-
Die
Erfindung betrifft ein Verfahren zum Schätzen einer ein Änderungspotential
aufweisenden physikalischen Größe durch eine elektronische Recheneinheit,
insbesondere zum Schätzen der Masse eines unterschiedlich
beladbaren und/oder mit einem Anhänger versehbaren Kraftfahrzeugs, wobei
die elektronische Recheneinheit unter verschiedenen Randbedingungen
aus zumindest einer gemessenen physikalischen Größe
anhand eines vorgegebenen Lernalgorithmus die zu schätzende physikalische
Größe ermittelt, und wobei im Falle der Abschätzung
der Masse eines Kraftfahrzeugs unterschiedliche Fahrsituationen
ausgewertet und die hierfür eingesetzte Antriebsleistung
und/oder Bremsleistung im Lernalgorithmus berücksichtigt
wird. Zum technischen Umfeld wird lediglich beispielshalber auf die
EP 1 430 276 B1 verwiesen.
-
Beispielsweise
für eine erfolgreiche Durchführung von fahrdynamischen
Regelungsprozessen an Kraftfahrzeugen kann es erforderlich, jedoch
zumindest hilfreich sein, wenn die aktuelle Masse des Kraftfahrzeugs,
welche sich bekanntlich durch Beladung, durch eine wechselnde Zahl
von Fahrzeug-Insassen aber auch durch das Ankuppeln eines Anhängers ändern
kann, zumindest mit einer relativen Genauigkeit bekannt ist. Ein
Verfahren zur Abschätzung der Masse eines bewegten Kraftfahrzeugs
oder Gespanns aus einem Kraftfahrzeug und einem Anhänger
unter Auswertung unterschiedlicher Fahrsituationen ist in der eingangs
genannten Schrift beschrieben. Ausdrücklich sei an dieser
Stelle jedoch darauf hingewiesen, dass sich die vorliegende Erfindung nicht
speziell mit der Masseschätzung eines bewegten Kraftfahrzeugs
befasst, sondern allgemein mit einem Schätzverfahren für
eine physikalischen Größe durch eine elektronische
Recheneinheit, welche unter verschiedenen Randbedingungen aus zumindest einer
gemessenen physikalischen Größe anhand eines vorgegebenen
Lernalgorithmus die zu schätzende physikalische Größe
ermittelt.
-
Soll
eine physikalische Größe, welche sich ändern
kann und daher sozusagen ein Änderungspotential aufweist,
wie bspw. die Masse eines Kraftfahrzeugs, geschätzt werden,
so besteht in gewissen Situationen, in denen eine Möglichkeit
für eine Änderung dieser physikalischen Größe
besteht oder bestand, ein Zielkonflikt. Beispielsweise kann im Fall
einer Fahrzeug-Masseschätzung bei Stillstand des Fahrzeugs
mit einer geringen Wahrscheinlichkeit eine signifikante Änderung
der zu schätzenden physikalischen Größe
eintreten bzw. eingetreten sein, nämlich dann, wenn während
eines Fahrzeug-Stillstands bspw. ein schwerer Anhänger
an das zuvor ohne Anhänger bewegte Kraftfahrzeug angekuppelt worden
ist. Zwar ist die Wahrscheinlichkeit, dass dies im Falle eines Fahrzeug-Stillstands
(als o. g. „gewisser Situation”) erfolgt, relativ
gering; mit Sicherheit auszuschließen ist dies jedoch nicht.
In beiden Fällen, nämlich sowohl dann, wenn sich
in einer solchen gewissen Situation die zu schätzende und
ein Änderungspotential aufweisende physikalische Größe nicht
geändert hat, als auch dann, wenn sich diese Größe
geändert hat, soll möglich kurzfristig nach Vorliegen
dieser gewissen Situation, nämlich nach einem Eintritt
einer solchen Änderungs-Möglichkeit, die zu schätzende
physikalische Größe möglichst genau bekannt
sein, d. h. mit relativ hoher Genauigkeit schätzbar bzw.
ermittelt worden sein.
-
Der
genannte Zielkonflikt besteht nun darin, dass man entweder den Lernalgorithmus
jedes Mal nach Eintreten einer solchen genannten gewissen Situation
zurücksetzen („resetten”) könnte
und ein erneutes Lernen ausgehend von einem sinnvollen Ausgangswert
(„Default-Wert”) starten könnte. Dabei würde
man jedoch nach jeder von diesen genannten Situationen einen ggf.
zuvor mit hoher Genauigkeit geschätzten bzw. gelernten
Wert verwerfen, selbst dann, wenn sich am realen Wert der gesuchten
physikalischen Größe nichts geändert
hat oder wenn allenfalls eine geringfügige Änderung
vorliegt. Alternativ könnte eine derartige genannte gewisse
Situationen einfach nicht berücksichtigt werden und von
dem aktuellen bzw. zuvor erlernten Schätzwert ausgehend
unverändert weitergelernt werden. Diese zweitgenannte Variante
hat zwar den Charme, dass in den Fällen, in denen keine
Wertänderung der zu schätzenden physikalischen
Größe erfolgt ist, der bisher gelernte Wert weiterhin
korrekt ist. Jedoch würde man im Falle einer größeren Änderung
des realen Werts der besagten physikalischen Größe
während der genannten gewissen Situation erst nach einer längeren
Zeit, die von der Filterzeitkonstante bzw. allgemein von der Lerngeschwindigkeit
des Lernalgorithmus abhängig ist, diese erfolgte Wert-Änderung erkennen.
In diesem Fall liegt dann auch bezüglich der zu wählenden
Filterzeitkonstante bzw. der Lerngeschwindigkeit des Lernalgorithmus
ein Zielkonflikt zwischen schnellem Lernen insbesondere bei größeren
Wert-Änderungen einerseits, und einem dem nicht zu schnellem
Lernen, welches einen guten Mittelwert mit hoher Genauigkeit bildet,
andererseits, vor.
-
Eine
Abhilfemaßnahme für diese geschilderte Problematik
aufzuzeigen, ist Aufgabe der vorliegenden Erfindung.
-
Die
Lösung dieser Aufgabe ist für ein Verfahren nach
dem Oberbegriff des Anspruchs 1 dadurch gekennzeichnet, dass zwei
grundsätzlich gleiche Lernalgorithmen, welche unabhängig
voneinander zurücksetzbar sind, nebeneinander betrieben
werden, wobei im Falle, dass eine Änderung der zu schätzenden
physikalischen Größe erfolgt sein kann, einer
der beiden Lernalgorithmen zurückgesetzt wird. Vorteilhafte
Weiterbildungen sind Inhalt der Unteransprüche.
-
Erfindungsgemäß können
zwei Lernalgorithmen parallel betrieben werden. Diese sind grundsätzlich
identisch, jedoch können beide unabhängig voneinander
auf einen (sinnvollen) Ausgangswert zurückgesetzt werden,
d. h. es kann jeweils individuell ein „Reset” durchgeführt
werden, und es kann in einer vorteilhaften Weiterbildung deren Lerngeschwindigkeit,
die sich durch deren Filterzeitkonstanten beschreiben lässt,
individuell verändert werden. Damit ist es möglich,
nach Eintritt einer weiter oben genannten gewissen Situation, während
derer sich der reale Wert der zu schätzenden physikalischen
Größe ändern könnte, mit einem
der beiden Lernalgorithmen fortgesetzt „weiter zu lernen”,
d. h. auf den bisherigen Berechnungen aufbauend weiter zu rechnen,
während der andere zurückgesetzte Lernalgorithmus nach
diesem Reset neu von einem sinnvoll vorgegebenen Ausgangswert mit
dem im Algorithmus festgeschriebenen Berechnungsverfahren zu rechnen
beginnt. Besonders vorteilhaft ist es dabei, wenn von den beiden
mit unterschiedlicher Lerngeschwindigkeit betreibbaren Lernalgorithmen
derjenige, welcher zurückgesetzt wurde, mit einer schnelleren
Lerngeschwindigkeit (und somit mit einer geringeren Filterzeitkonstante)
als der andere, nicht zurückgesetzte Lernalgorithmus betrieben
wird, da letzterem somit quasi eine integrierende Funktion zukommt,
aufgrund derer (stets) unvermeidbare Schätzfehler in ihrer
Auswirkung stark gedämpft werden. Hingegen kann der erstgenannte,
zurückgesetzte Lernalgorithmus schnell und kurzfristig
auf eine erfolgte Änderung des realen Werts der zu schätzenden
physikalischen Größe reagieren. Jedenfalls dann,
wenn sich in der genannten gewissen Situation der reale Wert der
zu schätzenden physikalischen Größe tatsächlich
geändert hat, liefern die beiden parallel betriebenen Lernalgorithmen
unterschiedliche Ergebnisse, d. h. sog. „Lernwerte”,
und es können hieraus in der elektronischen Recheneinheit
geeignete Rückschlüsse gezogen werden.
-
Nach
einer vorteilhaften Weiterbildung ermitteln diese beiden Lernalgorithmen
jeweils ein sog. Fehlerintervall, welches der PT1-gefilterte, also
tiefpassgefilterte Betrag der Differenz zwischen dem jeweiligen
Lernwert, der sich aus der bisherigen Lernphase seit dem letzten
Reset ergab, und dem jeweiligen aktuell errechneten sog. Momentanwert
der zu schätzenden physikalischen Größe
ist. Dieses Fehlerintervall stellt ein Indiz für die Güte
des jeweiligen Lernwertes dar und lässt somit sinnvolle
Rückschlüsse auf die Genauigkeit bzw. Aktualität
des jeweiligen Lernwertes zu. Mittels dieser beiden Fehlerintervalle kann
dann ein sog. Gewichtungsfaktor gebildet werden, der darüber
Auskunft gibt, welcher der beiden Lernwerte eher zu dem realen Wert
der zu schätzenden physikalischen Größe
tendiert bzw. diesem entspricht. Im Übrigen kann im Gewichtungsfaktor
zusätzlich die Differenz zwischen den Lernwerten der beiden
Lernalgorithmen berücksichtigt werden, derart, dass falls
diese Differenz einen vorgegebenen Schwellwert überschreitet,
signifikant zugunsten des Lernwertes des zuletzt zurückgesetzten
Lernalgorithmus gewichtet wird, d. h. letztgenannter also überproportional
berücksichtigt wird.
-
Vorzugsweise
anhand des ermittelten Gewichtungsfaktors, direkt oder indirekt
aber auch anhand der ermittelten genannten Fehlerintervalle kann durch
die elektronische Recheneinheit auch entschieden werden, welcher
der beiden Lernalgorithmen bei bzw. nach Eintreten einer genannten
gewissen Situation, während derer sich der reale Wert der zu
schätzenden physikalischen Größe ändern
könnte, zurückgesetzt wird. Bevorzugt wird derjenige
Lernalgorithmus zurückgesetzt, dessen Lernwert laut Gewichtungsfaktor
dem realen Wert weniger entspricht. Insbesondere jedoch kann anhand
des Gewichtungsfaktors aus den beiden Lernwerten der beiden Lernalgorithmen
ein aktueller Schätzwert für die gesuchte physikalische
Größe bestimmt werden, indem die Lernwerte der
beiden Lernalgorithmen mit diesem Gewichtungsfaktor gewichtet zu
dem gesuchten Schätzwert zusammengefasst werden.
-
Wird
einer der beiden Lernalgorithmen in einer genannten gewissen Situation
mit Änderungs-Wahrscheinlichkeit für die zu schätzende
physikalische Größe zurückgesetzt, so
wird in einer bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens
der Lernwert dieses zurückgesetzten Lernalgorithmus auf
den aktuellen Lernwert des anderen, nicht zurückgesetzten
Lernalgorithmus gesetzt, womit ein sinnvoller Ausgangswert für
eine neue Lernphase vorliegt. Gleichzeitig wird die Filterzeitkonstante
des zurückgesetzten Lernalgorithmus auf einen festgelegten
(applizierten) Minimalwert und das Fehlerintervall des zurückgesetzten
Lernalgorithmus auf einen großen Ausgangswert (Default-Wert) gesetzt,
während der andere Lernalgorithmus mit den vor Eintritt
dieser Situation vorliegenden Einstellungen und Werten weiterlernt.
Je länger ein Lernalgorithmus jedoch nach einem Reset (=
nach einem Zurücksetzen) aktiv ist, umso weiter steigt
die Filterzeitkonstante bis zu einem vorgegebenen (applizierten)
Maximalwert an. Somit ist jeder Lernalgorithmus direkt nach einem
Reset sehr lernfreudig und kann schneller einen neuen Lernwert auffinden.
Je länger der Zeitpunkt des letzten Resets jedoch zurück
liegt, umso träger wird der Lernalgorithmus, wodurch bekanntlich
vermieden werden kann, dass unvermeidbare, stets vorhandene kleine
Signalschwankungen zu einer ungewollten Veränderung des
Lernwerts führen und sich daher der Lernalgorithmus leicht „verlernt”.
-
Zurückkommend
auf den beispielhaft genannten bzw. bevorzugten Anwendungsfall der
Masseschätzung eines Kraftfahrzeugs wird durch die Anwendung
des hier vorgestellten Verfahrens erreicht, dass nach gewissen Situationen
wie insbesondere einem Fahrzeug-Stillstand in den Fällen,
in denen keine Masseänderung vorgenommen wurde, der soweit
aufgefundene Schätzwert auf dem zuvor ermittelten Wert
verbleibt, während im Falle einer größeren
Masseänderung, die bspw. durch das Einsteigen oder Aussteigen
von mehreren Personen oder durch das Ankuppeln oder Abkoppeln eines
Anhängers erfolgen kann, sich der soweit aufgefundene Schätzwert
schneller den neuen realen Wert annähert, wobei noch darauf
hingewiesen sei, dass durchaus eine Vielzahl von Details abweichend
von obigen Erläuterungen gestaltet sein kann, ohne den
Inhalt der Patentansprüche zu verlassen.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste
der vom Anmelder aufgeführten Dokumente wurde automatisiert
erzeugt und ist ausschließlich zur besseren Information
des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen
Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt
keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-