DE102018132658A1 - Verfahren zur rechnergestützten Auswertung einer Messung einer elektrischen Größe in einem Hochvolt-Bordnetz eines vorgegebenen elektrisch angetriebenen Kraftfahrzeugs - Google Patents

Abstract

Die Erfindung betrifft ein Verfahren zur rechnergestützten Auswertung einer Messung einer elektrischen Größe (S) in einem Hochvolt-Bordnetz (BN) eines vorgegebenen elektrisch angetriebenen Kraftfahrzeugs (VE), wobei das Hochvolt-Bordnetz (BN) eine Mehrzahl von elektrischen Komponenten (BAT, ED) umfassend eine elektrische Maschine (ED) zum Antrieb des vorgegebenen Kraftfahrzeugs (VE) und einen elektrischen Energiespeicher (BAT) zur elektrischen Energieversorgung der elektrischen Maschine (ED) beinhaltet, wobei die elektrische Größe (S) von dem elektrischen Strom und/oder der elektrischen Spannung abhängt, die in einer vorgegebenen elektrischen Komponente (ED) aus der Mehrzahl von Komponenten (ED, BAT) auftritt. Im Rahmen des erfindungsgemäßen Verfahrens wird im vorgegebenen Kraftfahrzeug (VE) ein erstes datengetriebenes Modell (MO) gelernt und an einen Backend-Server (SE) übermittelt. In dem Backend-Server (SE) sind weitere zweite datengetriebene Modelle hinterlegt, welche dem ersten datengetriebenen Modell entsprechen, jedoch für andere Kraftfahrzeuge gelernt wurden. Im Backend-Server (SE) werden dann basierend auf einer vorgegebenen Messreihe (MR) Prädiktionen des gelernten ersten datengetriebenen Modells (MO) mit Prädiktionen der gelernten zweiten datengetriebenen Modelle (MO') verglichen. Als Ergebnis erhält man ein Fehlermaß (EM), auf dessen Basis das Betriebsverhalten des vorgegebenen Kraftfahrzeugs (VE) geeignet klassifiziert wird.

Description

• Die Erfindung betrifft ein Verfahren und ein System zur rechnergestützten Auswertung einer Messung einer elektrischen Größe in einem Hochvolt-Bordnetz eines vorgegebenen elektrisch angetriebenen Kraftfahrzeugs.
• In elektrisch angetriebenen Kraftfahrzeugen, wie z.B. in reinen Elektrofahrzeugen oder in Hybrid-Fahrzeugen, ist eine genaue Bestimmung von elektrischen Größen im Hochvolt-Bordnetz von großer Bedeutung. Das Hochvolt-Bordnetz ist dabei das Bordnetz, welches für das elektrische Fahren des Kraftfahrzeugs genutzt wird. Es umfasst eine elektrische Antriebsmaschine sowie einen Energiespeicher für diese Maschine. Werden entsprechende elektrische Größen nicht genau genug bestimmt, muss dies bei der Auslegung des elektrischen Energiespeichers im Hochvolt-Bordnetz berücksichtigt werden, was dazu führt, dass der Energiespeicher nicht effizient genutzt wird.
• Betrachtet man in einem Hochvolt-Bordnetz die Ströme an einem Knotenpunkt in diesem Netz, so muss sich physikalisch gemäß der Kirchhoff'schen Knotenregel an diesem Knotenpunkt ein Strom von 0 A ergeben. Üblicherweise wird jedoch in Hochvolt-Bordnetzen herkömmlicher Kraftfahrzeuge ein deutlich von Null abweichender Wert gemessen. Dieser Wert liegt beispielsweise bei 1 A, woraus sich eine Fehlleistung bei einem 400 V-Bordnetz von 400 W ergibt. Es ist wünschenswert, diese Fehlleistung zu korrigieren, damit Speicherschutzgrenzen des elektrischen Energiespeichers im Hochvolt-Bordnetz näher an die tatsächlichen physikalischen Belastungsgrenzen gelegt werden können. Die Speicherschutzgrenzen berücksichtigten neben der tatsächlichen physikalischen Belastungsgrenze auch die maximal mögliche Fehlleistung. Im motorischen Betrieb des Kraftfahrzeugs bedeutet dies, dass eine zu konservativ gewählte Speicherschutzgrenze dazu führt, dass Antriebsleistung bei einer vom Fahrer gewünschten Vollbeschleunigung nicht freigegeben wird, obwohl sie zur Verfügung stehen würde. Im Rekuperationsfall führt die Berücksichtigung der maximalen Fehlleistung dazu, dass der elektrische Energiespeicher nicht zur physikalischen Ladungsgrenze geladen werden kann.
• Es ist wünschenswert, einen von der Norm abweichenden Betrieb eines Kraftfahrzeugs zu erkennen, um Beschädigungen im Hochvolt-Bordnetz z.B. aufgrund der Überschreitung der oben beschriebenen Speicherschutzgrenzen zu vermeiden.
• Aufgabe der Erfindung ist es, ein Verfahren zur Auswertung einer Messung einer elektrischen Größe in einem Hochvolt-Bordnetz eines vorgegebenen elektrisch angetriebenen Kraftfahrzeugs zu schaffen, mit dem zuverlässig ein von der Norm abweichender Betrieb des vorgegebenen Kraftfahrzeugs erkannt werden kann.
• Das erfindungsgemäße Verfahren dient zur rechnergestützten Auswertung einer Messung einer elektrischen Größe in einem Hochvolt-Bordnetz eines vorgegebenen elektrisch angetriebenen Kraftfahrzeugs. Der Begriff des elektrisch angetriebenen Kraftfahrzeugs ist dabei weit zu verstehen. Ein elektrisch angetriebenes Kraftfahrzeug kann ein reines Elektrofahrzeug, jedoch auch ein Hybrid-Fahrzeug und insbesondere ein Plug-in-Hybrid-Fahrzeug sein. Entscheidend ist, dass das Kraftfahrzeug über einen elektrischen Antrieb verfügt, wobei zusätzlich auch ein verbrennungsmotorischer Antrieb vorgesehen sein kann. Das Hochvolt-Bordnetz, welches beispielsweise auf einer Bordspannung von 400 V liegt, wird für das elektrische Fahren des vorgegebenen Kraftfahrzeugs genutzt. Es beinhaltet eine Mehrzahl von elektrischen Komponenten, welche eine elektrische Maschine zum Antrieb des vorgegebenen Kraftfahrzeugs und einen elektrischen Energiespeicher zur elektrischen Energieversorgung dieser elektrischen Maschine beinhaltet.
• Die im erfindungsgemäßen Verfahren ausgewertete elektrische Größe kann unterschiedlich definiert sein. Entscheidend ist, dass diese Größe von dem elektrischen Strom und/oder der elektrischen Spannung abhängt, die in einer vorgegebenen elektrischen Komponente aus der Mehrzahl von elektrischen Komponenten im Hochvolt-Bordnetz auftritt. Die elektrische Größe kann insbesondere ein elektrischer Strom oder eine elektrische Spannung oder eine elektrische Leistung sein. In der detaillierten Beschreibung wird eine Ausführungsform basierend auf elektrischem Strom beschrieben.
• In dem erfindungsgemäßen Verfahren wird in dem vorgegebenen Kraftfahrzeug ein erstes datengetriebenes Modell mit einem maschinellen Lernverfahren gelernt und dieses gelernte erste datengetriebene Modell wird an einen Backend-Server durch das vorgegebene Kraftfahrzeug übermittelt, wobei unter einem Backend-Server eine nicht zum Kraftfahrzeug gehörige Rechnereinrichtung aus einem oder ggf. auch mehreren miteinander vernetzten Rechnern zu verstehen ist. Das erste datengetriebene Modell wird dabei basierend auf einer Vielzahl von Trainingsdatensätzen zu unterschiedlichen Betriebszeitpunkten des vorgegebenen Kraftfahrzeugs gelernt, wobei ein jeweiliger Trainingsdatensatz Messwerte von Eingangsgrößen im vorgegebenen Kraftfahrzeug und einen Messwert der elektrischen Größe als Ausgangsgröße umfasst. Die Messwerte eines jeweiligen Trainingsdatensatzes sind zu einem jeweiligen Betriebszeitpunkt im vorgegebenen Kraftfahrzeug aufgetreten. Hier und im Folgenden ist der Begriff der Messung bzw. des Messwerts weit zu verstehen. Insbesondere muss ein Messwert nicht zwangsläufig direkt aus einer Messung gewonnen sein, sondern der Messwert kann auch mittelbar aus einem oder mehreren anderen Messungen ermittelt bzw. berechnet werden.
• Das gelernte erste datengetriebene Modell kann basierend auf Messwerten der Eingangsgrößen einen Messwert der elektrischen Größe prädizieren. In einer Variante der Erfindung wird das datengetriebene Modell in regelmäßigen zeitlichen Abständen im vorgegebenen Kraftfahrzeug basierend auf neu hinzugekommenen Trainingsdatensätzen aktualisiert. Die nachfolgend beschriebenen Verarbeitungsschritte im Backend-Server werden dann bei Vorliegen eines aktualisierten gelernten ersten datengetriebenen Modells wiederholt.
• Erfindungsgemäß werden in dem Backend-Server das gelernte erste datengetriebene Modell sowie eine Mehrzahl von weiteren gelernten zweiten datengetriebenen Modellen verarbeitet. Ein jeweiliges zweites datengetriebenes Modell wurde dabei in einem anderen Kraftfahrzeug von der gleichen Bauart wie das vorgegebene Kraftfahrzeug mit dem gleichen maschinellen Lernverfahren wie das erste datengetriebene Modell basierend auf Trainingsdatensätzen mit den gleichen Eingangsgrößen und der gleichen elektrischen Größe, jedoch nicht zwangsläufig mit den gleichen Messwerten, gelernt. Die zweiten datengetriebenen Modelle sind somit Modelle, die mit der gleichen Methodik wie das erste datengetriebene Modell ermittelt wurden, jedoch jeweils für ein anderes Kraftfahrzeug der gleichen Bauart.
• Im Rahmen der Verarbeitung des ersten datengetriebenen Modells und der Mehrzahl von zweiten datengetriebenen Modellen wird für eine vorgegebene Messreihe aus mehreren Messdatensätzen, welche jeweils Messwerte der Eingangsgrößen zum gleichen Betriebszeitpunkt umfassen, ein erstes Fehlermaß bestimmt. Dieses erste Fehlermaß repräsentiert die Abweichung zwischen einer ersten Reihe von prädizierten Messwerten der elektrischen Größe und einer zweiten Reihe von prädizierten Messwerten der elektrischen Größe. Vorzugsweise handelt es sich bei dem ersten Fehlermaß und auch bei dem weiter unten beschriebenen zweiten Fehlermaß um den mittleren quadratischen Fehler bzw. die Quadratwurzel aus dem mittleren quadratischen Fehler (sog. RSME-Fehler). Der Begriff des ersten Fehlermaßes dient lediglich zur einfacheren Referenzierung dieses Fehlermaßes. Es ist nicht zwangsläufig erforderlich, dass im erfindungsgemäßen Verfahren auch ein zweites Fehlermaß berücksichtigt wird.
• Die erste Reihe der prädizierten Messwerte umfasst die Messwerte der elektrischen Größe, die über das gelernte erste datengetriebene Modell basierend auf der vorgegebenen Messreihe prädiziert werden. Demgegenüber ist die zweite Reihe der prädizierten Messwerte eine (arithmetische) Mittelung von Reihen, wobei diese Reihen für jedes gelernte zweite datengetriebene Modell eine Reihe enthalten, welche die Messwerte der elektrischen Größe umfasst, die über das jeweilige zweite gelernte datengetriebene Modell basierend auf der vorgegebenen Messreihe prädiziert werden. Gegebenenfalls umfassen die bei der Mittelung berücksichtigten Reihen auch die erste Reihe von Messwerten der elektrischen Größe. Schließlich wird im Backend-Server das Betriebsverhalten des vorgegebenen Kraftfahrzeugs als anormal klassifiziert, falls das erste Fehlermaß einen ersten Schwellwert überschreitet. Der erste Schwellwert und auch der weiter unten beschriebene zweite Schwellwert können in Abhängigkeit von der konkreten Ausgestaltung des Verfahrens geeignet gewählt werden. Diese geeignete Wahl liegt im Rahmen von fachmännischem Handeln. In der detaillierten Beschreibung werden beispielhaft Werte für den ersten bzw. zweiten Schwellwert angegeben, wenn es sich bei der elektrischen Größe um den elektrischen Strom in der elektrischen Maschine handelt.
• Das erfindungsgemäße Verfahren stellt einen flottenbasierten Ansatz zur Klassifikation einer Messung einer elektrischen Größe in einem Hochvolt-Bordnetz dar. Die Messung wird dabei durch die Messwerte der elektrischen Größe der Trainingsdatensätze repräsentiert. Basierend auf dem maschinellen Lernen datengetriebener Modelle kann dabei ermittelt werden, ob die Messung Auffälligkeiten im Vergleich zu entsprechenden Messungen in anderen Kraftfahrzeugen der gleichen Bauart aufweist. Ist dies der Fall, wird das Betriebsverhalten des vorgegebenen Kraftfahrzeugs als anormal klassifiziert, was jedoch nicht zwangsläufig bedeutet, dass ein Fehler im Betrieb vorliegt. Nichtsdestotrotz kann diese Information in weiteren Verarbeitungsschritten genutzt werden, beispielsweise indem die Messung im vorgegebenen Kraftfahrzeug korrigiert wird und anschließend die Speicherschutzgrenzen des elektrischen Energiespeichers näher an die physikalischen Belastungsgrenzen gelegt werden. Ebenso kann die Information über ein anormales Betriebsverhalten im Rahmen einer Fehlerdiagnose genutzt werden, um hierdurch das Auffinden eines potentiellen Fehlers zu erleichtern. Die Diagnose kann z.B. durch das Kraftfahrzeug selbst oder durch eine Servicewerkstätte durchgeführt werden.
• Die oben beschriebenen Eingangsgrößen stellen Größen dar, die einen Einfluss auf die Messung der elektrischen Größe haben. In einer bevorzugten Ausführungsform umfassen die Eingangsgrößen eine Beschleunigung des vorgegebenen Kraftfahrzeugs und eine Geschwindigkeit des vorgegebenen Kraftfahrzeugs. In einer weiteren bevorzugten Ausführungsform umfassen die Eingangsgrößen ferner die Neigung des vorgegebenen Kraftfahrzeugs gegenüber der Horizontalen und/oder den im vorgegebenen Kraftfahrzeug eingelegten Gang und/oder eine Leistungsanforderung und/oder -zuteilung an die elektrische Maschine und/oder eine Drehzahl der elektrischen Maschine. Die Verwendung der soeben genannten Eingangsgrößen ermöglicht eine sehr gute Prädiktion der entsprechenden Messwerte der elektrischen Größe mit dem ersten bzw. den zweiten datengetriebenen Modellen.
• Wie oben dargelegt, enthält das Hochvolt-Bordnetz zumindest die elektrische Maschine und den elektrischen Energiespeicher. Vorzugsweise enthält das Hochvolt-Bordnetz jedoch noch weitere elektrische Komponenten. Diese Komponenten sind insbesondere eine Heizung und/oder eine Klimaanlage und/oder ein Umrichter zur Spannungswandlung für ein Niedervolt-Bordnetz, z.B. ein 12 V-Bordnetz. Jede der genannten Komponenten kann im Hochvolt-Bordnetz auch mehrmals vorhanden sein.
• In einer weiteren Ausgestaltung des erfindungsgemäßen Verfahrens werden in dem vorgegebenen Kraftfahrzeug alternative Werte der elektrischen Größe erfasst, welche den Messwerten der elektrischen Größe aus den Trainingsdatensätzen entsprechen, jedoch mit einer alternativen Methode bestimmt sind. Diese alternativen Werte stellen in diesem Sinne weitere, alternativ bestimmte Messwerte dar. Dabei wird ein zweites Fehlermaß bestimmt, das die Abweichung zwischen den alternativen Werten und den Messwerten der elektrischen Größe beschreibt. Dieses zweite Fehlermaß wird durch das vorgegebene Kraftfahrzeug an den Backend-Server übertragen, in dem ein zweiter Schwellwert für das zweite Fehlermaß festgelegt ist. Das zweite Fehlermaß ist vorzugsweise der mittleren quadratischen Fehler bzw. die Quadratwurzel aus dem mittleren quadratischen Fehler.
• Das soeben beschriebene zweite Fehlermaß wird vorzugsweise zur weiteren Klassifikation der Messung verwendet. In einer Variante wird dabei im Falle, dass das erste Fehlermaß über dem ersten Schwellwert liegt bzw. ggf. auch den ersten Schwellwert annimmt, folgende Klassifikation vorgenommen:
• - falls das zweite Fehlermaß über dem zweiten Schwellwert liegt, gibt es einen Fehler bei der Messung der elektrischen Größe im vorgegebenen Kraftfahrzeug;
• - falls das zweite Fehlermaß unter dem zweiten Schwellwert liegt, ist das Betriebsverhalten im vorgegebenen Kraftfahrzeug fehlerhaft, wobei das fehlerhafte Betriebsverhalten nicht durch einen Fehler bei der Messung der elektrischen Größe bedingt ist.
• Im Falle, dass das zweite Fehlermaß dem zweiten Schwellwert entspricht, kann es so eingestuft werden, dass entweder ein Fehler bei der Messung vorliegt oder dass ein fehlerhaftes Betriebsverhalten vorliegt.
• In einer weiteren Variante der Erfindung, wird im Backend-Server im Falle, dass das erste Fehlermaß unter dem ersten Schwellwert liegt bzw. ggf. auch den ersten Schwellwert annimmt, folgende Klassifikation vorgenommen:
• - falls das zweite Fehlermaß unter dem zweiten Schwellwert liegt, ist das Betriebsverhalten des vorgegebenen Kraftfahrzeugs fehlerfrei;
• - falls das zweite Fehlermaß über dem zweiten Schwellwert liegt, gibt es einen Fehler bei der Erfassung der elektrischen Größe mit der alternativen Methode.
• Im Falle, dass das zweite Fehlermaß dem zweiten Schwellwert entspricht, kann es so eingestuft werden, dass entweder ein fehlerfreies Betriebsverhalten vorliegt oder dass es einen Fehler bei der Erfassung der elektrischen Größe mit der alternativen Methode gibt.
• Mit den beiden soeben beschriebenen Ausführungsformen kann in geeigneter Weise eine weitere Spezifizierung des Betriebs des Kraftfahrzeugs unter Berücksichtigung von einer alternativen Erfassung der entsprechenden Messwerte der elektrischen Größe erfolgen.
• Je nach Ausgestaltung des erfindungsgemäßen Verfahrens können verschiedene Arten von ersten bzw. zweiten datengetriebenen Modellen gelernt werden. Vorzugsweise stellt das erste datengetriebene Modell und die Mehrzahl von zweiten datengetriebenen Modellen jeweils eine an sich bekannte neuronale Netzstruktur dar, vorzugsweise eine sog. LSTM-Netzstruktur (LSTM = Low Short-Term Memory). Eine LSTM-Netzstruktur ermöglicht ein regressives Lernen, wodurch auf einfache Weise die datengetriebenen Modelle aktualisiert werden können.
• In einer alternativen Variante stellt das erste datengetriebenen Modell und die Mehrzahl von zweiten datengetriebenen Modellen jeweils ein Zustandsraummodell dar. Auch solche datengetriebenen Modelle sind aus dem Stand der Technik bekannt. In der detaillierten Beschreibung wird ein datengetriebenes Modell basierend auf einem Zustandsraummodell näher erläutert.
• Neben dem oben beschriebenen Verfahren betrifft die Erfindung ein System zur rechnergestützten Auswertung einer Messung einer elektrischen Größe in einem Hochvolt-Bordnetz eines vorgegebenen elektrisch angetriebenen Kraftfahrzeugs, wobei das Hochvolt-Bordnetz eine Mehrzahl von elektrischen Komponenten umfassend eine elektrische Maschine zum Antrieb des vorgegebenen Kraftfahrzeugs und einen elektrischen Energiespeicher zur elektrischen Energieversorgung der elektrischen Maschine beinhaltet, wobei die elektrische Größe von dem elektrischen Strom und/oder der elektrischen Spannung abhängt, die in einer vorgegebenen elektrischen Komponente aus der Mehrzahl von elektrischen Komponenten auftritt. Dieses System ist zur Durchführung des erfindungsgemäßen Verfahrens bzw. einer oder mehrerer bevorzugter Varianten des erfindungsgemäßen Verfahrens eingerichtet.
• Die Erfindung betrifft darüber hinaus ein Backend-Server, welcher dazu eingerichtet ist, als Backend-Server in dem erfindungsgemäßen Verfahren bzw. einer oder mehrerer bevorzugter Varianten des erfindungsgemäßen Verfahrens zu arbeiten. Mit anderen Worten enthält der Backend-Server Mittel zur Durchführung derjenigen Verfahrensschritte, die von ihm im erfindungsgemäßen Verfahren bzw. in einen oder mehreren bevorzugter Ausführungsformen des erfindungsgemäßen Verfahrens durchgeführt werden.
• Die Erfindung betrifft darüber hinaus ein elektrisch angetriebenes Kraftfahrzeug, wobei das Kraftfahrzeug dazu eingerichtet ist, als ein vorgegebenes Kraftfahrzeug in dem erfindungsgemäßen Verfahren bzw. in einer oder mehreren bevorzugten Ausführungsformen des erfindungsgemäßen Verfahrens zu arbeiten. Mit anderen Worten beinhaltet das Kraftfahrzeug Mittel, um die vom vorgegebenen Kraftfahrzeug durchgeführten Schritte im erfindungsgemäßen Verfahren bzw. in einer oder mehreren bevorzugten Varianten des erfindungsgemäßen Verfahrens durchzuführen.
• Ein Ausführungsbeispiel der Erfindung wird nachfolgend anhand der beigefügten 1 detailliert beschrieben. Diese Figur zeigt in schematischer Darstellung eine Architektur zur Durchführung einer Variante des erfindungsgemäßen Verfahrens.
• Im Folgenden wird eine Ausführungsform des erfindungsgemäßen Verfahrens anhand der Auswertung der Messung einer elektrischen Größe in der Form eines elektrischen Stroms erläutert, der in der elektrischen Maschine eines elektrisch angetriebenen Kraftfahrzeugs auftritt. Über das Vorzeichen des Stromwerts kann dabei spezifiziert werden, ob der elektrischen Maschine Strom zugeführt wird oder ob die elektrische Maschine im Rekuperationsbetrieb Strom erzeugt.
• In der Darstellung der 1 werden durch Rechtecke mit durchgezogenen Linien am Verfahren beteiligte Komponenten repräsentiert. Demgegenüber werden durch Kreise Messungen von entsprechenden Messwerten spezifiziert. Ferner stellen Rechtecke mit gestrichelten Linien entsprechende Schritte im Verfahren dar.
• Gemäß 1 wird die Messung des elektrischen Stroms in der elektrischen Maschine ausgewertet, die Bestandteil des Hochvolt-Bordnetzes eines Kraftfahrzeugs ist und zum Antrieb des Kraftfahrzeugs dient. Das Kraftfahrzeug ist in 1 mit dem Bezugszeichen VE bezeichnet. Das Hochvolt-Bordnetz wird durch das Bezugszeichen BN repräsentiert. Darüber hinaus wird die elektrische Maschine durch das Bezugszeichen ED spezifiziert. Der elektrische Strom, der in dem Kraftfahrzeug VE gemessen wird, ist mit S_I,ED bezeichnet. Wie bereits oben dargelegt, ist der Begriff der Messung weit zu verstehen. Eine Messung muss nicht unbedingt eine direkte Messung darstellen, sondern sie kann auch Berechnungsschritte beinhalten, mit denen aus einer oder mehreren direkten Messungen eine Messgröße mittelbar abgeleitet wird.
• Das Hochvolt-Bordnetz BN des Kraftfahrzeugs VE enthält neben der elektrischen Maschine ED auch eine Antriebsbatterie BAT, welche die elektrische Maschine ED mit elektrischer Leistung verfolgt. Darüber hinaus sind im Hochvolt-Bordnetz noch weitere elektrische Komponenten vorgesehen sind, die nicht in 1 gezeigt sind. Dabei handelt es sich um eine Klimaanlage, eine Heizung sowie einen Umrichter zur Wandlung der Spannung des Hochvolt-Bordnetzes in eine Spannung für ein Niedervolt-Bordnetz des Kraftfahrzeugs. Als weitere Größe wird im Kraftfahrzeug VE neben dem Strom S_I,ED der in der Batterie BAT auftretende Strom S_I,BA erfasst, wobei über das Vorzeichen des Stroms wiederum spezifiziert wird, ob der Batterie Strom entnommen wird oder Strom zugeführt wird. Die Messwerte S_I,ED und S_I,BA werden in einer Steuereinheit CU1 verarbeitet, die für den elektrischen Antrieb des Kraftfahrzeugs VE zuständig ist.
• In dem Kraftfahrzeug der 1 werden neben den Messgrößen S_I,BA und S_I,ED noch weitere Messgrößen erfasst. Bei diesen Messgrößen handelt es sich um die Neigung des Kraftfahrzeugs gegenüber der Horizontalen, die mit S_EL , bezeichnet ist, um die Beschleunigung des Kraftfahrzeugs, die mit S_ACC bezeichnet ist, sowie um die Geschwindigkeit des Kraftfahrzeugs, die mit S_VEL bezeichnet ist. Diese Messgrößen werden zur weiteren Verarbeitung einer zentralen Steuereinheit CU2 des Kraftfahrzeugs bereitgestellt.
• Ziel des hier beschriebenen Verfahrens ist die Auswertung des Stroms S_I,ED der elektrischen Maschine ED, der eine wichtige Größe im Zusammenhang mit dem Betrieb des Kraftfahrzeugs ist. Große Toleranzen in der Messung dieses Stroms bedingen eine großzügige Auslegung der Speicherschutzgrenzen der Batterie BAT, so dass die Batterie beim Laden und Entladen nicht an ihre Belastungsgrenzen gefahren werden kann. Im Falle des Entladens der Batterie kann somit nicht die maximal mögliche Leistung abgerufen werden. Demgegenüber wird die Batterie beim Laden nicht bis zu ihrer physikalischen Ladegrenze geladen. Sollte das Ergebnis der nachfolgend beschriebenen Auswertung dazu führen, dass ein von der Norm abweichende Betrieb des Kraftfahrzeugs vorliegt, kann beispielsweise eine Korrektur der Strommessung der elektrischen Maschine vorgenommen werden. Nach Durchführung der Korrektur können dann die Speicherschutzgrenzen korrigiert werden, so dass sie näher an den physikalischen Grenzen der Batterie BAT liegen. Ferner kann mittels des Ergebnisses der Auswertung die Diagnose eines Fehlers im Betrieb des Kraftfahrzeugs erleichtert werden, da sich mit dem Ergebnis eine Fehlerursache eingrenzen lässt.
• Gemäß 1 wird basierend auf den fortwährend im Betrieb des Kraftfahrzeugs VE erfassten Messwerten der Messgrößen S_EL , S_ACC , S_VEL und S_I,ED ein Online-Lernen LE im Kraftfahrzeug durchgeführt. Gemäß diesem Online-Lernen wird mittels eines maschinellen Lernverfahrens ein datengetriebenes Modell MO gelernt, welches nach dem Lernen basierend auf Werten von Eingangsgrößen den Wert einer Ausgangsgröße prädiziert. In dem Verfahren der 1 stellen dabei die Messgrößen S_EL , S_ACC und S_VEL die Eingangsgrößen dar, wohingegen die Messgröße S_I,ED die Ausgangsgröße ist. Zum Lernen des datengetriebenen Modells werden die im Betrieb erfassten Messwerte der Messgrößen S_EL , S_ACC , S_VEL und S_I,ED als Trainingsdaten genutzt, wobei es eine Vielzahl von Trainingsdatensätzen für eine Vielzahl von aufeinander folgenden Betriebszeitpunkten gibt.
• Als datengetriebenes Modell bzw. als entsprechendes Lernverfahren können beliebige aus dem Stand der Technik bekannte Methoden genutzt werden. In einer Variante stellt das datengetriebene Modell eine neuronale Netzstruktur dar. Vorzugsweise handelt es sich dabei um ein LSTM-Netz, bei dem das Lernen auf einem Regressionsproblem basiert, so dass dieses Netz sehr gut während des Betriebs des Kraftfahrzeugs VE gelernt werden kann. Alternativ ist es auch möglich, als datengetriebenes Modell ein an sich bekanntes Zustandsraummodell zu nutzen, welches beispielhaft weiter unten näher beschrieben wird. Vorzugsweise wird das Zustandsraummodell mit dem bekannten N4SID-Algorithmus gelernt, wobei vorzugsweise eine regressive Lösung für diesen Algorithmus genutzt wird, welche ein schnelles Online-Lernen während des Betriebs des Kraftfahrzeugs ermöglicht. Als Ergebnis des Lernens LE erhält man schließlich das gelernte datengetriebenes Modell MO, welches ggf. in regelmäßigen Abständen im Kraftfahrzeug VE basierend auf neuen Trainingsdatensätzen aktualisiert werden kann. Je nach Ausgestaltung kann das Lernen LE in einem der beiden Steuereinheit CU1 oder CU2 bzw. in einer separaten Rechnereinheit im Kraftfahrzeug durchgeführt werden.
• In der Ausführungsform der 1 wird in der Steuereinheit CU1 ein alternativer Messwert für den Strom S_I,ED mit einer alternativen Methode erfasst. Gemäß dieser alternativen Methode wird von dem Strom der Batterie S_I,BA der Strom der elektrischen Verbraucher im Hochvolt-Bordnetz BN, nämlich der Strom der Klimaanlage, der Heizung und des Umrichters zur Spannungswandlung für das Niedervolt-Bordnetz, abgezogen. Gemäß der Kirchhoff'schen Knotenregel ergibt diese Subtraktion den Wert für S_I,ED . Anschließend wird in der Steuereinheit CU1 eine Berechnung EC eines Fehlermaßes EM' durchgeführt, welches in der hier beschriebenen Ausführungsform die Quadratwurzel des mittleren quadratischen Fehlers zwischen den Stromwerten S_I,ED und den mit den alternativen Verfahren bestimmten Stromwerten ist, welche in einem vorbestimmten Betriebsintervall erfasst wurden.
• Das gelernte datengetriebene Modell MO sowie das Fehlermaß EM' werden anschließend mittels einer für die Telematik verantwortlichen Steuereinheit CU3 an einen Backend-Server SE gesendet. Das Übertragen dieser Daten ist in 1 mit dem Pfeil P angedeutet. In dem Backend-Server SE sind ferner eine Vielzahl von gelernten datengetriebenen Modelten MO' hinterlegt. Diese datengetriebenen Modelle entsprechen dem Modell MO dahingehend, dass sie mit dem gleichen Lernverfahren LE sowie den gleichen Eingangsgrößen und der gleichen Ausgangsgröße wie das Modell MO gelernt wurden, wobei das Lernen der Modell MO' jedoch in anderen Kraftfahrzeugen mit den dort erfassten Trainingsdaten durchgeführt wurde. Die anderen Kraftfahrzeuge entsprechen dabei dem Kraftfahrzeug VE, d.h. sie sind von der gleichen Bauart wie das Kraftfahrzeug VE. In dem Backend-Server SE liegen somit neben dem übertragenen datengetriebenen Modell MO des Kraftfahrzeugs VE eine Vielzahl von datengetriebenen Modellen MO' für die Kraftfahrzeuge einer Fahrzeugflotte vor.
• Ziel ist es nunmehr, das Modell MO mit den weiteren Modellen MO' zu vergleichen, und hierüber Hinweise auf ein anormales Betriebsverhalten des Kraftfahrzeugs VE bzw. auf eine fehlerhafte Messung des Stroms der elektrischen Maschine ED zu bekommen. Hierzu wird die in 1 mit PRO bezeichnete Verarbeitung durchgeführt. Im Rahmen dieser Verarbeitung wird auf die Modelle MO und MO' sowie eine vorgegebene Messreihe MR zugegriffen, welche eine Messreihe für einen vorgegebenen Kraftfahrzeug-Betrieb darstellt. Diese Messreihe enthält für eine Vielzahl von Betriebszeitpunkten entsprechende Werte der Eingangsgrößen S_EL , S_ACC und S_VEL . Im Rahmen der Verarbeitung PRO wird eine erste Reihe R1 von prädizierten Messwerten der elektrischen Größe S_I,ED ermittelt, wobei diese erste Reihe auf einer Prädiktion mittels des Modells MO unter Verwendung der Messreihe MR basiert. Mit anderen Worten enthält die erste Reihe R1 für jeden Betriebszeitpunkt der Messreihe MR einen prädizierten Wert des Stroms S_L,ED , der aus den Messwerten der Eingangsgrößen S_EL , S_ACC und S_VEL zum entsprechenden Betriebszeitpunkt prädiziert wird.
• Darüber hinaus wird eine zweite Reihe R2 von prädizierten Messwerten ermittelt. Zur Bestimmung dieser zweiten Reihe werden die Messwerte des Stroms S_I,ED sowohl mit dem Modell MO als auch mit jedem der Modelle MO' basierend auf der Messreihe MR prädiziert. Anschließend werden die Mittelwerte dieser prädizierten Messwerte zu den entsprechenden Betriebszeitpunkten berechnet. Hieraus ergibt sich eine gemittelte Reihe von prädizierten Messwerten, welche die zweite Reihe R2 darstellt. Schließlich wird im Rahmen der Verarbeitung PRO ein Fehlermaß EM in der Form der Quadratwurzel des gemittelten quadratischen Fehlers zwischen den Reihen R1 und R2 bestimmt.
• An den Verarbeitungsschritt PRO schließt sich ein Klassifikationsschritt CLA an. In diesem Klassifikationsschritt wird sowohl das Fehlermaß EM als auch das zuvor übermittelte Fehlermaß EM' verarbeitet. Es existiert dabei ein erster Schwellwert TH für das Fehlermaß EM, der beispielsweise im Bereich zwischen 0,1 A und 1 A liegt. Ferner existiert ein zweiter Schwellwert TH' für das Fehlermaß EM', welcher beispielsweise zwischen 0,1 A und 5 A. Die Werte für die beiden Schwellwerte können je nach Konfiguration des Kraftfahrzeugs auch anders gewählt werden, wobei eine geeignete Wahl im Rahmen von fachmännischem Handeln liegt.
• Im Rahmen des Klassifikationsschritts CLA wird überprüft, ob das Fehlermaß EM den ersten Schwellwert TH überschreitet und ob das Fehlermaß EM' den zweiten Schwellwert TH' überschreitet. In Abhängigkeit hiervon ergibt sich ein Klassifikationsergebnis CL, welches nachfolgend beschrieben wird.
• Überschreitet das Fehlermaß EM den Schwellwert TH, wird zunächst festgestellt, dass ein irgendwie gearteter anormaler Betrieb des Kraftfahrzeugs VE im Vergleich zu der Flotte der anderen Kraftfahrzeuge vorliegt, die durch die Modelle MO' berücksichtigt wurden. Dieser anormale Betrieb wird nochmals weiter über den Schwellwert TH' spezifiziert.
• Sollte das Fehlermaß EM' kleiner gleich dem Schwellwert TH' sein, sind die Messungen des Stroms S_I,ED konsistent, so dass in diesem Fall der anormale Betrieb einem fehlerhaften Betriebsverhalten des Kraftfahrzeugs (wie z.B. einem Hardware-Defekt) zugeordnet wird. Dieses fehlerhafte Betriebsverhalten hat dabei andere Ursachen als einen Messfehler. Sollte demgegenüber das Fehlermaß EM' den Schwellwert TH' überschreiten, wird dies als ein Fehler der Messung der elektrischen Größe S_I,ED klassifiziert.
• Sollte sich im Klassifikationsschritt CLA ergeben, dass das Fehlermaß EM kleiner gleich dem Schwellwert TH ist, wird wiederum dahingehend unterschieden, ob das zweite Fehlermaß EM' den Schwellwert TH' überschreitet oder kleiner gleich diesem Schwellwert ist. Im Falle, dass das zweite Fehlermaß EM' kleiner gleich dem zweiten Schwellwert TH' ist, wird dies als fehlerfreier Betrieb des Kraftfahrzeugs ohne Hardware-Defekte bzw. Messfehler eingestuft. Sollte demgegenüber das zweite Fehlermaß EM' den zweiten Schwellwert TH' überschreiten, wird dies dahingehend gewertet, dass ein Fehler in der Erfassung der Werte S_I,ED mit oben beschriebener alternativer Methode vorliegt.
• Je nach Ausgestaltung können basierend auf dem Klassifikationsergebnis CL unterschiedliche Folgeaktionen durchgeführt werden. Beispielsweise kann im Falle der Feststellung eines anormalen Betriebs des Kraftfahrzeugs VE diese Information an eine Werkstatt gegeben werden, so dass diese bei einer späteren Wartung des Kraftfahrzeugs bereits die Information über das anormale Verhalten hat. Ebenso ist es möglich, bei Feststellung eines Fehlers in der Messung des Stroms S_I,ED diese Information an das Kraftfahrzeug VE zurückzugeben, welches basierend darauf die Messung geeignet korrigieren kann, so dass anschließend entsprechende Speichergrenzen der Fahrzeugbatterie BAT näher an die physikalischen Grenzen gelegt werden können.
• Im Folgenden wird zur Verdeutlichung das Lernen LE aus 1 anhand eines datengetriebenen Modells in der Form eines Zustandsraummodells beschrieben. Zustandsraummodelle sind dabei an sich aus dem Stand der Technik bekannt.
• Im Rahmen eines Zustandsraummodells wird ein diskretes Zeitsignal wie folgt approximiert: $$x\left(t+1\right)=Ax\left(t\right)+Bu\left(t\right)+w_k$$

  

  $$y\left(t\right)=Cx\left(t\right)+Du\left(t\right)+v_k$$

  
• Dabei bezeichnen x(t) ∈ R^{n x} , u(t) ∈ R^{n u} , y(t) ∈ R^{n y} jeweils den Modellzustand, den Vektor der Eingangsgrößen und den Vektor der Ausgangsgrößen zum Zeitpunkt t. Im hier beschriebenen Ausführungsbeispiel stellt der Vektor der Eingangsgrößen die Größen S_EL , S_ACC und S_VEL dar. Demgegenüber stellt der Vektor der Ausgangsgrößen den Strom S_I,ED dar. Die Matrizen A, B, C, D enthalten Informationen über das Verhalten des Systems. Ziel ist es nunmehr, während des Trainings diese Matrizen basierend auf Trainingsdaten in der Form von Eingangsgrößen u(t) und Ausgangsgrößen y(t) zu bestimmen.
• Zur Ermittlung des Satzes der Matrizen θ = {A, B, C, D} können an sich bekannte maschinelle Lernverfahren genutzt werden, die beispielsweise in den Dokumenten [1] und [2] beschrieben sind.
• Im Rahmen des Lernens eines Zustandsraummodells spielt die sog. Hankel-Matrix eine entscheidende Rolle, die wie folgt definiert ist: $$Y_{i,r,\text{N}}=\left(\begin{array}{cccc}{y}_i& y_{i+1}& \cdots & y_{i+N-1}\\ y_{i+1}& y_{i+2}& \cdots & y_{i+N}\\ ⋮& ⋮& \ddots & ⋮\\ y_{i+r-1}& y_{r+i}& \cdots & y_{i+r+N-2}\end{array}\right)$$

  
• Basierend auf der gleichen Notation wie für die Hankel-Matrix kann eine entsprechende Matrix U_i,r,N für die Eingangsgrößen definiert werden. Dann kann eine Rauschabschätzung der Beobachtungsmatrix für das System wie folgt berechnet werden: $$G=\frac{1}{\text{N}}{Y}_{\mathrm{1,}r,\text{N}}{\displaystyle {\prod }_{U_{\mathrm{1,}r,\text{N}}}^{\perp }{\mathrm{\Phi }}^T}$$

  

  wobei gilt: $${\displaystyle \prod {}_M^{\perp }=I-M^T{\left(M{M}^T\right)}^{-1}M}$$

  
• Die Matrix ${\displaystyle \prod {}_M^{\perp }}$

  

  ist dabei eine Projektionsmatrix für den orthogonalen Teilraum einer Matrix M. Die Matrix Φ^T ist eine Variable, die den Rauschbeitrag von den Daten modelliert. Eine übliche Wahl für diese Matrix ist wie folgt: $$\mathrm{\Phi }=\left[\begin{array}{l}{U}_{\mathrm{1,}r,\text{N}}\\ Y_{\mathrm{1,}r,\text{N}}\end{array}\right]$$

  
• Anschließend wird eine Singulärwertzerlegung einer gewichteten Version der obigen Matrix G durchgeführt, welche wie folgt lautet: $$\widehat{G}=W_{1}G{W}_2=US{V}^T$$

  
• W₁ und W₂ stellen Matrizen dar, die entsprechend dem Dokument [1] (siehe S. 351) bestimmt sind. Anschließend können die Systemparameter A und C durch eine gewichtete Transformation der Beobachtungsmatrix erhalten werden, die wie folgt lautet: $$\widehat{O}=W_1^{-1}{U}_1{S}_1$$

  
• Dabei repräsentiert S₁ die ersten n_x am meisten relevanten Singulärwerte von Ĝ. Wie in Dokument [2] beschrieben, können dann die Matrizen B und D basierend auf dem folgenden Problem der kleinsten Quadrate bestimmt werden: $$\left[\begin{array}{c}{X}_{k+1}\\ Y\end{array}\right]=\left[\begin{array}{cc}A& B\\ C& D\end{array}\right]\left[\begin{array}{c}{X}_k\\ U\end{array}\right]$$

  
• Vorzugsweise wird eine QR-Matrixzerlegung als Datenkompression genutzt, um hierdurch eine rekursive Lösung für den N4SID-Algorithmus zu bekommen. Die dabei verwendeten Methoden sind bekannt (siehe Dokumente [3], [4] und [5]).
• Im Vorangegangenen wurde das Lernen eines datengetriebenen Modells basierend auf einem Zustandsraummodell erläutert. Wie bereits oben erwähnt, können jedoch auch beliebige andere datengetriebene Modelle gelernt werden. Insbesondere kann auch ein neuronales Netz in der Form eines LSTM-Netzes gelernt werden. Darüber hinaus kann das oben beschriebene Verfahren nicht nur für die Auswertung des elektrischen Stroms einer elektrischen Maschine im Hochvolt-Bordnetz eines Kraftfahrzeugs genutzt werden. Insbesondere kann auch die Messung von anderen elektrischen Größen bzw. in anderen elektrischen Komponenten im Hochvolt-Bordnetz ausgewertet werden. Beispielsweise können als elektrische Größen auch die elektrische Leistung bzw. die elektrische Spannung herangezogen werden und die Messungen können sich auch auf die Batterie, die Klimaanlage, die Heizung bzw. den Umrichter im Hochvolt-Bordnetz beziehen.
• Die im Vorangegangenen beschriebene Ausführungsform des erfindungsgemäßen Verfahrens weist eine Reihe von Vorteilen auf. Insbesondere können mittels eines flottenbasierten Ansatzes die gelernten datengetriebenen Modelle mehrerer Kraftfahrzeuge miteinander verglichen werden, um Unregelmäßigkeiten in der Messung einer elektrischen Größe in einem Hochvolt-Bordnetz eines Kraftfahrzeugs zu identifizieren. Diese Informationen können dann beispielsweise zu einer Korrektur der entsprechenden Messung im Kraftfahrzeug verwendet werden, wobei die Korrektur ggf. automatisch durch das Kraftfahrzeug durchgeführt werden kann. Darüber hinaus kann die Information im Rahmen der Wartung eines Kraftfahrzeugs zur Erleichterung der Diagnose eines Mess- bzw. Betriebsfehlers herangezogen werden.
• Bezugszeichenliste

VE

vorgegebenes Kraftfahrzeug

SE

Backend-Server

BN

Hochvolt-Bordnetz

BAT

elektrischer Energiespeicher

ED

elektrische Maschine

S_EL, S_ACC, S_VEL, S_I,BA, S_I,ED

Messwerte

CU1, CU2, CU3

Steuereinheiten

LE

maschinelles Lernen

EC

Bestimmung des Fehlermaßes EM'

MO

gelerntes Modell des vorgegebenen Kraftfahrzeugs

EM, EM'

Fehlermaße

P

Pfeil

MO'

gelernte Modelle der anderen Kraftfahrzeuge

MR

vorgegebene Messreihe

PRO

Verarbeitungsschritt

R1, R2

Reihen von prädizierten Messwerten

CLA

Klassifikationsschritt

TH, TH'

Schwellwerte

CL

Klassifikationsergebnis

Claims (14)

1. Verfahren zur rechnergestützten Auswertung einer Messung einer elektrischen Größe (S_I,ED) in einem Hochvolt-Bordnetz (BN) eines vorgegebenen elektrisch angetriebenen Kraftfahrzeugs (VE), wobei das Hochvolt-Bordnetz (BN) eine Mehrzahl von elektrischen Komponenten (BAT, ED) umfassend eine elektrische Maschine (ED) zum Antrieb des vorgegebenen Kraftfahrzeugs (VE) und einen elektrischen Energiespeicher (BAT) zur elektrischen Energieversorgung der elektrischen Maschine (ED) beinhaltet, wobei die elektrische Größe (S_I,ED) von dem elektrischen Strom und/oder der elektrischen Spannung abhängt, die in einer vorgegebenen elektrischen Komponente (ED) aus der Mehrzahl von elektrischen Komponenten (ED, BAT) auftritt, wobei: - in dem vorgegebenen Kraftfahrzeug (VE) ein erstes datengetriebenes Modell (MO) mit einem maschinellen Lernverfahren (LE) gelernt wird und das gelernte erste datengetriebene Modell (MO) an einen Backend-Server (SE) durch das vorgegebene Kraftfahrzeug (VE) übermittelt wird, wobei das erste datengetriebene Modell (MO) basierend auf einer Vielzahl von Trainingsdatensätzen zu unterschiedlichen Betriebszeitpunkten des vorgegebenen Kraftfahrzeugs (VE) gelernt wird, wobei ein jeweiliger Trainingsdatensatz Messwerte von Eingangsgrößen (S_EL, S_ACC, S_VEL) im vorgegebenen Kraftfahrzeug (VE) und einen Messwert der elektrischen Größe (S_I,ED) als Ausgangsgröße umfasst, die zum jeweiligen Betriebszeitpunkt im vorgegebenen Kraftfahrzeug (VE) aufgetreten sind, und wobei mit dem gelernten ersten datengetriebenen Modell (MO) basierend auf Messwerten der Eingangsgrößen (S_EL, S_ACC, S_VEL) ein Messwert der elektrischen Größe (S_I,ED) prädiziert werden kann; - in dem Backend-Server (SE) das gelernte erste datengetriebene Modell (MO) sowie eine Mehrzahl von weiteren gelernten zweiten datengetriebenen Modellen (MO'), welche jeweils in einem anderen Kraftfahrzeug von der gleichen Bauart wie das vorgegebene Kraftfahrzeug (VE) mit dem gleichen maschinellen Lernverfahren (LE) wie das erste datengetriebene Modell (MO) basierend auf Trainingsdaten mit den gleichen Eingangsgrößen (S_EL, S_ACC, S_VEL) und der gleichen elektrischen Größe (S_I,ED) gelernt wurden, verarbeitet werden, indem für eine vorgegebene Messreihe (MR) aus mehreren Messdatensätzen, welche jeweils Messwerte der Eingangsgrößen (S_EL, S_ACC, S_VEL) zum gleichen Betriebszeitpunkt umfassen, ein erstes Fehlermaß (EM) bestimmt wird, das die Abweichung zwischen einer ersten Reihe (R1) von prädizierten Messwerten der elektrischen Größe (S_I,ED) und einer zweiten Reihe (R2) von prädizierten Messwerten der elektrischen Größe (S_I,ED) repräsentiert, wobei die erste Reihe (R1) die Messwerte der elektrischen Größe (S_I,ED) umfasst, die über das gelernte erste datengetriebene Modell (MO) basierend auf der vorgegebenen Messreihe (MR) prädiziert werden, und die zweite Reihe (R2) eine Mittelung von Reihen ist, welche für jedes gelernte zweite datengetriebene Modell (MO') eine Reihe enthalten, welche die Messwerte der elektrischen Größe (S_I,ED) umfasst, die über das jeweilige gelernte zweite datengetriebene Modell (MO') basierend auf der vorgegebenen Messreiche (MR) prädiziert werden; - im Falle, dass das erste Fehlermaß (EM) einen ersten Schwellwert (TH) überschreitet, im Backend-Server (SE) das Betriebsverhalten des vorgegebenen Kraftfahrzeugs (VE) als anormal klassifiziert wird.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass die elektrische Größe (S_I,ED) ein elektrischer Strom oder eine elektrische Spannung oder eine elektrische Leistung ist.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass die Eingangsgrößen (S_EL, S_ACC, S_VEL) eine Beschleunigung (S_ACC) des vorgegebenen Kraftfahrzeugs (VE) und eine Geschwindigkeit (S_VEL) des vorgegebenen Kraftfahrzeugs (VE) umfassen, wobei die Eingangsgrößen (S_EL, S_ACC, S_VEL) vorzugsweise ferner die Neigung (S_EL) des vorgegebenen Kraftfahrzeugs (VE) gegenüber der Horizontalen und/oder den im vorgegebenen Kraftfahrzeug (VE) eingelegten Gang und/oder eine Leistungsanforderung und/oder -zuteilung an die elektrische Maschine (ED) und/oder eine Drehzahl der elektrischen Maschine (ED) umfassen.
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die vorgegebene elektrische Komponente (ED) die elektrische Maschine im vorgegebenen Kraftfahrzeug (VE) ist.
5. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das Hochvolt-Bordnetz (BN) neben der elektrischen Maschine (ED) und dem elektrischen Energiespeicher (BAT) eine Heizung und/oder eine Klimaanlage und/oder einen Umrichter zur Spannungswandlung für ein Niedervolt-Bordnetz umfassen.
6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass in dem vorgegebenen Kraftfahrzeug (VE) alternative Werte der elektrischen Größe (S_I,ED) erfasst werden, welche den Messwerten der elektrischen Größe (S_I,ED) aus den Trainingsdatensätzen entsprechen, jedoch mit einer alternative Methode bestimmt sind, wobei ein zweites Fehlermaß (EM') bestimmt wird, das die Abweichung zwischen den alternativen Werten und den Messwerten der elektrischen Größe (S_I,ED) beschreibt, und durch das vorgegebene Kraftfahrzeug (VE) an den Backend-Server (SE) übertragen wird, in dem ein zweiter Schwellwert (TH') für das zweite Fehlermaß (EM') festgelegt ist.
7. Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass im Backend-Server (SE) im Falle, dass das erste Fehlermaß (EM) über dem ersten Schwellwert (TH) liegt, folgende Klassifikation vorgenommen wird: - falls das zweite Fehlermaß (EM') über dem zweiten Schwellwert (TH') liegt, gibt es einen Fehler bei der Messung der elektrischen Größe (S_I,ED) im vorgegebenen Kraftfahrzeug (VE); - falls das zweite Fehlermaß (EM') unter dem zweiten Schwellwert (TH') liegt, ist das Betriebsverhalten im vorgegebenen Kraftfahrzeug (VE) fehlerhaft, wobei das fehlerhafte Betriebsverhalten nicht durch einen Fehler bei der Messung der elektrischen Größe (S_I,ED) bedingt ist.
8. Verfahren nach Anspruch 6 oder 7, dadurch gekennzeichnet, dass im Backend-Server (SE) im Falle, dass das erste Fehlermaß (EM) unter dem ersten Schwellwert (TH) liegt, folgende Klassifikation vorgenommen wird: - falls das zweite Fehlermaß (EM') unter dem zweiten Schwellwert (TH') liegt, ist das Betriebsverhalten des vorgegebenen Kraftfahrzeugs (VE) fehlerfrei; - falls das zweite Fehlermaß (EM') über dem zweiten Schwellwert (TH') liegt, gibt es einen Fehler bei der Erfassung der elektrischen Größe (S_I,ED) mit der alternativen Methode.
9. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass das erste datengetriebene Modell (MO) und die Mehrzahl von zweiten datengetriebenen Modellen (MO') jeweils eine neuronale Netzstruktur, insbesondere eine LSTM-Netzstruktur, darstellen.
10. Verfahren nach einem der Ansprüche 1 bis 8, dadurch gekennzeichnet, dass das erste datengetriebene Modell (MO) und die Mehrzahl von zweiten datengetriebenen Modellen (MO') jeweils ein Zustandsraummodell darstellen.
11. System zur rechnergestützten Auswertung einer Messung einer elektrischen Größe (S_I,ED) in einem Hochvolt-Bordnetz (BN) eines vorgegebenen elektrisch angetriebenen Kraftfahrzeugs (VE), wobei das Hochvolt-Bordnetz (BN) eine Mehrzahl von elektrischen Komponenten (BAT, ED) umfassend eine elektrische Maschine (ED) zum Antrieb des vorgegebenen Kraftfahrzeugs (VE) und einen elektrischen Energiespeicher (BAT) zur elektrischen Energieversorgung der elektrischen Maschine (ED) beinhaltet, wobei die elektrische Größe (S_I,ED) von dem elektrischen Strom und/oder der elektrischen Spannung abhängt, die in einer vorgegebenen elektrischen Komponente (ED) aus der Mehrzahl von elektrischen Komponenten (ED, BAT) auftritt, wobei das System zur Durchführung eines Verfahrens eingerichtet ist, bei dem: - in dem vorgegebenen Kraftfahrzeug (VE) ein erstes datengetriebenes Modell (MO) mit einem maschinellen Lernverfahren (LE) gelernt wird und das gelernte erste datengetriebene Modell (MO) an einen Backend-Server (SE) durch das vorgegebene Kraftfahrzeug (VE) übermittelt wird, wobei das erste datengetriebene Modell (MO) basierend auf einer Vielzahl von Trainingsdatensätzen zu unterschiedlichen Betriebszeitpunkten des vorgegebenen Kraftfahrzeugs (VE) gelernt wird, wobei ein jeweiliger Trainingsdatensatz Messwerte von Eingangsgrößen (S_EL, S_ACC, S_VEL) im vorgegebenen Kraftfahrzeug (VE) und einen Messwert der elektrischen Größe (S_I,ED) als Ausgangsgröße umfasst, die zum jeweiligen Betriebszeitpunkt im vorgegebenen Kraftfahrzeug (VE) aufgetreten sind, und wobei mit dem gelernten ersten datengetriebenen Modell (MO) basierend auf Messwerten der Eingangsgrößen (S_EL, S_ACC, S_VEL) ein Messwert der elektrischen Größe (S_I,ED) prädiziert werden kann; - in dem Backend-Server (SE) das gelernte erste datengetriebene Modell (MO) sowie eine Mehrzahl von weiteren gelernten zweiten datengetriebenen Modellen (MO'), welche jeweils in einem anderen Kraftfahrzeug von der gleichen Bauart wie das vorgegebene Kraftfahrzeug (VE) mit dem gleichen maschinellen Lernverfahren (LE) wie das erste datengetriebene Modell (MO) basierend auf Trainingsdatensätzen mit den gleichen Eingangsgrößen (S_EL, S_ACC, SV_EL) und der gleichen elektrischen Größe (S_I,ED) gelernt wurden, verarbeitet werden, indem für eine vorgegebene Messreihe (MR) aus mehreren Messdatensätzen, welche jeweils Messwerte der Eingangsgrößen (S_EL, S_ACC, S_VEL) zum gleichen Betriebszeitpunkt umfassen, ein erstes Fehlermaß (EM) bestimmt wird, das die Abweichung zwischen einer ersten Reihe (R1) von prädizierten Messwerten der elektrischen Größe (S_I,ED) und einer zweiten Reihe (R2) von prädizierten Messwerten der elektrischen Größe (S_I,ED) repräsentiert, wobei die erste Reihe (R1) die Messwerte der elektrischen Größe (S_I,ED) umfasst, die über das gelernte erste datengetriebene Modell (MO) basierend auf der vorgegebenen Messreihe (MR) prädiziert werden, und die zweite Reihe (R2) eine Mittelung von Reihen ist, welche für jedes gelernte zweite datengetriebene Modell (MO') eine Reihe enthalten, welche die Messwerte der elektrischen Größe (S_I,ED) umfasst, die über das jeweilige gelernte zweite datengetriebene Modell (MO') basierend auf der vorgegebenen Messreiche (MR) prädiziert werden; - im Falle, dass das erste Fehlermaß (EM) einen ersten Schwellwert (TH) überschreitet, im Backend-Server (SE) das Betriebsverhalten des vorgegebenen Kraftfahrzeugs (VE) als anormal klassifiziert wird.
12. System nach Anspruch 11, dadurch gekennzeichnet, dass das System zur Durchführung eines Verfahrens nach einem der Ansprüche 2 bis 10 ausgestaltet ist.
13. Backend-Server, der als Backend-Sever (SE) für ein Verfahren nach einem der Ansprüche 1 bis 10 eingerichtet ist, wobei der Backend-Server (SE) derart ausgestaltet ist, dass - in dem Backend-Server (SE) das gelernte erste datengetriebene Modell (MO) sowie eine Mehrzahl von weiteren gelernten zweiten datengetriebenen Modellen (MO'), welche jeweils in einem anderen Kraftfahrzeug von der gleichen Bauart wie das vorgegebene Kraftfahrzeug (VE) mit dem gleichen maschinellen Lernverfahren (LE) wie das erste datengetriebene Modell (MO) basierend auf Trainingsdatensätzen mit den gleichen Eingangsgrößen (S_EL, S_ACC, S_VEL) und der gleichen elektrischen Größe (S_I,ED) gelernt wurden, verarbeitet werden, indem für eine vorgegebene Messreihe (MR) aus mehreren Messdatensätzen, welche jeweils Messwerte der Eingangsgrößen (S_EL, S_ACC, S_VEL) zum gleichen Betriebszeitpunkt umfassen, ein erstes Fehlermaß (EM) bestimmt wird, das die Abweichung zwischen einer ersten Reihe (R1) von prädizierten Messwerten der elektrischen Größe (S_I,ED) und einer zweiten Reihe (R2) von prädizierten Messwerten der elektrischen Größe (S_I,ED) repräsentiert, wobei die erste Reihe (R1) die Messwerte der elektrischen Größe (S_I,ED) umfasst, die über das gelernte erste datengetriebene Modell (MO) basierend auf der vorgegebenen Messreihe (MR) prädiziert werden, und die zweite Reihe (R2) eine Mittelung von Reihen ist, welche für jedes gelernte zweite datengetriebene Modell (MO') eine Reihe enthalten, welche die Messwerte der elektrischen Größe (S_I,ED) umfasst, die über das jeweilige gelernte zweite datengetriebene Modell (MO') basierend auf der vorgegebenen Messreiche (MR) prädiziert werden; - im Falle, dass das erste Fehlermaß (EM) einen ersten Schwellwert (TH) überschreitet, im Backend-Server (SE) das Betriebsverhalten des vorgegebenen Kraftfahrzeugs (VE) als anormal klassifiziert wird.
14. Elektrisch angetriebenes Kraftfahrzeug, das als vorgegebenes Kraftfahrzeug (VE) für ein Verfahren nach einem der Ansprüche 1 bis 10 eingerichtet ist, wobei das Kraftfahrzeug (VE) derart ausgestaltet ist, dass in dem Kraftfahrzeug (VE) ein erstes datengetriebenes Modell (MO) mit einem maschinellen Lernverfahren (LE) gelernt wird und das gelernte erste datengetriebene Modell (MO) an einen Backend-Server (SE) durch das Kraftfahrzeug (VE) übermittelt wird, wobei das erste datengetriebene Modell (MO) basierend auf einer Vielzahl von Trainingsdatensätzen zu unterschiedlichen Betriebszeitpunkten des Kraftfahrzeugs (VE) gelernt wird, wobei ein jeweiliger Trainingsdatensatz Messwerte von Eingangsgrößen (S_EL, S_ACC, S_VEL) im Kraftfahrzeug (VE) und einen Messwert der elektrischen Größe (S_I,ED) als Ausgangsgröße umfasst, die zum jeweiligen Betriebszeitpunkt im Kraftfahrzeug (VE) aufgetreten sind, und wobei mit dem gelernten ersten datengetriebenen Modell (MO) basierend auf Messwerten der Eingangsgrößen (S_EL, S_ACC, S_VEL) ein Messwert der elektrischen Größe (S_I,ED) prädiziert werden kann.

Images