DE102019220196A1

DE102019220196A1 - Verfahren zum Betreiben eines Fahrzeugs

Info

Publication number: DE102019220196A1
Application number: DE102019220196.2A
Authority: DE
Inventors: James Girard; Katharina Hauer
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2019-12-19
Filing date: 2019-12-19
Publication date: 2021-06-24

Abstract

Die Erfindung betrifft ein Verfahren zum Betreiben eines Fahrzeugs mit einem Antriebsstrang, der mehrere Antriebseinheiten, von denen wenigstens eine als elektrische Maschine ausgebildet ist, aufweist, und einem Energiespeichersystem für die als elektrische Maschine ausgebildeten Antriebseinheiten, wobei mittels eines künstlichen neuronalen Netzes (200), bei dem zumindest in Teilen plastische Knoten (230) vorgesehen sind, eine Betriebsstrategie (B) für den Antriebsstrang ermittelt wird, und wobei der Antriebsstrang gemäß der Betriebsstrategie betrieben wird.

Description

Die vorliegende Erfindung betrifft ein Verfahren zum Betreiben eines Fahrzeugs mit einer als elektrische Maschine ausgebildeten Antriebseinheit sowie eine Recheneinheit, ein Fahrzeug und ein Computerprogramm zu dessen Durchführung
Stand der Technik
Neben Kraftfahrzeugen mit nur einer Brennkraftmaschine gibt es auch immer mehr Kraftfahrzeuge mit einer oder mehreren elektrischen Antriebseinheiten zusätzlich zu der Brennkraftmaschine. Solche Fahrzeuge werden dann als sog. Hybrid-Fahrzeuge bezeichnet. Ebenso gibt es Fahrzeuge mit nur elektrischen Antrieben.
Bei Fahrzeugen mit mehreren Antriebseinheiten ist es wünschenswert, eine möglichst optimale Betriebsstrategie zur Aufteilung eines geforderten Drehmoments bzw. einer geforderten Leistung zwischen den Antriebseinheiten zu finden. Dies sollte typischerweise mit dem Ziel einer Optimierung der Energieeffizienz erfolgen, wozu in der Regel auch ein Energiespeichersystem zu berücksichtigen ist. Letzteres kann auch bei rein elektrisch betriebenen Fahrzeugen mit nur einer elektrischen Antriebseinheit aber beispielsweise mehreren Energiespeichereinheiten relevant sein.
Offenbarung der Erfindung
Erfindungsgemäß werden ein zum Betreiben eines Fahrzeugs sowie eine Recheneinheit und ein Computerprogramm zu dessen Durchführung mit den Merkmalen der unabhängigen Patentansprüche vorgeschlagen. Vorteilhafte Ausgestaltungen sind Gegenstand der Unteransprüche sowie der nachfolgenden Beschreibung.
Die Erfindung beschäftigt sich mit dem Betrieb eines Fahrzeugs mit einem Antriebsstrang, der mehrere Antriebseinheiten, von denen wenigstens eine als elektrische Maschine ausgebildet ist, aufweist, und einem Energiespeichersystem für die als elektrische Maschine ausgebildeten Antriebseinheiten.
Als Fahrzeug kommt beispielsweise ein rein elektrisch betriebenes Fahrzeug mit mehreren, d.h. wenigstens zwei, elektrischen Antriebseinheiten bzw. elektrischen Maschinen in Betracht. Ebenso kommt aber auch ein Hybrid-Fahrzeug mit einer Brennkraftmaschine und einer oder auch mehreren elektrischen Maschinen als Antriebseinheiten in Betracht. Für weitere Details oder Einschränkungen mancher Varianten auf bestimmte Fahrzeuge sei auf die noch folgenden Ausführungen verwiesen. Die konkrete Topologie des Hybridfahrzeugs ist hierbei auch zunächst nicht relevant, d.h. eine oder mehrere elektrische Maschinen können vor und/oder nach einem Getriebe und/oder auch an einer Achse und/oder an einem oder mehreren Rädern angeordnet sein.
Unter einer Antriebseinheit ist hierbei insbesondere zu verstehen, dass damit ein Drehmoment zum Antrieb wenigstens eines Rades des Fahrzeugs auf dieses Rad übertragen werden kann. Insofern kommen im Falle elektrischer Maschinen solche elektrische Maschinen in Betracht, die motorisch betreibbar sind. Zweckmäßig ist es aber, wenn solche elektrische Maschinen dann auch generatorisch betreibbar sind, insbesondere zur Rekuperation von Bremsenergie.
Das Energiespeichersystem weist insbesondere eine oder mehrere Energiespeichereinheiten wie Batterien auf, wie sie typischerweise für Fahrzeuge verwendet werden, um elektrische Energie zwischenzuspeichern und wieder abzurufen. Ebenso kann ein solches Energiespeichersystem, insbesondere bei rein elektrisch betriebenen Fahrzeugen, eine Brennstoffzelle oder eine nur zur Erzeugen von elektrischer Energie mittels Generator vorgesehene Brennkraftmaschine (sog. Range-Extender) als Energiespeichereinheit aufweisen, mittels welcher eine elektrische Maschine und/oder eine andere Batterie mit elektrischer Energie gespeist werden kann.
Insbesondere bei den erwähnten Hybrid-Fahrzeugen, bei denen auch ein Ladezustand des Energiespeichersystems, dort dann also insbesondere von einer Batterie, variieren kann, gibt es mehrere Freiheitsgrade, die berücksichtigt werden können, wenn ein gefordertes Drehmoment auf die Antriebseinheiten verteilt werden soll. Insbesondere aufgrund des Freiheitsgrades des Ladezustands bzw. dessen Änderung können Emission, insbesondere von Kohlenstoffdioxid reduziert werden. Beispielsweise kann die Brennkraftmaschine in einem möglichst optimalen Lastpunkt hinsichtlich niedriger Emissionen betrieben werden. Zum Ausgleich zwischen von der Brennkraftmaschine geliefertem und angefordertem Drehmoment kann die elektrische Maschine je nach Situation generatorisch oder motorisch betrieben werden, d.h. die Batterie wird geladen oder entladen.
Um den Betrieb des Fahrzeugs in dieser Hinsicht immer möglichst effizient zu gestalten, kann ein physikalisches Modell verwendet werden, in dem der Antriebsstrang und ggf. das Energiespeichersystem abgebildet werden. Mittels beispielsweise einer Kostenfunktion kann dann die effizienteste Betriebsstrategie für einen Antriebsstrang, der als Komponenten die jeweiligen Antriebseinheiten aufweist, ermittelt werden. Bei einer solchen Kostenfunktion können beispielsweise die von der Batterie mit einem bestimmten oder mehreren Ladezuständen und/oder einer bestimmten Änderung derselben zur Verfügung stellbare Leistung mit der von der Brennkraftmaschine zur Verfügung stellbaren Leistung in Beziehung gesetzt werden, wobei geeignet gewichtet werden kann.
Ein solches physikalisches Modell ist besonders genau, was auch eine analytische Berechnung der optimalen Betriebsstrategie erlaubt. Allerdings werden hierfür eine hohe Rechenleistung und oftmals eine lange Berechnungsdauer benötigt. Mit einer numerischen Annäherung geht Genauigkeit verloren. Für eine Berechnung in Echtzeit kann dies also nachteilig sein, zumal mit zunehmender Anzahl an Freiheitsgraden das Modell - und damit die Berechnung - immer komplexer wird, während eine Rechenleistung in Fahrzeugen in der Regel stark begrenzt ist. Eine Anpassung an sich ändernde Systemeigenschaften ist in der Regel nicht möglich.
Denkbar ist auch die Verwendung verschiedener Karten, in denen verschiedene Szenarien und Situationen hinterlegt sind, sodass die bestmögliche Betriebsstrategie danach ausgewählt werden kann. Hier ist aber - gerade mit zunehmender Komplexität - besonders hoher Speicherbedarf auf einer ausführenden Recheneinheit nötig. Eine Anpassung an sich ändernde Systemeigenschaften ist auch hier in der Regel nicht möglich.
Eine weitere Möglichkeit ist die Verwendung auf künstlicher Intelligenz beruhender Methoden wie beispielsweise (künstlicher) neuronaler Netze oder sog. Gaußscher Prozessmodelle. Solche Methoden oder Modelle, die auf künstlicher Intelligenz beruhen, erfordern typischerweise keine komplexen, numerischen Lösungsverfahren, können aber lernen, d.h. sich auch an sich ändernde Systemeigenschaften anpassen bzw. angepasst werden. Allerdings gibt es bei solchen Methoden die Schwierigkeit, dass harte Grenzen bzw. Grenzwerte und kritische Systemanforderungen vom Modell oftmals nicht oder nicht richtig erfüllt werden. Unter solchen Grenzen sind beispielsweise technisch bedingte Grenzen für ein Drehmoment der elektrischen Maschine zu verstehen. Ebenso kann es mitunter schwierig sein, zwischen harten Grenzen und nur wünschenswerten (aber nicht unbedingt technisch notwendigen) Anforderungen zu unterscheiden.
Solche Methoden haben zudem den Nachteil einer geringen Robustheit gegenüber neuen Situationen. Wenn beispielsweise Fahrsituationen auftreten, die die Betriebsstrategie beeinflussen, die aber von dem künstlichen neuronalen Netz bzw. den zugrundeliegenden Daten nicht erfasst oder abgebildet sind, können unplausible Ergebnisse erhalten werden, die teils sogar physikalisch bzw. technisch nicht umsetzbar sein können.
Auch kann sich eine hohe Komplexität ergeben, da zusätzliche Freiheitsgrade bedeuten, dass auch die Anzahl der Eingänge in das künstliche neuronale Netz stark von der Fahrzeugtopologie und der Anzahl der Freiheitsgrade abhängt. Dies würde ein besonders rechenintensives Trainieren des neuronalen Netzes auch während eines Betriebs des Fahrzeugs erfordern, was mit einer typischerweise vorhandene Rechenleistung in einem Fahrzeug in der Regel nicht erreicht werden kann.
Im Rahmen der Erfindung wird nun vorgeschlagen, dass eine Betriebsstrategie, gemäß welcher der Antriebsstrang sowie ggf. das Energiespeichersystem betrieben werden, mittels eines künstlichen neuronalen Netzes ermittelt wird, bei dem zumindest in Teilen plastische Knoten (auch als Neuronen bezeichnet) vorgesehen sind. Ein solches künstliches neuronales Netz mit plastischen Knoten hat insbesondere den Vorteil, dass es auch im Betrieb noch mit der typischerweise in einem Fahrzeug vorhandenen Rechenleistung weiter angelernt werden kann und so auch auf veränderte bzw. neue Situationen reagieren kann.
Dies erfolgt insbesondere unter Optimierung bzw. mit dem Ziel der Optimierung einer Energieeffizienz von Antriebsstrang und Energiespeichersystem, was insbesondere auch eine möglichst geringe Emission von beispielsweise Kohlenstoffdioxid und/oder anderen Schadstoffen umfasst. Das Betreiben des Antriebsstrangs umfasst insbesondere die entsprechende Ansteuerung der Antriebseinheiten. Die Betriebsstrategie umfasst dabei insbesondere eine bestimmte Aufteilung des geforderten Drehmoments auf die Antriebseinheiten, ggf. auch auf das Energiespeichersystem, das dann beispielsweise geladen werden kann. Außerdem kann die Betriebsstrategie dabei unter Berücksichtigung von Betriebsgrenzen für die zu verwendenden Antriebseinheiten und unter Berücksichtigung eines Ladezustands des Energiespeichersystems (hierunter ist dann insbesondere ein Ladezustand einer oder mehrere Batterien des Energiespeichersystems zu verstehen) und/oder einer (ggf. gewünschten) Änderung dieses Ladezustands ermittelt werden, um die Berechnung zu vereinfachen und etwaige unplausible Ergebnisse schon von vornherein auszuschließen.
Ein Beispiel für ein solches neuronales Netz für die Ermittlung einer solchen Aufteilung der Momente für eine sog. P2-Hybrid-Topologie, d.h. eine Topologie mit einer elektrischen Antriebseinheit und einer Brennkraftmaschine, wie es der vorliegenden Erfindung zugrunde liegen kann, ist ein neuronales Netz mit Eingängen für gefordertes Drehmoment, Ladezustand und Drehzahlen der Antriebseinheiten und mit Ausgängen für das optimale Drehmoment der elektrischen Maschine sowie den ermittelten Kosten. Die Ein- und Ausgänge sind über die entsprechenden Knoten bzw. Neuronen verknüpft.
Es handelt sich bei dem (künstlichen) neuronalen Netz, wie es im Rahmen der Erfindung verwendet wird, um ein sog. plastisches neuronales Netz bzw. das neuronale Netz weist eine sog. Plastizität auf. Dieses neuronale Netz wird dabei bevorzugt erstellt, indem zunächst ein künstliches neuronales Netz basierend auf zurückliegenden Betriebsstrategien und/oder Betriebsdaten betreffend eine Energieeffizienz von Antriebsstrang und/oder Energiespeichereinheit trainiert wird, wobei das künstliche neuronale Netz anschließend um plastische Knoten bzw. sog. Plastizitäts-Terme erweitert wird.
Dies kann basierend auf der sog. Hebbschen Regel erfolgen, um das System künstlicher Intelligenz an Änderungen im System und/oder der Umgebung anzupassen. Diejenigen Neuronen-Verbindungen, bei denen diese Plastizität ergänzt werden kann, können z.B. gemäß folgender Formel ermittelt werden: $x_{j} (i) = σ [\sum_{i} (w_{i, j} \cdot x_{i} (t) + α_{i, j} \cdot H e b b_{i, j} (t) \cdot x_{i} (t))],$
wobei σ eine beliebige Aktivierungsfunktion darstellt, wie z.B. die tanh-Funktion. die Ausgangsfunktion x_j(t) kann in zwei Komponenten aufgeteilt werden, nämlich den herkömmlichen Teil eines neuronalen Netzes w_i,jx_j(t) in der Summe und den Hebbschen Teil α_ijHebb_i,j(t) x_i(t) in der Summe. Dabei gilt: $H e b b_{i, j} (t + 1) = η \cdot x_{i} (t - 1) \cdot x_{j} (t) + (1 - η) \cdot H e b b_{i, j} (t) .$
Die herkömmliche Komponente umfasst die Gewichte w_i,j, die trainiert werden müssen. Die Hebbsche Komponente hängt von zwei Parametern ab, die den Einfluss neuer Situationen steuern. Der Parameter α_i,j ist ein Parameter, der trainiert wird und als eine Meta-Lernrate interpretiert werden kann, die reguliert, wie schnell neue Situationen gehandhabt werden können. Der Parameter η gibt die Höhe der Abhängigkeit von historischen bzw. Verlaufswerten an, die in die Ergebnisse inkludiert werden sollen. Daher gibt η die Dynamik an bzw. spezifiziert diese.
Eine Anwendung (wenn auch andere Art der Anwendung) des Hebbschen Ansatzes wird z.B. beschrieben in „T. Miconi, J. Clune, and K. O. Stanley, „Differentiable plasticity: training plastic neural networks with backpropagation," arXiv preprint arXiv: 1804.02464, 2018. „Weitere Information über das plastische neuronale Netz sind auch bei‟ D. O. Hebb, „The organization of behavior; a neuropsycholocigal theory.," A Wiley Book in Clinical Psychology., pp. 62-78, 1949.‟ und S. J. Martin, P. D. Grimwood, and R. G. Morris, „Synaptic plasticity and memory: an evaluation of the hypothesis," Annual review of neuroscience, vol. 23, no. 1, pp. 649-711, 2000.‟ zu finden.
Auf diese Weise kann also weiterhin ein (künstliches) neuronales Netz mit seinen Vorteilen bei der Ermittlung bzw. Berechnung einer optimalen Betriebsstrategie verwendet werden, durch das Vorsehen der Plastizität wird die Rechenleistung, die für die optimale Verwendung des neuronalen Netzes benötigt wird, jedoch in Grenzen gehalten, sodass eine Anwendung auf einer - typischerweise mit begrenzter Rechenleistung ausgestatteten - Recheneinheit in einem Fahrzeug einfach und problemlos möglich ist. Das künstliche neuronale Netz kann dann nämlich zumindest hinsichtlich der plastischen Knoten basierend auf zurückliegenden Betriebsstrategien und/oder Betriebsdaten trainiert bzw. angepasst werden, und zwar insbesondere während des Betriebs des Fahrzeugs bzw. auf einer darin vorhandenen Recheneinheit. Dies beruht darauf, dass sich diese plastischen Knoten bzw. Neuronen während ihrer Nutzung bzw. während der Verwendung des neuronalen Netzes verändern (können).
Besonders bevorzugt ist es, wenn die Betriebsstrategie für den Antriebsstrang zusätzlich zum dem künstlichen neuronalen Netz auch mittels eines physikalischen Modells, in dem der Antriebsstrang abgebildet wird, ermittelt wird. Damit wird ein physikalisches Modell des Fahrzeugs bzw. dessen Antriebsstrangs mit einer auf künstlicher Intelligenz basierenden Methode, d.h. dem neuronalen Netz, kombiniert. Während durch das physikalische Modell physikalische Grenzen besonders einfach und schnell vorgegeben bzw. angepasst werden können, kann - basierend darauf und innerhalb dieser Grenzen - mittels des neuronalen Netzes die bestmögliche oder zumindest eine möglichst gute Betriebsstrategie gefunden werden, wobei hier dann keine oder zumindest kaum physikalisch nicht mögliche Zustände herauskommen.
Dabei kann insbesondere die mittels des künstlichen neuronalen Netzes ermittelte Betriebsstrategie für den Antriebsstrang mittels des physikalischen Modells angepasst werden, bevor der Antriebsstrang gemäß der Betriebsstrategie betrieben wird. Dies bedeutet, dass das physikalische Modell verwendet wird, um die Betriebsstrategie entsprechend anzupassen bzw. zu optimieren, falls (weiterhin) gewisse Grenzen nicht eingehalten sein sollten oder um ggf. auch kritische Situation zu entschärfen.
Alternativ oder zusätzlich ist es bevorzugt, wenn mittels des physikalischen Modells und insbesondere basierend auf einem für den Antriebsstrang angeforderten Drehmoment (dieses kann beispielsweise von einem Fahrer und/oder einem Fahrerassistenzsystem gefordert bzw. vorgegeben werden), die schon erwähnten Betriebsgrenzen ermittelt werden, die dann bei Verwendung des künstlichen neuronalen Netzes beachtet werden. Unter zu verwendenden Antriebseinheiten sind dann diejenigen Antriebseinheiten zu verstehen, die in den Betrieb eingebunden werden sollen. Es müssen also nicht sämtliche vorhandenen Antriebseinheiten verwendet werden. Auch kann es sein, dass nur eine Antriebseinheit verwendet wird.
Das physikalische Modell bildet dabei insbesondere konstruktiv bedingte Kopplungen zwischen den einzelnen Antriebseinheiten (beispielsweise wenn zwei Antriebseinheiten über Getriebe und/oder Wellen miteinander gekoppelt sind), ggf. vorhandene Kupplungen, die jeweils maximal zur Verfügung stellbaren und auch die minimal zur Verfügung stellbaren Drehmomente der einzelnen Antriebseinheiten und, falls vorhanden, auch ein Getriebe in dem Antriebsstrang mit den entsprechenden Gängen und deren Übersetzungen ab. Die eventuelle Berücksichtigung des Energiespeichersystems kann insofern relevant sein, als dadurch beispielsweise die Grenzen für zur Verfügung stellbare Drehmomente insbesondere bei den elektrischen Maschinen beeinflusst werden können oder sich weitere Grenzen ergeben, die von den technisch bedingten Grenzen der elektrischen Maschinen selbst abweichen können. Ebenso können in einem solchen physikalischen Modell Drehzahlen von Antriebseinheiten und/oder Geschwindigkeiten des Fahrzeugs, auch in Verbindung mit den Gängen, berücksichtigt sein.
Bei den damit zu ermittelnden Betriebsgrenzen für die zu verwendenden Antriebseinheiten, hier insbesondere die elektrischen Maschinen, handelt es sich insbesondere um solche Ober- und Untergrenzen für das Drehmoment, die ermöglichen, unter Berücksichtigung möglicher Drehmomente einer gegebenenfalls vorhandenen Brennkraftmaschine das angeforderte Drehmoment bereitzustellen.
Besonders bevorzugt wird, wie schon erwähnt, ein Fahrzeug mit einem Antriebsstrang verwendet, wobei eine der mehreren Antriebseinheiten als Brennkraftmaschine ausgebildet ist. Hierbei handelt es sich dann insbesondere um ein Hybrid-Fahrzeug, wie es eingangs schon erwähnt wurde. Bei einem solchen Hybrid-Fahrzeug kann mit der Wahl der Betriebsstrategie, insbesondere mit Aufteilung des Drehmoments auf die Antriebseinheiten, besonders effektiv eine Einsparung bzw. Reduzierung von Emissionen erreicht werden. Beispielsweise kann die Brennkraftmaschine in einem möglichst optimalen Lastpunkt hinsichtlich niedriger Emissionen betrieben werden. Zum Ausgleich zwischen von der Brennkraftmaschine geliefertem und angefordertem Drehmoment kann die elektrische Maschine je nach Situation generatorisch oder motorisch betrieben werden, d.h. die Batterie wird geladen oder entladen.
Hierbei ist es dann auch zweckmäßig, wenn die Betriebsstrategie für den Antriebsstrang mittels des künstlichen neuronalen Netzes weiterhin unter Berücksichtigung einer aktuellen Drehzahl der Brennkraftmaschine ermittelt wird, da dann eine besonders einfache Anpassung an den optimalen Lastpunkt möglich ist.
Eine erfindungsgemäße Recheneinheit, z.B. ein Steuergerät eines Kraftfahrzeugs, ist, insbesondere programmtechnisch, dazu eingerichtet, ein erfindungsgemäßes Verfahren durchzuführen.
Auch die Implementierung eines erfindungsgemäßen Verfahrens in Form eines Computerprogramms oder Computerprogrammprodukts mit Programmcode zur Durchführung aller Verfahrensschritte ist vorteilhaft, da dies besonders geringe Kosten verursacht, insbesondere wenn ein ausführendes Steuergerät noch für weitere Aufgaben genutzt wird und daher ohnehin vorhanden ist. Geeignete Datenträger zur Bereitstellung des Computerprogramms sind insbesondere magnetische, optische und elektrische Speicher, wie z.B. Festplatten, Flash-Speicher, EEPROMs, DVDs u.a.m. Auch ein Download eines Programms über Computernetze (Internet, Intranet usw.) ist möglich.
Weitere Vorteile und Ausgestaltungen der Erfindung ergeben sich aus der Beschreibung und der beiliegenden Zeichnung.
Die Erfindung ist anhand eines Ausführungsbeispiels in der Zeichnung schematisch dargestellt und wird im Folgenden unter Bezugnahme auf die Zeichnung beschrieben.
Kurze Beschreibung der Zeichnungen

1 zeigt schematisch ein Fahrzeug, bei dem ein erfindungsgemäßes Verfahren durchführbar ist.
2 zeigt schematisch ein künstliches neuronales Netz zur Verwendung im Rahmen der Erfindung.
3 zeigt schematisch einen Ablauf eines erfindungsgemäßen Verfahrens in einer bevorzugten Ausführungsform.

Ausführungsform(en) der Erfindung
In 1 ist schematisch ein erfindungsgemäßes Fahrzeug 100 in einer bevorzugten Ausführungsform, bei dem ein erfindungsgemäßes Verfahren durchführbar ist, dargestellt.
Das Fahrzeug 100 weist zwei Achsen 110 und 120 auf, wobei die Achse 120 als antreibbare Achse - mit entsprechend antreibbaren Rädern - mit einem Antriebsstrang 101 verbunden ist. Das Fahrzeug 100 bzw. der Antriebsstrang 101 weist eine als Brennkraftmaschine ausgebildete Antriebseinheit 130 und eine als elektrische Maschine ausgebildete Antriebseinheit 140 auf, die mittels einer Kupplung 131 drehmomentübertragend verbindbar sind.
Weiterhin ist ein als Batterie ausgebildetes bzw. ein eine Batterie aufweisendes Energiespeichersystem 150 vorgesehen, das elektrisch mit der elektrischen Maschine 140 verbunden ist. Im Antriebsstrang 101 ist weiterhin ein Getriebe 160 vorgesehen, mittels dessen verschiedene Gänge eingestellt werden können bzw. wählbar sind.
Weiterhin ist eine als Steuergerät ausgebildete Recheneinheit 180 vorgesehen, mittels welcher die Antriebseinheiten, die Kupplung und ggf. das Getriebe ansteuerbar sind. Es versteht sich, dass hierfür auch mehrere, dann miteinander kommunizierende, Recheneinheiten vorgesehen sein können.
Bei dem Fahrzeug 100 handelt es sich somit um ein Hybrid-Fahrzeug. Hieran soll beispielhaft die Erfindung erläutert werden. Es versteht sich, dass, wie eingangs erwähnt, auch andere Arten von Fahrzeugen bzw. Topologien verwendet werden können.
In 2 ist schematisch ein künstliches neuronales Netz 200 gezeigt, wie es im Rahmen der Erfindung bzw. bei einem erfindungsgemäßen Verfahren verwendet werden kann. Die Eingangsgrößen 210 für das neuronale Netz 200 umfassen hier beispielhaft eine (z.B. vom Fahrer) angeforderte Leistung P_dem , eine Drehzahl n der Brennkraftmaschine sowie einen sog. Äquivalenzfaktor s, der eine Beziehung zwischen einer Effizienz des elektrischen Systems (also der elektrischen Komponenten des Antriebsstrangs bzw. des Energiespeichersystems) und derjenigen der Brennkraftmaschine herstellt. Die angeforderte Leistung lässt sich unter Berücksichtigung der Drehzahl auch in ein Drehmoment umrechnen.
Das neuronale Netz 200 weist dann eine Reihe von Knoten 220, 230 auf, die letztlich als Ausgangsgrößen 240 eine optimale Leistung P_HEV,opt für das (elektrische) gesamte System, Kosten P_HEV,Eq für ein hybrides Fahren und Kosten P_EV,Eq für (rein) elektrisches Fahren liefern, wobei diese Kosten bereits miteinander vergleichbar sind. Basierend auf den Kosten P_HEV,Eq und P_EV,Eq kann dann entschieden werden, welche Betriebsstrategie verwendet wird. Im gezeigten Beispiel des neuronalen Netzes 200 sind die schraffierten Knoten 230 diejenigen, die plastisch sind bzw. durch Erweiterung um eine Plastizität gewonnen wurden und sich also während der Verwendung - ohne (externes) Trainieren - verändern bzw. anpassen können.
In 3 ist schematisch ein Ablauf eines erfindungsgemäßen Verfahrens in einer bevorzugten Ausführungsform dargestellt. Hierbei ist ein physikalisches Modell Mod_Phys des Antriebsstrangs mit der Brennkraftmaschine und der elektrischen Maschine, wie in 1 beispielhaft gezeigt, dargestellt.
In diesem physikalischen Modell Mod_Phys wird der Antriebsstrang beispielhaft durch ein minimales, technisch mögliches Drehmoment M_min,EM der elektrischen Maschine, ein zugehöriges maximales Drehmoment M_max,EM , ein minimales, technisch mögliches Drehmoment M_min,ICE der Brennkraftmaschine, ein zugehöriges maximales Drehmoment M_max,ICE sowie ein angefordertes Drehmoment M_dem abgebildet bzw. dargestellt. Die genannten Maximal- und Minimalwerte ergeben sich beispielsweise bauartbedingt und können als Parameter gesetzt werden. Sie wirken in dem Modell insbesondere als Begrenzungen. Denkbar ist, wie eingangs schon erwähnt, auch das Energiespeichersystem insofern mit zu berücksichtigen, als sich dadurch die Grenzen für das Drehmoment insbesondere der elektrischen Maschine verändern könnten.
Anhand dieses physikalischen Modells Mod_Phys - das auch besonders einfach und schnell an andere Antriebsstränge bzw. Topologien von Fahrzeugen angepasst werden kann - können dann für das angeforderte Drehmoment M_dem Betriebsgrenzen für zu verwendende Antriebseinheiten ermittelt werden. Im gezeigten Beispiel sind diese Betriebsgrenzen ein minimales Drehmoment M'_min,EM der elektrischen Maschine sowie ein zugehöriges maximales Drehmoment M'_max,EM , auf Grundlage welcher sich das angeforderte Drehmoment M_dem unter Berücksichtigung der Grenzen des Drehmoments der Brennkraftmaschine (noch) erfüllen lässt.
Beispielsweise ergibt sich das minimale Drehmoment M'_min,EM als Differenz zwischen dem angeforderten Drehmoment M_dem und dem maximalen Drehmoment M_max,ICE , wobei diese Differenz auf einen Wert zwischen dem minimal möglichen Drehmoment M_min,EM der elektrischen Maschine und dem maximalen Drehmoment M_max,EM der elektrischen Maschine begrenzt wird.
Beispielsweise ergibt sich für ein positives angefordertes Drehmoment M_dem das maximale Drehmoment M'_max,EM als Differenz zwischen dem angeforderten Drehmoment M_dem und dem minimalen Drehmoment M_min,ICE , wobei diese Differenz auf einen Wert zwischen dem minimal möglichen Drehmoment M_min,EM der elektrischen Maschine und dem maximalen Drehmoment M_max,EM der elektrischen Maschine begrenzt wird.
Weiter beispielsweise ergibt sich für ein negatives angefordertes Drehmoment M_dem das maximale Drehmoment M'_max,EM als das angeforderte Drehmoment M_dem , das auf einen Wert zwischen dem minimal möglichen Drehmoment M_min,EM der elektrischen Maschine und dem maximalen Drehmoment M_max,EM der elektrischen Maschine begrenzt wird.
Denkbar ist hierbei, auch einen etwaigen Ladezustand des Energiespeichersystems und/oder eine etwaige Änderung desselben zu berücksichtigen, da dieser auch einen Einfluss auf das von der elektrischen Maschine abgebbare Drehmoment haben kann. Für die Brennkraftmaschine gelten hingegen typischerweise die technisch bedingten Grenzen für das Drehmoment.
Diese Betriebsgrenzen M'_min,EM und M'_max,EM sowie eine (gewünschte und/oder tatsächliche) Änderung ΔSOC des Ladezustands des Energiespeichersystems, eine (aktuelle) Drehzahl n der Brennkraftmaschine und das angeforderte Drehmoment M_dem können dann mittels des künstlichen neuronalen Netzes 200, wie es in 2 gezeigt und vorstehend schon näher erläutert wurde, verarbeitet bzw. berücksichtigt werden, um eine möglichst optimale Betriebsstrategie B zu erhalten, wie dies eingangs ebenfalls bereits näher erläutert wurde.
Mittels des physikalischen Modells kann also dem künstlichen neuronalen Netz 200 ein (eingeschränkter) Lösungsraum vorgegeben werden, sodass etwaige physikalisch bzw. technisch nicht erfüllbare Lösungen bereits von vorneherein ausgeschlossen oder zumindest unwahrscheinlicher werden.
Die so ermittelte bzw. erhaltene Betriebsstrategie B umfasst dabei insbesondere eine Aufteilung des angeforderten Drehmoments M_dem auf die elektrische Maschine und die Brennkraftmaschine. Denkbar ist dabei auch, dass insgesamt beispielsweise ein höheres Drehmoment als angefordert erzeugt wird, dieses überschüssige Drehmoment aber zum Laden des Energiespeichersystems bzw. einer entsprechenden Batterie verwendet wird.
Nachfolgend sollen das vorgeschlagene Vorgehen nochmals zusammengefasst sowie weiterführenden Aspekte erläutert werden. Der Anteil des Verfahrens mit künstlicher Intelligenz, d.h. das künstliche neuronale Netz 200, kann auf Grundlage von Kraftstoffeffizienzergebnissen verschiedener Anwendungsszenarien der elektrischen Maschine und der Brennkraftmaschine, insbesondere auch für verschiedene Fahrzyklen trainiert werden. Das künstliche neuronale Netz 200 mit diesen Trainingsdaten wird dann um plastische Knoten 230 bzw. um eine sog. Plastizität erweitert, sodass dann besonders einfach und effizient während des Betriebs des Fahrzeugs die optimale Drehmomentaufteilung zwischen elektrischer Maschine und Brennkraftmaschine bestimmt werden kann.
Eine kombinierte Methode aus physikalischem Modell und auf künstlicher Intelligenz basierendem Modell kann verwendet werden, um alle Szenarien abzudecken. Das physikalische Modell soll verwendet werden, um das maximal und minimal mögliche Drehmoment bzw. eine entsprechende Leistung der elektrischen Maschine(n) im System zu bestimmen, um eine Fahrerforderung zu erfüllen.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
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.
Zitierte Nicht-Patentliteratur

„T. Miconi, J. Clune, and K. O. Stanley, „Differentiable plasticity: training plastic neural networks with backpropagation,“ arXiv preprint arXiv: 1804.02464, 2018 [0022]
D. O. Hebb, „The organization of behavior; a neuropsycholocigal theory.,“ A Wiley Book in Clinical Psychology., pp. 62-78, 1949 [0022]
S. J. Martin, P. D. Grimwood, and R. G. Morris, „Synaptic plasticity and memory: an evaluation of the hypothesis,“ Annual review of neuroscience, vol. 23, no. 1, pp. 649-711, 2000.‟ [0022]

Claims

Verfahren zum Betreiben eines Fahrzeugs (100) mit einem Antriebsstrang (101), der mehrere Antriebseinheiten (130, 140), von denen wenigstens eine als elektrische Maschine ausgebildet ist, aufweist, und einem Energiespeichersystem (150) für die als elektrische Maschine ausgebildeten Antriebseinheiten (140), wobei mittels eines künstlichen neuronalen Netzes (200), bei dem zumindest in Teilen plastische Knoten (230) vorgesehen sind, eine Betriebsstrategie (B) für den Antriebsstrang (101) ermittelt wird, und wobei der Antriebsstrang (101) gemäß der Betriebsstrategie (B) betrieben wird.
Verfahren nach Anspruch 1, wobei das künstliche neuronale Netz (200) zumindest hinsichtlich der plastischen Knoten (230) basierend auf zurückliegenden Betriebsstrategien und/oder Betriebsdaten trainiert wird.
Verfahren nach Anspruch 1 oder 2, wobei die Betriebsstrategie (B) für den Antriebsstrang mittels des künstlichen neuronalen Netzes (200) unter Optimierung einer Energieeffizienz von Antriebsstrang (101) und Energiespeichereinheit (150) ermittelt wird.
Verfahren nach einem der vorstehenden Ansprüche, wobei die Betriebsstrategie (B) für den Antriebsstrang (101) mittels des künstlichen neuronalen Netzes (200) und weiterhin mittels eines physikalischen Modells (Mod_Phys), in dem der Antriebsstrang (101) abgebildet wird, ermittelt wird.
Verfahren nach Anspruch 4, wobei die mittels des künstlichen neuronalen Netzes (200) ermittelte Betriebsstrategie (B) für den Antriebsstrang mittels des physikalischen Modells (Mod_Phys) angepasst wird, bevor der Antriebsstrang (101) gemäß der Betriebsstrategie (B) betrieben wird.
Verfahren nach Anspruch 4 oder 5, wobei die Betriebsstrategie (B) für den Antriebsstrang (101) mittels des künstlichen neuronalen Netzes (200) und unter Berücksichtigung von Betriebsgrenzen für die zu verwendenden Antriebseinheiten und unter Berücksichtigung eines Ladezustands und/oder einer Änderung des Ladezustands (ΔSOC) des Energiespeichersystems (150) ermittelt wird, die mittels des physikalischen Modells (Mod_Phys) und insbesondere basierend auf einem für den Antriebsstrang (101) angeforderten Drehmoment (M_dem) ermittelt werden.
Verfahren nach einem der vorstehenden Ansprüche, wobei eine der mehreren Antriebseinheiten als Brennkraftmaschine ausgebildet ist.
Verfahren nach einem der vorstehenden Ansprüche, wobei die mittels des künstlichen neuronalen Netzes (200) ermittelte Betriebsstrategie (B) eine Aufteilung von Drehmoment auf die mehreren Antriebseinheiten umfasst.
Verfahren zum Erstellen eines künstlichen neuronalen Netzes (200) zur Verwendung bei einem Verfahren nach einem der vorstehenden Ansprüche oder einer Recheneinheit (180) zur Durchführung eines Verfahrens nach einem der vorstehenden Ansprüche, wobei zunächst ein künstliches neuronales Netz (200) basierend auf zurückliegenden Betriebsstrategien und/oder Betriebsdaten betreffend eine Energieeffizienz von Antriebsstrang (101) und/oder Energiespeichereinheit (150) trainiert wird, und wobei das künstliche neuronale Netz (200) anschließend um plastische Knoten (230) erweitert wird.
Recheneinheit (180), die dazu eingerichtet ist, alle Verfahrensschritte eines Verfahrens nach einem der vorstehenden Ansprüche durchzuführen.
Fahrzeug (100) mit einem Antriebsstrang, der mehrere Antriebseinheiten (130, 140), von denen wenigstens eine als elektrische Maschine ausgebildet ist, aufweist, und einem Energiespeichersystem (150) für die als elektrische Maschine ausgebildeten Antriebseinheiten, und mit einer Recheneinheit (180) nach Anspruch 10.
Computerprogramm, das eine Recheneinheit (180) dazu veranlasst, alle Verfahrensschritte eines Verfahrens nach einem der Ansprüche 1 bis 9 durchzuführen, wenn es auf der Recheneinheit (180) ausgeführt wird.
Maschinenlesbares Speichermedium mit einem darauf gespeicherten Computerprogramm nach Anspruch 12.