-
Die Erfindung betrifft ein Verfahren zum Betrieb eines Kraftfahrzeugs mit zumindest einer motorisch betriebenen elektrischen Maschine, die als Traktionsmotor dient.
-
Unter einem Antriebsstrang eines Kraftfahrzeuges werden in der Kraftfahrzeugtechnik alle Bauteile verstanden, die im Kraftfahrzeug die Leistung für den Antrieb erzeugen und bis auf den Boden übertragen.
-
Ein derartiger Antriebsstrang kann eine elektrische Maschine aufweisen, die als Traktionsmotor dient, wenn sie motorisch betrieben wird, und die als Generator verwendet wird um Bremsenergie zu rekuperieren. Ein derartiges Kraftfahrzeug kann als reines Elektroauto (BEV) mit nur einem elektrischen Antrieb oder auch als Hybridelektrokraftfahrzeug (HEV) ausgebildet sein, dessen Antriebsstrang neben der elektrischen Maschine zusätzlich eine Brennkraftmaschine aufweist, aber je nach Situation auch rein elektrisch fahren kann, d.h. der Antrieb wird zeitweise nur von der motorisch betriebenen elektrischen Maschine als Traktionsmotor alleine bereitgestellt.
-
Von Natur aus verursacht eine derartige elektrische Maschine weniger Lärmemissionen als eine Brennkraftmaschine, insbesondere bei niedrigen Fahrzeuggeschwindigkeiten von weniger als 30 km/h. Die Lärmemissionen stellen aber nicht nur eine Lärmbelästigung da, sondern erfüllen auch eine akustische Hinweisfunktion für ein herannahendes Kraftfahrzeug und erhöht so die Verkehrssicherheit.
-
Bei Kraftfahrzeugen mit zumindest einer motorisch betriebenen elektrischen Maschine, die als Traktionsmotor dient, ist es möglich, die vom Kraftfahrzeug erzeugten Geräusche zu kontrollieren und zu optimieren, um so durch ein Mindestmaß an Lärmemissionen die Verkehrssicherheit zu erhöhen.
-
Daher sieht der Gesetzgeber die Implementierung eines künstlichen Schallemissionsgenerators vor um die akustische Wahrnehmung derartiger Kraftfahrzeuge im öffentlichen Straßenverkehr zu erleichtern.
-
Aus der
US 10,997,962 B2 , der
CN 110341591 A , der
US 8,031,085 B1 , der
CN 112652315 A und der
US 8,362,921 B2 sind derartige Schallemissionsgeneratoren bekannt. Jedoch erzeugen diese Vorrichtungen auch dann Schallemissionen, wenn dies unnötig ist und erhöhen so die Lärmbelästigung.
-
Es besteht also Bedarf daran, Wege aufzuzeigen, wie hier Abhilfe geschaffen werden kann.
-
Die Aufgabe der Erfindung wird gelöst durch ein Verfahren zum Betrieb eines Kraftfahrzeugs mit zumindest einer motorisch betriebenen elektrischen Maschine, die als Traktionsmotor dient, mit den Schritten:
- Einlesen von Fahrzeug-Daten des Kraftfahrzeugs, die indikativ für einen Schallemissionsbedarf sind,
- Beaufschlagen eines trainierten künstlichen neuronalen Netzes mit den Fahrzeug-Daten um Schallemissionsgenerator-Ansteuerdaten zu erhalten, und
- Beaufschlagen eines Schallemissionsgenerators des Kraftfahrzeugs mit den Schallemissionsgenerator-Ansteuerdaten.
-
Künstliche neuronale Netze, auch künstliche neuronale Netzwerke, kurz: KNN (ANN - artificial neural network), sind Netze aus künstlichen Neuronen. Diese Neuronen (auch Knotenpunkte) eines künstlichen neuronalen Netzes sind in Schichten angeordnet und in der Regel in einer festen Hierarchie miteinander verbunden. Die Neuronen sind dabei zumeist zwischen zwei Schichten verbunden, in selteneren Fällen aber auch innerhalb einer Schicht.
-
Ein derartiges künstliches neuronales Netz wird vor seiner Inbetriebnahme während einer Trainingsphase trainiert. Während der Trainingsphase wird das künstliche neuronale Netz modifiziert, so dass es für bestimmte Eingangsmuster zugehörige Ausgabemuster erzeugt. Dies kann mittels überwachten Lernen, unüberwachten Lernen, bestärkenden Lernen oder stochastischem Lernen erfolgen.
-
Durch Verwendung eines während einer Trainingsphase vorab trainierten künstlichen neuronalen Netzes kann der Schallemissionsgenerator gezielt angesteuert werden um situationsbedingt angepasste Schallemissionen zu erzeugen. So werden unnötige Schallemissionen vermieden, die eine Lärmbelästigung darstellen würden.
-
Gemäß einer Ausführungsform wird in einem weiteren Schritt das untrainierte künstliche neuronale Netz mit Trainingsdaten trainiert, die mittels Messungen und/oder Simulationen gewonnen wurden. Hierzu können Flotten von Kraftfahrzeugen herangezogen werden, deren Fahrzeugdaten und auch Messdaten von Messstationen indikativ für einen Lärmpegel und/oder Verkehrsaufkommen sind und die drahtlos zu einer Cloud übertragen werden, in der auch das Training des künstlichen neuronalen Netzes erfolgen kann. Z.B. können die mittels Messungen gewonnen Daten auch dazu verwendet werden, um mittels geeigneter Simulationen weitere Daten zu erzeugen, um so die Menge an Trainingsdaten zu vergrößern.
-
Gemäß einer weiteren Ausführungsform sind die Fahrzeug-Daten Positions-Daten indikativ für die aktuelle Position des Kraftfahrzeugs und/oder Betriebsdaten eines Energiemanagement-Moduls des Kraftfahrzeugs und/oder Lärmdaten eines Lärmbestimmungs-Moduls des Kraftfahrzeugs und/oder Geräuschdaten eines Geräuschbedarfsbestimmungs-Moduls des Kraftfahrzeugs. Die Positions-Daten können mit einem Navigationssystem des Kraftfahrzeugs bestimmt werden und erlauben festzustellen, ob sich das Kraftfahrzeug z.B. in einem innerstädtischen Bereich, auf einer Autobahn oder auf einer Landstraße befindet. Die Betriebsdaten eines Energiemanagement-Moduls des Kraftfahrzeugs können Daten z.B. eines Batteriemanagementsystem (BMS) sein und enthalten Informationen betreffend einen Ladezustand einer Traktionsbatterie des Kraftfahrzeugs. Die Lärmdaten eines Lärmbestimmungs-Modul des Kraftfahrzeugs beschreiben den aktuellen Lärmpegel im Umfeld des Kraftfahrzeugs sowie gegebenenfalls z.B. den zeitlichen Verlauf und/oder das Frequenzspektrum des Lärms im Umfeld des Kraftfahrzeugs. Die Lärmdaten hängen z.B. von der Verkehrsdichte und der Art der Verkehrsteilnehmer ab (PKW, LKW, Busse, Radfahrer, usw.). Die Geräuschdaten eines Geräuschbedarfsbestimmungs-Moduls des Kraftfahrzeugs sind indikativ für die erforderlichen Schallemissionen, die erforderlich sind um eine ausreichende akustische Wahrnehmung des Kraftfahrzeugs beim aktuellen Lärmpegel zu gewährleisten.
-
Gemäß einer weiteren Ausführungsform wird als künstliches neuronales Netz ein rekurrentes neuronales Netz verwendet. Als rekurrente neuronale Netze (RNN - recurrent neural network) werden künstliche neuronale Netze bezeichnet, die sich im Gegensatz zu Vorwärts-Netzen (feedforward neuronal network) durch Verbindungen von Neuronen einer Schicht zu Neuronen derselben oder einer vorangegangenen Schicht auszeichnen. Mit derartigen rekurrenten neuronalen Netzen können besonders gut Daten in Form von Sequenzen, wie z.B. Lärmsequenzen, verarbeitet werden.
-
Gemäß einer weiteren Ausführungsform weist das künstliche neuronale Netz ein langes Kurzzeitgedächtnis (LSTM - long short-term memory) auf. Ein derartiges langes Kurzzeitgedächtnis verbessert die während der Trainingsphase erzielten Trainingsergebnisse.
-
Gemäß einer weiteren Ausführungsform ist das künstliche neuronale Netz zum Dropout ausgebildet. Dabei wird unter Dropout eine Regularisierungsmethode verstanden, die in künstlichen neuronalen Netzen Anwendung findet und die Gefahr von Overfitting verringert. Hierzu wird während der Trainingsphase eine vorbestimmte Anzahl, z.B. 30% der Neuronen in jeder Schicht des künstlichen neuronalen Netzwerks ausgeschaltet („dropout“) und für den kommenden Berechnungsschritt nicht berücksichtigt. Dies stellt einen sehr effektiven Weg zum Training von tiefen neuronalen Netzen dar.
-
Ferner gehört zur Erfindung ein Computerprogrammprodukt, ausgebildet zum Ausführen eines derartigen Verfahrens, ein System und ein Kraftfahrzeug für ein derartiges System.
-
Es wird nun die Erfindung anhand einer Zeichnung erläutert. Es zeigen:
- 1 in schematischer Darstellung Komponenten eines Systems zum Betrieb eines Kraftfahrzeugs.
- 2 in schematischer Darstellung Details eines künstlichen neuronalen Netzes des in 1 gezeigten Systems.
- 3 in schematischer Darstellung einen Verfahrensablauf zum Betrieb des in 1 gezeigten Systems.
-
Es wird zunächst auf 1 Bezug genommen.
-
Das System 2 weist als Komponenten ein Kraftfahrzeug 4 oder auch eine Mobilitätsplattform auf, die mit dem System 2 datenaustauschend verbunden ist.
-
Das Kraftfahrzeug 4 weist einen Antriebsstrang mit zumindest einer motorisch betriebenen elektrischen Maschine 6 auf, die zumindest zeitweise als Traktionsmotor dient. Ein derartiges Kraftfahrzeug 4 kann z.B. ein reines Elektroauto (BEV) mit nur einem elektrischen Antrieb oder ein Hybridelektrokraftfahrzeug (HEV) sein.
-
Ein Schallemissionsgenerator 8 des Kraftfahrzeugs 4 ist dazu ausgebildet gewünschte Schallemissionen gemäß vorgegebenen Merkmalen (Intensität, Frequenz, Muster, usw.) zu erzeugen.
-
Wenn das Kraftfahrzeug 4 als Hybridelektrokraftfahrzeug (HEV) ausgebildet ist weist der Antriebsstrang des Kraftfahrzeugs 4 neben der elektrischen Maschine 6 auch eine Brennkraftmaschine 10 auf.
-
Ein Energiemanagement-Modul 12 des Kraftfahrzeugs 4 ist dazu ausgebildet zumindest den elektrischen Energiestand in dem Kraftfahrzeug 4 zu überwachen, wie z.B. einen Ladezustand einer Traktionsbatterie, und Daten mit anderen Komponenten des Systems 2 auszutauschen.
-
Ein Positionsbestimmungs-Modul 14 des Kraftfahrzeugs 4 ist ein Navigationssystem wie z.B. GPS, das es ermöglicht, die aktuelle Position des Kraftfahrzeugs 4zu bestimmen.
-
Ein Lärmbestimmungs-Modul 16 des Kraftfahrzeugs 4 ist dazu ausgebildet eine Abschätzung eines Lärmpegels bzw. einer akustischen Belastung in einem vorbestimmten geografischen Gebiet mit vorbestimmten Abmessungen (z.B. einem Kreis mit einem Radius von 1 km) durchzuführen. Hierzu werden alle verkehrsbedingten Schallquellen ausgewertet.
-
Das geografische Gebiet ist dabei auf das Kraftfahrzeug 4 zentriert und kann auch verschiedene Formen und Abmessungen haben. Das Kraftfahrzeug 4 kann eigene Mikrofone aufweisen und/oder datenübertragend mit Messstationen mit Mikrofonen am Straßenrand verbunden sein. Auch können die Daten der Messstationen zu einer Cloud übertragen werden, wo sie weiter verarbeitet wie nachfolgend beschrieben werden. Ferner kann auch die Anzahl der Verkehrsteilnehmer im geografischen Gebiet, ihre Art (PKW, LKW, Bus, Radfahrer, usw.) und/oder ihrer Geschwindigkeit ausgewertet werden.
-
Das Geräuschbedarfsbestimmungs-Modul 18 des Kraftfahrzeugs 4 ist dazu ausgebildet den Schallemissionsbedarf abzuschätzen, um eine ausreichende akustische Wahrnehmbarkeit des Kraftfahrzeugs 4 in dem vorbestimmten geografischen Gebiet zu gewährleisten. Das Geräuschbedarfsbestimmungs-Modul 18 kann dem Kraftfahrzeug 4 zugeordnet sein oder in einer Cloud bereitgestellt werden. Ferner kann das Geräuschbedarfsbestimmungs-Modul 18 ein Vorhersagemodell (z.B. mit einem Klassifizierungsalgorithmus) aufweisen, das auf bestimmten Parametern des Kraftfahrzeugs 4 beruht, wie z.B. seiner Geschwindigkeit und/oder sein Fahrzeugtyp bzw. seine Klasse und/oder seiner Antriebsart und/oder dem Status des Schallemissionsgenerators 8.
-
Ein Schnittstellen-Modul 20 des Systems 2 ist dazu ausgebildet, dass das Kraftfahrzeug 4 mit den Komponenten des Systems 2 und auch anderen Komponenten außerhalb des Kraftfahrzeugs 4 Daten austauschen kann. Ferner kann das Schnittstellen-Modul 20 z.B. auch zur C2l-Kommunikation (car-to-infrastructure) ausgebildet sein.
-
Ein Steuer-Modul 22 des Systems 2 ist dazu ausgebildet, die verschiedenen Betriebsmodi des Systems 2, wie z.B. eine Trainingsphase oder eine Normalbetriebsphase zu steuern den Datenaustausch zwischen den Komponenten des Systems 2 zu gewährleisten.
-
Das System 2, die oben beschriebenen und die nachfolgend beschriebenen Komponenten des Systems 2 können für diese und die nachfolgend beschriebenen Aufgaben und/oder Funktionen entsprechend ausgebildete Hard- und/oder Software-Komponenten aufweisen.
-
Es wird nun zusätzlich auf 2 Bezug genommen.
-
Dargestellt ist als weitere Komponente des Systems 2 ein künstliches neuronales Netz 24.
-
Bei dem künstlichen neuronalen Netz 24 handelt es sich im vorliegenden Ausführungsbeispiel um ein rekurrentes neuronales Netz. Im vorliegenden Ausführungsbeispiel ist das künstliche neuronale Netz 24 als unidirektionales Netz ausgebildet. Abweichend vom vorliegenden Ausführungsbeispiel kann das künstliche neuronale Netz 24 auch als bidirektionales Netz ausgebildet sein.
-
Des Weiteren ist das künstliche neuronale Netz 24 im vorliegenden Ausführungsbeispiel als ein mehrschichtiges neuronale Netz ausgebildet, d.h. es weist neben einer Eingangsschicht 26 und einer Ausgangsschicht 30 zumindest eine weitere Zwischenschicht 28 mit künstlichen Neuronen auf.
-
Im vorliegenden Ausführungsbeispiel weisen die Eingangsschicht 26 und die zumindest eine dargestellte Zwischenschicht 28 jeweils eine Mehrzahl von künstlichen Neuronen auf. Hingegen weist im vorliegenden Ausführungsbeispiel die Ausgangsschicht 30 nur eine Dropout-Einheit 34a und auf, dem eine Softmax-Einheit 36 nachgeschaltet ist, das eine Softmax-Funktion bereitstellt. Somit weist das künstliche neuronale Netz 24 im vorliegenden Ausführungsbeispiel eine many-to-one Architektur auf, d.h. es weist eine Mehrzahl von Eingängen, aber nur einen einzigen Ausgang auf.
-
Im vorliegenden Ausführungsbeispiel sind den künstlichen Neuronen der Eingangsschicht 26 und der Zwischenschicht 28 jeweils ein langes Kurzzeitgedächtnis (LSTM - long short-term memory) in Form von LSTM-Einheiten 32a, 32b, ... 32n zugeordnet.
-
Des Weiteren ist im vorliegenden Ausführungsbeispiel das künstliche neuronale Netz 24 zum Dropout ausgebildet. Hierzu sind zwischen der Eingangsschicht 26 und der zumindest einen dargestellten Zwischenschicht 28 Dropout-Einheiten 32a, 34b, ... 34n vorgesehen.
-
Das künstliche neuronale Netz 24 wird vor seiner Inbetriebnahme während einer Trainingsphase mit Trainingsdaten TD beaufschlagt. Z.B. mittels dem Verfahren der Fehlerrückführung (backpropagation oder auch backpropagation of error) erfolgt ein Einlernen des künstlichen neuronalen Netzes 24 durch Änderung von Gewichtsfaktoren bzw. Trainingsparameter der künstlichen Neuronen des künstlichen neuronalen Netzes 24 um eine möglichst zuverlässige Abbildung von gegebenen Eingabevektoren auf gegebene Ausgabevektoren zu erreichen.
-
Dabei sind a0, c0; a1, c1; a2, c2; ... an, cn während der Trainingsphase zu optimierende Trainingsparameter, während x0, x1, x(n-1) Merkmalsvektoren sind, die jeweiligen Abtastzeitpunkten, z.B. alle 100ms über eine Zeitspanne T, z.B. 1s, zugeordnet sind und die Eingangsgrößen darstellen. Y ist die Ausganggröße des Systems 2 und kann ein Vektor oder ein Skalar sein, der einem Ansteuerwert der Schallemissionsgenerator-Ansteuerdaten GA entspricht. Der Ansteuerwert kann ein binärer Wert sein, wobei z.B. dem Wert logisch Null keine künstliche Erzeugung von Schall und dem Wert logisch Eins eine künstliche Erzeugung von Schall zugeordnet ist. Der Ansteuerwert kann aber auch ein kontinuierlicher skalarer Wert sein, um die Intensität des erzeugten Schalls vorzugeben.
-
Die Trainingsdaten TD für die Trainingsphase enthalten Datenpaare, bestehend aus den eingangsseitigen Merkmalsvektoren x0, x1, ... x(n-1) und dem Ausgang Y. Dabei können die Trainingsdaten TD gelabelte Daten sein, während die Fahrzeug-Daten FD, mit denen dann später während des Normalbetriebs das trainierte künstliche neuronale Netz 24 beaufschlagt wird lediglich die eingangsseitigen Merkmalsvektoren x0, x1, ... x(n-1) aufweist.
-
Es wird nun zusätzlich auf 3 Bezug genommen, um einen Verfahrensablauf zum Betrieb des in 1 gezeigten Systems 2 zu erläutern.
-
Nachdem in einem ersten Schritt S100 die Trainingsdaten TD gesammelt bzw. erzeugt und gelabelt wurde werden sie in einem weiteren Schritt S200 einer Trainingsphase verwendet, um das noch untrainierte künstliche neuronale Netz 24 mit Trainingsdaten TD unter Verwendung von Dropout zu trainieren.
-
In einem weiteren Schritt S300 einer Normalbetriebsphase wird dann das System 2 z.B. automatisch bei jeder Inbetriebnahme des Kraftfahrzeugs 4 und/oder in Abhängigkeit von seiner erfassten aktuellen Position aktiviert und es werden die aktuellen Fahrzeug-Daten FD des Kraftfahrzeugs 4, die indikativ für einen Schallemissionsbedarf sind, eingelesen.
-
Die Fahrzeug-Daten FD enthalten die Positions-Daten PD des Positionsbestimmungs-Moduls 14und/oder die Betriebsdaten BD des Energiemanagement-Moduls 12 und/oder Lärmdaten LD des Lärmbestimmungs-Modul 16 und/oder Geräuschdaten GD des Geräuschbedarfsbestimmungs-Moduls 18 des Kraftfahrzeugs 4.
-
In einem weiteren Schritt S400 wird das trainierte künstliche neuronale Netz 24 mit den Fahrzeug-Daten FD beaufschlagt um die Schallemissionsgenerator-Ansteuerdaten GA zu erhalten.
-
In einem weiteren Schritt S500 wird der Schallemissionsgenerator 6 des Kraftfahrzeugs 4 mit den Schallemissionsgenerator-Ansteuerdaten GA beaufschlagt.
-
Abweichend vom vorliegenden Ausführungsbeispiel kann die Reihenfolge der Schritte auch eine andere sein. Ferner können mehrere Schritte auch zeitgleich bzw. simultan ausgeführt werden. Des Weiteren können auch abweichend vom vorliegenden Ausführungsbeispiel einzelne Schritte übersprungen oder ausgelassen werden.
-
So kann durch Verwendung eines während einer Trainingsphase vorab trainierten künstlichen neuronalen Netzes 24 der Schallemissionsgenerator 8 des Kraftfahrzeugs 4 gezielt angesteuert werden um situationsbedingt angepasste Schallemissionen zu erzeugen. So werden unnötige Schallemissionen vermieden, die eine Lärmbelästigung darstellen würden.
-
Bezugszeichenliste
-
- 2
- System
- 4
- Kraftfahrzeug
- 6
- elektrische Maschine
- 8
- Schallemissionsgenerator
- 10
- Brennkraftmaschine
- 12
- Energiemanagement-Modul
- 14
- Positionsbestimmungs-Modul
- 16
- Lärmbestimmungs-Modul
- 18
- Geräuschbedarfsbestimmungs-Modul
- 20
- Schnittstellen-Modul
- 22
- Steuer-Modul
- 24
- künstliches neuronales Netz
- 26
- Eingangsschicht
- 28
- Zwischenschicht
- 30
- Ausgangsschicht
- 32a
- LSTM-Einheit
- 32b
- LSTM-Einheit
- 32n
- LSTM-Einheit
- 34a
- Dropout-Einheit
- 34b
- Dropout-Einheit
- 34n
- Dropout-Einheit
- 36
- Softmax-Einheit
- a0
- Trainingsparameter
- a1
- Trainingsparameter
- a2
- Trainingsparameter
- an
- Trainingsparameter
- c0
- Trainingsparameter
- c1
- Trainingsparameter
- c2
- Trainingsparameter
- cn
- Trainingsparameter
- x0
- Merkmalsvektor
- x1
- Merkmalsvektor
- x(n-1)
- Merkmalsvektor
- FD
- Fahrzeug-Daten
- GA
- Schallemissionsgenerator-Ansteuerdaten
- GD
- Geräuschdaten
- LD
- Lärmdaten
- PD
- Positionsdaten
- T
- Zeitspanne
- Y
- Ausgangsgröße
- S100
- Schritt
- S200
- Schritt
- S300
- Schritt
- S400
- Schritt
- S500
- Schritt
-
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 Patentliteratur
-
- US 10997962 B2 [0007]
- CN 110341591 A [0007]
- US 8031085 B1 [0007]
- CN 112652315 A [0007]
- US 8362921 B2 [0007]