einen Auswertealgorithmus zur Implementierung des anhand von 3 beschriebenen Auswerteverfahrens. Dabei werden in dem vorliegenden Ausführungsbeispiel die erfassten Beschleunigungs- und Gyrationsdaten 400 zunächst in Zeitfenster mit einer vorgegebenen Zeitlänge von 250 - 1000 ms und mit einer Überlappung von bis zu 1/8 der gesamten Fensterlänge unterteilt 405. Es ist dabei hervorzuheben, dass anhand von Testläufen festgestellt wurde, dass für die Zeitlänge Werte im Bereich von bevorzugt 0.2 bis 60 s und für den Überlappungsgrad Werte im Bereich von bevorzugt Null bis 0.5, und zwar bezogen auf die gesamte Fensterlänge, möglich sind. 4a shows an evaluation algorithm for implementing the based on 3 evaluation process described. In the present exemplary embodiment, the acquired acceleration and gyration data are used 400 initially subdivided 405 into time windows with a specified time length of 250-1000 ms and with an overlap of up to 1/8 of the total window length. It should be emphasized that on the basis of test runs it was found that values in the range of preferably 0.2 up to 60 s and values in the range from preferably zero to 0.5, based on the entire window length, are possible for the degree of overlap.

Dabei ist allerdings hervorzuheben, dass es bei dieser Fensterbildung hauptsächlich darum geht, solche Zeitfenster zu ermitteln, in denen überhaupt genannte Merkmale extrahiert bzw. für die weitere Auswertung erstellt werden können. Dabei wird die Fensterlänge in Abhängigkeit von der Ereignislänge gewählt, so dass sich bei relativ kurzzeitigen Ereignissen, z.B. Parkrempler, Türschließen, oder dergleichen, meist Fensterlängen im Bereich von 0.2 bis 2 s ergeben und bei relativ langzeitigen Ereignissen sogar Fensterlängen bis zu 1 h möglich sind. Solche langzeitigen Ereignisse können z.B. längere Park- bzw. Standzeiten des Fahrzeugs oder längere Fahrten des Fahrzeugs auf einer Strecke mit z.B. starken Bodenunebenheiten sein, welche zu einer besonders hohen mechanischen Belastung von Fahrgestellkomponenten des Fahrzeugs führen können.It should be emphasized here, however, that this window formation is mainly about determining those time windows in which the features mentioned can be extracted or created for further evaluation. The window length is selected as a function of the event length so that window lengths in the range of 0.2 to 2 s usually result for relatively short-term events, e.g. parking bumps, door closings or the like, and window lengths of up to 1 h are possible for relatively long-term events . Such long-term events can be, for example, longer parking or standing times of the vehicle or longer journeys by the vehicle on a route with, for example, very uneven ground, which can lead to particularly high mechanical stress on the chassis components of the vehicle.

Für diese Fenster werden vorliegend als charakteristische Zeitdomänenmerkmale ein Mittelwert, eine Standardabweichung, ein Maximum sowie eine Mediandurchgangsrate extrahiert 410. Zusätzlich werden aus den Daten in dem vorliegenden Ausführungsbeispiel ein Hochfrequenzanteil, ein Niederfrequenzanteil, die jeweiligen Spektraldifferenzen, d.h. der Anteil der spektralen Informationen, welche seit dem jeweils voranliegenden Zeitintervall neu hinzukommen, sowie die komplexe Phaseninformation extrahiert 412. Mit diesen extrahierten 410, 412 Merkmalen wird jedes der erzeugten Fenster durch einen genannten, hochdimensionalen Merkmalsvektor gekennzeichnet 415.In the present case, a mean value, a standard deviation, a maximum and a median passage rate are extracted for these windows as characteristic time domain features 410 . In addition, in the present exemplary embodiment, a high-frequency component, a low-frequency component, the respective spectral differences, ie the portion of the spectral information that has been added since the preceding time interval, and the complex phase information are extracted from the data 412 . With these extracted 410 , 412 Features, each of the generated windows is identified by a named, high-dimensional feature vector 415 .

Anhand der zeitlichen Abfolge der so gekennzeichneten 415 Merkmalsvektoren werden anschließend Übergangspunkte identifiziert 420, an denen abrupte, d.h. z.B. einen empirisch vorgebbaren Schwellenwert 425 übersteigende Änderungen auftreten. Zur Identifizierung 420 der Übergangspunkte wird in dem vorliegenden Ausführungsbeispiel ein multivarianter Algorithmus zur Wechselpunkterfassung angewendet.Based on the chronological order of the so marked 415 Feature vectors are then identified as transition points 420 , at which abrupt, ie for example an empirically specifiable threshold value 425 excessive changes occur. For identification 420 In the present exemplary embodiment, a multivariate algorithm for changing point detection is used for the transition points.

Anhand der so identifizierten 420 Übergangspunkte werden ähnliche, zeitlich aufeinander folgende Fenster zu Segmenten unterschiedlicher Länge gruppiert 430. Dabei entspricht jedes Segment einer anderen Art von mechanischer Belastung des Fahrzeugs. Für Segmente, die als vorübergehende Schock- oder Stoßereignisse klassifiziert werden sollen, wird in dem vorliegenden Ausführungsbeispiel optional (wie durch die Strichelung angedeutet) eine zusätzliche Wavelet-Analyse an genannten Fenstern durchgeführt 435, um auch den Ort und die Richtung der jeweiligen Ein- bzw. Auswirkungen auf das Fahrzeug zu erfassen bzw. zu ermitteln.Based on the so identified 420 Transition points are grouped with similar windows that follow one another in time to form segments of different lengths 430 . Each segment corresponds to a different type of mechanical load on the vehicle. For segments that are to be classified as temporary shock or impact events, an additional wavelet analysis is optionally carried out on the windows mentioned in the present exemplary embodiment (as indicated by the dashed lines) 435 in order to record or determine the location and direction of the respective influences or effects on the vehicle.

Die Merkmalsvektoren von Fenstern innerhalb jedes Segments können optional, wie durch die Strichelung angedeutet, vor der Klassifizierung 450 zusätzlich aggregiert werden 440. Die Klassifizierung 450 der Merkmalsvektoren erfolgt in dem Ausführungsbeispiel durch ein anhand der 3 beschriebenes Clustering-Verfahren 325, wobei vorliegend zu Vereinfachungszwecken nur der Straßenoberflächentyp sowie der Missbrauchs- bzw. Aufpralltyp klassifiziert werden.The feature vectors of windows within each segment can optionally, as indicated by the dashed lines, before the classification 450 are also aggregated 440. The classification 450 the feature vectors are made in the exemplary embodiment by a using the 3 described clustering procedure 325 In the present case, for the sake of simplification, only the road surface type and the abuse or impact type are classified.

Diese Arten von kritischen Ereignissen werden identifiziert, klassifiziert und der daraus resultierende Schaden und Grad der Abnutzung an bestimmten, mechanischen Fahrzeugkomponenten abgeleitet. Die aufgrund der genannten Eingruppierung sich ergebenden Positions- bzw. Richtungsinformationen 345, 435 und die mittels der Klassifizierung 450 gewonnenen Merkmalsvektoren werden mit den Zeit- und Frequenz-Merkmalen 310, 410 und 320, 412 in Beziehung gesetzt bzw. mit diesen korreliert.These types of critical events are identified, classified, and the resulting damage and degree of wear and tear on certain mechanical vehicle components are derived. The position or direction information resulting from the above-mentioned grouping 345 , 435 and by means of the classification 450 The feature vectors obtained are with the time and frequency features 310 , 410 and 320 , 412 related or correlated with these.

Zusätzlich wird in dem vorliegenden Ausführungsbeispiel eine Vergleichsanalyse mit ähnlichen Ereignissen durchgeführt. Die sich dabei ergebenden Vergleichsergebnisse ermöglichen die Einordnung 350, 455 dieser Ereignisse nach Schwere und Ausprägungsgrad sowie einen Hinweis auf den Grad einer jeweiligen Anomalie. Eine Betrachtung der Ergebnisse 350, 455 über die gesamte Fahrzeughistorie ermöglichen präzise Aussagen über den mechanischen Fahrzeugzustand 355, 460, insbesondere Änderungen des Fahrzeugzustandes aufgrund eines besonderen Fahrerverhaltens oder Ereignisses. Mögliche Fahrzeugzustände und/oder Fahrverhaltensmuster können zudem mit realen Messdaten 390, 465, z.B. mit bei einer Fahrzeuginspektion in einer Werkstatt gewonnenen Messdaten, korreliert werden. Dabei können die durch die gestrichelte Linie 470 eingegrenzten Verfahrensschritte entsprechend wiederholt bzw. rekursiv ausgeführt werden.
Bei einem genannten Fahrzeugzustand kann es sich um den mechanischen Zustand von Stoßdämpfern, Radlagern, Lenksäulen, Reifen, Bremsen, sowie der Außenhaut des Fahrzeugs, einschließlich Fahrzeugtüren, Fahrzeugfenster und Fahrzeugspiegeln, handeln. Bei einem genannten Fahrverhalten bzw. Fahrerverhalten kann es sich um ein außergewöhnlich starkes Beschleunigen, Abbremsen oder Lenkverhalten des Fahrzeugs, mögliche Berührungen von Reifen mit Bordsteinen, ein heftiges Schließen von Fahrzeugtüren, ein häufiges Befahren von unebenen Fahrbahnen wie z.B. von relativ unebenem Kopfsteinpflaster, oder das Auftreten von Parkremplern handeln. Auf diese Weise kann auch der Chassis- und Karosseriezustand eines gesamten Fahrzeugs zuverlässig ermittelt werden.In addition, in the present embodiment, a comparative analysis is carried out with similar events. The resulting comparison results enable classification 350 , 455 of these events according to their severity and severity as well as an indication of the degree of each anomaly. A consideration of the Results 350 , 455 Precise statements about the mechanical condition of the vehicle are made possible over the entire vehicle history 355 , 460 , in particular changes in the condition of the vehicle due to a particular driver behavior or event. Possible vehicle states and / or driving behavior patterns can also be compared with real measurement data 390 , 465 , for example with measurement data obtained during a vehicle inspection in a workshop. The dashed line 470 limited process steps are repeated or recursively executed accordingly.
A vehicle condition mentioned can be the mechanical condition of shock absorbers, wheel bearings, steering columns, tires, brakes and the outer skin of the vehicle, including vehicle doors, vehicle windows and vehicle mirrors. A mentioned driving behavior or driver behavior can be an extraordinarily strong acceleration, braking or steering behavior of the vehicle, possible contact of tires with curbs, violent closing of vehicle doors, frequent driving on uneven road surfaces such as relatively uneven cobblestones, or that Act of parking bumps. In this way, the chassis and body condition of an entire vehicle can also be reliably determined.

Zur genannten Erkennung eines Fahrzeugmissbrauchs wird in dem vorliegenden Ausführungsbeispiel eine Analyse der Sensordaten anhand einer Richtungserkennung und Schweregradindikation durchgeführt. Dabei wird ein charakteristisches Missbrauchs-Muster, z.B. die Beschädigung einer Frontverkleidung des Fahrzeugs aufgrund des Anfahrens eines Pollers auf einem Parkplatz, erkannt. Das erkannte Ereignis wird vorliegend zusätzlich dahingehend qualifiziert, ob nur ein „Parkrempler“ oder sogar ein schwerwiegender Zusammenstoß mit einem stationären oder beweglichen Gegenstand oder mit einem anderen Fahrzeug erfolgt ist. Dabei wird der Schweregrad z.B. eines Parkremplers als z.B. „gering“, „mittel“ oder „hoch“ quantifiziert. Anhand der Sensordaten, insbesondere anhand der von einem Gyrosensor bereitgestellten Daten, kann zusätzlich eine genaue Lokalisierung bzw. Richtungserkennung von Schadensereignissen erfolgen, z.B. „Stoßeinwirkung vorne rechts, im Bereich von 30 bis 45°, bezogen auf die Fahrzeuglängsachse“.In the present exemplary embodiment, an analysis of the sensor data is carried out on the basis of a direction recognition and severity indication for the aforementioned recognition of vehicle misuse. A characteristic abuse pattern, e.g. damage to a front panel of the vehicle due to a bollard being hit in a parking lot, is detected. In the present case, the recognized event is additionally qualified to the effect of whether only a “parking bump” or even a serious collision with a stationary or movable object or with another vehicle occurred. The severity of e.g. a parking bump is quantified as e.g. "low", "medium" or "high". Using the sensor data, in particular the data provided by a gyro sensor, damage events can also be precisely localized or directional detection, e.g. "Impact at the front right, in the range of 30 to 45 °, based on the vehicle's longitudinal axis".

Anhand von mittels GPS erzeugten Positionsinformationen eines jeweiligen Ereignisses, z.B. Parkvorgang an einem „Parkplatz Str. XY“, kann ein jeweils erkanntes Missbrauchsmuster zu Plausibilisierungszwecken z.B. mit öffentlich zugänglichen Straßendaten oder Verkehrsdaten abgeglichen werden. Die GPS-Daten können dabei z.B. mit detektierten Ereignissen kombiniert werden. So können das Auftreten sowie die Häufung von Ereignissen bestimmten Typs mit den GPS-Daten kombiniert werden. Dabei kann z.B. eine zeit- und ortsabhängige Häufung von bestimmten Schadenereignissen erkannt werden und ggf. sogar entsprechende Gegenmaßnahmen ergriffen werden. Auch können bestimmte Ereignismuster bestimmten Orten zugeordnet werden, z.B. das Öffnen und Schließen der Motorhaube an bekannten Orten wie z.B. in einer Werkstatt oder einer Wartungsstation, in der das Fahrzeug durch einen Techniker begutachtet und ggf. instandgesetzt wird. Auch können dabei ortsabhängige Verkehrsinformationen, z.B. eine Häufung von Verkehrs- bzw. Unfallgefährdungen an bestimmten Örtlichkeiten, z.B. an bestimmten Straßenkreuzungen.On the basis of position information generated by means of GPS for a respective event, e.g. parking at a "Parking lot Str. XY", a recognized abuse pattern can be compared with publicly available road data or traffic data for plausibility purposes. The GPS data can be combined with detected events, for example. The occurrence as well as the accumulation of events of a certain type can be combined with the GPS data. For example, a time- and location-dependent accumulation of certain damage events can be recognized and, if necessary, appropriate countermeasures can even be taken. Certain event patterns can also be assigned to specific locations, e.g. opening and closing the engine hood in known locations, e.g. in a workshop or a maintenance station, where the vehicle is examined by a technician and, if necessary, repaired. Location-dependent traffic information, e.g. an accumulation of traffic or accident hazards at certain locations, e.g. at certain intersections, can also be used.

Es ist anzumerken, dass z.B. die Verfahrensschritte 400, 410, 420 lokal, d.h. in dem Fahrzeug, durchgeführt werden und die übrigen Schritte auf einem externen Rechner bzw. in einer Cloud. Alternativ können sämtliche Verfahrensschritte auf einem externen Rechner (Cloud) durchgeführt werden.It should be noted that, for example, the procedural steps 400 , 410 , 420 locally, ie in the vehicle, and the remaining steps on an external computer or in a cloud. Alternatively, all process steps can be carried out on an external computer (cloud).

Die in 5 gezeigte, datenanalytische Auswertung beruht auf rohen, d.h. nicht vorverarbeiteten und in den drei Raumrichtungen erfassten Sensordaten (Rohdaten) 500 für die Fahrzeugbeschleunigung 505 (a_x, a_y, a_z in der Einheit [m/s^2]) und das Gyrationsverhalten 510 (g_x, g_y, g_z in der Einheit [Grad/s]) des Fahrzeugs. In dem dargestellten Beispielszenario mit einer Dauer von sechs Minuten treten einige deutlich sichtbare Messsignale auf, von denen drei Zeitbereiche durch Strichelungen 506, 507, 508 in den Beschleunigungsdaten a_x, a_y, a_z sowie Gyrationsdaten g_x, g_y, g_z hervorgehoben sind.In the 5 The data analytical evaluation shown is based on raw, i.e. not preprocessed, sensor data recorded in three spatial directions (raw data) 500 for vehicle acceleration 505 (a _x , a _y , a _z in the unit [m / s ^ 2]) and the gyration behavior 510 (g _x , g _y , g _z in the unit [degrees / s]) of the vehicle. In the example scenario shown with a duration of six minutes, some clearly visible measurement signals occur, of which three time ranges are indicated by dashed lines 506 , 507 , 508 in the acceleration data a _x , a _y , a _z and gyration data g _x , g _y , g _{z are} highlighted.

Die so erfassten Sensordaten 500 werden einer ersten Datenverarbeitungseinheit 520 zugeführt 515, mittels der eine Merkmalsextraktion aus diesen Daten 500 durchgeführt wird. Dabei werden die Daten 500 zunächst in der den Messdaten zugrundeliegenden Zeitdomäne 525 bearbeitet, wobei aus den jeweils drei bzw. insgesamt sechs räumlichen Dimensionen der Messsignale a_x, a_y, a_z und g_x, g_y, g_z jeweils K zeitabhängige Zeitdomänen-Merkmale (mit K = 4 in dem vorliegenden Ausführungsbeispiel) extrahiert werden. Die aus den Rohdaten 500 bereits erkennbaren Ereignisse bzw. möglichen Schadensereignisse 506, 507 und 508 entsprechen in der Zeitdomäne den jeweils durch Strichelung hervorgehobenen Zeitbereichen 526, 527, 528. Aus den in der Zeitdomäne verarbeiteten Sensordaten werden in einem ersten Verarbeitungsschritt 540 Zeitbereiche mit anomalen Signalverläufen für die weitere Frequenzanalyse 530 vorselektiert. Alternativ kann die Frequenzanalyse, wie in dem vorliegenden Ausführungsbeispiel gezeigt, auch direkt in dem gesamten Zeitbereich durchgeführt werden.The sensor data recorded in this way 500 become a first data processing unit 520 supplied 515, by means of which a feature extraction from this data 500 is carried out. Thereby the data 500 initially in the time domain on which the measurement data is based 525 processed, with K time-dependent time-domain features (with K = 4 in the present embodiment) being extracted from the three or a total of six spatial dimensions of the measurement signals a _x , a _y , a _z and g _x , g _y , g _z . The one from the raw data 500 already recognizable events or possible damaging events 506 , 507 and 508 correspond in the time domain to the time ranges highlighted by dashed lines 526 , 527 , 528 . In a first processing step, the sensor data processed in the time domain 540 Time ranges with anomalous signal curves for further frequency analysis 530 preselected. Alternatively, as shown in the present exemplary embodiment, the frequency analysis can also be carried out directly in the entire time range.

Bei der Frequenzanalyse werden die Rohdaten 500 mittels einer Kurzzeit-Fourier-Transformation zeitabschnittsweise in die Frequenzdomäne 530 transformiert und dort weiterverarbeitet. Dabei werden aus dem bei der Transformation sich ergebenden Spektrogramm insgesamt L Frequenzdomänen-Merkmale für jede der sechs Rohdaten-Dimensionen extrahiert (mit L = 6 in dem vorliegenden Ausführungsbeispiel). Auf der Basis der damit insgesamt vorliegenden K x L Merkmale klassifiziert der Clustering-Algorithmus 545 die Zeitbereiche, die besonders dynamische, transiente Signale enthalten.In the frequency analysis, the raw data 500 by means of a short-term Fourier Transformation in time segments into the frequency domain 530 transformed and processed there. A total of L frequency domain features for each of the six raw data dimensions are extracted from the spectrogram resulting from the transformation (with L = 6 in the present exemplary embodiment). The clustering algorithm classifies on the basis of the total K x L characteristics 545 the time ranges that contain particularly dynamic, transient signals.

Die so selektierten 545 transienten Signale werden danach einer Wavelet-Analyse unterzogen 535. Gemäß Schritt 548 erfolgt eine kontinuierliche Wavelet-Dekomposition anhand eines „Morlet“-Wavelets von dem transienten Ereignis 508. Daraus lassen sich W Wavelet-Merkmale auf verschiedenen Approximations- und Detailstufen extrahieren.The 545 transient signals selected in this way are then subjected to a wavelet analysis 535. According to step 548 there is a continuous wavelet decomposition based on a “Morlet” wavelet from the transient event 508 . From this, W wavelet features can be extracted at various levels of approximation and detail.

Die sich insgesamt ergebenden Analyseergebnisse, d.h. die Zeit-, Frequenz-, und Wavelet-Merkmale 525, 530, 535, werden danach einer zweiten Datenverarbeitungseinheit 555 zugeführt 550, in der die Analyseergebnisse mittels „Maschine Learning“-Algorithmen weiter ausgewertet werden, um in den Datensätzen verborgene Informationen über mögliche Schadensereignisse zu extrahieren. Dabei werden die insgesamt 6 x K x L x W Zeit-, Frequenz-, und Wavelet-Merkmale zunächst mittels multidimensionaler Clusteranalyse in zweckmäßige Teilmengen bzw. Klassen untergliedert bzw. segmentiert 560.The overall analysis results, ie the time, frequency and wavelet features 525 , 530 , 535 , are then a second data processing unit 555 supplied 550, in which the analysis results are further evaluated by means of "machine learning" algorithms in order to extract information about possible damage events hidden in the data sets. The total of 6 x K x L x W time, frequency and wavelet features are first subdivided or segmented into useful subsets or classes by means of multidimensional cluster analysis 560 .

Die Clusteranalyse beruht auf einem „Gaussian-Mixture“-Modell, bei dem die probabilistische Clusterzugehörigkeit als gewichtete Überlagerung von mehrdimensionalen Normalverteilungen modelliert wird. Gemäß Schritt 560 erfolgt dabei eine zweidimensionale Visualisierung der Wahrscheinlichkeitsverteilungen eines solchen Cluster-Modells, welches verschiedene Fahrzeugzustände bzw. Ereignisse klassifiziert. Dabei werden die wichtigsten fünf Dimensionen paarweise als Matrix dargestellt, wobei jede Farbe der „Likelihood“-Kontur der Verteilungsfunktion eines Clusters entspricht. Das Clustering-Modell 560 wurde im Vorfeld durch Trainingsdaten aus einem Fahrzeug beliebigen Typs angelernt. Anschließend können mit Hilfe des trainierten Clustering-Modells 560 neue Daten aus dem Fahrbetrieb entsprechend klassifiziert werden 565.The cluster analysis is based on a “Gaussian Mixture” model, in which the probabilistic cluster membership is modeled as a weighted superposition of multi-dimensional normal distributions. According to step 560 a two-dimensional visualization of the probability distributions of such a cluster model is carried out, which classifies various vehicle states or events. The five most important dimensions are shown in pairs as a matrix, with each color corresponding to the “likelihood” contour of the distribution function of a cluster. The clustering model 560 was learned in advance using training data from any vehicle. Then with the help of the trained clustering model 560 new data from driving operations can be classified accordingly 565 .

Der gesamte Zeitbereich des hier vorliegenden Ausführungsbeispiels wird so einem Cluster zugeordnet, wobei die Cluster jeweils verschiedenen Ereignis- bzw. Schädigungsgruppen entsprechen Die Einteilung der Ereignisgruppen ist in für die in 570 dargestellte, obere Messkurve 572 in zeitlicher Abfolge als farbliche Hinterlegung zusammen mit den entsprechenden Rohdaten 500 gezeigt. Jede der Farben entspricht einem Cluster bzw. einer Ereignisgruppe. Mittels solcher, antrainierter Clusteranalysen ist es möglich, durch einen Vergleich mit aktuell ermittelten Sensordaten zuverlässig auf bestimmte, genannte Ereignisse schließen zu können.The entire time range of the present exemplary embodiment is thus assigned to a cluster, the clusters each corresponding to different event or damage groups. The division of the event groups is in for the in 570 shown, upper measurement curve 572 in chronological order as a colored background together with the corresponding raw data 500 shown. Each of the colors corresponds to a cluster or group of events. By means of such trained cluster analyzes, it is possible to reliably infer certain, named events by comparing them with currently determined sensor data.

So entspricht die in dem vorliegenden Beispielszenario zu der oberen Messkurve gezeigte Gruppe ,0' 573 einem Fahrzeug im Ruhezustand und die Gruppen ,1', 2' und ,3' 574, 575, 576 verschiedenen Fahrsituationen und die Gruppe ,4' 577 den auffälligen, transienten Schockereignissen. So werden z.B. die beiden vorliegend als 506 und 508 markierten Ereignisse in die Gruppe ,4' 577 (ein-)klassifiziert, während der Bereich 507 in die drei Fahrtsituationsgruppen ,1', ,2' oder ,3' 574, 575, 576 eingruppiert wird.The group shown in the present example scenario for the upper measurement curve corresponds to '0' 573 a vehicle at rest and the groups' 1 ', 2' and '3' 574 , 575 , 576 different driving situations and the group, 4 ' 577 the noticeable, transient shock events. For example, the two are present as 506 and 508 marked events in the group, 4 '577 (a) classified while the area 507 into the three driving situation groups, 1 ',, 2' or, 3 ' 574 , 575 , 576 is grouped.

Aus den bei der Merkmalsextraktion 520 und bei dem ML-Verfahren 555 sich ergebenden Daten 585 können schließlich unterschiedliche Rückschlüsse 590 auf die Fahrzeughistorie gezogen werden. So kann der aktuelle Fahrzeugzustand 592 ermittelt werden, z.B. unter Angabe einer die jeweiligen Einwirkungen („impacts“) auf das Fahrzeug entsprechenden Punktzahl („score“). Diese Punktzahl kann zusätzlich mit der aktuell vorliegenden Laufleistung des Fahrzeugs korreliert werden. Alternativ oder zusätzlich kann aus den vorliegenden Daten für jede der ermittelten Einwirkungen die entsprechende Art der Beanspruchung 594, z.B. eine schlag- oder stoßartige Beanspruchung, ermittelt werden. Alternativ oder zusätzlich kann für jede der ermittelten Einwirkungen auch die jeweilige Einwirkungsrichtung 596 ermittelt werden. Aus den Daten kann zusätzlich das im zu untersuchenden Fahrbetrieb des Fahrzeugs vorgelegene Fahrerverhalten 598 ermittelt werden. Dabei kann zwischen verschiedenen Fahrertypen, z.B. einem „konservativ“, „sportlich“ oder „aggressiv“ fahrenden Fahrer, unterschieden werden.From the feature extraction 520 and in the ML process 555 resulting data 585 can finally draw different conclusions 590 can be dragged onto the vehicle history. So the current vehicle condition 592 can be determined, e.g. by specifying a number of points (“score”) that corresponds to the respective impacts on the vehicle. This number of points can also be correlated with the current mileage of the vehicle. As an alternative or in addition, the data available can be used to determine the corresponding type of stress for each of the determined actions 594 , e.g. a sudden or shock load, can be determined. Alternatively or additionally, the respective direction of action can also be used for each of the determined actions 596 be determined. The driver behavior present in the vehicle's driving mode to be examined can also be derived from the data 598 be determined. A distinction can be made between different types of driver, for example a “conservative”, “sporty” or “aggressive” driver.

Anhand der 6a - 6d wird ein Ausführungsbeispiel des beschriebenen Verfahrens zur Ermittlung der genannten Einwirkungsrichtung 596 beschrieben. Wie in 6a schematisch gezeigt, kommen bei einem Personenkraftwagen im Wesentlichen die Einwirkungsrichtungen vorne (V), hinten (H), links-vorne (LV), links-hinten (LH), rechts-vorne (RV) und rechtshinten (RH) in Betracht, um transiente Schockeinwirkungen und in verschiedenen Richtungen erfolgende schwingungsförmige Einwirkungen zu erfassen.Based on 6a - 6d is an embodiment of the method described for determining the direction of action mentioned 596 described. As in 6a shown schematically, the directions of action front (V), rear (H), left-front (LV), left-rear (LH), right-front (RV) and right-rear (RH) are essentially considered in a passenger car to detect transient shock effects and vibrational effects occurring in different directions.

In dem vorliegenden Beispiel wurde als Testfall das Schließen von Fahrzeugtüren eines angenommen viertürigen Fahrzeugs untersucht. Als Trainingsdatensätze für das ML-Verfahren wurden dabei für drei unterschiedliche Fahrzeugtypen jeweils 80 Mal wiederholte Türschließvorgänge der vier Türen durchgeführt. In der 6b sind die sich dabei ergebenden, in einem Zeitraum von etwa 300 s erfassten Sensor-Rohdaten für die Beschleunigung 600 und die Gyration 605 dargestellt. Die Rohdaten stellen, wie für das Schließen von Türen typisch, relativ kurz andauernde bzw. gedämpft abklingende Schwingungssignale dar.In the present example, the closing of vehicle doors of an assumed four-door vehicle was examined as a test case. As training data records for the ML process, door closings of the four doors were carried out 80 times for three different vehicle types. In the 6b are the results over a period of about 300 s acquired sensor raw data for the acceleration 600 and gyration 605 shown. As is typical for closing doors, the raw data represent relatively short-lasting or dampened decaying vibration signals.

Wie aus den Rohdaten zu ersehen, ergeben sich bei den Beschleunigungskomponenten a_x und a_z sowie bei der Gyrationskomponente g_y die jeweils größten Signalamplituden. Die Gyrationskomponente g_z besitzt zudem die insgesamt geringste Amplitude, da die hier betroffenen Schließbewegungen der Türen zwar ein Nicken und/oder Rollen des Fahrzeugs in der x- und y-Richtung bewirken, nicht aber ein Gieren bzw. Schlingern des Fahrzeugs in der z-RichtungAs can be seen from the raw data, the acceleration components a _x and a _z as well as the gyration component g _y produce the largest signal amplitudes. The gyration component g _z also has the lowest overall amplitude, because the closing movements of the doors involved here cause the vehicle to pitch and / or roll in the x and y directions, but not yaw or roll the vehicle in the z direction. direction

In der 6c ist eine zeitliche Ausschnittvergrößerung 615 von am vorliegenden Messzeitende erfassten, sechs Schwingungssignalen 610 dargestellt. Wie daraus zu ersehen, unterscheiden sich die Amplituden und Phasen der drei durch Strichelungen 616, 617, 618 hervorgehobenen Signalverläufe deutlich. Die Ursache dafür ist der direktionale Impuls (hier aus der negativen x-Richtung) sowie die nicht zentrale Anordnung des Beschleunigungs- und Gyrosensors in Bezug auf den Fahrzeugschwerpunkt, welcher an der Fahrzeugstruktur im Motorraum nahe der 12V-Fahrzeugbatterie installiert ist. Anhand solcher Signale 610, 615 lässt sich die Art der jeweiligen Einwirkung auf das Fahrzeugchassis bzw. seine Komponenten, d.h. vorliegend durch ein z.B. heftiges Türschließen, erkennen und charakterisieren. Aufgrund der Unterschiede der in den verschiedenen Achsen gemessenen Signale kann auch die Richtung der jeweiligen Einwirkung erkannt werden.In the 6c is a temporal enlargement 615 of six vibration signals recorded at the end of the measurement 610 shown. As can be seen from this, the amplitudes and phases of the three are distinguished by dashed lines 616 , 617 , 618 highlighted signal curves. The reason for this is the directional impulse (here from the negative x-direction) as well as the non-central arrangement of the acceleration and gyro sensor in relation to the vehicle's center of gravity, which is installed on the vehicle structure in the engine compartment near the 12V vehicle battery. Based on such signals 610 , 615 the type of respective action on the vehicle chassis or its components, ie in the present case by, for example, violent door closing, can be recognized and characterized. Due to the differences in the signals measured in the various axes, the direction of the respective action can also be recognized.

In dem in 6d gezeigten Diagramm ist die Vorhersagegüte des beschriebenen Verfahrens für vorliegend 55 Testereignisse mit unterschiedlichen Einwirkungsrichtungen dargestellt. Dabei sind horizontal mittels des beschriebenen Verfahrens anhand von genannten Sensordaten vorhergesagte Einwirkungsrichtungen RV, RH, LH und LV sowie vertikal bei den Messungen tatsächlich vorliegende entsprechende Einwirkungsrichtungen aufgetragen. Die vier auf der Diagonalen angeordneten Felder 620, 621, 622, 623 entsprechen dabei korrekten Vorhersagen der jeweiligen Einwirkungsrichtung, welche mittels des beschriebenen Verfahrens getroffenen wurden, wobei die in diesen Feldern eingetragenen Zahlen die Anzahl der jeweiligen Ereignisse angeben. Nicht auf der Diagonalen liegende Felder entsprechen dagegen mit dem beschriebenen Verfahren getroffenen falschen Vorhersagen bezüglich der Einwirkungsrichtung. Die Anzahl solcher Ereignisse mit falschen Vorhersagen ist allerdings relativ gering und liegt in dem vorliegenden Beispiel bei insgesamt nur sechs Ereignissen (siehe 624, 625, 626 und 627). Das Verfahren ermöglicht somit eine sehr präzise Vorhersage der jeweiligen Einwirkungsrichtung.In the in 6d The diagram shown shows the prediction quality of the method described for the present 55 test events with different directions of action. Predicted directions of action RV, RH, LH and LV are plotted horizontally by means of the described method on the basis of said sensor data, as well as corresponding directions of action actually present in the measurements. The four fields arranged on the diagonal 620 , 621 , 622 , 623 correspond to correct predictions of the respective direction of action, which were made using the method described, the numbers entered in these fields indicating the number of the respective events. Fields that are not on the diagonal, on the other hand, correspond to false predictions made with the described method with regard to the direction of action. The number of such events with incorrect predictions is, however, relatively small and in the present example is only six events in total (see 624, 625, 626 and 627). The method thus enables a very precise prediction of the respective direction of action.

Das anhand der 6a - 6d beschriebene Verfahren ermöglicht eine mehr als 98%ige Genauigkeit bei der Erfassung von, den mechanischen Fahrzeugzustand beeinflussenden Einwirkungen sowie eine 85- bis 90-prozentige Genauigkeit bei der Erkennung der jeweiligen Einwirkungsrichtung. Zudem kann die relative Stärke der jeweiligen Einwirkung mittels einer Punktzahl präzise charakterisiert bzw. festgestellt werden.Based on the 6a - 6d The method described enables an accuracy of more than 98% in the detection of influences influencing the mechanical vehicle condition as well as an accuracy of 85 to 90% in the detection of the respective direction of influence. In addition, the relative strength of the respective action can be precisely characterized or determined by means of a number of points.

In den 7a - 7d ist ein Ausführungsbeispiel des beschriebenen Verfahrens zur Ermittlung des Fahrerverhaltens 598 gezeigt. Die dabei zugrundeliegenden, bei einer von mehreren Testfahrten erfassten Rohdaten sind in 7a dargestellt, und zwar wiederum drei Messreihen 700 eines im Fahrzeug angeordneten Beschleunigungssensors sowie drei Messreihen 705 eines im Fahrzeug angeordneten Gyrosensors. Bei den Testfahrten auf einer vorliegend 20 km langen Teststrecke wurden die Messdaten bei Fahrten mit drei verschiedenen Fahrern erfasst.In the 7a - 7d is an exemplary embodiment of the method described for determining driver behavior 598 shown. The underlying raw data recorded during one of several test drives are in 7a shown, again three series of measurements 700 an acceleration sensor arranged in the vehicle and three series of measurements 705 a gyro sensor located in the vehicle. During the test drives on a test route that was 20 km long, the measurement data were recorded when driving with three different drivers.

Aus den in 7a gezeigten, bei der Testfahrt einer der drei Fahrer erfassten Rohdaten lassen sich noch keine qualitativen oder quantitativen Aussagen über das dabei zugrundeliegende Fahrerverhalten treffen. Erst die Auswertung der Sensordaten in der vorbeschriebenen Weise lässt solche Aussagen zu. Da die Sensorik im Wesentlichen Brems- und Beschleunigungseingriffe sowie Lenkeingriffe seitens des Fahrers anhand der vorliegenden Sensordaten mittelbar erfassen kann, kann mittels der beschriebenen Auswertung, ggf. einschließlich eines dabei durchgeführten Kl-basierten Lernverfahrens, eine konservative Fahrweise von einer sportlichen oder sogar aggressiven Fahrweise der vorliegend drei Fahrer sicher unterschieden werden.From the in 7a The raw data shown during the test drive of one of the three drivers cannot yet make any qualitative or quantitative statements about the underlying driver behavior. Only the evaluation of the sensor data in the manner described above allows such statements. Since the sensor system can essentially detect braking and acceleration interventions as well as steering interventions on the part of the driver using the available sensor data, a conservative driving style from a sporty or even aggressive driving style can be achieved by means of the described evaluation, possibly including a Kl-based learning process In the present case, three drivers can be safely distinguished.

Eine Auswertung der in 7a gezeigten Rohdaten 700', 705' ergibt die in 7b gezeigten Zeitintervalle bzw. Zeitfenster 710, in denen für das Fahrerverhalten relevante Zeitbereiche erfasst wurden. Die Vorselektion dieser Zeitintervalle 710 erfolgt durch ein „Clustering“-Verfahren auf Basis der Zeitdomänen-Merkmale der erfassten Beschleunigungs- und Gyrationsdaten bzw. Gyrationssignale.An evaluation of the in 7a raw data shown 700 ' , 705 ' results in the in 7b shown time intervals or time window 710 , in which time ranges relevant to driver behavior were recorded. The preselection of these time intervals 710 takes place using a “clustering” process based on the time domain characteristics of the recorded acceleration and gyration data or gyration signals.

Aus den in 7b gezeigten, vorselektierten Daten 710' ergibt sich bei einer, wie vorbeschrieben, eingehenderen Datenauswertung der Beschleunigungsdaten 700" und der Gyrationsdaten 705" die in 7c gezeigten Zwischenergebnisse. So kann aus der Richtungsabhängigkeit der Fahrereingriffe, welche sich in entsprechend ansteigenden bzw. abfallenden Flanken der Messsignale niederschlägt, z.B. auf die Richtung von Lenkeingriffen seitens des Fahrers geschlossen werden. In dem vorliegenden Beispiel kann somit zwischen einem Linkseinschlagen 715 und einem Rechtseinschlagen 720 des Fahrzeuglenkrades unterschieden werden.From the in 7b pre-selected data shown 710 ' results from a more detailed evaluation of the acceleration data, as described above 700 " and the gyration data 705 " in the 7c intermediate results shown. Thus, from the directional dependency of the driver interventions, which is reflected in the corresponding rising or falling edges of the measurement signals, for example, the direction of steering interventions on the part of the Be closed by the driver. In the present example, it is therefore possible to turn left 715 and a right turn 720 the vehicle steering wheel can be distinguished.

Wie aus der 7c somit zu ersehen, ermöglichen gemäß dem beschriebenen Verfahren ermittelte Amplituden, Trends und die Dauer verschiedener Fahrmanöver, z.B. Links- oder Rechtseinschläge, Beschleunigen oder Abbremsen, und deren zeitlicher Ablauf sowie die Kombination solcher Fahrmanöver, das individuelle Fahrverhalten oder den Fahrstil eines vorliegenden Fahrers zuverlässig zu ermitteln.As from the 7c As can thus be seen, the amplitudes, trends and the duration of various driving maneuvers determined according to the described method, e.g. left or right turns, acceleration or braking, and their timing and the combination of such driving maneuvers, reliably allow the individual driving behavior or the driving style of an existing driver determine.

In dem in 7d gezeigten Diagramm ist die Vorhersagegüte einer beschriebenen gesamten Datenauswertung bezüglich des bei der Testfahrt zugrundeliegenden Fahrerverhaltens gezeigt. In dem Diagramm sind vertikal die drei tatsächlich vorliegenden Fahrstile (konservativ, sportlich und aggressiv) der an den Testfahrten beteiligten die sehr unterschiedlich agierenden Fahrer aufgetragen und in horizontal der mittels des beschriebenen Verfahrens jeweils vorhergesagte, entsprechende Fahrstil. Es ist zu ersehen, dass bei allen drei Fahrstilen eine hohe Vorhersagegüte 725, 730, 735 mit Einzelübereinstimmungen mit jeweiligen Werten „39“, „24“ und „38“ vorliegt. Die anderen sechs Felder weisen dagegen relativ geringe Werte von Null bis maximal „8“ auf.In the in 7d The diagram shown shows the prediction quality of a described overall data evaluation with regard to the driver behavior on which the test drive is based. In the diagram, the three actually present driving styles (conservative, sporty and aggressive) of the very differently acting drivers involved in the test drives are plotted vertically and the corresponding driving style predicted by means of the described method is plotted horizontally. It can be seen that all three driving styles have a high level of forecasting quality 725 , 730 , 735 with individual matches with respective values "39", "24" and "38". The other six fields, on the other hand, have relatively low values from zero to a maximum of “8”.

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of the documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturPatent literature cited

DE 102009025278 A1 [0004]

Claims

Method for determining the state of at least one mechanical component of a vehicle, wherein at least one sensor for detecting at least one mechanical variable is arranged in the vehicle, characterized by the steps of: - Feature extraction (105) for providing characteristic features in the sensor data based on feature vectors to be generated ; - Classification (115) of the sensor data on the basis of the generated feature vectors.

Procedure according to Claim 1 , characterized by the following steps: windowing (100) the sensor data acquired by the at least one sensor in an empirically predeterminable window length; - Feature extraction (105) for providing characteristic features in the sensor data on the basis of feature vectors to be generated; - segmentation (110) of the generated windows into segments of different lengths; - Classification (115) of the sensor data on the basis of the generated feature vectors.

Procedure according to Claim 1 or 2 , characterized in that in the first method section of windowing, acceleration and / or gyration time series data are initially divided into relatively short windows with an empirically predeterminable fixed time length.

Procedure according to Claim 3 , characterized in that a window length of 0.2 to 60 s with an overlap of up to half the total window length

Procedure according to Claim 4 , characterized in that for relatively short-term events, a window length of 250 - 1000 ms is formed with an overlap of up to 1/8 of the total window length.

Method according to one of the preceding claims, characterized in that in the second method section of the feature extraction, different characteristic features are extracted for each generated window.

Procedure according to Claim 6 , characterized in that the extracted characteristic features are based on time-domain features or frequency-domain features.

Procedure according to Claim 6 or 7th , characterized in that each generated window is identified by a feature vector on the basis of extracted characteristic features.

Method according to one of the preceding claims, characterized in that in the third method section of segmentation, transition points are identified in the sequence of feature vectors at which abrupt changes occur.

Procedure according to Claim 9 , characterized in that a multivariate change point detection algorithm is used when identifying transition points, with similar successive windows being grouped into segments, each segment corresponding to a predeterminable type of mechanical load on the vehicle.

Method according to one of the Claims 8 to 10 , characterized in that in the fourth method section of the classification of the sensor data, the feature vectors are classified according to possible influencing factors on the vehicle state (on).

Procedure according to Claim 11 , characterized in that the feature vectors are (in) classified according to or into a road surface type, abuse or impact type and / or driver or driving style.

Procedure according to Claim 11 or 12th , characterized in that the classification is carried out using a multivariate “clustering” method, in particular using a “Gaussian mixture clustering”.

Procedure according to Claim 13 , characterized in that the classification is carried out using an ensemble decision tree, in particular a “random forest” classifier.

Method according to one of the Claims 11 to 14th , characterized in that parameters and hyperparameters of the classifier are trained and / or learned on the basis of training data.

Method according to one of the preceding claims, characterized in that the direction of a mechanical effect on the vehicle is recognized by means of classification of the sensor data.

Procedure according to Claim 16 , characterized in that the classification of the sensor data is carried out by means of a wavelet analysis (340), the sensor data being grouped (345) with regard to the position and the direction of the mechanical action on the vehicle.

Procedure according to Claim 17 , characterized in that the classification is based on an ensemble of a plurality of decision trees, with an assignment of a respective event for each decision tree based on generated wavelet features (335) and their correlation with time and frequency domain features (310, 320) a dominant direction of action is created.

Method according to one of the preceding claims, for determining the driver behavior of a driver while driving a vehicle having at least one sensor for detecting at least one mechanical variable, characterized by the steps of: windowing (100) the sensor data detected by the at least one sensor into an empirically predeterminable one Window length, feature extraction (105) to provide characteristic features (715, 720) in the sensor data, with regard to driver interventions, based on feature vectors to be generated, - segmentation (110, 710, 710 ') of the generated windows into segments of different lengths - Classification (115) of the sensor data on the basis of the generated feature vectors to determine at least one driver intervention.

Computer program which is set up, each step of a method according to one of the Claims 1 to 17th perform.

Control unit of a vehicle, which is set up, by uploading the computer program according to Claim 20 on a microprocessor or microcontroller of the control device the method according to one of the Claims 1 to 19th execute.