DE102017201632A1 - System und verfahren zum vorhersagen von kalibrierungswerten aufgrund von vorhandenen kalibrierungen - Google Patents

System und verfahren zum vorhersagen von kalibrierungswerten aufgrund von vorhandenen kalibrierungen Download PDF

Info

Publication number
DE102017201632A1
DE102017201632A1 DE102017201632.9A DE102017201632A DE102017201632A1 DE 102017201632 A1 DE102017201632 A1 DE 102017201632A1 DE 102017201632 A DE102017201632 A DE 102017201632A DE 102017201632 A1 DE102017201632 A1 DE 102017201632A1
Authority
DE
Germany
Prior art keywords
calibration value
training
data set
electronic processor
predictive model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
DE102017201632.9A
Other languages
English (en)
Other versions
DE102017201632B4 (de
Inventor
Zink Jason
Joel Jana
Soundararajan Srinivasan
Kevin Respondek
Roland Commenda
Courtland VanDam
Lukas Speer
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Robert Bosch GmbH
Original Assignee
Robert Bosch GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Robert Bosch GmbH filed Critical Robert Bosch GmbH
Publication of DE102017201632A1 publication Critical patent/DE102017201632A1/de
Application granted granted Critical
Publication of DE102017201632B4 publication Critical patent/DE102017201632B4/de
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/04—Introducing corrections for particular operating conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
    • B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
    • B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
    • B60R16/023—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements for transmission of signals between vehicle parts or subsystems
    • B60R16/0231—Circuits relating to the driving or the functioning of the vehicle
    • B60R16/0232—Circuits relating to the driving or the functioning of the vehicle for measuring vehicle parameters and indicating critical, abnormal or dangerous conditions
    • B60R16/0234—Circuits relating to the driving or the functioning of the vehicle for measuring vehicle parameters and indicating critical, abnormal or dangerous conditions related to maintenance or repairing of vehicles
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2432—Methods of calibration
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/30—Controlling fuel injection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D2041/1412—Introducing closed-loop corrections characterised by the control or regulation method using a predictive controller
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/02—Circuit arrangements for generating control signals
    • F02D41/14—Introducing closed-loop corrections
    • F02D41/1401—Introducing closed-loop corrections characterised by the control or regulation method
    • F02D2041/1433—Introducing closed-loop corrections characterised by the control or regulation method using a model or simulation of the system
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • F02D41/2451—Methods of calibrating or learning characterised by what is learned or calibrated
    • F02D41/2464—Characteristics of actuators
    • F02D41/2467—Characteristics of actuators for injectors

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

Ein System zum Vorhersagen von Kalibrierungswerten für ein Fahrzeug. Das System ist konfiguriert, um eine Vielzahl von Trainingsdatensätzen für eine Komponente des Fahrzeugs zu empfangen. Jede aus der Vielzahl von Trainingsdatensätzen umfasst eine oder mehrere Trainingseingaben und eine oder mehrere entsprechende Trainingsausgaben. Das System ist außerdem konfiguriert, um automatisch ein Vorhersagemodell aufgrund der Vielzahl von Trainingsdatensätzen zu entwickeln. Das System ist außerdem konfiguriert, um einen Eingangsdatensatz zu empfangen und mithilfe des Vorhersagemodells einen vorhergesagten Kalibrierungswert aufgrund des Eingangsdatensatzes zu ermitteln. Das System ist außerdem konfiguriert, um den vorhergesagten Kalibrierungswert an eine elektronische Steuereinrichtung des Fahrzeugs zu senden.

Description

  • GEBIET DER ERFINDUNG
  • Die Ausführungsformen der Erfindungen beziehen sich auf das Gebiet von Steuersystemen für Kraftfahrzeuge.
  • HINTERGRUND
  • Fahrzeuge und Steuersysteme für Kraftfahrzeuge werden zunehmend komplexer. Das Steuersystem für Kraftfahrzeuge eines Fahrzeugs umfasst mehrere Fahrzeugteilsysteme, die zum Beispiel Antriebsstrang-, Brems-, Lenk-, Kraftstoff- und Abgassysteme steuern. Jedes Teilsystem wird durch eine oder mehrere Steuereinheiten (z.B. einen Mikroprozessor) gesteuert. Die Steuereinheiten empfangen Sensormesswerte und senden Befehle an verschiedene Komponenten, um das Fahrzeug zu steuern.
  • KURZDARSTELLUNG
  • Zum Bereitstellen eines ordnungsgemäßen Betriebs werden die Fahrzeugsteuereinheiten aufgrund zahlreicher Faktoren einschließlich der mechanischen Konfiguration und dem gewünschten Fahrzeugbetrieb kalibriert. In dem Fahrzeug ist jedem Sensor, jeder steuerbare Komponente und jedem Softwaremodul mindestens ein Kalibrierungswert zugeordnet. Dementsprechend können die gesamten Kalibrierungswerte für ein einziges Fahrzeug eine Gesamtanzahl von mehreren Zehntausend betragen. Zum Beispiel kann das Konfigurieren des Steuersystems für eine neue Fahrzeugplattform (z.B. ein neues Fahrzeugmodell) ein Ermitteln von dreißig- bis fünfunddreißigtausend Kalibrierungswerten erfordern. Wenn ein Design oder eine Konfiguration eines Fahrzeugs verändert wird, werden außerdem neue Kalibrierungswerte aufgrund des neuen Designs oder der neuen Konfiguration ermittelt, was ein schwieriger und zeitaufwendiger Prozess ist. Bei einigen Ausführungsformen kann ein neuer Kalibrierungswert aus vorhandenen Kalibrierungswerten erhalten werden. In vielen Fällen stehen jedoch keine vorhandenen Kalibrierungswerte bereit oder sie sind nicht kompatibel mit einem neuen Design oder einer neuen Konfiguration.
  • Kalibrierungswerte können über eine Erprobung ermittelt werden. Bei einigen Ausführungsformen jedoch kann das Ermitteln eines Kalibrierungswerts über eine Erprobung ein zeitaufwendiger und teurer Prozess sein, ausgenommen wenn ein Startwert für einen Kalibrierungswert bekannt ist.
  • Daher stellen Ausführungsformen der Erfindung Systeme und Verfahren zum automatischen Vorhersagen von Kalibrierungswerten für ein Fahrzeug bereit. Bei einer Ausführungsform stellt die Erfindung ein System zum Vorhersagen von Kalibrierungswerten für ein Fahrzeug bereit. Das System umfasst einen elektronischen Prozessor. Der elektronische Prozessor ist konfiguriert, um eine Vielzahl von Trainingsdatensätzen für eine Komponente des Fahrzeugs zu empfangen. Jede aus der Vielzahl von Trainingsdatensätzen umfasst eine oder mehrere Trainingseingaben und eine oder mehrere entsprechende Trainingsausgaben. Der elektronische Prozessor ist außerdem konfiguriert, um automatisch ein Vorhersagemodell aufgrund der Vielzahl von Trainingsdatensätzen zu entwickeln. Der elektronische Prozessor ist außerdem konfiguriert, um einen Eingangsdatensatz zu empfangen und mithilfe des Vorhersagemodells einen vorhergesagten Kalibrierungswert zu ermitteln, der auf dem Eingangsdatensatz beruht. Der elektronische Prozessor ist außerdem konfiguriert, um den vorhergesagten Kalibrierungswert an eine elektronische Steuereinrichtung des Fahrzeugs zu senden. Bei einigen Ausführungsformen ist der elektronische Prozessor außerdem konfiguriert, um die Vielzahl von Trainingsdatensätzen zu normalisieren.
  • Bei einigen Ausführungsformen umfasst das Senden des vorhergesagten Kalibrierungswerts an die elektronische Steuereinrichtung ein Senden einer Wertetabelle, die den Eingangsdatensatz und den vorhergesagten Kalibrierungswert enthält.
  • Bei einigen Ausführungsformen wird der Kalibrierungswert über eine fahrzeugfremde Verbindung an die elektronische Steuereinrichtung gesendet.
  • Bei einigen Ausführungsformen umfasst das automatische Entwickeln des Vorhersagemodells ein Auswählen einer Lernanwendung aus einer Vielzahl von Lernanwendungen. Bei einigen Ausführungsformen ist der elektronische Prozessor konfiguriert, um die Lernanwendung aus der Vielzahl von Lernanwendungen aufgrund der Vielzahl von Trainingsdatensätzen auszuwählen.
  • Bei einer weiteren Ausführungsform stellt die Erfindung ein Verfahren zum Vorhersagen von Kalibrierungswerten für ein Fahrzeug bereit. Das Verfahren umfasst ein Empfangen von Trainingsdatensätzen für eine Komponente des Fahrzeugs. Das Verfahren umfasst außerdem ein automatisches Entwickeln eines Vorhersagemodells aufgrund der Vielzahl von Trainingsdatensätzen. Das Verfahren umfasst außerdem ein Empfangen eines Eingangsdatensatzes und ein Ermitteln mithilfe des Vorhersagemodells eines vorhergesagten Kalibrierungswerts, der auf dem Eingangsdatensatz beruht. Das Verfahren umfasst außerdem ein Senden des vorhergesagten Kalibrierungswerts an eine elektronische Steuereinrichtung des Fahrzeugs.
  • Weitere Aspekte der Erfindung werden durch die Betrachtung der detaillierten Beschreibung und der beigefügten Zeichnungen offensichtlich.
  • KURZBESCHREIBUNG DER ZEICHNUNGEN
  • 1 ist ein Blockschaltbild, das ein System zum automatischen Vorhersagen von Kalibrierungswerten gemäß einigen Ausführungsformen der Erfindung darstellt.
  • 2 ist ein Ablaufplan, der ein Verfahren zum automatischen Vorhersagen von Kalibrierungswerten gemäß einigen Ausführungsformen der Erfindung darstellt.
  • 3 stellt eine Kalibrierungswertetabelle für eine Kraftstoffeinspritzmenge dar.
  • 4 ist eine Grafik, die Datensätze darstellt, die verwendet werden, um ein Vorhersagemodell für einen Kalibrierungswert einer Kraftstoffeinspritzmenge zu entwickeln.
  • DETAILLIERTE BESCHREIBUNG
  • Bevor einige der Ausführungsformen der Erfindung ausführlich erklärt werden, wird darauf hingewiesen, dass es selbstverständlich ist, dass die Erfindung in ihrer Anwendung nicht auf die Einzelheiten des Aufbaus und der Anordnung der Komponenten beschränkt ist, wie sie in der nachfolgenden Beschreibung erläutert und in den nachfolgenden Zeichnungen dargestellt werden. Die Erfindung ist für weitere Ausführungsformen geeignet, und sie ist in der Lage, in verschiedenen Formen in die Praxis umgesetzt und ausgeführt zu werden.
  • Es wird auch darauf hingewiesen, dass eine Vielzahl von hardware- und softwaregestützen Vorrichtungen sowie eine Vielzahl von verschiedenen strukturellen Komponenten verwendet werden können, um die Erfindung umzusetzen. Außerdem ist es selbstverständlich, dass Ausführungsformen der Erfindung Hardware, Software und elektronische Komponenten oder Module umfassen können, die zu Erörterungszwecken so dargestellt und beschrieben werden können, als ob der Großteil der Komponenten nur als Hardware umgesetzt ist. Der Fachmann wird aufgrund des Lesens dieser detaillierten Beschreibung jedoch erkennen, dass bei mindestens einer Ausführungsform die elektronikgestützten Aspekte der Erfindung durch eine Software umgesetzt (z.B. auf einem nichtflüchtigen computerlesbaren Medium gespeichert) werden können, die durch einen oder mehrere Prozessoren ausführbar ist. Von daher, wird darauf hingewiesen, dass eine Vielzahl von hardware- und softwaregestützen Vorrichtungen sowie eine Vielzahl von verschiedenen strukturellen Komponenten verwendet werden kann, um die Erfindung umzusetzen. Die in der Offenbarung beschriebenen „Steuereinrichtungen“ und „Steuereinheiten“ können ein oder mehrerer Module umfassen, die ein oder mehrere nichtflüchtige computerlesbare Medien, eine oder mehrere Eingangs-/Ausgangsschnittstellen und zahlreiche Verbindungen (z.B. einen Systembus) umfassen, um die Komponenten zu verbinden.
  • Einige Ausführungsformen der hier beschriebenen Systeme und Verfahren beziehen sich auf ein Vorhersagen von Kalibrierungswerten für ein Kraftstoffeinspritzsystem, das in einem Fahrzeug enthalten ist. Die Systeme und Verfahren können jedoch verwendet werden, um andere Arten von Kalibrierungswerten für ein Fahrzeug zu ermitteln, und sind nicht auf die Nutzung des hier beschriebenen Beispiels beschränkt. Bei einigen Ausführungsformen können die hier beschriebenen Vorhersagewerte bei Hybrid- oder Elektrofahrzeugen verwendet werden oder sie können bei anderen Fahrzeugsystemen wie zum Beispiel einem Bremssystem verwendet werden.
  • 1 stellt ein System 10 zum Vorhersagen von Kalibrierungswerten dar. Das System 10 umfasst ein Fahrzeug 12 und eine Kalibrierungsvorhersageeinrichtung 14. Das Fahrzeug 12 umfasst eine elektronische Steuereinrichtung (Electronic Control Unit, ECU) 16 und einen Verbrennungsmotor 18. Das Fahrzeug 12 kann zum Beispiel ein Personenkraftwagen sein.
  • Bei einigen Ausführungsformen umfasst die ECU 16 eine Vielzahl von elektrischen und elektronischen Komponenten, welche die Komponenten und Module in der ECU 16 mit Strom, einer Betriebssteuerung und einem Schutz versorgen. Die ECU 16 umfasst unter anderen Dingen eine elektronische Verarbeitungseinheit (z.B. einen Mikroprozessor oder eine andere geeignete programmierbare Vorrichtung), einen nichtflüchtigen Speicher (z.B. ein computerlesbares Speichermedium) und eine Eingangs-/Ausgangsschnittstelle. Die Verarbeitungseinheit, der Speicher und die Eingangs-/Ausgangsschnittstelle kommunizieren über einen oder mehrere Steuer- oder Datenbusse miteinander. Es ist selbstverständlich, dass die ECU 16 zusätzliche, weniger oder unterschiedliche Komponenten umfassen kann.
  • Bei einigen Ausführungsformen wird die ECU 16 teilweise oder ganz auf einem Halbleiterchip (z.B. einem anwenderprogrammierbaren Gate-Array-Halbleiter (Field-Programmable Gate Array semiconductor, FPGA-Halbleiter)) umgesetzt. Der Speicher der ECU 16 kann einen Programmspeicherbereich und einen Datenspeicherbereich umfassen. Der Programmspeicherbereich und der Datenspeicherbereich können Kombinationen von unterschiedlichen Speicherarten wie zum Beispiel einem Nur-Lese-Speicher (Read-Only Memory, ROM), einem Direktzugriffsspeicher (Random Access Memory, RAM) (z.B. ein dynamischer RAM (DRAM), ein synchroner DRAM (SDRAM) usw.)), einem elektrisch löschbaren programmierbaren Nur-Lese-Speicher (Electrically Erasable Programmable Read-Only Memory, EEPROM), einem Flashspeicher, einem Festplattenlaufwerk, einer SD-Karte oder anderen geeigneten Speichervorrichtungen sein. Die Verarbeitungseinheit führt computerlesbare Befehle („Software“) aus, die in dem Speicher gespeichert sind. Die Software kann Firmware, eine oder mehrere Anwendungen, Programmdaten, Filter, Regeln ein oder mehrere Programmmodule und weitere ausführbare Befehle umfassen. Die Software kann zum Beispiel Befehle und zugehörige Daten zum Steuern des Fahrzeugs 12 wie zum Beispiel den Verbrennungsmotor 18 umfassen.
  • Wie in 1 schematisch dargestellt wird, umfasst der Verbrennungsmotor 18 einen Kraftstoffeinspritzer 20, eine Kraftstoffverteilerleitung 21 und einen Drucksensor 22 der Kraftstoffverteilerleitung. Der Kraftstoffeinspritzer 20 spritzt den Kraftstoff in die Zylinder des Verbrennungsmotors 18 und die Kraftstoffverteilerleitung 21 stellt dem Kraftstoffeinspritzer 20 eine Menge an unter Druck stehendem Kraftstoff bereit. Während des Betriebs des Fahrzeugs 12 ermittelt die ECU 16 die Kraftstoffmenge, die durch den Kraftstoffeinspritzer 20 in die Zylinder des Verbrennungsmotors 18 eingespritzt werden soll. Die ECU 16 steuert auch die Kraftstoffzufuhr in die Kraftstoffverteilerleitung 21. Der Drucksensor 22 der Kraftstoffverteilerleitung erfasst den Druck in der Kraftstoffverteilerleitung 21 und kommuniziert den Druck an die ECU 16. Zu anschaulichen Zwecken umfasst der Verbrennungsmotor 18 einen einzigen Kraftstoffeinspritzer 20, eine einzige Kraftstoffverteilerleitung 21 und einen einzigen Drucksensor 22 der Kraftstoffverteilerleitung. Es ist jedoch selbstverständlich, dass andere Konfigurationen des Verbrennungsmotors 18 mehr oder weniger von jeder Komponente sowie andere Komponenten in Bezug auf die Funktionen des Verbrennungsmotors 18 (z.B. eine Luftansaugleitung, eine Abgasleitung usw.) umfassen.
  • Wie in 1 dargestellt wird, sind bei einigen Ausführungsformen die ECU 16, der Verbrennungsmotor 18, der Kraftstoffeinspritzer 20 und der Drucksensor 22 der Kraftstoffverteilerleitung über einen Datenbus oder eine verkabelte, drahtlose oder optische Verbindung elektrisch verbunden, was den Komponenten ermöglicht, mithilfe von Netzwerkkommunikationsprotokollen wie zum Beispiel dem CAN-Protokoll miteinander zu kommunizieren.
  • Wie in 1 auch dargestellt wird, umfasst die Kalibrierungsvorhersageeinrichtung 14 einen elektronischen Prozessor 24 (z.B. einen Mikroprozessor oder eine andere geeignete programmierbare Vorrichtung), einen nichtflüchtigen Speicher 26 (z.B. eine computerlesbares Speichermedium) und eine Eingangs-/Ausgangsschnittstelle 28. Die Kalibrierungsvorhersageeinrichtung 14 ist mit der ECU 16 verbunden und kann über eine oder mehrere verkabelte oder drahtlose Verbindungen Daten von ihr empfangen oder an sie senden. Die Kalibrierungsvorhersageeinrichtung 14 wird hier als ein fahrzeugfremder 12 Computer beschrieben, der mit der ECU 16 über eine fahrzeugfremde 12 Verbindung kommuniziert. Bei einigen alternativen Ausführungsformen ist die Kalibrierungsvorhersageeinrichtung, 14 jedoch in das Fahrzeug 12 integriert.
  • Der elektronische Prozessor 24, der Speicher 26 und die Eingangs-/Ausgangsschnittstelle 28 kommunizieren über einen oder mehrere Steuer- oder Datenbusse miteinander. Der Speicher 26 kann einen Programmspeicherbereich (z.B. einen Nur-Lese-Speicher (Read Only Memory, ROM)) und einen Datenspeicherbereich (z.B. einen Direktzugriffsspeicher (Random Access Memory, RAM)) und ein weiteres nichtflüchtiges computerlesbares Medium umfassen. Der elektronische Prozessor 24 führt Software aus, die in dem Speicher 26 gespeichert ist. Die Software kann Befehle zum Ausführen von Verfahren umfassen, wie sie hier beschrieben werden.
  • Die Eingangs-/Ausgangsschnittstelle 28 empfängt Eingaben und stellt Ausgaben bereit. Die Eingaben können zum Beispiel über eine Tastatur, ein Zeigegerät (z.B. eine Maus), Schaltflächen auf einem berührungsempfindlichen Bildschirm, einen Scrollball, mechanische Schaltflächen und ähnliche Elemente eingegeben werden. Die Eingabe kann auch über ein Kommunikationsnetzwerk wie zum Beispiel das Internet empfangen werden. Die Ausgabe kann zum Beispiel über eine Anzeigevorrichtung wie zum Beispiel eine Bildröhre (Cathode-Ray Tube, CRT), eine Flüssigkristallanzeige (Liquid Crystal Display, LCD) einen berührungsempfindlichen Bildschirm und ähnliche Elemente bereitgestellt werden. Bei einigen Ausführungsformen kann die Ausgabe in einer grafischen Benutzeroberfläche (Graphical User Interface, GUI) bereitgestellt werden (z.B. durch den elektronischen Prozessor 24 aus Befehlen und Daten erzeugt werden, die in dem Speicher 26 gespeichert sind, und auf einem berührungsempfindlichen Bildschirm oder einer andern Anzeige dargestellt werden), was einem Benutzer ermöglicht, mit der Kalibrierungsvorhersageeinrichtung 14 zu kommunizieren.
  • Bei einer Ausführungsform ist die Kalibrierungsvorhersageeinrichtung 14 konfiguriert, um Maschinenlernfunktionen auszuführen. Wie zum Beispiel in 1 dargestellt wird, speichert der Speicher 26 der Kalibrierungsvorhersageeinrichtung 14 ein oder mehrere Lernanwendungen 29, die auf dem elektronischen Prozessor 24 ausführbar sind, um Trainingsdaten zu verarbeiten und ein Vorhersagemodell 30 (d.h., einen Algorithmus) zu entwickeln. Maschinenlernen bezieht sich allgemein auf die Fähigkeit einer Computeranwendung, zu lernen, ohne ausdrücklich programmiert zu werden. Insbesondere ist eine Computeranwendung, die ein Maschinenlernen ausführt (auf die manchmal als eine Lernanwendung Bezug genommen wird), konfiguriert, um aufgrund der Trainingsdaten einen Algorithmus zu entwickeln. Um zum Beispiel ein überwachtes Lernen auszuführen, umfassen die Trainingsdaten Beispieleingaben und entsprechende gewünschte (z.B. aktuelle) Ausgaben und die Lernanwendung 29 entwickelt progressiv ein Vorhersagemodell 30, das Eingaben, den Ausgaben zuordnet, die in den Trainingsdaten enthalten sind. Das Maschinenlernen kann mithilfe verschiedener Arten von Verfahren und Mechanismen ausgeführt werden, zu denen, ohne darauf beschränkt zu sein, gehören: Entscheidungsbaumlernen, Assoziationsregellernen, künstliche neuronale Netzwerke, induktive logische Programmierung, Stützvektormaschinen, Clusterbildung, Bayes'sche Netzwerke, verstärkendes Lernen, Repräsentationslernen, Ähnlichkeits- und Metriklernen, Lernen mit spärlichen Begriffen und genetische Algorithmen.
  • Bei einigen Ausführungsformen kann die Kalibrierungsvorhersageeinrichtung 14 über ein oder mehrere Kommunikationsnetzwerke wie zum Beispiel das Internet und andere öffentliche und private Netzwerke auf eine oder mehrere Quellen von Trainingsdaten (z.B. der ECU 16 oder anderer externer Trainingsdatenquellen) zugreifen. Alternativ oder zusätzlich kann die Kalibrierungsvorhersageeinrichtung 14 Trainingsdaten in dem Speicher 26 speichern, der für die Lernanwendung 29 zugänglich ist.
  • Bei einer Ausführungsform verwendet die Kalibrierungsvorhersageeinrichtung 14 zum Beispiel vorhandene Fahrzeugkalibrierungsdaten, um das Vorhersagemodell 30 zu entwickeln. Die Kalibrierungsvorhersageeinrichtung 14 kann dann das Vorhersagemodell 30 und bekannte Kalibrierungswerte für ein Fahrzeug (z.B. eine neue Fahrzeugplattform) verwenden, um einen unbekannten Kalibrierungswert für das Fahrzeug vorherzusagen. Die Kalibrierungsvorhersageeinrichtung 14 kann insbesondere eine große Menge vorhandener Kalibrierungsdaten effizient verarbeiten, um neue Kalibrierungswerte vorherzusagen.
  • 2 stellt zum Beispiel ein Verfahren 100 dar, das von der Kalibrierungsvorhersageeinrichtung 14 ausgeführt wird, um Kalibrierungswerte für den Kraftstoffeinspritzer 20 gemäß einigen Ausführungsformen der Erfindung automatisch vorherzusagen. Wie oben erwähnt wurde, kann das Verfahren 100 jedoch verwendet werden, um Kalibrierungswerte für andere Fahrzeugsysteme und Teilsysteme vorherzusagen.
  • Wie oben erwähnt wurde, steuert die ECU 16 den Kraftstoffeinspritzer 20, um eine Kraftstoffmenge in die Zylinder des Verbrennungsmotors 18 einzuspritzen. Bei einigen Ausführungsformen verwendet die ECU 16 eine Wertetabelle, um die Kraftstoffmenge zu ermitteln, die durch den Kraftstoffeinspritzer 20 eingespritzt wird. Die ECU 16 kann zum Beispiel die Einspritzmenge mithilfe eines angeforderten Motorausgangsdrehmoments und einer aktuellen Motordrehzahl als Eingaben in eine Kalibrierungswertetabelle ermitteln. 3 ist eine grafische Darstellung 101 einer beispielhaften Kalibrierungswertetabelle. Wenn eine neue Fahrzeugplattform entwickelt wird, muss eine neue Kalibrierungswertetabelle mit Kalibrierungswerten gefüllt werden, die auf der neuen Fahrzeugplattform beruhen.
  • Wie in 2 dargestellt wird, empfängt die Kalibrierungsvorhersageeinrichtung 14 (im Block 102) Trainingsdatensätze, um eine neue Kalibrierungswertetabelle aufzubauen. Jeder Trainingsdatensatz umfasst eine Ausgabe, die einen Kalibrierungswert und einen oder mehrere Eingaben darstellt, die der Ausgabe zugeordnet sind. Wenn zum Beispiel Kalibrierungswerte für den Kraftstoffeinspritzer 20 vorhergesagt werden, ist die Ausgabe eine Kraftstoffeinspritzmenge und die Eingaben sind Parameter, die der Kraftstoffeinspritzmenge zugeordnet sind (z.B. ein angefordertes Motorausgangsdrehmoment, eine aktuelle Motordrehzahl, eine Kraftstoffdichte, ein Verteilerrohrdruck, eine Anzahl von Kraftstoffeinspritzern, ein Kurbelwinkel der Einspritzungen, eine Umgebungslufttemperatur, ein barometrischer Druck, andere Umgebungsbedingungen und ähnliche Parameter). 4 ist eine Grafik 103, die Mustertrainingsdatensätze darstellt, die verwendet werden können, um ein Vorhersagemodell 30 zum Vorhersagen eines Kalibrierungswerts einer Kraftstoffeinspritzmenge zu entwickeln. Jeder Mustertrainingsdatensatz umfasst drei Eingaben (Kraftstoffdichte, Verteilerrohrdruck und Anzahl von Einspritzungen) und eine Ausgabe (Einspritzmenge). Die Trainingsdatensätze können Langzeitkalibrierungswerte und entsprechende Langzeitfahrzeugdaten umfassen, die von einem oder mehreren Fahrzeugen (z.B. durch die Kalibrierungsvorhersageeinrichtung 14 oder eine oder mehrere separate Einrichtungen) erfasst wurden.
  • Bei einigen Ausführungsformen normalisiert die Kalibrierungsvorhersageeinrichtung 14 (im Block 104) die Trainingsdatensätze. Das Normalisieren der Daten kann ein Anpassen der Einheitlichkeit der Einrichtungen, ein Berücksichtigen von Umgebungsfaktoren und ein Eliminieren von Ausreißern umfassen.
  • Wie in 2 dargestellt wird wählt die Kalibrierungsvorhersageeinrichtung 14 (im Block 105) auch eine Lernanwendung 29 zum Entwickeln eines Vorhersagemodells 30 aufgrund der empfangenen Trainingsdatensätze. Wie zum Beispiel oben erwähnt wurde, kann die Kalibrierungsvorhersageeinrichtung 14 mehrere Lernanwendungen speichern. Daher verwendet die Kalibrierungsvorhersageeinrichtung 14 bei einigen Ausführungsformen die Trainingsdatensätze, um eine der verfügbaren Lernanwendungen auszuwählen. Die Kalibrierungsvorhersageeinrichtung 14 kann zum Beispiel konfiguriert sein, um ein Histogramm der in den Trainingsdatensätzen enthaltenen Ausgaben zu erzeugen. Das Histogramm kann verwendet werden, um zu ermitteln, welche Analyseart verwendet werden kann, um das Vorhersagemodell 30 für die Trainingsdatensätze zu entwickeln. Wenn das Histogramm zum Beispiel eine breite Verteilung der Werte zeigt, ist eine Regressionsanalyse besser geeignet. Bei einem weiteren Beispiel kann es besser sein eine Klassifizierungsanalyse zu verwenden, da eine endliche Anzahl von möglichen Werten die Wahrscheinlichkeit einer korrekten Vorhersage verbessert. Zum Beispiel besteht bei nur zwei möglichen Werten eine 50%-Wahrscheinlichkeit einer korrekten Vorhersage. Für eine solch kleine Auswahl führt eine Klassifizierungsanalyse somit zu einer verbesserten Wahrscheinlichkeit für eine genaue Vorhersage insbesondere, wenn sie mit einer größeren Auswahl an Werten (zum Beispiel von 1 bis 50) verglichen wird. In anderen Fällen kann ein Histogramm Ähnlichkeiten bei den Daten zeigen, die eine Clusterbildung von einigen der Daten als eine Vorstufe eine Klassifizierungsanalyse einfordern. Ein Histogramm kann auch verwendet werden, um Abweichungen und Ausreißer bei den Daten zu ermitteln, die verwendet werden können, um die Daten vor dem Weiterleiten als Trainingsdaten an eine Lernanwendung vorzuverarbeiten.
  • Nach dem Auswählen der Lernanwendung 29 wählt die Kalibrierungsvorhersageeinrichtung 14 (im Block 107) einen oder mehrere Werte für die Konfigurationsparameter für die ausgewählte Lernanwendung 29 aus. Wie dem Fachmann bekannt ist, variieren die Konfigurationsparameter in Abhängigkeit von der Wahl der Lernanwendungsart. Diese können zum Beispiel eine Anzahl von Iterationen oder eine gewünschte Genauigkeit umfassen. Die Kalibrierungsvorhersageeinrichtung 14 kann auch die Werte für die Konfigurationsparameter aufgrund der Art, Größe und Varianz der empfangenen Trainingsdatensätze auswählen.
  • Die Kalibrierungsvorhersageeinrichtung 14 speist die Trainingsdatensätze dann in die Lernanwendung 29 ein, um (im Block 109) das Vorhersagemodell 30 zu entwickeln. Die Lernanwendung 29 verwendet die Trainingsdatensätze, um das Vorhersagemodell 30 zu erzeugen, das modelliert, wie die in den Trainingsdatensätzen enthaltenen Ausgaben aufgrund der Langzeitfahrzeugdaten mithilfe einer oder mehrerer Lernanwendungstechniken und der ausgewählten Werte für die Konfigurationsparameter seinerzeit konfiguriert wurden.
  • Bei einigen Ausführungsformen prüft die Kalibrierungsvorhersageeinrichtung 14 das Vorhersagemodell 30, das von der Lernanwendung 29 erzeugt wird. Wie zum Beispiel in 2 dargestellt wird, kann die Kalibrierungsvorhersageeinrichtung 14 einen Prüfdatensatz (im Block 111) in das Vorhersagemodell 30 einspeisen. Die Kalibrierungsvorhersageeinrichtung 14 kann den Prüfdatensatz aus den Trainingsdatensätzen auswählen und kann insbesondere die ein oder mehreren Eingaben, die einem der Trainingsdatensätze zugeordnet sind, in das Vorhersagemodell 30 einspeisen.
  • Die Kalibrierungsvorhersageeinrichtung 14 ermittelt danach (im Block 112) einen Unterschied zwischen der einen oder den mehreren Ausgaben aus dem Vorhersagemodell 30 und der einen oder den mehreren entsprechenden Ausgaben, die dem Prüfdatensatz aus den ausgewählten Trainingsdatensätzen zugeordnet sind. Der Unterschied zwischen den Ausgaben aus dem Vorhersagemodell 30 und den aktuellen Ausgaben aus den ausgewählten Trainingsdatensätzen zeigt eine Genauigkeit des Vorhersagemodells 30 an. Wenn der Unterschied den vorbestimmten Schwellenwert nicht erfüllt (z.B. den vorbestimmten Schwellenwert überschreitet, was anzeigt, dass die erzeugte Ausgabe zu sehr von der aktuellen Ausgabe abweicht), verfeinert die Kalibrierungsvorhersageeinrichtung 14 (im Block 115) das Vorhersagemodell 30. Bei einigen Ausführungsformen speist die Kalibrierungsvorhersageeinrichtung 14 zum Beispiel die Ergebnisse der Prüfung zurück in die Lernanwendung 29, um das Vorhersagemodell 30 weiterzuentwickeln (z.B. weiter zu verfeinern). Wie in 2 dargestellt wurde, kann das Prüfen und Verfeinern wiederholt werden, bis die Genauigkeit des Vorhersagemodells 30 den vorbestimmten Schwellenwert erfüllt. Bei einigen Ausführungsformen kann jeder der Trainingsdatensätze in einer sequenziellen Weise als ein Prüfdatensatz verwendet werden.
  • Wenn die Genauigkeit des Vorhersagemodells 30 den vorbestimmten Schwellenwert erfüllt, verwendet die Kalibrierungsvorhersageeinrichtung 14 das Vorhersagemodell 30, um einen Kalibrierungswert vorherzusagen. Wie zum Beispiel in 2 dargestellt wird, kann die Kalibrierungsvorhersageeinrichtung 14 einen Eingangsdatensatz (der z.B. einer neuen Fahrzeugkonfiguration oder einem neuen Fahrzeugmodell zugeordnet ist) (siehe 4) (im Block 117) in das Vorhersagemodell 30 einspeisen und das Vorhersagemodell 30 gibt (im Block 118) einen vorhergesagten Kalibrierungswert aufgrund des Eingangsdatensatzes aus. Die Kalibrierungsvorhersageeinrichtung 14 sendet dann den vorhergesagten Kalibrierungswert (im Block 119) an die ECU 16, die dann den vorhergesagten Kalibrierungswert zum Steuern des Kraftstoffeinspritzers 20 anwenden kann. Bei einigen Ausführungsformen kann die Kalibrierungsvorhersageeinrichtung 14 mehrere verschiedene Eingangsdatensätze in das Vorhersagemodell 30 einspeisen und die sich ergebenden vorhergesagten Kalibrierungswerte verwenden, um eine Wertetabelle (z.B. eine Wertetabelle für eine Einspritzmenge) für die ECU 16 aufzubauen. Die Wertetabelle umfasst den vorhergesagten Kalibrierungswert und den entsprechenden Eingangsdatensatz und die vorhergesagten Kalibrierungswerte für weitere Eingangsdatensätze. Dementsprechend kann die Kalibrierungsvorhersageeinrichtung 14 individuelle vorhergesagte Kalibrierungswerte oder eine vollständige Wertetabelle an die ECU 16 senden.
  • Somit stellt die Erfindung unter anderen Dingen Systeme und Verfahren zum Vorhersagen von Kalibrierungswerten für ein Fahrzeug bereit. Verschiedene Merkmale und Vorteile der Erfindung werden in den folgenden Ansprüchen definiert.

Claims (20)

  1. System zum Vorhersagen eines Kalibrierungswerts für ein Fahrzeug, wobei das System umfasst: einen elektronischen Prozessor, der konfiguriert ist zum: Empfangen einer Vielzahl von Trainingsdatensätzen für eine Fahrzeugkomponente; automatischen Entwickeln eines Vorhersagemodells, das auf der Vielzahl von Trainingsdatensätzen beruht; Empfangen eines Eingangsdatensatzes; Ermitteln mithilfe des Vorhersagemodells eines vorhergesagten Kalibrierungswerts, der auf dem Eingangsdatensatz beruht; und Senden des vorhergesagten Kalibrierungswerts an eine elektronische Steuereinrichtung, die in dem Fahrzeug enthalten ist; wobei jeder der Vielzahl von Trainingsdatensätzen eine oder mehrere Eingaben und eine oder mehrere entsprechende Ausgaben umfasst.
  2. System nach Anspruch 1, wobei das Senden des vorhergesagten Kalibrierungswerts an die elektronische Steuereinrichtung ein Senden einer Wertetabelle an die elektronische Steuereinrichtung umfasst, wobei die Wertetabelle den Eingangsdatensatz und den vorhergesagten Kalibrierungswert enthält.
  3. System nach Anspruch 1, wobei der elektronische Prozessor konfiguriert ist, um den vorhergesagten Kalibrierungswert über mindestens eine fahrzeugfremde Verbindung an die elektronische Steuereinrichtung zu senden.
  4. System nach Anspruch 1, wobei das automatische Entwickeln des Vorhersagemodells ein Auswählen einer Lernanwendung aus einer Vielzahl von Lernanwendungen umfasst.
  5. System nach Anspruch 4, wobei der elektronische Prozessor konfiguriert ist, um die Lernanwendung aus der Vielzahl von Lernanwendungen auszuwählen, die auf der Vielzahl von Trainingsdatensätzen beruhen.
  6. System nach Anspruch 5, wobei der elektronische Prozessor konfiguriert ist, um die Lernanwendung aus der Vielzahl von Lernanwendungen auszuwählen, die auf der Vielzahl von Trainingsdatensätzen beruhen, indem aufgrund der Vielzahl von Trainingsdatensätzen ein Histogramm erzeugt wird.
  7. System nach Anspruch 4, wobei der elektronische Prozessor außerdem konfiguriert ist, um mindestens einen Wert für einen Konfigurationsparameter zu ermitteln, welcher aufgrund der Vielzahl von Trainingsdatensätzen der Lernanwendung zugeordnet ist.
  8. System nach Anspruch 7, wobei der mindestens eine Wert für den Konfigurationsparameter einen Iterationswert umfasst.
  9. System nach Anspruch 1, wobei der elektronische Prozessor außerdem konfiguriert ist zum: Auswählen eines Prüfdatensatzes aus der Vielzahl von Trainingsdatensätzen, wobei der Prüfdatensatz eine oder mehrere Eingaben und eine oder mehrere entsprechende Ausgaben umfasst; Ermitteln mithilfe des Vorhersagemodells eines vorhergesagten Prüfkalibrierungswerts, der auf der einen oder den mehreren Eingaben beruht, die in dem Prüfdatensatz enthalten sind; Vergleichen des vorhergesagten Prüfkalibrierungswerts mit der einen oder den mehreren Ausgaben, die in dem Prüfdatensatz enthalten sind, um eine Genauigkeit für das Vorhersagemodell zu ermitteln; und Verfeinern des Vorhersagemodells aufgrund des Prüfdatensatzes, wenn die Genauigkeit einen vorbestimmten Schwellenwert nicht erfüllt.
  10. System nach Anspruch 1, wobei der Eingangsdatensatz eine Kraftstoffdichte, einen Kraftstoffverteilerrohrdruck und eine Anzahl von Kraftstoffeinspritzern umfasst und wobei der vorhergesagte Kalibrierungswert eine Kraftstoffeinspritzmenge umfasst.
  11. Verfahren zum Vorhersagen eines Kalibrierungswerts für ein Fahrzeug, wobei das Verfahren umfasst: Empfangen mit einem elektronischen Prozessor einer Vielzahl von Trainingsdatensätzen für eine Komponente des Fahrzeugs, wobei jeder aus der Vielzahl von Trainingsdatensätzen eine oder mehrere Trainingseingaben und eine oder mehrere entsprechende Trainingsausgaben umfasst; automatisches Entwickeln mit dem elektronischen Prozessor eines Vorhersagemodells, das auf der Vielzahl von Trainingsdatensätzen beruht; Empfangen eines Eingangsdatensatzes mit dem elektronischen Prozessor; Ermitteln mit dem elektronischen Prozessor mithilfe des Vorhersagemodells eines vorhergesagten Kalibrierungswerts, der auf dem Eingangsdatensatz beruht; und Senden mit dem elektronischen Prozessor des vorhergesagten Kalibrierungswerts an eine elektronische Steuereinrichtung, die in dem Fahrzeug enthalten ist.
  12. Verfahren nach Anspruch 11, wobei das Senden des vorhergesagten Kalibrierungswerts an die elektronische Steuereinrichtung ein Senden einer Wertetabelle an die elektronische Steuereinrichtung umfasst, wobei die Wertetabelle den Eingangsdatensatz und den vorhergesagten Kalibrierungswert enthält.
  13. Verfahren nach Anspruch 11, das außerdem umfasst: Senden mit dem elektronischen Prozessor des vorhergesagten Kalibrierungswerts über mindestens eine fahrzeugfremde Verbindung an die elektronische Steuereinrichtung.
  14. Verfahren nach Anspruch 11, wobei das automatische Entwickeln des Vorhersagemodells ein Auswählen einer Lernanwendung aus einer Vielzahl von Lernanwendungen umfasst.
  15. Verfahren nach Anspruch 14, wobei das Auswählen einer Lernanwendung aus einer Vielzahl von Lernanwendungen ein Auswählen der Lernanwendung aus einer Vielzahl von Lernanwendungen umfasst, die auf der Vielzahl von Trainingsdatensätzen beruhen.
  16. Verfahren nach Anspruch 15, wobei das Auswählen der Lernanwendung aus einer Vielzahl von Lernanwendungen, die auf der Vielzahl von Trainingsdatensätzen beruhen, ein Erzeugen eines Histogramms aufgrund der Vielzahl von Trainingsdatensätzen umfasst.
  17. Verfahren nach Anspruch 14, das außerdem umfasst: Ermitteln mit dem elektronischen Prozessor mindestens eines Werts eines Konfigurationsparameters, welcher der Lernanwendung zugeordnet ist, die auf der Vielzahl von Trainingsdatensätzen beruht.
  18. Verfahren nach Anspruch 17, wobei das Ermitteln des mindestens einen Werts des Konfigurationsparameters ein Ermitteln eines Iterationswerts mit dem elektronischen Prozessor umfasst.
  19. Verfahren nach Anspruch 11, das außerdem umfasst: Auswählen mit dem elektronischen Prozessor eines Prüfdatensatzes aus der Vielzahl von Trainingsdatensätzen, wobei der Prüfdatensatz eine oder mehrere Eingaben und eine oder mehrere entsprechende Ausgaben umfasst; Ermitteln mit dem elektronischen Prozessor mithilfe des Vorhersagemodells eines vorhergesagten Prüfkalibrierungswerts, der auf der einen oder den mehreren Eingaben beruht, die in dem Prüfdatensatz enthalten sind; Vergleichen mit dem elektronischen Prozessor des vorhergesagten Prüfkalibrierungswerts mit der einen oder den mehreren Ausgaben, die in dem Prüfdatensatz enthalten sind, um eine Genauigkeit für das Vorhersagemodell zu ermitteln; und Verfeinern mit dem elektronischen Prozessor des Vorhersagemodells aufgrund des Prüfdatensatzes, wenn die Genauigkeit einen vorbestimmten Schwellenwert nicht erfüllt.
  20. Verfahren nach Anspruch 11, wobei der Eingangsdatensatz eine Kraftstoffdichte, einen Kraftstoffverteilerrohrdruck und eine Anzahl von Kraftstoffeinspritzern umfasst und wobei der vorhergesagte Kalibrierungswert eine Kraftstoffeinspritzmenge umfasst.
DE102017201632.9A 2016-02-16 2017-02-01 System und verfahren zum vorhersagen von kalibrierungswerten aufgrund von vorhandenen kalibrierungen Active DE102017201632B4 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/045,033 US9803576B2 (en) 2016-02-16 2016-02-16 System and method to predict calibration values based on existing calibrations
US15/045,033 2016-02-16

Publications (2)

Publication Number Publication Date
DE102017201632A1 true DE102017201632A1 (de) 2017-08-17
DE102017201632B4 DE102017201632B4 (de) 2021-10-14

Family

ID=59410071

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102017201632.9A Active DE102017201632B4 (de) 2016-02-16 2017-02-01 System und verfahren zum vorhersagen von kalibrierungswerten aufgrund von vorhandenen kalibrierungen

Country Status (3)

Country Link
US (1) US9803576B2 (de)
CN (1) CN107082051B (de)
DE (1) DE102017201632B4 (de)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019126246A1 (de) * 2019-09-30 2021-04-01 Dr. Ing. H.C. F. Porsche Aktiengesellschaft System und Verfahren zur Kalibrierung einer Steuer- und Regelvorrichtung für Gaswechselventile eines Verbrennungsmotors
DE102019125961A1 (de) * 2019-09-26 2021-04-01 Dr. Ing. H.C. F. Porsche Aktiengesellschaft System und Verfahren zur Kalibrierung der Abgastemperatur bei einer Verbrennungsmaschine
DE102019125974A1 (de) * 2019-09-26 2021-04-01 Dr. Ing. H.C. F. Porsche Aktiengesellschaft System und Verfahren zur Kalibrierung einer Steuervorrichtung zur Steuerung einer Leerlaufdrehzahl
DE102019126069A1 (de) * 2019-09-27 2021-04-01 Dr. Ing. H.C. F. Porsche Aktiengesellschaft System und Verfahren zur Kalibrierung einer Steuer- und Regelvorrichtung zur Einspritzdruckregelung bei einem Verbrennungsmotor
DE102020129873B3 (de) 2020-11-12 2022-03-03 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung eingetragener Verein Lernfähiges Steuergerät mit selbständiger Exploration eines Betriebsparameterraums
DE102021125204A1 (de) 2021-09-29 2023-03-30 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren und System für eine kooperative Maschinenkalibrierung mit KIAgent mittels Mensch-Maschine-Schnittstelle
DE102022115239B3 (de) 2022-06-20 2023-11-23 Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr Verfahren und System zur zielgrößenoptimierten Applikation der Steuereinheit einer Fahrzeugkomponente
DE102022113690A1 (de) 2022-05-31 2023-11-30 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren, System und Computerprogrammprodukt zum autonomen intuitiven Kalibrieren eines technischen Bauteils, insbesondere eines Fahrzeugantriebsstrangs für ein Kraftfahrzeug

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10352266B2 (en) * 2017-05-11 2019-07-16 Ford Global Technologies, Llc Method of fuel injection control in diesel engines
WO2019021064A1 (en) 2017-07-25 2019-01-31 Aurora Labs Ltd CONSTRUCTION OF SOFTWARE DELTA UPDATES FOR VEHICLE ECU SOFTWARE AND TOOL-BASED ANOMALY DETECTION
US20190362115A1 (en) * 2018-05-22 2019-11-28 Hamilton Sundstrand Corporation Calibration system based on encoded images
DE102018213114A1 (de) * 2018-08-06 2020-02-06 Robert Bosch Gmbh Verfahren und Vorrichtung zum Betreiben eines Verbrennungsmotors mit einem Common-Rail-Einspritzsystem
US11526747B2 (en) * 2018-12-28 2022-12-13 Robert Bosch Gmbh Training a deep learning system to detect engine knock with accuracy associated with high fidelity knock detection sensors despite using data from a low fidelity knock detection sensor
US11226358B2 (en) 2019-02-27 2022-01-18 Caterpillar Inc. Power system damage analysis and control system
JP6705546B1 (ja) * 2019-10-18 2020-06-03 トヨタ自動車株式会社 車両用制御装置、車両用制御システム、および車両用学習装置
US11403208B2 (en) * 2019-11-21 2022-08-02 Mastercard International Incorporated Generating a virtualized stub service using deep learning for testing a software module
JP7205503B2 (ja) 2020-01-22 2023-01-17 トヨタ自動車株式会社 内燃機関の制御装置
JP7222366B2 (ja) * 2020-01-27 2023-02-15 トヨタ自動車株式会社 内燃機関の制御装置
JP7359011B2 (ja) 2020-02-05 2023-10-11 トヨタ自動車株式会社 内燃機関の制御装置
JP7151743B2 (ja) * 2020-06-18 2022-10-12 トヨタ自動車株式会社 車両用機械学習システム
CN112282949B (zh) * 2020-09-23 2021-07-16 北汽福田汽车股份有限公司 电控汽油机起燃工况控制参数优化方法、装置以及车辆
DE102021212338A1 (de) * 2020-11-11 2022-05-12 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Ermitteln einer eine Durchflussrate eines Kraftstoffinjektors charakterisierenden Größe
CN113638808B (zh) * 2021-08-17 2022-11-22 中国联合重型燃气轮机技术有限公司 燃料阀冗余伺服控制方法、装置及系统
WO2023072697A1 (en) * 2021-10-27 2023-05-04 Robert Bosch Gmbh A system and method for automated calibration of an engine parameter in a vehicle

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5121337A (en) 1990-10-15 1992-06-09 Exxon Research And Engineering Company Method for correcting spectral data for data due to the spectral measurement process itself and estimating unknown property and/or composition data of a sample using such method
US6236908B1 (en) 1997-05-07 2001-05-22 Ford Global Technologies, Inc. Virtual vehicle sensors based on neural networks trained using data generated by simulation models
US6127955A (en) 1998-11-20 2000-10-03 Telefonaktiebolaget Lm Ericsson (Publ) Method and system for calibrating analog-to-digital conversion
US7194369B2 (en) 2001-07-23 2007-03-20 Cognis Corporation On-site analysis system with central processor and method of analyzing
US7899699B1 (en) 2004-11-04 2011-03-01 American Airlines, Inc. System and method for adaptive forecasting
US9097195B2 (en) * 2004-11-26 2015-08-04 Lysanda Limited Vehicular diagnostic system
US8086329B2 (en) * 2005-05-31 2011-12-27 Borgwarner Inc. Method of actuator control
DE102006018974A1 (de) 2006-04-25 2007-10-31 Adc Automotive Distance Control Systems Gmbh Verfahren zur Kalibrierung einer Gierratenmessung
US7552717B2 (en) * 2007-08-07 2009-06-30 Delphi Technologies, Inc. Fuel injector and method for controlling fuel injectors
KR101008446B1 (ko) * 2008-07-29 2011-01-14 콘티넨탈 오토모티브 시스템 주식회사 Ｅｃｕ 동작 제어 방법
DE102008049754A1 (de) * 2008-09-30 2010-04-08 Continental Automotive Gmbh Verfahren und Vorrichtung zur Verschleißdiagnose eines Kraftfahrzeugs
FR2945322B1 (fr) * 2009-05-07 2015-09-18 Renault Sas Procede et dispositif de diagnostic de l'etat de fonctionnement d'un systeme d'alimentation en carburant d'un moteur a combustion interne de vehicule automobile.
US8676476B2 (en) 2009-12-04 2014-03-18 GM Global Technology Operations LLC Method for real-time, self-learning identification of fuel injectors during engine operation
US8903597B2 (en) * 2010-04-30 2014-12-02 Cability, Inc. Multipurpose in-vehicle diagnostic II adapter
WO2011140123A1 (en) 2010-05-03 2011-11-10 Battelle Energy Alliance, Llc In-situ real-time energy storage device impedance identification
US9163576B2 (en) 2011-06-28 2015-10-20 GM Global Technology Operations LLC System and method for calibrating engine crankshaft-camshaft correlation and for improved vehicle limp-home mode
US8880277B2 (en) * 2012-02-29 2014-11-04 GM Global Technology Operations LLC Methods and systems for diagnosing a vehicle
US20140309930A1 (en) * 2013-04-15 2014-10-16 Flextronics Ap, Llc Automatic camera image retrieval based on route traffic and conditions
CN102620939B (zh) * 2012-04-10 2014-07-16 潍柴动力股份有限公司 一种发动机扭矩预测方法和装置
US8977426B2 (en) * 2012-06-04 2015-03-10 Geotab Inc. VIN based accelerometer threshold
GB2510384B (en) * 2013-02-01 2017-11-29 Jaguar Land Rover Ltd Vehicle diagnostics apparatus and method
US9436784B2 (en) 2013-02-08 2016-09-06 University Of Alaska Fairbanks Validating and calibrating a forecast model
US9946818B2 (en) 2013-07-30 2018-04-17 University Of Florida Research Foundation, Inc. System and method for automated model calibration, sensitivity analysis, and optimization
US9443359B2 (en) * 2013-08-29 2016-09-13 GM Global Technology Operations LLC Vehicle electronic control unit calibration
US9346469B2 (en) 2014-02-07 2016-05-24 Ford Global Technologies, Llc Method and system for engine and powertrain control
US9285007B2 (en) * 2014-03-21 2016-03-15 Goodrich Corporation Servicing monitoring system for mixed fluid-gas shock struts
CN104598654A (zh) * 2014-10-07 2015-05-06 芜湖扬宇机电技术开发有限公司 点火提前角预测系统及其方法

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019125961A1 (de) * 2019-09-26 2021-04-01 Dr. Ing. H.C. F. Porsche Aktiengesellschaft System und Verfahren zur Kalibrierung der Abgastemperatur bei einer Verbrennungsmaschine
DE102019125974A1 (de) * 2019-09-26 2021-04-01 Dr. Ing. H.C. F. Porsche Aktiengesellschaft System und Verfahren zur Kalibrierung einer Steuervorrichtung zur Steuerung einer Leerlaufdrehzahl
DE102019126069A1 (de) * 2019-09-27 2021-04-01 Dr. Ing. H.C. F. Porsche Aktiengesellschaft System und Verfahren zur Kalibrierung einer Steuer- und Regelvorrichtung zur Einspritzdruckregelung bei einem Verbrennungsmotor
DE102019126069B4 (de) 2019-09-27 2022-01-20 Dr. Ing. H.C. F. Porsche Aktiengesellschaft System und Verfahren zur Kalibrierung einer Steuer- und Regelvorrichtung zur Einspritzdruckregelung bei einem Verbrennungsmotor
DE102019126246A1 (de) * 2019-09-30 2021-04-01 Dr. Ing. H.C. F. Porsche Aktiengesellschaft System und Verfahren zur Kalibrierung einer Steuer- und Regelvorrichtung für Gaswechselventile eines Verbrennungsmotors
DE102020129873B3 (de) 2020-11-12 2022-03-03 Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung eingetragener Verein Lernfähiges Steuergerät mit selbständiger Exploration eines Betriebsparameterraums
DE102021125204A1 (de) 2021-09-29 2023-03-30 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren und System für eine kooperative Maschinenkalibrierung mit KIAgent mittels Mensch-Maschine-Schnittstelle
DE102022113690A1 (de) 2022-05-31 2023-11-30 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren, System und Computerprogrammprodukt zum autonomen intuitiven Kalibrieren eines technischen Bauteils, insbesondere eines Fahrzeugantriebsstrangs für ein Kraftfahrzeug
DE102022115239B3 (de) 2022-06-20 2023-11-23 Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr Verfahren und System zur zielgrößenoptimierten Applikation der Steuereinheit einer Fahrzeugkomponente
EP4296496A2 (de) 2022-06-20 2023-12-27 IAV GmbH Ingenieurgesellschaft Auto und Verkehr Verfahren und system zur zielgrössenoptimierten applikation der steuereinheit einer fahrzeugkomponente

Also Published As

Publication number Publication date
DE102017201632B4 (de) 2021-10-14
CN107082051A (zh) 2017-08-22
CN107082051B (zh) 2022-11-22
US20170234251A1 (en) 2017-08-17
US9803576B2 (en) 2017-10-31

Similar Documents

Publication Publication Date Title
DE102017201632B4 (de) System und verfahren zum vorhersagen von kalibrierungswerten aufgrund von vorhandenen kalibrierungen
DE102019119171A1 (de) Spracherkennung für fahrzeugsprachbefehle
DE102018109195A1 (de) Diagnosesystem und Verfahren zum Verarbeiten von Daten eines Kraftfahrzeugs
DE102019124018A1 (de) Verfahren zum Optimieren von Tests von Regelsystemen für automatisierte Fahrdynamiksysteme
DE102019126195A1 (de) Verfahren zur effizienten, simulativen Applikation automatisierter Fahrfunktionen
DE102014111962A1 (de) Kalibrieren einer elektronischen Steuerungseinheit eines Fahrzeugs
DE102020003428A1 (de) Verfahren zur Erstellung eines Simulationsmodells, Verwendung eines Simulationsmodells, Computerprogrammprodukt, Verfahren zur Kalibrierung eines Steuergeräts
DE102019134053A1 (de) Verfahren zur kontinuierlichen Absicherung im Fahrversuch applizierter automatisierter Fahrfunktionen
DE102021213118A1 (de) Verfahren und ein system für black-box-universalangriffe mit geringer abfrage
DE102018115208A1 (de) System und Verfahren zur Bewertung des Fahrzeugkraftstoffeinspritzsystems
DE102021102146A1 (de) Fahrzeugantriebsstranganalyse in vernetzten flotten
DE102018117881A1 (de) System und verfahren zur verwendung von business intelligence für die regelbasierte herstellugnsprozessgestaltung
DE102021126440A1 (de) Effizientes inkrementelles lernen durch probabilistische trainingssatzauswahl
DE102013214967A1 (de) Verfahren und Vorrichtung zum Adaptieren eines datenbasierten Funktionsmodells
EP3674147B1 (de) Verfahren und vorrichtung zum erzeugen von steuersignalen zum unterstützen von insassen eines fahrzeugs
DE102020209479A1 (de) Verfahren und Vorrichtung zum Parametrisieren eines Gießverfahrens und zum Betreiben eines Gießsystems mithilfe Methoden maschinellen Lernens
DE102019220453A1 (de) Verfahren und Vorrichtung zum Erstellen einer Sicherheitsfunktion für das Vermessen eines Fertigungssystems
DE102021134173A1 (de) Entscheidungsbaum von modellen: verwenden des entscheidungsbaummodells und ersetzen der blätter des baums durch andere modelle des maschinellen lernens
DE102021115103B3 (de) Verfahren, Vorrichtung, Fahrzeug und Computerprogramm zum Modellieren und Überwachen eines Aufheizverhaltens eines Fahrzeugbauteils
DE102022102929A1 (de) Gradientenvarianzbasiertes rahmenwerk für aktives lernen zum trainieren von wahrnehmungsalgorithmen
DE102018217139B4 (de) Verfahren und Vorrichtung zum Konfigurieren einer Kennfunktion eines Steuergeräts eines Kraftfahrzeugs
DE102020110165A1 (de) Verfahren zur Bildung eines Modells zur Abbildung motorinterner Zustandsgrößen
DE102016225041B4 (de) Verfahren zum Betreiben einer Brennkraftmaschine, Steuereinrichtung für eine Brennkraftmaschine, und Brennkraftmaschine mit einer solchen Steuereinrichtung
DE102022126225A1 (de) System und verfahren zum validieren der durch bordinterne diagnosesysteme von fahrzeugen erzeugten diagnosefehlercodes
DE102019218458A1 (de) Verfahren und Software-Werkzeug zum Vornehmen ausführbarer Spezifikationen bei der Systementwicklung oder -Validierung komplexer funktionaler Systeme

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R082 Change of representative

Representative=s name: ISARPATENT - PATENT- UND RECHTSANWAELTE BARTH , DE

R016 Response to examination communication
R018 Grant decision by examination section/examining division
R082 Change of representative
R020 Patent grant now final