废气后处理系统的操纵识别的计算机实现的方法和设备

技术领域

本发明涉及机动车的废气后处理系统以及尤其是用于废气后处理系统的操纵识别的方法。

背景技术

如今的用于脱氧（通过将尿素注入废气中来减少氮氧化物）的SCR废气后处理系统（SCR：Selective Catalytic Reduction（选择性催化还原））拥有法律规定的对对于无错误的运行来说重要的系统参数的监控（车载诊断）。在该车载诊断的框架内，通过控制器及其软件主要执行对重要的系统参数是否遵守物理上合理的极限值的合理性检查。这样，例如避免了不合理的废气温度值纳入对SCR运行策略的计算中。

对于其值根据SCR控制的不同调定量的组合所得到的系统固有参数来说，还检查在系统干预之后是否出现所预期的系统反应。这样，例如在所限定的条件下提高尿素剂量时，能预期到氮氧化物排放的减少，其通过氮氧化物传感器来测量。如果没有发生所预期的反应，则可以启动其它诊断功能，用于在组件层面的故障识别。

机动车中的技术装置可能以不允许的方式被操纵，以便实现对于驾驶员来说有利的运行。这样，可以操纵废气后处理装置，用于发动机系统的功率提高或者用于材料消耗、尤其是尿素的减少。这通过使用专业制造的并且程序复杂的SCR仿真器来实现。这些仿真器能够更改传感器值/目标值，诸如在车辆中的系统压力的传感器参量，使得SCR系统仅在有限程度上活跃或者完全不再活跃。由此，在车辆运行时，可以降低维护花费，并且在容忍氮氧化物排放增加的情况下可以节省加注尿素的成本。传统的诊断功能被经模拟的传感器信号所欺骗，这使得对操纵的识别变得困难。

通常，用于识别操纵的方法基于规则。基于规则的操纵监控方法的缺点在于：只有已知的操纵策略可以被识别或只有已知的操纵可以被拦截。因此，这种防御策略对于新型操纵来说没有辨别力。此外，将复杂的技术系统及其依赖关系在控制系统中考虑进去并且创建用于识别操纵的相对应的规则花费高。

例如，对于废气后处理装置来说，由于其动态特性，运行状态是各式各样的并且尤其是在很少出现的系统状态的情况下也许无法明确地与操纵的存在关联起来。

发明内容

按照本发明，提供了一种按照权利要求1所述的用于技术装置的操纵识别的计算机实现的方法以及一种按照并列独立权利要求所述的设备和一种按照并列独立权利要求所述的废气后处理系统。

其它的设计方案在从属权利要求中说明。

按照第一方面，提供了一种用于技术装置、尤其是机动车中的技术装置、尤其是废气后处理装置的操纵识别的计算机实现的方法，该方法具有如下步骤：

- 提供具有一个或多个系统参量和/或具有用于干预技术装置的至少一个调定量的运行参量的随时间的变化过程，这些随时间的变化过程分别对应于这些运行参量在连续时间步长期间的值的时间序列；

- 在每个当前的时间步长内使用基于数据的操纵识别模型，以便根据包括这些运行参量的至少一部分的输入参量来确定对应于这些运行参量的至少一部分的一个或多个输出参量，其中操纵识别模型包括具有第一循环神经网络的自编码器、具有第二循环神经网络的预测模型和评估模型，其中自编码器和预测模型的输出彼此组合并且然后被输送给评估模型，以便确定输出参量，其中操纵识别模型被训练用来根据这些运行参量的至少一部分的当前值来对输出参量的当前值进行建模；

- 根据输出参量中的每个输出参量的建模误差来识别异常；

- 根据所识别出的异常来识别操纵。

基于规则的操纵识别系统的缺点在于：只有已知的操纵策略可以被识别并且借此无法发现新型操纵技术。此外，操纵识别方法有缺陷，原因在于复杂的技术系统、如废气后处理系统无法完全基于规则被检测。

用于识别废气后处理系统的操纵的上述程序能够借助于基于数据的操纵识别模型来学习技术装置的正常行为并且将正常行为的偏差识别为操纵企图。为此，使用来自无监督学习（Unsupervised Learning）领域的方法，以基于所记录的来自一个或多个技术装置的运行数据来学习技术装置在正常状态下如何工作。在此，机器学习方法具有如下能力：独立识别所考虑的输入信号的对于所基于的任务来说重要的依赖关系和特性，而——除了对所使用的运行参量的选择之外——不必为此使用域知识。由于技术装置的正常行为被学习，所以也可以通过这种系统来识别新的并且到目前为止未知的操纵企图。

按照本发明的操纵识别方法基于运行参量的在技术装置运行时记录的变化过程。操纵识别模型在具有输入参量的相应当前值的连续时间步长内被使用，这些输入参量包括这些运行参量的至少一部分。这些运行参量可包括一个或多个传感器参量和/或一个或多个调定量，利用所述一个或多个传感器参量和/或所述一个或多个调定量来运行技术装置、尤其是废气后处理装置和上游的燃烧发动机。这些运行参量的变化过程中的至少一部分作为输入参量在自编码器中借助于第一循环神经网络来被预处理，并且然后例如通过一个或多个线性层（全连接层（Fully Connected Layer））来被进一步处理。循环神经网络例如可以被设计成LSTM（长短期记忆网络（Long short-term memory））或者GRU（门控循环单元（Gated recurrent unit））或者它们的变体，以便可以学习或考虑相关的运行参量变化过程的时间动态。

就本说明书而言的自编码器是指以自编码器为形式的神经网络架构。在这一点上，不同于常规的理解，也应该包括其中输入数据不同于自编码器的输出数据或其中自编码器不仅仅被设计或训练用于重建输入数据的神经网络。

自编码器还可以被设计成变分自编码器并且具有潜在特征空间，该潜在特征空间被设计成具有两个线性特征空间层，用于映射平均值向量和标准差向量，其中变分自编码器借助于正则化项来被训练，该正则化项在训练期间引起将这些特征空间层设计用于映射平均值向量和标准差向量。

变分自编码器大多被用作生成模型。为此，在训练中通过正则化系统来加强在潜在空间中的分布（大多是多元正态分布）。经此，有助于在潜在空间中存在连续性。例如，通过正则化系统可以实现正态分布。在此，潜在特征空间通过两个线性层（全连接层）来被实现，这两个线性层中的一个线性层表示平均值向量并且另一个线性层表示标准差。变分自编码器的优点在于：能预期在潜在空间中的被加强的连续性，使得在潜在空间中的“相似”输入点彼此“接近”。经此，应该实现：变分自编码器更好地泛化到看不见的数据。

还使用预测模型，该预测模型基于所提供的运行参量的至少一部分的运行参量变化过程来预测这些运行参量的随时间的发展或随时间的变化过程。预测模型包括第二循环网络，该第二循环网络在输出侧还可以与一个或多个线性层（全连接层）耦合。在此，这些运行参量变化过程只到当前的时间步长的前一个时间步长为止被用作输入参量，也就是说在自编码器获得在当前的时间步长的输入参量期间，预测模型获得这些输入参量在前一个时间步长的值。

尤其是，在每个当前的时间步长内都可以向自编码器输送这些输入参量中的第一输入参量的当前值并且向预测模型输送这些输入参量中的第二输入参量在前一个时间步长的值。

预测模型可以与操纵识别模型的其余组件一起被训练，使得该预测模型学习必须将什么组合成自编码器的输出，以便获得所希望的输出参量。输出参量由自编码器的输出以及预测模型把来自时间步长t-1中的什么“视为重要”所决定。可以相对应地规定：在每个当前的时间步长内都向自编码器输送这些输入参量的当前值并且向预测模型输送这些输入参量在前一个时间步长的值。

在第二循环网络之后的一个或多个串行连接的线性层对应于一个或多个全连接层，所述一个或多个全连接层的输出与变分自编码器的输出组合。

尤其可以将变分自编码器和预测模型的输出相加，并且使用具有一个或多个层的神经网络来处理结果，以便对这些运行参量的时间序列进行建模。另一种方法是通过连接将这些输出“链接在一起”。

对操纵识别模型的训练作为整体来被执行。在此，操纵识别模型的输出参量尤其是与比较参量一起并且与平均值和标准差一起纳入误差函数，这些比较参量至少部分地对应于输入参量或者从这些输入参量被推导出，或者这些比较参量根据回归方法来被建模，其中误差的一部分例如通过均方误差（Mean Squared Error）来被计算并且另一部分通过Kulback-Leibler正则化来被确定。

自编码器还可以被预先训练，尤其是在使用误差函数、如均方误差的情况下来被预先训练并且在变分自编码器的情况下利用Kulback-Leibler正则化项来被预先训练。然后，可以在固定自编码器的网络参数的情况下或者在不固定自编码器的网络参数的情况下进行对整个操纵识别模型的进一步训练。

自编码器的可选的预先训练和操纵识别模型的整体训练都可以在多个时期进行。在每种情况下，时期的数目都可以要么固定地预先给定要么通过中断标准来确定。在每个时期中，说明了废气后处理装置的正常行为的运行参量数据的所有训练数据都由自编码器处理一次。优选地，这些运行参量被划分到例如包含500到3000个时间步长的时间段中。对于训练时期中的每个训练时期来说，这些时间段都可以重新并且随机生成。

如果自编码器被预先训练，则自编码器的输出与针对变分自编码器的中间层的平均值和标准差所计算出的矩阵以及实际值一起纳入误差函数F。该误差函数确定建模误差、均方误差、均方根误差（Root Mean Square Error）或者替代地Huber损失或者其它函数，这些其它函数说明了这些运行参量在时间步长t的实际值与操纵识别模型的所输出的输出参量之间的数值偏差。

为了加强变分自编码器的潜在空间的分布特性，考虑Kulback-Leibler正则化用于建模，平均值和标准差纳入其中，如对于变分自编码器的训练来说公知的那样。现在，在反向传播过程中使用误差值，以便按照优化策略来使网络的权重适配。为此，可以使用对于神经网络来说常见的梯度下降法，如SGD、ADAM、ADAMW、RMSProp或AdaGrad。

按照一个实施方式，第一输入参量和第二输入参量可以分别包括这些运行参量中的相同、部分相同或者不同的一部分，其中输出参量包括这些运行参量中的与第一和/或第二输入参量相同、部分相同或者不同的一部分，其中根据输出参量的经建模的当前值和与这些输出参量相对应的运行参量的当前值来确定建模误差。

换言之，在回归方法中，输出参量可包括如下参量，这些参量不是输入参量的部分，而是包括其它未被用作输入参量的运行参量。

变分自编码器尤其可具有潜在特征空间，该潜在特征空间被设计成具有两个线性特征空间层，用于映射平均值向量和标准差向量，其中建模误差还根据平均值向量和标准差向量的经建模的当前值来被确定。

该建模误差还可以借助于预先给定的误差函数来被确定，该误差函数尤其是基于在运行参量的第二部分的相应当前值与输出参量的相应当前值之间的均方误差（均方偏差）、Huber损失函数或者均方根误差。

可以规定：在评估期的多个时间段期间，针对输出参量中的每个输出参量的相应多个连续时间步长，根据多个建模误差、尤其是通过对这些建模误差的加和来分别确定总误差，其中根据该总误差是否超过针对相应的输出参量预先给定的评估百分位，识别在相关的时间段期间的异常。

在使用操纵识别模型的情况下，对于具有多个时间步长的时间段来说将这些运行参量输送给变分自编码器和预测模型，以便获得相对应的最终得到的输出参量。针对每个时间步长，借助于误差函数来给该输出参量分配异常分数。误差函数尤其可以确定建模误差，并且将每个输出参量的在该时间段的多个时间步长期间的该建模误差加和成相应的输出参量的总误差。由此最终得到的针对输出参量中的每个输出参量的总误差得到针对每个时间块和每个运行参量的误差矩阵，根据该误差矩阵来计算百分位值。例如，针对每个运行参量都可以计算在99.9 %至99.99 %的范围内的百分位。该百分位被存储并且在评估阶段被评估，以便识别操纵。尤其是当至少对于一个输出参量来说百分位值超过预先给定的评估百分位值时，可以识别出操纵。

尤其是当在评估期的时间段内的异常的比例超过预先给定的比例阈值时，可以识别出对技术装置的操纵。

可以针对每个运行参量来确定评估百分位值，其方式是根据针对技术装置的正常运行所预先给定的验证数据记录的运行参量的变化过程，在评估期的多个时间段期间，针对相应多个连续时间步长，根据相应的多个时间步长的多个建模误差、尤其是通过对这些建模误差的加和来分别确定总误差，其中根据这些输出参量和所分配的总误差来创建误差矩阵，其中为每个输出参量确定百分位值作为评估百分位值，尤其是99.9 %百分位。

按照一个实施方式，技术装置可包括废气后处理装置，其中输入向量包括针对尿素注射系统的调定量，作为该调定量。

还可以规定：报告所识别出的操纵，或者根据所识别出的操纵来运行该技术装置。

按照另一方面，提供了一种用于根据技术装置的运行参量的变化过程来训练基于数据的操纵识别模型的方法，其中这些运行参量包括一个或多个系统参量和/或用于干预技术装置的至少一个调定量，而且分别对应于这些运行参量在连续时间步长期间的值的时间序列，其中操纵识别模型包括具有第一循环神经网络的自编码器、具有第二循环神经网络的预测模型和评估模型，其中自编码器和预测模型的输出彼此组合并且然后被输送给评估模型，以便确定输出参量，其中操纵识别模型被训练用来根据这些运行参量的至少一部分的当前值来对与这些运行参量中的一个或多个运行参量相对应的输出参量的当前值进行建模。

按照另一方面，规定了一种用于技术装置、尤其是机动车中的技术装置、尤其是废气后处理装置的操纵识别的设备，其中该设备被设计用于：

- 提供具有一个或多个系统参量和/或具有用于干预技术装置的至少一个调定量的运行参量的随时间的变化过程，这些随时间的变化过程分别对应于这些运行参量在连续时间步长期间的值的时间序列；

- 在每个当前的时间步长内使用基于数据的操纵识别模型，以便根据包括这些运行参量的至少一部分的输入参量来确定对应于这些运行参量的至少一部分的一个或多个输出参量，其中操纵识别模型包括具有第一循环神经网络的变分自编码器、具有第二循环神经网络的预测模型和评估模型，其中变分自编码器和预测模型的输出彼此组合并且然后被输送给评估模型，以便确定输出参量，其中操纵识别模型被训练用来根据这些运行参量的至少一部分的当前值来对输出参量的当前值进行建模；

- 根据输出参量中的每个输出参量的建模误差来识别异常；而且

- 根据所识别出的异常来识别操纵。

附图说明

随后，依据随附的附图更详细地阐述实施方式。其中：

图1示出了作为技术系统的示例的废气后处理装置的示意图；

图2示出了以对输入向量的时间序列的评估为基础的用于在操纵识别的情况下使用的操纵识别模型的网络结构的示意图；

图3示出了阐明用于图1的废气后处理装置的操纵识别的方法的流程图。

具体实施方式

图1示出了用于具有燃烧发动机3的发动机系统1的废气后处理系统2的示意图。废气后处理装置2被设计用于对燃烧发动机3的燃烧废气的废气后处理。燃烧发动机3可以被设计成柴油发动机。

废气后处理装置2具有微粒过滤器21和SCR催化净化器22。在微粒过滤器21的上游、微粒过滤器21的下游和SCR催化净化器22的下游利用相应的温度传感器23、24、25来测量废气温度，并且在SCR催化净化器22的上游和下游利用相应的NO

设置尿素储存器51、尿素泵52和针对尿素的可控注射系统53。注射系统53能够通过控制单元4借助于调定量S来被控制地将预定量的尿素输送到SCR催化净化器22上游的燃烧废气中。

控制单元4根据公知方法通过规定针对注射系统53的调定量来控制尿素到SCR催化净化器22上游的输送，以便实现对燃烧废气的尽可能好的催化净化，使得氮氧化物含量尽可能被减少。

传统的操纵设备对传感器信号和/或调节信号进行操纵，以便减少或者完全停止尿素的消耗。

虽然可以通过基于规则地监控废气后处理装置的运行状态来识别这样的操纵，但是并不是所有相对应的不被允许的运行状态都可以用这种方式来被检查。因而，提出了一种基于操纵识别模型的操纵识别方法。这可以在控制单元4中被实施。该方法可以在控制单元4中作为软件和/或硬件来被实现。

图2示出了操纵识别模型10的示意图，该操纵识别模型可以处理输入参量E的变化过程，以便产生一个或多个输出参量A。输入参量可包括运行参量B，这些运行参量具有系统参量G和/或调定量S。这些输入参量按时间步长来被评估，以便重建这些运行参量B中的一个或多个运行参量的当前值并且提供其作为相对应的输出参量。在回归方法中，输出参量可包括如下运行参量，这些运行参量不是这些输入参量的部分。

为此，操纵识别模型可包括自编码器，向该自编码器输送一个或多个第一输入参量，并且该自编码器在所示出的实施例中被设计成变分自编码器20。变分自编码器20在输入侧具有第一循环神经网络201。第一循环神经网络201例如可以被设计成LSTM或者GRU或者它们的变体。第一循环神经网络201用于学习第一输入参量E'的变化过程的时间动态。

第一循环神经网络201的输出被输出到一个或多个串行的第一全连接层202（线性层，也就是说没有非线性激活函数的神经元层）上。所述一个或多个第一全连接层202在输出侧形成变分自编码器的潜在特征空间203。

该潜在特征空间表示第一输入参量E'的变化过程的特征分布，其方式是将变分自编码器2设计成生成模型。为此，借助于正则化项来加强在潜在特征空间203中的相对应的分布。该正则化项被预先给定为使得在潜在特征空间203中的第一输入参量的特征分布对应于多元正态分布。为此，潜在特征空间203可以被设计成两个线性特征空间层、也就是说没有非线性激活函数的神经元层，使得这些特征空间层中的一个特征空间层203a表示平均值向量μ并且另一个特征空间层203b表示标准差σ。使用变分自编码器，以便在设计操纵识别模型时实现未通过训练数据来映射的输入参量变化过程的更高的可泛化性。

在特征空间层203a、203b中表示的平均值向量μ和标准差σ借助于一个或多个采样层204来被进一步处理，使得对通过自编码器来学习的潜在特征进行采样并且提供这些潜在特征。

在预测模型30中，基于前一个时间步长t-1来处理一个或多个第二输入参量E''，所述一个或多个第二输入参量对应于运行参量B中的全部或者一部分。该处理随后与自编码器的输出相结合，使得整个操纵识别模型都可以访问两个先前组件中的信息。第二输入参量可以与第一输入参量相同或者对应于这些第一输入参量的子集或者不同于这些第一输入参量。也就是说，在时间步长t向自编码器输送第一输入参量的当前值，并且在前一个时间步长t-1向预测模型30输送第二输入参量E''的值。

尤其是，经此能够在输入侧使用如下运行参量，这些运行参量虽然由于其与其它信号的依赖关系而对于这些其它信号的建模来说重要，但是对于真正的异常识别来说并不重要并且借此仅作为第一或第二输入参量的一部分出现。另一方面，能够对如下输出参量A进行建模，所述输出参量并不是在输入侧使用的输入参量E'、E''的一部分。经此，能够通过回归方法来对输出参量A进行建模并且将这些输出参量与之前未曾在输入侧使用过的实际运行参量B进行比较。

预测模型30与自编码器一起被训练，并且由此能够提供如下输出，该输出对自编码器的输出进行补偿/补充。为此，不同于自编码器20，预测模型30可以访问第二输入参量在前一个时间步长t-1的值。为此，预测模型30首先使用第二循环网络来处理第二输入参量E''的直至前一个时间步长t-1为止的变化过程。为此，将第二循环神经网络301的输出与一个或多个第二全连接层302耦合。

将预测模型30的一个或多个全连接层302的输出与变分自编码器20的采样层204的输出（运行参量向量BV）组合。尤其是，为此可以将变分自编码器20和预测模型30的输出在加和块中相加或者连接，以便获得结果向量V。

结果向量V进而可以在具有一个或多个第三全连接层401的评估模型40中被处理，以便作为最终输出来产生对运行参量B中的一个或多个运行参量的重建，作为输出参量A。变分自编码器20的第一输入参量E'对应于第一输入参量的当前（时间步长t）值，而在预测模型30的输入侧投入第二输入参量E''的被延迟了一个时间步长的值。

操纵识别模型的目标在于：在较长的时间间隔、例如车辆的正常行驶期间判断在该车辆中是否已经装入了操纵装置。因而，运行参量B在预先给定的时间帧、诸如100 ms、500ms或者1 s内被记录。此外，仅在特定百分比的行驶期间评估操纵识别模型就可足以识别操纵企图。运行参量B在操纵识别模型中应用之前逐信号地被归一化或标准化，尤其是在使用与在训练操纵识别模型时相同的方法的情况下。对运行参量B的预处理应该以鲁棒的方式被标准化，并且可包含其它步骤：对数据进行清理，诸如处理缺失值以及提取重要的时间段，对数据的平滑或者其它方式的变换。

例如，通过操纵识别模型可以产生针对其传感器信号可被操纵的NO

对于从中知道其无法被操纵的运行参量中的一个或多个运行参量来说，可以是合理的是：选择一种回归方法，在该回归方法中生成输出参量A，该输出参量事先不曾在输入侧被用作输入参量E'、E''或被用作第一输入参量E'和/或第二输入参量E''。

对操纵识别模型的训练可以在多个时期进行。时期的数目要么可以固定地预先给定要么可以通过中断标准来被限定。在每个时期，所有训练数据都被神经网络处理一次。训练数据被分成批量，这些批量分别具有运行参量的时间序列，这些时间序列包括100到5000个值、优选地500到3000个值。在每个时期之前，这些批量都可以重新并且随机生成。

自编码器20和/或预测模型30可以被预先训练，也就是说在完成对操纵识别模型的整体训练之前被训练。对变分自编码器20的训练基于第一输入参量E'的变化过程来进行并且借助于误差函数F来被实施，该误差函数将变分自编码器的输出与平均值和标准差的所计算出的矩阵以及输出参量的实际值一起进行考虑。该误差函数包括建模误差（在输出参量与所确定的相对应的实际运行参量之间的偏差），该建模误差作为均方误差（MSE）或均方根误差（RMSE）或者必要时Huber损失，或者其它偏差函数，这些其它偏差函数计算在当前的时间步长t的实际值与操纵识别模型的输出参量之间的数值偏差。为了加强潜在特征空间的分布特性，以加权方式将Kullback-Leibler正则化相加到建模误差，该Kullback-Leibler正则化纳入平均值向量和标准差向量，如从现有技术所公知的那样。

这样确定的误差值借助于反向传播来被反向传播到按照训练数据的输入参量或运行参量的值，由此可以按照优化策略来使网络的权重适配。为此，可以使用对于神经网络来说常见的梯度下降法，如SGD、ADAM、ADAMW、RMSprop或AdaGrad。

在图3中，更详细地描述了操纵识别模型10的用于报告对废气后处理系统的操纵的应用。

对于操纵识别模型10的评估来说，在步骤S1中针对每个时间步长都向变分自编码器20提供第一输入参量E'（运行参量B的一部分）的当前值。

在步骤S2中，向预测模型30提供第二输入参量（运行参量的相同或不同部分）的先前值，作为被延迟了一个时间步长的输入参量。

在步骤S3中，通过应用操纵识别模型10来在每个时间步长内确定输出参量的当前值。输出参量A对应于运行参量B的一部分或者该部分。

在步骤S4中，针对当前的时间步长针对所有输出参量分别将建模误差确定并且暂存为在输出参量的建模值与对应于该输出参量的运行参量的实际值之间的偏差。所基于的误差函数考虑变分自编码器20的输出参量、与这些输出参量相对应的运行参量、平均值向量和标准差向量。该误差函数例如可以用于在重建参量与运行参量之间的均方误差（或者还有RMSE或Huber损失）。

在步骤S5中，检查在评估期的所考虑的时间块中是否已经确定了在预先给定的数目T的时间步长期间的建模误差。如果情况如此（二选一：是），则该方法以步骤S6继续，否则针对下一个时间步长跳回到步骤S1。

在步骤S6中，分别针对这些输出参量中的每个输出参量将之前考虑的时间段的不同时间步长的建模误差相加，以便获得相应的总误差。这样，可以依据废气后处理系统的运行参量的变化过程针对每个输出参量A确定建模误差并且将在数目T的时间步长期间的该建模误差相加，以便获得总误差。

在步骤S7中，针对每个输出参量检查：相对应的总误差值是否超过相关的输出参量的评估百分位值。如果情况如此（二选一：是），则在步骤S8中将相关的输出参量的所考虑的时间段的相对应的信号标记为反常。如果在该时间段中已将这些输出参量中的至少一个输出参量的总误差查明为反常，则所考虑的时间段可以整体被标记为反常或异常。

评估百分位值可以针对每个输出参量单独地被预先给定。评估百分位值可以在实际评估阶段之前基于来自验证数据记录的验证数据来得到，该验证数据记录说明了未被操纵的、正常工作的废气后处理系统的运行参量的变化过程。这样，针对每个输出参量都可以确定评估百分位值，该评估百分位值通过误差矩阵来得到。为此，针对多个时间步长逐信号地将这些误差分别相加成总误差值。这一点被重复执行，其中根据最终得到的总误差值来确定百分位值、例如99.9 %百分位。该值可以被校准（取决于是避免假阳性优先还是尽可能高的识别率优先）。借此，为每个输出参量确定固定的评估百分位值，然后在评估阶段对其进行比较。

在步骤S9中，检查是否必须调查在该评估期中的其它时间段。如果情况不是如此（二选一：否），则该方法以步骤S10继续，否则（二选一：是）针对下一个时间段跳回到步骤S1。

在该方法期间，可以在计数器中存储总共考虑了多少个时间段，并且可以在另一计数器中有多少个时间段被标记为了反常。

在步骤S10中，将在例如行驶的连续评估期的所识别出的异常加和，并且将该和除以在行驶期间的全部评估期的数目。该商说明了行驶的怎样的比例被识别为了异常。

在步骤S11中，检查该商是否超过预先给定的比例阈值。如果该商超过预先给定的比例阈值（二选一：是），则可以在步骤S12中推断出有操纵企图并且相对应地在步骤S13中报告该操纵企图。否则（二选一：否），该方法以步骤S1继续。