DE102020204607A1 - Determination of a remaining service life or a remaining mileage for a means of transport - Google Patents
Determination of a remaining service life or a remaining mileage for a means of transport Download PDFInfo
- Publication number
- DE102020204607A1 DE102020204607A1 DE102020204607.7A DE102020204607A DE102020204607A1 DE 102020204607 A1 DE102020204607 A1 DE 102020204607A1 DE 102020204607 A DE102020204607 A DE 102020204607A DE 102020204607 A1 DE102020204607 A1 DE 102020204607A1
- Authority
- DE
- Germany
- Prior art keywords
- transport
- related data
- service life
- expected remaining
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Ceased
Links
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 238000004590 computer program Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 14
- 238000007405 data analysis Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 230000006872 improvement Effects 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 5
- 230000033001 locomotion Effects 0.000 claims description 4
- 230000015654 memory Effects 0.000 description 7
- 238000013459 approach Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000011157 data evaluation Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- BUHVIAUBTBOHAG-FOYDDCNASA-N (2r,3r,4s,5r)-2-[6-[[2-(3,5-dimethoxyphenyl)-2-(2-methylphenyl)ethyl]amino]purin-9-yl]-5-(hydroxymethyl)oxolane-3,4-diol Chemical compound COC1=CC(OC)=CC(C(CNC=2C=3N=CN(C=3N=CN=2)[C@H]2[C@@H]([C@H](O)[C@@H](CO)O2)O)C=2C(=CC=CC=2)C)=C1 BUHVIAUBTBOHAG-FOYDDCNASA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
- G07C5/085—Registering performance data using electronic data carriers
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Die vorliegende Erfindung betrifft ein Verfahren, ein Computerprogramm mit Instruktionen und eine Vorrichtung zum Ermitteln einer erwarteten Restlebensdauer oder einer erwarteten Restlaufleistung für ein zu bewertendes Fortbewegungsmittel. Bei dem Verfahren werden nutzungsbezogene Daten und lebensdauerbezogene Daten für eine Vielzahl von Fortbewegungsmitteln empfangen (S1). Mit den empfangenen nutzungsbezogenen Daten und lebensdauerbezogenen Daten wird ein Algorithmus des maschinellen Lernens trainiert (S2). Zudem werden nutzungsbezogene Daten für das zu bewertende Fortbewegungsmittel empfangen (S3). Der trainierte Algorithmus wird auf diese empfangenen nutzungsbezogenen Daten für das zu bewertende Fortbewegungsmittel angewandt (S4), um eine erwartete Restlebensdauer oder eine erwartete Restlaufleistung für das zu bewertende Fortbewegungsmittel zu ermitteln. Die vom Algorithmus ermittelten Werte können zur weiteren Verwendung ausgegeben werden (S5).
Description
Die vorliegende Erfindung betrifft ein Verfahren, ein Computerprogramm mit Instruktionen und eine Vorrichtung zum Ermitteln einer erwarteten Restlebensdauer oder einer erwarteten Restlaufleistung für ein zu bewertendes Fortbewegungsm ittel.The present invention relates to a method, a computer program with instructions and a device for determining an expected remaining service life or an expected remaining mileage for a means of locomotion to be assessed.
In Hinblick auf das Flottenmanagement, z.B. von Leasingfirmen, aber auch für Händler, Hersteller oder Versicherer, ist die Ermittlung der erwarteten Restlebensdauer oder Restlaufleistung von Fortbewegungsmitteln von großer Bedeutung. Insbesondere für Kraftfahrzeuge, z.B. Personenkraftwagen oder Nutzfahrzeuge, ist die Restlebensdauer oder Restlaufleistung für diverse Vorgänge eine relevante Größe.With regard to fleet management, e.g. of leasing companies, but also for dealers, manufacturers or insurers, the determination of the expected remaining service life or remaining mileage of means of transport is of great importance. In particular for motor vehicles, e.g. passenger cars or commercial vehicles, the remaining service life or remaining mileage is a relevant variable for various processes.
Derzeit erfolgt die Schätzung der erwarteten Restlebensdauer oder der erwarteten Restlaufleistung z.B. auf Basis von Zulassungsdaten des Kraftfahrt-Bundesamts.The estimated remaining service life or the expected remaining mileage is currently being estimated, e.g. on the basis of registration data from the Federal Motor Transport Authority.
Im Rahmen einer prädiktiven Instandhaltung (engl.: Predictive Maintenance) gibt es Ansätze, Prognosen über die Lebensdauer von einzelnen Komponenten einer Maschine, z.B. eines Kraftfahrzeugs, auf Grundlage von historischen sowie in Echtzeit verfügbaren Daten zu treffen. Anhand dieser Prognosen erfolgt eine Abschätzung, wann eine Wartung der Maschine durchgeführt werden sollte.In the context of predictive maintenance, there are approaches to make forecasts about the service life of individual components of a machine, e.g. a motor vehicle, on the basis of historical and real-time data. These forecasts are used to estimate when maintenance of the machine should be carried out.
In diesem Zusammenhang beschreibt
Mit dem Ziel einer Erhöhung der Lebensdauer eines Kraftfahrzeugs gibt es Ansätze, den aufgrund der Fahrweise und der Fahrbedingungen auftretenden Verschleiß von Komponenten eines Kraftfahrzeugs zu überwachen und bei Bedarf geeignete Maßnahmen zu veranlassen.With the aim of increasing the service life of a motor vehicle, there are approaches to monitor the wear of components of a motor vehicle that occurs due to the driving style and driving conditions and to initiate suitable measures if necessary.
Beispielsweise beschreibt
Für die Bestimmung eines Fahrzeugwertes, z.B. als Grundlage für die Berechnung von Versicherungsprämien oder eines Wiederverkaufspreises, wird oftmals lediglich auf das Fahrzeugalter und die bisherige Laufleistung abgestellt. Es gibt aber auch Ansätze, den bisherigen Verschleiß bzw. den aktuellen Gesundheitszustand des Fahrzeugs zu berücksichtigen.When determining a vehicle value, e.g. as a basis for calculating insurance premiums or a resale price, the vehicle age and the previous mileage are often used as a basis. However, there are also approaches to take into account the previous wear and tear or the current state of health of the vehicle.
In diesem Zusammenhang beschreibt
Es ist eine Aufgabe der vorliegenden Erfindung, Lösungen für eine verbesserte Ermittlung einer erwarteten Restlebensdauer oder einer erwarteten Restlaufleistung für ein zu bewertendes Fortbewegungsmittel bereitzustellen.It is an object of the present invention to provide solutions for an improved determination of an expected remaining service life or an expected remaining mileage for a means of transport to be assessed.
Diese Aufgabe wird durch ein Verfahren mit den Merkmalen des Anspruchs 1, durch ein Computerprogramm mit Instruktionen mit den Merkmalen des Anspruchs 9 und durch eine Vorrichtung mit den Merkmalen des Anspruchs 10 gelöst. Bevorzugte Ausgestaltungen der Erfindung sind Gegenstand der abhängigen Ansprüche.This object is achieved by a method with the features of claim 1, by a computer program with instructions with the features of claim 9 and by a device with the features of claim 10. Preferred embodiments of the invention are the subject of the dependent claims.
Gemäß einem ersten Aspekt der Erfindung umfasst ein Verfahren zum Ermitteln einer erwarteten Restlebensdauer oder einer erwarteten Restlaufleistung für ein zu bewertendes Fortbewegungsmittel die Schritte:
- - Empfangen von nutzungsbezogenen Daten und lebensdauerbezogenen Daten für eine Vielzahl von Fortbewegungsmitteln;
- - Trainieren eines Algorithmus des maschinellen Lernens mit den empfangenen nutzungsbezogenen Daten und lebensdauerbezogenen Daten;
- - Empfangen von nutzungsbezogenen Daten für das zu bewertende Fortbewegungsmittel; und
- - Anwenden des trainierten Algorithmus auf die empfangenen nutzungsbezogenen Daten für das zu bewertende Fortbewegungsmittel zum Ermitteln einer erwarteten Restlebensdauer oder einer erwarteten Restlaufleistung für das zu bewertende Fortbewegungsm ittel.
- - Receiving usage-related data and life-time-related data for a variety of means of transport;
- - training a machine learning algorithm with the received usage-related data and lifetime-related data;
- - Receiving usage-related data for the means of transport to be assessed; and
- - Applying the trained algorithm to the received usage-related data for the means of transport to be assessed to determine an expected remaining service life or an expected remaining mileage for the means of transport to be assessed.
Gemäß einem weiteren Aspekt der Erfindung umfasst ein Computerprogramm Instruktionen, die bei Ausführung durch einen Computer den Computer zur Ausführung der folgenden Schritte zum Ermitteln einer erwarteten Restlebensdauer oder einer erwarteten Restlaufleistung für ein zu bewertendes Fortbewegungsmittel veranlassen:
- - Empfangen von nutzungsbezogenen Daten und lebensdauerbezogenen Daten für eine Vielzahl von Fortbewegungsmitteln;
- - Trainieren eines Algorithmus des maschinellen Lernens mit den empfangenen nutzungsbezogenen Daten und lebensdauerbezogenen Daten;
- - Empfangen von nutzungsbezogenen Daten für das zu bewertende Fortbewegungsmittel; und
- - Anwenden des trainierten Algorithmus auf die empfangenen nutzungsbezogenen Daten für das zu bewertende Fortbewegungsmittel zum Ermitteln einer erwarteten Restlebensdauer oder einer erwarteten Restlaufleistung für das zu bewertende Fortbewegungsm ittel.
- - Receiving usage-related data and life-time-related data for a variety of means of transport;
- - training a machine learning algorithm with the received usage-related data and lifetime-related data;
- - Receiving usage-related data for the means of transport to be assessed; and
- - Applying the trained algorithm to the received usage-related data for the means of transport to be assessed to determine an expected remaining service life or an expected remaining mileage for the means of transport to be assessed.
Der Begriff Computer ist dabei breit zu verstehen. Insbesondere umfasst er auch Workstations, verteilte Systeme und andere prozessorbasierte Datenverarbeitungsvorrichtungen.The term computer is to be understood broadly. In particular, it also includes workstations, distributed systems and other processor-based data processing devices.
Das Computerprogramm kann beispielsweise für einen elektronischen Abruf bereitgestellt werden oder auf einem computerlesbaren Speichermedium gespeichert sein.The computer program can, for example, be provided for electronic retrieval or can be stored on a computer-readable storage medium.
Gemäß einem weiteren Aspekt der Erfindung weist eine Vorrichtung zum Ermitteln einer erwarteten Restlebensdauer oder einer erwarteten Restlaufleistung für ein zu bewertendes Fortbewegungsmittel auf:
- - ein Empfangsmodul zum Empfangen von nutzungsbezogenen Daten und lebensdauerbezogenen Daten für eine Vielzahl von Fortbewegungsmitteln und zum Empfangen von nutzungsbezogenen Daten für das zu bewertende Fortbewegungsmittel;
- - ein Trainingsmodul zum Trainieren eines Algorithmus des maschinellen Lernens mit den empfangenen nutzungsbezogenen Daten und lebensdauerbezogenen Daten für die Vielzahl von Fortbewegungsmitteln; und
- - ein Auswertemodul zum Ermitteln einer erwarteten Restlebensdauer oder einer erwarteten Restlaufleistung für das zu bewertende Fortbewegungsmittel durch Anwenden des trainierten Algorithmus auf die empfangenen nutzungsbezogenen Daten für das zu bewertende Fortbewegungsmittel.
- a receiving module for receiving usage-related data and service life-related data for a multiplicity of means of transport and for receiving usage-related data for the means of transport to be assessed;
- a training module for training a machine learning algorithm with the received usage-related data and life-time-related data for the plurality of means of locomotion; and
- - An evaluation module for determining an expected remaining service life or an expected remaining mileage for the means of transport to be evaluated by applying the trained algorithm to the received usage-related data for the means of transport to be evaluated.
Bei der erfindungsgemäßen Lösung erfolgt eine Beobachtung und Speicherung diverser Parameter von Fortbewegungsmitteln, z.B. Fahrzeugen wie Personenkraftwagen und Nutzfahrzeugen, über die Lebensdauer der Fortbewegungsmittel. Auf diese Weise wird eine umfassende Datenbasis für eine Schätzung der Zielgrößen aufgebaut. Die Schätzung fällt daher im Vergleich zu aktuellen Ansätzen, die z.B. auf Zulassungsdaten des Kraftfahrt-Bundesamts basieren, deutlich genauer aus. Die konkrete Berechnung erfolgt mit Methoden der Big Data Analyse und des maschinellen Lernens. Die für diese Ansätze erforderlichen Rechenparameter resultieren aus der Beobachtung möglichst vieler Fortbewegungsmittel. Bei der erfindungsgemäßen Lösung werden, im Vergleich zu bisherigen Verfahren, deutlich mehr Informationen erfasst. Ermöglicht wird dies über besser zugängliche Fahrzeugdaten, die z.B. von Fahrzeugdiagnosesystemen bereitgestellt werden, die Fahrzeugvernetzung sowie cloudbasierte Lösungen für die Datenspeicherung und die Datenanalyse.In the solution according to the invention, various parameters of means of transport, for example vehicles such as passenger cars and utility vehicles, are monitored and stored over the service life of the means of transport. In this way, a comprehensive database for estimating the target values is built up. The estimate is therefore much more accurate compared to current approaches, which are based, for example, on registration data from the Federal Motor Transport Authority. The concrete calculation is carried out using methods of big data analysis and machine learning. The calculation parameters required for these approaches result from the observation of as many means of transport as possible. With the solution according to the invention, significantly more information is recorded compared to previous methods. This is made possible through more accessible vehicle data, e.g. provided by vehicle diagnostic systems, vehicle networking and cloud-based solutions for data storage and data analysis.
Für ein erfolgreiches maschinelles Lernen muss eine ausreichend große bzw. möglichst große Menge beobachteter Vergleichsinformationen von Vergleichsfahrzeugen mit ähnlichen fahrzeugspezifischen Grundeigenschaften vorliegen, d.h. für eine verlässliche Schätzung wird eine große Menge an Beobachtungsdaten basierend auf einer möglichst großen Flotte von vergleichbaren Fortbewegungsmitteln benötigt. Eine Spezialisierung für einzelne Modelle ist daher unter Umständen erst nach einer gewissen Einführungsphase möglich. Dieses Problem kann reduziert werden, indem zunächst ein generisches oder herstellerabhängiges Modell verwendet wird, bis ausreichend spezifische Daten für ein bestimmtes Modell vorliegen.For machine learning to be successful, a sufficiently large or as large as possible amount of observed comparative information from comparison vehicles with similar vehicle-specific basic properties must be available, i.e. a large amount of observation data based on the largest possible fleet of comparable means of transport is required for a reliable estimate. Specialization for individual models may therefore only be possible after a certain introductory phase. This problem can be reduced by first using a generic or vendor-dependent model until there is enough specific data for a particular model.
Gemäß einem Aspekt der Erfindung basiert der Algorithmus des maschinellen Lernens auf überwachtem Lernen. Das vorliegend zu lösende Problem lässt sich als Regressionsproblem darstellen, sodass überwachtes Lernen gut zur Lösung des Problems geeignet ist. Da die Anzahl der beobachteten Parameter sehr groß sein kann und die Relevanz der beobachteten Verläufe der einzelnen Parameter über die Zeit a priori nicht bekannt ist, können z.B. künstliche neuronale Netze zur Lösung des Regressionsproblems eingesetzt werden.According to one aspect of the invention, the machine learning algorithm is based on supervised learning. The problem to be solved here can be represented as a regression problem, so that supervised learning is well suited to solving the problem. Since the number of observed parameters can be very large and the relevance of the observed courses of the individual parameters over time is not known a priori, artificial neural networks, for example, can be used to solve the regression problem.
Gemäß einem Aspekt der Erfindung umfassen die nutzungsbezogenen Daten für ein Fortbewegungsmittel Daten zur Fahrweise und/oder Daten zu klimatischen Bedingungen und/oder Daten zu einer Beladung des Fortbewegungsmittels. Die erwartete Restlebensdauer und Restlaufleistung eines Fahrzeugs hängt von diversen Parametern ab. Zu den Faktoren mit großem Einfluss zählen unter anderem die Fahrweise, die Umgebungsbedingungen des Einsatzes eines Fahrzeugs, insbesondere die klimatischen Bedingungen, und die Beladung. Aus der Beobachtung geeigneter Sensordaten lassen sich Rückschlüsse über die genannten Faktoren ermitteln. Geeignete Daten in Bezug auf die Fahrweise sind z.B. der Kilometerstand, die Dauer von Standzeiten, die Anzahl an Start/Stopp-Zyklen, die Anzahl an Schaltvorgängen, die Beschleunigung, die Geschwindigkeit oder Drehzahl, die Öltemperatur, das Einhalten der Inspektionsintervalle, die Parkgewohnheiten, d.h. wird das Fahrzeug draußen oder überdacht bzw. in einer Garage geparkt, die typischen Streckenlängen oder die genutzten Straßenklassen. Zwar sind die Parkgewohnheiten direkt nur schwer beobachtbar, allerdings können indirekt über das Hinzuziehen standortbezogener allgemeiner Wetterdaten relevante Information indirekt abgeleitet werden.According to one aspect of the invention, the usage-related data for a means of transport include data on the driving style and / or data on climatic conditions and / or data on a loading of the means of transport. The expected remaining service life and remaining mileage of a vehicle depends on various parameters. The factors with a major influence include the driving style, the environmental conditions in which a vehicle is used, in particular the climatic conditions, and the load. Conclusions about the factors mentioned can be determined from the observation of suitable sensor data. Suitable data in relation to the driving style are e.g. the mileage, the duration of downtimes, the number of start / stop cycles, the number of gear changes, the acceleration, the speed or engine speed, the oil temperature, compliance with the inspection intervals, the parking habits, ie the vehicle is parked outside or covered or in a garage, the typical route lengths or the street classes used. It is true that parking habits are difficult to observe directly, but relevant information can be derived indirectly by using location-related general weather data.
Geeignete Daten in Bezug auf die Umgebungsbedingungen sind z.B. die Außentemperatur und die Innentemperatur, die Sonneneinstrahlung, die z.B. über einen Helligkeitssensor erfasst werden kann, oder das Fahren bei Regen oder Schnee, was aus den Betriebsdaten der Scheibenwischer und der Außentemperatur abgeleitet werden kann.Suitable data with regard to the ambient conditions are e.g. the outside temperature and the inside temperature, the solar radiation, which can e.g. be detected by a brightness sensor, or driving in rain or snow, which can be derived from the operating data of the windshield wipers and the outside temperature.
Geeignete Daten in Bezug auf die Beladung sind z.B. die Daten einer Höhenstandssensorik, aus denen die Beladung abgeleitet werden kann, sowie Daten zu einer anliegenden Last.Suitable data in relation to the load are, for example, the data from a level sensor system, from which the load can be derived, as well as data on an applied load.
Gemäß einem Aspekt der Erfindung werden zusätzlich statische Parameter empfangen und für das Trainieren des Algorithmus und das Anwenden des Algorithmus zum Ermitteln der erwarteten Restlebensdauer oder der erwarteten Restlaufleistung verwendet. Die statischen Parameter können z.B. Daten zu einem Herstellungszeitpunkt oder Baujahr des Fortbewegungsmittels und/oder Informationen zu im Fortbewegungsmittel verbauten Komponenten und/oder Informationen zu Eigenschaften von im Fortbewegungsmittel genutzten Materialien umfassen. Die erwartete Restlebensdauer und Restlaufleistung eines Fahrzeugs hängt neben den bereits oben angeführten Parametern maßgeblich auch von fahrzeugspezifischen Eigenschaften ab, wie z.B. dem Herstellungszeitpunkt oder Baujahr des Fahrzeugs, den verbauten Komponenten oder der Qualität der für den Fahrzeugbau eingesetzten Materialien. Auch solche Parameter werden vorzugsweise bei der Schätzung berücksichtigt werden. Sinnvolle Informationen sind hier beispielsweise die Farbe, z.B. in Bezug auf Rost, die Motorisierung, Informationen zu den verbauten Komponenten und das Baujahr.According to one aspect of the invention, static parameters are additionally received and used for training the algorithm and for applying the algorithm to determine the expected remaining service life or the expected remaining mileage. The static parameters can include, for example, data on a production time or year of construction of the means of transport and / or information on components built into the means of transport and / or information on properties of materials used in the means of transport. The expected remaining service life and remaining mileage of a vehicle depends, in addition to the parameters already listed above, to a large extent on vehicle-specific properties, such as the date of manufacture or year of construction of the vehicle, the components installed or the quality of the materials used for vehicle construction. Such parameters are also preferably taken into account in the estimation. Useful information here is, for example, the color, e.g. in relation to rust, the engine, information about the installed components and the year of construction.
Gemäß einem Aspekt der Erfindung werden die nutzungsbezogenen Daten und/oder die lebensdauerbezogenen Daten fortlaufend vom Fortbewegungsmittel übermittelt oder im Fortbewegungsmittel gespeichert und zu einem späteren Zeitpunkt übermittelt. Für die erfindungsgemäße Lösung müssen die genannten Daten für eine möglichst große Fahrzeugflotte gesammelt werden. Die Übertragung der Daten an ein Backend, z.B. einen cloudbasierten Service, erfolgt vorzugsweise über das mobile Internet. Alternativ oder ergänzend ist aber auch zunächst eine lokale Datenspeicherung im Fahrzeug möglich. Für eine Auswertung kann dann entweder ein kabelgebundenes Auslesegerät angeschlossen werden, z.B. im Rahmen einer Inspektion, oder die Daten können auf ein mobiles Speichermedium übertragen werden, z.B. eine SD-Karte. Zudem können die Daten zumindest teilweise auch von fahrzeugexternen Quellen bezogen werden, z.B. vom Fahrzeughersteller, Werkstätten oder Verwaltungsstellen. Die Fahrzeughersteller öffnen sich aber auch zunehmend einer breiteren Zurverfügungstellung der relevanten Fahrzeugdaten. Diese werden teilweise bereits über herstellerneutrale Datenplattformen angeboten [1][2]. Eine besonders wichtigste lebensdauerbezogene Information ist der Zeitpunkt der Außerinbetriebnahme bzw. finalen Verwertung. Dieser kann eher nicht direkt vom Fahrzeug selber übermittelt werden, kann aber indirekt ermittelt werden, z.B. bei expliziter Abmeldung des Fahrzeugs vom (Daten-)Service. Ebenso kann die Außerinbetriebnahme indirekt abgeleitet werden, wenn ein Fahrzeug für einen längeren Zeitraum keine Daten mehr sendet.According to one aspect of the invention, the usage-related data and / or the service life-related data are continuously transmitted by the means of transport or are stored in the means of transport and transmitted at a later point in time. For the solution according to the invention, the data mentioned must be collected for the largest possible vehicle fleet. The data is preferably transmitted to a backend, e.g. a cloud-based service, via the mobile Internet. Alternatively or in addition, local data storage in the vehicle is also initially possible. For an evaluation, either a wired readout device can be connected, e.g. as part of an inspection, or the data can be transferred to a mobile storage medium, e.g. an SD card. In addition, the data can at least partially be obtained from sources external to the vehicle, e.g. from the vehicle manufacturer, workshops or administrative offices. However, the vehicle manufacturers are also increasingly opening up to a broader availability of the relevant vehicle data. Some of these are already offered on manufacturer-neutral data platforms [1] [2]. A particularly important service life-related information is the time of decommissioning or final recycling. This cannot be transmitted directly from the vehicle itself, but can be determined indirectly, e.g. when the vehicle is explicitly de-registered from the (data) service. The decommissioning can also be derived indirectly if a vehicle does not send any data for a longer period of time.
Gemäß einem Aspekt der Erfindung werden mittels einer Massendaten-Analyse Rückschlüsse für eine Verbesserung von verbauten Komponenten oder für eine Verbesserung der Produktion der Fortbewegungsmittel gezogen. Durch die Massendaten-Analyse können Herstellungsprobleme bei einem Fahrzeughersteller frühzeitig erkannt werden, sodass seitens des Fahrzeugherstellers geeignete Maßnahmen zur Qualitätssicherung ergriffen werden können.According to one aspect of the invention, by means of a mass data analysis, conclusions are drawn for an improvement in built-in components or for an improvement in the production of the means of transport. Through the mass data analysis, manufacturing problems at a vehicle manufacturer can be identified at an early stage, so that the vehicle manufacturer can take suitable quality assurance measures.
Gemäß einem Aspekt der Erfindung wird auf Basis der erwarteten Restlebensdauer oder der erwarteten Restlaufleistung ein Zeitpunkt für einen Verkauf des zu bewertenden Fortbewegungsmittels bestimmt. Die ermittelten Werte erlauben es, einen geeigneten Zeitpunkt für einen Fahrzeugverkauf zu bestimmen. Ebenso kann eine Wertermittlung erfolgen, die beispielsweise als Verkaufsargument bei einem Fahrzeugverkauf genutzt werden kann.According to one aspect of the invention, a point in time for a sale of the means of transport to be assessed is determined on the basis of the expected remaining service life or the expected remaining mileage. The determined values make it possible to determine a suitable point in time for a vehicle sale. A valuation can also take place, which can be used, for example, as a sales argument when selling a vehicle.
Vorzugsweise wird ein erfindungsgemäßes Verfahren oder eine erfindungsgemäße Vorrichtung in einem Backend eines Fahrzeugherstellers oder eines beauftragten Dienstleisters eigesetzt. Nutznießer der ermittelten Werte können neben dem Fahrzeughersteller z.B. Leasingfirmen, Fahrzeughändler, Zulieferer oder Fahrzeugversicherer sein.A method according to the invention or a device according to the invention is preferably used in a back end of a vehicle manufacturer or a commissioned service provider. In addition to the vehicle manufacturer, the beneficiaries of the determined values can be, for example, leasing companies, vehicle dealers, suppliers or vehicle insurers.
Weitere Merkmale der vorliegenden Erfindung werden aus der nachfolgenden Beschreibung und den angehängten Ansprüchen in Verbindung mit den Figuren ersichtlich.Further features of the present invention will become apparent from the following description and the appended claims in conjunction with the figures.
FigurenlisteFigure list
-
1 zeigt schematisch ein Verfahren zum Ermitteln einer erwarteten Restlebensdauer oder einer erwarteten Restlaufleistung für ein zu bewertendes Fortbewegungsmittel;1 shows schematically a method for determining an expected remaining service life or an expected remaining mileage for a means of transport to be assessed; -
2 zeigt schematisch eine erste Ausführungsform einer Vorrichtung zum Ermitteln einer erwarteten Restlebensdauer oder einer erwarteten Restlaufleistung für ein zu bewertendes Fortbewegungsmittel;2 shows schematically a first embodiment of a device for determining an expected remaining service life or an expected remaining mileage for a means of transport to be assessed; -
3 zeigt schematisch eine zweite Ausführungsform einer Vorrichtung zum Ermitteln einer erwarteten Restlebensdauer oder einer erwarteten Restlaufleistung für ein zu bewertendes Fortbewegungsmittel; und3 shows schematically a second embodiment of a device for determining an expected remaining service life or an expected remaining mileage for a means of transport to be assessed; and -
4 zeigt schematisch ein Systemkonzept der erfindungsgemäßen Lösung.4th shows schematically a system concept of the solution according to the invention.
FigurenbeschreibungFigure description
Zum besseren Verständnis der Prinzipien der vorliegenden Erfindung werden nachfolgend Ausführungsformen der Erfindung anhand der Figuren detaillierter erläutert. Gleiche Bezugszeichen werden in den Figuren für gleiche oder gleichwirkende Elemente verwendet und nicht notwendigerweise zu jeder Figur erneut beschrieben. Es versteht sich, dass sich die Erfindung nicht auf die dargestellten Ausführungsformen beschränkt und dass die beschriebenen Merkmale auch kombiniert oder modifiziert werden können, ohne den Schutzbereich der Erfindung zu verlassen, wie er in den angehängten Ansprüchen definiert ist.For a better understanding of the principles of the present invention, embodiments of the invention are explained in more detail below with reference to the figures. The same reference symbols are used in the figures for elements that are the same or have the same effect and are not necessarily described again for each figure. It goes without saying that the invention is not restricted to the illustrated embodiments and that the features described can also be combined or modified without departing from the scope of protection of the invention as defined in the appended claims.
Das Empfangsmodul
Der Prozessor
Die Speicher
Idealerweise werden Daten ND, LD, SP für eine möglichst große Fahrzeugflotte gesammelt. Ein Zugriff auf die Daten kann z.B. mit Hilfe einer fahrzeugseitig durch den Hersteller verbauten Hardware- oder Software-Komponente
Die Berechnung bzw. Approximation der erwarteten Restlebensdauer bzw. der erwarteten Restlaufzeit erfolgt mit Methoden der Big Data Analyse und des maschinellen Lernens auf Basis der gesammelten Stichprobendaten. Diese Methoden erlauben u.a. das automatische Lernen von Zusammenhängen. Beispielsweise kann erkannt werden, dass Fahrzeuge eines bestimmten Herstellers in einer bestimmten Fahrzeugfarbe und einem Baujahr innerhalb eines bestimmten Intervalls eine verkürzte Lebenserwartung haben, z.B. aufgrund einer mangelhaften Grundierung. Derartige Zusammenhänge lassen sich ohne eine Massendaten-Analyse kaum erkennen.The calculation or approximation of the expected remaining service life or the expected remaining service life is carried out using methods of big data analysis and machine learning on the basis of the collected sample data. These methods allow, among other things, the automatic learning of contexts. For example, it can be recognized that vehicles from a certain manufacturer in a certain vehicle color and year of construction have a shortened life expectancy within a certain interval, e.g. due to a poor primer. Such relationships can hardly be recognized without a mass data analysis.
Referenzencredentials
- [1] https://www.caruso-dataplace.com/[1] https://www.caruso-dataplace.com/
- [2] https://otonomo.io/[2] https://otonomo.io/
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 102017200274 A1 [0005]DE 102017200274 A1 [0005]
- DE 102008049754 A1 [0007]DE 102008049754 A1 [0007]
- DE 102009038680 A1 [0009]DE 102009038680 A1 [0009]
Claims (10)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102020204607.7A DE102020204607A1 (en) | 2020-04-09 | 2020-04-09 | Determination of a remaining service life or a remaining mileage for a means of transport |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102020204607.7A DE102020204607A1 (en) | 2020-04-09 | 2020-04-09 | Determination of a remaining service life or a remaining mileage for a means of transport |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| DE102020204607A1 true DE102020204607A1 (en) | 2021-10-14 |
Family
ID=77851520
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| DE102020204607.7A Ceased DE102020204607A1 (en) | 2020-04-09 | 2020-04-09 | Determination of a remaining service life or a remaining mileage for a means of transport |
Country Status (1)
| Country | Link |
|---|---|
| DE (1) | DE102020204607A1 (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102022204577A1 (en) | 2022-05-10 | 2023-11-16 | Magna powertrain gmbh & co kg | Method for generating vehicle value information |
| DE102022207418A1 (en) * | 2022-07-20 | 2024-01-25 | Volkswagen Aktiengesellschaft | Component wear detection in an autonomous vehicle fleet with swarm data and selection of the application scenario of an individual vehicle |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102008049754A1 (en) | 2008-09-30 | 2010-04-08 | Continental Automotive Gmbh | Method and device for wear diagnosis of a motor vehicle |
| DE102009038680A1 (en) | 2008-08-26 | 2010-05-27 | GM Global Technology Operations, Inc., Detroit | System and method for calculating a vehicle health index from composite data |
| DE102017200274A1 (en) | 2017-01-10 | 2018-07-12 | Zf Friedrichshafen Ag | Method for determining the life of components |
-
2020
- 2020-04-09 DE DE102020204607.7A patent/DE102020204607A1/en not_active Ceased
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102009038680A1 (en) | 2008-08-26 | 2010-05-27 | GM Global Technology Operations, Inc., Detroit | System and method for calculating a vehicle health index from composite data |
| DE102008049754A1 (en) | 2008-09-30 | 2010-04-08 | Continental Automotive Gmbh | Method and device for wear diagnosis of a motor vehicle |
| DE102017200274A1 (en) | 2017-01-10 | 2018-07-12 | Zf Friedrichshafen Ag | Method for determining the life of components |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102022204577A1 (en) | 2022-05-10 | 2023-11-16 | Magna powertrain gmbh & co kg | Method for generating vehicle value information |
| DE102022207418A1 (en) * | 2022-07-20 | 2024-01-25 | Volkswagen Aktiengesellschaft | Component wear detection in an autonomous vehicle fleet with swarm data and selection of the application scenario of an individual vehicle |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DE102008049754A1 (en) | Method and device for wear diagnosis of a motor vehicle | |
| DE102009038680A1 (en) | System and method for calculating a vehicle health index from composite data | |
| DE102018106356A1 (en) | METHOD AND SYSTEMS FOR CHECKING VEHICLE BRAKING SYSTEMS | |
| DE102018212629A1 (en) | Procedure for determining road conditions | |
| DE102017207014A1 (en) | Method for collecting data | |
| DE102017206071A1 (en) | SYSTEM AND METHOD FOR DETERMINING A CONDITION OF A VEHICLE BATTERY | |
| DE102014219407A1 (en) | Diagnostic procedures and survey methods for vehicles | |
| DE102015008353A1 (en) | Autonomous vehicle and method for organizing convoy trips | |
| DE102020204607A1 (en) | Determination of a remaining service life or a remaining mileage for a means of transport | |
| DE102018217190A1 (en) | Method and system for providing a coefficient of friction information for a traffic area section | |
| DE102014114202A1 (en) | Method for predicting a breakdown and / or a need for repair and / or maintenance | |
| DE102015213108A1 (en) | Method and system for evaluating the driving style of a vehicle driver with a motor vehicle | |
| DE102021100791A1 (en) | Method for determining training data for model improvement and data processing apparatus | |
| DE102020001154A1 (en) | Method for operating a vehicle | |
| DE102019000617A1 (en) | Method for automatically detecting at least one traffic incident on a route of a vehicle, navigation system for carrying out such a method, and vehicle having such a navigation system | |
| DE112019004524T5 (en) | CENTRAL DEVICE, REPROGRAMMING DATA DISTRIBUTION SYSTEM AND REPROGRAMMING DATA DISTRIBUTION PLANNING PROGRAM | |
| DE102016014505A1 (en) | Method and system for finding a free parking space for a motor vehicle | |
| DE102020002997A1 (en) | Method for predicting a probability of at least one free parking space for motor vehicles in a rest area, as well as parking space prediction system | |
| DE102018217192A1 (en) | Method and system for providing a coefficient of friction information to a vehicle | |
| DE102022121316A1 (en) | Method for an electrically driven motor vehicle for dynamically reserving a charging point of a charging station comprising several charging points, computer program, data processing device for a motor vehicle, motor vehicle, method for a server, server data processing device and server | |
| DE112022005773T5 (en) | DATA COLLECTION DEVICE, DATA COLLECTION METHOD, DATA COLLECTION PROGRAM, MONITORING DEVICE AND DATA COLLECTION SYSTEM | |
| DE102019002594A1 (en) | Method for updating an optimal route guidance | |
| DE102016226055A1 (en) | A method, apparatus and computer readable storage medium having instructions for configuring a motor vehicle for a customer, a method of manufacturing a motor vehicle for a customer | |
| DE102023205824B3 (en) | Method for generating an adaptation data set for adapting a target parameter for an electronic distance control system of a vehicle | |
| EP4584653B1 (en) | Method for determining a wear indicator for a vehicle, and vehicle |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| R012 | Request for examination validly filed | ||
| R016 | Response to examination communication | ||
| R002 | Refusal decision in examination/registration proceedings | ||
| R003 | Refusal decision now final |