DE102019135022A1 - Method for the computer-aided evaluation of measurements of electrical currents in a high-voltage electrical system of a given electrically powered motor vehicle - Google Patents
Method for the computer-aided evaluation of measurements of electrical currents in a high-voltage electrical system of a given electrically powered motor vehicle Download PDFInfo
- Publication number
- DE102019135022A1 DE102019135022A1 DE102019135022.0A DE102019135022A DE102019135022A1 DE 102019135022 A1 DE102019135022 A1 DE 102019135022A1 DE 102019135022 A DE102019135022 A DE 102019135022A DE 102019135022 A1 DE102019135022 A1 DE 102019135022A1
- Authority
- DE
- Germany
- Prior art keywords
- motor vehicle
- data
- values
- electrical
- electrical currents
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/0092—Arrangements for measuring currents or voltages or for indicating presence or sign thereof measuring current only
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/005—Testing of electric installations on transport means
- G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
- G01R31/007—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks using microprocessors or computers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
- B60L2240/549—Current
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/44—Control modes by parameter estimation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/005—Calibrating; Standards or reference devices, e.g. voltage or resistance standards, "golden" references
Abstract
Die Erfindung betrifft ein Verfahren zur rechnergestützten Auswertung von Messungen elektrischer Ströme (i1, i2, ..., i5) in einem Hochvolt-Bordnetz (BN) eines vorgegebenen elektrisch angetriebenen Kraftfahrzeugs (VE), wobei das Hochvolt-Bordnetz (BN) eine Mehrzahl von elektrischen Komponenten (HVB, EM, HE, CO, IN) umfassend eine elektrische Maschine (EM) zum Antrieb des vorgegebenen Kraftfahrzeugs (VE) und einen elektrischen Energiespeicher (HVB) zur elektrischen Energieversorgung der elektrischen Maschine (EM) beinhaltet und jeder elektrische Strom (i1, i2, ..., i5) über den gleichen Knoten (N) im Hochvolt-Bordnetz (BN) fließt. In dem Verfahren werden mittels eines ersten datengetriebenen Modells (MO), das in dem vorgegebenen Kraftfahrzeug (VE) gelernt wird, sowie zweiten datengetriebenen Modellen (MO'), die in anderen Kraftfahrzeugen (VE') gelernt wurden, Messwerte der elektrischen Ströme (i1, i2, ..., i5) für eine Modellfahrt prädiziert sowie Strommittelwerte dieser prädizierten Messwerte bestimmt. Basierend auf diesen Größen werden Parameterwerte (pw1, pw2) eines Parametervektor (PV) zur Korrektur von Messfehlern bei der Messung der elektrischen Ströme (i1, i2, ..., i5) ermittelt, wobei die Parameterwerte (pw1, pw2) mittels einer Optimierung mit dem Optimierungsziel einer minimalen Anzahl von Parameterwerten (pw1, pw2) ungleich Null im Parametervektor (PV) bestimmt werden.The invention relates to a method for the computer-aided evaluation of measurements of electrical currents (i1, i2, ..., i5) in a high-voltage on-board network (BN) of a given electrically powered motor vehicle (VE), the high-voltage on-board network (BN) having a plurality of electrical components (HVB, EM, HE, CO, IN) comprising an electrical machine (EM) for driving the specified motor vehicle (VE) and an electrical energy store (HVB) for supplying electrical energy to the electrical machine (EM) and each electrical current (i1, i2, ..., i5) flows via the same node (N) in the high-voltage vehicle electrical system (BN). In the method, measured values of the electrical currents (i1 , i2, ..., i5) are predicted for a model trip and the mean current values of these predicted measured values are determined. Based on these variables, parameter values (pw1, pw2) of a parameter vector (PV) for correcting measurement errors when measuring electrical currents (i1, i2, ..., i5) are determined, with the parameter values (pw1, pw2) being optimized be determined with the optimization goal of a minimum number of parameter values (pw1, pw2) not equal to zero in the parameter vector (PV).
Description
Die Erfindung betrifft ein Verfahren und ein System zur rechnergestützten Auswertung von Messungen elektrischer Ströme in einem Hochvolt-Bordnetz eines vorgegebenen elektrisch angetriebenen Kraftfahrzeugs.The invention relates to a method and a system for the computer-aided evaluation of measurements of electrical currents in a high-voltage electrical system of a given electrically driven motor vehicle.
In elektrisch angetriebenen Kraftfahrzeugen, wie z.B. in reinen Elektrofahrzeugen oder in Hybrid-Fahrzeugen, ist eine genaue Bestimmung von elektrischen Strömen 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 Ströme 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.In electrically powered vehicles, such as purely electric vehicles or hybrid vehicles, the precise determination of electrical currents in the high-voltage on-board network is of great importance. The high-voltage electrical system is the electrical system that is used to drive the vehicle electrically. It comprises an electric drive machine and an energy store for this machine. If corresponding electrical currents are not determined precisely enough, this must be taken into account when designing the electrical energy store in the high-voltage vehicle electrical system, which means that the energy store is not used efficiently.
Betrachtet man in einem Hochvolt-Bordnetz die gemessenen Ströme an einem Knotenpunkt, 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, was auf Messfehler zurückzuführen ist. 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.If you consider the currents measured at a node in a high-voltage on-board electrical system, a physical current of 0 A must result at this node in accordance with Kirchhoff's node rule. Usually, however, a value clearly deviating from zero is measured in high-voltage electrical systems of conventional motor vehicles, which can be attributed to measurement errors. This value is, for example, 1 A, which results in a deficiency in a 400 V on-board electrical system of 400 W. It is desirable to correct this deficiency so that the memory protection limits of the electrical energy store in the high-voltage vehicle electrical system can be set closer to the actual physical load limits. In addition to the actual physical load limit, the memory protection limits also take into account the maximum possible failure rate. In motorized operation of the motor vehicle, this means that if the memory protection limit is chosen too conservatively, the drive power is not released at a full acceleration desired by the driver, although it would be available. In the case of recuperation, taking into account the maximum defective power means that the electrical energy storage device cannot be charged to the physical charge limit.
In der Druckschrift [1] wird ein flottenbasierter Ansatz zur Detektion von Fehlern bei der Messung von elektrischen Strömen in einem elektrisch angetriebenen Kraftfahrzeug beschrieben. Dabei wird der elektrische Strom der elektrischen Antriebsmaschine über ein datengetriebenes Modell prädiziert und mit entsprechenden prädizierten Strömen verglichen, die mit datengetriebenen Modellen in anderen Kraftfahrzeugen vorhergesagt wurden. Mit diesem Verfahren können zwar Fehlerquellen klassifiziert werden, jedoch ist es nicht möglich, Messfehler im entsprechenden Kraftfahrzeug zu korrigieren.The document [1] describes a fleet-based approach for the detection of errors when measuring electrical currents in an electrically driven motor vehicle. The electric current of the electric drive machine is predicted using a data-driven model and compared with corresponding predicted currents that were predicted with data-driven models in other motor vehicles. Although sources of error can be classified with this method, it is not possible to correct measurement errors in the corresponding motor vehicle.
Aufgabe der Erfindung ist es, ein Verfahren zur Auswertung von Messungen elektrischer Ströme in einem Hochvolt-Bordnetz eines vorgegebenen elektrisch angetriebenen Kraftfahrzeugs zu schaffen, mit dem Messfehler zuverlässig erkannt und korrigiert werden können.The object of the invention is to create a method for evaluating measurements of electrical currents in a high-voltage electrical system of a given electrically driven motor vehicle, with which measurement errors can be reliably recognized and corrected.
Das erfindungsgemäße Verfahren dient zur rechnergestützten Auswertung von Messungen elektrischer Ströme 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. Jeder elektrische Strom fließt über den gleichen Knoten im Hochvolt-Bordnetz. Vorzugsweise tritt jeder elektrische Strom an einer anderen elektrischen Komponente der Mehrzahl von elektrischen Komponenten auf.The method according to the invention is used for the computer-aided evaluation of measurements of electrical currents in a high-voltage electrical system of a given electrically driven motor vehicle. The term electrically powered motor vehicle is to be understood broadly. An electrically driven motor vehicle can be a purely electric vehicle, but also a hybrid vehicle and in particular a plug-in hybrid vehicle. It is crucial that the motor vehicle has an electric drive, and an internal combustion engine drive can also be provided. The high-voltage on-board network, which has an on-board voltage of 400 V, for example, is used to drive the specified motor vehicle electrically. It contains a plurality of electrical components which contain an electrical machine for driving the specified motor vehicle and an electrical energy store for supplying electrical energy to this electrical machine. Every electrical current flows through the same node in the high-voltage vehicle electrical system. Preferably, each electrical current occurs on a different electrical component of the plurality of electrical components.
In dem erfindungsgemäßen Verfahren wird in dem vorgegebenen Kraftfahrzeug in einem Schritt a) 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.In the method according to the invention, a first data-driven model is learned in the specified motor vehicle in a step a) using a machine learning method and this learned first data-driven model is transmitted to a back-end server by the specified motor vehicle, with a back-end server not being used for Computer device belonging to the motor vehicle is to be understood as comprising one or possibly also several computers networked with one another.
Das erste datengetriebene Modell wird basierend auf einer Vielzahl von Messdatensätzen, die jeweils im Betrieb des vorgegebenen Kraftfahrzeugs zu unterschiedlichen Betriebszeitpunkten gemessen wurden, gelernt. Ein jeweiliger Messdatensatz für einen jeweiligen Betriebszeitpunkt umfasst dabei Messwerte von Eingangsgrößen und Messwerte der elektrischen Ströme, wobei mit dem gelernten ersten datengetriebenen Modell basierend auf Messwerten der Eingangsgrößen Messwerte der elektrischen Ströme prädiziert werden können.The first data-driven model is learned on the basis of a large number of measurement data records that were each measured during operation of the specified motor vehicle at different times of operation. A respective measurement data set for a respective operating time includes measurement values from Input variables and measured values of the electrical currents, with the learned first data-driven model being able to predict measured values of the electrical currents based on measured values of the input variables.
In einer Variante der Erfindung wird das erste datengetriebene Modell in regelmäßigen zeitlichen Abständen im vorgegebenen Kraftfahrzeug basierend auf neu hinzugekommenen Messdatensätzen aktualisiert. Die nachfolgend beschriebenen Verarbeitungsschritte im Backend-Server werden dann bei Vorliegen eines aktualisierten gelernten ersten datengetriebenen Modells wiederholt.In a variant of the invention, the first data-driven model is updated at regular time intervals in the specified motor vehicle based on newly added measurement data sets. The processing steps described below in the backend server are then repeated when an updated, learned first data-driven model is available.
In einem Schritt b) werden in dem Backend-Server das gelernte erste datengetriebene Modell sowie eine Mehrzahl von weiteren gelernten zweiten datengetriebenen Modellen verarbeitet. Jedes zweite datengetriebene 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 einer Vielzahl von im jeweiligen anderen Kraftfahrzeug gemessenen Messdatensätzen für die gleichen Eingangsgrößen und die gleichen elektrischen Ströme wie das erste datengetriebene Modell gelernt. Im Rahmen der Verarbeitung im Backend-Server wird für eine Modellfahrtmessreihe, welche Messwerte für die beim Lernen des ersten datengetriebenen Modells verwendeten Eingangsgrößen und für eine Vielzahl von Modellfahrt-Betriebszeitpunkten innerhalb einer vorgegebenen Modellfahrt enthält, Strommittelwerte für die elektrischen Ströme für jeden Modellfahrt-Betriebszeitpunkt ermittelt. Ein jeweiliger Strommittelwert für einen jeweiligen elektrischen Strom und für einen jeweiligen Modellfahrt-Betriebszeitpunkt ist dabei der Mittelwert der Messwerte des jeweiligen elektrischen Stroms, welche durch das erste gelernte datengetriebene Modell und die Vielzahl von zweiten datengetriebenen Modellen basierend auf den Messwerten der Eingangsgrößen für den jeweiligen Modellfahrt-Betriebszeitpunkt prädiziert werden. Mit anderen Worten ist der Strommittelwert eine Mittelung der prädizierten Messwerte über das erste und die zweiten datengetriebenen Modelle hinweg. Unter einer Modellfahrt ist eine vorgegebene Fahrt mit bestimmten Betriebsparametern während der Fahrt zu verstehen, die als Werte von Eingangsgrößen zu entsprechenden Modellfahrt-Betriebszeitpunkten zu verstehen sind.In a step b), the learned first data-driven model and a plurality of further learned second data-driven models are processed in the backend server. Every second data-driven model was tested in a different motor vehicle of the same design as the specified motor vehicle with the same machine learning method as the first data-driven model based on a large number of measurement data sets measured in the respective other motor vehicle for the same input variables and the same electrical currents as the first learned data-driven model. As part of the processing in the backend server, current mean values for the electrical currents for each model drive operating time are determined for a model drive measurement series, which contains measured values for the input variables used when learning the first data-driven model and for a large number of model drive operating times within a given model drive . A respective current mean value for a respective electrical current and for a respective model drive operating time is the mean value of the measured values of the respective electrical current, which are generated by the first learned data-driven model and the plurality of second data-driven models based on the measured values of the input variables for the respective model drive -The time of operation can be predicted. In other words, the mean current value is an averaging of the predicted measured values over the first and the second data-driven models. A model trip is to be understood as a predetermined trip with certain operating parameters during the trip, which are to be understood as values of input variables at corresponding model trip operating times.
Nach Durchführung von Schritt b) wird unter bestimmten Voraussetzungen bzw. gegebenenfalls auch immer der nachfolgende Schritt c) durchgeführt. Der nachfolgende Schritt c) wird dabei auf jeden Fall dann durchgeführt, wenn in Abhängigkeit von den im vorgegebenen Kraftfahrzeug gemessenen Messdatensätzen ein anormales Betriebsverhalten des vorgegebenen Kraftfahrzeugs und das Vorhandensein von Messfehlern bei der Messung der elektrischen Ströme im vorgegebenen Kraftfahrzeug festgestellt wird. Gemäß Schritt c) wird ein Parametervektor mittels der durch das erste gelernte datengetriebene Modell prädizierten Messwerte der jeweiligen elektrischen Ströme und der Strommittelwerte für die jeweiligen elektrischen Ströme ermittelt. Dieser Parametervektor besteht aus Parameterwerten für Parameter einer ersten Funktion und aus Parameterwerten für Parameter einer zweiten Funktion. Diese Funktionen können unterschiedlich modelliert werden, vorzugsweise wird für die erste und/oder zweite Funktion eine lineare Funktion zugrunde gelegt. Die erste Funktion bildet Stromwerte der elektrischen Ströme bei normalem Betriebsverhalten des vorgegebenen Kraftfahrzeugs auf Stromwerte der elektrischen Ströme bei anormalem Betriebsverhalten des vorgegebenen Kraftfahrzeugs ab, wohingegen die zweite Funktion Stromwerte der elektrischen Ströme bei Abwesenheit von Messfehlern auf Stromwerte der elektrischen Ströme bei Vorhandensein von Messfehlern im vorgegebenen Kraftfahrzeug abbildet. Vorzugsweise ist die erste Funktion dabei derart ausgestaltet, dass im Falle, dass die Summe der Stromwerte aller elektrischen Ströme, die durch die erste Funktion abzubilden sind, Null ist, auch die Summe der Stromwerte aller elektrischen Ströme, die aus der Abbildung mit der ersten Funktion resultieren, Null ist. Dabei macht man sich die Erkenntnis zunutze, dass die Kirchhoff'sche Knotenregel nicht durch ein anormales Betriebsverhalten (d.h. durch Hardwarefehler im vorgegebenen Kraftfahrzeug) beeinflusst wird.After step b) has been carried out, the following step c) is carried out under certain conditions or, if appropriate, also always. The following step c) is carried out in any case when an abnormal operating behavior of the given motor vehicle and the presence of measurement errors when measuring the electrical currents in the given motor vehicle are determined as a function of the measurement data records measured in the given motor vehicle. According to step c), a parameter vector is determined by means of the measured values of the respective electrical currents predicted by the first learned data-driven model and the current mean values for the respective electrical currents. This parameter vector consists of parameter values for parameters of a first function and of parameter values for parameters of a second function. These functions can be modeled differently; a linear function is preferably used as the basis for the first and / or second function. The first function maps current values of the electrical currents with normal operating behavior of the specified motor vehicle to current values of the electrical currents with abnormal operating behavior of the specified motor vehicle, whereas the second function maps current values of the electrical currents in the absence of measurement errors to current values of the electrical currents in the presence of measurement errors in the specified Depicts motor vehicle. The first function is preferably designed in such a way that in the event that the sum of the current values of all electrical currents that are to be mapped by the first function is zero, the sum of the current values of all electrical currents from the mapping with the first function is also zero result is zero. In doing so, use is made of the knowledge that Kirchhoff's knot rule is not influenced by abnormal operating behavior (i.e. by hardware errors in the specified motor vehicle).
Die Parameterwerte in Schritt c) werden mittels einer Optimierung mit dem Optimierungsziel einer minimalen Anzahl von Parameterwerten ungleich Null im Parametervektor bestimmt, wobei die Parameterwerte der Parameter der zweiten Funktion an das vorgegebene Kraftfahrzeug zur Korrektur von zukünftigen Messwerten zumindest eines Teils der elektrischen Ströme übermittelt werden.The parameter values in step c) are determined by means of an optimization with the optimization goal of a minimum number of parameter values not equal to zero in the parameter vector, the parameter values of the parameters of the second function being transmitted to the specified motor vehicle to correct future measured values of at least some of the electrical currents.
Erfindungsgemäß macht man sich die Erkenntnis zunutze, dass in einem flottenbasierten Ansatz mittels entsprechender prädizierter Messwerte und Strommittelwerte, die für eine Modellfahrt bestimmt wurden, geeignete Korrekturen für Messfehler bestimmt werden können. Diese Korrekturen spiegeln sich in den Parametern einer entsprechenden zweiten Funktion wider. Zur Korrektur wird nach Übermittlung der Parameter der zweiten Funktion an das vorgegebene Kraftfahrzeug das Inverse der zweiten Funktion im vorgegebenen Kraftfahrzeug bestimmt, wobei der Wert dieser Funktion für einen entsprechenden Messwert im vorgegebenen Kraftfahrzeug den korrigierten Messwert liefert.According to the invention, use is made of the knowledge that suitable corrections for measurement errors can be determined in a fleet-based approach by means of corresponding predicted measured values and current mean values that were determined for a model trip. These corrections are reflected in the parameters of a corresponding second function. For correction, after the parameters of the second function have been transmitted to the specified motor vehicle, the inverse of the second function in the specified motor vehicle is determined, the value of this function providing the corrected measurement value for a corresponding measured value in the specified motor vehicle.
Darüber hinaus beruht die Erfindung auf der Erkenntnis, dass entsprechende Parametervektoren nicht ohne weitere Randbedingungen eindeutig bestimmt werden können. Demzufolge wird eine geeignete Optimierung mit dem Kriterium der spärlichen Besetzung des Parametervektors genutzt. Die Optimierung kann z.B. mit dem in Dokument [2] beschriebenen Verfahren durchgeführt werden.In addition, the invention is based on the knowledge that corresponding parameter vectors cannot be clearly determined without further boundary conditions. Accordingly, a suitable optimization with the criterion of the sparse population of the parameter vector is used. The optimization can, for example, be carried out using the method described in document [2].
In einer besonders bevorzugten Ausführungsform des erfindungsgemäßen Verfahrens wird in Abhängigkeit von den im vorgegebenen Kraftfahrzeug gemessenen Messdatensätzen eine Klassifikation vor Durchführung von Schritt c) in folgende Klassen vorgenommen:
- - eine erste Klasse, gemäß der weder ein anormales Betriebsverhalten des vorgegebenen Kraftfahrzeugs vorliegt noch Messfehler für die Messwerte der elektrischen Ströme im vorgegebenen Kraftfahrzeug vorhanden sind;
- - eine zweite Klasse, gemäß der ein anormales Betriebsverhalten des vorgegebenen Kraftfahrzeugs vorliegt, jedoch keine Messfehler für die Messwerte der elektrischen Ströme im vorgegebenen Kraftfahrzeug vorhanden sind;
- - eine dritte Klasse, gemäß der kein anormales Betriebsverhalten des vorgegebenen Kraftfahrzeugs vorliegt, jedoch Messfehler für die Messwerte der elektrischen Ströme im vorgegebenen Kraftfahrzeug vorhanden sind;
- - eine vierte Klasse, gemäß der ein anormales Betriebsverhalten des vorgegebenen Kraftfahrzeugs vorliegt und Messfehler für die Messwerte der elektrischen Ströme im vorgegebenen Kraftfahrzeug vorhanden sind.
- a first class, according to which there is neither an abnormal operating behavior of the specified motor vehicle nor measurement errors for the measured values of the electrical currents in the specified motor vehicle;
- a second class, according to which there is an abnormal operating behavior of the specified motor vehicle, but no measurement errors are present for the measured values of the electrical currents in the specified motor vehicle;
- a third class, according to which there is no abnormal operating behavior of the specified motor vehicle, but measurement errors for the measured values of the electrical currents in the specified motor vehicle exist;
- a fourth class, according to which there is an abnormal operating behavior of the specified motor vehicle and measurement errors for the measured values of the electrical currents in the specified motor vehicle are present.
Im Rahmen dieser Ausführungsform wird das Verfahren abgebrochen, sofern die erste Klasse bzw. die zweite Klasse vorliegt, denn das Verfahren zielt auf die Korrektur von Messfehlern ab, die bei Einordnen in die erste und zweite Klasse nicht vorliegen.In the context of this embodiment, the method is terminated if the first class or the second class is present, because the method aims to correct measurement errors that are not present when they are classified in the first and second class.
In einer besonders bevorzugten Variante der obigen Ausführungsform beruht die Klassifikation auf ersten Merkmalen und einem zweiten Merkmal, wobei jedes erste Merkmal einem elektrischen Strom zugeordnet ist und ein Maß der betragsmäßigen Abweichung der durch das erste gelernte datengetriebene Modell prädizierten Messwerte des zugeordneten elektrischen Strom von den Strommittelwerten für die Modellfahrt-Betriebszeitpunkte ist. Demgegenüber ist das zweite Merkmal ein Maß für die Größe der für die jeweiligen Messdatensätze ermittelten Summen der Messwerte der elektrischen Ströme für den Betriebszeitpunkt des entsprechenden Messdatensatzes. Mit solchen Merkmalen lässt sich die obige Klassifikation auf einfache Weise durchführen.In a particularly preferred variant of the above embodiment, the classification is based on first features and a second feature, each first feature being assigned to an electric current and a measure of the absolute deviation of the measured values of the assigned electric current predicted by the first learned data-driven model from the average current values for the model drive operating times. In contrast, the second feature is a measure of the size of the sums of the measured values of the electrical currents determined for the respective measurement data sets for the operating time of the corresponding measurement data set. With such features, the above classification can be carried out in a simple manner.
In einer bevorzugten Ausgestaltung der soeben beschriebenen Variante wird die Klassifikation über einen Schwellwertklassifikator durchgeführt, wobei ein anormales Betriebsverhalten des vorgegebenen Kraftfahrzeugs dann vorliegt, wenn ein erster Wert, der mit zunehmender Größe der ersten Merkmale umso größer wird und mit zunehmender Größe der zweiten Merkmale umso kleiner wird, einen ersten Schwellwert überschreitet. Demgegenüber liegen Messfehler für die Messwerte der elektrischen Ströme im vorgegebenen Kraftfahrzeug dann vor, wenn ein zweiter Wert, der mit zunehmender Größe des zweiten Merkmals umso größer wird, einen zweiten Schwellwert überschreitet.In a preferred embodiment of the variant just described, the classification is carried out using a threshold value classifier, an abnormal operating behavior of the specified motor vehicle being present when a first value, which becomes larger as the size of the first features increases and the smaller as the size of the second features increases exceeds a first threshold value. In contrast, there are measurement errors for the measured values of the electrical currents in the specified motor vehicle when a second value, which becomes greater as the size of the second feature increases, exceeds a second threshold value.
Anstatt des obigen Schwellwertklassifikators kann in einer weiteren Variante der Erfindung auch ein anderer Klassifikator eingesetzt werden. Insbesondere kann die Klassifikation gegebenenfalls auch über einen maschinell gelernten Entscheidungsbaum-Klassifikator erfolgen, der mittels Trainingsdatensätzen umfassend jeweils erste Merkmale und ein zweites Merkmal sowie eine zugehörige Klasse aus der ersten bis vierten Klasse gelernt ist. Solche Entscheidungsbaum-Klassifikatoren sind hinlänglich bekannt und werden deshalb nicht weiter im Detail beschrieben.Instead of the above threshold value classifier, another classifier can also be used in a further variant of the invention. In particular, the classification can optionally also take place via a machine-learned decision tree classifier, which is learned from the first to fourth class by means of training data sets comprising first features and a second feature as well as an associated class. Such decision tree classifiers are well known and are therefore not described in further detail.
In einer weiteren, besonders bevorzugten Variante der Erfindung wird im Falle, dass die obige dritte Klasse vorliegt, anstatt des Parametervektors des Schritts c) ein gegenüber dem Parametervektor des Schritts c) reduzierter Parametervektor aus Parameterwerten für die Parameter der zweiten Funktion ermittelt. Mit anderen Worten wird in diesem Fall nicht der Schritt c), sondern ein abgewandelter Schritt durchgeführt, bei dem ein Parametervektor mit weniger Parameterwerten ermittelt wird. Dieser Parametervektor enthält nur Parameterwerte für die Parameter der zweiten Funktion und nicht für die Parameter der ersten Funktion. Die Parameterwerte können in diesem Fall über eine Regression der durch das erste datengetriebene Modell prädizierten Messwerte der elektrischen Ströme auf die Strommittelwerte für die Modellfahrt-Betriebszeitpunkte ermittelt werden. Die Parameterwerte der Parameter der zweiten Funktion werden anschließend an das vorgegebene Kraftfahrzeug zur Korrektur von zukünftigen Messwerten zumindest eines Teils der elektrischen Ströme übermittelt. Die Korrektur kann wiederum derart erfolgen, dass das Inverse der Funktion mit den entsprechenden Parameterwerten gebildet wird und über dieses Inverse ein Korrekturwert für einen entsprechenden gemessenen Stromwert bestimmt wird.In a further, particularly preferred variant of the invention, if the above third class is present, instead of the parameter vector of step c) a reduced parameter vector compared to the parameter vector of step c) is determined from parameter values for the parameters of the second function. In other words, in this case it is not step c), but a modified step in which a parameter vector with fewer parameter values is determined. This parameter vector only contains parameter values for the parameters of the second function and not for the parameters of the first function. In this case, the parameter values can be determined via a regression of the measured values of the electrical currents predicted by the first data-driven model on the mean current values for the model travel operating times. The parameter values of the parameters of the second function are then matched to the specified Motor vehicle transmitted to correct future measured values at least a portion of the electrical currents. The correction can in turn take place in such a way that the inverse of the function is formed with the corresponding parameter values and a correction value for a corresponding measured current value is determined via this inverse.
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.As explained above, the high-voltage on-board network contains at least the electrical machine and the electrical energy store. However, the high-voltage on-board network preferably also contains further electrical components. These components are in particular a heater and / or an air conditioning system and / or a converter for voltage conversion for a low-voltage vehicle electrical system, e.g. a 12 V vehicle electrical system. Each of the components mentioned can also be present several times in the high-voltage vehicle electrical system.
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.Depending on the configuration of the method according to the invention, different types of first or second data-driven models can be learned. The first data-driven model and the plurality of second data-driven models preferably each represent a neural network structure known per se, preferably a so-called LSTM network structure (LSTM = Low Short-Term Memory). An LSTM network structure enables regressive learning, which makes it easy to update the data-driven models.
In einer alternativen, besonders bevorzugten 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.In an alternative, particularly preferred variant, the first data-driven model and the plurality of second data-driven models each represent a state space model. Such data-driven models are also known from the prior art. In the detailed description, a data-driven model based on a state space model is explained in more detail.
Neben dem oben beschriebenen Verfahren betrifft die Erfindung ein System zur rechnergestützten Auswertung einer Messung von elektrischen Strömen 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 jeder elektrische Strom über den gleichen Knoten im Hochvolt-Bordnetz fließt. Dieses System ist zur Durchführung des erfindungsgemäßen Verfahrens bzw. einer oder mehrerer bevorzugter Varianten des erfindungsgemäßen Verfahrens eingerichtet.In addition to the method described above, the invention relates to a system for the computer-aided evaluation of a measurement of electrical currents in a high-voltage electrical system of a specified electrically driven motor vehicle, the high-voltage electrical system comprising a plurality of electrical components including an electrical machine for driving the specified motor vehicle and a Includes electrical energy storage for supplying electrical energy to the electrical machine, with each electrical current flowing through the same node in the high-voltage vehicle electrical system. This system is set up to carry out the method according to the invention or one or more preferred variants of the method according to the invention.
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 einer oder mehreren bevorzugter Ausführungsformen des erfindungsgemäßen Verfahrens durchgeführt werden.The invention also relates to a back-end server which is set up to work as a back-end server in the method according to the invention or one or more preferred variants of the method according to the invention. In other words, the back-end server contains means for carrying out those method steps that are carried out by it in the method according to the invention or in one or more preferred embodiments of the method according to the invention.
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.The invention also relates to an electrically driven motor vehicle, the motor vehicle being set up to operate as a specified motor vehicle in the method according to the invention or in one or more preferred embodiments of the method according to the invention. In other words, the motor vehicle contains means to carry out the steps carried out by the specified motor vehicle in the method according to the invention or in one or more preferred variants of the method according to the invention.
Ein Ausführungsbeispiel der Erfindung wird nachfolgend anhand der beigefügten Figuren detailliert beschrieben.An exemplary embodiment of the invention is described in detail below with reference to the accompanying figures.
Es zeigen:
-
1 eine schematische Darstellung eines Hochvolt-Bordnetzes in einem elektrisch angetriebenen Kraftfahrzeug, wobei für dieses Bordnetz eine Variante des erfindungsgemäßen Verfahrens verwendet wird; -
2 eine schematische Darstellung, mittels der der Ablauf einer Variante des erfindungsgemäßen Verfahrens verdeutlicht wird; und -
3 ein Diagramm, das die Berücksichtigung der Kirchhoff'schen Knotenregel für einen Klassifikator erläutert, der in einer Ausführungsform des erfindungsgemäßen Verfahrens zum Einsatz kommt.
-
1 a schematic representation of a high-voltage electrical system in an electrically driven motor vehicle, a variant of the method according to the invention being used for this electrical system; -
2 a schematic representation by means of which the sequence of a variant of the method according to the invention is clarified; and -
3 a diagram which explains the consideration of Kirchhoff's knot rule for a classifier which is used in an embodiment of the method according to the invention.
Nachfolgend wird eine Ausführungsform des erfindungsgemäßen Verfahrens für ein Hochvolt-Bordnetz beschrieben, das schematisch in
Ferner sind mehrere elektrische Verbraucher Bestandteil des Hochvolt-Bordnetzes
Bei einer Fahrt des vorgegebenen Kraftfahrzeugs
Aus den erfassten Messwerten der Eingangsgrößen und der entsprechend auftretenden Ströme ergibt sich eine Vielzahl von Messdatensätzen zu jeweiligen Betriebszeitpunkten. Diese Messdatensätze sind in
Als Ergebnis des Lernens
In einem Schritt
Ein entsprechender Strommittelwert kann als eine Approximation der sog. „Ground Truth“ betrachtet werden, welche die tatsächlich auftretenden Stromwerte für die Modellfahrt eines perfekten Kraftfahrzeugs wiedergibt, d.h. eines Kraftfahrzeugs, bei dem weder Messfehler bei der Messung der Ströme noch Hardwarefehler auftreten. Es wird dabei angenommen, dass sich diese Fehler bei einer Durchschnittsbildung über eine Vielzahl von Fahrzeugen herausmitteln. Hardwarefehler resultieren aus einer fehlerhaften Funktion von einer oder mehreren Hardware-Komponenten im entsprechenden Kraftfahrzeug. Solche Fehler führen dazu, dass das Betriebsverhalten des Kraftfahrzeugs vom normalen Betriebsverhalten abweicht (d.h. es liegt ein anormales Betriebsverhalten vor).A corresponding mean current value can be regarded as an approximation of the so-called "ground truth", which reflects the current values that actually occur for the model drive of a perfect motor vehicle, i.e. a motor vehicle in which neither measurement errors in the measurement of the currents nor hardware errors occur. It is assumed here that these errors are averaged out when averaging over a large number of vehicles. Hardware errors result from a faulty function of one or more hardware components in the corresponding motor vehicle. Such errors result in the operating behavior of the motor vehicle deviating from the normal operating behavior (i.e. there is an abnormal operating behavior).
Die für die Modellfahrt-Betriebszeitpunkte erhaltenen Strommittelwerte
- - die Klasse
CL1 , gemäß der weder Hardwarefehler noch Messfehler für die Messwerte der elektrischen Ströme im vorgegebenen Kraftfahrzeug vorliegen; - - eine Klasse
CL2 , gemäß der Hardwarefehler im vorgegebenen Kraftfahrzeug vorliegen, jedoch keine Messfehler für die Messwerte der elektrischen Ströme im vorgegebenen Kraftfahrzeug aufgetreten sind; - - eine Klasse
CL3 , gemäß der keine Hardwarefehler im vorgegebenen Kraftfahrzeug vorliegen, jedoch Messfehler für die Messwerte der elektrischen Ströme im vorgegebenen Kraftfahrzeug aufgetreten sind; - - eine Klasse
CL4 , gemäß der Hardwarefehler im vorgegebenen Kraftfahrzeug aufgetreten sind und ferner auch Messfehler für die Messwerte der elektrischen Ströme im vorgegebenen Kraftfahrzeug vorhanden sind.
- - the class
CL1 , according to which there are neither hardware errors nor measurement errors for the measured values of the electrical currents in the specified motor vehicle; - - a class
CL2 , according to which there are hardware errors in the specified motor vehicle, but no measurement errors have occurred for the measured values of the electrical currents in the specified motor vehicle; - - a class
CL3 , according to which there are no hardware errors in the specified motor vehicle, but measurement errors have occurred for the measured values of the electrical currents in the specified motor vehicle; - - a class
CL4 , according to which hardware errors have occurred in the specified motor vehicle and, furthermore, measurement errors are also present for the measured values of the electrical currents in the specified motor vehicle.
Erfolgt eine Klassifikation bzw. Einordnung in die Klasse
Im Unterschied zur Funktion
Nach Bestimmen des Parametervektors
Wird gemäß der Klassifikation in Schritt
Im Folgenden wird im Detail das anhand von
Während der Fahrt des vorgegebenen Kraftfahrzeugs ergeben sich die gemessenen Ströme {im(t)}i≤t≤T aus den Messdatensätzen
Zur Lösung des obigen Problems wird deshalb zunächst die ideale Ground Truth
Im Folgenden wird zunächst die Abschätzung der idealen Ground Truth
Hardwarefehler (z.B. ein platter Reifen) führen in der Regel dazu, dass das Kraftfahrzeug ein anormales dynamisches Betriebsverhalten zeigt, das von dem Betriebsverhalten eines perfekten Fahrzeugs abweicht. Dies hat zur Folge, dass sich der Strom
Andererseits wird durch Messfehler (z.B. Sensor-Offsets bzw. Sensor-Drifts) eine zweite Abweichung zwischen im und i verursacht. Im Unterschied zu Hardwarefehlern führt diese Abweichung meist zu einer Änderung der Summe der gemessenen Ströme, so dass allgemein 1Tim ≠ 0 gilt. Insgesamt kann die Abweichung von gemessenen Stromwerten von den Stromwerten eines perfekten Kraftfahrzeugs wie folgt beschrieben werden:
Im hier beschriebenen Verfahren wird nunmehr ein erstes datengetriebenes Modell für das vorgegebene Kraftfahrzeug
Im Rahmen des Lernern des Zustandsraummodells werden Systemmatrizen Aj, Bj, Cj und Dj mit Zustandsvektor x, Eingangsvektor u aus obigen Eingangsgrößen
Dabei gilt:
- x0 = x(0) (beliebige Initialisierung) und u(t) = uud(t), t ∈ {1,2, ...,Tud} (d.h. t bezeichnet einen Modellfahrt-Betriebszeitpunkt).
- x 0 = x (0) (arbitrary initialization) and u (t) = u ud (t), t ∈ {1,2, ..., T ud } (ie t denotes a model travel operating time).
Unter Verwendung der Bezeichnung is(t) für den Stromwert eines perfekten Fahrzeugs zum Zeitpunkt t bei der Modellfahrt
- Annahme 1: Für ein ausreichend großes N und in jedem Zeitschritt t kann is(t) genau durch den Mittelwert der simulierten bzw. prädizierten Ströme
- Assumption 1: For a sufficiently large N and in each time step t, i s (t) can be calculated precisely through the mean value of the simulated or predicted currents
Diese Annahme beruht auf der Beobachtung
Im Folgenden wird nunmehr auf das vorgegebene Kraftfahrzeug
Gemäß den obigen Berechnungen wurde eine Abschätzung für
Um die Komplexität des Verfahrens zu reduzieren, wird in der hier beschriebenen Ausführungsform eine Klassifikation verwendet, die dem Schritt
Im Folgenden wird zunächst die durchgeführte Klassifikation erläutert. Die Klassifikation basiert auf K + 1 Merkmalen f1,f2, ...,fK+1. Dabei wird angenommen, dass die absolute Abweichung zwischen
Dabei gilt: 1 ≤ k ≤ K. Die Größe entspricht dem Erwartungswert.The following applies: 1 ≤ k ≤ K. The size corresponds to the expected value.
Darüber hinaus wird das (k + 1)-te Merkmal, das einem zweiten Merkmal im Sinne der Patentansprüche entspricht, als ein Maß für die Signifikanz von Messfehlern im vorgegebenen Kraftfahrzeug definiert. Da Messfehler zu einem Stromvektor
Hierfür sind die ursprünglichen gemessenen Ströme
Im Folgenden werden die ersten Merkmale und das zweite Merkmal durch den Vektor
Mit anderen Worten liegt gemäß obiger Gleichung (7) ein Hardwarefehler vor, wenn die Größe ηj den geeignet gewählten Schwellwert δh überschreitet. Für eine intuitive Erklärung kann das obige Kriterium wie folgt umgeschrieben werden:
Dabei wurde die obige Formel (5) in das Kriterium gemäß Gleichung (7) eingesetzt. Die Größe ΠH ist der Projektionsoperator auf die Hyperfläche
Der obige Zusammenhang ist nochmals in dem Diagramm der
Mit dem Wissen, dass ij die Kirchhoff'sche Knotenregel erfüllt (d.h. ij ∈ H), kann der Vektor
Im Vorangegangenen wurde die Klassifikation für das Vorliegen von Hardwarefehlern beschrieben. In gleicher Weise kann mit einem entsprechenden Schwellwert auch eine Klassifikation dahingehend vorgenommen werden, ob ein Messfehler vorliegt. Hierzu kann ein Schwellwert für das zweite Merkmal
Anstatt des obigen Schwellwertklassifikators kann in einer abgewandelten Ausführungsform für das vorgegebene Kraftfahrzeug auch ein an sich bekannter Entscheidungsbaum-Klassifikator genutzt werden. Dieser Entscheidungsbaum-Klassifikator ist vorab basierend auf geeigneten Trainingsdaten in der Form von Merkmalsvektoren fj mit der zugehörigen Information, zu welcher Klasse der jeweilige Merkmalsvektor gehört, gelernt. Entscheidungsbaum-Klassifikatoren sowie entsprechende Lernverfahren für diese Klassifikatoren sind an sich bekannt und werden deshalb nicht weiter im Detail beschrieben.Instead of the above threshold value classifier, a known decision tree classifier can also be used in a modified embodiment for the specified motor vehicle. This decision tree classifier is learned in advance on the basis of suitable training data in the form of feature vectors f j with the associated information as to which class the respective feature vector belongs to. Decision tree classifiers and corresponding learning methods for these classifiers are known per se and are therefore not described in further detail.
Insgesamt ergeben sich aus der obigen Klassifikation die folgenden Klassen bzw. Fälle:
- - Klasse 1: Es werden weder Hardwarefehler noch Messwertfehler detektiert. In diesem Fall liegt ein nahezu perfektes Fahrzeug vor, so dass das Verfahren abgebrochen wird.
- - Klasse 2: Es werden nur Hardwarefehler detektiert. Auch in diesem Fall wird das Verfahren abgebrochen, da erfindungsgemäß nur Messfehler korrigiert werden sollen.
- - Klasse 3: Nur Messfehler werden detektiert. In diesem Fall kann auf einfache Weise eine Korrekturabbildung
- - Klasse 4: Es liegen sowohl Hardwarefehler als auch Messfehler vor, d.h. die Abweichung zwischen
- - Class 1: Neither hardware errors nor measured value errors are detected. In this case, the vehicle is almost perfect, so the method is terminated.
- - Class 2: Only hardware errors are detected. The method is also terminated in this case, since according to the invention only measurement errors are to be corrected.
- - Class 3: Only measurement errors are detected. In this case, a correction image can easily be made
- - Class 4: There are both hardware errors and measurement errors, ie the deviation between
Die obigen Klassen 1 bis 4 sind in
Diese Funktion entspricht der ersten Funktion im Sinne der Patentansprüche bzw. der Funktion
Dabei ist dh ∈ ℝ ein Drift-Skalar und oh ∈ H ist ein Offset-Vektor. Es kann Folgendes abgeleitet werden:
Auf ähnliche Weise können Messfehler als lineare Abbildung bzw. Funktion
Dabei ist I die Identitätsmatrix,
Aus den obigen Gleichungen (11) und (12) ergibt sich folgender Zusammenhang:
Allgemein können die Parameter (insbesondere Dm und om) nicht aus den Tupeln in der Form (im,
Wurde eine Klassifikation bzw. Einordnung in die Klasse 3 vorgenommen, liegen keine Hardwarefehler vor, so dass die obigen Parameter dh und oh auf 0 gesetzt werden können. Hieraus ergibt sich aus der Gleichung (13) der Zusammenhang im = (I + Dm)is + om. Die Parameter Dm und om können in diesem Fall auf einfache Weise durch eine lineare Regression der prädizierten Stromwerte isim(t) auf die Strommittelwerte is(t) bestimmt werden. Mit anderen Worten werden insgesamt K Regressionen ausgeführt, wobei für jedes k eine Regression der Werte isim,k(t) auf die Werte im,k(t) durchgeführt wird. Der durch die Parameter Dm und om gebildete Vektor entspricht in
Liegt die obige Klasse 4 vor, ist das Problem ohne weiteres Wissen nicht eindeutig lösbar. Falls beispielsweise der Vektor (dh, oh, Dm, om) die obige Gleichung (13) erfüllt, dann gilt dies auch für den Vektor (dh, oh + e, Dm, om - (I + Dm)e), solange e E ℌ gilt. Der obige Vektor (dh, oh, Dm, om) entspricht in
Annahme 2: Der Vektor x, der alle Parameter (dh, oh, Dm, om) enthält, ist ein spärlich besetzter Vektor, d.h. ein Vektor, der nur wenige Parameterwerte enthält, die ungleich 0 sind.Assumption 2: The vector x, which contains all parameters (d h , o h , D m , o m ), is a sparsely populated vector, ie a vector that contains only a few parameter values that are not equal to 0.
Diese Annahme beruht auf der Erkenntnis, dass es sehr unwahrscheinlich ist, dass in einem Kraftfahrzeug alle oder zumindest viele Fehlerquellen gleichzeitig vorhanden sind. Das Vorhandensein von allen Fehlerquellen zur gleichen Zeit würde bedeuten, dass alle K Sensoren, die zur Strommessung genutzt werden, Offset- oder Drift-Fehler oder beides aufweisen. Ferner würden K Ströme ausnahmslos durch Hardwarefehler betroffen sein. Die Annahme, dass in dem gleichen Fahrzeug zu einem Zeitpunkt nur relativ wenige Fehlerquellen vorliegen, ist somit plausibel.This assumption is based on the knowledge that it is very unlikely that all or at least many sources of error are present in a motor vehicle at the same time. The presence of all sources of error at the same time would mean that all K sensors that are used for current measurement have offset or drift errors or both. Furthermore, K streams would be affected by hardware errors without exception. The assumption that there are only relatively few sources of error in the same vehicle at one point in time is therefore plausible.
Mittels der obigen Annahme kann der Parametervektor x, der dem Parametervektor
Dabei bezeichnen ak bzw. bk Abschätzungen für die Steigung bzw. den Achsabschnitt.Here, a k and b k denote estimates for the slope or the intercept.
Diese Abschätzungen werden durch die Regression von (isim,k(1), ..., isim,k(Tud))T auf (ĩs,k(1), ..., hs,k(Tud))T erhalten. Basierend auf den Definitionen y = (a1, ..., aK, f, b1, ..., bK)T und x̃ = (dh, oh,1 ..., oh,K, dm,1, ..., dm,K, om,1, ..., 0m,K, 1)T ∈ ℝ3K+2 kann jeder der geschätzten Terme in eine quadratische Form x̃TQx̃ von x̃ gebracht werden, beispielsweise in folgende Form:
Dabei bezeichnet die Notation e3K+2 den kanonischen Vektor in Bezug auf 3K+2. Auf ähnliche Weise erhält man (1 + dm,k)oh,k + om,k = x̃TQK+kx̃ und kann somit Gleichung (14) wie folgt schreiben:
Schließlich wird der Parametervektor x (bzw. x̃) durch die Lösung des folgenden Optimierungsproblems erhalten:
Dabei bezeichnet ∈ einen Fehlerschwellwert. Die Beschränkung x̃T e3K+2 = 1 stellt sicher, dass das letzte Element von x̃ den Wert 1 annimmt. Die Bedingung
Als Gesamtergebnis erhält man somit für die Klassifikationen in Klasse 3 und in Klasse 4 entsprechende Parametervektoren, die dann von dem Backend-Server
In einer modifizierten Ausführungsform wird die obige Klassifikation weggelassen. Stattdessen wird der Algorithmus für Klasse 4, der den Parametervektor (dh, oh, Dm, om) bestimmt, immer ausgeführt. Mit anderen Worten kann die obige Optimierung basierend auf Gleichung (17) immer durchgeführt werden, und zwar unabhängig davon, ob Hardwarefehler vorliegen oder nicht. Ohne Hardwarefehler liefert die Optimierung dann das Ergebnis, dass die Größen dh und oh im Wesentlichen den Wert Null annehmen. Nichtdestotrotz wird das Ergebnis verbessert, wenn obige Klassifizierung durchgeführt wird.In a modified embodiment, the above classification is omitted. Instead, the algorithm for class 4, which determines the parameter vector (d h , o h , D m , o m ), is always executed. In other words, the above optimization based on equation (17) can always be carried out, regardless of whether there are hardware errors or not. Without hardware errors, the optimization then delivers the result that the quantities d h and o h essentially assume the value zero. Nevertheless, the result is improved when the above classification is carried out.
Die Erfinder haben das oben beschriebene Verfahren anhand geeigneter Messdaten getestet. Es hat sich gezeigt, dass das Verfahren die entsprechenden Parametervektoren zuverlässig bestimmt und sich somit sehr gut zur Korrektur von Messfehlern entsprechender Stromwerte in einem Kraftfahrzeug eignet.The inventors tested the method described above using suitable measurement data. It has been shown that the method reliably determines the corresponding parameter vectors and is therefore very well suited for correcting measurement errors of corresponding current values in a motor vehicle.
Die im Vorangegangenen beschriebenen Ausführungsformen der Erfindung weisen 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 von Stromwerten in einem Hochvolt-Bordnetz zu identifizieren. Darüber hinaus werden geeignete Parameterwerte ermittelt, die dann im jeweiligen Kraftfahrzeug zur Korrektur von Messfehlern für die entsprechenden Strommesswerte genutzt werden können.The embodiments of the invention described above have a number of advantages. In particular, using a fleet-based approach, the learned data-driven models of several motor vehicles can be compared with one another in order to identify irregularities in the measurement of current values in a high-voltage electrical system. In addition, suitable parameter values are determined which can then be used in the respective motor vehicle to correct measurement errors for the corresponding measured current values.
BezugszeichenlisteList of reference symbols
- BNBN
- Hochvolt-BordnetzHigh-voltage electrical system
- HVBHVB
- Hochvolt-BatterieHigh-voltage battery
- EMEM
- elektrische Maschineelectric machine
- HEHE
- Heizungheater
- COCO
- Klimaanlageair conditioning
- ININ
- UmrichterConverter
- i1, i2, ..., i5i1, i2, ..., i5
- elektrische Strömeelectrical currents
- MO, MO'MO, MO '
- datengetriebene Modelledata-driven models
- VE, VE'VE, VE '
- KraftfahrzeugeMotor vehicles
- LELE
- LernverfahrenLearning process
- MDMD
- MessdatensätzeMeasurement datasets
- MUDMUD
- ModellfahrtmessreiheModel run measurement series
- UDUD
- ModellfahrtModel ride
- u1, u2, u3u1, u2, u3
- EingangsgrößenInput variables
- isis
- StrommittelwerteCurrent mean values
- CL1, CL2, CL3, CL4CL1, CL2, CL3, CL4
- KlassenClasses
- f1, f2f1, f2
- FunktionenFunctions
- PV, PV'PV, PV '
- ParametervektorenParameter vectors
- pw1, pw2, pw'pw1, pw2, pw '
- ParameterwerteParameter values
- S1, S2S1, S2
- Schrittesteps
- SESE
- Backend-ServerBackend server
- HH
-
Hyperebene
- HE, MEHE, ME
- Verschiebungen von StromvektorenDisplacements of current vectors
Literaturverzeichnisbibliography
-
[1]
Pfeiffer, J.; Wolf, P.; Pereira, R. A Fleet-Based Machine Learning Approach for Automatic Detection of Deviations between Measurements and Reality. 2019 IEEE Intelligent Vehicles Symposium (IV); IEEE Paris, France, 2019; Seiten 2086-2092 Pfeiffer, J .; Wolf, P .; Pereira, R. A Fleet-Based Machine Learning Approach for Automatic Detection of Deviations between Measurements and Reality. 2019 IEEE Intelligent Vehicles Symposium (IV); IEEE Paris, France, 2019; Pages 2086-2092 -
[2]
Ohlsson, H.; Yang, A.Y.; Dong, R.; Verhaegen, M.; Sastry, S.S. Quadratic Basis Pursuit. arXiv: 1301.7002 [cs, math, stat] 2013.arXiv: 1301.7002 Ohlsson, H .; Yang, AY; Dong, R .; Verhaegen, M .; Sastry, SS Quadratic Basis Pursuit. arXiv: 1301.7002 [cs, math, stat] 2013.arXiv: 1301.7002
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 Nicht-PatentliteraturNon-patent literature cited
- Pfeiffer, J.; Wolf, P.; Pereira, R. A Fleet-Based Machine Learning Approach for Automatic Detection of Deviations between Measurements and Reality. 2019 IEEE Intelligent Vehicles Symposium (IV); IEEE Paris, France, 2019; Seiten 2086-2092 [0088]Pfeiffer, J .; Wolf, P .; Pereira, R. A Fleet-Based Machine Learning Approach for Automatic Detection of Deviations between Measurements and Reality. 2019 IEEE Intelligent Vehicles Symposium (IV); IEEE Paris, France, 2019; Pages 2086-2092 [0088]
- Ohlsson, H.; Yang, A.Y.; Dong, R.; Verhaegen, M.; Sastry, S.S. Quadratic Basis Pursuit. arXiv: 1301.7002 [cs, math, stat] 2013.arXiv: 1301.7002 [0088]Ohlsson, H .; Yang, A.Y .; Dong, R .; Verhaegen, M .; Sastry, S.S. Quadratic base pursuit. arXiv: 1301.7002 [cs, math, stat] 2013.arXiv: 1301.7002 [0088]
Claims (14)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019135022.0A DE102019135022A1 (en) | 2019-12-18 | 2019-12-18 | Method for the computer-aided evaluation of measurements of electrical currents in a high-voltage electrical system of a given electrically powered motor vehicle |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102019135022.0A DE102019135022A1 (en) | 2019-12-18 | 2019-12-18 | Method for the computer-aided evaluation of measurements of electrical currents in a high-voltage electrical system of a given electrically powered motor vehicle |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102019135022A1 true DE102019135022A1 (en) | 2021-06-24 |
Family
ID=76205729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102019135022.0A Pending DE102019135022A1 (en) | 2019-12-18 | 2019-12-18 | Method for the computer-aided evaluation of measurements of electrical currents in a high-voltage electrical system of a given electrically powered motor vehicle |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102019135022A1 (en) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10235525A1 (en) * | 2001-09-10 | 2003-04-10 | Daimler Chrysler Ag | Monitoring of the state of a motor vehicle using machine learning and data mining technology to generate component models that are then used to monitor components, predict failure, etc., such analysis being useful for repair, etc. |
CN109784560A (en) * | 2019-01-15 | 2019-05-21 | 深圳四海万联科技有限公司 | A kind of electric car course continuation mileage evaluation method and estimating system |
DE102018132658A1 (en) * | 2018-12-18 | 2020-06-18 | Bayerische Motoren Werke Aktiengesellschaft | Method for computer-aided evaluation of a measurement of an electrical variable in a high-voltage electrical system of a predetermined electrically driven motor vehicle |
-
2019
- 2019-12-18 DE DE102019135022.0A patent/DE102019135022A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10235525A1 (en) * | 2001-09-10 | 2003-04-10 | Daimler Chrysler Ag | Monitoring of the state of a motor vehicle using machine learning and data mining technology to generate component models that are then used to monitor components, predict failure, etc., such analysis being useful for repair, etc. |
DE102018132658A1 (en) * | 2018-12-18 | 2020-06-18 | Bayerische Motoren Werke Aktiengesellschaft | Method for computer-aided evaluation of a measurement of an electrical variable in a high-voltage electrical system of a predetermined electrically driven motor vehicle |
CN109784560A (en) * | 2019-01-15 | 2019-05-21 | 深圳四海万联科技有限公司 | A kind of electric car course continuation mileage evaluation method and estimating system |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102008050022B4 (en) | Dynamically adaptive method for determining the state of charge of a battery | |
DE102019115356B4 (en) | PROCEDURE FOR VEHICLE FAULT ROOT CAUSE DIAGNOSIS | |
DE102019124018A1 (en) | Method for optimizing tests of control systems for automated vehicle dynamics systems | |
DE102020103369A1 (en) | Model aggregation device and model aggregation system | |
DE102016216945A1 (en) | A method and apparatus for performing a function based on a model value of a data-based function model based on a model validity indication | |
DE102021100149A1 (en) | Computer-implemented method for providing a test history of traffic scenarios to be tested | |
DE102018103113A1 (en) | Method for operating a hybrid system for a vehicle | |
DE102013018405A1 (en) | Determination of the condition of a battery characteristic estimation parameters | |
DE102018132658A1 (en) | Method for computer-aided evaluation of a measurement of an electrical variable in a high-voltage electrical system of a predetermined electrically driven motor vehicle | |
DE102019126245A1 (en) | System and method for determining the functional status and / or health status of an electric battery | |
DE102016213175A1 (en) | Fuel cell stack diagnostic system and diagnostic method thereof | |
EP3460727A1 (en) | Method for examining a functional behaviour of a technical system and evaluation unit | |
DE102020116218A1 (en) | Method and device for operating a technical system | |
DE102020107001A1 (en) | Method and device for determining the status of an on-board electrical system of a vehicle | |
DE102013206291A1 (en) | Method and apparatus for creating a non-parametric, data-based function model | |
DE102019135022A1 (en) | Method for the computer-aided evaluation of measurements of electrical currents in a high-voltage electrical system of a given electrically powered motor vehicle | |
WO2020192827A1 (en) | Method and device for the probabilistic prediction of sensor data | |
EP3356834B1 (en) | Method for determining parameters of an electrochemical energy store in a computer-aided manner | |
DE102014216378A1 (en) | Method for the diagnosis of a cell network | |
DE102013206274A1 (en) | Method and apparatus for adapting a non-parametric function model | |
DE102013206285A1 (en) | Method and apparatus for creating a non-parametric, data-based function model | |
DE10332202A1 (en) | Bayesian network based expert system e.g. for diagnosis, risk analysis and functional restoring for vehicles, has each functional component having behavior variable, and control variables from variable mode | |
DE102018112718A1 (en) | A method of enhancing the performance of a vehicle system having a neural network for controlling a vehicle component | |
EP3698103A1 (en) | Estimating the measurement accuracy of different sensors for the same measurand | |
DE102017218922A1 (en) | Method and device for data collection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified |