Im Rahmen des Einsatzes von Fahrzeugen für anspruchsvolle Aufgabenstellungen ergaben sich unter anderem Probleme bezüglich der Belastung über vorgegebene Grenzen hinweg sowie Schwierigkeiten bei der Erkennung und Behebung von systematischen Fehlern und bei der Einführung einer bedarfsorientierten Wartung.
Aus Vorgenanntem ergaben sich Anforderungen zur Entwicklung eines autarken Systems, welches einfach an unterschiedliche Fahrzeuge adaptierbar ist und durch einen konsequenten strukturierten Aufbau in Hard- und Software speziellen Anforderungen genügt und welches kostengünstig und zuverlässig einsetzbar ist.

TROUT entwickelte und erprobte hierzu ein Vehicle Data Analysing System, kurz VeDAS im Auftrag der Rheinmetall Landsysteme GmbH.

Es dient zur automatischen Erfassung von Fahrzeugdaten und deren Auswertung. Die Kommunikation zu dem zugehörigen Auswertesystem erfolgt per mobilem Speichermedium oder per drahtloser Kommunikation schnell und sicher (safety & security).


Zu den detektierten Daten gehören die vom Fahrzeug erfahrenen Beschleunigungen und Vibrationen sowie dessen Lage. Zudem werden Geschwindigkeit und zurückgelegte Distanz erfasst. Um mögliche Umwelteinflüsse zu berücksichtigen, werden Temperatur und Luftfeuchtigkeit ermittelt. Zusätzlich liefert ein Körperschallmikrofon Aufschluss über den Betriebszustand des überwachten Fahrzeugs. Darüber hinaus können über eine CAN-Bus-Schnittstelle Daten, die beispielsweise ein Motorsteuergerät liefert, in Betracht gezogen werden.
Neben der Fahrzeugdatenerfassung verfügt VeDAS über eine Logbuchfunktion zur Dokumentation der Wartungstätigkeiten. Hier werden für die eingetragenen Fahrzeugbaugruppen Wartungsintervalle und Fristen vermerkt.

Struktur der Auswertesoftware

Über das Drop-Down-Menu „Fahrzeug“ wählt der Nutzer das gewünschte Fahrzeug aus, für welches im Vorfeld Daten aufgenommen wurden. Die folgenden Tabs enthalten dann die Fahrzeugdaten und die Möglichkeit diese auszuwerten.

  • Fahrzeugdaten: Anlegen und modifizieren von Fahrzeugstammdaten, Zusammenfassung über alle Fahrzeugdaten, graphische Darstellung Gelände/Straßenanteil
  • Nutzungsprofil: Auswerten der Fahrzeugdaten nach auswählbarem Zeitraum.
  • Graphische Darstellung: Fahrstrecke des Fahrzeugs, graphische Darstellung der Fahrzeugdaten, Körperschall, Stoßdiagramm
  • Baugruppen: Organisation der zustandsüberwachten Bauteile
  • Einstellungen: Spracheinstellung, Verzeichnisse, Export-Einstellungen, Festlegen der Grenzwerte und Korrekturfaktoren.
  • VeDAS-Datentransfer: Konfiguration des VeDAS-Datensticks, Datenimport vom Datenstick.
  • Unter Stammdaten finden sich fahrzeugspezifische Identifikationsnummern und Kennungen sowie das Datum für die letzte Wartung, die nächste Wartung und den letzten Datenimport.

Graphische Darstellung

Im Bereich Konfiguration werden für die „Graphische Darstellung“ das Kartenmaterial und die Route aufgerufen.
Ist eine entsprechende Karte geladen, werden die in der Route vorhandenen GPS-Daten auf diese Karte übertragen. Der Nutzer kann so den Kurs des Fahrzeugs nachverfolgen.
Die Markierungen auf der Karte signalisieren anhand ihrer Farbe die Geschwindigkeit oder andere Parameter, je nach Bedienerauswahl.
Jede Markierung auf der Karte ist vom Nutzer anwählbar, um zusätzlich Informationen wie Temperatur und Luftfeuchtigkeit zu erhalten. Zudem kann der Nutzer einen Zeitrahmen um diesen Punkt wählen, um in den Tab „Graphische Auswertung“ zu wechseln und den Bereich um diesen Punkt herum zu analysieren.

Unter Kategorien „Anzeigen“ kann der Nutzer die im Diagramm darzustellenden Messdaten auswählen.

Machine Learning
Eine Abfolge von Werten oder Daten wird hier als Zeitreihe betrachtet. Bei Beobachtungen von verschiedenen Zeitreihen wächst das Interesse, wie zukünftige Werte oder Ereignisse aussehen. Bei der bedarfsorientierten Wartung geben Sensoren in bestimmten zeitlichen Abständen Signale, welche mittels speziell entwickelter Verfahren verarbeitet werden, damit im Anschluss Aussagen über die zukünftige Entwicklung getroffen werden können. Eine sichere Prognose über die Zukunft ist zwar in der Regel nicht möglich, aber wendet man unterschiedliche Methoden an, können wie hier zeitliche Entwicklungen einigermaßen genau prognostiziert werden.
Unser Ansatz der Analyse multidimensionaler Zeitreihen erfolgt auf Basis tiefer neuronaler Netze (Deep Learning), um das komplexe technische System Fahrzeug adäquat abbilden zu können.
Neuronale Netze sind in der Lage, ohne Vorwissen nichtlineare Zusammenhänge zwischen Ein- und Ausgaben herzustellen, weshalb sie sich auch in diesem Bereich als Methode bewährt haben. Speziell setzen wir hier das Multilayer Perceptron (MLP) ein, es handelt sich um ein mehrschichtiges Feedforward-Netz (ffn).Die gewählte Methode der Zustandsüberwachung gibt nun die Wartungsintervalle vor und sichert die Verfügbarkeit des Fahrzeugs. In einer weiteren Ausbaustufe wird auch der Zeitpunkt für den nächsten Motorölwechsel bestimmt werden können. Aus den sensierten Daten lassen sich über komplexe Algorithmen Rückschlüsse auf den Alterungsprozess des eingesetzten Öls ziehen.

Referenzkunden: