-
Technisches
Gebiet
-
Die
Erfindung betrifft ein Verfahren zum Ermitteln eines Werts eines
Modellparameters eines Referenzfahrzeugmodells. Die Erfindung betrifft
ferner eine Vorrichtung, die zur Durchführung des Verfahrens geeignet
ist.
-
Hintergrund
und Stand der Technik
-
Fahrdynamikregelsysteme,
wie beispielsweise das bekannte ESP-System (ESP: Elektronisches
Stabilitätsprogramm)
stabilisieren das Fahrzeug, indem eine Regelabweichung zwischen
einem Istwert einer Zustandsgröße des Fahrzeugs,
der mittels eines Fahrzeugsensor gemessen wird, und einem Referenzwert
der Fahrzustandsgröße durch
eine Beeinflussung des Fahrverhaltens mittels eines Aktuators ausgeregelt
wird. Der Referenzwert der Zustandsgröße wird üblicherweise anhand eines Fahrzeugmodells
ermittelt. Die einsetzbaren Fahrzeugmodelle enthalten in der Regel
mehrere Parameter, die an einen bestimmten Fahrzeugtyp angepasst
werden müssen,
damit das Modell das Referenzverhalten eines konkreten Fahrzeugs
korrekt wiedergibt. Zur Parametrierung von Fahrzeugmodellen wird üblicherweise
ein umfangreiches Fahrprogramm mit vorgegebenen Fahrmanövern durchgeführt, bei
denen Messdaten aufgezeichnet werden, die nach Abschluss des Fahrprogramms
zur Offline-Identifikation der Parameter heranzogen werden. Bei
konstruktiven Veränderungen
am Fahrzeug muss dieses Vorgehen in der Regel wiederholt werden,
um die Modellparameter an die Veränderungen anzupassen. Die Parametrierung
der Fahrzeugmodelle durch eine Offline-Identifikation anhand Messdaten, die
bei Fahrversuchen aufgezeichnet werden, ist daher mit einem sehr
hohen zeitlichen Aufwand verbunden, was insbesondere angesichts
immer kürzer
werdender Entwicklungszeiten nachteilig ist.
-
Darstellung
der Erfindung
-
Es
ist eine Aufgabe der vorliegenden Erfindung, den Aufwand für die Ermittlung
von Fahrzeugmodellparametern zu verringern.
-
Erfindungsgemäß wird diese
Aufgabe durch ein Verfahren mit den Merkmalen des Patentanspruchs
1 sowie durch eine Vorrichtung mit den Merkmalen des Patentanspruchs
15 gelöst.
-
Demgemäß wird ein
Verfahren der eingangs genannten Art bereitgestellt, bei dem ein
Schätzwert
des Modellparameters in Abhängigkeit
von wenigstens einer Fahrzustandsgröße und/oder einer von einem
Fahrer vorgegebenen Größe mittels
eines künstlichen
neuronalen Netzes mehrmals ermittelt wird, wobei das künstliche
neuronale Netz vor einer wieder holten Ermittlung des Schätzwerts
anhand eines Lernverfahrens derart angepasst wird, dass sich der
Schätzwert
des Modellparameters dem tatsächlichen
Wert des Modellparameters annähert.
Nach einer wiederholten Ermittlung wird der Schätzwert als Wert des Modellparameters
gespeichert.
-
Ferner
wird eine Vorrichtung zum Ermitteln eines Werts eines Referenzmodells
eines Fahrzeugs vorgeschlagen. Die Vorrichtung umfasst ein künstliches
neuronales Netz, das dazu ausgebildet ist, einen Schätzwert des
Modellparameters in Abhängigkeit
von wenigstens einer zweiten Fahrzustandsgröße und/oder einer von einem
Fahrer vorgegebenen Größe mehrmals
zu ermitteln, wobei das künstliche
neuronale Netz vor einer wiederholten Ermittlung des Schätzwerts
derart anpassbar ist, dass sich der Schätzwert des Modellparameters dem
tatsächlichen
Wert des Modellparameters annähert.
Nach einer wiederholten Ermittlung ist der Schätzwert als Wert des Modellparameters
in einem Speicher speicherbar.
-
Vorteilhaft
wird ein künstliches
neuronales Netz zum Schätzen
der Parameter eines Fahrzeugreferenzmodells eingesetzt, das dazu
trainiert wird, die Parameter möglichst
realistisch zu bestimmen. Dazu wird das künstliche neuronale Netz mittels
eines Lernverfahrens derart angepasst, dass sich der Schätzwert des Modellparameter
bei einer wiederholten Berechnung an den tatsächlichen Wert des Parameters
annähert. Künstliche
neuronale Netze sind dazu in der Lage, komplexe Probleme, die von
einer Vielzahl von Faktoren beeinflusst werden, zu lösen bzw.
deren Lösung
zu erlernen. Ein Vorteil der Verwendung eines künstlichen neuronalen Netzes
zur Schätzung
der Parameter eines Referenzmodells besteht daher darin, dass die
Werte der Parameter ermittelt werden können, ohne dass zur Bestimmung
der Modellparameter ein Fahrprogramm mit definierten Fahrmanövern durchgeführt werden
muss, welche die maßgeblichen
Faktoren in bestimmter Weise festlegen. Hierdurch ist die Bestimmung
der Parameter einfacher und in kürzerer
Zeit möglich.
-
In
einer Ausführungsform
des Verfahrens und der Vorrichtung ist es vorgesehen, dass der Schätzwert des
Modellparameters als Wert eines Parameters in einem weiteren Fahrzeugmodell
zugrunde gelegt wird, wobei mittels des weiteren Fahrzeugmodells
der Wert wenigstens einer dritten Fahrzustandsgröße bestimmt wird und wobei
die Anpassung des künstlichen
neuronalen Netzes in Abhängigkeit
von dem Ergebnis eines Vergleichs zwischen dem berechneten Wert
und einem mithilfe von Fahrzeugsensoren ermittelten Wert der dritten
Fahrzustandsgröße durchgeführt wird.
-
Eine
direkte Messung des Modellparameters ist, wie eingangs dargestellt,
in der Regel nicht möglich. Daher
kann der tatsächliche
Wert des Parameters auch nicht für
das Training des künstlichen
neuronalen Netzes verwendet werden. In der zuvor genannten Ausführungsform
ist es daher vorteilhaft vorgesehen, dass die Anpassung anhand eines
Vergleichs zwischen dem anhand des geschätzten Parameterwerts berechneten und
einem mithilfe von Sensoren ermittelten Wert einer Fahrzustandsgröße erfolgt.
-
Das
Referenzfahrzeugmodell und das weitere Fahrzeugmodell können im
Allgemeinen verschieden voneinander sein, wobei das weitere Fahrzeugmodell
so gewählt
ist, dass es die Parameter des Referenzfahrzeugmodells umfasst.
Da mittels des künstlichen
neuronalen Netzes alle Parameter des weiteren Fahrzeugmodells bestimmt
werden müssen,
um das Lernverfahren durchführen
zu können,
ist es vorteilhaft, wenn das weitere Fahrzeugmodell einen möglichst
geringen Parameterüberschuss
gegenüber
dem Referenzfahrzeugmodell aufweist.
-
Eine
weitere Ausgestaltung des Verfahrens und der Vorrichtung sieht daher
vor, dass das Referenzfahrzeugmodell und das weitere Fahrzeugmodell
identisch sind.
-
Hierdurch
wird vermieden, dass mit dem künstlichen
neuronalen Netz Parameter des weiteren Fahrzeugmodells bestimmt
werden müssen,
die nicht in dem Referenzmodell enthalten sind, so dass die Anzahl der
mittels des künstlichen
neuronalen Netzes zu bestimmenden Parameter minimiert wird.
-
Eine
Weiterbildung des Verfahrens und der Vorrichtung beinhaltet, dass
es sich bei dem Lernverfahren um ein Verfahren zum überwachten
Lernen handelt.
-
Das überwachte
Lernen hat den Vorteil, dass das Training des künstlichen neuronalen Netzes
sehr zielgerichtet ist und sehr rasch realistische Schätzwerte
für die
Modellparameter erhalten werden.
-
Eine
Ausgestaltung des Verfahrens und der Vorrichtung zeichnet sich dadurch
aus, dass es sich bei dem Lernverfahren um ein Backpropagation-Verfahren
handelt.
-
Fahrzeugmodelle
enthalten in der Regel Näherungen,
die nur in einem bestimmten Fahrzustandsbereich gültig sind
bzw. zu einer realistischen Beschreibung des Fahrzeugverhaltens
führen.
Das Training des künstlichen
neuronalen Netzes kann daher besonders wirkungsvoll in dem Gültigkeitsbereich
des weiteren Fahrzeugmodells durchgeführt werden. In einem Bereich,
in dem das Fahrzeugmodell nicht gültig ist, könnte es wegen der dann bestehenden
Ungenauigkeit des Modells zu fehlerhaften Anpassungen des künstlichen neuronalen
Netzes kommen.
-
Eine
Ausgestaltung des Verfahrens und der Vorrichtung ist daher dadurch
gekennzeichnet, dass die Anpassung des künstlichen neuronalen Netzes
mittels des Lernverfahrens nur dann vorgenommen wird, wenn der mithilfe
der Fahrzeugsensoren ermittelte Wert der dritten Fahrzustandsgröße in einem
vorgegebenen beschränkten
Bereich liegt.
-
Eine
weitere Ausgestaltung des Verfahrens und der Vorrichtung zeichnet
sich dadurch aus, dass der beschränkte Bereich einem Gültigkeitsbereich
des weiteren Fahrzeugmodells entspricht.
-
Unter
dem Gültigkeitsbereich
des weiteren Fahrzeugmodells wird der Fahrzustandsbereich verstanden,
in dem das Modell das Fahrverhalten des Fahrzeugs realistisch beschreibt.
-
Eine
Weiterbildung des Verfahrens und der Vorrichtung sieht vor, dass
mittels des künstlichen
neuronalen Netzes Abweichungen des Schätzwerts des Modellparameters
von einem vorgegebenen Ausgangswert ermittelt werden.
-
Bei
dieser Weiterbildung wird der Schätzwert des Modellparameters
vorteilhaft nicht direkt mittels des künstlichen neuronalen Netzes
berechnet, sondern das künstliche
neuro nale Netz bestimmt Abweichungen des Parameterwerts von einem
vorgegebenen Ausgangswert.
-
Anhand
des Verfahrens und der Vorrichtung wird es ermöglicht, die Bestimmung des
Werts des Modellparameters auch während des Normalbetriebs durchzuführen.
-
Bei
einer Ausgestaltung des Verfahrens und der Vorrichtung ist es daher
vorgesehen, dass der Schätzwert
des Modellparameters während
eines Normalbetriebs des Kraftfahrzeugs ermittelt wird.
-
Eine
weitere Ausgestaltung des Verfahrens und der Vorrichtung zeichnet
sich dadurch aus, dass sich der Wert des Parameters mit der Zeit
verändert.
-
Bei
dieser Ausgestaltung können
insbesondere Werte von Parametern, die sich während des Betriebs des Fahrzeugs
verändern,
stets aktualisiert werden. Beispiel für derartige Modellparameter
sind Parameter, deren Wert sich bei einer Veränderung des Beladungszustands
des Fahrzeugs oder aufgrund von Verschleiß verändert.
-
Eine
Ausführungsform
des Verfahrens und der Vorrichtung beinhaltet, dass der Modellparameter
enthalten ist in der Gruppe, umfassend eine Masse des Fahrzeugs,
Trägheitsmomente
des Fahrzeugs und Schräglaufsteifigkeiten
von Rädern
des Fahrzeugs.
-
Die
Werte der genannten Parameter verändern sich in der Regel während des
Betriebs des Fahrzeugs beispielsweise aufgrund einer Veränderung
des Beladungszustands des Fahrzeugs oder einer Abnutzung der Reifen
bzw. bei einem Reifenwechsel. Vorteilhaft können die veränderten
Werte während
des Normalbetriebs des Fahrzeugs ermittelt werden.
-
Eine
Weiterbildung des Verfahrens und der Vorrichtung sieht vor, dass
der Schätzwert
in einem nicht-flüchtigen
Speicher des Fahrzeugs gespeichert wird und dass der gespeicherte
Wert aktualisiert wird, wenn sich der Schätzwert gegenüber dem
gespeicherten Wert verändert.
-
Die
Verwendung eines nicht-flüchtigen
Speichers hat den Vorteil, dass die gespeicherten Werte erhalten
bleiben, wenn das Fahrzeug bzw. dessen Zündung abgeschaltet wird. Bei
einem Zündungsneustart
können
damit die zuletzt gespeicherten Werte wieder ausgelesen werden.
Wenn sich der Wert eines Parameters beispielsweise aufgrund eines
veränderten
Beladungszustands des Fahrzeugs gegenüber dem gespeicherten Wert
verändert,
wird der gespeicherte Wert vorteilhaft aktualisiert.
-
Darüber hinaus
wird ein Verfahren zum Beeinflussen des Fahrzustands eines Kraftfahrzeugs
bereitgestellt, bei dem der Fahrzustand in Abhängigkeit von einer Abweichung
zwischen einem Istwert einer ersten Fahrzustandsgröße und einem
Referenzwert der ersten Fahrzustandsgröße beeinflusst wird. Der Referenzwert
wird in einem wenigstens einen Modellparameter enthaltenden Referenzfahrzeugmodell
ermittelt, und ein Wert des Modellparameters wird anhand eines Verfahrens
der zuvor dargestellten Art bestimmt.
-
Zudem
wird ein System zum Beeinflussen des Fahrzustands eines Kraftfahrzeugs
bereitgestellt, das eine Regeleinrich tung umfasst, die dazu ausgebildet
ist, in Abhängigkeit
von einer Abweichung zwischen einem Istwert einer ersten Fahrzustandsgröße und einem
Referenzwert der ersten Fahrzustandsgröße eine Stellgröße zur Ansteuerung
eines den Fahrzustand beeinflussenden Aktuators zu bestimmen. Der
Referenzwert ist dabei in einem wenigstens einen Modellparameter
enthaltenden Referenzfahrzeugmodell ermittelbar, wobei das System
eine Vorrichtung der zuvor beschriebenen Art zum Ermitteln eines
Werts des Modellparameters umfasst.
-
Ferner
wird ein Computerprogrammprodukt bereitgestellt, das einen Algorithmus
definiert, der ein Verfahren nach einem der Patentansprüche 1 bis
13 umfasst.
-
Die
genannten und weitere Vorteile, Besonderheiten und zweckmäßige Ausgestaltung
der Erfindung werden auch anhand der Ausführungsbeispiele deutlich, die
im Folgenden unter Bezugnahme auf die Figuren beschrieben werden.
-
Kurze Beschreibung
der Figuren
-
Von
den Figuren zeigt:
-
1 ein
schematisches Blockdiagramm eines Fahrdynamikregelsystems,
-
2 eine
Veranschaulichung miteinander verbundener Neuronen,
-
3 eine
schematisches Blockdiagramm zur Darstellung der grundsätzlichen
Struktur eines Neurons,
-
4a ein
Diagramm, das eine Aktivierungsfunktion eines Neurons in einer Ausführungsform
darstellt,
-
4b ein
Diagramm, das eine Aktivierungsfunktion eines Neurons in einer weiteren
Ausführungsform
darstellt,
-
5 eine
schematische Darstellung eines künstlichen
neuronalen Netzes in einer ersten Ausführungsform,
-
6 eine
schematische Darstellung eines künstlichen
neuronalen Netzes in einer zweiten Ausführungsform,
-
7 eine
schematische Darstellung eines künstlichen
neuronalen Netzes in einer dritten Ausführungsform,
-
8 ein
schematisches Blockdiagramm einer Einrichtung zum Schätzen von
Modellparametern eines Fahrzeugmodells.
-
Darstellung
von Ausführungsbeispielen
-
In 1 ist
schematisch eine grundsätzliche
Struktur einer Fahrdynamikregelung für ein Fahrzeug 101 anhand
eines Blockdiagramms des Regelkreises dargestellt. Bei dem Fahrzeug
kann es sich beispielsweise um einen PKW oder einen LKW handeln.
Bei der Regelgröße Y handelt
es sich im Allgemeinen um eine geeignete Fahrzustandsgröße. Im Falle
des dem Fachmann an sich bekannten ESP wird beispielsweise die Gierrate ψ . und/oder
der Schwimmwinkel β als
Regelgröße herangezogen.
Der aktuelle Istwert Yist der Regelgröße Y wird
entweder mittels eines Sensors des Fahrzeugs 101 direkt
gemessen oder aus den Messwerten von einem oder mehreren Sensoren
abgeleitet. Aus der Differenz zwischen dem Istwert Yist und
einem Referenzwert Yref der Regelgröße Y wird
die Regelabweichung ΔY
= Yref – Yist berechnet. Die Regelabweichung ΔY stellt
die Eingangsgröße einer
Regeleinrichtung 102 dar, die in Abhängigkeit von der Regelabweichung
ein Ausgangssignal berechnet. Die Regeleinrichtung 102 wird üblicherweise
aktiviert, wenn die Regelabweichung ΔY sowie gegebenenfalls weitere
Größen vorgegebene
Regelungseintrittsschwellenwerte überschreiten. Die Ausgangssignale
der Regeleinrichtung 102 entsprechen einer Stellanforderung,
nach deren Maßgabe
wenigstens ein Aktuator 103 angesteuert wird, mit dem das
Fahrverhalten des Fahrzeugs 101 beeinflusst werden kann.
Im Falle des ESP handelt es sich bei den Ausgangssignalen beispielsweise
um eine Giermomentenanforderung, die mittels des Aktuators 103 umgesetzt
wird. Bei dem Aktuator 103 kann es sich beispielsweise um
einen dem Fachmann bekannten Bremsenaktuator handeln, mit dem radindividuelle
Bremsdrücke
in den Radbremsen des Fahrzeugs 101 gezielt aufgebaut werden
können.
Gleichfalls kann ein Lenkungsaktuator verwendet werden, mit dem
ein Lenkmoment in den Lenkstrang des Fahrzeugs 101 eingesteuert
oder mit dem fahrerunabhängig
ein Radeinschlagswinkel an lenkbaren Rädern des Fahrzeugs 101 verändert werden
kann. Der Lenkungsaktuator kann beispielsweise als eine so genannte Überlagerungslenkung
ausgeführt
sein. Ferner kann zur Beeinflussung des Fahrverhaltens in dem Antriebsmotor
des Fahrzeugs 101 oder in den Triebstrang eingegriffen
werden. Darüber
hinaus sind dem Fachmann weitere Aktuatoren 103 wie beispielsweise
aktive Wankstabilisatoren bekannt, mit denen das Fahrverhalten beeinflusst
werden kann und die bei der Fahrdynamikregelung eingesetzt werden
können.
Vorzugsweise werden mehrere der zuvor genannten Aktuatoren 103 eingesetzt,
wobei das Fahrdynamikregelsystem beispielsweise über eine Verteileinrichtung
verfügen
kann, die aus der Stellanforderung der Regeleinrichtung 102 mehrere
Teilanforderungen bestimmt, nach deren Maßgabe jeweils ein Aktuator 103 angesteuert
wird.
-
Die
Berechnung des Referenzwerts Y
ref der Regelgröße Y erfolgt
in der Referenzwertberechnungseinrichtung
104 auf der Basis
eines Referenzmodells des Fahrzeugs
101 anhand von Größen E, die
den vom Fahrer gewünschten
Fahrzustand des Fahrzeugs
101 angeben. Als Referenzfahrzeugmodell
können
verschiedene Modelle des Fahrzeugs
101 wie Einspurmodelle
oder Zweispurmodelle in linearer oder nicht linearer Ausführungsform
verwendet werden. Bei den Größen E handelt
es sich beispielsweise um den von dem Fahrer an den lenkbaren Rädern eingestellten
Radeinschlagswinkel, der mittels eines Lenkwinkelsensors erfasst
werden kann, und der von dem Fahrer eingestellten Fahrzeuggeschwindigkeit,
die beispielsweise mit Hilfe von Raddrehzahlsensoren feststellbar
ist. Das dargestellte Fahrdynamikregelsystem ist dem Fachmann insoweit
an sich bekannt. Im Hinblick auf eine Gierratenregelung und Regeleingriffe
in das Bremssystem und die Motorsteuerung wird ein derartiges Fahrdynamikregelsystem
beispielsweise in der Offenlegungsschrift
DE 195 15 059 A1 beschrieben.
-
Das
Referenzfahrzeugmodell beschreibt das Verhalten des Fahrzeugs 101 anhand
von Parametern, die an dieses Fahrzeug 101 angepasst werden
müssen.
Hierbei handelt es sich insbe sondere um geometrische Parameter,
die in einfacher Weise bestimmbar und im Wesentlichen nicht veränderlich
sind. Diese Parameter können
an einem Prototyp des Fahrzeugs 101 bestimmt und in einem
nicht-flüchtigen
Speicher 105 des Fahrdynamikregelsystems gespeichert werden,
der mit der Referenzwertberechnungseinrichtung 104 in Verbindung
steht. Darüber
hinaus enthält
das Referenzfahrzeugmodell in der Regel jedoch auch Parameter, die nur
in Fahrversuchen bestimmbar sind. Während des Betriebs des Fahrzeugs 101 können sich
die Werte dieser Parameter zudem verändern. Beispiele für derartige
Parameter sind die Masse des Fahrzeugs 101, Trägheitsmomente
des Fahrzeugs 101 oder Schräglaufsteifigkeiten der Reifen
des Fahrzeugs 101.
-
Schätzwerte
der Parameter des verwendeten Referenzfahrzeugmodells werden mittels
eines künstlichen
neuronalen Netzes (KNN) 500 bestimmt, das anhand eines
Lernverfahrens angepasst wird, um die Schätzwerte möglichst gut an die korrekten
Werte der Parameter anzunähern.
-
Ein
KNN 500 besteht aus mehreren Neuronen 201 und
gerichteten Verbindungen zwischen den Neuronen 201. Wie
anhand von 2 beispielhaft für sieben
Neuronen 201 in zwei Schichten veranschaulicht, ist jeder
Verbindung zwischen zwei Neuronen 201i und 201 eines
KNN 500 ein Verstärkungsfaktor
aij zugeordnet. Der Verstärkungsfaktor
aij kann auch als Funktionswert einer Verstärkungsfunktion
berechnet werden. Über
die Verbindung werden Daten mit dem Verstärkungsfaktor aij gewichtet
von einem Neuron 201i zu einem
Neuron 201 übertragen.
Die Indizes der Neuronen 201 sind in 2 ebenfalls
angegeben.
-
Die
Struktur eines Neurons 201i ist
in der 3 schematisch veranschaulicht. Jedem Neuron 201i ist eine Propagierungsfunktion zugeordnet,
welche die Eingänge α1,
..., αN des Neurons 201i zueinander
in Beziehung setzt (Block 301). Mit Hilfe der Propagierungsfunktion
wird für
ein Neuron 2011 eine Eingangsgröße neti bestimmt, die auch als Netzeingabe bezeichnet
wird. In einer Ausführungsform
entspricht die Netzeingabe neti der gewichteten
Summe der Eingänge
des Neurons 201i . Zudem ist jedem
Neuron 201i eine Aktivierungsfunktion
fact,i zugeordnet, die auf die Netzeingabe
angewendet wird und mit welcher der aktuelle Aktivierungsgrad ai = fact,i(neti) des Neurons 201i bestimmt
wird (Block 302). Beispiele für mögliche Aktivierungsfunktionen
fact,i sind eine Stufenfunktion, wie sie
in 4a dargestellt ist, und eine Funktion mit einem
linearen Bereich und daran anschließenden konstanten Bereichen,
wie sie in 4b dargestellt ist. Weitere
Beispiele für
Aktivierungsfunktionen sind Sigmoidfunktionen, hyperbolische Tangensfunktionen
oder logistische Funktionen. Die Stelle, an der die Aktivierungsfunktion
fact,i des Neurons 201i die
größte Steigung
aufweist, wird als Schwellenwert des Neurons 201i bezeichnet
und beschreibt die Stelle, an der das Neuron 201i besonders
empfindlich ist. Darüber
hinaus ist jedem Neuron 201i eine
Ausgabefunktion fact,i zugeordnet, die auf
den Aktivierungsgrad ai angewendet wird,
um die Ausgabe oi des Neurons 201i zu ermitteln (Block 303).
In der Regel kann die Ausgabefunktion fout,i als
Identitätsfunktion
angesetzt werden, da die Ausgabe oi mittels
der Aktivierungsfunktion fact,i bereits
hinreichend gut eingestellt werden kann.
-
Die
Topologie des KNN 500 sieht mehrere Schichten von Neuronen 201 vor,
bei denen es sich insbesondere um eine Ein gangsschicht 501 und
eine Ausgangsschicht 502 handelt. Die Neuronen 201 der
Eingangschicht 501 nehmen die Eingangssignale I des KNN 500 an
und leiten sie zur Ausgangsschicht 502 weiter. Die Ausgaben
der Neuronen 201 der Ausgangsschicht 502 entsprechen
den Ausgangssignalen O des KNN 500. Eine beispielhafte
Topologie eines KNN 500, das aus einer Eingangsschicht 501 und
einer Ausgangsschicht 502 besteht, ist in 5 beispielhaft
dargestellt. Das KNN 500 kann auch über eine oder mehrere Zwischenschichten 601 mit
Zwischenneuronen verfügen,
wobei eine Zwischenschicht 601 auch als verdeckte Schicht und
die Zwischenneuronen auch als verdeckte Neuronen bezeichnet werden.
In 6 ist beispielhaft eine Topologie des KNN 500 mit
zwei Zwischenschichten 6011 und 6012 dargestellt. Bei den in den 5 und 6 dargestellten
KNN 500 handelt es sich um so genannte Feed-Forward-Netze,
bei denen die Verbindungen zwischen den Neuronen 201 ausschließlich von
einer Schicht in eine in Richtung der Ausgangsschicht 502 nachfolgende
Schicht verlaufen. Es ist jedoch auch möglich, dass Verbindung von
Neuronen 201 einer Schicht zu Neuronen 201 einer
vorangehenden Schicht verlaufen, was auch als Rückkopplung bezeichnet wird.
In 7 ist ein KNN 500 mit einer beispielhaft
eingezeichneten Rückkopplung
dargestellt. Gleichfalls können
auch so genannte laterale Rückkopplungen
bestehen, bei denen Verbindungen zwischen den Neuronen einer Schicht bestehen.
Zudem kann ein Neuron 201 auch auf sich selbst rückgekoppelt
werden. Ferner muss ein Neuron 201 in einer bestimmten
Schicht nicht ausschließlich
mit Neuronen 201 einer Nachbarschicht verbunden sein, sondern
es können
vielmehr auch Verbindungen zu Neuronen 201 anderer Schichten
bestehen, wie dies in 7 ebenfalls beispielhaft dargestellt
ist.
-
Bei
den Eingangssignalen I des KNN 500, das zur Bestimmung
der Schätzwerte
der Modellparameter eingesetzt wird, handelt es sich um Fahrzustandsgrößen, die
mithilfe von Sensoren des Fahrzeugs 101 gemessen oder aus
den Messwerten von Fahrzeugsensoren bestimmt werden, und/oder um
eine oder mehrere der Größen E, die
von dem Fahrer des Fahrzeugs 101 eingestellt werden. Bei
den als Eingangssignalen I genutzten Fahrzustandsgrößen kann
es sich beispielsweise um die Gierrate, die Gierbeschleunigung,
die Querbeschleunigung, der Schwimmwinkel die Schwimmwinkelgeschwindigkeit
und/oder die Schräglaufwinkel
des Fahrzeugs 101 handeln, wobei diese Aufzählung beispielhaft
und in keiner Weise beschränkend
gemeint ist. Die Gierrate kann dabei mittels eines Gierratensensors
gemessen werden, aus dessen Signalen auch die Gierbeschleunigung
berechnet werden kann. Die Querbeschleunigung kann mittels eines
Querbeschleunigungssensors gemessen werden. Schwimmwinkel, Schwimmwinkelgeschwindigkeit
und Schräglaufwinkel
können aus
den Signalen von Sensoren, wie etwa dem Gierratensensor und/oder
dem Querbeschleunigungssensor abgeleitet werden. Für jedes
Eingangssignal I ist vorzugsweise ein Eingangsneuron in der Eingangsschicht 501 des
verwendeten KNN 500 vorhanden, welches das entsprechende
Eingangssignal entgegennimmt. Die Ausgangssignale O des KNN 500 umfassen
die Schätzwerte
der Modellparameter des Referenzfahrzeugmodells, das innerhalb der
Referenzwertberechnungseinrichtung 104 des Fahrdynamikregelsystems
des Fahrzeugs 101 zur Bestimmung der Referenzwerte Yref der Regelgröße Y herangezogen wird. Für jedes
Ausgangssignal O, d.h. für
jeden zu schätzenden
Parameter, ist vorzugsweise ein Ausgangsneuron in der Ausgangsschicht 502 vorgesehen,
dessen Ausgabe dem Schätzwert
des Parameters entspricht.
-
Darüber hinaus
kann das verwendete KNN 500 grundsätzlich beliebig ausgestaltet
sein. Insbesondere können
die Propagierungs-, Aktivierungs- und Ausgabefunktionen der Neuronen 201 grundsätzlich beliebig gewählt werden.
Ferner kann auch die Topologie des KNN 500 grundsätzlich beliebig
gestaltet sein. In einer vorteilhaften Ausführungsform handelt es sich
bei dem verwendeten KNN 500 um ein dem Fachmann an sich bekanntes
Elman- oder Jordan-Netz.
-
Das
verwendete KNN
500 ist Bestandteil einer Einrichtung zum
Schätzen
der Modellparameter, die in
8 schematisch
anhand eines Blockdiagramms veranschaulicht ist. Wie zuvor bereits
beschrieben, nimmt der Fahrer Einfluss auf den Fahrzustand des Fahrzeugs
101,
indem er bestimmte Größen E, wie
etwa den Radeinschlagswinkel der lenkbaren Räder des Fahrzeugs
101 oder
die Fahrzeuggeschwindigkeit einstellt. Hierdurch stellt sich ein
Fahrzustand ein, der durch Fahrzustandsgrößen beschrieben werden kann.
Mess- oder Schätzwerte
x
i (i = 1, ..., N) der Fahrzustandsgrößen werden
mit Sensoren des Fahrzeugs
101 gemessen oder aus Messwerten
von Sensoren abgeleitet. Die Werte x
i der
Fahrzustandsgrößen sowie
die von dem Fahrer vorgegebenen Größen E werden dem KNN
500 als
Eingangssignale O zugeführt.
In dem KNN
500 werden Schätzwerte p ^
j (j
= 1, ..., M) der Parameter eines Fahrzeugmodells berechnet. Bei
dem Fahrzeugmodell kann es sich um das in der Referenzwertberechnungseinheit
104 verwendete
Referenzfahrzeugmodell oder ein anderes Fahrzeugmodell handeln.
In jedem Falle sollte das Fahrzeugmodell jedoch so gewählt werden,
dass es die zu bestimmenden Parameter des Referenzmodells enthält. Die
in dem KNN
500 ermittelten Schätzwerte
werden
in einer Begrenzungseinrichtung
802 auf physikalisch sinnvolle
bzw. mögliche
Werte be grenzt. Hierdurch werden Schätzwerte p ^
j erhalten,
die physikalisch plausibel sind.
-
In
der Recheneinrichtung 803 werden dann Schätzwerte x ^i(p ^j) der Fahrzustandsgrößen anhand
des gewählten
Fahrzeugmodells berechnet, wofür
der Recheneinrichtung 803 vorzugsweise auch die von dem Fahrer
eingestellten Größen E zugeführt werden.
Für die
Parameter des Fahrzeugmodells werden die begrenzten Schätzwerte p ^j der Berechnung zugrunde gelegt. Die derart
berechneten Schätzwerte x ^i(p ^j)der Fahrzustandsgrößen werden
dann in der Vergleichseinrichtung 804 mit den aus den Messungen
gewonnen Werten xi der Fahrzustandsgrößen verglichen.
In einer Ausführungsform
werden bei dem Vergleich die Differenzen Δxi =
xi – x ^i(p ^j) bestimmt. In
anderen Ausführungsbeispielen
können
dem Vergleich jedoch auch andere mathematische Verknüpfungen,
wie beispielsweise eine Quotientenbildung, zugrunde gelegt werden.
Das Ergebnis des Vergleichs wird einer Adaptionseinrichtung 805 zugeführt, die
das KNN 500 in Abhängigkeit
von dem Ergebnis des Vergleichs anhand eines Lernverfahrens adaptiert.
Das Training des KNN 500 anhand des Lernverfahrens erfolgt
in aufeinanderfolgenden Zyklen, wobei in jedem Zyklus zunächst Schätzwerte p ^j der Parameter p ^j berechnet
und dann eine Anpassung des KNN 500 vorgenommen wird.
-
Grundsätzlich kann
ein Lernverfahren zum bestärkenden
oder zum überwachten
Lernen eingesetzt werden. Beim bestärkenden Lernen erfolgt die
Anpassung des KNN 500 in Abhängigkeit davon, ob im Wesentlichen
korrekte Schätzwerte
der Modellparameter ermittelt worden sind oder nicht. Die Ermittlung
im Wesentlichen korrekter Schätzwerte
kann dabei beispielsweise dann festgestellt werden, wenn die Differenzen Δxi kleiner als vorgegebene Schwellenwerte
sind. Beim überwachten
Lernen erfolgt die Anpassung des KNN 500 in Abhängigkeit
von der Güte
der Schätzwerte.
Die Güte
der Schätzwerte
wird anhand eines vorgegebenen Gütekriteriums
bzw. einer Gütefunktion
bestimmt. Da die tatsächlichen
Werte der zu bestimmenden Parameter hier nicht anhand von Messungen
bestimmt werden können,
wird die Güte
der Schätzung
anhand eines Gütekriteriums
ermittelt, das auf das Ergebnis des Vergleichs zwischen den mithilfe
der Sensoren ermittelten Werte xi und den
in der Recheneinrichtung 804 berechneten Werten x ^i(p ^j) der herangezogenen
Fahrzustandsgrößen angewendet
wird. Das Gütekriterium
kann grundsätzlich
beliebig gewählt
werden. Dabei ist jedoch zu beachten, dass die Schätzgüte von dem
verwendeten Gütekriterium
abhängt.
-
Bei
einem Lernverfahren werden bestimmte Parameter bzw. Größen des
KNN 500 verändert.
Grundsätzlich
können
etwa die Verstärkungsfaktoren
der Verbindung zwischen den Neuronen 201, die Aktivierungs-, Propagierungs-
oder Ausgabefunktion eines oder mehrere Neuronen 201 oder
der Schwellenwert eines oder mehrere Neuronen 201 angepasst
werden. Im Hinblick auf die möglichen
Lernverfahren besteht grundsätzlich keine
Beschränkung.
Es kann grundsätzlich
jedes Lernverfahren genutzt werden, das für das gewählte KNN 500 anwendbar
ist. In einer Ausführungsform,
insbesondere bei Verwendung eines Elman- oder Jordan-Netzes, kann
beispielsweise ein dem Fachmann an sich bekanntes Backpropagation-Verfahren
als Lernverfahren eingesetzt werden, bei dem die Gewichte zwischen
den Neuronen 201 des KNN 500 anhand eines Gradientabstiegsverfahrens
angepasst werden. Ein derartiges Verfahren basiert auf einer zu
minimierenden Fehlerfunktion, die im Falle des Backpropagation-Verfahrens
das zuvor ge nannte Gütekriterium
des Backpropagation-Verfahrens darstellt. Als Fehlerfunktion kann
beispielsweise die Summe der quadrierten Differenzen Δxi verwendet werden.
-
Fahrzeugmodelle
enthalten üblicherweise
Näherungen,
die nur in einem bestimmten Fahrzustandsbereich Gültigkeit
besitzen. Die Anpassung des KNN 500 wird daher in einer
Ausführungsform
nur dann vorgenommen, wenn ein derartiger Fahrzustand vorliegt.
Dies wird in der Aktivierungseinrichtung 806 des in 8 gezeigten
Systems anhand einer Aktivierungslogik ermittelt, die insbesondere
prüft,
ob einige oder alle Werte xi der Fahrzustandsgrößen in einem
vorgegebenen Bereich liegen, der dem Gültigkeitsbereich des Fahrzeugmodells
entspricht. Ist dies der Fall, sendet die Aktivierungseinrichtung 806 ein
Aktivierungssignal an die Adaptionseinrichtung 805, die
daraufhin Anpassungen des KNN 500 vornimmt.
-
Mittels
des KNN 500 werden vorzugsweise taktweise neue Schätzwerte p ^j der Parameter berechnet, die aufgrund der
Anpassung des KNN 800 zunehmend realistischer werden. Hierdurch
erlernt das KNN 500 die Bestimmung von realistischen Schätzwerten p ^j der Modellparameter. Wenn die Abweichung
zwischen dem aus den Messwerten gewonnenen Werte xi und
den mittels des Fahrzeugmodells berechneten Werten x ^i(p ^j) der Fahrzustandsgrößen ausreichend gering ist,
insbesondere, wenn die Differenz Δxi kleiner als ein Schwellenwert ist, werden
die Schätzwerte p ^j in dem Speicher 105 des Fahrdynamikregelsystems
gespeichert. Die Bestimmung der Schätzwerte p ^j kann
nach der Speicherung fortgesetzt werden, um die Werte weiter zu
verbessern. Die gespeicherten Werte werden dabei regelmäßig aktualisiert.
-
Das
zuvor dargestellte Verfahren kann mit einem Prototypen des Fahrzeugs 101 durchgeführt werden, um
die Werte der in dem gewählten
Referenzfahrzeugmodell enthaltenen Parameter vor dem Start der Serienproduktion
des Fahrzeugs 101 zu ermitteln. In diesem Fall werden die
optimierten Schätzwerte p ^j der Parameter bei der Produktion des Fahrzeugs 101 in
dem Speicher 105 des Fahrdynamikregelsystems hinterlegt. Die
Parameterschätzung
kann zudem im Normalbetrieb des Fahrzeugs 101 fortgesetzt
werden. Dafür
wird das Fahrzeug 101 mit der dargestellten Parameterschätzeinrichtung
ausgestattet, welche das Parameterschätzverfahren während des
Betriebs des Fahrzeugs 101 durchführt. Wenn die Abweichung zwischen
dem aus den Messwerten gewonnenen Werte xi und
den mittels des Fahrzeugmodells berechneten Werten x ^i(p ^j) der Fahrzustandsgrößen ausreichend gering ist
bzw. sich verringert, werden die Schätzwerte p ^j in
dem Speicher 105 gespeichert bzw. die bereits gespeicherten
Werte aktualisiert. Da es sich um einen nicht-flüchtigen Speicher 105 wie
etwa ein EEPROM handelt, dessen Daten bei unterbrochener Energiezufuhr
nicht gelöscht
werden, können
die zuletzt gespeicherten Schätzwerte p ^j nach einem Zündungsneustart übernommen
werden.
-
Mittels
der Parameterschätzeinrichtung
können,
wie zuvor dargestellt, direkt Schätzwerte p ^j für die Parameter
des Referenzfahrzeugmodells ermittelt werden. Gleichfalls ist es
jedoch auch möglich,
Abweichungen von vorgegebenen Ausgangswerten zu ermitteln. Dies
ist insbesondere im Normalbetrieb des Fahrzeugs 101 vorteilhaft,
da auf diese Weise die bei Herstellung in dem Speicher 105 abgelegten
Parameterwerte an veränderte
Bedingungen angepasst werden können.
-
Solange
bis sich aufgrund des Parameterschätzverfahrens veränderte Parameterwerte
ergeben, können
die Ausgangswerte verwendet werden. Mittels des KNN 500 können die
Schätzwerte p ^j ermittelt und nachfolgend die Abweichungen
von den Ausgangswerten bestimmt werden. Das KNN 500 kann
jedoch auch so konfiguriert werden, dass es Schätzwerte für die Abweichung liefert. Vorteilhaft
kann dabei durch eine geeignete Konfiguration des KNN 500 eine
prozentual ausgedrückte
relative Abweichung gegenüber
den Ausgangswerten ermittelt werden.
-
Ein
Beispiel für
ein oftmals in Fahrdynamikregelsystemen als Referenzfahrzeugmodell
verwendetes Modell ist das lineare Einspurmodell des Fahrzeugs
101.
Für ein
lineares Einspurmodell gelten die folgenden Modellgleichungen:
-
Hierbei
bezeichnet ψ . die Gierrate des Fahrzeugs 101, β dessen Schwimmwinkel, ν die Fahrzeuggeschwindigkeit
und δ den
Radeinschlagswinkel der lenkbaren Räder des Fahrzeugs 101.
Ferner enthält
das Modell folgende Parameter:
- m:
- Masse des Fahrzeugs
- Jz:
- Trägheitsmoment des Fahrzeugs
bezüglich
seiner Hochachse (Gierachse)
- lν:
- in Fahrzeuglängsrichtung
gemessener Abstand zwischen dem Fahrzeugschwerpunkt und der Vorderachse
- lh:
- in Fahrzeuglängsrichtung
gemessener Abstand zwischen dem Fahrzeugschwerpunkt und der Vorderachse
- cν:
- Seitensteifigkeit
der Vorderreifen
- ch:
- Seitensteifigkeit
der Hinterreifen
-
Die
Fahrzeuggeschwindigkeit ν ist
im Einspurmodell vereinfacht ebenfalls als Parameter modelliert, obwohl
es sich bei ihr um eine Zustandsgröße handelt. Daher wird der
Wert der Fahrzeuggeschwindigkeit ν nicht
geschätzt.
Die übrigen,
zuvor aufgeführten
Parameter des Modells sind jedoch von Interesse und werden daher
geschätzt.
Dabei kann angenommen werden, dass sich die Schwerpunktlage des
Fahrzeugs 101 nicht wesentlich verändert, so dass die beiden Parameter
lν und
lh als konstant angenommen werden können. Sie müssen daher
nicht zwingend geschätzt
werden. Die übrigen
Fahrzeugmodellparameter m, Jz, cv und ch sind nicht
in einfacher Weise ermittelbar und können sich bei einer Veränderung
des Beladungszustands des Fahrzeugs 101, durch Verschleiß der Reifen
oder nach einem Reifenwechsel verändert und werden daher mittels des
KNN 500 geschätzt.
-
Das
lineare Einspurmodell bildet das Fahrzeugverhalten in einem linearen
Fahrbereich realistisch ab. Falls auch in der Recheneinheit 804 das
lineare Einspurmodell verwendet wird, wird die Anpassung des KNN 500 daher
in diesem linearen Fahrbereich vorgenommen. Der Bereich ist dadurch
gekennzeichnet, dass die Querbeschleunigung kleiner als etwa 0,4
g oder 4 m/s2 ist (g bezeichnet die Erdbeschleunigung).
Daher wird in der Aktivierungseinrichtung 806 geprüft, ob der
mittels eines Querbeschleunigungssensors gemessene Wert der Querbeschleunigung
kleiner als dieser Wert ist. Ist dies der Fall, wird die Adaptionseinrichtung 805 aktiviert.
-
Bei
Benutzung der Online-Parameteridentifikation durch ein KNN 500 ergibt
sich eine Vereinfachung der Applikation des Referenzfahrzeugmodells.
Es muss nicht mehr ein umfangreiches, fest definiertes Fahrmanöverprogramm
abgefahren werden, um aus den dabei aufgezeichneten Messsignalen
hinterher die Parameter des Referenzfahrzeugmodells zu berechnen.
Bei dem Online-Identifikationsverfahren auf der Basis von KNN 500 reicht
es aus, die Parameter online während
des Fahrens zu bestimmen bzw. zu lernen. Dabei empfiehlt es sich
aber dennoch, zur Parametrierung ein bestimmtes eventuell abgekürztes Fahrmanöverprogramm abzufahren.
-
Ferner
ergibt sich als Vorteil der Erfindung, dass über die gesamte Lebensdauer
des Fahrzeugs 101 die Parameter durch die Parameterschätzung immer
optimal an eventuell aufgetretenen Parameterveränderungen angepasst sind, die
beispielsweise durch eine Veränderung
des Beladungszustands oder durch Alterung bzw. Verschleiß verursacht
werden kann. Somit stehen in dem Fahrdynamikregelsystem über die
gesamte Lebensdauer des Fahrzeugs 101 die optimalen Parameter
zur Verfügung.