AT523093A1

AT523093A1 - Verfahren und System zum Analysieren und/oder Optimieren einer Konfiguration einer Fahrzeuggattung

Info

Publication number: AT523093A1
Application number: ATA50965/2019A
Authority: AT
Inventors: Laubis Dr Kevin; Bauer Sascha
Original assignee: Avl List Gmbh
Priority date: 2019-11-12
Filing date: 2019-11-12
Publication date: 2021-05-15
Also published as: DE112020004941A5; WO2021092639A1

Abstract

Die Erfindung betrifft ein Computer-gestütztes Verfahren und ein entsprechendes System zum Analysieren und/oder Optimieren einer Konfiguration einer Fahrzeuggattung auf der Grundlage eines RDE-Testbetriebs, wobei das Verfahren die folgenden Arbeitsschritte aufweist: Aufzeichnen eines ersten Datensatzes von gemessenen Betriebsgrößen einer zu testenden Konfiguration eines Fahrzeugs der Fahrzeuggattung und von Umgebungsgrößen als Funktion einer zurückgelegten Strecke und/oder einer vergangenen Zeitdauer während eines RDE-Testbetriebs der zu testenden Konfiguration, wobei ein Teil des ersten Datensatzes ein Betriebsverhalten der zu testenden Konfiguration bei bestimmten Betriebsbedingungen charakterisiert; Simulieren eines Betriebsverhaltens einer Basiskonfiguration eines Fahrzeugs der Fahrzeuggattung mittels eines Fahrzeugmodells der Basiskonfiguration, wobei beim Simulieren ein oder mehrere Größen des ersten Datensatzes Eingangsgrößen des Fahrzeugmodells sind und ein zweiter Datensatz wenigstens einer Betriebsgröße der Basiskonfiguration erzeugt wird und wobei der zweite Datensatz ein Betriebsverhalten der Basiskonfiguration bei den bestimmten Betriebsbedingungen charakterisiert; und Vergleichen des Betriebsverhaltens der zu testenden Konfiguration mit dem Betriebsverhalten der Basiskonfiguration auf der Grundlage des Teils des ersten Datensatzes und des zweiten Datensatzes.

Description

Verfahren und System zum Analysieren und/oder Optimieren einer Konfiguration einer Fahrzeuggattung

Die vorliegende Erfindung betrifft ein Verfahren und System zum Analysieren und/oder Optimieren einer Konfiguration einer Fahrzeuggattung, wobei eine zu testende Konfiguration eines Fahrzeugs der Fahrzeuggattung in einem RDE-Testbetrieb betrieben wird.

Mit der Einführung der Real Driving Emissions (RDE)-Gesetzgebung soll die Diskrepanz zwischen Homologation und realen Emissionen bei Kraftfahrzeugen reduziert werden. Dabei müssen Kraftfahrzeuge ab September 2017 für die Typprüfung in der Europäischen Union neben einem Prüfzyklus im Labor (WLTP, WLTC) auch die Einhaltung von Emissi-

onsgrenzwerten auf der Straße unter realen Fahrbedingungen nachweisen.

Der Schadstoffausstoß am realen Fahrbetrieb ist damit stärker in den Fokus der Entwicklung gerückt. Ziel ist es letztendlich, nicht wie bis dahin üblich die Emissionsgrenzwerte in einem genau vordefinierten Zyklus unter vordefinierten Randbedingungen einzuhalten, sondern die Emissionsziele robust auf realen Prüffahrten auf unbekannten Strecken mit

bewusst grob abgesteckten Randbedingungen einzuhalten.

Folglich hat die RDE-Gesetzgebung große Auswirkungen auf die Entwicklungen neuer Kraftfahrzeugantriebe. Die Straße als Prüfumgebung sorgt für große technische Herausforderungen. Bei der klassischen Zyklus-basierten Entwicklung stehen Fahrversuche unter Realbedingungen erst mit Prototypkraftfahrzeugen und damit am Ende des Entwicklungsprozesses an. Ein typisches RDE-Testprogramm mit mobilen Messgeräten (Portable Emission Measurement System —- PEMS) besteht dabei aus einer großen Anzahl an Prüffahrten auf unterschiedlichen Strecken mit verschiedenen Fahrern, um statistisch eine größtmögliche Bandbreite von Bedingungen abzudecken.

Die Straße als Prüfstandsumgebung bietet mit ihrer Vielzahl an Einflüssen zwar die notwendige stochastische Grundlage, um sicherzustellen, dass Kraftfahrzeuge auch im Kundenbetrieb die geforderten Emissionsziele einhalten. Allerdings ist es durch die schwer kontrollierbaren Einflüsse nahezu unmöglich, bei realen Prüffahrten auf der Straße zwei Messungen mit vergleichbaren Bedingungen durchzuführen. Aus diesem Grund lassen sich Auswirkungen von Änderungen an einem Fahrzeug, insbesondere an einem Antriebs-

strang oder einem Abgasstrang, nicht gezielt mit einem Basiszustand bzw. einer

Basiskonfiguration vergleichen. Dies macht die Aussage über die Wirksamkeit von Änderungen schwierig. Aus diesem Grund wird die Straße als Entwicklungsumgebung bisher nur als bedingt geeignet angesehen.

Ein Lösungsansatz besteht darin, dynamische Geschwindigkeitsprofile zu erzeugen, welche die Reproduktion eines Prüfbetriebs auf Prüfständen oder modellbasiert ermöglichen, welcher wenigstens im Wesentlichen einem Betrieb im realen Straßenverkehr entspricht.

Diesen Ansatz verfolgt die Anmelderin mit dem internen Stand der Technik, welcher mit dem Anmeldeaktenzeichen PCT/AT2019/06315 zur Anmeldung gebracht wurde.

Des Weiteren sind aus dem Stand der Technik verschiedene Verfahren zur Analyse von Fahrzeugen oder Antrieben bekannt, bei denen Modelle auf der Grundlage von Aus-

gleichsrechnungen zum Einsatz kommen.

Beispielsweise offenbart das Dokument WO 2019/153026 der Anmelderin ein Verfahren zur Analyse wenigstens einer Einrichtung einer zu prüfenden Einheit einer Gattung von Einheiten, welche eine Mehrzahl an verschiedenen Einrichtungen aufweisen, insbesondere eines Fahrzeugs oder Motors, mit folgenden Arbeitsschritten:

Simulieren eines Betriebs einer Einheit der Gattung in einem definierten Betriebszyklus mittels eines Modells, in welchem wenigstens die zu analysierenden Einrichtungen als virtuelle Einrichtung abgebildet sind, wobei das Simulieren mehrmals mit jeweils unterschiedlicher Konfiguration der Einheiten durchgeführt wird, und wobei jede Konfiguration durch eine Ausprägung einer Eigenschaft wenigstens einer Einrichtung charakterisiert ist;

Aufzeichnen von Datensätzen, insbesondere Datenmatrizen, von Beobachtungsgrößen der simulierten Einheit;

Auswählen von Datenbereichen aus den Datensätzen, insbesondere aus Datenspalten von Datenmatrizen, für welche eine Korrelation von Beobachtungsgrößen zu den zum Simulieren eingesetzten Ausprägung einer Eigenschaft der zu analysierenden Einrichtung feststellbar ist, insbesondere mittels einer statistischen Methode;

Durchführen einer Ausgleichsrechnung auf der Grundlage der ausgewählten Datenbereiche und der korrelierenden Ausprägung; und/oder

Anwenden eines Transformationsmodells auf der Grundlage der Ausgleichsrechnung, wobei das Transformationsmodell eine Zuordnungsvorschrift zwischen den Be-

obachtungsgrößen und einer Eigenschaft wenigstens einer Einrichtung aufweist, wobei

das Transformationsmodell eingerichtet ist, auf der Grundlage von wenigstens einem an der zu prüfenden Einheit in dem definierten Betriebszyklus aufgezeichneten Datensatz

eine Ausprägung der wenigstens einen zu analysierenden Einrichtung auszugeben.

Es ist eine Aufgabe der Erfindung, eine Verbesserung einer Vergleichbarkeit von Daten aus RDE-Testbetrieben zu erreichen.

Diese Aufgabe wird gelöst durch ein Computer-gestütztes Verfahren zum Analysieren und/oder Optimieren einer Konfiguration einer Fahrzeuggattung auf der Grundlage eines RDE-Testbetriebs und eines entsprechenden Systems gemäß den unabhängigen Ansprüchen. Vorteilhafte Ausgestaltungen werden in den Unteransprüchen beansprucht.

Ein erster Aspekt der Erfindung betrifft ein Computer-gestütztes Verfahren zum Analysieren und/oder Optimieren einer Konfiguration einer Fahrzeuggattung auf der Grundlage eines RDE-Testbetriebs, insbesondere zum Vergleichen einer zu testenden Konfiguration mit einer Basiskonfiguration, folgende Arbeitsschritte aufweisend:

Aufzeichnen eines ersten Datensatzes von gemessenen Betriebsgrößen einer zu testenden Konfiguration eines Fahrzeugs der Fahrzeuggattung und von Umgebungsgrößen als Funktion einer zurückgelegten Strecke und/oder einer vergangenen Zeitdauer während eines RDE-Testbetriebs der zu testenden Konfiguration, wobei ein Teil des ersten Datensatzes ein Betriebsverhalten der zu testenden Konfiguration bei bestimmten Betriebsbedingungen charakterisiert;

Simulieren eines Betriebsverhaltens einer Basiskonfiguration eines Fahrzeugs der Fahrzeuggattung mittels eines Fahrzeugmodells der Basiskonfiguration, wobei beim Simulieren ein oder mehrere Größen des ersten Datensatzes Eingangsgrößen des Fahrzeugmodells sind und ein zweiter Datensatz wenigstens einer Betriebsgröße der Basiskonfiguration erzeugt wird und wobei der zweite Datensatz ein Betriebsverhalten der Basiskonfiguration bei den bestimmten Betriebsbedingungen charakterisiert; und

Vergleichen des Betriebsverhaltens der zu testenden Konfiguration mit dem Betriebsverhalten der Basiskonfiguration auf der Grundlage des Teils des ersten Datensat-

zes und des zweiten Datensatzes. Ein zweiter Aspekt der Erfindung betrifft ein Verfahren zum Trainieren eines Fahrzeugmo-

dells zum Simulieren eines Betriebsverhaltens eines Fahrzeugs, folgende Arbeitsschritte

aufweisend:

Durchführen von mehreren RDE-Testbetrieben einer einzigen Konfiguration der Fahrzeuggattung, wobei die RDE-Testbetriebe mit jeweils unterschiedlichen Testumgebungen und wenigstens einem Fahrzeug der Konfiguration durchgeführt werden;

Aufzeichnen eines Datensatzes von gemessenen Betriebsgrößen der Konfiguration

und Umgebungsgrößen als Funktion einer zurückgelegten Strecke und/oder einer vergangenen Zeitdauer, wobei ein Teil des Datensatzes das Betriebsverhalten der Konfiguration in den unterschiedlichen Testumgebungen charakterisiert; Auswählen von einem Datenbereich aus dem Datensatz, für welchen eine Korrelation von Betriebsbedingungen, insbesondere Fahrstil und Umgebungsbedingungen, einerseits und dem Betriebsverhalten andererseits feststellbar ist, insbesondere mittels einer statistischen Methode; und

Trainieren des Fahrzeugmodells durch Einlesen des ausgewählten Datenbereichs in eine Ausgleichsrechnung, insbesondere ein künstliches neuronales Netz oder ein Random-Forest-Algorithmus, welche die Grundlage für das Fahrzeugmodell bildet.

Ein dritter Aspekt der Erfindung betrifft ein System zum Analysieren und/oder Optimieren einer Konfiguration einer Fahrzeuggattung auf der Grundlage eines RDE-Testbetriebs, aufweisend:

Sensoren zur Erfassung von Betriebsgrößen einer zu testenden Konfiguration eines Fahrzeugs der Fahrzeuggattung; Datenverarbeitungsmittel zum Aufzeichnen eines ersten Datensatzes von Betriebsgrößen einer zu testenden Konfiguration eines Fahrzeugs der Fahrzeuggattung und von Umgebungsgrößen als Funktion einer zurückgelegten Strecke und/oder einer vergangenen Zeitdauer während eines RDE-Testbetriebs der zu testenden Konfiguration, wobei ein Teil des ersten Datensatzes das Betriebsverhalten der zu testenden Konfiguration bei bestimmten Betriebsbedingungen charakterisiert; Simulationsmittel zum Simulieren eines Betriebsverhaltens einer Basiskonfiguration eines Fahrzeugs der Fahrzeuggattung mittels eines Fahrzeugmodells der Basiskonfiguration, wobei beim Simulieren Größen des aufgezeichneten ersten Datensatzes Eingangsgrößen des Fahrzeugmodells sind und ein zweiter Datensatz wenigstens einer Betriebsgröße der Basiskonfiguration erzeugt wird und wobei der zweite Datensatz das Betriebsverhalten der Basiskonfiguration bei den bestimmten Betriebsbedingungen charakterisiert; und Vergleichsmittel zum Vergleichen des Betriebsverhaltens der zu testenden Konfiguration mit dem Betriebsverhalten der Basiskonfiguration auf der Grundlage des Teils desersten Datensatzes und des zweiten Datensatzes.

Ein Simulieren im Sinne der Erfindung kann auf einem Prüfstand oder rein modellbasiert auf einem Rechner durchgeführt werden. Vorzugsweise können bei einer Simulation auch wenigstens eine Komponente auf einem Prüfstand in einem simulierten Betrieb betrieben und wenigstens eine andere Komponente modellbasiert auf einem Rechner betrieben wer-

den.

Ein Simulieren eines Betriebsverhaltens im Sinne der Erfindung ist vorzugsweise eine zeitaufgelöste oder streckenaufgelöste Simulation des Betriebsverhaltens eines Fahrzeugs. Ein Betriebsverhalten eines Fahrzeugs wird insbesondere durch Betriebsgrößen wie Drehzahl, Drehmoment, Massenflüsse, Drücke, Temperaturen, Treibstoffverbrauch, Verbrauch anderer Betriebsmittel, Emissionen, OBD-Werte, Geschwindigkeit, Gangwahl, Emissionen, insbesondere CO2-Emission, Stickstoffemission, Partikelanzahl-Emission etc., charakterisiert.

Ausgeben im Sinne der Erfindung bedeutet vorzugsweise ein Bereitstellen von Daten. Insbesondere kann dies an einer Datenschnittstelle und/oder auch an einer Benutzerschnittstelle geschehen.

Ein Mittel im Sinne der Erfindung kann hard- und/oder softwaretechnisch ausgebildet sein und insbesondere eine, vorzugsweise mit einem Speicher- oder Bussystem daten- bzw. signalverbundene, insbesondere digitale, Verarbeitungseinheit, insbesondere Mikroprozessor-Einheit (CPU) und/oder ein oder mehrere Programme oder Programm-Module aufweisen. Die CPU kann dazu ausgebildet sein, Befehle, die als ein in einem Speichersystem abgelegtes Programm implementiert sind, abzuarbeiten, Eingangssignale von einem Datenbus zu erfassen und/oder Ausgangssignale an einen Datenbus zu geben. Ein Speichersystem kann ein oder mehrere, insbesondere verschiedene, Speichermedien, insbesondere verschiedene Speichermedien, insbesondere optische, magnetische, Festkörper und/oder andere nicht-flüchtige Medien, aufweisen. Das Programm kann derart beschaffen sein, dass es die hier beschriebenen Verfahren verkörpert bzw. auszuführen imstande ist und dass die CPU die Schritte solcher Verfahren ausführt.

Eine Fahrzeuggattung im Sinne der Erfindung ist vorzugsweise eine Gesamtheit von Fahr-

zeugen, welche in ihren wesentlichen Merkmalen übereinstimmen und daher weiter vor-

zugsweise baugleich sind. Vorzugsweise sind die wesentlichen Komponenten,

insbesondere der Antrieb, in einer Fahrzeuggattung baugleich. Ein bestimmtes Fahrzeug ist mithin vorzugsweise eine bestimmte Realisierung der Fahrzeuggattung. Ein Betriebsverhalten im Sinne der Erfindung wird vorzugsweise durch Werte der Betriebsgrößen charakterisiert.

Eine Konfiguration im Sinne der Erfindung entspricht vorzugsweise einer Realisierung der Fahrzeuggattung, welche durch eine Ausprägung wenigstens einer Eigenschaft wenigstens einer der Einrichtungen des Fahrzeugs charakterisiert ist.

Eine Basiskonfiguration im Sinne der Erfindung ist vorzugsweise eine definierte Konfiguration der Fahrzeuggattung, von welcher ausgehend eine zu testende Konfiguration kon-

figuriert wurde.

Ein Fahrstil im Sinne der Erfindung ist vorzugsweise eine Konstellation von Werten von Betriebsgrößen oder ein Verlauf von Werten wenigstens einer Betriebsgröße, welche das Betriebsverhalten eines Fahrzeugs beeinflussen. Fahrstil wird insbesondere durch die Größen Beschleunigung, Drosselklappenstellung und Geschwindigkeit in Abhängigkeit

von einem Straßenverlauf und/oder einer Fahrsituation charakterisiert.

Eine Umgebung im Sinne der Erfindung ist vorzugsweise eine Umwelt und/oder eine Fahrsituation um ein betrachtetes Fahrzeug.

Ein RDE-Testbetrieb im Sinne der Erfindung ist vorzugsweise ein Testbetrieb unter RDEBedingungen. Ein RDE-Testbetrieb kann jedoch auch jede andere Art von Testbetrieb, insbesondere ein zufälliger Testbetrieb, sein. Ein RDE-Testbetrieb wird vorzugsweise unter realen Bedingungen, insbesondere auf der Straße durchgeführt.

Die Erfindung beruht auf dem Ansatz, Testbetriebe, welche mit Fahrzeugen einer Fahrzeuggattung mit verschiedener Konfiguration durchgeführt wurden, durch Angleichen jener Größen vergleichbar zu machen, welche von außerhalb der jeweiligen Fahrzeuge bestimmt werden. Vorzugsweise charakterisieren diese den Fahrstil, mit welchem das Fahrzeug durch einen Fahrer oder auch durch ein Fahrerassistenzsystem betrieben wird, und eine Umgebung des Fahrzeugs.

Der Erfindung liegt die Erkenntnis zu Grunde, dass ein Betriebsverhalten einer zu testenden Konfiguration eines Fahrzeugs der Fahrzeuggattung auf ein Betriebsverhalten eines Fahrzeugs der Fahrzeuggattung mit der Basiskonfiguration zurückgeführt werden kann, indem vorgegeben wird, dass die Basiskonfiguration unter denselben Betriebsbedingungen wie der Testbetrieb der zu testenden Konfiguration durchgeführt worden wäre.

Erfindungsgemäß wird hierbei ein Fahrzeugmodell eingesetzt, welches vorzugsweise auf einer deduktiven Methode beruht. Vorzugsweise werden zur Bildung eines solchen Fahrzeugmodells Maschinenlernalgorithmen, wie beispielsweise künstliche neuronale Netze

oder Random Forest-Algorithmen, angewendet.

Ein Vorteil der Erfindung liegt darin, dass der Effekt einer veränderten Konfiguration (beispielsweise gegenüber der Basiskonfiguration) auf der Grundlage weniger RDETestbetriebe einer zu testenden Konfiguration oder sogar eines einzigen Testbetriebs der zu testenden Konfiguration festgestellt werden kann. Eine statistische aussagekräftige Menge an RDE-Testbetrieben für die zu testende Konfiguration ist nicht notwendig. Nur das Fahrzeugmodell der Basiskonfiguration sollte für eine vollständige Abbildung des Fahrzeugs im Versuchsraum, welcher durch die in den RDE-Testbetrieben variierten Parameter aufgespannt wird, möglichst vollständig untersucht sein und damit gültig sein.

Durch die Erfindung kann mithin der Aufwand an Testfahrten mit einer zu testenden Konfiguration wesentlich reduziert werden. Des Weiteren können Bewertungen des Betriebsverhaltens der zu testenden Konfiguration in Bezug auf verschiedene Fahrstile und Umgebungsbedingungen objektiviert werden. Daher müssen die Testfahrten auch nicht unbedingt mit unterschiedlichen Fahrern durchgeführt werden.

In einer vorteilhaften Ausgestaltung des Verfahrens gemäß dem ersten Aspekt der Erfindung weist das Fahrzeugmodell eine Zuordnungsvorschrift zwischen Betriebsbedingungen, insbesondere Fahrstil und Umgebungsbedingungen einerseits und dem Betriebsverhalten andererseits auf, wobei das Fahrzeugmodell auf einer Ausgleichsrechnung, insbesondere einem künstlichen neuronalen Netz oder einem Random Forest-Algorithmus, bezüglich eines Datensatzes beruht, welcher aus mehreren RDE-Testbetrieben mit der Basiskonfiguration mit jeweils unterschiedlichen Betriebsbedingungen resultiert.

Vorzugsweise kommt für jeden Betriebsparameter, welcher das Betriebsverhalten charakterisiert, eine eigene Ausgleichsrechnung für das Fahrzeugmodell zum Einsatz.

Der Einsatz einer Ausgleichsrechnung zur Bildung des Fahrzeugmodells ermöglicht es, eine sehr große Menge an Betriebsgrößen und Umgebungsgrößen zu berücksichtigen. Die Bildung von physikalischen Modellen für eine Fahrzeuggattung wäre für die Menge der zu verarbeitenden Information sehr aufwändig und würde zumindest eine sehr lange

Zeitdauer benötigen.

In einer weiteren vorteilhaften Ausgestaltung des Verfahrens gemäß dem ersten Aspekt der Erfindung wird auch der zweite Datensatz von Betriebsgrößen der Basiskonfiguration als Funktion einer zurückgelegten Strecke und/oder einer vergangenen Zeitdauer aufge-

zeichnet.

Hierdurch können zur Ermittlung des Betriebsverhaltens der Basiskonfiguration zeitliche Abschnitte eines RDE-Betriebs oder sogar ein ganzer RDE-Betrieb für die Basiskonfiguration rekonstruiert werden. Diese Zeitabschnitte können dann mit den entsprechenden Zeitabschnitten des Betriebsverhaltens der zu testenden Konfiguration verglichen werden.

In einer weiteren vorteilhaften Ausgestaltung des Verfahrens gemäß dem ersten Aspekt der Erfindung wird eine Kenngröße auf der Grundlage des Vergleichens ermittelt und aus-

gegeben.

Eine Kenngröße kann hierbei eine Bewertung der zu testenden Konfiguration in Bezug auf die Basiskonfiguration enthalten.

In einer weiteren vorteilhaften Ausgestaltung des Verfahrens nach dem ersten Aspekt der Erfindung unterscheiden sich die zu testende Konfiguration und die Basiskonfiguration durch ein Katalysator-Alterung oder eine Befüllung eines Partikelfilters, wobei der zweite Datensatz wenigstens Werte einer Emission enthält.

In diesem Fall wird das Betriebsverhalten im Wesentlichen durch die Emission bei verschiedenen Konfigurationen des Abgasstrangs des Fahrzeugs charakterisiert.

In einer vorteilhaften Ausgestaltung der Verfahren wird das Auswählen des Datenbereichs mittels einer Feature Selection-Methode, vorzugsweise einer filter-basierten Feature Selection-Methode, durchgeführt.

Durch das Anwenden einer Feature Selection-Methode werden jene Features bzw. Merkmale, beispielsweise Betriebsgrößen, identifiziert werden, welche bei der Modellbildung zu berücksichtigen sind und welche auch beim Vergleich von zu testender Konfiguration und Basiskonfiguration durch die Fahrstile und Umgebungsbedingungen beeinflusst werden.

In einer weiteren vorteilhaften Ausgestaltung der Verfahren werden zur Identifikation von Features gleitende Beeinflussungsbereiche in den Datensätzen gebildet, welche in nachfolgenden Arbeitsschritten auf Korrelation zwischen Umgebungsbedingung, insbesondere Fahrstil und Umgebungsbedingung einerseits und dem Betriebsverhalten andererseits untersucht werden sollen. Durch die Berücksichtigung von ganzen Beeinflussungsbereichen können die Korrelationen für das Betriebsverhalten genauer vorhergesagt werden.

In einer weiteren vorteilhaften Ausgestaltung der Verfahren sind die aufgezeichneten Betriebsgrößen und Umgebungsgrößen in der Weise ausgewählt, dass diese unabhängig von der jeweiligen Konfiguration der Fahrzeuggattung sind.

Durch diese vorteilhafte Ausgestaltung wird gewährleistet, dass Effekte, welche durch eine Veränderung der Konfiguration hervorgerufen werden, nicht mit solchen Effekten verwechselt werden, welche durch veränderte Betriebsbedingungen hervorgerufen werden.

Im Übrigen betrifft die Erfindung ein Computerprogramm, das Anweisungen umfasst, welche, wenn sie von einem Computer ausgeführt werden, diesen dazu veranlassen, die Schritte eines der erfindungsgemäßen Verfahren auszuführen und ein Computer-lesbares Medium, auf welchem ein solches Computerprogramm gespeichert ist.

Die im Vorhergehenden beschriebenen Vorteile und Merkmale in Bezug auf den ersten

und zweiten Aspekt der Erfindung gelten entsprechend auch für den dritten Aspekt der Erfindung und umgekehrt.

Weitere Merkmale und Vorteile ergeben sich aus der nachfolgenden Beschreibung der Ausführungsbeispiele in Bezug auf die Figuren. Es zeigen wenigstens teilweise schema-

tisch:

Fig. 1 eine kombinierte Darstellung eines Verfahrens und Systems zum Analysieren und/oder Optimieren einer Konfiguration einer Fahrzeuggattung;

Fig. 2 ein Blockdiagramm eines Verfahrens zum Trainieren eines Fahrzeugmodells zum Simulieren eines Betriebsverhaltens eines Fahrzeugs;

Fig. 3 eine Darstellung einer Verfahrensweise zur Identifikation von Kandidaten-Größen, auch Feature-Extraktion genannt;

Fig. 4 eine Darstellung der Abhängigkeiten, welche bei der Auswahl von Eingangsgrößen des Fahrzeugmodells beachtet werden müssen;

Fig. 5 ein Blockdiagramm zur Funktion eines Fahrzeugmodells; und

Fig. 6 ein Mehrfachdiagramm mit verschiedenen Größen in Bezug auf eine zu tes-

tende Konfiguration und eine Basiskonfiguration.

Um die Auswirkungen von Konfigurationsänderungen bei Fahrzeugen zu untersuchen, ist es notwendig, verschiedene Fahrstile und Umgebungsbedingungen während dem Ausführen von Testbetrieben, insbesondere Testfahrten, zu berücksichtigen. Insbesondere bei RDE-Testbetrieben stellt dies jedoch eine große Herausforderung dar, da ein Anstieg der Anzahl an Störvariablen, die nicht oder wenigstens nicht vollständig kontrollierbar sind, wie beispielsweise Umgebungsfeuchtigkeit, Temperatur, Verkehr, Schalt- und Beschleunigungsverhalten etc., zu einem Anstieg der Menge an der Anzahl benötigter Messdaten führt, um die möglichen Einflüsse der Störvariablen in den Messdaten zu erfassen. Diese Datenmenge wächst exponentiell an, je mehr Störvariablen, d. h. Dimensionen eines Betriebsraums, vorliegen. Die Erzeugung einer solchen Menge an Testdaten wird jedoch durch den Zeitaufwand begrenzt, der für die Durchführung von Testfahrten benötigt wird.

Um die Auswirkungen der Veränderung von Konfigurationen, z. B. Fahrzeuge mit ver-

schiedenen Varianten eines Katalysators, auf das Betriebsverhalten eines Fahrzeugs,

insbesondere die Emissionen, zu untersuchen, wird das Verfahren zur Analyse nach Fig. 1 eingesetzt.

Fig. 1 zeigt eine kombinierte Darstellung des Verfahrens 100 zum Analysieren einer Konfiguration einer Fahrzeuggattung und eines Systems 10, welches zur Ausführung eines solchen Verfahrens eingerichtet ist.

Dieses Verfahren 100 nutzt die Methodik des maschinellen Lernens, um einen Rückschluss (Inferenz) auf ein Betriebsverhalten einer Konfiguration eines Fahrzeugs bei bestimmten Betriebsbedingungen zu ermöglichen, bei welchen eine andere Konfiguration

des Fahrzeugs getestet wurde.

Das Verfahren 100 beruht auf einem Fahrzeugmodell Biase für eine Basiskonfiguration 2 oder vorhandene Konfiguration der Fahrzeuggattung. Dieses Fahrzeugmodell Obase wird bestimmt, indem Modellparameter in der Weise angepasst werden, dass Zusammenhänge zwischen verschiedenen gemessenen Betriebsgrößen und Umgebungsgrößen durch das Fahrzeugmodell Obase zutreffend wiedergegeben werden. Hierfür wird eine Anzahl an Testfahrten durchgeführt und das Fahrzeugmodell Obase wird mittels eines maschinellen Lernalgorithmus, insbesondere einem Random Forest-Algorithmus oder einem künstlichen neuronalen Netz, gebildet. Diese Modellbildung wird im Detail in Bezug auf Fig. 2 beschrieben. Vorzugsweise werden jene Größen, welche bei der Modellbildung berücksichtigt werden, mittels einer Feature Selection-Methode bestimmt. Kandidaten-Größen werden aus den Rohdaten von Messungen extrahiert. Dies wird in Bezug auf Fig. 3 im Detail beschrieben. Dabei werden vorzugsweise weitere Randbedingungen, wie z.B. die Abhängigkeit der Größen, welche als Eingangsgrößen in das Fahrzeugmodell Obase eingehen sollen, von den Konfigurationen selbst, berücksichtigt.

Nachdem das Fahrzeugmodell 6vase der Basiskonfiguration 2 bestimmt ist, kann dieses zum Analysieren von weiteren Konfigurationen 1 der Fahrzeuggattung eingesetzt werden. Das Fahrzeugmodell Obase dient dabei insbesondere dazu, um die weiteren Konfigurationen 1 mit der Basiskonfiguration 2 vergleichbar zu machen. Denn die Testergebnisse Xyg, dieser weiteren Konfigurationen 1 können zwar direkt beobachtet werden, ein aussagekräftiger Vergleich zwischen diesen Testergebnissen X,„., und den Testergebnissen Xpase der Basiskonfiguration 2 ist jedoch nicht unmittelbar möglich. Dies liegt daran, dass die Testfahrten nicht exakt wiederholt werden können, insbesondere im Bereich der Tests, bei

denen Antriebe Umwelteinflüssen ausgesetzt sind, die schwer oder unmöglich kontrolliert

werden können.

Das Verfahren 100 löst dieses Problem, indem mittels des Fahrzeugmodell Obase Testergebnisse (Ypase) VON einer Testfahrt oder Testfahrten, welche mit der weiteren Konfiguration 1 abgefahren wurden, so simuliert bzw. geschätzt werden, als ob diese Testfahrten mit der Basiskonfiguration 2 ausgeführt worden wären.

Dies ermöglicht es, Testergebnisse der Basiskonfiguration mit Testergebnissen der weiteren Konfiguration Wert für Wert zu vergleichen und auch einer statistischen Analyse zu

unterziehen.

Auf diese Weise kann ein tatsächlicher Effekt der Konfigurationsänderung auf das Betriebsverhalten der Fahrzeuggattung abgeschätzt werden.

Das Bilden eines Fahrzeugmodells 0,42 wird nachfolgend in Bezug auf das Verfahren 200

zum Trainieren des Fahrzeugmodells 9,42 anhand von Fig. 2 erläutert.

Zunächst werden mehrere RDE-Testbetriebe mit einer einzigen Konfiguration der Fahrzeuggattung durchgeführt. Hierfür kommt insbesondere eine Basiskonfiguration 2 der Fahrzeuggattung zum Einsatz. Die verschiedenen RDE-Testbetriebe werden hierbei mit jeweils unterschiedlichen Testumgebungen und gegebenenfalls auch unterschiedlichen Fahrzeugen derselben Basiskonfiguration 2 durchgeführt 201.

Die Testergebnisse werden als Datensatz X,ase aufgezeichnet 202. Der Datensatz Xpase enthält hierbei vorzugsweise gemessene Betriebsgrößen der Basiskonfiguration 2 und Umgebungsgrößen. Betriebsgrößen sind beispielsweise eine Kohlenmonoxidemission, eine Kohlendioxidemission, eine Stickstoffemission, eine Partikelemission, eine Beschleunigung, eine Motordrehzahl, ein Motordrehmoment, eine Drosselklappenstellung, eine Geschwindigkeit, eine kumulierte zurückgelegte Strecke, Lambda, Kühlmitteltemperatur, Gesamtabgasdruck, Abgastemperatur und Katalysatortemperatur. Umgebungsgrößen sind beispielsweise Straßensteigung, Höhe über Null-Niveau, absolute Feuchtigkeit, Umgebungsdruck, Umgebungstemperatur.

Die Betriebsgrößen und Umgebungsgrößen werden als Funktion einer zurückgelegten Strecke und/oder einer vergangenen Zeitdauer aufgezeichnet. Ein Teil ypase des Datensatzes charakterisiert mithin das Betriebsverhalten des wenigstens einen Fahrzeugs in den unterschiedlichen Testumgebungen, in welchen die Testfahrten durchgeführt wurden. Das Betriebsverhalten wird hierbei insbesondere durch die Betriebsgrößen angegeben.

In einem weiteren Arbeitsschritt 203 wird ein Datensatz X’pase aus dem Datensatz Xpase ausgewählt, für welchen eine Korrelation von Betriebsbedingungen, insbesondere Fahrstil und Umgebungsbedingungen einerseits und dem Betriebsverhalten andererseits, feststellbar ist. Vorzugsweise kommen hierbei statistische Methoden zum Einsatz.

Weiter vorzugsweise kommt beim Auswählen 203 wenigstens eine der folgenden Methoden zur Anwendung: Auswählen unabhängiger Kanäle; Feature-Extraktion, Feature-Sel-

ection.

Bei der Auswahl der Größen, welche von einer Veränderung einer Konfiguration unabhängig sind, wird vorzugsweise untersucht, ob geplante Konfigurationsänderungen einen Einfluss auf den Wert der Größen haben. Weiter vorzugsweise erfolgt die Auswahl der unabhängigen Größen auf Basis von Expertenwissen. Je nachdem, welche Veränderungen an einer Basiskonfiguration vorgenommen werden, sind die unabhängigen Größen im Allgemeinen unterschiedlich. Nur jene Größen, welche von einer Konfigurationsänderung unabhängig sind, können später als Eingangsgrößen für das Fahrzeugmodell dienen. Denn ansonsten hätte die Konfigurationsveränderungen nicht nur einen Einfluss auf das Betriebsverhalten, sondern auch auf die Betriebsbedingungen. In diesem Fall könnte jedoch keine eindeutige Aussage anhand des Fahrzeugmodells 0,42 getroffen werden, wie sich eine Basiskonfiguration 2 bei anderen Betriebsbedingungen verhalten hätte.

Entsprechende Abhängigkeiten sind in Fig. 3 dargestellt. Eine Abhängigkeit zwischen den Konfigurationen und den Eingangsgrößen des Fahrzeugmodells beim Simulieren des Betriebsverhaltens einer Basiskonfiguration darf nicht gegeben sein. Würden diese Eingangsgrößen auch von einer Konfigurationsänderung beeinflusst, d.h. wäre die Abhängigkeit in Fig. 3 nicht durchgestrichen, würde sich die Wirkung der Konfigurationsänderung indirekt über die Eingangsgrößen bereits im Modell der Basiskonfiguration beim Simulieren eingehen. Dies ist jedoch zu vermeiden, da das Fahrzeugmodell 0,2 das Testergeb-

nis so darstellen sollte, wie es ohne Konfigurationsänderung wäre.

Eine Feature-Extraktion wird nachfolgend in Bezug auf Fig. 4 beschrieben. Vorzugsweise wird diese Feature-Extraktion nach von einer Konfigurationsänderung unabhängigen Größen vorgenommen. In diesem Fall wird die Feature-Extraktion nur in Bezug auf diese Grö-

ßen durchgeführt.

Grundsätzlich kann die Feature-Extraktion aber auch in Bezug auf den gesamten Daten-

satz Xpase bzw. alle Größen durchgeführt werden.

Aus den untersuchten Größen, insbesondere den von Konfigurationsänderungen unabhängigen Größen, werden sogenannte Features extrahiert, d.h. Datenbereiche bei welchen eine Korrelation von Betriebsbedingungen einerseits und dem Betriebsverhalten andererseits erwartbar ist. Die Betriebsbedingungen werden hierbei vorzugsweise durch den Fahrstil und die Umgebungsbedingungen während einer Testfahrt bestimmt. Sowohl die Betriebsbedingungen als auch das Betriebsverhalten werden jeweils durch ein oder mehrere Größen, d.h. Betriebsgrößen und/oder Umgebungsgrößen, charakterisiert.

Wie in Fig. 4 in Bezug auf eine Größe x und eine Betriebsgröße y eines Datensatzes X dargestellt ist, werden zum Auffinden von Korrelationen zwischen der Größe x und der Betriebsgröße y gleitende Beeinflussungsbereiche w betrachtet, mit welchen vorzugsweise der potentielle Einfluss einer ganzen Abfolge von Werten der Größe x auf einen Wert der Betriebsgröße y deklariert wird.

Vorzugsweise werden für jeden Beeinflussungsbereich w eine oder mehrere Aggregatsfunktionen © angewendet, um skalare Features zu extrahieren, die einem Wert der Betriebsgröße y, welche eine Abhängigkeit von der Größe x aufweisen soll, zugeordnet sind. Vorzugsweise wird bei der Extraktion mehr als eine Größe x berücksichtigt. In Abhängigkeit der Anzahl der Größen x und deren Eigenschaften werden vorzugsweise nicht nur einzelne Beeinflussungsbereiche w berücksichtigt, sondern ein ganzer Satz von Beein-

flussungsbereichen W.

Die Feature-Extraktion ermöglicht es, Informationen über einen bestimmten Zeitraum oder eine bestimmte zurückgelegte Strecke bei der Schätzung zu nutzen. Zudem ergeben sich durch das Zusammenfassen von Zeiträumen in Beeinflussungsbereichen weniger Fea-

tures als es der Fall wäre, wenn jeder einzelne Wert der Größe x, einzeln betrachtet würde.

Hierdurch wird die Zahl der zu betrachtenden Größen x und damit die Dimension bei der Analyse verringert.

Für die Aggregatsfunktionen X kann vorzugsweise eine Anwendung mit dem Namen tsfresh® verwendet werden. Diese ermöglicht eine Extraktion von Merkmalen auf der Grundlage von Standard-Aggregatsfunktionen, wie beispielsweise Statistiken über eine Verteilung, enthaltene Frequenzen oder die Anzahl von bestimmten Ereignissen.

Die Anzahl der extrahierten Features kann groß sein, da sie proportional zur Anzahl der Aggregatsfunktionen X und der Anzahl der Beeinflussungsbereiche W ist.

Daher ist es von Vorteil, die wichtigsten Merkmale zu identifizieren und auszuwählen. Auf diese Weise kann eine Geschwindigkeit des Trainings des Fahrzeugmodells 0„4se bei der Modellbildung erhöht werden und die Dimension des durch die betrachteten Größen auf-

gespannten Betriebsraums wird reduziert.

Die Wichtigkeit eines extrahierten Features wird vorzugsweise durch ein Überprüfen der Hypothese bestimmt, dass dieses Feature mit einer Betriebsgröße y korreliert ist. Beispielhaft kann hierbei als Korrelationsstatistik die sogenannte Pearson-Korrelation eingesetzt werden, die ein Maß für eine lineare Beziehung zwischen zwei Größen ist und über einen parametrischen Test bestimmt wird. Eine weitere Korrelationsstatistik ist das Kendall’s Tau. Auch dieses kann vorzugsweise zum Einsatz kommen. Ein weiteres Verfahren, wel-

ches hierbei zum Einsatz kommen kann, ist die Benjamini-Hochberg-Methode.

Auf der Grundlage dieses Auswählens 203 wichtiger Merkmale wird das Fahrzeugmodell Opase trainiert 204, indem die ausgewählten Datenbereiche X’„4<2 in eine Ausgleichsrechnung eingelesen werden. Beispiele für Algorithmen, welche im Rahmen einer solchen Ausgleichsrechnung verwendet werden können, sind eine lineare Regression, eine logistische Regression, Random Forest-Algorithmen, Ensemble-Methoden, Support-Vektor-Machines, Algorithmen, die auf (tiefen, rekurrenten oder faltungsbasierten) künstlichen neuronalen Netzen basieren, insbesondere Long Term Memory-Algorithmen, etc.

Vorzugsweise macht eine Benutzung von sogenannten tiefen Algorithmen, wie beispiels-

weise tiefen künstlichen neuronalen Netzen, eine Extraktion von Merkmalen überflüssig.

Wird eine Simulation mittels eines auf diese Weise trainierten Fahrzeugmodells Opgse durchgeführt und werden dieser Simulation Eingangsgrößen aus dem Datensatz Xpase der Testfahrten mit der Basiskonfiguration 2 bereitgestellt, so reproduziert das Fahrzeugmodell 0„ase Jenen Teil ypase des Datensatzes Xpase, Welcher das Betriebsverhalten der Konfiguration 2 in den zum Trainieren verwendeten Testumgebung charakterisiert. Dies ist in

Fig. 5 dargestellt.

Wird hingegen eine Simulation durchgeführt, bei welcher die Eingangsgrößen des Fahrzeugmodells Oase ein Datensatz X,a- einer Testfahrt einer zu testenden Konfiguration 1 ist, so gibt das Fahrzeugmodell 0,2 das Betriebsverhalten der zum Trainieren des Fahrzeugmodells 0„ase eingesetzten Basiskonfiguration 2 bei jenen Betriebsbedingungen aus, welche bei der Testfahrt der zu testenden Konfiguration 1 geherrscht haben.

Der Einsatz eines solchen Fahrzeugmodells 9,42 In einem Verfahren 100 zum Analysieren und/oder Optimieren einer Konfiguration einer Fahrzeugflotte wird nachfolgend im Detail in Bezug auf Fig. 1 beschrieben.

Um eine Datenbasis zum Analysieren einer Konfiguration einer Fahrzeuggattung zu schaffen, wird/werden zunächst eine Testfahrt oder auch mehrere Testfahrten mit einem Fahrzeug der veränderten Konfiguration 1 der Fahrzeuggattung durchgeführt. Dass es sich bei dem dargestellten Fahrzeug um die veränderte Konfiguration handelt, wird in Fig. 1 durch das Wechselsymbol mit zwei Rechtecken und zwei Pfeilen dargestellt.

Während dieser Testfahrt bzw. Testfahrten werden mittels Sensoren 11 Betriebsgrößen der zu testenden Konfiguration 1 und gegebenenfalls auch Umgebungsgrößen gemessen, insofern die Umgebungsgrößen nicht anderweitig bereitgestellt werden.

Der sich aus diesen Messungen ergebende Datensatz X,., wird mittels eines Verfahrens 100 analysiert.

Hierfür wird der erste Datensatz X,4- mit den gemessenen Betriebsgrößen der zu testenden Konfiguration 1 und den gemessenen oder bereitgestellten Umgebungsgrößen in einem Datenspeicher von Datenverarbeitungsmitteln 12 aufgezeichnet 101. Vorzugsweise werden die gemessenen Betriebsgrößen und die Umgebungsgrößen dabei als Funktion

einer zurückgelegten Strecke und/oder einer vergangenen Zeitdauer der Testfahrt oder Testfahrten mit der zu testenden Konfiguration 1 abgespeichert.

Ein Teil y„ar dieses ersten Datensatzes X,4,-, insbesondere ein Teil der Größen, charakterisiert ein Betriebsverhalten der zu testenden Konfiguration 1. Ein weiterer Teil des ersten Datensatzes X, charakterisiert die Betriebsbedingungen, welche während der oder den Testfahrt(en) mit der zu testenden Konfiguration 1 vorlagen.

Ausgehend von dem aufgezeichneten ersten Datensatz X,., wird in einem Simulationsmittel das Betriebsverhalten der Basiskonfiguration 2 eines Fahrzeugs der Fahrzeuggattung simuliert 102.

Hierfür gehen ein oder mehrere Größen des ersten Datensatzes X, beim Simulieren als Eingangsgrößen des Fahrzeugmodells bzw. als Eingangsgrößen in dieses Fahrzeugmo-

dell Opase Ein.

Die Eingangsgrößen des Fahrzeugmodells 0„4se Sind hierbei in der Weise ausgewählt, dass diese nur eine geringe Abhängigkeit oder vorzugsweise gar keine Abhängigkeit von den Konfigurationsänderungen, welche zwischen der zu testenden Konfiguration und der Basiskonfiguration bestehen, aufweisen. Das Modell 9,42 verwendet die Information des Datensatzes X,., aus den realen Testfahrten nämlich als eigenständige Features bzw. Betriebsbedingungen.

Das Fahrzeugmodell 9,„s2 erzeugt einen zweiten Datensatz fpase Wenigstens einer Betriebsgröße der Basiskonfiguration 2. Wie in Fig. 1 dargestellt, geht über das Fahrzeug-

modell 0,4se die Konfiguration 2 der Fahrzeuggattung beim Simulieren 102 ein.

Hierdurch kann ein virtuelles Betriebsverhalten der Basiskonfiguration 2 in dem zweiten Datensatz Ypase bei den Betriebsbedingungen, welche während der oder den Testfahrten mit der zu testenden Konfiguration 1 vorlagen, abgebildet werden.

Mittels Vergleichsmitteln 14 kann nunmehr das Betriebsverhalten der zu testenden Konfi-

guration 1 mit dem Betriebsverhalten der Basiskonfiguration 2 verglichen werden 103. Vorzugsweise werden hierbei Werte oder Wertverläufe einer oder mehrerer Größen

verglichen, welche sowohl in dem Teil y„ar des ersten Datensatzes X, und in dem zwei-

ten Datensatz fpase Enthalten sind.

In Fig. 1 wird dies durch die beiden Kurven eines Diagramms dargestellt. Die eine Kurve zeigt den Verlauf einer Größe $pase, die einem Fahrzeug der Basiskonfiguration 2‘ bei veränderten Betriebsbedingungen zugeordnet ist. Das Fahrzeug an sich ist entsprechend ebenfalls mit einem Dach versehen. Verglichen wird dieser Verlauf passe Mit einem Verlauf Yvar einer Größe y„ar, welche im Rahmen der Testfahrt der zu testenden Konfiguration 1

gemessen wurde.

Vorzugsweise kann mittels Mitteln 15 zum Ermitteln einer Kenngröße auf der Grundlage dieses Vergleichens eine Kenngröße ermittelt werden 104 und über eine Schnittstelle 16, insbesondere eine Datenschnittstelle oder Benutzerschnittstelle, ausgegeben werden 105.

Weiter vorzugsweise kann die Fahrzeuggattung auf der Grundlage dieser Kenngröße optimiert werden 106. Dies ist in Fig. 2 durch einen Pfeil dargestellt, welcher die Information angibt, welche aus dem Vergleichen in eine Konfigurationsveränderung einer wiederum

zu testenden Konfiguration 1 einfließt.

Nachfolgend wird ein Anwendungsbeispiel erläutert:

Ein turboaufgeladenes Benzinfahrzeug mit Direkteinspritzung der Abgasnorm Euro 6b soll unter RDE-Bedingungen mit verschiedenen Abgasbehandlungssystemen einschließlich modernem Drei-Wege-Katalysator TWC und katalysierter Benzinpartikelfilter cGPF getestet werden. Auf der Grundlage dieses Tests sollen die Auswirkungen verschiedener Kon-

figurationen auf die Emission analysiert und bewertet werden.

Die Datensätze Xpase, Xpar für die Bewertung werden mit dem gleichen Fahrzeug mit zwei unterschiedlichen Abgasnachbehandlungssystemen erhoben. Die Basiskonfiguration ist ein neuer Drei-Wege-Katalysator Fresh TWC ohne Benzinpartikelfilter cGPF. Die zu testende Konfiguration ist eine sogenannte End-of-Life-Konfiguration EoL, das heißt am Ende der Nutzungsdauer, mit Drei-Wege-Katalysator TWC und mit katalysiertem Benzinpartikelfilter cGPF.

Die Testfahrten werden jeweils mit verschiedenen Fahrern durchgeführt und jeweils Messdaten über einen langen Zeitraum von etwa drei Monaten generiert. Es kommen vier ver-

schiedene Teststrecken zum Einsatz.

Zur Modellbildung werden zunächst von der Konfigurationsänderung von einem turboaufgeladenen Benzinfahrzeug mit Drei-Wege-Katalysator Fresh TWC zu einem turboaufgeladenen Benzinfahrzeug End-of-Life mit Drei-Wege-Katalysator TWC und katalysiertem Benzinpartikelfilter cGPF unabhängige Größen identifiziert.

Um Merkmale aus der Gesamtheit an unabhängigen Größen zu extrahieren, wurden im beschriebenen Anwendungsfall die folgenden Werte berücksichtigt:

Aggregationsfunktion > = {maximal, mittel, median, minimal, Standardabweichung, Vari-

anz, Summe, Länge}

Beeinflussungsbereiche W = {3 Sekunden, 7 Sekunden, 20 Sekunden, 60 Sekunden}

Fenster-Offsets = {gleich Null}

Abtastversatz = 1 Sekunde

Diese Parameter führen zu einer Gesamtzahl von || - |W| - |Offset|- Anzahl Größen| = 640 Features pro Probe.

Eine Anwendung der Benjamin-Hochberg-Methode zur Auswahl der wichtigen Features ergibt 520 Features für Kohlenstoffmonoxid, 531 Features für Kohlenstoffdioxid, 554 Features für Stickstoffoxid und 555 Features für die Partikelanzahl. Da vier verschiedene Teststrecken verwendet wurden, führt dies zu vier weiteren Features, einem Feature pro Test-

strecke.

Aufgrund der Abtastrate stehen 214.448 Proben für die Basiskonfiguration Fresh TWC zur Verfügung. Für die zu testende Konfiguration EoL cGPF stehen 76.567 Proben zur Verfü-

gung.

Testfahrten werden ganz oder teilweise nicht berücksichtigt, wenn Werte verschoben waren oder fehlen.

Für die Bildung des Fahrzeugmodells 0,42 wird im vorliegenden Beispiel für jede Emission basierend auf den Messdaten aus den Testfahrten eine Random Forrest-Regression angewendet. Random Forrest-Algorithmen können eine große Anzahl von Features in Bezug auf eine kleine Anzahl von Proben bewältigen und sind robust.

Nach dem Erstellen des Fahrzeugmodells werden diese für einen Schlussfolgerungs-ba-

sierten Konfigurationsvergleich verwendet.

Der Schlussfolgerungs-basierte Konfigurationsvergleich ermöglicht den Vergleich von Emissionen zwischen einer Basiskonfiguration und einer zu testenden Konfiguration unter Berücksichtigung der Umgebungsbedingungen, auch wenn nur eine Fahrt mit der zu testenden Konfiguration durchgeführt wird. Dies ist ein großer Vorteil gegenüber Ansätzen, die versuchen, Umgebungsbedingungen durch eine ausreichende Anzahl von RDE-

Testfahrten zu eliminieren.

Das Diagramm in Fig. 6 zeigt simulierte Effekte der zu testenden Konfiguration EoL cGPF im Vergleich zur Basiskonfiguration Fresh TWC.

Es ergibt sich eine Erhöhung der Emission des Kohlenstoffmonoxids CO für die zu testende Konfiguration. Dies ist darauf zurückzuführen, dass ein gealterter Katalysator eine geringere Sauerstoffkapazität hat.

Darüber hinaus gibt es kaum eine bis keine Veränderung der Kohlenstoffdioxid-Emission CO»2für die zu testende Konfiguration. Der leichte Anstieg des Kohlenstoffdioxids CO2 mit der zu testenden Konfiguration cGPF ist wahrscheinlich auf einen höheren Gegendruck

im Abgasstrang zurückzuführen.

Die Stickstoffoxid-Emissionen NO, weisen bei der zu testenden Konfiguration cGPF eine Reduktion auf. Hinsichtlich der Partikel PN Emission zeigt sich bei der zu testenden Konfiguration cGPF aufgrund des Vorhandenseins des Partikelfilters eine signifikante Reduk-

tion der Partikelanzahl PN, was zu erwarten war.

Wie aus Fig. 6 ersichtlich ist, ist es ein wesentlicher Vorteil, dass die Testfahrten der Basiskonfiguration durch die Anwendung des Fahrzeugmodells 0,4<2 auf die gleiche Zeitbasis bzw. Streckenbasis wie die Testfahrt der zu testenden Konfiguration transformiert wird. Dadurch ist ein direkter Wertevorteil möglich.

Es wird darauf hingewiesen, dass es sich bei den beschriebenen Ausführungsbeispielen lediglich um Beispiele handelt, die den Schutzbereich, die Anwendung und den Aufbau in keiner Weise einschränken sollen. Vielmehr wird dem Fachmann durch die vorausgehende Beschreibung ein Leitfaden für die Umsetzung mindestens eines Ausführungsbeispiels gegeben, wobei diverse Änderungen, insbesondere im Hinblick auf die Funktion und Anordnung, vorgenommen werden können, ohne den Schutzbereich zu verlassen, wie er sich aus den Ansprüchen und diesen äquivalenten Merkmalskombinationen ergibt.

Insbesondere können einzelne Ausführungsbeispiele miteinander kombiniert werden.

Bezugszeichenliste

1 Zu testende Konfiguration

2 Basiskonfiguration

Opase Fahrzeugmodell

X Datensatz

X, Y Größen

Xpase Datensatz einer Basiskonfiguration

X’ pase Ausgewählter Datenbereich aus Basiskonfiguration

Yoase: Ypase Datensatz einer Betriebsgröße der Basiskonfiguration

Xyar Datensatz einer zu testenden Konfiguration

Yoar Datensatz wenigstens einer Betriebsgröße der zu testende Konfiguration W Beeinflussungszeitraum

W Menge der betrachteten Beeinflussungszeiträume t Zeit

co Aggregatsfunktion

z Menge der betrachteten Aggregatsfunktionen

CO Kohlenstoffmonoxid

CO2 Kohlenstoffdioxid

NOx Stickstoffoxid

PN Partikelanzahl

Claims

Patentansprüche

1. Computer-gestütztes Verfahren (100) zum Analysieren und/oder Optimieren einer Konfiguration einer Fahrzeuggattung auf der Grundlage eines RDE-Testbetriebs, folgende Arbeitsschritte aufweisend:

Aufzeichnen (101) eines ersten Datensatzes (X,.,) von gemessenen Betriebsgrößen einer zu testenden Konfiguration (1) eines Fahrzeugs der Fahrzeuggattung und von Umgebungsgrößen als Funktion einer zurückgelegten Strecke und/oder einer vergangenen Zeitdauer während eines RDE-Testbetriebs der zu testenden Konfiguration (1), wobei ein Teil (y„ar) des ersten Datensatzes (X,.,) ein Betriebsverhalten (in Bezug auf einen bestimmten Aspekt) der zu testenden Konfiguration (1) bei bestimmten Betriebsbedingungen charakterisiert;

Simulieren (102) eines Betriebsverhaltens einer Basiskonfiguration (2) eines Fahrzeugs der Fahrzeuggattung mittels eines Fahrzeugmodells (0,42) der Basiskonfiguration (2), wobei beim Simulieren ein oder mehrere Größen des ersten Datensatzes (X,ar) Eingangsgrößen des Fahrzeugmodells (9,as2) Sind und ein zweiter Datensatz (nase) Wenigstens einer Betriebsgröße der Basiskonfiguration (2) erzeugt wird und wobei der zweite Datensatz (Ypase) ein Betriebsverhalten der Ba-

siskonfiguration (2) bei den bestimmten Betriebsbedingungen charakterisiert; und

Vergleichen (103) des Betriebsverhaltens der zu testenden Konfiguration (1) mit dem Betriebsverhalten der Basiskonfiguration (2) auf der Grundlage des Teils (Yıar)

des ersten Datensatzes (X,a,-) und des zweiten Datensatzes (Ypase)-

2, Verfahren (100) nach Anspruch 1, wobei die Größen des aufgezeichneten ersten Datensatzes (X,.,-); welche beim Simulieren als Eingangsgrößen verwendet werden, einen Fahrstil und Umgebungsbedingungen charakterisieren.

3. Verfahren (100) nach Anspruch 1 oder 2, wobei das Fahrzeugmodell (0,4se) eine Zuordnungsvorschrift zwischen Betriebsbedingungen, insbesondere Fahrstil und Umgebungsbedingungen, einerseits und dem Betriebsverhalten andererseits aufweist, wobei das Fahrzeugmodell (9,4se) auf einer Ausgleichsrechnung, insbesondere einem künstlichen neuronalen Netz oder einem Random-Forest-Algorithmus, bezüglich eines dritten Datensatzes (X,ase) beruht, welcher aus mehreren RDETestbetrieben mit jeweils unterschiedlichen Betriebsbedingungen resultiert.

4. Verfahren (100) nach einem der vorhergehenden Ansprüche 1 bis 3, wobei auch der zweite Datensatz (Ypase) der wenigstens einen Betriebsgröße der Basiskonfiguration (2) als Funktion einer zurückgelegten Strecke und/oder einer vergangenen Zeitdauer aufgezeichnet wird.

5. Verfahren (100) nach einem der vorhergehenden Ansprüche 1 bis 4, des Weiteren den Arbeitsschritt aufweisend:

Ermitteln (104) einer Kenngröße auf der Grundlage des Vergleichens; und Ausgeben (105) der Kenngröße.

6. Verfahren (100) nach einem der vorhergehenden Ansprüche 1 bis 5, wobei die zu testende Konfiguration (1) und die Basiskonfiguration (2) sich durch eine Katalysator-Alterung oder eine Befüllung eines Partikelfilters unterscheiden und wobei der

zweite Datensatz ($„ase) wenigstens Werte einer Emission enthält.

7. Verfahren (100) nach einem der vorhergehenden Ansprüche 1 bis 6, des Weiteren den Arbeitsschritt aufweisend: Optimieren (106) der Konfiguration der Fahrzeuggattung auf der Grundlage des Vergleichens oder des Kennwerts.

8. Verfahren (200) zum Trainieren eines Fahrzeugmodells (nase) Zum Simulieren ei-

nes Betriebsverhaltens eines Fahrzeugs, folgende Arbeitsschritte aufweisend:

Durchführen (201) von mehreren RDE-Testbetrieben einer einzigen Konfiguration (2) der Fahrzeuggattung, wobei die RDE-Testbetriebe mit jeweils unterschiedlichen Testumgebungen und wenigstens einem Fahrzeug der Konfiguration (2) durchge-

führt werden;

Aufzeichnen (202) eines Datensatzes (Xpase) von gemessenen Betriebsgrößen der Konfiguration (2) und Umgebungsgrößen als Funktion einer zurückgelegten Strecke und/oder einer vergangenen Zeitdauer, wobei ein Teil (ypase) des Datensatzes (Xpase) das Betriebsverhalten der Konfiguration in den unterschiedlichen Testumgebungen charakterisiert;

Auswählen (203) von einem Datenbereich (X’pase) aus dem Datensatz (Xpase), für welchen eine Korrelation von Betriebsbedingungen, insbesondere Fahrstil und

Umgebungsbedingungen, einerseits und dem Betriebsverhalten andererseits feststellbar ist, insbesondere mittels einer statistischen Methode; und

Trainieren (204) des Fahrzeugmodells (9,42) durch Einlesen des ausgewählten Datenbereichs (X’pase) in eine Ausgleichsrechnung, insbesondere ein künstliches neuronales Netz oder ein Random-Forest-Algorithmus, welche die Grundlage für

das Fahrzeugmodell (9,ase) bildet.

9. Verfahren (200) nach Anspruch 8, wobei beim Auswählen des Datenbereichs (X’pase); insbesondere von die Betriebsbedingungen charakterisierenden Größen, eine Feature Selection-Methode, angewendet wird.

10. Verfahren (200) nach Anspruch 9, wobei zur Identifikation von Kandidaten-Größen für die Feature Selection-Methode gleitende Beeinflussungsbereiche (w) in dem Datensatz (Xpase) gebildet werden, welche auf Korrelationen zwischen Betriebsbedingungen, insbesondere Fahrstil und Umgebungsbedingungen, einerseits und dem Betriebsverhalten andererseits untersucht werden.

11. Verfahren (100; 200) nach einem der Ansprüche 1 bis 10, wobei die Eingangsgrößen des Fahrzeugmodells (9,42) oder Größen in dem Datenbereich (X’pase) in der Weise ausgewählt sind, dass diese unabhängig von der jeweiligen Konfiguration (1, 2) der Fahrzeuggattung sind.

12. Computerprogramm, das Anweisungen umfasst, welche, wenn sie von einem Computer ausgeführt werden, diesen dazu veranlassen, die Schritte eines Verfahrens gemäß einem der Ansprüche 1 bis 11 auszuführen.

13. Computer-lesbares Medium, auf dem ein Computerprogramm nach Anspruch 12

gespeichert ist.

14. System (10) zum Analysieren und/oder Optimieren einer Konfiguration einer Fahrzeuggattung auf der Grundlage eines RDE-Testbetriebs, aufweisend:

Sensoren (11) zur Erfassung von Betriebsgrößen einer zu testenden Konfiguration eines Fahrzeugs der Fahrzeuggattung;

Datenverarbeitungsmittel (12) zum Aufzeichnen (101) eines ersten Datensatzes (Xyar) von Betriebsgrößen einer zu testenden Konfiguration (1) eines Fahrzeugs der Fahrzeuggattung und von Umgebungsgrößen als Funktion einer zurückgelegten Strecke und/oder einer vergangenen Zeitdauer während eines RDETestbetriebs der zu testenden Konfiguration (1), wobei ein Teil (y„ar) des ersten Datensatzes (X,ar) das Betriebsverhalten der zu testenden Konfiguration (1) bei bestimmten Betriebsbedingungen charakterisiert;

Simulationsmittel (13) zum Simulieren (102) eines Betriebsverhaltens einer Basiskonfiguration (2) eines Fahrzeugs der Fahrzeuggattung mittels eines Fahrzeugmodells (9,ase) der Basiskonfiguration (2), wobei beim Simulieren Größen des aufgezeichneten ersten Datensatzes (X,ar) Eingangsgrößen des Fahrzeugmodells (Opase) Sind und ein zweiter Datensatz (nase) Wenigstens einer Betriebsgröße der Basiskonfiguration (2) erzeugt wird und wobei der zweite Datensatz (Y„ase) das Betriebsverhalten der Basiskonfiguration (2) bei den bestimmten Betriebsbedingungen charakterisiert; und

Vergleichsmittel (14) zum Vergleichen (103) des Betriebsverhaltens der zu testenden Konfiguration (1) mit dem Betriebsverhalten der Basiskonfiguration (2) auf der Grundlage des Teils (y„ar) desersten Datensatzes (X,a-) und des zweiten Daten-

satzes (Ypase)-