DE102020107001A1

DE102020107001A1 - Verfahren und Vorrichtung zur Ermittlung des Zustands eines elektrischen Bordnetzes eines Fahrzeugs

Info

Publication number: DE102020107001A1
Application number: DE102020107001.2A
Authority: DE
Inventors: Joachim Froeschl; Anton Renner; Markus Breuer; Andreas Heimrath
Original assignee: Bayerische Motoren Werke AG
Current assignee: Bayerische Motoren Werke AG
Priority date: 2020-03-13
Filing date: 2020-03-13
Publication date: 2021-09-16

Abstract

Es wird eine Vorrichtung (450) zur Ermittlung des Zustands eines Energiebordnetzes (100) beschrieben, das unterschiedliche Bordnetz-Komponenten (105, 106, 107) umfasst und das anhand eines Maschine-erlernten Energiemanagementsystems (101, 400) betrieben wird. Das Energiemanagementsystem (101, 400) ist ausgebildet, Parameterwerte von Parametern des Energiemanagementsystems (101, 400) selbstlernend an den Zustand des Energiebordnetzes (100) anzupassen. Die Vorrichtung (450) ist eingerichtet, den Zustand des Energiebordnetzes (100) auf Basis der Parameterwerte der Parameter des Energiemanagementsystems (101, 400) zu ermitteln.

Description

Die Erfindung betrifft ein Verfahren und eine entsprechende Vorrichtung, mit denen der Zustand von Komponenten eines elektrischen Bordnetzes in zuverlässiger und effizienter Weise ermittelt werden können, insbesondere um bereits frühzeitig eine Beeinträchtigung einer Bordnetz-Komponente detektieren zu können.
Ein Fahrzeug umfasst ein elektrisches (Energie-) Bordnetz, über das mehrere elektrische Verbraucher des Fahrzeugs mit elektrischer Energie versorgt werden können. Das Bordnetz umfasst typischerweise einen elektrischen Energiespeicher zur Speicherung von elektrischer Energie und zur Stützung der Bordnetzspannung. Des Weiteren umfasst das Bordnetz typischerweise einen Generator (der z.B. durch einen Verbrennungsmotor des Fahrzeugs angetrieben wird), der eingerichtet ist, elektrische Energie für das Bordnetz zu erzeugen. Ferner umfasst das Bordnetz eines Hybrid- oder Elektrofahrzeugs typischerweise einen Gleichspannungswandler (der z.B. durch eine Traktionsbatterie des Fahrzeugs versorgt wird), der eingerichtet ist, elektrische Energie für das Bordnetz zu erzeugen und/oder bereitzustellen.
Das Bordnetz kann mittels eines Energiemanagementsystems betrieben werden. Das Energiemanagementsystem kann dabei eingerichtet sein, die Energieversorgung der elektrischen Verbraucher durch das Bordnetz abzusichern. Zu diesem Zweck kann das Energiemanagementsystem ein oder mehrere Regler umfassen, die eingerichtet sind, ein oder mehrere Regelgrößen des Bordnetzes (wie z.B. die Bordnetzspannung) auf einen jeweiligen Sollwert zu regeln.
Das Energiemanagementsystem kann ein Machine-Learning basiertes Energiemanagementsystem umfassen bzw. sein. Insbesondere kann das Energiemanagementsystem ein oder mehrere Regler umfassen, die anhand von Machine-Learning angelernt wurden und während des Betriebs des Bordnetzes an den Zustand des Bordnetzes angepasst werden.
Ein Defekt einer Bordnetz-Komponente (z.B. des Energiespeichers oder des Generators oder des Gleichspannungswandlers oder eines Verbrauchers) des elektrischen Bordnetzes kann zu einer Beeinträchtigung des Betriebs eines Fahrzeugs führen, was insbesondere bei einem automatisiert fahrenden Fahrzeug zu einer sicherheitskritischen Situation führen kann.
Das vorliegende Dokument befasst sich mit der technischen Aufgabe, in zuverlässiger und präziser Weise eine Beeinträchtigung einer Komponente eines elektrischen Bordnetzes zu detektieren.
Die Aufgabe wird jeweils durch die unabhängigen Ansprüche gelöst. Vorteilhafte Ausführungsformen werden u.a. in den abhängigen Ansprüchen beschrieben. Es wird darauf hingewiesen, dass zusätzliche Merkmale eines von einem unabhängigen Patentanspruch abhängigen Patentanspruchs ohne die Merkmale des unabhängigen Patentanspruchs oder nur in Kombination mit einer Teilmenge der Merkmale des unabhängigen Patentanspruchs eine eigene und von der Kombination sämtlicher Merkmale des unabhängigen Patentanspruchs unabhängige Erfindung bilden können, die zum Gegenstand eines unabhängigen Anspruchs, einer Teilungsanmeldung oder einer Nachanmeldung gemacht werden kann. Dies gilt in gleicher Weise für in der Beschreibung beschriebene technische Lehren, die eine von den Merkmalen der unabhängigen Patentansprüche unabhängige Erfindung bilden können.
Gemäß einem Aspekt wird eine Vorrichtung zur Ermittlung des Zustands eines Energiebordnetzes, insbesondere eines Energiebordnetzes eines (Kraft-) Fahrzeugs, beschrieben. Das Energiebordnetz umfasst unterschiedliche Bordnetz-Komponenten, wie z.B. ein oder mehrere elektrische Energiespeicher, ein oder mehrere elektrische Verbraucher und/oder ein oder mehrere Gleichspannungswandler und/oder ein oder mehrere Generatoren (die eingerichtet sind, elektrische Energie von extern in dem Energiebordnetz bereitzustellen).
Das Energiebordnetz wird anhand eines Machine-Learning-basierten (auf Deutsch Maschine-erlernten) Energiemanagementsystems betrieben, wobei das Energiemanagementsystem, z.B. mittels Reinforcement Learning, angelernt und während des Betriebs an das Energiebordnetz angepasst wurde. Im Rahmen des Reinforcement Learning kann einer Aktion, die durch das Energiemanagementsystem ausgehend von einem bestimmten Zustand des Energiebordnetzes bewirkt wird, jeweils eine Belohnung zugewiesen werden. Die Belohnung kann dabei auf Basis einer bestimmten Belohnungsfunktion berechnet werden, wobei die Belohnungsfunktion von ein oder mehreren messbaren Größen, insbesondere Zustandsgrößen, des Bordnetzes abhängt. Das Energiemanagementsystem kann im Rahmen des Reinforcement Learning derart angelernt und/oder angepasst werden, dass das Energiemanagementsystem befähigt wird, ausgehend von einem Zustand des Energiebordnetzes jeweils eine Aktion zu bewirken, durch die die kumulierte Summe von zukünftigen (ggf. diskontierten) Belohnungen möglichst groß, insbesondere maximal, wird.
Der Zustand des Energiebordnetzes kann durch ein oder mehrere (messbare) Zustandsgrößen beschrieben werden. Beispielhafte Zustandsgrößen sind:

• der Strom und/oder die Spannung in dem Bordnetz und/oder an einer Bordnetz-Komponente;
• der Ladezustand eines Energiespeichers;
• der Gesundheitszustand (auf Englisch, State of Health) eines Energiespeichers; und/oder
• die Last an einem Generator und/oder an einem Gleichspannungswandler und/oder an einem elektrischen Verbraucher.

Das Energiemanagementsystem kann ausgebildet sein, an einem bestimmten Zeitpunkt Messwerte in Bezug auf ein oder mehrere Zustandsgrößen zu ermitteln. Aus den Messwerten ergibt sich dann der Zustand des Energiebordnetzes an dem bestimmten Zeitpunkt. Es kann dann basierend auf dem Zustand an dem bestimmten Zeitpunkt eine Aktion ermittelt und bewirkt werden. Beispielhafte Aktionen sind:

• das Verändern (insbesondere das Erhöhen oder das Reduzieren) des Stroms und/oder der Spannung in dem Bordnetz und/oder an einer Bordnetz-Komponente; und/oder
• das Verändern (insbesondere das Erhöhen oder das Reduzieren) der Last an einem Generator und/oder an einem elektrischen Verbraucher.

Das Energiemanagementsystem kann ein (mittels Reinforcement Learning) angelerntes und an den aktuellen Zustand des Energiebordnetzes angepasstes neuronales Netz umfassen, das als Eingangswerte die Messwerte der ein oder mehreren Zustandsgrößen aufnimmt und das als Ausgangswert die zu bewirkende Aktion bereitstellt. Alternativ oder ergänzend kann das neuronale Netz ausgebildet sein, für ein Paar aus Messwerten der ein oder mehreren Zustandsgrößen und einer Aktion einen (mittels Q-Learning ermittelten) Q-Wert bereitzustellen. Es kann dann auf Basis der Q-Werte für eine Vielzahl von unterschiedlichen möglichen Aktionen die Aktion ausgewählt werden, die den optimalen (z.B. den größten) Q-Wert ergibt.
Der o.g. Prozess kann an einer Sequenz von Zeitpunkten wiederholt werden, um dauerhaft das Energiebordnetz zu steuern und/oder zu regeln. Dabei kann an jedem Zeitpunkt der jeweils aktuelle Zustand gemessen und basierend darauf eine Aktion ermittelt werden. Des Weiteren kann an jedem Zeitpunkt die durch die Aktion bewirkte Belohnung gemessen und dazu verwendet werden, die Energiemanagementsystem anzupassen (um zu bewirken, dass höhere zukünftige Belohnungen erreicht werden können).
Die Belohnung bzw. die Belohnungsfunktion können jeweils ein oder mehrere Belohnungskomponenten umfassen. Beispielhafte Belohnungskomponenten sind: eine Belohnungskomponente in Bezug auf einen Strom und/oder in Bezug auf eine Spannung innerhalb des Bordnetzes und/oder an einer Bordnetz-Komponente; eine Belohnungskomponente in Bezug auf eine Last und/oder in Bezug auf eine Belastung einer Bordnetz-Komponente; und/oder eine Belohnungskomponente in Bezug auf einen Ladezustand eines Energiespeichers des Bordnetzes.
Das Maschine-erlernte Energiemanagementsystem kann zumindest einen Regler umfassen, der ausgebildet ist, eine messbare (Zustands-) Größe des Energiebordnetzes auf einen Sollwert zu regeln. Die Belohnung bzw. die Belohnungsfunktion, die beim Anlernen des Energiemanagementsystems (insbesondere des neuronalen Netzes des Energiemanagementsystems) verwendet wird, kann von einer Abweichung des (gemessenen) Istwertes der messbaren Größe von dem Sollwert bei Betrieb des Referenz-Bordnetzes bzw. bei Betrieb des Energiebordnetzes abhängen. Dabei kann die Belohnung umso größer sein, je kleiner die Abweichung des Istwertes von dem Sollwert ist. So kann eine präzise Einstellung von ein oder mehreren Zustandsgrößen des Energiebordnetzes bewirkt werden.
Das Energiemanagementsystem kann somit ausgebildet sein, Parameterwerte von Parametern des Energiemanagementsystems selbstlernend (während des Betriebs des Energiebordnetzes) an den Zustand des Energiebordnetzes anzupassen. Dabei können insbesondere die Neuron-Parameter der Vielzahl von Neuronen des neuronalen Netzes des Energiemanagementsystems an den jeweils aktuellen Zustand des Energiebordnetzes angepasst werden.
Die Vorrichtung kann eingerichtet sein, den Zustand des Energiebordnetzes, insbesondere den Zustand zumindest einer Bordnetz-Komponente, auf Basis der Parameterwerte der Parameter des Energiemanagementsystems zu ermitteln. Insbesondere kann die Vorrichtung eingerichtet sein, anhand eines Mustererkennungs-Algorithmus ein Parameter-Muster der Parameterwerte der Parameter des Energiemanagementsystems zu erkennen. Der Zustand des Energiebordnetzes, insbesondere der Zustand von ein oder mehreren Bordnetz-Komponenten des Energiebordnetzes, kann dann in präziser Weise auf Basis des erkannten Parameter-Musters ermittelt werden.
Die Vorrichtung ermöglicht es somit, in präziser und zuverlässiger Weise den Zustand eines Energiebordnetzes auf Basis der Parameterwerte des selbstlernenden Energiemanagementsystems des Energiebordnetzes zu ermitteln.
Die Vorrichtung kann eingerichtet sein, ein Parameter-Muster aus einer Mehrzahl von unterschiedlichen Parameter-Mustern zu erkennen. Dabei können die unterschiedlichen Parameter-Muster jeweils mit unterschiedlichen Zuständen des Energiebordnetzes, insbesondere mit unterschiedlichen Beeinträchtigungen von ein oder mehreren Bordnetz-Komponenten, assoziiert sein. Es kann dann in besonders präziser und zuverlässiger Weise bestimmt werden, dass das Energiebordnetz den mit dem erkannten Parameter-Muster assoziierten Zustand aufweist, insbesondere dass eine mit dem Parameter-Muster assoziierte Bordnetz-Komponente beeinträchtigt ist.
Die Vorrichtung kann eingerichtet sein, die Parameterwerte der Parameter des Energiemanagementsystems mit einer Mehrzahl von unterschiedlichen Referenzsystemen für eine entsprechende Mehrzahl von unterschiedlichen Referenzzuständen des Energiebordnetzes zu vergleichen. Dabei können die Referenzsysteme Digital Twins des Energiemanagementsystems sein. Ein Referenzsystem kann Referenzparameterwerte umfassen, die die Parameter des Energiemanagementsystems aufweisen würden, wenn sich das Energiemanagementsystem in dem mit dem Referenzsystem assoziierten Referenzzustand befindet.
Es können somit unterschiedliche Referenzsysteme des Energiemanagementsystems bereitgestellt werden, die anzeigen, welche Parameter-Muster die Parameterwerte der Parameter des Energiemanagementsystems aufweisen würden, wenn das Energiebordnetz bestimmte unterschiedliche Referenzzustände aufweist. Der tatsächliche Zustand des Energiebordnetzes kann dann in besonders präziser Weise auf Basis des Vergleichs mit den Referenzzuständen ermittelt werden. Insbesondere kann das Referenzsystem ermittelt werden, das dem Energiemanagementsystem am nächsten liegt. Es kann dann darauf geschlossen werden, dass das Energiemanagement den mit den ermittelten Referenzsystem assoziierten Referenzzustand aufweist.
Die Vorrichtung kann eingerichtet sein, zu erkennen, dass eine Bordnetz-Komponente ausgetauscht wurde. Die Parameterwerte der Parameter des Energiemanagementsystems vor Austausch der Bordnetz-Komponente können dann als Parameter-Muster bzw. als Referenzsystem für einen Defekt der ausgetauschten Bordnetz-Komponente gespeichert werden (und können bei der zukünftigen Analyse des Zustands eines Energiebordnetzes berücksichtigt werden). So kann der Zustand eines Energiebordnetzes in besonders präziser Weise ermittelt werden.
Die Vorrichtung kann eingerichtet sein, die Parameterwerte der Parameter der Energiemanagementsysteme einer Vielzahl von unterschiedlichen Energiebordnetzen (einer entsprechenden Vielzahl von Fahrzeugen) zu ermitteln. Basierend darauf kann dann eine statistische Analyse in Bezug auf eine typische Beeinträchtigung von ein oder mehreren Bordnetz-Komponenten durchgeführt werden.
Die Vielzahl von unterschiedlichen Energiebordnetzen kann z.B. in unterschiedlichen Regionen und/oder in unterschiedlichen Fahrzeugtypen betrieben werden bzw. betrieben worden sein (z.B. in Fahrzeugen einer Fahrzeugflotte). Die Vorrichtung kann eingerichtet sein, basierend auf den Parameterwerten der Parameter der Energiemanagementsysteme der Vielzahl von unterschiedlichen Energiebordnetzen eine typische Beeinträchtigung von ein oder mehreren Bordnetz-Komponenten in Abhängigkeit von der Region und/oder dem Fahrzeugtyp zu erkennen, in der bzw. in dem die ein oder mehreren Bordnetz-Komponenten betrieben wurden. So kann eine zuverlässige und präzise Fehleranalyse von Bordnetz-Komponenten durchgeführt werden, insbesondere um die Betriebssicherheit von Energiebordnetzen zu erhöhen.
Gemäß einem weiteren Aspekt wird ein (Straßen-) Kraftfahrzeug (insbesondere ein Personenkraftwagen oder ein Lastkraftwagen oder ein Bus oder ein Motorrad) beschrieben, das die in diesem Dokument beschriebene Vorrichtung umfasst.
Gemäß einem weiteren Aspekt wird ein Verfahren zur Ermittlung des Zustands eines Energiebordnetzes beschrieben, das anhand eines Maschine-erlernten Energiemanagementsystems betrieben wird. Das Verfahren umfasst das Anpassen der Parameterwerte von Parametern des Energiemanagementsystems während des Betriebs des Energiebordnetzes mittels eines Maschine-Lern-Algorithmus an den Zustand des Energiebordnetzes. Des Weiteren umfasst das Verfahren das Ermitteln des Zustands des Energiebordnetzes auf Basis der Parameterwerte der Parameter des Energiemanagementsystems.
Gemäß einem weiteren Aspekt wird ein Software (SW) Programm beschrieben. Das SW Programm kann eingerichtet werden, um auf einem Prozessor (z.B. auf einem Steuergerät eines Fahrzeugs) ausgeführt zu werden, und um dadurch das in diesem Dokument beschriebene Verfahren auszuführen.
Gemäß einem weiteren Aspekt wird ein Speichermedium beschrieben. Das Speichermedium kann ein SW Programm umfassen, welches eingerichtet ist, um auf einem Prozessor ausgeführt zu werden, und um dadurch das in diesem Dokument beschriebene Verfahren auszuführen.
Es ist zu beachten, dass die in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systeme sowohl alleine, als auch in Kombination mit anderen in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen verwendet werden können. Des Weiteren können jegliche Aspekte der in diesem Dokument beschriebenen Verfahren, Vorrichtungen und Systemen in vielfältiger Weise miteinander kombiniert werden. Insbesondere können die Merkmale der Ansprüche in vielfältiger Weise miteinander kombiniert werden.
Im Weiteren wird die Erfindung anhand von Ausführungsbeispielen näher beschrieben. Dabei zeigen

1a ein beispielhaftes elektrisches Bordnetz;
1b einen beispielhaften Regelkreis;
2a ein beispielhaftes neuronales Netz;
2b ein beispielhaftes Neuron;
3 eine beispielhafte Vorrichtung zum Anlernen eines Reglers und/oder eines Energi emanagementsystems;
4 eine beispielhafte Vorrichtung zur Ermittlung des Zustands einer Komponente eines elektrischen Bordnetzes eines Fahrzeugs; und
5 ein Ablaufdiagramm eines beispielhaften Verfahrens zur Ermittlung des Zustands einer Komponente eines elektrischen Bordnetzes eines Fahrzeugs.

Wie eingangs dargelegt, befasst sich das vorliegende Dokument mit der zuverlässigen und präzisen Vorhersage des Zustands von Komponenten eines elektrischen Bordnetzes eines Fahrzeugs. In diesem Zusammenhang zeigt 1 ein Blockdiagramm eines Bordnetzes 100, das einen elektrischen Energiespeicher 105 (z.B. eine Lithium-Ionen Batterie), ein oder mehrere elektrische Verbraucher 106 und/oder einen Generator 107 umfasst. Des Weiteren umfasst das Bordnetz 100 ein Energiemanagementsystem 101, das eingerichtet ist, ein oder mehrere (Zustands-) Größen des Bordnetzes 100 einzustellen, insbesondere auf einen jeweiligen Sollwert zu regeln. Eine beispielhafte (Zustands-) Größe des Bordnetzes 100 ist die Bordnetzspannung 111, die z.B. auf einen bestimmten Zielwert eingestellt, insbesondere geregelt, werden kann.
Zur Einstellung einer Regelgröße (z.B. der Bordnetzspannung 111) auf einen (sich mit der Zeit ändernden) Sollwert kann ein Regler verwendet werden. 1b zeigt einen beispielhaften Regelkreis 150, bei dem die Regelgröße 156 mittels eines Reglers 153 auf einen Sollwert 151 eingestellt wird. Der Regler 153 ist eingerichtet, auf Basis des Regelfehlers 152 (d.h. der Differenz) aus Regelgröße 156 und (dem jeweils aktuellen) Sollwert 151 eine Stellgröße 154 zu ermitteln. Ein oder mehrere Aktoren des Bordnetzes 100 (z.B. der Generator 107 und/oder ein oder mehrere elektrische Verbraucher 106) können in Abhängigkeit von der Stellgröße 154 betrieben werden. Eine beispielhafte Stellgröße 154 ist die Drehzahl, mit der der Generator 107 (z.B. durch einen Verbrennungsmotor eines Fahrzeugs) betrieben wird. Innerhalb der Regelstrecke 155, die von Eigenschaften des Bordnetzes 100 abhängig ist, ergibt sich aus der Stellgröße 154 die Regelgröße 156 (z.B. der Wert einer Zustandsgröße des Bordnetzes 100).
Eine Möglichkeit zur effizienten und flexiblen Einstellung und/oder Anpassung eines Reglers 153 ist das Anlernen des Reglers 153 bzw. das Anlernen einer Reglerfunktion mittels ein oder mehrerer neuronaler Netze. 2a und 2b zeigen beispielhafte Komponenten eines neuronalen Netzes 200, insbesondere eines Feedforward-Netzes. Das Netz 200 umfasst in dem dargestellten Beispiel zwei Eingangs-Neuronen bzw. Eingabe-Knoten 202, die zu einem bestimmten Zeitpunkt t jeweils einen aktuellen Wert einer Eingangsgröße als Eingangswert 201 aufnehmen. Die ein oder mehrere Eingangs-Knoten 202 sind Teil einer Eingangs-Schicht 211.
Das neuronale Netz 200 umfasst ferner Neuronen 220 in ein oder mehreren verdeckten Schichten 212 des neuronalen Netzes 200. Jedes der Neuronen 220 kann als Eingangswerte die einzelnen Ausgangswerte der Neuronen der vorhergehenden Schicht 212, 211 aufweisen (oder zumindest einen Teil davon). In jedem der Neuronen 220 erfolgt eine Verarbeitung, um in Abhängigkeit von den Eingangswerten einen Ausgangswert des Neurons 220 zu ermitteln. Die Ausgangswerte der Neuronen 220 der letzten verdeckten Schicht 212 können in einem Ausgangs-Neuron bzw. Ausgabe-Knoten 220 einer Ausgangs-Schicht 213 verarbeitet werden, um die ein oder mehreren Ausgangswerte 203 des neuronalen Netzes 200 zu ermitteln.
2b veranschaulicht die beispielhafte Signalverarbeitung innerhalb eines Neurons 220, insbesondere innerhalb der Neuronen 202 der ein oder mehreren verdeckten Schichten 212 und/oder der Ausgangs-Schicht 213. Die Eingangswerte 221 des Neurons 220 werden mit individuellen Gewichten 222 gewichtet, um in einer Summeneinheit 223 eine gewichtete Summe 224 der Eingangswerte 221 zu ermitteln (ggf. unter Berücksichtigung eines Bias bzw. Offsets 227). Durch eine Aktivierungsfunktion 225 kann die gewichtete Summe 224 auf einen Ausgangswert 226 des Neurons 220 abgebildet werden. Dabei kann durch die Aktivierungsfunktion 225 z.B. eine Begrenzung des Wertebereichs erfolgen. Für ein Neuron 220 kann z.B. eine Sigmoid-Funktion oder eine Tangens hyperbolicus (tanh)-Funktion oder eine Rectified Linear Unit (ReLU), z.B. f(x) = max(0, x) als Aktivierungsfunktion 225 verwendet werden. Ggf. kann der Wert der gewichteten Summe 224 mit einem Offset 227 verschoben werden.
Ein Neuron 220 weist somit Gewichte 222 und/oder ggf. einen Offset 227 als Neuron-Parameter auf. Die Neuron-Parameter der Neuronen 220 eines neuronalen Netzes 200 können in einer Trainingsphase angelernt werden, um zu bewirken, dass das neuronale Netz 200 eine bestimmte Funktion approximiert und/oder ein bestimmtes Verhalten modelliert.
Das Anlernen eines neuronalen Netzes 200 kann z.B. anhand des Backpropagation-Algorithmus erfolgen. Zu diesem Zweck können in einer ersten Phase einer q^ten Epoche eines Lern-Algorithmus für die Eingangswerte 201 an den ein oder mehreren Eingangs-Knoten 202 des neuronalen Netzes 200 entsprechende Ausgangswerte 203 an dem Ausgang der ein oder mehreren Ausgangs-Neuronen 220 ermittelt werden. Auf Basis der Ausgangswerte 203 kann der Wert einer Optimierungs- bzw. Fehlerfunktion ermittelt werden. In dem vorliegenden Fall kann ein Temporal-Differenz (TD) Fehler als Optimierungs- bzw. Fehlerfunktion dienen, wie weiter unten dargelegt.
In einer zweiten Phase der q^ten Epoche des Lern-Algorithmus erfolgt eine Rückpropagation des Fehlers bzw. des Fehlerwertes von dem Ausgang zum Eingang des neuronalen Netzes, um schichtweise die Neuron-Parameter der Neuronen 220 zu verändern. Dabei kann die ermittelte Fehlerfunktion am Ausgang partiell nach jedem einzelnen Neuron-Parameter des neuronalen Netzes 200 abgeleitet werden, um ein Ausmaß und/oder eine Richtung zur Anpassung der einzelnen Neuron-Parameter zu ermitteln. Dieser Lern-Algorithmus kann iterativ für eine Vielzahl von Epochen wiederholt werden, bis ein vordefiniertes Konvergenz- und/oder Abbruchkriterium erreicht wird.
Zum Anlernen eines Reglers 153 bzw. einer Reglerfunktion, die eingerichtet ist, auf Basis des Regelfehlers 152 die Stellgröße 154 zu ermitteln, kann beispielsweise das sogenannte (Actor-Critic) Reinforcement Learning verwendet werden. Als weiteres Beispiel kann Q-Learning verwendet werden. Im Rahmen des Q-Learning kann eine Q-Funktion erlernt (und z.B. durch ein neuronales Netz 200 approximiert werden), wobei die Q-Funktion dazu genutzt werden kann, für einen bestimmten Zustand eine optimale Aktion auszuwählen.
3 veranschaulicht eine beispielhafte Vorrichtung 300 zum Anlernen einer Reglerfunktion 303 für einen Regler 153, insbesondere für ein Energiemanagementsystem 101. Die Reglerfunktion 303 kann z.B. durch ein neuronales Netz 200 approximiert werden. Alternativ oder ergänzend kann die Reglerfunktion 303 durch eine analytische Funktion mit ein oder mehreren Reglerparametern beschrieben werden. Eine beispielhafte Reglerfunktion ist $u_{t} = π (x_{t}) = k x_{t}$
wobei k ein Vektor mit ein oder mehreren Reglerparametern ist und wobei x der Wert eines Zustandsvektors an dem Zeitpunkt t ist, mit den Werten von ein oder mehreren Zustandsgrößen 306 des Zustands des Bordnetzes 100 ist. Beispielhafte Zustandsgrößen 306 sind der Ladezustand des Energiespeichers 105, die Bordnetzspannung 111, die Last des Generators 107, die Last eines elektrischen Verbrauchers 106, etc.
Die Werte der ein oder mehreren Zustandsgrößen 306 können die Abweichung der einzelnen Zustandsgrößen von einem jeweiligen Sollwert 301 anzeigen. In diesem Fall zeigen die Werte x_t die Werte von ein oder mehreren Regelfehlern an.
Die Reglerfunktion 303 wird im Rahmen von (Actor-Critic) Reinforcement Learning als „Actor“ bezeichnet. Die Reglerfunktion 303 kann dazu genutzt werden, auf Basis der aktuellen Werte der ein oder mehreren Zustandsgrößen 306 die aktuellen Werte u_t von ein oder mehreren Stell- bzw. Aktionsgrößen bzw. Aktionen 304 zu ermitteln. Eine beispielhafte Stell- bzw. Aktionsgröße bzw. Aktion 304 ist die angeforderte Last des Generators 107 und/oder die durch einen Verbraucher 106 bewirkte Last.
Die aktuellen Werte u_t der ein oder mehreren Stell- bzw. Aktionsgrößen 304 können dazu verwendet werden, das zu regelnde System bzw. die Regelstrecke 305 zu betreiben. Insbesondere können ein oder mehrere Komponenten 106, 107 des Bordnetzes 100 in Abhängigkeit von den aktuellen Werten u_t der ein oder mehreren Stell- bzw. Aktionsgrößen 304 betrieben werden. Dies bewirkt Werte x_t+1 der ein oder mehreren messbaren Zustandsgrößen 306 an einem nachfolgenden Zeitpunkt t + 1.
Auf Basis der aktuellen Werte x_t der ein oder mehreren messbaren Zustandsgrößen 306 und auf Basis der aktuellen Werte u_t der ein oder mehreren Stell- bzw. Aktionsgrößen 304 kann der Wert einer Wertefunktion ermittelt werden. Die Wertefunktion kann dabei der diskontierten Summe von (zukünftigen) Belohnungen entsprechen. Zu jedem Zeitpunkt t kann eine Belohnung r(x_t, u_t) in Abhängigkeit von einer bestimmten Belohnungsfunktion vergeben werden. Die Belohnung kann z.B. davon abhängen,

• wie gut der Ladezustand des Energiespeichers 105 auf einen bestimmten Ziel-Ladezustand eingestellt ist; und/oder
• wie nah die von den Generator 107 bewirkte Last an einer bestimmten Ziel-Last liegt.

Die Belohnung r(x_t, u_t) kann unterschiedliche Belohnungsterme bzw. Belohnungskomponenten für unterschiedliche Regelgrößen und/oder Zustandsgrößen 306 aufweisen. Die einzelnen Belohnungskomponenten können zu einem Belohnungsvektor zusammengefasst werden. Der aktuelle Wert 302 der Belohnung r(x_t, u_t) (d.h. der Belohnungsfunktion) an einem bestimmten Zeitpunkt t kann durch die Einheit 307 berechnet werden.
Die Reglerfunktion 303 kann derart angelernt werden, dass die Summe der über der Zeit diskontierten Belohnungen vergrößert, insbesondere maximiert, wird. Da aufgrund der unbekannten Regelstrecke 305 nicht bekannt ist, wie sich Aktionen bzw. Stellgrößen 304 auf die Werte x_t der ein oder mehreren (messbaren) Zustandsgrößen 306 (d.h. die Werte der Regelfehler) aufweisen, kann als „Critic“ eine Zustands-Aktions-Wertefunktion 308 angelernt werden, die für jede Kombination aus einem Zustand x_t des zu regelnden Systems 305 (d.h. des Bordnetzes 100) und einer Aktion u_t 304 einen Wert Q^π(x_t, u_t) 310 der Summe der über der Zeit diskontierten Belohnungen anzeigt.
Andererseits kann eine Zustands-Wertefunktion definiert werden, die für einen bestimmten Zustand x_t die Summe der über der Zeit i diskontierten Belohnungen r(x_i, u_i) anzeigt, $V^{π} (x_{t}) = \sum_{i = 1}^{\infty} γ^{i} r (x_{i}, u_{i})$
mit dem Diskontierungsfaktor γ ∈ [0,1]. Dabei kann nach Konvergenz der Wertefunktionen angenommen werden, $V^{π} (x_{t + 1}) = Q^{π} (x_{t + 1}, u_{t + 1})$
wobei u_t+1 = π(x_t+1) mit der angelernten Reglerfunktion π() 303 ist.
Die Wertefunktionen können iterativ mit der Zeit angelernt werden, wobei nach Konvergenz gelten sollte $Q^{π} (x_{t}, u_{t}) = r (x_{t}, u_{t}) + γ V^{π} (x_{t + 1}) .$
Solange noch keine Konvergenz erreicht ist, kann auf Basis der o.g. Gleichung ein sogenannter Temporal-Differenz (TD) Fehler δ 311 errechnet werden (z.B. in der Einheit 309), als $δ = r (x_{t}, u_{t}) + γ V^{π} (x_{t + 1}) - Q^{π} (x_{t}, u_{t})$
wobei der TD-Fehler δ 311 unter der Annahme $V^{π} (x_{t + 1}) = Q^{π} (x_{t + 1}, u_{t + 1})$
aus dem Wert r(x_t, u_t) 302 der Belohnung an dem Zeitpunkt t und aus den Werten Q^π(x_t, u_t), Q^π(x_t+1, u_t+1) 310 der Zustands-Aktions-Wertefunktion 308 an den Zeitpunkten t und t + 1 berechnet werden kann. Der Wert 302 der Belohnung kann zu diesem Zweck in der Einheit 309 bereitgestellt werden (nicht dargestellt). Der TD-Fehler δ 311 kann dazu verwendet werden, iterativ die Zustands-Aktions-Wertefunktion 308 und ggf. die Reglerfunktion 303 anzulernen. Insbesondere kann der TD-Fehler δ 311 dazu verwendet werden, die Zustands-Aktions-Wertefunktion 308 anzulernen. Die angelernte Zustands-Aktions-Wertefunktion 308 kann dann dazu verwendet werden, die Reglerfunktion 303 anzulernen.
Die Zustands-Aktions-Wertefunktion 308 kann durch ein neuronales Netz 200 approximiert und/oder modelliert werden, und auf Basis des TD-Fehlers δ 311 angepasst werden. Nach Anpassen der Zustands-Aktions-Wertefunktion 308 kann die Reglerfunktion 303 angepasst werden. Die Vorrichtung 300 kann eingerichtet sein, die Reglerfunktion 303 und/oder die Zustands-Aktions-Wertefunktion 308 iterativ für eine Vielzahl von Zeitpunkten t anzupassen, bis ein Konvergenzkriterium erreicht ist. So kann in effizienter und präziser Weise eine Reglerfunktion 303 für einen Regler 153 ermittelt werden.
In entsprechender Weise können mehrere Regler 153 für mehrere Regel- bzw. Zustandsgrößen 106 eines Machine-Learning basierten Energiemanagementsystems 101 angelernt werden.
Wie bereits oben dargelegt, ist das in Zusammenhang mit 3 beschriebene Verfahren nur ein Beispiel zum Anlernen eines Energiemanagementsystems 101 anhand von reinforcement learning. Ein weiteres Beispiel ist Q-Learning. In diesem Fall kann eine Q-Funktion bzw. eine Zustands-Aktions-Wertefunktion 308 angelernt werden, die ausgebildet ist, für ein Zustands-Aktions-Paar einen Q-Wert bereitzustellen (wobei der Q-Wert z.B. die Summe der diskontierten zukünftigen Belohnungen anzeigt). Ausgehend von einem aktuellen Zustand können anhand der angelernten Q-Funktion für mehrere unterschiedliche mögliche Aktionen entsprechende Q-Werte ermittelt werden. Es kann dann die Aktion ausgewählt werden, für die sich der optimale (z.B. der maximale) Q-Wert ergibt.
Reinforcement Learning kann auch dazu verwendet werden, während des Betriebs eines Bordnetzes 100 das Energiemanagementsystem 101 derart anzupassen, dass die Belohnung 302 auch dann maximiert wird, wenn sich das Bordnetz 100 verändert, insbesondere wenn sich die Funktionsweise von ein oder mehreren Komponenten 105, 106, 107 des Bordnetzes 100 verändert. Die Anpassung des Energiemanagementsystems 101 führt auch zu einer Anpassung des neuronalen Netzes 200, durch das das Energiemanagementsystem 101 implementiert wird. Eine derartige Veränderung des neuronalen Netzes 200, insbesondere der Neuron-Parameter 222, 227 des neuronalen Netzes 200, kann dazu verwendet werden, die Beeinträchtigung einer Komponente 105, 106, 107 des Bordnetzes 100 zu detektieren.
Insbesondere kann das Energiemanagementsystem 101 z.B. anhand von Reflex-Augmented Reinforcement Learning (RARL) oder anhand von Reinforcement Learning angelernt und/oder adaptiert werden. RARL wird z.B. in Heimrath et al., „Reflex-Augmented Reinforcement Learning for Operating Strategies in Automotive Electrical Energy Management", Proceeding of the 2019 International Conference on Computing, Electronics & Communications Engineering, IEEE, 2019, pp. 62-67, beschrieben. Der Inhalt dieses Dokument wird hiermit durch Bezugnahme vollständig in das vorliegende Dokument aufgenommen.
4 zeigt eine beispielhafte Vorrichtung 450 zur Ermittlung des Zustands von ein oder mehreren Komponenten 105, 106, 107 eines Bordnetzes 100. Die Vorrichtung 450 umfasst ein zu analysierendes, an den aktuellen Zustand des Bordnetzes 100 angepasstes, lernfähiges System 400. Das lernfähige System 400 kann z.B. das an den aktuellen Zustand des Bordnetzes 100 angepasste Energiemanagementsystem 101 umfassen, insbesondere sein. Das lernfähige System 400 kann somit, aufgrund der automatischen Anpassung an den Zustand des Bordnetzes 100, Information in Bezug auf den aktuellen Zustand des Bordnetzes 100 anzeigen. Diese Information kann sich insbesondere in den Parameterwerten der Neuron-Parameter 222, 227 eines neuronalen Netzes 200 des lernfähigen Systems 400 widerspiegeln.
Die Vorrichtung 450 umfasst ferner ein oder mehrere Referenzsysteme 410. Dabei kann ein Referenzsystem 410 einen entsprechenden Referenzzustand des Bordnetzes 100, z.B. mit einer bestimmten Beeinträchtigung einer bestimmten Komponente 105, 106, 107 des Bordnetzes 100, repräsentieren. Insbesondere können mehrere unterschiedliche Referenzsysteme 410 für mehrere unterschiedliche Referenzzustände des Bordnetzes 100 bereitgestellt werden. Ein Referenzsystem 410 kann dabei ein entsprechendes Referenz-Muster der Parameterwerte der ein oder mehreren (Neuron-) Parameter 222, 227 des Energiemanagementsystems 101 aufweisen.
Ein Referenzsystem 410 kann eine Struktur aufweisen, die der Struktur des lernfähigen Systems 400 entspricht. Beispielsweise kann das Referenzsystem 410 ein neuronales Netz 200 aufweisen, das die gleiche Struktur aufweist, wie das neuronale Netz 200 des lernfähigen Systems 400. Andererseits können sich die Parameterwerte des Referenzsystems 410 von den Parameterwerten des lernfähigen Systems 400 unterscheiden.
Die Vorrichtung 450 kann eine Vergleichseinheit 420 umfassen, die eingerichtet ist, das lernfähige System 400 mit den ein oder mehreren Referenzsystemen 410 zu vergleichen. Insbesondere kann die Vergleichseinheit 420 eingerichtet sein, zu ermitteln, welches Referenzsystem 410 dem lernfähigen System 400 am meisten ähnelt. Es kann insbesondere das Referenzsystem 410 ermittelt werden, das ein Muster von Parameterwerten aufweist, die dem Muster der Parameterwerte des lernfähigen Systems 410 am ähnlichsten ist.
Aus dem mit dem identifizierten Referenzsystem 410 assoziierten Referenzzustand des Bordnetzes 100 kann dann auf den tatsächlichen Zustand des Bordnetzes 100 geschlossen werden. Beispielsweise kann der Referenzzustand eine bestimmte Beeinträchtigung einer bestimmten Komponente 105, 106, 107 des Bordnetzes 100 anzeigen. Es kann dann darauf geschlossen werden, dass die bestimmte Komponente 105, 106, 107 des Bordnetzes 100 tatsächlich die von dem Referenzzustand angezeigte Beeinträchtigung aufweist.
Es kann somit ein lernendes bzw. lernfähiges System 400, wie z.B. ein neuronales Netz oder ein Random Forest, betrachtet werden. In dem lernfähigen System 400 werden Parametersätze angelernt. Diese Parametersätze können von den Trainingsdaten abhängen. Insbesondere können die Parametersätze des lernfähigen Systems 400 von dem Zustand der ein oder mehreren physikalischen Komponenten 105, 106, 107 des elektrischen Bordnetzes 100 eines Fahrzeugs abhängen.
Die Vorrichtung 450 kann eingerichtet sein, mithilfe eines „Digital Twins“ des lernfähigen Systems 400 und/oder mithilfe einer Simulationsumgebung (z.B. mithilfe von ein oder mehreren Referenzsystemen 410) das Verhalten und/oder den Zustand von ein oder mehreren Komponenten 105, 106, 107 des Bordnetzes 100 zu ermitteln. Dabei können mögliche Fehler des Bordnetzes 100 z.B. von einem bzw. mit einem Fehlerbaumanalysetool generiert werden.
Die Parameterwerte des lernfähigen Systems 400 können mit den Parameterwerten der ein oder mehreren Referenzsysteme 410 (insbesondere des „Digital Twins“) verglichen werden. Insbesondere kann die Vorrichtung 450 eingerichtet sein, ein Muster in Bezug auf eine Verschiebung bzw. einen Drift von Parameterwerten von Parametern des lernfähigen Systems 400 zu identifizieren. Auf Basis des erkannten Musters kann dann auf eine Beeinträchtigung bzw. auf einen Fehler einer Komponente 105, 106, 107 des Bordnetzes 100 geschlossen werden.
Alternativ oder ergänzend kann die Vorrichtung 450 eingerichtet sein, ein Parameter-Muster in einem Digital Twin zu generieren (d.h. ein Referenzsystem 410 zu generieren), das eine bestimmte Beeinträchtigung einer bestimmten Komponente 105, 106, 107 des Bordnetzes 100 repräsentiert. Dieses Parameter-Muster (d.h. dieses Referenzsystem 410) kann dann mit dem tatsächlichen Parameter-Muster des lernfähigen Systems 400 verglichen werden, um zu überprüfen, ob das tatsächliche Bordnetz 100 des Fahrzeugs die bestimmte Beeinträchtigung des bestimmten Komponente 105, 106, 107 aufweist oder nicht.
Alternativ oder ergänzend kann z.B. im Rahmen der Wartung der Defekt einer Komponente 105, 106, 107 erkannt werden. Die defekte Komponente 105, 106, 107 kann daraufhin ausgetauscht werden. Die Vorrichtung 450 kann eingerichtet sein, das Parameter-Muster, das sich aufgrund des Defekts der Komponente 105, 106, 107 in dem lernfähigen System 400 ergeben hat, in eine Muster-Datenbank aufzunehmen. Mit anderen Worten, das an die defekte Komponente 105, 106, 107 angepasste lernfähige System 400 kann als Referenzsystem 410 für diesen spezifischen Defekt in eine Muster-Datenbank aufgenommen werden (und zur Erkennung dieses spezifischen Defektes verwendet werden).
Die Vorrichtung 450 kann eingerichtet sein, die Veränderungen der lernfähigen Systeme 400 in einer Vielzahl von unterschiedlichen Fahrzeugen (z.B. sortiert nach Fahrzeugtyp und/oder nach Region) zusammenzuführen. Beispielsweise kann (ggf. in Abhängigkeit von Fahrzeugtyp und/oder der Region) basierend auf den unterschiedlichen lernfähigen Systemen 400 ein Referenzsystem 410 bereitgestellt werden (z.B. als Mittelwert der unterschiedlichen lernfähigen Systeme 400).
Durch die Betrachtung der Veränderungen der lernfähigen Systeme 400 in einer Vielzahl von unterschiedlichen Fahrzeugen können Fahrzeugtyp-spezifische und/oder Region-spezifische Fehler von Komponenten 105, 106, 107 erkannt werden (z.B. aufgrund einer spezifischen Beanspruchung in dem jeweiligen Fahrzeugtyp und/oder in der jeweiligen Region).
5 zeigt ein Ablaufdiagramm eines (ggf. Computer-implementierten) Verfahrens 500 zur Ermittlung des Zustands eines Energiebordnetzes 100. Das Energiebordnetz 100 kann unterschiedliche Bordnetz-Komponenten 105, 106, 107 umfassen und kann anhand eines Maschine-erlernten Energiemanagementsystems 101, 400 betrieben werden.
Das Verfahren 500 umfasst das Anpassen 501 der Parameterwerte von Parametern des Energiemanagementsystems 101, 400 während des Betriebs des Energiebordnetzes 100 mittels eines Machine Learning-basierten Algorithmus an den Zustand des Energiebordnetzes 100. Das Energiemanagementsystem 101, 400 kann insbesondere anhand von Reinforcement Learning an den jeweils aktuellen Zustand des Energiebordnetzes 100, insbesondere an den jeweils aktuellen Zustand der ein oder mehreren Bordnetz-Komponenten 105, 106, 107, angepasst werden. Dabei kann das Anpassen des Energiemanagementsystems 101, 400 darauf ausgelegt sein, eine Beeinträchtigung einer Bordnetz-Komponente 105, 106, 107 zumindest teilweise zu kompensieren.
Das Verfahren 500 umfasst ferner das Ermitteln 502 des Zustands des Energiebordnetzes 100 auf Basis der Parameterwerte der Parameter des Energiemanagementsystems 101, 400. Dabei kann insbesondere ein Mustererkennungs-Algorithmus verwendet werden, um ein bestimmtes Parameter-Muster zu erkennen. Das Parameter-Muster kann mit einem bestimmten Referenzzustand, insbesondere mit einer bestimmten Beeinträchtigung einer Bordnetz-Komponente 105, 106, 107, assoziiert sein. So kann in zuverlässiger und präziser Weise der Zustand des Energiebordnetzes 100 ermittelt werden.
Durch die in diesem Dokument beschriebenen Maßnahmen können der Komfort und die Sicherheit eines Energiebordnetzes 100 (für ein Fahrzeug) erhöht werden. Dabei kann es ermöglicht werden, vorherzusagen, ob das Energiebordnetz 100 oder Teile 105, 106, 107 des Energiebordnetzes 100 die an das Bordnetz 100 gestellten Anforderungen nicht mehr erfüllen. So können Komponenten 105, 106, 107, für die eine Verschlechterung vorhergesagt und/oder detektiert wird, frühzeitig repariert oder ausgetauscht werden, bevor eine spürbare Beeinträchtigung des Bordnetzes 100 vorliegt. Ferner kann durch die beschriebenen Maßnahmen eine sichere Energieversorgung für ein automatisiert fahrendes Fahrzeugs bereitgestellt werden. Des Weiteren können Qualitätsschwankungen bei den Komponenten 105, 106, 107 eines Bordnetzes 100 erkannt werden.
Die vorliegende Erfindung ist nicht auf die gezeigten Ausführungsbeispiele beschränkt. Insbesondere ist zu beachten, dass die Beschreibung und die Figuren nur das Prinzip der vorgeschlagenen Verfahren, Vorrichtungen und Systeme veranschaulichen sollen.
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

Heimrath et al., „Reflex-Augmented Reinforcement Learning for Operating Strategies in Automotive Electrical Energy Management”, Proceeding of the 2019 International Conference on Computing, Electronics & Communications Engineering, IEEE, 2019, pp. 62-67 [0053]

Claims

Vorrichtung (450) zur Ermittlung des Zustands eines Energiebordnetzes (100), das unterschiedliche Bordnetz-Komponenten (105, 106, 107) umfasst und das anhand eines Maschine-erlernten Energiemanagementsystems (101, 400) betrieben wird; wobei das Energiemanagementsystem (101, 400) ausgebildet ist, Parameterwerte von Parametern des Energiemanagementsystems (101, 400) selbstlernend an den Zustand des Energiebordnetzes (100) anzupassen; wobei die Vorrichtung (450) eingerichtet ist, den Zustand des Energiebordnetzes (100) auf Basis der Parameterwerte der Parameter des Energiemanagementsystems (101, 400) zu ermitteln.
Vorrichtung (450) gemäß Anspruch 1, wobei die Vorrichtung (450) eingerichtet ist, - anhand eines Mustererkennungs-Algorithmus ein Parameter-Muster der Parameterwerte der Parameter des Energiemanagementsystems (101, 400) zu erkennen; und - den Zustand des Energiebordnetzes (100), insbesondere den Zustand von ein oder mehreren Bordnetz-Komponenten (105, 106, 107) des Energiebordnetzes (100), auf Basis des erkannten Parameter-Musters zu ermitteln.
Vorrichtung (450) gemäß Anspruch 2, wobei die Vorrichtung (450) eingerichtet ist, - ein Parameter-Muster aus einer Mehrzahl von unterschiedlichen Parameter-Mustern zu erkennen; wobei die unterschiedlichen Parameter-Muster jeweils mit unterschiedlichen Zuständen des Energiebordnetzes (100), insbesondere mit unterschiedlichen Beeinträchtigungen von ein oder mehreren Bordnetz-Komponenten (105, 106, 107), assoziiert sind; und - zu bestimmen, dass das Energiebordnetz (100) den mit dem erkannten Parameter-Muster assoziierten Zustand aufweist, insbesondere dass eine mit dem Parameter-Muster assoziierte Bordnetz-Komponente (105, 106, 107) beeinträchtigt ist.
Vorrichtung (450) gemäß einem der vorhergehenden Ansprüche, wobei die Vorrichtung (450) eingerichtet ist, - die Parameterwerte der Parameter des Energiemanagementsystems (101, 400) mit einer Mehrzahl von unterschiedlichen Referenzsystemen (410) für eine entsprechende Mehrzahl von unterschiedlichen Referenzzuständen des Energiebordnetzes (100) zu vergleichen; wobei ein Referenzsystem (410) Referenzparameterwerte umfasst, die die Parameter des Energiemanagementsystems (101, 400) aufweisen würden, wenn sich das Energiemanagementsystem (101, 400) in dem mit dem Referenzsystem (410) assoziierten Referenzzustand befindet; und - den Zustand des Energiebordnetzes (100) auf Basis des Vergleichs zu ermitteln.
Vorrichtung (450) gemäß einem der vorhergehenden Ansprüche, wobei - das Energiemanagementsystem (101, 400) ein neuronales Netz (200) mit einer Vielzahl von Neuronen (220) umfasst; und - die Parameter Neuron-Parameter (222, 227) der Vielzahl von Neuronen (220) umfassen.
Vorrichtung (450) gemäß einem der vorhergehenden Ansprüche, wobei die Vorrichtung (450) eingerichtet ist, - zu erkennen, dass eine Bordnetz-Komponente (105, 106, 107) ausgetauscht wurde; - die Parameterwerte der Parameter des Energiemanagementsystems (101, 400) vor Austausch der Bordnetz-Komponente (105, 106, 107) als Parameter-Muster für einen Defekt der ausgetauschten Bordnetz-Komponente (105, 106, 107) zu speichern.
Vorrichtung (450) gemäß einem der vorhergehenden Ansprüche, wobei die Vorrichtung (450) eingerichtet ist, - die Parameterwerte der Parameter der Energiemanagementsysteme (101, 400) einer Vielzahl von unterschiedlichen Energiebordnetzen (100) zu ermitteln, und - basierend darauf eine statistische Analyse in Bezug auf eine typische Beeinträchtigung von ein oder mehreren Bordnetz-Komponenten (105, 106, 107) durchzuführen.
Vorrichtung (450) gemäß Anspruch 7, wobei - die Vielzahl von unterschiedlichen Energiebordnetzen (100) in unterschiedlichen Regionen und/oder in unterschiedlichen Fahrzeugtypen betrieben wurden; und - die Vorrichtung (450) eingerichtet ist, basierend auf den Parameterwerten der Parameter der Energiemanagementsysteme (101, 400) der Vielzahl von unterschiedlichen Energiebordnetzen (100) eine typische Beeinträchtigung von ein oder mehreren Bordnetz-Komponenten (105, 106, 107) in Abhängigkeit von der Region und/oder dem Fahrzeugtyp zu erkennen, in der bzw. in dem die ein oder mehreren Bordnetz-Komponenten (105, 106, 107) betrieben wurden.
Vorrichtung (450) gemäß einem der vorhergehenden Ansprüche, wobei - das Maschine-erlernte Energiemanagementsystem (101, 400) zumindest einen Regler (150) umfasst, der ausgebildet ist, eine messbare Größe des Energiebordnetzes (100) auf einen Sollwert zu regeln; und/oder - das Maschine-erlernte Energiemanagementsystem (101, 400) ausgebildet ist, mittels Reinforcement Learning an einen sich ändernden Zustand des Energiebordnetzes (100) angepasst zu werden.
Verfahren (500) zur Ermittlung des Zustands eines Energiebordnetzes (100), das unterschiedliche Bordnetz-Komponenten (105, 106, 107) umfasst und das anhand eines Maschine-erlernten Energiemanagementsystems (101, 400) betrieben wird; wobei das Verfahren (500) umfasst, - Anpassen (501) der Parameterwerte von Parametern des Energiemanagementsystems (101, 400) während des Betriebs des Energiebordnetzes (100) mittels eines Maschine-Lern-Algorithmus an den Zustand des Energiebordnetzes (100); und - Ermitteln (502) des Zustands des Energiebordnetzes (100) auf Basis der Parameterwerte der Parameter des Energiemanagementsystems (101, 400).