-
Die vorliegende Erfindung bezieht sich auf ein Verfahren und ein System zur Bewertung von Abgasemissionsdaten eines Kraftfahrzeugs.
-
Einschlägige gesetzliche Vorschriften sehen vor, dass Messungen von Abgasemissionen eines Kraftfahrzeugs unter realen Fahrbedingungen, die in der Fachwelt häufig auch als „Real Drive Emissions“ (RDE) bezeichnet werden, vorgenommen werden müssen. Dadurch können zum Beispiel Prüfingenieure Abweichungen von Emissionswerten, die auf einem Prüfstand ermittelt worden sind, von Emissionswerten, die im realen Fahrbetrieb gemessen worden sind, analysieren und bewerten, um dadurch etwaige Anomalitäten überprüfen zu können. Um Abgasemissionen während des realen Fahrbetriebs eines Kraftfahrzeugs messen zu können, werden tragbare Emissionsmessgeräte verwendet, die häufig auch als PEMS-Messgeräte (PEMS = Portable Emissions Measurement System) bezeichnet werden. Diese werden im Heckbereich eines Kraftfahrzeugs angebracht und sind dazu in der Lage, Abgasemissionen direkt an der Abgasanlage des Kraftfahrzeugs im realen Fahrbetrieb zu messen. Ein hohes Datenvolumen und eine entsprechende Komplexität der Daten erfordern einen relativ hohen Zeit- und Arbeitsaufwand, um mögliche Anomalitäten erfassen zu können.
-
Die
US 2020/0031371 A1 schlägt ein Verfahren zur Bewertung des Fahrstils eines Fahrers mittels eines durch maschinelles Lernen trainierten Modells vor. Dieses Modell basiert auf Stichproben unterschiedlicher Merkmale und wird anhand des Kraftstoffverbrauchs validiert. Die Effizienz des Fahrstils wird dem Fahrer in geeigneter Weise, wie zum Beispiel durch eine Sprachausgabe, mitgeteilt.
-
Die
US 2019/0355189 A1 offenbart ein Verfahren zur Durchführung eines Straßen-Fahrtests eines Fahrzeugs, welches bei der Datenverarbeitung Methoden der künstlichen Intelligenz nutzt. Ziel dieses Verfahrens ist es sicherzustellen, dass die vordefinierten Testbedingungen für einen RDE-Test während des Testzeitraums tatsächlich eingehalten werden und ein menschlicher Assistent, der während der Durchführung des Tests im Fahrzeug mitfährt und auf Basis der zwischenzeitlich erfassten Testdaten dem Fahrer entsprechende Fahranweisungen gibt, wie er zur korrekten Durchführung des Tests zu fahren hat, nicht mehr erforderlich ist.
-
Die vorliegende Erfindung macht es sich zur Aufgabe, ein Verfahren und ein System zur Bewertung von Abgasemissionsdaten eines Kraftfahrzeugs im realen Fahrbetrieb zur Verfügung zu stellen, mittels derer die Bewertung auf einfache und zuverlässige Art und Weise durchgeführt werden kann, so dass insbesondere mögliche Anomalitäten einfach erfasst werden können.
-
Die Lösung dieser Aufgabe liefert ein Verfahren zur Bewertung von Abgasemissionsdaten eines Kraftfahrzeugs mit den Merkmalen des Anspruchs 1. Hinsichtlich des Systems wird diese Aufgabe durch ein System zur Bewertung von Abgasemissionsdaten eines Kraftfahrzeugs mit den Merkmalen des Anspruchs 10 gelöst. Die Unteransprüche betreffen vorteilhafte Weiterbildungen der Erfindung.
-
Bei einem erfindungsgemäßen Verfahren zur Bewertung von Abgasemissionsdaten eines Kraftfahrzeugs ist vorgesehen, dass
- - eine Mehrzahl von Abgasemissionsdaten eines Kraftfahrzeugs im realen Fahrbetrieb erfasst wird,
- - eine Mehrzahl von Fahrdaten und Kraftstoffverbrauchsdaten im realen Fahrbetrieb des Kraftfahrzeugs erfasst wird, wobei aus den Fahrdaten eine Mehrzahl statistischer Größen fahrstilabhängiger Parameter berechnet wird,
wobei
- - die Abgasemissionsdaten, die Kraftstoffverbrauchsdaten sowie aus den berechneten statistischen Größen der fahrstilabhängigen Parameter abgeleitete fahrstilabhängige Merkmale einem maschinellen Lernprozess zur Verfügung gestellt werden, mittels dessen ein Regressionsmodell während einer Trainingsphase auf einen Zusammenhang zwischen den fahrstilabhängigen Merkmalen und den Abgasemissionsdaten trainiert wird, wobei zumindest zwei Fahrstilmuster in Abhängigkeit von den fahrstilabhängigen Merkmalen erzeugt werden, die mittels der Kraftstoffverbrauchsdaten validiert werden und mit den Abgasemissionsdaten in Beziehung gesetzt werden, und
- - in einem Anwendungsprozess die Abgasemissionsdaten und die Fahrdaten in einzelne Messausschnitte aufgeteilt werden und innerhalb dieser Messausschnitte statistische Größen berechnet werden, welche dem trainierten Regressionsmodell zur Verfügung gestellt und von diesem verarbeitet werden, so dass die Messausschnitte einem Fahrstilmuster zugeordnet werden.
-
Mittels des hier vorgestellten Verfahrens ist es möglich, durch einen maschinellen Lernprozess einen Zusammenhang zwischen dem Fahrstil eines Fahrers des Kraftfahrzeugs und den Abgasemissionswerten, die im Realbetrieb des Kraftfahrzeugs gemessen werden, zu erhalten. Dieses Verfahren ermöglicht einerseits die Bereitstellung von Informationen für einen Fahrer eines Fahrzeugs, wie sich sein Fahrstil auf die tatsächlichen Abgasemissionswerte auswirkt und andererseits auch die Erfassung und Bewertung möglicher Anomalitäten, die im realen Fahrbetrieb des Kraftfahrzeugs auftreten. Die Validierung der Fahrstilmuster erfolgt durch eine Betrachtung des Kraftstoffverbrauchsverhaltens unter der Annahme, dass ein gemäßigter Fahrer ein höheres Kraftstoffeinsparpotential hat als ein dynamischer, betont sportlicher Fahrer. Diese Validierung kann für Fahrten im Stadtverkehr, auf Landstraßen und Autobahnen vorgenommen werden.
-
In einer Ausführungsform besteht die Möglichkeit, dass ein unüberwachter maschineller Lernprozess verwendet wird. In einer Ausführungsform kann zum Beispiel ein unüberwachter maschineller Lernprozess verwendet werden, der auf einem k-Means-Algorithmus basiert.
-
In einer alternativen Ausführungsform kann auch vorgesehen sein, dass ein überwachter maschineller Lernprozess verwendet wird. In einer Ausführungsform kann der überwachte maschinelle Lernprozess einen logistischen Regressionsalgorithmus für ein Klassifikationsmodell verwenden.
-
In einer bevorzugten Ausführungsform wird vorgeschlagen, dass dem maschinellen Lernprozess ein Merkmalsmuster zur Verfügung gestellt wird, das so gewählt wird, dass es einen Zusammenhang eines menschlichen Fahrverhaltens mit dem Fahrstil abbildet. Ziel ist es dabei, dem maschinellen Lernprozess ein reduziertes Merkmalsmuster aus einer Vielzahl möglicher Merkmale, insbesondere durch ein so genanntes Feature-Engineering, zur Verfügung zu stellen, um dadurch insbesondere den Rechenaufwand zu verringern.
-
In einer besonders bevorzugten Ausführungsform kann vorgesehen sein, dass das Merkmalsmuster aus Merkmalen einer Merkmalsgruppe ausgewählt wird, welche eine Gaspedalintensität, eine maximale Drehmomentanforderung, eine maximale Motordrehzahl, eine minimale Motordrehzahl, eine Standardabweichung der Motordrehzahl, eine Standardabweichung der Drehmomentanforderung, einen Mittelwert der Motordrehzahl und eine minimale Drehmomentanforderung umfasst.
-
Vorzugsweise kann das Auswählen der Merkmale zum Erhalten des Merkmalsmusters durch ein Filterverfahren, insbesondere durch ein Clustering-Verfahren, unterstützt werden. Ein mögliches Clustering Verfahren zur Merkmalsauswahl und Erzeugung des Merkmalsmusters ist zum Beispiel das so genannte „Local-Learning-based Clustering“ (kurz: LLC).
-
In einer vorteilhaften Ausführungsform kann vorgesehen sein, dass der Zusammenhang zwischen dem Fahrstil und den Abgasemissionswerten einem Nutzer mittels einer Nutzerschnittstelle zur Verfügung gestellt wird. Beispielsweise kann diese Nutzerschnittstelle eine Anzeigevorrichtung sein, mittels derer dieser Zusammenhang visualisiert werden kann.
-
Gemäß Anspruch 10 umfasst ein System zur Bewertung von Abgasemissionsdaten eines Kraftfahrzeugs, das zur Durchführung eines Verfahrens nach einem der Ansprüche 1 bis 9 geeignet ist,
- - eine Abgasemissionsmesseinrichtung, die in einem Heckbereich eines Kraftfahrzeugs angeordnet ist und im realen Fahrbetrieb eine Mehrzahl von Abgasemissionsdaten des Kraftfahrzeugs erfassen und bereitstellen kann,
- - zumindest eine elektronische Steuerungseinrichtung, die während des realen Fahrbetriebs eine Mehrzahl von Fahrdaten und Kraftstoffverbrauchsdaten erfassen und bereitstellen kann, sowie
- - eine Recheneinrichtung mit einem maschinellen Lernmodul, in dem der maschinelle Lernprozess zum Trainieren des Regressionsmodells implementiert ist, wobei die Recheneinrichtung dazu ausgebildet ist, das trainierte Regressionsmodell in einem Anwendungsprozess auszuführen..
-
Weitere Merkmale und Vorteile der vorliegenden Erfindung werden deutlich anhand der nachfolgenden Beschreibung eines bevorzugten Ausführungsbeispiels unter Bezugnahme auf die beiliegenden Abbildungen. Dabei zeigen
- 1 eine schematisch stark vereinfachte Darstellung eines Systems, das zur Durchführung eines Verfahrens zur Bewertung von Abgasemissionsdaten eines Kraftfahrzeugs gemäß einem bevorzugten Ausführungsbeispiel der vorliegenden Erfindung geeignet ist, während des Trainierens eines Regressionsmodells durch einen maschinellen Lernprozess,
- 2 eine schematisch stark vereinfachte Darstellung des Systems während des Anwendungsprozesses während des Fahrbetriebs des Kraftfahrzeugs.
-
Ein System 1 zur Durchführung eines Verfahrens zur Bewertung von Abgasemissionsdaten eines Kraftfahrzeugs umfasst eine tragbare Abgasemissionsmesseinrichtung 2, die häufig auch als PEMS-Messgerät (PEMS = Portable Emissions Measurement System) bezeichnet wird. Mittels der tragbaren Abgasemissionsmesseinrichtung 2, die in einem Heckbereich eines Kraftfahrzeugs angeordnet wird, kann im realen Fahrbetrieb eine Mehrzahl von Abgasemissionsdaten des Kraftfahrzeugs erfasst werden. Ferner umfasst das System 1 zumindest eine elektronische Steuerungseinrichtung 3, insbesondere eine elektronische Motorsteuerungseinrichtung, die während des realen Fahrbetriebs eine Mehrzahl von Daten, insbesondere Fahrdaten und Kraftstoffverbrauchsdaten, erfassen und bereitstellen kann, sowie eine Recheneinrichtung 4, in der unterschiedliche Funktionen implementiert sind, die nachfolgend näher erläutert werden sollen.
-
In der Recheneinrichtung 4 ist ein maschinelles Lernmodul 5 implementiert, welches dazu ausgebildet ist, in einem maschinellen Lernprozess 51 ein Regressionsmodell 10 zu trainieren. Das Regressionsmodell 10 wird dabei auf Basis von Trainingsdaten, die Daten der Abgasemissionsmesseinrichtung 2 und der elektronischen Steuerungseinrichtung 3 umfassen, erzeugt und darauf trainiert, die erhaltenen Daten selbstständig einem Fahrstil des Fahrers des Kraftfahrzeugs zuzuordnen. Das trainierte Regressionsmodell 10 wird anschließend in einem Anwendungsprozess eingesetzt, der in 2 in schematischer Form dargestellt ist. Bei diesem Anwendungsprozess wird das System 1 während des realen Fahrbetriebs des Kraftfahrzeugs produktiv eingesetzt.
-
Die mittels der Abgasemissionsmesseinrichtung 2 gemessenen Abgasemissionsdaten und die von der elektronischen Steuerungseinrichtung 3 zur Verfügung gestellten Daten, bei denen es sich insbesondere um die bereits genannten Fahrdaten und Kraftstoffverbrauchsdaten handeln kann, werden in der weiter unten erläuterten Weise zumindest teilweise für eine Verarbeitung mittels des maschinellen Lernmoduls 5 aufbereitet und gegebenenfalls vorbearbeitet. Aus den aufbereiteten und gegebenenfalls vorbearbeiteten Daten der elektronischen Steuerungseinrichtung 3 und den Abgasemissionsdaten der Abgasemissionsmesseinrichtung 2 werden Trainingsdaten für das Regressionsmodell 10 erzeugt, das in dem maschinellen Lernmodul 5 durch einen darin implementierten maschinellen Lernprozess 51 auf einen Zusammenhang zwischen fahrerbeeinflussten und damit fahrstilabhängigen Merkmalen, die Aussagen über einen Fahrstil des Fahrers ermöglichen, und den Abgasemissionsdaten trainiert wird und mittels der Kraftstoffverbrauchsdaten validiert wird. Weitere Einzelheiten des in dem maschinellen Lernmodul 5 implementierten maschinellen Lernprozesses 51 werden weiter unten noch näher erläutert.
-
In der Recheneinrichtung 4 ist ein Rohdatenimportmodul 6 implementiert, welches die gemessenen Abgasemissionsdaten und die von der elektronischen Steuerungseinrichtung 3 bereitgestellten Daten, insbesondere die Fahrdaten und Kraftstoffverbrauchsdaten, einliest und eine Aufbereitung dieser Daten durchführt. Dabei kann zum Beispiel eine Formatkonvertierung von einem Rohdatenformat in ein Datenformat vorgenommen werden, das in nachgelagerten Schritten in geeigneter Weise weiterverarbeitet werden kann. Ferner kann zum Beispiel eine Synchronisation der Abgasemissionsdaten mit den von der Steuerungseinrichtung 3 bereitgestellten Daten durchgeführt werden, wobei insbesondere mögliche zeitliche Diskrepanzen aufgelöst werden können, so dass eine gemeinsame Zeitskala erzeugt wird.
-
Ferner ist in der Recheneinrichtung 4 ein Datenvorverarbeitungsmodul 7 implementiert, welches die Ausgangsdaten des Rohdatenimportmoduls 6 erhält und die von diesem importierten Daten weiter aufbereitet und dabei physikalisch relevante Messkanäle statistisch aggregiert. In dem Datenvorverarbeitungsmodul 7 sind vorzugsweise Algorithmen implementiert, um aus den gemessenen Fahrdaten Aussagen über die Fahrbedingungen treffen zu können und unterschiedliche statistische Größen, insbesondere das Minimum, das Maximum, den Mittelwert und die Standardabweichung, von fahrstilabhängigen Parametern zu bestimmen, die vom Fahrer des Kraftfahrzeugs durch seinen Fahrstil beeinflussbar sind. Bei den Fahrbedingungen kann zum Beispiel zwischen einer Fahrt im Stadtverkehr, auf Landstraßen und auf Autobahnen unterschieden werden, indem typische Geschwindigkeitsgrenzen gesetzt werden. Zu den vom Fahrer des Kraftfahrzeugs beeinflussbaren, fahrstilabhängigen Parametern zählen insbesondere die Motordrehzahl, der Ruck, die Gaspedal-Intensität, die Drehmomentanforderung, die Beschleunigung und die Gangwahl. Vorzugsweise wird ein Aggregationszeitintervall von 5 Sekunden für die statistischen Größen, die aus diesen Parametern berechnet werden, festgelegt.
-
Vorzugsweise werden von dem Datenvorverarbeitungsmodul 7 nur diejenigen Daten vorverarbeitet, die Beschleunigungsereignissen (Beschleunigung a > 0) zugeordnet werden können. Demgegenüber werden Daten, die Bremsereignissen zuordenbar sind (Beschleunigung a < 0), nicht betrachtet.
-
Das Datenvorverarbeitungsmodul 7 kann dem maschinellen Lernmodul 5 somit eine Vielzahl statistisch aufbereiteter Daten unterschiedlicher fahrstilabhängiger Parameter zur Verfügung stellen, die vom Fahrer des Kraftfahrzeugs durch seinen Fahrstil beeinflussbar sind und somit grundlegende Aussagen über den Fahrstil ermöglichen. Ein Ziel ist es, dem eigentlichen maschinellen Lernprozess 51 zum Trainieren des Regressionsmodells 10 ein reduziertes Merkmalsmuster zur Verfügung zu stellen. Um die Dimensionen zu reduzieren und Redundanzen zu vermeiden, findet zu diesem Zweck vorzugsweise ein so genanntes Feature Engineering statt. Dadurch können Merkmale (die so genannten Features), die keinen oder nur einen geringen oder unter Umständen sogar einen negativen Einfluss auf die Lernaufgabe des maschinellen Lernprozesses 51 haben, unberücksichtigt bleiben, so dass insbesondere Rechenressourcen eingespart werden können und trotzdem die Genauigkeit verbessert werden kann. Dabei hat es sich gezeigt, dass folgende Merkmale (Features) von besonderer Wichtigkeit sind:
- - Gaspedalintensität,
- - maximale Drehmomentanforderung,
- - maximale Motordrehzahl,
- - minimale Motordrehzahl,
- - Standardabweichung der Motordrehzahl,
- - Standardabweichung der Drehmomentanforderung,
- - Mittelwert der Motordrehzahl,
- - minimale Drehmomentanforderung.
-
Der Merkmalauswahlprozess kann zum Beispiel durch einen Filteralgorithmus unterstützt werden. Dabei können zum Beispiel so genannte Clustering-Verfahren verwendet werden, welches in einem Clusteranalysemodul 50 des maschinellen Lernmoduls 5 implementiert ist. Ein mögliches Clustering-Verfahren zur Unterstützung der Merkmalsauswahl ist das so genannte „Local-Learning-based Clustering“ (kurz: LLC), das in dem Clusteranalysemodul 50 implementiert ist.
-
Bei dem in dem maschinellen Lernmodul 5 implementierten maschinellen Lernprozess 51 kann es sich um einen unüberwachten oder um einen überwachten maschinellen Lernprozess 51 handeln.
-
Ein unüberwachter maschineller Lernprozess 51 kann zum Beispiel auf einem k-Means-Algorithmus basieren. Ein Lernziel besteht darin, interpretierbare Fahrstilmuster in Abhängigkeit von den fahrerstilbeeinflussten Merkmalsmustern zu erzeugen und mit den Abgasemissionswerten in Beziehung zu setzen. Die Validierung der Fahrstilmuster erfolgt vorzugsweise durch eine Betrachtung des Kraftstoffverbrauchsverhaltens unter der Annahme, dass ein gemäßigter Fahrer ein höheres Kraftstoffeinsparpotential hat als ein dynamischer, betont sportlicher Fahrer.
-
Ausgewählte Merkmale, die bei diesem maschinellen Lernprozess 51 verwendet werden und sich dabei als besonders vorteilhafte Merkmale erwiesen haben, sind insbesondere die Standardabweichung der Drehmomentanforderung, die maximale Drehmomentanforderung, die maximale Motordrehzahl, die mittlere Motordrehzahl sowie die Gaspedalintensität.
-
Das Musterverhalten beider Fahrstile (moderater Fahrer und dynamischer Fahrer) kann dadurch validiert und bestätigt werden, dass das Kraftstoffverbrauchsverhalten über einen bestimmten Messzeitraum interpoliert wird. Diese Validierung kann für Fahrten im Stadtverkehr, auf Landstraßen und Autobahnen vorgenommen werden und ermöglicht eine eindeutige Zuordnung des Kraftfstoffverbrauchsverhaltens zum Fahrstil des Fahrers bei den entsprechenden Fahrbedingungen. Mit dem maschinellen Lernprozess 51 sind darüber hinaus auch Vergleiche zwischen unterschiedlichen Getriebearten (manuelle oder automatische Getriebe), unterschiedlichen Motorleistungen und unterschiedlichen Motorkonzepten des Kraftfahrzeugs möglich.
-
In einer alternativen Ausführungsform kann der in dem maschinellen Lernmodul 5 implementierte Lernprozess 51 auch ein überwachter maschineller Lernprozess 51 sein. Dieser kann vorzugsweise eine logistische Regression als Klassifikationsmodell verwenden. Bei diesem überwachten maschinellen Lernprozess 51 können zum Beispiel 75% der verarbeiteten Datensätze für das Training und 25% der Datensätze für die Validierung der Klassifikationsqualität verwendet werden. Die Validierung erfolgt auch hierbei auf Basis der Kraftstoffverbrauchsdaten.
-
Die von dem im maschinellen Lernmodul 5 implementierten maschinellen Lernprozess 51 erzeugten Daten stellen somit einen Zusammenhang zwischen den Abgasemissionsdaten und dem Fahrstil zur Verfügung und ermöglichen eine entsprechende Zuordnung, die durch den Kraftstoffverbrauch validiert werden kann.
-
Unter Bezugnahme auf 2 sollen nachfolgend Einzelheiten des Anwendungsprozesses näher erläutert werden, bei dem das in der vorstehend erläuterten Weise trainierte Regressionsmodell 10 verwendet wird, um die während des realen Fahrbetriebs erhaltenen Abgasemissionsdaten der Abgasemissionsmesseinrichtung 2 und die Daten der elektronischen Steuerungseinrichtung 3, insbesondere die Fahrdaten, dem Fahrstil des Fahrers des Kraftfahrzeugs zuzuordnen. Der Anwendungsprozess stellt die Lösung des zentralen Problems, eine Vielzahl von Messdaten und hohe Komplexitäten zu haben, die nicht von einem Entwicklungsingenieur überblickt werden können, zur Verfügung. Hierfür wird das in der oben beschriebenen Weise durch den maschinellen Lernprozess 51 trainierte Regressionsmodell 10 herangezogen und für den Nutzer anwendbar gemacht.
-
Die von der Abgasemissionsmesseinrichtung 2 und der elektronischen Steuerungseinrichtung 3 während des Fahrbetriebs des Kraftfahrzeugs erhaltenen Daten werden zunächst dem Rohdatenimportmodul 6 und dem Datenvorverarbeitungsmodul 7 zugeführt, bevor sie nachfolgend von dem trainierten Regressionsmodell 10 verarbeitet werden. Dabei werden die Abgasemissionsdaten der Abgasemissionsmesseinrichtung 2 und die Daten der elektronischen Steuerungseinrichtung 3, insbesondere die Fahrdaten, eingelesen, synchronisiert und von dem Datenvorverarbeitungsmodul 7 in einzelne Messausschnitte aufgeteilt. Innerhalb dieser Messausschnitte werden dann statistische Größen berechnet und dem trainierten Regressionsmodell 10 zur Verfügung gestellt. Das für diesen Zweck trainierte Regressionsmodell 10 ordnet dabei den Messausschnitten einen Fahrstil zu. Die Recheneinrichtung 4 weist ferner eine Ausgabeschnittstelle 8 auf, in der diese Informationen aufbereitet und mit den Daten der Abgasemissionsmesseinrichtung 2 über ein Bewertungsmuster zusammengeführt werden. Das Bewertungsmuster hilft dabei aufzuzeigen, welche Messungen im Erwartungsbereich liegen und in welchen Messungen offensichtlich Anomalitäten beziehungsweise Auffälligkeiten vorhanden sind. Dieses Bewertungsmuster wird fortlaufend mit Messungen gefüllt und dem Nutzer über eine Nutzerschnittstelle 9 zur Verfügung gestellt. Daraufhin kann der Nutzer gezielt entscheiden, welche Messungen im Detail analysiert werden müssen. Die Daten können dabei insbesondere grafisch aufbereitet und angezeigt werden, um einem Nutzer den Zusammenhang zwischen seinem Fahrstil und den daraus resultierenden Abgasemissionen und/oder den Kraftstoffverbrauchsdaten zu visualisieren. Ferner können auch mögliche Anomalitäten zwischen einem realen Fahrbetrieb und einem Prüfstandsbetrieb des Kraftfahrzeugs ermittelt und entsprechend bewertet werden.