DE102019215530A1

DE102019215530A1 - System und Verfahren zum Betrieb eines Antriebsstrangs

Info

Publication number: DE102019215530A1
Application number: DE102019215530.8A
Authority: DE
Inventors: Johannes Hofstetter; Mattia Perugini; Stefan Rohrer; Stefan Grubwinkler
Original assignee: Vitesco Technologies GmbH
Current assignee: Vitesco Technologies GmbH
Priority date: 2019-10-10
Filing date: 2019-10-10
Publication date: 2021-04-15
Also published as: US20240092340A1; WO2021069118A1; KR102637822B1; CN114466757A; EP4041584A1; KR20220079924A

Abstract

Ein Verfahren und eine Vorrichtung zum Betreiben eines Fahrzeugs, das einen Verbrennungsmotor, einen Elektromotor und einen elektrisch beheizbaren Katalysator aufweist, werden offenbart. Entsprechend der offenbarten Ausführungsformen ist es vorteilhaft, zeitgleich den Energieverbrauch und die Emissionen zu evaluieren, die auf das Erhöhen oder Verringern von Katalysatorheizaktionen zurückzuführen sind und die auf das Erhöhen oder Verringern des Elektromotordrehmoments zurückzuführen sind, auf Basis eines Betriebsmodells und zur Bestimmung eines Betriebsmodus für den Verbrennungsmotor, den Elektromotor und den elektrisch beheizbaren Katalysator, unter Verwendung des Betriebsmodells .

Description

Die Erfindung bezieht sich auf eine Art, einen Antriebsstrang zu betreiben, der einen Verbrennungsmotor aufweist, und insbesondere auf eine Strategie des Energie- und Emissionsmanagement, die für Fahrzeuge mit einem elektrisch beheizbaren Katalysator von Vorteil ist. Die vorliegende Erfindung verbessert Systeme mit einer Kombination von Antriebsquellen (Elektromotor EM, Verbrennungsmotor ICE) und Emissions reduzierenden Bauteilen, insbesondere einem elektrisch beheizbaren Katalysator (Electrically Heatable Catalyst, EHC). Die Optimierung der unterschiedlichen Freiheitsgrade eines solchen Systems kann den Kraftstoffverbrauch reduzieren oder die Kraftstoffeffizienz erhöhen, während gleichzeitig Emissionsgrenzwerte eingehalten werden.
Die Elektrisierung von Antriebssträngen ist wichtig, um den Kraftstoffverbrauch zu reduzieren und immer strengere Schadstoffemissionsgrenzwerte einzuhalten. Diese Ziele müssen auch unter realen Fahrbedingungen erreicht werden.
Eine verbesserte Betriebsstrategie für Hybridelektrofahrzeuge (Hybrid Electrical Vehicle, HEV) muss Parameter berücksichtigen, die sich auf den Verbrennungsmotor (ICE), den Elektromotor (EM) und die für einen elektrisch beheizbaren Katalysator (EHC) nötige Energie beziehen. Eine solche Strategie muss die Drehmomentaufteilung zwischen dem Verbrennungsmotor und dem Elektromotor, sowie die elektrische Leistung des elektrisch beheizbaren Katalysator usw. regeln. Dadurch kann der Energieverbrauch von Hybridfahrzeugen, verglichen mit konventionellen Antriebssträngen, erheblich reduziert werden.
Hybridelektrofahrzeuge (HEVs) bestehen in der Regel aus einer Traktionsbatterie (oder Hochspannungsbatterie), die als ein elektrischer Energiespeicher fungiert und Leistung für einen elektrischen Antrieb oder Traktionsmotor oder -maschine zum Vortrieb bereitstellt. Solch eine Hochspannungsbatterie kann 800 V oder 400 V oder 48 V liefern. Ein elektrische Energiespeicher, wie zum Beispiel eine Batterie, ermöglicht zusammen mit dem Elektromotor die Rekuperation von kinetischer Energie, die Lastpunktanpassung des Verbrennungsmotors, die Drehmomentunterstützung und Boosting.
Die Hybridisierung von Fahrzeugen kann zudem auch e robustes Energiemanagement ermöglichen, um unabhängig von den Fahrbedingungen Emissionen innerhalb der gesetzlichen Grenzwerte zu halten. Zum Beispiel kann bei Fahrten mit geringer Lastanforderung und bei kurzen Distanzen, bei denen der Wärmeeintrag durch den Verbrennungsmotor niedrig ist, die Abgastemperatur durch Wärme von einem elektrisch beheizbaren Katalysator erhöht oder verstärkt werden. Alternativ kann die Last des Verbrennungsmotor durch ein Bremsmoment des Elektromotors erhöht werden. Dies reduziert wiederum die Zeit bis die Light-Off Temperatur des Katalysators erreich ist und erhöht somit die Schadstoffkonversionseffizienz des Katalysators. Somit wird in Antizipation eines erwartenden Absinkens der Temperatur des Katalysators eines Fahrzeugs unter einen bestimmten Schwellwert, dem elektrisch beheizbaren Katalysator elektrische Leistung zugeführt. Alternativ oder gleichzeitig kann, mit einer erwarteten Verringerung der Temperatur eines Katalysators eines Fahrzeugs unter einen Schwellenwert, das Bremsmoment des Elektromotors erhöht werden.
In einer Hochlastphase oder wenn die Abgastemperaturen hoch sind, kann ein Katalysator seinen optimalen Temperaturbereich überschreiten. Dies führt zu niedrigen Konvertierungsraten. In solchen Situationen kann die Last des Verbrennungsmotors durch Drehmomentunterstützung vom Elektromotor reduziert werden, was den Massenfluss des unbehandelten Abgases verringert und die Temperatur des Katalysators reduziert. Bei der Last kann es sich um eine aktuelle Last oder um eine erwartete Last basierend auf prädiktiven Daten handeln.. Somit kann mit einem erwarteten Temperaturanstieg eines Katalysators eines Fahrzeugs über einen Schwellenwert oder mit dessen Prädiktion, das Drehmoment des Elektromotors erhöht werden.
Stets sind die Ziele und Nebenbedingungen Folgende, durch den Fahrer angeforderten Drehmoments bereitzustellen, den Batterieladezustand (SoC) innerhalb vorgeschriebener Grenzwerte zu halten und reglementierte Emissionen sowie deren prädizierte Werte , wie zum Beispiel NOx, innerhalb gesetzlicher Grenzwerte zu halten. Eine Betriebsstrategie des Fahrzeugs kann verwendet werden, um die Betriebsmodi der Komponenten entsprechend einem Optimierungsziel zu optimieren.
Die nötige Betriebsstrategie kann als eine Strategie für die mehreren Freiheitsgrade dargestellt werden, die miteinander interagieren, um den Kraftstoffverbrauch und die Emissionen zu beeinflussen:

a) die Drehmomentaufteilung zwischen dem Verbrennungsmotor und dem Elektromotor;
b) die elektrische Leistung für den elektrisch beheizbaren Katalysator;
c) der Verbrennungsmodus des Verbrennungsmotors;
d) die Wahl des Gangs, Gangwechsel; und
e) Komfortfunktionen, wie zum Beispiel das Heizen und die Klimatisierung.

Die Betriebsstrategie kann unter Verwendung verschiedener Techniken der künstlichen Intelligenz umgesetzt werden. Eine solche Technik ist Reinforcement Learning (RL). Die Betriebsstrategie kann unter Verwendung einer Lern- oder Trainingsphase, gefolgt von einer Testphase, entwickelt werden. Eine Testphase kann notwendig sein, um sicherzustellen, dass die Betriebsstrategie, so wie sie trainiert und implementiert wurde, die vorgeschriebenen Emissionsanforderungen erfüllt. Das Erlernen oder Anpassen von Parametern während des normalen Betriebs kann möglich sein oder nicht.
Durch geeignete Regelung der unterschiedlichen Freiheitsgrade kann eine Betriebsstrategie sowohl den Kraftstoffverbrauch als auch die Emissionen minimieren, wie nachstehend dargestellt ist.
Figurenliste

Die 1 zeigt das Layout einer HEV-Architektur, die ein Abgasnachbehandlungssystem beinhaltet;
die 2 zeigt eine Ausbildungsform des reinforcement learning;
die 3 zeigt die Schritte des Training, Test, Betrieb; und
die 4 zeigt die Schritte des Steuerns der Freiheitsgrade.

In der werden die Hauptelemente einer Ausführungsform eines Hybridfahrzeugs, wie zum Beispiel 100, gezeigt. Die Verbindungen sind mechanische 101, elektrische 102 Flüsse sowie Kraftstoffstrom 103 und Abgasmassenstrom 104. Der elektrisch beheizbare Katalysator (EHC) 110 ist im Abgasnachbehandlungssystem vor dem Dieseloxidationskatalysator (DOC) 111 angeordenet. Das Abgas gelangt dann zum selektiven katalytischen Reduktionskatalysator 112 Der Kraftstoff gelangt über eine Kraftstoffzufuhr 121 zum Verbrennungsmotor 120. Der Verbrennungsmotor und ein Elektromotor 130 sind in dieser Ausführungsform mechanisch über einen Riemen 135 verbunden. Elektrische Leistung zum oder vom Elektromotor 130 kann zur Batterie 135, dem elektrisch beheizbaren Katalysator 110 und anderen Zusatzlasten, die als 136 gezeigt werden, fließen. Die mechanische Leistung des Verbrennungsmotor und/oder des Elektromotor wird über eine Kupplung 140 und ein Getriebe 145 an die Räder 150 verteilt.
zeigt die Hauptelemente eines Reinforcement Learning Systems 200. Ein RL-Agent 230 stellt einen Aktionsvektor at 210 gegenüber der Umgebung 240 bereit. Die Umgebung kann eine reale physische Umgebung sein, wie zum Beispiel ein Hybridfahrzeug, oder sie kann eine Simulationsumgebung sein, in der die Hauptelemente eines Hybridfahrzeugs durch eine Software modelliert sind. Die Umgebung nimmt den Aktionsvektor als Eingabe. Anschließend geht die Umgebung in einen neue Zustand über woraus Zustandsvektor s_t 220 und einen Belohnungsvektor r_t 225 resultieren. Der Aktionsvektor enthält Werte oder Elemente, die den Freiheitsgraden entsprechen, sowie alle zusätzlichen Aktions- oder Steuerelemente, die zum Betrieb des Fahrzeugs erforderlich sind.. Zum Beispiel kann der Aktionsvektor at einen Wert enthalten, der bestimmt, wie viel Kraftstoff dem Verbrennungsmotor zugeführt werden soll oder wie viel Strom dem elektrisch beheizbaren Katalysator zugeführt werden soll oder wie viel Strom durch den Elektromotor z. B. der Batterie zugeführt werden soll. Weitere Einstellungen oder Steuerelementen für Betriebsmodi, die durch den Aktionsvektor eingestellt oder betätigt werden können, sind Fahrzeuggeschwindigkeit oder Zielgeschwindigkeit, ein Ziel-Ladezustand (State of Charge, SoC) der Batterie, Auswahl des Hybridmodus (z. B. Rekuperation, Segeln), Harnstoff- oder AdBlue-Einspritzzeit und -menge, der Zeitpunkt der Partikelfilterregeneration (z. B. der Diesel-DPF-Regeneration) oder Schaltvorgänge und/oder Gangwahl.
Der Belohnungsvektor rt 225 enthält Informationen, die den Aspekten der Umgebung entsprechen, die optimiert werden sollen. Zum Beispiel kann der Belohnungsvektor Umgebungswerte für CO2, NOx, Kraftstoffverbrauch und andere Werte enthalten, die unter Umgebungs- oder Emissionsgesichtspunkten relevant sind. Der Zustandsvektor s_t und der Belohnungsvektor rt dienen als Feedback des RL-Agenten.
Die Werte des Aktionsvektor bestimmen, wie die Freiheitgrade gesetzt werden. Die Policy des RL-Agenten, welche den Aktionsvektor bestimmt, wird unter Verwendung des Belohnungsvektors und des Zustandsvektors optimiert. Der nächste vom RL-Agenten spezifizierte Aktionsvektor wird die Drehmomentaufteilung zwischen dem ICE und dem EM, die elektrische Leistung des EHC (ein oder aus) und den Verbrennungsmodus des ICE bestimmen. Auf diese Weise wird das Betriebsmodell auch zukünftige Kraftstoffverbräuche und Emissionen prognostizieren. So wird die Betriebsstrategie des Fahrzeugs eingesetzte, um die Betriebsmodi der Komponenten nach einem gewählten Optimierungsziel zu optimieren, wie z.B. die Minimierung des Kraftstoffverbrauchs bei gleichzeitiger Einhaltung der Emissionsgrenzwerte.
Andere Faktoren können im Aktionsvektor und/oder Zustandsvektor ebenfalls in Betracht gezogen werden. Zum Beispiel können Schaltvorgänge und Gangwahl, AdBlue-Einspritzung, Heizen und Kühlen als zusätzliche Freiheitsgrade gewählt werden.
Unter Bezugnahme auf die : Die Schritte Training, Test und Betrieb werden gezeigt. Im ersten Schritt 310 wird das Training durchgeführt, um ein Betriebsstrategie zu optimieren. In dieser Ausführungsform wird das Betriebsstrategie unter Verwendung der in der gezeigten Schleife und einer Simulationsumgebung bestimmt. Unterschiedliche Zustände und die resultierende Belohnung, welche in einem Belohnungsvektor zusammengefasst werden, werden dem RL-Agenten bereitgestellt. Verschiedene Aktionsvektoren werden generiert, die wiederum dazu führen, das das das Simulationsmodell in einen neuen Zustand übergeht. Der resultierende Belohnungsvektor wird wiederum durch den RL-Agenten unter Verwendung des Zustandsvektors als Bezugswert evaluiert.
Der Schritt 310 schließt mit einer Betriebsstrategie ab, welche durch die Schritte des Simulierens von verschiedenen Fahrbedingungen und, durch Optimierung bei der Verwendung eines Verbrennungsmotors 120, eines elektrisch beheizbaren Katalysators 110 und eines Elektromotors 130 erstellt worden ist. Das Optimierungsziel ist hierbei die Reduktion des Kraftstoffverbrauchs sowie der Emissionen.
Wenn ein optimales Betriebsmodell ermittelt worden ist, kann dies an einen optionalen Testschritt 320 getestet werden. In einer Ausführungsform mit dem Testschritt wird eine Simulationsumgebung verwendet mit anderen Fahrbedingungen, um zu verifizieren, dass das Betriebsmodell die Emissionslimits auch für die Fahrbedingungen der Testdaten Einhält. Zum Beispiel kann beim Training des Betriebsmodells einer große Anzahl an simulierten Trainingstrajektorien herangezogen werden, wie zum Beispiel 500 Trajektorien (Autofahrten), und beim Test kann können aus einer ähnlichen oder kleineren Anzahl unterschiedlicher Verifikationstrajektorien heran gezogen werden, wie zum Beispiel 400 Trajektorien (Autofahrten). Auf diese Weise kann ein gelerntes Verhalten verifiziert werden, bevor es in Produkten verwendet wird. Falls eine Schwachstelle in den Trainingsdaten vorhanden ist, kann falsches Verhalten gleichermaßen identifiziert und wenn nötig korrigiert werden.
Der RL-Agent kann lernen, das Emissionsprofil in einer Weise einzustellen, die von einem Signal abhängig ist, um innerhalb der gesetzlichen Grenzwerte zu bleiben. Insbesondere kann der EHC auf Basis des Signals aktiviert werden. Falls das Signal in einer realen Umgebung fehlt, dann kann ein Fahrzeug, das das Betriebsmodell verwendet, die gesetzlichen Anforderungen nicht länger erfüllen, weil der EHC nicht korrekt betrieben wird.
Sobald das Betriebsmodell ermittelt worden ist und in gewissen Ausführungsformen getestet und verifiziert worden ist, wird das Betriebsmodell bereitgestellt und im Schritt 330 zur Verwendung in einer realen Betriebsumgebung in einem Fahrzeug verwendet. Im Schritt 330 wird das Betriebsmodell verwendet, um den Aktionsvektor at 210 bereitzustellen, der die Freiheitsgrade optimiert und der die Steuersignale oder Betriebsmodi bereitstellt, die zum Betreiben, z. B. des Verbrennungsmotors ICE 120, des elektrisch beheizbaren Katalysators 110 und des Elektromotors 130, benötigt werden. In bevorzugten Ausführungsformen wird über den Betriebsmodus, welcher anhand des Aktionsvektors at vorgegeben wird, der elektrisch beheizbaren Katalysator und/oder den Elektromotor und/oder den Verbrennungsmotor angesteuert. Der Betriebsmodus wird so eingestellt, dass das Optimierungsziel erreicht wird.
In gewissen Ausführungsformen ist ein weiterer Schritt 340 möglich. Im Schritt 340 wird das Betriebsmodell dazu angepasst, den Betrieb weiter zu optimieren, zum Beispiel in Hinsicht auf die Kraftstoffeffizienz oder Emissionen. Das Betriebsmodell kann dann im Schritt 330 verwendet werden.
Ein Abgasnachbehandlungssystem (Aftertreatment System, ATS), das in beispielhaften Fahrzeugen verwendet wird, kann aus einem elektrisch beheizbaren Katalysator (EHC) 110, einem Dieseloxidationskatalysator (DOC) 111 und einem Selektivkatalysator (Selective Catalytic Reduction, SCR) 112 bestehen.
Die Hauptparameter eines solchen beispielhaften HEV sind in der Tabelle 1 angegeben.

Fahrzeuggewicht M 1523 kg

ICE max. mech. Leistung P_ice,max 134 kW

EM max. mech. Leistung P_em,max 30 kW

EHC max. elektr. Leistung P_ehc,max 4 kW

48-V-Batterie Kapazität Q₀ 40 Ah
Tabelle 1 Beispielhafte Fahrzeugparameter
Das gleiche erfindungsgemäße Konzept kann in einer Vielzahl von Fahrzeugen mit unterschiedlichen Leistungsklassen verwendet werden.
Eine Ausführungsform des Reinforcement Learnings (RL) erfolgt über das Agent-Umgebung-Interface, wie sie in gezeigt ist, unter Verwendung der Schritte der . Im Schritt 410 beobachtet der Agent die Zustände s_t und Belohnungen rt der Umgebung zu einem Zeitpunkt t und führt dann eine Aktion durch Generieren eines Aktionsvektors at durch. Im Schritt 420 empfängt die Umgebung den Aktionsvektor at und reagiert auf ihn. Zu einem späteren Zeitpunkt t+1 hat die Umgebung im Schritt 430 reagiert und generiert einen Zustandsvektor s_t und den Belohnungsvektor rt, wenn die Umgebung in einen neuen Zustand übergeht. Der RL-Agent liest dann in 410 den neu generierten Zustandsvektor s_t und den Belohnungsvektor rt aus der Simulationsumgebung und speist die Aktionsvektoren zurück in das Modell, um die resultierenden neuen Zustände zu berechnen. Das Ziel des RL-Agenten ist es, nach einer Strategie zu suchen, um die akkumulierte Belohnung am Ende des Lernprozesses zu maximieren.
Der Agent gewichtet Entscheidungen, die auf der aktuellen Belohnung basieren, gegenüber den zukünftigen: Bei einem Diskontierungsfaktor γ = 0 trifft der Agent eine Entscheidung für eine sofortige Belohnung; nähert sich γ dem Wert 1, bevorzugt der Agent eher eine zukünftige Belohnung.
Es gibt verschiedene Weisen für den RL-Agenten, ein Versuchsbetriebsmodell zu entwickeln. Eine Ausführungsform basiert auf der Proximal Policy Optimierung (PPO), die bei verschiedenen Problemstellungen gute Ergebnisse gezeigt hat. PPO ist eine policy gradient Methode, bei der die policy stochastisch ist und als parametrisierte Wahrscheinlichkeitsverteilung modelliert wird, aus der eine Aktion basierend auf einen aktuellen Zustands gesampelt wird.
Die Input-Features für den Agenten und ein sogenannter „Critic“ werden anhand der Beobachtungen des Fahrzeugzustands berechnet. In einer Ausführungsform, die für auf der Distanz basierende Grenzwerte relevant ist, wird ein Input-Feature aus der Fahrzeuggeschwindigkeit v hergeleitet, abhängig davon, ob die zurückgelegte Distanz x(t) größer oder kleiner als eine Distanz, wie zum Beispiel 5 km, ist. Am Anfang einer Trajektorie ist der Emissionsgrenzwert höher, und nach einer gewissen Distanz (z. B. 5 km) müssen die Emissionen niedriger als der definierte Emissionsgrenzwert sein.
Ein anderes Feature wird als die akkumulierten NOx-Emissionen verglichen mit der zurückgelegten Distanz berechnet und mit dem NOx-Grenzwert (z. B. 60 mg/km) multipliziert. Zusätzliche Eingänge sind der Ladezustand der Batterie SoC, die Abgastemperatur Texh und Tscr. Die Belohnung ist proportional zur (negativen) Kraftstoffmasse definiert, die proportional zum emittierten CO2 ist. Falls die NOx-Emissionen einen Grenzwert überschreiten, wird eine Strafe addiert.
In einer Ausführungsform besteht der Agent aus einem einschichtigen linearen neuronalen Netz für die elektrische Leistung des EHC P(ehc) und das Drehmoment der elektrischen Maschine tq(em) wobei nur Tscr und SoC die Eingänge sind. Für die Verbrennungsmodi i(ice) wird eine Ausgabe Schicht zu einem Dens Neuronal Netzwerk addiert mit Leaky ReLU-Aktivierungen und 30 Neuronen in einem hidden Layer hinzugefügt. Eine Tanh-Aktivierung wird für die Berechnung von tq(em) verwendet. Eine positive Ausgabe wird von 0 bis zum aktuellen maximalen Drehmoment des EM als tq(em,max) skaliert werden, und eine negative Ausgabe wird von 0 bis tq(em,min) skaliert. Sowohl tq(em,max) als auch tq(em,min) hängen vom SoC ab und unterliegen dem Derating der EM.
In einer Ausführungsform wird die Ausgabe des Agenten für das elektrische Heizen auf den Bereich von Null bis zur maximal möglichen Heizleistung P(ehc,max) skaliert und durch SoC und den physikalischen Grenzwert von 4 kW begrenzt.
Die linearen Teile des Modells werden mit angemessenen Werten initialisiert, die es ihr gestatten, den SoC und den T_scr innerhalb steuerbarer Bereiche zu halten, weil bekannt ist, dass die SCR-Effizienz bei niedrigen und hohen Temperaturen erheblich sinkt.
Während des Trainings wird das Modell wiederholt anhand der Trainingsdaten evaluiert. Das Modell, das den NOx-Grenzwert auf allen Trainingstrajektorien eingehalten und darunter den geringsten Kraftstoffverbrauch hatte, wird als das finale Modell zum Testen ausgewählt.

Claims

Verfahren zum Betreiben eines Fahrzeugs, mit einem Verbrennungsmotor (120), einem Elektromotor (130) und einem elektrisch beheizbaren Katalysator (110), , das Folgendes umfasst: Simultane Evaluierung des Energieverbrauchs und der Emissionen, die auf das Erhöhen oder Verringern von Katalysatorheizaktionen und Elektromotordrehmoments zurückzuführen sind, unter Verwendung eines Betriebsmodells; und das Bestimmen eines Betriebsmodus des Verbrennungsmotors, des Elektromotors und des elektrisch beheizbaren Katalysators unter Verwendung des Betriebsmodells , so dass der Betrieb entsprechend einem Optimierungsziel optimiert wird.
Verfahren nach Anspruch 1, das des Weiteren Folgendes aufweist: falls Verzögerung gewünscht wird, zeitgleiches Evaluieren des prognostizierten Energieverbrauchs und der Emissionen, die auf das Erhöhen oder Verringern von Katalysatorheizaktionen zurückzuführen sind und die auf das Erhöhen oder Verringern des Elektromotordrehmoments zurückzuführen sind, auf Basis eines Betriebsmodells; und das Bestimmen eines Betriebsmodus für den Verbrennungsmotor, den Elektromotor und den elektrisch beheizbaren Katalysator, unter Verwendung des Betriebsmodells.
Verfahren nach Anspruch 1 oder 2, das des Weiteren Folgendes aufweist: zeitgleiches Evaluieren des prognostizierten Energieverbrauchs und der Emissionen, die auf das Erhöhen oder Verringern des Verbrennungsmotordrehmoments zurückzuführen sind, auf Basis eines Betriebsmodells, um einen Betriebsmodus für den Verbrennungsmotor, den Elektromotor und den elektrisch beheizbaren Katalysator unter Verwendung des Betriebsmodells zu bestimmen.
Verfahren des Evaluierens nach einem vorhergehenden Anspruch, wobei die Evaluation vorher gelernte oder trainierte Werte als ein Betriebsmodell verwendet.
Verfahren nach einem vorhergehenden Anspruch, wobei der Betriebsmodus dazu betreibbar ist, den elektrisch beheizbaren Katalysator und/oder den Elektromotor und/oder den Verbrennungsmotor zu betreiben.
Verfahren nach einem vorhergehenden Anspruch, wobei mit der Prognose einer erwarteten Verringerung der Temperatur eines Katalysators eines Fahrzeugs unter einen Schwellenwert das Bremsmoment des Elektromotors (130) erhöht wird.
Verfahren nach einem vorhergehenden Anspruch, wobei mit der Prognose einer erwarteten Verringerung der Temperatur eines Katalysators eines Fahrzeugs unter einen Schwellenwert der Strom zu einem elektrisch beheizbaren Katalysator (110) erhöht wird.
Verfahren nach einem vorhergehenden Anspruch, wobei das Betriebsmodell während des Fahrzeugbetriebs angepasst wird (440).
Verfahren nach einem vorhergehenden Anspruch, wobei zu den Betriebsmodi eine Fahrzeuggeschwindigkeit oder eine Zielgeschwindigkeit, ein Ziel-Ladezustand (SoC) für die Batterie, die Auswahl des Hybridmodus (z. B. Rekuperation, Segelen), die Harnstoff- oder AdBlue-Einspritzzeit und -menge und der Zeitpunkt der Filterregeneration oder Schaltvorgänge und/oder Gangwahl zählen.
Steuersystem, das geeignet ist, das Betriebsverfahren nach den Ansprüchen 1 bis 9 durchzuführen, das ein Betriebsmodell aufweist, das durch die folgenden Schritte erstellt worden ist: Simulieren von Fahrbedingungen; und Optimieren während der Simulation unter Verwendung eines Verbrennungsmotors (120), eines elektrisch beheizbaren Katalysators (110) und eines Elektromotors (130), um sowohl den Kraftstoffverbrauch als auch die Emissionen zu minimieren.
Hybridfahrzeug, das Folgendes aufweist: einen Verbrennungsmotor (120), einen elektrisch beheizbaren Katalysator (110), einen Elektroantriebs- oder Traktionsmotor (130) und eine Batterie (135), wobei das Fahrzeug dazu geeignet und angepasst ist, das Verfahren der Ansprüche 1 bis 9 durchzuführen.