DE102019008212A1

DE102019008212A1 - Method for using artificial neural networks to calculate engine operating points when operating a motor vehicle with at least one drive engine

Info

Publication number: DE102019008212A1
Application number: DE102019008212.5A
Authority: DE
Inventors: Marcel Stöcker; Felix Korthals
Original assignee: Daimler AG
Current assignee: Mercedes Benz Group AG
Priority date: 2019-11-27
Filing date: 2019-11-27
Publication date: 2021-05-27

Abstract

Die Erfindung betrifft ein Verfahren zur Nutzung künstlicher neuronaler Netze (16, 16') zur Berechnung von Motorbetriebspunkten im Betrieb eines Kraftfahrzeugs (10) mit zumindest einem Antriebssystem (12), wobei unter Verwendung von Strecken-Daten, verfügbaren Fahrzeugdaten und/oder Sensorwerten, mit und ohne Information über die vorausliegende Strecke, mit Hilfe von zumindest einem Fahrzeugmodell (14) und/oder zumindest einem künstlichen neuronalen Netz (16, 16') eine prädiktive Berechnung der Motorbetriebspunkte vorgenommen wird, wobei das Verfahren einen Trainingsschritt (18), in dem das zumindest eine künstliche neuronale Netz (16) in einem Startzustand anhand von Messdaten im Kraftfahrzeug (10) oder anhand von extern und/oder simulativ erzeugten Trainingsdaten trainiert wird, zumindest einen Aufzeichnungsschritt (22), in dem ein Eingangswert (24) und ein tatsächlicher von Sensoren erfasster Ausgangswert (26) in einer Datenbank (28) aufgezeichnet werden, und zumindest einen Verfahrensschritt (30), in welchem die aufgezeichneten Eingangswerte (24) und Ausgangswerte (26) zu einem Trainieren des zumindest einen künstlichen neuronalen Netzes (16) verwendet werden, aufweist.The invention relates to a method for using artificial neural networks (16, 16 ') to calculate engine operating points during operation of a motor vehicle (10) with at least one drive system (12), using route data, available vehicle data and / or sensor values, with and without information about the route ahead, with the help of at least one vehicle model (14) and / or at least one artificial neural network (16, 16 '), a predictive calculation of the engine operating points is carried out, the method including a training step (18) in in which the at least one artificial neural network (16) is trained in a starting state on the basis of measurement data in the motor vehicle (10) or on the basis of externally and / or simulatively generated training data, at least one recording step (22) in which an input value (24) and a actual output value (26) detected by sensors are recorded in a database (28), and at least one method ens step (30) in which the recorded input values (24) and output values (26) are used to train the at least one artificial neural network (16).

Description

Die Erfindung betrifft ein Verfahren zur Nutzung künstlicher neuronaler Netze zur Berechnung von Motorbetriebspunkten im Betrieb eines Kraftfahrzeugs mit zumindest einem Antriebsmotor.The invention relates to a method for using artificial neural networks for calculating engine operating points when operating a motor vehicle with at least one drive engine.

Aus der DE 10 2014 004 817 A1 ist bereits ein Verfahren zum Betreiben eines Fahrzeugs mit zumindest einem Antriebssystem und mit zumindest einer Steuer- und/oder Regeleinheit, welche zumindest zur Verarbeitung und Analyse von Informationen über die vorausliegende Strecke und zur Steuerung und/oder Regelung zumindest eines Aktors vorgesehen ist, bekannt. Im Stand der Technik wird die vor dem Fahrzeug befindliche Strecke analysiert und in Szenarien eingeteilt. Diese Szenarien bestimmen eine globale Vorgabe, beispielsweise eine Solltemperatur eines Kühlmittels, angepasst an ein erkanntes Szenario. Es kann allerdings keine genaue und effiziente Vorhersage der Betriebsparameter gemacht werden, um prädiktiv genau die minimal notwendige Ansteuerung von Aktoren vorzunehmen. Auch kann nicht auf ein Verlassen der Route oder spontane Fahrmanöver eingegangen werden. Des Weiteren ist keine Prädiktion von Betriebsparametern ohne Navigationsdaten möglich.From the DE 10 2014 004 817 A1 A method for operating a vehicle with at least one drive system and with at least one control and / or regulating unit, which is provided at least for processing and analyzing information about the route ahead and for controlling and / or regulating at least one actuator, is already known. In the prior art, the route in front of the vehicle is analyzed and divided into scenarios. These scenarios determine a global specification, for example a target temperature of a coolant, adapted to a recognized scenario. However, it is not possible to make a precise and efficient prediction of the operating parameters in order to carry out precisely the minimum necessary control of actuators in a predictive manner. Also, leaving the route or spontaneous driving maneuvers cannot be dealt with. Furthermore, it is not possible to predict operating parameters without navigation data.

Ferner ist aus der DE 10 2018 005 948 A1 ebenfalls bereits ein Verfahren zum Betreiben eines Fahrzeugs mit zumindest einem Antriebssystem und mit zumindest einer Steuer- und/oder Regeleinheit, welche zumindest zur Verarbeitung und Analyse von Informationen über die vorausliegende Strecke und zur Steuerung und/oder Regelung zumindest eines Aktors vorgesehen ist, bekannt.Furthermore, from the DE 10 2018 005 948 A1 A method for operating a vehicle with at least one drive system and with at least one control and / or regulating unit, which is provided at least for processing and analyzing information about the route ahead and for controlling and / or regulating at least one actuator, is also known.

Die Aufgabe der Erfindung besteht insbesondere darin, ein verbessertes Verfahren zum Betreiben eines Fahrzeugs bereitzustellen, insbesondere hinsichtlich einer Energieeffizienz und einer hohen Lebensdauer von Bauteilen. Die Aufgabe wird erfindungsgemäß durch die Merkmale des Patentanspruchs 1 gelöst, während vorteilhafte Ausgestaltungen und Weiterbildungen der Erfindung den Unteransprüchen entnommen werden können.The object of the invention is in particular to provide an improved method for operating a vehicle, in particular with regard to energy efficiency and a long service life of components. The object is achieved according to the invention by the features of claim 1, while advantageous configurations and developments of the invention can be found in the subclaims.

Die Erfindung geht aus von einem Verfahren zur Nutzung künstlicher neuronaler Netze zur Berechnung von Motorbetriebspunkten im Betrieb eines Kraftfahrzeugs mit zumindest einem Antriebssystem, wobei unter Verwendung von Strecken-Daten, verfügbaren Fahrzeugdaten und/oder Sensorwerten, mit und ohne Information über die vorausliegende Strecke, mit Hilfe von zumindest einem Fahrzeugmodell und/oder zumindest einem künstlichen neuronalen Netz eine prädiktive Berechnung der Motorbetriebspunkte vorgenommen wird.The invention is based on a method for using artificial neural networks to calculate engine operating points in the operation of a motor vehicle with at least one drive system, using route data, available vehicle data and / or sensor values, with and without information about the route ahead With the help of at least one vehicle model and / or at least one artificial neural network, a predictive calculation of the engine operating points is carried out.

Es wird vorgeschlagen, dass das Verfahren zumindest einen Trainingsschritt, in dem das zumindest eine künstliche neuronale Netz in einem Startzustand, insbesondere ein sogenanntes Start-KNN, anhand von Messdaten im Kraftfahrzeug oder anhand von extern und/oder simulativ erzeugten Trainingsdaten trainiert wird, zumindest einen Aufzeichnungsschritt, in dem ein Eingangswert und ein tatsächlicher von Sensoren erfasster Ausgangswert in einer Datenbank aufgezeichnet werden, und zumindest einen Verfahrensschritt, in welchem die aufgezeichneten Eingangswerte und Ausgangswerte zu einem Trainieren des zumindest einen künstlichen neuronalen Netzes verwendet werden, aufweist. Vorzugsweise ersetzt das zumindest eine künstliche neuronale Netz zumindest ein Berechnungsmodell des Fahrzeugmodells zur prädiktiven Berechnung der Motorbetriebspunkte.It is proposed that the method has at least one training step in which the at least one artificial neural network is trained in a starting state, in particular a so-called start ANN, using measurement data in the motor vehicle or using externally and / or simulatively generated training data Recording step in which an input value and an actual output value detected by sensors are recorded in a database, and at least one method step in which the recorded input values and output values are used to train the at least one artificial neural network. The at least one artificial neural network preferably replaces at least one calculation model of the vehicle model for predictive calculation of the engine operating points.

Vorzugsweise werden in dem zumindest einen Aufzeichnungsschritt insbesondere möglichst viele Fahrzeugdaten einbezogen, um eine große Bandbreite an Triebstrangkombinationen abzudecken und das künstliche neuronale Netz auf eine große Anzahl an Kraftfahrzeugen anwenden zu können. Bevorzugt können in dem zumindest einen Verfahrensschritt die aufgezeichneten Eingangswerte und Ausgangswerte sowohl direkt in dem Kraftfahrzeug, als auch auf einem externen Server zu einem Trainieren und/oder Nachtrainieren des zumindest einen künstlichen neuronalen Netzes verwendet werden.In particular, as much vehicle data as possible is preferably included in the at least one recording step in order to cover a large bandwidth of drive train combinations and to be able to apply the artificial neural network to a large number of motor vehicles. In the at least one method step, the recorded input values and output values can preferably be used both directly in the motor vehicle and on an external server for training and / or retraining of the at least one artificial neural network.

Das Kraftfahrzeug umfasst ferner insbesondere zumindest eine Steuer- und/oder Regeleinheit, welche insbesondere zumindest zur Verarbeitung und Analyse von Informationen über die vorausliegende Strecke und zur Steuerung und/oder Regelung zumindest eines Aktors vorgesehen ist. Vorzugsweise umfasst das Kraftfahrzeug zumindest eine Kommunikationseinheit, die zum Senden und/oder Empfangen von Daten vorgesehen ist. Ein Antriebssystem umfasst wenigstens einen Motor, insbesondere zumindest einen Verbrennungsmotor und/oder zumindest einen Elektromotor. Ein Antriebssystem mit zumindest einem Elektromotor umfasst ein Batteriesystem. Ein Antriebssystem umfasst ein Kühlkreislaufsystem. Vorzugsweise wird eine optimale Betriebstemperatur für Bauteile und/oder Kühlmittel eines Kühlkreislaufsystems während einer Fahrt gesteuert und/oder geregelt. Besonders bevorzugt wird eine optimale Betriebstemperatur für Bauteile und/oder Kühlmittel eines Kühlkreislaufsystems während einer Fahrt prädiktiv vorkonditioniert. Vorzugsweise umfasst das Kraftfahrzeug eine Sensorik, die zumindest zur Ermittlung des aktuellen Fahrzeugstandorts und zumindest zur Ermittlung von zumindest einem aktuellen Wert von wenigstens einem Betriebsparameter vorgesehen ist. Unter einem „Antriebssystem“ soll insbesondere ein System zum Antrieb eines Kraftfahrzeugs verstanden werden, wobei der Antrieb verbrennungsbasiert und/oder elektrisch erfolgen kann. Unter einer „Steuer- und/oder Regeleinheit“ soll insbesondere eine Einheit mit zumindest einem elektronischen Steuergerät verstanden werden. Unter einem elektronischen „Steuergerät“ soll insbesondere eine Einheit mit einer Prozessoreinheit und mit einer Speichereinheit sowie mit einem in der Speichereinheit gespeicherten Betriebsprogramm verstanden werden. Grundsätzlich kann die Steuer- und/oder Regeleinheit mehrere untereinander verbundene Steuergeräte aufweisen, die vorzugsweise dazu vorgesehen sind, über ein Bus-System, wie insbesondere ein CAN-Bus-System, miteinander zu kommunizieren. Durch das Verfahren kann insbesondere eine vorteilhafte Betriebstemperatur eines Antriebssystems erreicht werden.The motor vehicle further comprises in particular at least one control and / or regulating unit which is provided in particular at least for processing and analyzing information about the route ahead and for controlling and / or regulating at least one actuator. The motor vehicle preferably comprises at least one communication unit which is provided for sending and / or receiving data. A drive system comprises at least one motor, in particular at least one internal combustion engine and / or at least one electric motor. A drive system with at least one electric motor comprises a battery system. A drive system includes a cooling circuit system. An optimal operating temperature for components and / or coolant of a cooling circuit system is preferably controlled and / or regulated while driving. Particularly preferably, an optimal operating temperature for components and / or coolant of a cooling circuit system is predictively preconditioned during a journey. The motor vehicle preferably comprises a sensor system which is provided at least for determining the current vehicle location and at least for determining at least one current value of at least one operating parameter. A “drive system” is to be understood as meaning, in particular, a system for driving a motor vehicle, the Drive based on combustion and / or can take place electrically. A “control and / or regulating unit” is to be understood as meaning, in particular, a unit with at least one electronic control device. An electronic “control device” is to be understood in particular as a unit with a processor unit and with a memory unit and with an operating program stored in the memory unit. In principle, the control and / or regulating unit can have a plurality of interconnected control devices which are preferably provided to communicate with one another via a bus system, such as in particular a CAN bus system. In particular, an advantageous operating temperature of a drive system can be achieved by the method.

Unter einem „Fahrzeugmodell“ soll insbesondere ein Algorithmus verstanden werden, mittels dessen zumindest ein prädiktiver Fahrzeugparameter berechnet werden kann. Das Fahrzeugmodell wird insbesondere von dem zumindest einen Eingangsparameter gespeist. Unter einem „prädiktiven Fahrzeugparameter“ soll insbesondere ein erwarteter Wert für eine Motordrehzahl, ein Motordrehmoment oder eine Fahrzeuggeschwindigkeit verstanden werden. Vorzugsweise umfasst das Fahrzeugmodell ein Fahrermodell. Dabei soll unter einem „Fahrermodell“ ein Algorithmus verstanden werden, mittels dessen Einflüsse eines Fahrers auf die Fahrt, insbesondere Veränderungen der Fahrzeuggeschwindigkeit, in einem Fahrzeugmodell berücksichtigt werden können. Vorzugsweise übermittelt die Steuer- und/oder Regeleinheit die in einem Fahrzeugmodell berechneten prädiktiven Fahrzeugparameter an zumindest ein Kühlkreislaufmodell. Unter einem „Kühlkreislaufmodell“ soll insbesondere ein Algorithmus verstanden werden, mittels dessen zumindest ein prädiktiver Kühlkreislaufparameter berechnet werden kann. Das Kühlkreislaufmodell wird nach einem Fahrzeugmodell verarbeitet. Das Kühlkreislaufmodell wird insbesondere von dem zumindest einen prädiktiven Fahrzeugparameter gespeist.A “vehicle model” is to be understood in particular as an algorithm by means of which at least one predictive vehicle parameter can be calculated. The vehicle model is in particular fed by the at least one input parameter. A “predictive vehicle parameter” should be understood to mean, in particular, an expected value for an engine speed, an engine torque or a vehicle speed. The vehicle model preferably comprises a driver model. A “driver model” should be understood to mean an algorithm by means of which the driver's influences on the journey, in particular changes in the vehicle speed, can be taken into account in a vehicle model. The control and / or regulating unit preferably transmits the predictive vehicle parameters calculated in a vehicle model to at least one cooling circuit model. A “cooling circuit model” is to be understood in particular as an algorithm by means of which at least one predictive cooling circuit parameter can be calculated. The cooling circuit model is processed according to a vehicle model. The cooling circuit model is in particular fed by the at least one predictive vehicle parameter.

Der Anwendungsfall ist nicht auf das Thermomanagement des Kraftfahrzeugs beschränkt, sondern kann auch für andere Berechnungsmodelle verwendet werden, die Motorbetriebspunkte ermitteln.The application is not limited to the thermal management of the motor vehicle, but can also be used for other calculation models that determine engine operating points.

Die Datenbank kann insbesondere sowohl in dem Kraftfahrzeug angeordnet sein und einen Teil des Kraftfahrzeugs bilden als auch von einer externen Datenbank gebildet sein. Unter einer „externen Datenbank“ soll insbesondere eine digitale Datenbank außerhalb eines Kraftfahrzeugs verstanden werden, insbesondere eine auf einem externen Server, insbesondere einer Cloud, hinterlegte Datenbank. Mittels einer Kommunikationseinheit kann das Fahrzeug zumindest Streckenparameter von einer externen Datenbank abrufen. Ferner können, insbesondere temporär, Daten des künstlichen neuronalen Netzes auf die externe Datenbank ausgelagert werden. Des Weiteren kann das künstliche neuronale Netz ferner zu einem Trainieren, insbesondere einem Nachtrainieren, auf den externen Server, insbesondere die externe Datenbank, ausgelagert werden. Das verwendete künstliche neuronale Netz kann dazu im Fahrbetrieb vor der Zertifizierung des Kraftfahrzeugs in der externen Datenbank nachtrainiert werden. Das künstliche neuronale Netz, Teile des künstlichen neuronalen Netzes oder verwendete Parameter können anschließend auf dem Steuergerät durch eine nachtrainierte Version ersetzt werden. Ein auf ein Kraftfahrzeug beschränkter Betrieb ohne Cloud-Anbindung ist ebenfalls möglich. In einem von einer externen Datenbank unabhängigen Betrieb kann eine ständige Verbesserung des künstlichen neuronalen Netzes durch Training auf dem Steuergerät des Kraftfahrzeugs mit verfügbaren Eingangsgrößen erfolgen. Unter einem „Streckenparameter“ soll insbesondere ein Parameter zur Beschreibung eines Streckenpunkts eines vor dem Fahrzeug liegenden Streckenverlaufs verstanden werden. Vorzugsweise beschreibt ein Streckenparameter einen aktuellen und/oder zukünftigen Parameter einer vor dem Fahrzeug liegenden Strecke. Insbesondere kann ein Streckenparameter eine Steigung, eine Geschwindigkeitsbegrenzung, ein Kurvenradius oder eine Straßenklasse sein.The database can in particular both be arranged in the motor vehicle and form part of the motor vehicle and also be formed by an external database. An “external database” is to be understood in particular as a digital database outside of a motor vehicle, in particular a database stored on an external server, in particular a cloud. The vehicle can call up at least route parameters from an external database by means of a communication unit. Furthermore, in particular temporarily, data from the artificial neural network can be swapped out to the external database. Furthermore, the artificial neural network can also be outsourced to the external server, in particular the external database, for training, in particular retraining. For this purpose, the artificial neural network used can be retrained in the external database while driving before the motor vehicle is certified. The artificial neural network, parts of the artificial neural network or the parameters used can then be replaced by a retrained version on the control unit. Operation restricted to a motor vehicle without a cloud connection is also possible. In an operation that is independent of an external database, the artificial neural network can be continuously improved by training on the control unit of the motor vehicle with available input variables. A “route parameter” is to be understood in particular as a parameter for describing a route point of a route lying in front of the vehicle. A route parameter preferably describes a current and / or future parameter of a route ahead of the vehicle. In particular, a route parameter can be an incline, a speed limit, a curve radius or a road class.

Durch das Verfahren kann besonders vorteilhaft erreicht werden, dass die Betriebstemperatur oder das Temperaturfenster von Bauteilen nicht unterschritten oder überschritten wird. Damit kann insbesondere eine vorteilhaft lange Lebensdauer eines Bauteils erreicht werden. Des Weiteren kann damit eine vorteilhaft optimale Energieverfügbarkeit und Energieeffizienz eines Batteriesystems erreicht werden. Durch das erfindungsgemäße Verfahren werden insbesondere die Motorbetriebspunkte des Kraftfahrzeugs für die vorausliegende Strecke, einen vorausliegenden Zeitabschnitt und/oder den aktuellen Zeitpunkt mit dem zumindest einen künstlichen neuronalen Netz KNN und sowohl mit einer als auch ohne eine Einbeziehung und/oder Erweiterung durch zumindest ein physikalisches Berechnungsmodell berechnet und/oder prädiziert. Dabei kann vorzugsweise das künstliche neuronale Netz während des Betriebs des Kraftfahrzeugs weiter trainiert und aktualisiert werden, um eine höhere Modellgüte und somit eine genauere aktuelle und prädiktive Berechnung der Motorbetriebspunkte zu erhalten. Eine verbesserte Modellgüte und höhere Genauigkeit in der Berechnung der prädizierten Motorbetriebsparameter erlauben eine bedarfsgerechte Ansteuerung der Aktoren, wie beispielsweise in einem Kühlkreislauf des Antriebssystems des Kraftfahrzeugs, was zu Energieeinsparungen führt. Die Erfindung verringert den Applikationsaufwand, da das System im Gegensatz zu rein physikalischen Modellen durch das zumindest eine künstliche neuronale Netz ständig neu trainiert und verbessert werden kann, bis zu einem gewünschten Zeitpunkt oder ohne gesetztes Trainingsende. Durch das selbstständige Nachtrainieren des zumindest einen künstlichen neuronalen Netzes findet eine automatische Anpassung an die gegebenen Einflussgrößen im Kraftfahrzeug statt. Somit kann zumindest ein künstliches neuronales Netz in einem Startzustand, ein sogenanntes Start-KNN, auf dem Fahrzeugsteuergerät arbeiten, welches sich selbst weiter, wie insbesondere in einer externen Datenbank, optimiert.The method can particularly advantageously ensure that the operating temperature or the temperature window of components is not fallen below or exceeded. In particular, an advantageously long service life of a component can be achieved in this way. Furthermore, an advantageously optimal energy availability and energy efficiency of a battery system can thus be achieved. With the method according to the invention, in particular the engine operating points of the motor vehicle for the route ahead, a time segment ahead and / or the current point in time with the at least one artificial neural network KNN and both with and without an inclusion and / or expansion by at least one physical calculation model calculated and / or predicted. The artificial neural network can preferably be further trained and updated during operation of the motor vehicle in order to obtain a higher model quality and thus a more accurate current and predictive calculation of the engine operating points. An improved model quality and higher accuracy in the calculation of the predicted engine operating parameters allow the actuators to be controlled as required, for example in a cooling circuit of the drive system of the motor vehicle, which leads to energy savings. The invention reduces the application effort, since, in contrast to purely physical models, the system uses the at least one artificial neural network can be constantly retrained and improved, up to a desired point in time or without a set end of training. As a result of the independent retraining of the at least one artificial neural network, automatic adaptation to the given influencing variables takes place in the motor vehicle. Thus, at least one artificial neural network can work on the vehicle control device in a starting state, a so-called start ANN, which optimizes itself further, in particular in an external database.

Die Erfindung ermöglicht insbesondere die Durchführung von Berechnungen mit zumindest einem künstlichen neuronalen Netz. Das künstliche neuronale Netz kann insbesondere vor und während des Einsatzes im Fahrzeug trainiert bzw. nachgelernt und optimiert werden. In einer externen Datenbank und/oder direkt aus Fahrzeugdaten kann das künstliche neuronale Netz mit weiteren Daten nachgelernt werden. Dadurch kann das künstliche neuronale Netz automatisch an veränderliche Hardwarekombinationen und Fahrzeugaufbauzustände angepasst werden. Die Erfindung ermöglicht insbesondere die Berechnung und Bereitstellung des Motorbetriebspunkts oder ähnlicher Betriebsdaten. Unter Verwendung von zusätzlichen Informationen, wie beispielsweise Streckendaten aus dem Navigationssystem des Fahrzeugs, beispielsweise ADAS-Daten, Daten aus den Fahrzeugsteuergeräten, Sensordaten oder Daten einer externen Datenbanken ist mit der Erfindung eine Berechnung der Betriebsparameter eines Antriebssystems sowohl im aktuellen Zustand als auch prädiktiv für zukünftige Zustände möglich.In particular, the invention enables calculations to be carried out with at least one artificial neural network. The artificial neural network can be trained or re-learned and optimized in particular before and during use in the vehicle. The artificial neural network can be re-learned with additional data in an external database and / or directly from vehicle data. As a result, the artificial neural network can be automatically adapted to changing hardware combinations and vehicle body conditions. The invention enables in particular the calculation and provision of the engine operating point or similar operating data. Using additional information, such as route data from the vehicle's navigation system, for example ADAS data, data from the vehicle control units, sensor data or data from an external database, the invention makes it possible to calculate the operating parameters of a drive system both in the current state and predictively for future ones States possible.

Ferner wird vorgeschlagen, dass die Datenbank von einer externen Datenbank gebildet ist, wobei in dem zumindest einen Verfahrensschritt das künstliche neuronale Netz auf der externen Datenbank anhand der aufgezeichneten Eingangswerte und Ausgangswerte nachtrainiert wird. Des Weiteren wird vorgeschlagen, dass das Verfahren zumindest einen weiteren Verfahrensschritt aufweist, in dem bei Herstellung einer Verbindung zwischen dem Kraftfahrzeug und der Datenbank das zumindest eine künstliche neuronale Netz auf einem Steuergerät des Kraftfahrzeugs durch eine nachtrainierte Version des künstlichen neuronalen Netzes der Datenbank ersetzt wird. Dadurch kann insbesondere erreicht werden, dass in der externen Datenbank relevante Fahrzeugdaten von einer großen Menge an Fahrzeugen mit unterschiedlichen Treibstrangkombinationen zum Training des künstlichen neuronalen Netzes verwendet werden können. So kann eine Anpassung an auftretende Veränderungen, Alterungseffekte und Komponentenänderungen stattfinden und eine große Datenbasis für das künstliche neuronale Netz geschaffen werden, um möglichst viele unterschiedliche Treibstrangkombinationen sehr genau mit dem künstlichen neuronalen Netz zu beschreiben. Bei großen Datenmengen können insbesondere fehlerhafte Aufbauzustände der teilnehmenden Fahrzeuge besser verarbeitet werden. Bei Bedarf können die verwendeten künstlichen neuronalen Netze rein fahrzeugspezifisch in einem individuellen Fahrzeug betrieben und nachtrainiert werden. Das Trainieren erfolgt dabei mit aktuell verfügbaren Daten. Ein Upload und Download der Trainingsdaten und/oder Informationen des zumindest einen künstlichen neuronalen Netzes in die externe Datenbank ist aber auch jederzeit möglich, um beispielsweise eine ausgefallene Kommunikation zur externen Datenbank zu überbrücken oder den Betrieb gänzlich bei Ausfall der Kommunikationseinheit oder ohne eine Kommunikationseinheit zu ermöglichen.It is also proposed that the database be formed by an external database, the artificial neural network being retrained in the at least one method step on the external database on the basis of the recorded input values and output values. It is also proposed that the method have at least one further method step in which, when a connection is established between the motor vehicle and the database, the at least one artificial neural network on a control unit of the motor vehicle is replaced by a retrained version of the artificial neural network of the database. As a result, it can be achieved in particular that relevant vehicle data from a large number of vehicles with different drive train combinations can be used in the external database for training the artificial neural network. In this way, an adaptation to occurring changes, aging effects and component changes can take place and a large database can be created for the artificial neural network in order to describe as many different drive train combinations as possible very precisely with the artificial neural network. In the case of large amounts of data, faulty structural conditions in the participating vehicles, in particular, can be processed better. If necessary, the artificial neural networks used can be operated and retrained in an individual vehicle in a purely vehicle-specific manner. Training takes place with currently available data. Uploading and downloading the training data and / or information from the at least one artificial neural network to the external database is also possible at any time, for example to bridge a failed communication to the external database or to enable operation entirely if the communication unit fails or without a communication unit .

Ferner ist insbesondere eine Absicherung gegen unphysikalische Ausgabewerte des künstlichen neuronalen Netzes durch Überprüfung und/oder Plausibilisierung der berechneten Größen denkbar.Furthermore, protection against unphysical output values of the artificial neural network by checking and / or checking the plausibility of the calculated variables is conceivable.

Weitere Vorteile ergeben sich aus der folgenden Figurenbeschreibung. In den Figuren ist ein Ausführungsbeispiel der Erfindung dargestellt. Die Figuren, die Figurenbeschreibung und die Ansprüche enthalten zahlreiche Merkmale in Kombination. Der Fachmann wird die Merkmale zweckmäßigerweise auch einzeln betrachten und zu sinnvollen weiteren Kombinationen zusammenfassen.Further advantages emerge from the following description of the figures. An exemplary embodiment of the invention is shown in the figures. The figures, the description of the figures and the claims contain numerous features in combination. The person skilled in the art will expediently also consider the features individually and combine them into meaningful further combinations.

Dabei zeigen:

1 ein Fahrzeug zur Durchführung eines Verfahrens zum Betreiben eines Fahrzeugs,
2 ein schematisches Ablaufdiagramm des erfindungsgemäßen Verfahrens zur Nutzung künstlicher neuronaler Netze zur Berechnung von Motorbetriebspunkten im Betrieb eines Kraftfahrzeugs,
3 eine schematische Darstellung der Zusammenhänge von Fahrzeugmodell, Kühlkreislaufmodell und Ansteuerfunktion und
4 eine schematische Darstellung des Fahrzeugmodells mit dem künstlichen neuronalen Netz.

Show:

1 a vehicle for carrying out a method for operating a vehicle,
2 a schematic flow chart of the method according to the invention for using artificial neural networks for calculating engine operating points in the operation of a motor vehicle,
3rd a schematic representation of the relationships between vehicle model, cooling circuit model and control function and
4th a schematic representation of the vehicle model with the artificial neural network.

1 zeigt ein Kraftfahrzeug 10 mit einem Antriebssystem 12, einer Steuer- und/oder Regeleinheit 36, einer Kommunikationseinheit 38 und einer Sensorik 40. Das Antriebssystem 12 umfasst beispielhaft einen Verbrennungsmotor 42, einen Elektromotor 44, ein Batteriesystem 46, ein Kühlkreislaufsystem 48 und ein Getriebe 50. Der Verbrennungsmotor 42 und der Elektromotor 44 sind zu einem Hybridantrieb gekoppelt. Grundsätzlich kann das Kraftfahrzeug 10 auch nur mit einem Verbrennungsmotor 42 oder einem Elektromotor 44 ausgestattet sein. Die Steuer- und/oder Regeleinheit 36 ist insbesondere zumindest zur Verarbeitung und Analyse von Informationen über die vorausliegende Strecke und zur Steuerung und/oder Regelung zumindest eines Aktors des Kühlkreislaufsystems 48 vorgesehen. Die Steuer- und/oder Regeleinheit 36 umfasst zumindest ein Steuergerät 34. Die Kommunikationseinheit 38 ist zum Senden und/oder Empfangen von Daten vorgesehen. Die Anordnung der in 1 gezeigten Bauteile des Kraftfahrzeugs 10 ist beispielhaft. Grundsätzlich ist auch eine andere dem Fachmann sinnvoll erscheinende Anordnung der Bauteile des Kraftfahrzeugs 10 denkbar. Das Kraftfahrzeug 10 ist zur Durchführung des erfindungsgemäßen Verfahrens zum Betreiben eines Kraftfahrzeugs 10 vorgesehen. 1 shows a motor vehicle 10 with a drive system 12th , a control and / or regulating unit 36 , a communication unit 38 and a sensor system 40 . The drive system 12th includes, for example, an internal combustion engine 42 , an electric motor 44 , a battery system 46 , a cooling circuit system 48 and a gearbox 50 . The internal combustion engine 42 and the electric motor 44 are coupled to a hybrid drive. In principle, the motor vehicle 10 even with just an internal combustion engine 42 or an electric motor 44 be equipped. The control and / or regulating unit 36 is in particular at least for processing and analyzing information about the route ahead and for controlling and / or regulating at least one actuator of the cooling circuit system 48 intended. The control and / or regulating unit 36 comprises at least one control device 34 . The communication unit 38 is intended for sending and / or receiving data. The arrangement of the in 1 shown components of the motor vehicle 10 is exemplary. In principle, another arrangement of the components of the motor vehicle that appears sensible to a person skilled in the art is also possible 10 conceivable. The car 10 is for performing the method according to the invention for operating a motor vehicle 10 intended.

Die 2 bis 4 zeigen ein erfindungsgemäßes Verfahren zum Betreiben des Kraftfahrzeugs 10. Das Verfahren ist zur Nutzung künstlicher neuronaler Netze 16 zur Berechnung von Motorbetriebspunkten im Betrieb des Kraftfahrzeugs 10 vorgesehen. Bei dem Verfahren wird unter Verwendung von Strecken-Daten, verfügbaren Fahrzeugdaten und/oder Sensorwerten, mit und ohne Information über die vorausliegende Strecke, mit Hilfe von zumindest einem Fahrzeugmodell 14 und/oder zumindest einem künstlichen neuronalen Netz 16 eine prädiktive Berechnung der Motorbetriebspunkte vorgenommen. Das künstliche neuronale Netz 16 sowie das Fahrzeugmodell 14 befinden sich auf dem Steuergerät 34. Das künstliche neuronale Netz 16 bildet einen Teil des Fahrzeugmodells 14. Das Fahrzeugmodell 14 weist vorzugsweise neben dem künstlichen neuronalen Netz 16 ein Berechnungsmodell auf, welches anstatt des künstlichen neuronalen Netzes 16, beispielsweise während eines Trainingsschritts 18, angewendet werden kann. Das Verfahren weist mehrere Verfahrensschritte 18, 22, 30, 32 auf.The 2 to 4th show a method according to the invention for operating the motor vehicle 10 . The method is to use artificial neural networks 16 for calculating engine operating points in the operation of the motor vehicle 10 intended. The method uses route data, available vehicle data and / or sensor values, with and without information about the route ahead, with the aid of at least one vehicle model 14th and / or at least one artificial neural network 16 made a predictive calculation of the engine operating points. The artificial neural network 16 as well as the vehicle model 14th are located on the control unit 34 . The artificial neural network 16 forms part of the vehicle model 14th . The vehicle model 14th preferably has next to the artificial neural network 16 a calculation model, which instead of the artificial neural network 16 , for example during a training step 18th , can be applied. The process has several process steps 18th , 22nd , 30th , 32 on.

Das Verfahren weist einen Trainingsschritt 18 auf. In dem Trainingsschritt 18 wird das künstliche neuronale Netz 16 in einem Startzustand anhand von Messdaten im Kraftfahrzeug 10 oder anhand von extern und/oder simulativ erzeugten Trainingsdaten trainiert. Das künstliche neuronale Netz 16 ersetzt ein Berechnungsmodell des Fahrzeugmodells 14 zur prädiktiven Berechnung der Motorbetriebspunkte. Das künstliche neuronale Netz 16 ist zur prädiktiven Berechnung der Motorbetriebspunkte vorgesehen.The procedure has a training step 18th on. In the training step 18th becomes the artificial neural network 16 in a starting state based on measurement data in the motor vehicle 10 or trained on the basis of externally and / or simulatively generated training data. The artificial neural network 16 replaces a calculation model of the vehicle model 14th for the predictive calculation of the engine operating points. The artificial neural network 16 is intended for the predictive calculation of the engine operating points.

Anschließend folgt ein Aufzeichnungsschritt 22. In dem Aufzeichnungsschritt 22 werden ein Eingangswert 24 und ein tatsächlicher von Sensoren erfasster Ausgangswert 26 in einer Datenbank 28 aufgezeichnet. Die Datenbank 28 kann grundsätzlich sowohl von einer fahrzeuginternen Datenbank als auch von einer externen Datenbank gebildet sein. Die Datenbank 28 ist beispielhaft von einer externen Datenbank gebildet. Es werden insbesondere möglichst viele Fahrzeugdaten einbezogen, um eine große Bandbreite an Triebstrangkombinationen abzudecken und das künstliche neuronale Netz 16 auf eine große Anzahl an Kraftfahrzeugen 10 anwenden zu können.This is followed by a recording step 22nd . In the recording step 22nd become an input value 24 and an actual output value sensed by sensors 26th in a database 28 recorded. Database 28 can basically be formed both from an in-vehicle database and from an external database. Database 28 is an example of an external database. In particular, as much vehicle data as possible is included in order to cover a wide range of drive train combinations and the artificial neural network 16 on a large number of motor vehicles 10 to be able to apply.

Auf den Aufzeichnungsschritt 22 folgt ein Verfahrensschritt 30. In dem Verfahrensschritt 30 werden die aufgezeichneten Eingangswerte 24 und Ausgangswerte 26 zu einem Trainieren des zumindest einen künstlichen neuronalen Netzes 16 verwendet. In dem Verfahrensschritt 30 wird das künstliche neuronale Netz 16' auf der externen Datenbank 28 anhand der aufgezeichneten Eingangswerte 24 und Ausgangswerte 26 nachtrainiert.On the recording step 22nd a procedural step follows 30th . In the process step 30th are the recorded input values 24 and output values 26th for training the at least one artificial neural network 16 used. In the process step 30th becomes the artificial neural network 16 ' on the external database 28 based on the recorded input values 24 and output values 26th retrained.

Darauf folgt ein weiterer Verfahrensschritt 32. In dem weiteren Verfahrensschritt 32 wird bei Herstellung einer Verbindung zwischen dem Kraftfahrzeug 10 und der Datenbank 28 das künstliche neuronale Netz 16 auf dem Steuergerät 34 des Kraftfahrzeugs 10 durch eine nachtrainierte Version des künstlichen neuronalen Netzes 16' der Datenbank 28 ersetzt.This is followed by a further process step 32 . In the further process step 32 is used when establishing a connection between the motor vehicle 10 and the database 28 the artificial neural network 16 on the control unit 34 of the motor vehicle 10 through a retrained version of the artificial neural network 16 ' the database 28 replaced.

3 zeigt schematisch den Zusammenhang zwischen dem verwendeten Fahrzeugmodell 14, einem Kühlkreislaufmodell 52 und einer Ansteuerfunktion 54. In diesem Zusammenhang werden aktuelle und prädiktive Motorbetriebspunkte berechnet. Zudem zeigt 3, welche Daten zwischen Fahrzeugmodell 14, Kühlkreislaufmodell 52 und Ansteuerfunktion 54 übermittelt werden. Das Fahrzeugmodell 14 wird von Eingangsparametern 56 gespeist. Die Eingangsparameter 56 sind von Eingangswerten 24 gebildet. Die Eingangsparameter 56 können beispielsweise Werte eines ADAS-Horizonts sein, wie beispielsweise vorausliegende Steigungen, Geschwindigkeitsbegrenzungen, vorausliegende Kurven, Kurvenradien oder dergleichen. Vorzugsweise umfasst das Fahrzeugmodell 14 ein Fahrermodell 68. Das Fahrzeugmodell 14 wird zur Berechnung von prädiktiven Fahrzeugparametern 58, insbesondere einer Motordrehzahl, eines Motordrehmoments oder einer Fahrzeuggeschwindigkeit, verwendet. Das Fahrzeugmodell 14 gibt prädiktive Fahrzeugparameter 58 aus. Die Steuer- und/oder Regeleinheit 36 übermittelt die in einem Fahrzeugmodell 14 berechneten prädiktiven Fahrzeugparameter 58 an zumindest ein Kühlkreislaufmodell 52. Das Kühlkreislaufmodell 52 wird nach einem Fahrzeugmodell 14 verarbeitet. Das Kühlkreislaufmodell 52 wird von prädiktiven Fahrzeugparametern 58 gespeist. Das Kühlkreislaufmodell 52 wird zusätzlich von aktuellen Fahrzeugparametern 58 gespeist. Insbesondere wird das Kühlkreislaufmodell 52 zur Berechnung der prädiktiven Temperatur eines Kühlmittels vor und nach jedem Bauteil des Kühlkreislaufsystems 48 verwendet. Das Kühlkreislaufmodell 52 gibt prädiktive Kühlkreislaufparameter 60 aus. Die Steuer- und/oder Regeleinheit 36 übermittelt die in einem Kühlkreislaufmodell 52 berechneten prädiktiven Kühlkreislaufparameter 60 an zumindest eine Ansteuerfunktion 54. Die Ansteuerfunktion 54 wird zur Erzeugung zumindest eines Ausgangsparameters 62 verwendet. Der zumindest eine Ausgangsparameter 62 ist von Ausgangswerten 26 gebildet. Eine Ansteuerfunktion 54 wird nach dem Kühlkreislaufmodell 52 verarbeitet. Die Ansteuerfunktion 54 wird von prädiktiven Kühlkreislaufparametern 60 gespeist. Die Ansteuerfunktion 54 gibt Ausgangsparameter 62 aus. Insbesondere ist ein Ausgangsparameter 62 eine Drehzahl und/oder eine Stellposition eines Aktors. Ein Aktor kann insbesondere als ein Ventil, ein Ventilator oder eine Pumpe, insbesondere eine Kühlmittelpumpe, ausgebildet sein. Ferner kann die Ansteuerfunktion 54 wiederum Daten des Kühlkreislaufsystems 48, wie beispielsweise Lüfterdrehzahlen, Pumpendrehzahlen, oder dergleichen, an das Kühlkreislaufmodell 52 übertragen. Mittels des Fahrzeugmodells 14 und des Kühlkreislaufmodells 52 wird die vor dem Kraftfahrzeug 10 liegende Strecke während einer Fahrt erarbeitet und analysiert. Vorzugsweise werden zumindest Daten zu Betriebspunkten des Kraftfahrzeugs 10, Kühlkreislaufzuständen, insbesondere Betriebsparameter wie Temperaturen, und Kühlkreislaufsystemaktorzuständen, insbesondere mit geplanten Stellpositionen für zumindest einen Aktor, verarbeitet. 3rd shows schematically the relationship between the vehicle model used 14th , a cooling circuit model 52 and a control function 54 . In this context, current and predictive engine operating points are calculated. Also shows 3rd which data between vehicle model 14th , Cooling circuit model 52 and control function 54 be transmitted. The vehicle model 14th is of input parameters 56 fed. The input parameters 56 are of input values 24 educated. The input parameters 56 can, for example, be values of an ADAS horizon, such as inclines ahead, speed limits, curves ahead, curve radii or the like. The vehicle model preferably comprises 14th a driver model 68 . The vehicle model 14th is used to calculate predictive vehicle parameters 58 , in particular an engine speed, an engine torque or a vehicle speed is used. The vehicle model 14th gives predictive vehicle parameters 58 out. The control and / or regulating unit 36 transmitted in a vehicle model 14th calculated predictive vehicle parameters 58 at least one model of the cooling circuit 52 . The cooling circuit model 52 is based on a vehicle model 14th processed. The cooling circuit model 52 is based on predictive vehicle parameters 58 fed. The cooling circuit model 52 is also based on current vehicle parameters 58 fed. In particular, the cooling cycle model 52 to calculate the predictive temperature of a coolant before and after each component of the cooling circuit system 48 used. The cooling circuit model 52 gives predictive cooling circuit parameters 60 out. The control and / or regulating unit 36 conveys the in one Cooling circuit model 52 calculated predictive cooling circuit parameters 60 at least one control function 54 . The control function 54 is used to generate at least one output parameter 62 used. The at least one output parameter 62 is from baseline 26th educated. A control function 54 is based on the cooling cycle model 52 processed. The control function 54 is based on predictive cooling circuit parameters 60 fed. The control function 54 gives output parameters 62 out. In particular is an output parameter 62 a speed and / or a setting position of an actuator. An actuator can in particular be designed as a valve, a fan or a pump, in particular a coolant pump. Furthermore, the control function 54 in turn, data from the cooling circuit system 48 , such as fan speeds, pump speeds, or the like, to the cooling circuit model 52 transfer. Using the vehicle model 14th and the cooling cycle model 52 becomes the front of the motor vehicle 10 lying route worked out and analyzed during a journey. At least data on operating points of the motor vehicle are preferably used 10 , Cooling circuit states, in particular operating parameters such as temperatures, and cooling circuit system actuator states, in particular with planned setting positions for at least one actuator.

Das Kühlkreislaufmodell 52 wird in der Steuer- und/oder Regeleinheit 36 aufgerufen und für jeden Eintrag des Eingangsvektors eines Eingangsparameters 56 mindestens einmal berechnet. Damit wird beispielsweise für einen Prädiktionszeitraum ein Vektor mit diskreten Stützstellen erzeugt, um die prädiktiven Temperaturen, insbesondere für Bauteile und/oder Kühlmittel, komplett abzubilden.The cooling circuit model 52 is in the control and / or regulation unit 36 called and for each entry of the input vector of an input parameter 56 calculated at least once. In this way, for example, a vector with discrete support points is generated for a prediction period in order to completely map the predictive temperatures, in particular for components and / or coolants.

Da die Eingangsparameter 56 für das Fahrzeugmodell 14 in einem anderen Aktualisierungsintervall zur Verfügung stehen können, ermöglicht eine eigenständige Iteration der Berechnung des Fahrzeugmodells 14 eine vorteilhafte Reduktion des Berechnungsaufwands in der Steuer- und/oder Regeleinheit 36. Die Prädiktion von Kühlkreislaufsystemaktorzuständen kann mit dem Kühlkreislaufmodell 52 eine Einheit bilden. Damit kann die Rechenlast vorteilhaft über die Vektorlänge skaliert und je nach Situation dynamisch variiert werden.Since the input parameters 56 for the vehicle model 14th can be available in a different update interval, enables an independent iteration of the calculation of the vehicle model 14th an advantageous reduction in the computational effort in the control and / or regulating unit 36 . The prediction of cooling cycle system actuator states can be made with the cooling cycle model 52 form a unit. This means that the computing load can advantageously be scaled over the vector length and dynamically varied depending on the situation.

Das Fahrzeugmodell 14 ist in der Rechenabfolge vor dem Kühlkreislaufmodell 52 platziert. Als Eingangswerte 24 können die vom elektronischen Horizont des Navigationssystems zur Verfügung gestellten Strecken-Daten sowie aktuelle Fahrzeugdaten verwendet werden. Für die prädiktive Berechnung des Motorbetriebspunkts können beispielweise die Vorausschauinformationen der Steigung, Geschwindigkeitslimits, Kurvenradien und die Straßenklassen verwendet werden. Aktuell auf dem Fahrzeugsteuergerät verfügbare Größen, wie beispielsweise Motordrehmoment, Motordrehzahl, aktuelle Steigung und aktuelle Geschwindigkeit, können ebenfalls verwendet werden. Im Fahrzeugmodell 14 werden, unter anderem, die Einflüsse des Fahrers auf die prädizierte Geschwindigkeit berechnet. Es werden insbesondere Fahrwiderstände berechnet, um damit das Motordrehmoment, die Drehzahl und die tatsächlich erwartete Fahrzeuggeschwindigkeit zu prädizieren. Dazu werden Strecken- und Fahrzeugdaten verwendet. Eine Motordrehzahl, ein Motordrehmoment und eine prädizierte Fahrzeuggeschwindigkeit werden als elektronischer Horizont an das Kühlkreislaufmodell 52 weitergegeben. In das Fahrzeugmodell 14 ist ein künstliches neuronales Netz 16 integriert. Das künstliche neuronale Netz 16 ersetzt in dem Fahrzeugmodell 14 ein oder mehrere Berechnungsmodelle. Dadurch kann beispielsweise die prädiktive Berechnung der Gangstufe und der Motorbetriebspunkte durch das künstliche neuronale Netz 16 ersetzt werden. Durch eine Anbindung an eine externe Datenbank 28 kann das auf dem Steuergerät 34 verwendete künstliche neuronale Netz 16 in einem Startzustand parallel zum Fahrbetrieb weiter trainiert werden und nachlernen. Dies würde beispielsweise eine Änderung in der Getriebeapplikation berücksichtigen ( 4).The vehicle model 14th is in the calculation sequence before the cooling cycle model 52 placed. As input values 24 the route data and current vehicle data provided by the electronic horizon of the navigation system can be used. For the predictive calculation of the engine operating point, for example, the forecast information of the gradient, speed limits, curve radii and the road classes can be used. Variables currently available on the vehicle control unit, such as, for example, engine torque, engine speed, current gradient and current speed, can also be used. In the vehicle model 14th Among other things, the driver's influences on the predicted speed are calculated. In particular, driving resistances are calculated in order to predict the engine torque, the speed and the actually expected vehicle speed. Route and vehicle data are used for this. An engine speed, an engine torque and a predicted vehicle speed are sent to the cooling cycle model as an electronic horizon 52 passed on. In the vehicle model 14th is an artificial neural network 16 integrated. The artificial neural network 16 replaced in the vehicle model 14th one or more calculation models. This enables, for example, the predictive calculation of the gear step and the engine operating points by the artificial neural network 16 be replaced. Through a connection to an external database 28 can do that on the control unit 34 used artificial neural network 16 can be further trained and relearned in a starting state parallel to driving operation. This would take into account a change in the transmission application, for example ( 4th ).

Das Training des künstlichen neuronalen Netzes 16 in einem Startzustand im Fahrzeugmodell 14 kann auch vorab offline stattfinden. Das künstliche neuronale Netz 16 in dem Startzustand kann dann direkt auf dem Steuergerät 34 eingesetzt werden. Für das Training des künstlichen neuronalen Netzes 16 in dem Startzustand werden Messdaten oder Simulationsdaten verwendet. Das so erzeugte künstliche neuronale Netz 16 in dem Startzustand kann bereits zumindest eine Funktionalität aus dem Fahrzeugmodell 14 ersetzen. Das Nachlernen des künstlichen neuronalen Netzes 16 auf dem Steuergerät 34 oder in der externen Datenbank 28 ermöglicht weitere Verbesserungen der Modellgüte und der Prädiktion. Es wäre auch denkbar, dass alle Funktionen des Fahrzeugmodells 14 durch das zumindest eine künstliche neuronale Netz 16 realisiert werden (4).The training of the artificial neural network 16 in a starting state in the vehicle model 14th can also take place offline in advance. The artificial neural network 16 in the start state can then directly on the control unit 34 can be used. For training the artificial neural network 16 in the start state, measurement data or simulation data are used. The artificial neural network created in this way 16 in the starting state, at least one functionality from the vehicle model can already be used 14th replace. Re-learning the artificial neural network 16 on the control unit 34 or in the external database 28 enables further improvements in model quality and prediction. It would also be conceivable that all functions of the vehicle model 14th through the at least one artificial neural network 16 will be realized ( 4th ).

Zur Bewertung der Güte der Prädiktion des künstlichen neuronalen Netzes 16 kann ein Abgleich der prädizierten Werte des künstlichen neuronalen Netzes 16 mit den tatsächlich von einer Sensorik 40 bereitgestellten Werten aus dem Fahrbetrieb durchgeführt werden. Zum Beispiel ein Vergleich der vom künstlichen neuronalen Netz 16 berechneten Motordrehzahl zum aktuellen Zeitpunkt mit der tatsächlich gemessenen Motordrehzahl. Durch das Nachtrainieren des künstlichen neuronalen Netzes 16 können diese Differenzen minimiert werden. Für das Nachtrainieren in der externen Datenbank 28 können beispielsweise die Eingangswerte 24 des Fahrzeugmodells 14 und die gemessenen Sensorwerte für die Ermittlung der Motorbetriebspunkte verwendet werden. Diese werden dort zu diesem Zweck aufgezeichnet und zu Trainingsdaten aufbereitet. Das künstliche neuronale Netz 16 kann somit aktuelle Größen bestimmen und ebenfalls für dessen Prädiktion verwendet werden. Dazu werden die entsprechenden Eingangssignale mit einbezogen (4).To evaluate the quality of the prediction of the artificial neural network 16 a comparison of the predicted values of the artificial neural network can be carried out 16 with actually from a sensor system 40 provided values from the driving operation can be carried out. For example, a comparison of the artificial neural network 16 calculated engine speed at the current point in time with the actually measured engine speed. By retraining the artificial neural network 16 these differences can be minimized. For retraining in the external database 28 for example the input values 24 of the vehicle model 14th and the measured sensor values are used to determine the engine operating points become. For this purpose, these are recorded there and processed into training data. The artificial neural network 16 can thus determine current values and also be used for its prediction. For this purpose, the corresponding input signals are included ( 4th ).

Für das beschriebene Ausführungsbeispiel zur Berechnung der Motorbetriebspunkte findet das Nachtrainieren des künstlichen neuronalen Netzes 16 mit definierten Eingangsgrößen 64 und Zielgrößen 66 statt. Eingangsgrößen 64 für das künstliche neuronale Netz 16 sind dieselben, welche dem künstlichen neuronalen Netz 16 auf dem Steuergerät 34 im Fahrzeugmodell 14 zur Verfügung gestellt werden, wie insbesondere zumindest eine prädizierte Geschwindigkeit und Steigung. Zielgrößen 66 für das künstliche neuronale Netz 16 sind Größen aus dem Kraftfahrzeug 10, die auf dem Steuergerät 34 verfügbar sind. Sie stellen dieselben Größen dar, welche von dem künstlichen neuronalen Netz 16 berechnet und prädiziert werden, wie insbesondere zumindest eine Motordrehzahl und ein Motordrehmoment. Sind ausreichend Trainingsdaten vorhanden, wird das künstliche neuronale Netz 16 bzw. eine Kopie des künstlichen neuronalen Netz 16' in der externen Datenbank 28 nachtrainiert und bei nächster Gelegenheit auf das Steuergerät 34 übertragen. Dort kann es das vorhandene künstliche neuronale Netz 16 ersetzen (4).The artificial neural network is retrained for the exemplary embodiment described for calculating the engine operating points 16 with defined input variables 64 and target values 66 instead of. Input variables 64 for the artificial neural network 16 are the same as those in the artificial neural network 16 on the control unit 34 in the vehicle model 14th are made available, such as in particular at least a predicted speed and gradient. Target values 66 for the artificial neural network 16 are variables from the motor vehicle 10 that on the control unit 34 Are available. They represent the same quantities as those of the artificial neural network 16 can be calculated and predicted, such as, in particular, at least an engine speed and an engine torque. If sufficient training data is available, the artificial neural network is used 16 or a copy of the artificial neural network 16 ' in the external database 28 retrained and on the control unit at the next opportunity 34 transfer. There it can be the existing artificial neural network 16 replace ( 4th ).

Im Gegensatz zur herkömmlichen Methode bietet der Einsatz des künstlichen neuronalen Netzes 16 Vorteile. Der Prozess der Applikation vor der Zertifizierung des Kraftfahrzeugs 10 kann beschleunigt, in Teilen automatisiert und vereinfacht werden. Um die Auswirkungen fehlerhafter bzw. unphysikalischer Ausgänge des künstlichen neuronalen Netzes 16 abzusichern, wird eine Abfrage und Überprüfung der Eingangssignale verwendet. Dies birgt den Vorteil, dass keine gesonderte Sicherheitsebene modelliert bzw. bereitgestellt werden muss. Daraus resultiert, dass durch den Ersatz von Funktionen, Kennfeldern, Kennlinien oder ganzer Modelle mit einem künstlichen neuronalen Netz 16 eine Verringerung der nötigen Ressourcen auf dem Steuergerät 34 einhergeht. Ebenfalls verringert sich die Anzahl an Applikationsparametern und damit der Applikationsaufwand. Es ist insbesondere Bestandteil der Erfindung, dass das beschriebene Prinzip auf verschiedene Modelle angewandt werden kann und auf verschiedene Kombinationen von Eingangswerten 24 und Ausgangswerten 26. Der Nutzen der Erfindung ist sowohl eine Verbesserung der Modellgüte der verwendeten Berechnungsmodelle, eine Anpassung an sich ändernde Fahrzeugzustände und Hardware-Konfigurationen als auch eine Verringerung des Ressourcen- und Applikationsbedarfs auf dem Steuergerät 34. Durch die Verwendung einer externen Datenbank 28 besteht die Möglichkeit, das künstliche neuronale Netz 16 nachzulernen und zu aktualisieren. Die Erfindung wird durch die beschriebenen Merkmale charakterisiert, wobei dies im Wesentlichen nur eine mögliche Ausführung der erfinderischen Idee ist, welche auch durch äquivalente Merkmale realisiert werden kann.In contrast to the conventional method, the use of the artificial neural network offers 16 Advantages. The process of application prior to the certification of the motor vehicle 10 can be accelerated, partially automated and simplified. About the effects of faulty or unphysical outputs from the artificial neural network 16 To secure, a query and check of the input signals is used. This has the advantage that no separate safety level has to be modeled or provided. This results in the replacement of functions, maps, characteristics or entire models with an artificial neural network 16 a reduction in the resources required on the control unit 34 goes hand in hand. The number of application parameters and thus the application effort are also reduced. In particular, it is part of the invention that the principle described can be applied to different models and to different combinations of input values 24 and baseline values 26th . The benefit of the invention is both an improvement in the model quality of the calculation models used, an adaptation to changing vehicle conditions and hardware configurations, and a reduction in the resource and application requirements on the control unit 34 . By using an external database 28 there is the possibility of the artificial neural network 16 learn and update. The invention is characterized by the features described, this essentially only being one possible embodiment of the inventive idea, which can also be implemented using equivalent features.

BezugszeichenlisteList of reference symbols

1010: KraftfahrzeugsMotor vehicle
1212th: AntriebssystemDrive system
1414th: FahrzeugmodellVehicle model
1616: künstliches neuronales Netzartificial neural network
16'16 ': künstliches neuronales Netzartificial neural network
1818th: TrainingsschrittTraining step
2222nd: AufzeichnungsschrittRecording step
2424: EingangswertInput value
2626th: AusgangswertBaseline
2828: DatenbankDatabase
3030th: VerfahrensschrittProcess step
3232: VerfahrensschrittProcess step
3434: SteuergerätControl unit
3636: Steuer- und/oder RegeleinheitControl and / or regulating unit
3838: KommunikationseinheitCommunication unit
4040: SensorikSensors
4242: VerbrennungsmotorInternal combustion engine
4444: ElektromotorElectric motor
4646: BatteriesystemBattery system
4848: KühlkreislaufsystemCooling circuit system
5050: Getriebetransmission
5252: KühlkreislaufmodellCooling circuit model
5454: AnsteuerfunktionControl function
5656: EingangsparameterInput parameters
5858: FahrzeugparameterVehicle parameters
6060: KühlkreislaufparameterCooling circuit parameters
6262: AusgangsparameterOutput parameters
6464: EingangsgrößeInput variable
6666: ZielgrößeTarget size
6868: FahrermodellDriver model

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION

Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of the documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturPatent literature cited

DE 102014004817 A1 [0002]
DE 102018005948 A1 [0003]

Claims

Method for using artificial neural networks (16, 16 ') to calculate engine operating points during operation of a motor vehicle (10) with at least one drive system (12), using route data, available vehicle data and / or sensor values, with and without information A predictive calculation of the engine operating points is carried out over the route ahead with the help of at least one vehicle model (14) and / or at least one artificial neural network (16, 16 '), characterized by at least one training step (18) in which the at least one artificial neural network (16) is trained in a starting state on the basis of measurement data in the motor vehicle (10) or on the basis of externally and / or simulatively generated training data, at least one recording step (22) in which an input value (24) and an actual value recorded by sensors Output value (26) are recorded in a database (28), and at least one method step (30), in which the recorded input values (24) and output values (26) are used to train the at least one artificial neural network (16).

Procedure according to Claim 1 , characterized in that the database (28) is formed by an external database, wherein in the at least one method step (30) the artificial neural network (16 ') on the external database (28) based on the recorded input values (24) and output values (26) is retrained.

Procedure according to Claim 2 , characterized by at least one further method step (32) in which, when a connection is established between the motor vehicle (10) and the database (28), the at least one artificial neural network (16) is carried out on a control unit (34) of the motor vehicle (10) a retrained version of the artificial neural network (16 ') of the database (28) is replaced.