DE102021204849A1 - Prediction of a characteristic of a target fleet - Google Patents

Prediction of a characteristic of a target fleet Download PDF

Info

Publication number
DE102021204849A1
DE102021204849A1 DE102021204849.8A DE102021204849A DE102021204849A1 DE 102021204849 A1 DE102021204849 A1 DE 102021204849A1 DE 102021204849 A DE102021204849 A DE 102021204849A DE 102021204849 A1 DE102021204849 A1 DE 102021204849A1
Authority
DE
Germany
Prior art keywords
fleet
motor vehicles
target
aging
target motor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
DE102021204849.8A
Other languages
German (de)
Inventor
Friedrich von Bülow
Felix Heinrich
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Volkswagen AG
Original Assignee
Volkswagen AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Volkswagen AG filed Critical Volkswagen AG
Priority to DE102021204849.8A priority Critical patent/DE102021204849A1/en
Publication of DE102021204849A1 publication Critical patent/DE102021204849A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G07CHECKING-DEVICES
    • G07CTIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00Registering or indicating the working of vehicles
    • G07C5/08Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841Registering performance data
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063Operations research, analysis or management
    • G06Q10/0637Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00Administration; Management
    • G06Q10/20Administration of product repair or maintenance
    • G06Q50/40

Abstract

Gemäß einem Verfahren zur Prädiktion einer alterungsabhängigen Charakteristik einer Zielflotte (5b, 5c, 5d) werden mittels einer Ausgangsflotte (5a) Trainingsbetriebsdaten erfasst, und durch ein Rechensystem (2) wird ein Modell zur Prädiktion der Charakteristik basierend auf den Trainingsbetriebsdaten der Ausgangsflotte (5a) trainiert. Die Charakteristik wird mittels des Rechensystems (2) basierend auf Betriebsdaten der Zielflotte (5b, 5c, 5d) während einer Prädiktionsphase unter Verwendung des trainierten Modells prädiziert.According to a method for predicting an aging-dependent characteristic of a target fleet (5b, 5c, 5d), training operating data is recorded using a starting fleet (5a), and a computer system (2) calculates a model for predicting the characteristic based on the training operating data of the starting fleet (5a). trained. The characteristic is predicted by the computing system (2) based on operating data of the target fleet (5b, 5c, 5d) during a prediction phase using the trained model.

Description

Die vorliegende Erfindung betrifft ein Verfahren zur Prädiktion wenigstens einer alterungsabhängigen Charakteristik einer Vielzahl von Zielkraftfahrzeugen einer Zielflotte sowie ein Flottensteuerungssystem.The present invention relates to a method for predicting at least one aging-dependent characteristic of a large number of target motor vehicles in a target fleet, and to a fleet control system.

Im Dokument US 9,505,397 B1 wird ein System zur dynamischen Unterstützung von Hybridfahrzeugen beschrieben. Dabei kann beispielsweise eine Leistungsmesszahl herangezogen werden, um den Grad an Unterstützung des Verbrennungsmotors durch einen alternativen Antrieb anzupassen. Dazu weist das Hybridfahrzeug einen Unterstützungsmanager auf, der auch Informationen von anderen Nutzern oder Fahrzeugen sammeln kann, um die Anpassung durchzuführen. Insbesondere können Daten von einer Fahrzeugflotte herangezogen werden und der Grad an Unterstützung kann basierend auf den Flottendaten bestimmt werden.In the document US 9,505,397 B1 a system for dynamic support of hybrid vehicles is described. For example, a performance indicator can be used to adjust the degree of support for the combustion engine with an alternative drive. To this end, the hybrid vehicle has a support manager, which can also collect information from other users or vehicles in order to carry out the adjustment. In particular, data can be drawn from a fleet of vehicles and the level of support can be determined based on the fleet data.

Es ist eine Aufgabe der vorliegenden Erfindung, eine Möglichkeit zur Prädiktion einer alterungsabhängigen Charakteristik von Zielkraftfahrzeugen einer Zielflotte, auch wenn für die Zielflotte nur eine geringe Menge von Betriebsdaten zur Verfügung steht, anzugeben.It is an object of the present invention to specify a possibility for predicting an aging-dependent characteristic of target motor vehicles in a target fleet, even if only a small amount of operating data is available for the target fleet.

Diese Aufgabe wird gelöst durch den jeweiligen Gegenstand der unabhängigen Ansprüche. Vorteilhafte Weiterbildungen und bevorzugte Ausführungsformen sind Gegenstand der abhängigen Ansprüche.This object is solved by the respective subject matter of the independent claims. Advantageous developments and preferred embodiments are the subject matter of the dependent claims.

Die Erfindung beruht auf der Idee, ein Modell zur Prädiktion der wenigstens einen alterungsabhängigen Charakteristik basierend auf Trainingsbetriebsdaten einer Ausgangsflotte gemäß einem Ansatz zum Maschinenlernen zu trainieren und das so trainierte Modell auf die Zielflotte anzuwenden.The invention is based on the idea of training a model for predicting the at least one aging-dependent characteristic based on training operating data of a starting fleet using a machine learning approach and applying the model trained in this way to the target fleet.

Gemäß einem Aspekt der Erfindung wird ein Verfahren zur Prädiktion wenigstens einer alterungsabhängigen Charakteristik einer Vielzahl von Zielkraftfahrzeugen einer Zielflotte angegeben. Mittels einer Vielzahl von Ausgangskraftfahrzeugen einer Ausgangsflotte werden jeweils Trainingsbetriebsdaten des jeweiligen Ausgangskraftfahrzeugs erfasst. Mittels eines Rechensystems wird ein Modell zur Prädiktion der wenigstens einen alterungsabhängigen Charakteristik basierend auf den erfassten Trainingsbetriebsdaten der Vielzahl von Ausgangskraftfahrzeugen durch Maschinenlernen trainiert. Mittels der Vielzahl von Zielkraftfahrzeugen werden während einer Prädiktionsphase jeweils Betriebsdaten des jeweiligen Zielkraftfahrzeugs erfasst. Mittels des Rechensystems wird die wenigstens eine alterungsabhängige Charakteristik für jedes Zielkraftfahrzeug der Vielzahl von Zielkraftfahrzeugen basierend auf den erfassten Betriebsdaten der Vielzahl von Zielkraftfahrzeugen unter Verwendung des trainierten Modells prädiziert.According to one aspect of the invention, a method for predicting at least one aging-dependent characteristic of a large number of target motor vehicles in a target fleet is specified. Using a large number of initial motor vehicles of an initial fleet, training operating data of the respective initial motor vehicle are recorded in each case. A computer system is used to train a model for predicting the at least one aging-dependent characteristic based on the acquired training operating data of the multiplicity of initial motor vehicles by machine learning. During a prediction phase, operating data of the respective target motor vehicle is recorded by means of the plurality of target motor vehicles. The computing system is used to predict the at least one aging-dependent characteristic for each target motor vehicle in the multiplicity of target motor vehicles based on the recorded operating data of the multiplicity of target motor vehicles using the trained model.

Die Prädiktionsphase kann dabei als Einsatzphase oder operative Phase verstanden werden (englisch: „Deployment“) und liegt zeitlich insbesondere nach einer Phase, während der das Modell trainiert wird. Auf die Prädiktionsphase kann aber das bereits trainierte Modell erneut trainiert und so verbessert werden und so weiter.The prediction phase can be understood as a deployment phase or operative phase and is in particular after a phase during which the model is trained. However, the already trained model can be trained again for the prediction phase and thus improved and so on.

Je nach Ausführungsform des Verfahrens kann das trainierte Modell auch zur Prädiktion einer alterungsabhängigen Charakteristik für die Ausgangsfahrzeuge verwendet werden oder bei dem trainierten Modell kann es sich um eine modifizierte Variante eines initialen Modells handeln, welches ebenfalls basierend auf den erfassten Trainingsbetriebsdaten der Vielzahl von Ausgangskraftfahrzeugen trainiert wurde. Das initiale Modell kann dann zur Prädiktion der alterungsabhängigen Charakteristik für die Ausgangsfahrzeuge verwendet werden und das Modell kann zur Prädiktion der alterungsabhängigen Charakteristik für die Zielfahrzeuge verwendet werden.Depending on the embodiment of the method, the trained model can also be used to predict an aging-dependent characteristic for the source vehicles, or the trained model can be a modified variant of an initial model, which was also trained based on the recorded training operating data of the large number of source vehicles . The initial model can then be used to predict the aging dependent characteristic for the source vehicles and the model can be used to predict the aging dependent characteristic for the target vehicles.

Unter einer Fahrzeugflotte, also insbesondere der Zielflotte und der Ausgangsflotte, kann beispielsweise eine Vielzahl identischer, im Wesentlichen identischer oder ähnlicher Kraftfahrzeuge verstanden werden, die hinsichtlich ihrer Funktion homogen oder gleichartig sind. Insbesondere sind die Kraftfahrzeuge einer Fahrzeugflotte hinsichtlich ihrer technischen Eigenschaften, ihrer typischen Betriebsbedingungen und/oder ihres Einsatzzweckes gleichartig. Ein Kriterium zur Abgrenzung kann beispielsweise die Inhaberschaft sein, insbesondere ob sich die Kraftfahrzeuge der jeweiligen Flotte im Besitz von Privatpersonen oder kommerziellen Flottenbetreiber, wie etwa Mietwagenanbietern oder Car-Sharing Anbietern und so weiter, befinden. Weitere Kriterien zur Abgrenzung können der geographische Einsatzort oder Einsatzbereich, die Art der Benutzer, der Modelltyp oder die Fahrzeuggeneration der Kraftfahrzeuge, das Alter beziehungsweise der Alterungszustand der Kraftfahrzeuge sein. Eine Fahrzeugflotte beinhaltet beispielsweise wenigstens zehn Kraftfahrzeuge, insbesondere wenigstens 50 Kraftfahrzeuge, vorzugsweise wenigstens 100 Kraftfahrzeuge. Die bevorzugte Größe der Fahrzeugflotte kann im Allgemeinen von mehreren Faktoren abhängen. Diese Faktoren können beispielsweise eine Komplexität des betrachteten Alterungsvorgangs, die aufgezeichneten Daten, beispielsweise die Anzahl der Signale, die Varianz innerhalb der Daten etwa durch Varianz des Betriebs der Fahrzeuge, und/oder das Modell zur Prädiktion der wenigstens einen alterungsabhängigen Charakteristik, beispielsweise eine Anzahl verwendeter Features, Schichten oder Neuronen oder die Modellarchitektur, betreffen.A vehicle fleet, ie in particular the target fleet and the starting fleet, can be understood to mean, for example, a large number of identical, essentially identical or similar motor vehicles which are homogeneous or of the same type in terms of their function. In particular, the motor vehicles in a vehicle fleet are similar in terms of their technical properties, their typical operating conditions and/or their purpose. A criterion for differentiation can be ownership, for example, in particular whether the motor vehicles in the respective fleet are owned by private individuals or commercial fleet operators, such as rental car providers or car-sharing providers and so on. Further criteria for delimitation can be the geographic location or area of use, the type of user, the model type or the vehicle generation of the motor vehicle, the age or the aging condition of the motor vehicle. A vehicle fleet includes, for example, at least ten motor vehicles, in particular at least 50 motor vehicles, preferably at least 100 motor vehicles. In general, the preferred size of the vehicle fleet may depend on several factors. These factors can be, for example, a complexity of the aging process under consideration, the recorded data, for example the number of signals, the variance within the data, for example due to variance in the operation of the vehicles, and/or the model for predicting the at least one aging-dependent characteristic, e.g wise a number of features, layers or neurons used or the model architecture.

Die wenigstens eine alterungsabhängige Charakteristik kann einen vordefinierten Alterungszustand oder einen Abnutzungsgrad einer oder mehrerer Komponenten des Kraftfahrzeugs oder des gesamten Kraftfahrzeugs, eine erwartete Restlebensdauer einer oder mehrerer Komponenten des Kraftfahrzeugs oder des gesamten Kraftfahrzeugs und so weiter beinhalten. Handelt es sich bei den Zielkraftfahrzeugen beispielsweise um Elektrofahrzeuge oder Hybridelektrofahrzeuge, so kann die wenigstens eine alterungsabhängige Charakteristik einen Alterungszustand, auch als Gesundheitszustand SoH (englisch: „State of Health“) bezeichnet, einer Traktionsbatterie des Kraftfahrzeugs beinhalten.The at least one aging-dependent characteristic may include a predefined aging condition or degree of wear of one or more components of the motor vehicle or the entire motor vehicle, an expected remaining service life of one or more components of the motor vehicle or the entire motor vehicle, and so on. If the target motor vehicles are electric vehicles or hybrid electric vehicles, for example, then the at least one aging-dependent characteristic can include an aging condition, also known as the SoH state of health, of a traction battery in the motor vehicle.

Die Ausgangskraftfahrzeuge und die Zielkraftfahrzeuge gehören unterschiedlichen Flotten an, nämlich der Ausgangsflotte und der Zielflotte. Sie unterscheiden sich daher beispielsweise im Einsatzzweck oder in anderen Kriterien. Während beispielsweise die Ausgangsflotte eine Car-Sharing- oder Car-Hailing-Flotte sein kann und dementsprechend gegebenenfalls typischerweise für Kurzstrecken im städtischen Bereich eingesetzt wird, kann es sich bei der Zielflotte um Geschäftsfahrzeuge eines Unternehmens handeln, die typischerweise für lange Autobahnfahrten oder dergleichen eingesetzt werden. Dies ist rein exemplarisch zu verstehen und begrenzt die Anwendbarkeit der Erfindung nicht. Insbesondere sind vielfältige andere Kombinationen verschiedener Flottenarten möglich. Die wenigstens eine alterungsabhängige Charakteristik ist jedoch sowohl für die Ausgangskraftfahrzeuge als auch für die Zielkraftfahrzeuge relevant. Dies bedeutet beispielsweise, wenn der SoH einer Traktionsbatterie Teil der wenigstens einen alterungsabhängigen Charakteristik ist, dann handelt es sich sowohl bei den Ausgangskraftfahrzeugen als auch bei den Zielkraftfahrzeugen um zumindest teilweise elektrisch antreibbare Kraftfahrzeuge.The source motor vehicles and the target motor vehicles belong to different fleets, namely the source fleet and the target fleet. They therefore differ, for example, in the purpose of use or in other criteria. For example, while the starting fleet can be a car-sharing or car-hailing fleet and is therefore typically used for short distances in urban areas, the target fleet can be a company’s business vehicles that are typically used for long motorway journeys or the like . This is to be understood purely as an example and does not limit the applicability of the invention. In particular, diverse other combinations of different liquor types are possible. However, the at least one aging-dependent characteristic is relevant both for the starting motor vehicles and for the target motor vehicles. This means, for example, if the SoH of a traction battery is part of the at least one aging-dependent characteristic, then both the starting motor vehicles and the target motor vehicles are at least partially electrically drivable motor vehicles.

Das Rechensystem enthält insbesondere eine externe Recheneinheit, auch als Cloud-Recheneinheit oder Serverrecheneinheit bezeichnet. Diese ist extern zu den Ausgangskraftfahrzeugen und extern zu den Zielkraftfahrzeugen angeordnet. Je nach Ausführungsform des Verfahrens kann das Rechensystem aus der externen Recheneinheit bestehen oder kann eine oder mehrere weitere Recheneinheiten beinhalten, beispielsweise jeweilige Recheneinheiten der Ausgangskraftfahrzeuge und/oder der Zielkraftfahrzeuge.In particular, the computing system contains an external computing unit, also referred to as a cloud computing unit or server computing unit. This is arranged externally to the source motor vehicles and externally to the target motor vehicles. Depending on the embodiment of the method, the computing system can consist of the external computing unit or can contain one or more further computing units, for example respective computing units of the starting motor vehicle and/or the target motor vehicle.

Auf diese Weise können verschiedene Varianten des Maschinenlernens eingesetzt werden. Beispielsweise können die Ausgangskraftfahrzeuge ihre jeweiligen erfassten Trainingsbetriebsdaten an die externe Recheneinheit übermitteln und diese kann das Modell zentral trainieren. Es sind jedoch auch Varianten des verteilten Lernens oder föderalen Lernens denkbar, bei denen Teile des Maschinenlernens von jeweiligen Recheneinheiten der Ausgangskraftfahrzeuge durchgeführt werden. Das trainierte Modell kann von der externen Recheneinheit beispielsweise auf jeweilige Recheneinheiten der Zielkraftfahrzeuge übertragen werden. Die Recheneinheiten der Zielkraftfahrzeuge können dann beispielsweise basierend auf ihren jeweils erfassten Betriebsdaten die wenigstens eine alterungsabhängige Charakteristik lokal basierend auf dem trainierten Modell bestimmen. Es ist auch denkbar, dass die jeweiligen Betriebsdaten der Zielkraftfahrzeuge an die externe Recheneinheit übermittelt werden und die externe Recheneinheit das trainierte Modell anwendet, um die wenigstens eine alterungsabhängige Charakteristik zu bestimmen.In this way, different variants of machine learning can be used. For example, the original motor vehicles can transmit their respective acquired training operation data to the external computing unit, and this can train the model centrally. However, variants of distributed learning or federated learning are also conceivable, in which parts of the machine learning are carried out by the respective computing units of the original motor vehicle. The trained model can be transferred from the external computing unit to the respective computing units of the target motor vehicle, for example. The computing units of the target motor vehicles can then, for example, based on their respectively recorded operating data, determine the at least one aging-dependent characteristic locally based on the trained model. It is also conceivable that the respective operating data of the target motor vehicle is transmitted to the external processing unit and the external processing unit uses the trained model in order to determine the at least one aging-dependent characteristic.

Die Betriebsdaten beziehungsweise Trainingsbetriebsdaten beinhalten je nach Ausführungsform entsprechende Daten, welche die wenigstens eine alterungsabhängige Charakteristik beeinflussen. Dabei kann es sich beispielsweise um eine Kilometerlaufleistung, also um eine insgesamt durch das jeweilige Kraftfahrzeug zurückgelegte Strecke, eine entsprechende Kilometerlaufleistung pro Zeiteinheit, beispielsweise pro Monat, pro Woche oder pro Tag, eine durchschnittliche Fahrtgeschwindigkeit, eine durchschnittliche Anzahl von Motorstarts pro Zeiteinheit, eine durchschnittliche Betriebstemperatur, insbesondere der Batterie, einen Innenwiderstand der Batterie, einen mittlerer Ladezustand der Batterie, einen mittleren Ladehub oder Entladehub der Batterie und so weiter handeln.Depending on the embodiment, the operating data or training operating data contain corresponding data which influence the at least one aging-dependent characteristic. This can be, for example, a mileage, i.e. a total distance covered by the respective motor vehicle, a corresponding mileage per unit of time, for example per month, per week or per day, an average driving speed, an average number of engine starts per unit of time, an average Operating temperature, in particular the battery, an internal resistance of the battery, an average state of charge of the battery, an average charge or discharge stroke of the battery and so on.

Die Betriebsdaten und Trainingsbetriebsdaten können auch eine Angabe enthalten, wie lange die Batterie in einem bestimmten, beispielsweise durch Temperatur, Strom, Stromgradient und/oder Ladezustand, definierten Betriebszustand betreiben wurde. Die Angabe kann auch einen Bereich von mehreren Betriebszuständen betreffen, also insbesondere einen Temperatur-, Strom-, Stromgradienten- und/oder Ladezustands-Bereich. Diese Bereiche können insbesondere auch miteinander kombiniert sein, so dass beispielsweise Temperatur und Strom jeweils innerhalb eines bestimmten Bereich beziehungsweise Betriebszustandsraum liegen. Diese Betriebszustände können für Ladephasen, Entladephasen, Rekuperationsphasen und/oder Pausenphasen, in denen die Batterie weder geladen noch entladen wird, erfasst werden.The operating data and training operating data can also contain an indication of how long the battery was operated in a specific operating state, defined for example by temperature, current, current gradient and/or state of charge. The specification can also relate to a range of several operating states, ie in particular a range of temperature, current, current gradient and/or state of charge. In particular, these ranges can also be combined with one another, so that, for example, the temperature and current are each within a specific range or operating state space. These operating states can be recorded for charging phases, discharging phases, recuperation phases and/or pause phases in which the battery is neither charged nor discharged.

Das Modell zur Prädiktion der wenigstens einen alterungsabhängigen Charakteristik kann eine oder mehrere Komponenten beinhalten, wobei wenigstens eine der Komponenten oder Module durch das Maschinenlernen trainierbar ist. Beispielsweise kann das Modell ein künstliches neuronales Netzwerk beinhalten, das basierend auf den erfassten Trainingsbetriebsdaten der Vielzahl von Ausgangskraftfahrzeugen durch Maschinenlernen trainiert wird. Nicht alle Komponenten oder Module des Modells sind notwendigerweise trainierbar. Beispielsweise können auch analytische oder auf empirischen Daten beruhende Modellzusammenhänge berücksichtigt werden, um die wenigstens eine alterungsabhängige Charakteristik zu prädizieren.The model for predicting the at least one aging-dependent characteristic can contain one or more components, with at least one of the components or modules can be trained through machine learning. For example, the model may include an artificial neural network that is trained through machine learning based on the acquired training operation data of the plurality of host motor vehicles. Not all components or modules of the model are necessarily trainable. For example, analytical model relationships or model relationships based on empirical data can also be taken into account in order to predict the at least one aging-dependent characteristic.

Durch die Erfindung wird also insbesondere ein Inter-Flotten-Transferlernansatz realisiert, gemäß dem die Datenbasis, die anhand der Ausgangsflotte gesammelt wird, zum Trainieren des Modells für die Zielflotte verwendet wird. Dies hat diverse Vorteile, beispielsweise wenn es darum geht, die alterungsabhängigen Charakteristik für die Zielflotte möglichst schnell prädizieren zu können, ohne dass ausreichend Trainingsbetriebsdaten der Zielflotte selbst vorliegen, die eine zuverlässige Prädiktion ermöglichen würden. Durch die Vielzahl der Ausgangskraftfahrzeuge und deren spezifischer Einsatzbedingungen kann selbst ohne Trainingsbetriebsdaten für die Zielflotte oder bei nur sehr geringer Datenbasis für die Zielflotte selbst ein entsprechendes zuverlässiges Modell zur Prädiktion der wenigstens einen alterungsabhängigen Charakteristik angegeben werden.The invention thus implements in particular an inter-fleet transfer learning approach, according to which the database that is collected using the starting fleet is used to train the model for the target fleet. This has various advantages, for example when it comes to being able to predict the aging-dependent characteristics for the target fleet as quickly as possible without sufficient training operating data of the target fleet itself being available that would enable a reliable prediction. Due to the large number of initial motor vehicles and their specific operating conditions, a corresponding reliable model for predicting the at least one aging-dependent characteristic can be specified even without training operation data for the target fleet or with only a very small database for the target fleet itself.

Dies kann zum beispielsweise der Fall sein, wenn es sich bei den Zielkraftfahrzeugen um eine neue Modellgeneration von Kraftfahrzeugen oder ein neues Kraftfahrzeugmodell handelt, das sich erst seit kurzer Zeit auf dem Markt befindet, so dass keine tatsächlichen Trainingsbetriebsdaten oder nur wenige tatsächliche Trainingsbetriebsdaten der Zielflotte vorliegen. Die Ausgangsflotte kann sich dagegen bereits seit längerer Zeit im Einsatz befinden, so dass bereits ausreichend Betriebsdaten zum Trainieren des Modells zur Verfügung stehen. Dies ist jedoch nicht der einzige Vorteil der Erfindung. In einer Situation, in der die Ausgangsflotte typischerweise eine hohe Laufleistung pro Zeiteinheit aufweist und die Zielflotte nur eine geringe Laufleistung pro Zeiteinheit, kann die Datenbasis basierend auf Trainingsbetriebsdaten der Zielflotte ebenfalls nicht ausreichend sein, um eine zuverlässige Prädiktion anhand eines entsprechend trainierten Modells zu erzielen. Auch in diesem Fall kann die Datensammlung anhand der Ausgangsflotte mit Vorteil dazu eingesetzt werden, das akquirierte Wissen über das trainierte Modell auf die Zielflotte zu übertragen.This can be the case, for example, if the target motor vehicle is a new model generation of motor vehicle or a new motor vehicle model that has only been on the market for a short time, so that no actual training operation data or only little actual training operation data of the target fleet is available . The initial fleet, on the other hand, may have been in use for a long time, so that sufficient operating data is already available for training the model. However, this is not the only advantage of the invention. In a situation in which the starting fleet typically has a high mileage per unit of time and the target fleet only a low mileage per unit of time, the database based on training operation data of the target fleet may also not be sufficient to achieve a reliable prediction based on a correspondingly trained model. In this case, too, the data collection based on the initial fleet can advantageously be used to transfer the acquired knowledge about the trained model to the target fleet.

Bei Elektrofahrzeugen, BEV (englisch: „Battery Electric Vehicle“), oder Hybrid-Elektrofahrzeugen, HEV (englisch: „Hybrid Electric Vehicle“), insbesondere Plug-in-Hybridfahrzeugen, PHEV (englisch: „Plug-in Hybrid Vehicle“), stellt die Traktionsbatterie, also die Batterie, die elektrische Energie für einen entsprechenden Traktionsmotor bereitstellt, regelmäßig eine der wertvollsten Komponenten des Fahrzeugs dar. Gleichzeitig ist die Einschätzung der Restlebensdauer oder des SoH einer solchen Traktionsbatterie sehr komplex und lässt sich in der Regel nur basierend auf sehr datenintensiven Ansätzen oder Modellen realisieren. Daher eignet sich die Erfindung in besonderer Weise für Ausgangsflotten und Zielflotten mit BEV oder PHEV als Ausgangskraftfahrzeuge beziehungsweise Zielkraftfahrzeuge.In the case of electric vehicles, BEV (“Battery Electric Vehicle”), or hybrid electric vehicles, HEV (English: “Hybrid Electric Vehicle”), in particular plug-in hybrid vehicles, PHEV (English: “Plug-in Hybrid Vehicle”), the traction battery, i.e. the battery that provides electrical energy for a corresponding traction motor, is regularly one of the most valuable components of the vehicle. At the same time, estimating the remaining service life or SoH of such a traction battery is very complex and can usually only be based on very implement data-intensive approaches or models. The invention is therefore particularly suitable for initial fleets and target fleets with BEVs or PHEVs as initial motor vehicles or target motor vehicles.

Die Lebensdauer und Leistung einer Traktionsbatterie ist von zahlreichen Einflüssen abhängig, beispielsweise der Häufigkeit von Auf- und Entladevorgängen, der Art des Ladevorgangs, insbesondere der Ladegeschwindigkeit, der Fahrweise sowie von externen Bedingungen, wie der Außentemperatur. Die Alterung von Traktionsbatterien macht sich beispielsweise im Abfall der gesamten Ladekapazität auf einen Bruchteil der ursprünglichen oder der Nennladekapazität bemerkbar und/oder im Anstieg des Innenwiederstands. Ist die Ladekapazität auf einen bestimmten Wert gefallen, beispielsweise im Bereich zwischen 60 % und 80% der Nennladekapazität, steigt der Innenwiderstand der Traktionsbatterie gegebenenfalls stark an, sodass es zu hochgradig nicht-linearen Alterungseffekten und zum Risiko von Ausfällen während der Fahrt kommen kann.The service life and performance of a traction battery depends on numerous influences, for example the frequency of charging and discharging processes, the type of charging process, in particular the charging speed, driving style and external conditions such as the outside temperature. The aging of traction batteries is noticeable, for example, in the drop in the total charging capacity to a fraction of the original or nominal charging capacity and/or in the increase in the internal resistance. If the charging capacity has fallen to a certain value, for example in the range between 60% and 80% of the nominal charging capacity, the internal resistance of the traction battery may increase sharply, which can lead to highly non-linear aging effects and the risk of failures while driving.

Gemäß zumindest einer Ausführungsform handelt es sich dementsprechend bei der Vielzahl von Ausgangsfahrzeugen und bei der Vielzahl von Zielfahrzeugen jeweils um BEV, HEV oder PHEV.According to at least one embodiment, the plurality of source vehicles and the plurality of target vehicles are accordingly BEVs, HEVs or PHEVs.

Gemäß zumindest einer Ausführungsform enthält die wenigstens eine alterungsabhängige Charakteristik eine Charakteristik betreffend eine chemische Alterung wenigstens einer Komponente, beispielsweise eines elektrischen Batteriesystems, des jeweiligen Ausgangskraftfahrzeugs oder Zielkraftfahrzeugs.In accordance with at least one embodiment, the at least one aging-dependent characteristic contains a characteristic relating to chemical aging of at least one component, for example an electric battery system, of the respective starting motor vehicle or target motor vehicle.

Gemäß zumindest einer Ausführungsform enthält die wenigstens eine alterungsabhängige Charakteristik eine Charakteristik betreffend ein elektrisches Batteriesystem zum Antrieb des jeweiligen Ausgangskraftfahrzeugs oder Zielkraftfahrzeugs, insbesondere betreffend eine jeweilige Traktionsbatterie.According to at least one embodiment, the at least one aging-dependent characteristic contains a characteristic relating to an electric battery system for driving the respective starting motor vehicle or target motor vehicle, in particular relating to a respective traction battery.

Gemäß zumindest einer Ausführungsform enthält die Charakteristik betreffend das elektrische Batteriesystem einen Gesundheitszustand, SoH, des Batteriesystems.According to at least one embodiment, the characteristic relating to the electric battery system contains a state of health, SoH, of the battery system.

Insbesondere ist der SoH gleich einem Kennwert betreffend ein Verhältnis einer Ladungskapazität, insbesondere einer aktuellen Ladungskapazität, des Batteriesystems zu einer Referenzladungskapazität, insbesondere einer Nennladungskapazität für das Batteriesystem oder einer Ladungskapazität des Batteriesystems in einem Neuzustand. Der SoH kann in diesem Fall auch als SoH-C bezeichnet werden.In particular, the SoH is equal to a characteristic value relating to a ratio of a charge capacity, in particular a current charge capacity, of the battery system to a reference charge capacity, in particular a nominal charge capacity for the battery system or a charge capacity of the battery system in a new condition. In this case, the SoH can also be referred to as the SoH-C.

Alternativ ist der SoH gleich einem Kennwert betreffend ein Verhältnis eines Innenwiderstands, insbesondere eines aktuellen Innenwiderstands, des Batteriesystems zu einem Referenzinnenwiderstand, insbesondere einem Innenwiderstand des Batteriesystems in einem Neuzustand. Der SoH kann in diesem Fall auch als SoH-R bezeichnet werden.Alternatively, the SoH is equal to a characteristic relating to a ratio of an internal resistance, in particular a current internal resistance, of the battery system to a reference internal resistance, in particular an internal resistance of the battery system in a new state. In this case, the SoH can also be referred to as the SoH-R.

Die Charakteristik betreffend das elektrische Batteriesystem kann auch einen Funktionszustand SoF (englisch: „State of Function“) beinhalten oder einen sonstigen Belastungszyklus gemäß einer Globalregelung betreffen.The characteristic relating to the electric battery system can also contain a functional state SoF (English: "State of Function") or relate to another load cycle according to a global regulation.

Gemäß zumindest einer Ausführungsform enthält die wenigstens eine alterungsabhängige Charakteristik eine Charakteristik betreffend einen mechanischen Verschleiß wenigstens einer Komponente, beispielsweise eines Antriebsmotors, eines Bremssystems und/oder von Reifen, des jeweiligen Ausgangskraftfahrzeugs oder Zielkraftfahrzeugs.According to at least one embodiment, the at least one aging-dependent characteristic contains a characteristic relating to mechanical wear of at least one component, for example a drive motor, a braking system and/or tires, of the respective starting motor vehicle or target motor vehicle.

Gemäß zumindest einer Ausführungsform enthält die wenigstens eine alterungsabhängige Charakteristik eine Charakteristik betreffend einen Antriebsmotor des jeweiligen Ausgangskraftfahrzeugs oder Zielkraftfahrzeugs.According to at least one embodiment, the at least one aging-dependent characteristic contains a characteristic relating to a drive motor of the respective starting motor vehicle or target motor vehicle.

Die Charakteristik betreffend den Antriebsmotor kann beispielsweise eine Verschleißkennzahl oder dergleichen beinhalten.The characteristics relating to the drive motor can include a wear index or the like, for example.

Gemäß zumindest einer Ausführungsform enthält die wenigstens eine alterungsabhängige Charakteristik eine Charakteristik betreffend ein Bremssystem des jeweiligen Ausgangskraftfahrzeugs oder Zielkraftfahrzeugs.According to at least one embodiment, the at least one aging-dependent characteristic contains a characteristic relating to a brake system of the respective starting motor vehicle or target motor vehicle.

Auch hier kann die Charakteristik betreffend das Bremssystem beispielsweise einen Verschleißgrad einer oder mehrerer Komponenten des Bremssystems des jeweiligen Ausgangskraftfahrzeugs beziehungsweise Zielkraftfahrzeugs enthalten.Here, too, the characteristic relating to the brake system can contain, for example, a degree of wear of one or more components of the brake system of the respective starting motor vehicle or target motor vehicle.

Gemäß zumindest einer Ausführungsform werden mittels der Vielzahl von Zielkraftfahrzeugen während der vor der Prädiktionsphase liegenden Trainingsphase Trainingsbetriebsdaten des jeweiligen Zielkraftfahrzeugs erfasst. Das Modell zur Prädiktion der wenigstens einen alterungsabhängigen Charakteristik wird mittels des Rechensystems basierend auf den erfassten Trainingsbetriebsdaten der Vielzahl von Ausgangskraftfahrzeugen und/oder basierend auf den während der Trainingsphase erfassten Trainingsbetriebsdaten der Vielzahl von Zielkraftfahrzeugen trainiert.According to at least one embodiment, training operating data of the respective target motor vehicle are recorded by means of the plurality of target motor vehicles during the training phase that precedes the prediction phase. The model for predicting the at least one aging-dependent characteristic is trained by the computing system based on the acquired training operating data from the plurality of starting motor vehicles and/or based on the training operating data collected during the training phase from the plurality of target motor vehicles.

Die Trainingsphase entspricht dabei nicht notwendigerweise einer Phase, während der das Modell trainiert wird, sondern einer Phase, während der die Trainingsbetriebsdaten erfasst werden. Die Trainingsphase kann also auch als Trainingserfassungsphase bezeichnet werden. Je nach konkreter Ausgestaltung des Modells werden zunächst alle Trainingsbetriebsdaten erfasst und das Modell wird erst danach trainiert oder Trainingsbetriebsdaten können mehr oder weniger kontinuierlich erfasst und dem Training zugeführt werden.The training phase does not necessarily correspond to a phase during which the model is trained, but to a phase during which the training operation data is recorded. The training phase can therefore also be referred to as the training acquisition phase. Depending on the specific design of the model, all training operation data is first recorded and the model is only trained afterwards, or training operation data can be recorded more or less continuously and fed to the training.

Indem auf die Datenbasis der erfassten Trainingsbetriebsdaten der Vielzahl von Ausgangskraftfahrzeugen zurückgegriffen wird, kann das Modell auch bei einer nur geringen Menge verfügbarer Trainingsbetriebsdaten der Zielkraftfahrzeuge trainiert werden. Durch die Berücksichtigung der erfassten Trainingsbetriebsdaten der Zielkraftfahrzeuge kann dagegen Unterschieden zwischen den Zielkraftfahrzeugen und den Ausgangskraftfahrzeugen Rechnung getragen werden.The model can be trained even with only a small amount of available training operating data of the target motor vehicles by accessing the database of the acquired training operating data of the large number of starting motor vehicles. On the other hand, differences between the target motor vehicles and the starting motor vehicles can be taken into account by taking into account the recorded training operating data of the target motor vehicles.

In manchen Ausführungsformen wird ein initiales Modell basierend auf den erfassten Trainingsbetriebsdaten der Vielzahl von Ausgangskraftfahrzeugen trainiert, insbesondere ausschließlich basierend auf den erfassten Trainingsbetriebsdaten der Vielzahl von Ausgangskraftfahrzeugen beziehungsweise ohne Berücksichtigung der erfassten Trainingsbetriebsdaten der Zielkraftfahrzeuge. Das trainierte initiale Modell kann dann beispielsweise zur Prädiktion der alterungsabhängigen Charakteristik der Ausgangskraftfahrzeuge benutzt werden.In some embodiments, an initial model is trained based on the acquired training operating data from the plurality of initial vehicles, in particular exclusively based on the acquired training operating data from the plurality of initial vehicles or without taking into account the acquired training operating data from the target vehicles. The trained initial model can then be used, for example, to predict the aging-dependent characteristics of the original motor vehicle.

Ferner wird das trainierte initiale Modelle basierend auf den erfassten Trainingsbetriebsdaten der Zielkraftfahrzeuge modifiziert, um das Modell zur Prädiktion der alterungsabhängigen Charakteristik der Zielkraftfahrzeuge zu trainieren. Die Modifikation des trainierten initialen Modells kann also als Teil des gesamten Trainings des Models angesehen werden. Neben den erfassten Trainingsbetriebsdaten der Zielkraftfahrzeuge können auch die erfassten Trainingsbetriebsdaten der Vielzahl von Ausgangskraftfahrzeugen oder ein Teil davon zur Modifikation des trainierten initialen Modells verwendet werden.Furthermore, the trained initial model is modified based on the recorded training operating data of the target motor vehicles in order to train the model for predicting the aging-dependent characteristics of the target motor vehicles. The modification of the trained initial model can thus be viewed as part of the overall training of the model. In addition to the recorded training operating data of the target motor vehicles, the recorded training operating data of the large number of starting motor vehicles or a part thereof can also be used to modify the trained initial model.

In alternativen Ausführungsformen wird das Modell zur Prädiktion der alterungsabhängigen Charakteristik der Zielkraftfahrzeuge direkt basierend auf den erfassten Trainingsbetriebsdaten der Vielzahl von Ausgangskraftfahrzeugen und basierend auf den während der Trainingsphase erfassten weiteren Trainingsbetriebsdaten der Vielzahl von Zielkraftfahrzeugen trainiert, ohne dass zuvor ein initiales Modell trainiert wird.In alternative embodiments, the model for predicting the aging-dependent characteristics of the target motor vehicle is directly based on the acquired training operating data of the plurality of starting motor vehicles and based on the further training operating data of the plurality of target force collected during the training phase vehicles without having to train an initial model beforehand.

Gemäß einem weiteren Aspekt der Erfindung wird ein Flottensteuerungssystem angegeben, welches ein Rechensystem enthält sowie wenigstens eine Speichereinheit. Die wenigstens eine Speichereinheit speichert ein Modell zur Prädiktion wenigstens einer alterungsabhängigen Charakteristik einer Vielzahl von Zielkraftfahrzeugen einer Zielflotte. Das Rechensystem ist dazu eingerichtet, von einer Vielzahl von Ausgangskraftfahrzeugen einer Ausgangsflotte Trainingsbetriebsdaten des jeweiligen Ausgangskraftfahrzeugs zu erhalten und das Modell basierend auf den erhaltenen Trainingsbetriebsdaten der Vielzahl von Ausgangskraftfahrzeugen durch Maschinenlernen zu trainieren. Das Rechensystem ist dazu eingerichtet, von der Vielzahl von Zielkraftfahrzeugen jeweils Betriebsdaten des jeweiligen Zielkraftfahrzeugs zu erhalten und die wenigstens eine alterungsabhängige Charakteristik für jedes Zielkraftfahrzeug der Vielzahl von Zielkraftfahrzeugen basierend auf den erhaltenen Betriebsdaten der Vielzahl von Zielkraftfahrzeugen unter Verwendung des trainierten Modells zu prädizieren.According to a further aspect of the invention, a fleet control system is specified which contains a computing system and at least one memory unit. The at least one storage unit stores a model for predicting at least one aging-dependent characteristic of a large number of target motor vehicles in a target fleet. The computing system is set up to receive training operating data of the respective starting motor vehicle from a large number of starting motor vehicles in a starting fleet and to train the model based on the training operating data obtained from the multiplicity of starting motor vehicles by machine learning. The computing system is set up to obtain operating data of the respective target motor vehicle from the multiplicity of target motor vehicles and to predict the at least one aging-dependent characteristic for each target motor vehicle of the multiplicity of target motor vehicles based on the operating data obtained from the multiplicity of target motor vehicles using the trained model.

Das Rechensystem erhält die Betriebsdaten der Zielkraftfahrzeuge dabei insbesondere während einer Prädiktionsphase beziehungsweise die Zielkraftfahrzeuge erfassen die jeweiligen Betriebsdaten während der Prädiktionsphase.The computing system receives the operating data of the target motor vehicles, in particular during a prediction phase, or the target motor vehicles record the respective operating data during the prediction phase.

Gemäß zumindest einer Ausführungsform des Flottensteuerungssystems speichert die wenigstens eine Speichereinheit für die Vielzahl von Zielkraftfahrzeugen jeweils einen digitalen Zwilling, und das Rechensystem ist dazu eingerichtet, den digitalen Zwilling abhängig den erhaltenen Betriebsdaten des jeweiligen Zielkraftfahrzeugs zu aktualisieren.According to at least one embodiment of the fleet control system, the at least one storage unit stores a digital twin for each of the plurality of target motor vehicles, and the computing system is set up to update the digital twin depending on the operating data received from the respective target motor vehicle.

Die Prädiktion der wenigstens einen alterungsabhängigen Charakteristik erfolgt dann beispielsweise für den jeweiligen digitalen Zwilling des entsprechenden Zielkraftfahrzeugs.The at least one aging-dependent characteristic is then predicted, for example, for the respective digital twin of the corresponding target motor vehicle.

Weitere Ausführungsformen des Flottensteuerungssystems gemäß der Erfindung folgen aus den verschiedenen Ausgestaltungsformen des erfindungsgemäßen Verfahrens und umgekehrt. Insbesondere ist ein erfindungsgemäßes Flottensteuerungssystem dazu eingerichtet, ein Verfahren nach dem verbesserten Konzept durchzuführen oder es führt ein solches Verfahren durch.Further embodiments of the fleet control system according to the invention follow from the various embodiments of the method according to the invention and vice versa. In particular, a fleet control system according to the invention is set up to carry out a method based on the improved concept or it carries out such a method.

Die Erfindung umfasst auch die Kombinationen der Merkmale der beschriebenen Ausführungsformen. Weitere Merkmale der Erfindung ergeben sich aus den Ansprüchen, den Figuren und der Figurenbeschreibung. Die vorstehend in der Beschreibung genannten Merkmale und Merkmalskombinationen sowie die nachfolgend in der Figurenbeschreibung genannten und/oder in den Figuren gezeigten Merkmale und Merkmalskombinationen können nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen von der Erfindung umfasst sein. Es sind insbesondere auch Ausführungen und Merkmalskombinationen von der Erfindung umfasst, die nicht alle Merkmale eines ursprünglich formulierten Anspruchs aufweisen. Es sind darüber hinaus Ausführungen und Merkmalskombinationen von der Erfindung umfasst, die über die in den Rückbezügen der Ansprüche dargelegten Merkmalskombinationen hinausgehen oder von diesen abweichen.The invention also includes the combinations of features of the described embodiments. Further features of the invention result from the claims, the figures and the description of the figures. The features and combinations of features mentioned above in the description and the features and combinations of features mentioned below in the description of the figures and/or shown in the figures can be included in the invention not only in the combination specified in each case, but also in other combinations. In particular, the invention also includes versions and combinations of features that do not have all the features of an originally formulated claim. The invention also encompasses designs and combinations of features that go beyond or deviate from the combinations of features set out in the back references of the claims.

Im Folgenden werden Ausführungsbeispiele der Erfindung beschrieben. Hierzu zeigt:

  • 1 eine schematische Darstellung einer beispielhaften Ausführungsform eines erfindungsgemäßen Flottensteuerungssystems;
  • 2 eine schematische Blockdarstellung eines Flottenmanagementsystems; und
  • 3 eine weitere schematische Blockdarstellung eines Flottenmanagementsystems.
Exemplary embodiments of the invention are described below. For this shows:
  • 1 a schematic representation of an exemplary embodiment of a fleet control system according to the invention;
  • 2 a schematic block diagram of a fleet management system; and
  • 3 another schematic block diagram of a fleet management system.

Bei den im Folgenden erläuterten Ausführungsbeispielen handelt es sich um bevorzugte Ausführungsbeispiele der Erfindung. Bei den Ausführungsbeispielen stellen die beschriebenen Komponenten jeweils einzelne, unabhängig voneinander zu betrachtende Merkmale der Erfindung dar, welche die Erfindung jeweils auch unabhängig voneinander weiterbilden und damit auch einzeln oder in einer anderen als der gezeigten Kombination als Bestandteil der Erfindung anzusehen sind. Des Weiteren sind die beschriebenen Ausführungsbeispiele auch durch weitere der bereits beschriebenen Merkmale der Erfindung ergänzbar.The exemplary embodiments explained below are preferred exemplary embodiments of the invention. In the exemplary embodiments, the described components each represent individual features of the invention that are to be considered independently of one another, which also develop the invention independently of one another and are therefore also to be regarded as part of the invention individually or in a combination other than that shown. Furthermore, the exemplary embodiments described can also be supplemented by further features of the invention already described.

In den Figuren sind funktionsgleiche Elemente jeweils mit denselben Bezugszeichen versehen.Elements with the same function are each provided with the same reference symbols in the figures.

In 1 ist eine beispielhafte Ausführungsform eines Flottensteuerungssystems 1 gemäß der Erfindung schematisch dargestellt. Das Flottensteuerungssystem 1 weist ein Rechensystem 2 auf sowie wenigstens eine Speichereinheit 3, auf die das Rechensystem 2 zugreifen kann. Das Rechensystem 2 sowie die wenigstens eine Speichereinheit 3 sind im Beispiel der 1 als extern zu den Ausgangskraftfahrzeugen einer Ausgangsflotte 5a sowie zu den Zielkraftfahrzeugen einer Zielflotte 5b dargestellt. Dementsprechend enthält das Rechensystem 2 wenigstens eine Kommunikationsschnittstelle 4 zur, beispielsweise drahtlosen, Kommunikation mit den Ausgangskraftfahrzeugen und den Zielkraftfahrzeugen. In alternativen Ausführungsformen kann das Rechensystem 2 auch in den Kraftfahrzeugen der Ausgangsflotte 5a und der Zielflotte 5b verteilte Recheneinheiten beinhalten.In 1 an exemplary embodiment of a fleet control system 1 according to the invention is shown schematically. The fleet control system 1 has a computing system 2 and at least one memory unit 3 which the computing system 2 can access. The computing system 2 and the at least one memory unit 3 are in the example 1 represented as external to the starting motor vehicles of a starting fleet 5a and to the target motor vehicles of a target fleet 5b. Accordingly, the computing system 2 contains at least one communication interface 4 for, for example wireless, communication with the source motor vehicle and the target motor vehicle. In alternative embodiments, the computing system 2 in the motor vehicles Output fleet 5a and the target fleet 5b include distributed computing units.

Die wenigstens eine Speichereinheit 3 speichert ein Modell zur Prädiktion wenigstens einer alterungsabhängigen Charakteristik der Zielkraftfahrzeuge der Zielflotte 5b. Das Modell basiert beispielsweise zumindest teilweise auf einem künstlichen neuronalen Netzwerk.The at least one storage unit 3 stores a model for predicting at least one aging-dependent characteristic of the target motor vehicles in the target fleet 5b. The model is based, for example, at least in part on an artificial neural network.

Die Ausgangskraftfahrzeuge der Ausgangsflotte 5a erfassen während ihres Betriebs entsprechende Trainingsbetriebsdaten des jeweiligen Ausgangskraftfahrzeugs und übermitteln diese an das Rechensystem 2. Das Rechensystem 2 trainiert das auf der wenigstens einen Speichereinheit 3 gespeicherte Modell basierend auf den Trainingsbetriebsdaten der Ausgangsflotte 5a. Nach dem Training des Modells kann das Rechensystem 2 abhängig von Betriebsdaten, die mit den Zielkraftfahrzeugen der Zielflotte 5b erfasst und an das Rechensystem 2 übermittelt wurden, wenigstens eine alterungsabhängige Charakteristik für die Zielkraftfahrzeuge der Zielflotte 5b basierend auf den Betriebsdaten der Zielkraftfahrzeuge unter Verwendung des trainierten Modells prädizieren.The initial motor vehicles of the initial fleet 5a record corresponding training operating data of the respective initial motor vehicle during their operation and transmit this to the computing system 2. The computing system 2 trains the model stored on the at least one memory unit 3 based on the training operating data of the initial fleet 5a. After training the model, the computing system 2 can, depending on operating data that was recorded with the target motor vehicles of the target fleet 5b and transmitted to the computing system 2, at least one aging-dependent characteristic for the target motor vehicles of the target fleet 5b based on the operating data of the target motor vehicles using the trained model predict.

Konventionelle Flottenmanagement-Ansätze konzentrieren sich nur auf die Perspektive des Flottenbetreibers und der Bediener, nicht aber auf die Perspektive des Herstellers der Flottenmitglieder. Vorliegend wird ein Konzept für einen ganzheitlichen Flottenmanagementansatz für Hersteller vorgeschlagen, der den Entwicklungsprozess zukünftiger Flottengenerationen unterstützt. Als Lösung für die schnelle Einführung zuverlässiger datengetriebener Modelle für neue Flotten ohne ausreichend verfügbare Daten der neuen Flotte selbst kann der Transfer von Wissen und von Modellen zwischen verschiedenen Flotten genutzt werden, das so genannte flottenübergreifende Transferlernen. Das Konzept ist aus drei zusammenspielenden Ebenen aufgebaut. Der Ansatz ermöglicht es dem Hersteller, Betriebsdaten von Kunden in den Entwicklungsprozess zu integrieren und so die Produkte kundenorientierter zu gestalten.Conventional fleet management approaches only focus on the perspective of the fleet owner and operators, not the perspective of the manufacturer of the fleet members. A concept for a holistic fleet management approach for manufacturers is proposed, which supports the development process of future fleet generations. As a solution for the rapid introduction of reliable data-driven models for new fleets without sufficient available data of the new fleet itself, the transfer of knowledge and models between different fleets can be used, the so-called cross-fleet transfer learning. The concept is made up of three interacting levels. The approach enables the manufacturer to integrate customer operating data into the development process and thus make the products more customer-oriented.

Die steigende Konnektivität von Maschinen im Rahmen des Internets der Dinge und der Industrie 4.0 gilt auch für Fahrzeugflotten. Sensoren existieren es in Fahrzeugen schon seit langem, aber erst kürzlich können die Sensordaten vom Fahrzeug zu einer Cloud per V2C ausgetauscht werden. Auf Basis dieser Daten werden die Betreiber durch Flottenüberwachungs- und Flottenmanagementsysteme unterstützt, die oft von Drittanbietern bereitgestellt werden und die Verwaltung, Nutzung und Wartung der Maschinen überwachen. Allerdings sind diese Flottenmanagementsysteme derzeit auf die Betreiberunternehmen fokussiert, nicht aber auf die Maschinenhersteller.The increasing connectivity of machines as part of the Internet of Things and Industry 4.0 also applies to vehicle fleets. Sensors have existed in vehicles for a long time, but it is only recently that the sensor data can be exchanged from the vehicle to a cloud via V2C. Based on this data, operators are supported by fleet monitoring and fleet management systems, often provided by third parties, which oversee the management, use and maintenance of the machines. However, these fleet management systems are currently focused on the operating companies, but not on the machine manufacturers.

Maschinenhersteller haben das Ziel, Produktkosteneinsparungen zu realisieren und gleichzeitig die Qualitäts- und Kundenbedürfnisse zu erfüllen. Allerdings sind die Kundenbedürfnisse und das Nutzungsverhalten der Maschinen nicht immer genau bekannt oder dem Hersteller über Kundenbefragungen zugänglich. Dieses Informationsdefizit auf Herstellerseite kann nun überwunden werden, da die bereits erwähnte Konnektivität von Maschinen zu einem Standard wird, der die Datenübertragung von bereits in den Maschinen der Kundenflotten vorhandenen Sensoren an die Maschinenhersteller ermöglicht. Folglich erweitert das vorliegende Konzept das auf Betreiberunternehmen fokussierte Verständnis von Flottenmanagement um die Perspektive der Maschinenhersteller. Es wird ein Flottenmanagement-Ansatz vorgeschlagen, der die Perspektive der Maschinenhersteller einbezieht. Dieser Flottenmanagement-Ansatz zielt darauf ab, den Maschinenhersteller bei der Optimierung bestehender Flotten zu unterstützen und den Entwicklungsprozess neuer Produkte zu fördern. Gleichzeitig sollen die betrieblichen Ziele der Flottenbetreiber durch diesen Ansatz berücksichtigt werden. Daher ist dieser Ansatz sowohl für den Maschinenhersteller als auch für dessen Kunden von Vorteil. Darüber hinaus wird eine Lösung vorgeschlagen, um zuverlässige datengetriebene Modelle für neue Flotten schnell einzuführen, während die Daten der neuen Flotte fehlen, indem bestehende datengetriebene Modelle einer anderen Flotte auf die neue Flotte übertragen werden. Dieser Transfer von Wissen und Modellen zwischen verschiedenen Flotten kann als flottenübergreifendes Transferlernen bezeichnet werden.Machine manufacturers aim to realize product cost savings while meeting quality and customer needs. However, the customer needs and the usage behavior of the machines are not always exactly known or accessible to the manufacturer through customer surveys. This information deficit on the part of the manufacturer can now be overcome, since the aforementioned connectivity of machines is becoming a standard that enables data transmission from sensors already present in the machines of the customer fleets to the machine manufacturers. Consequently, the present concept expands the understanding of fleet management focused on operating companies to include the perspective of the machine manufacturers. A fleet management approach is proposed that incorporates the perspective of machine manufacturers. This fleet management approach aims to support the machine manufacturer in optimizing existing fleets and promoting the development process of new products. At the same time, the operational goals of the fleet operators should be taken into account by this approach. Therefore, this approach is beneficial for both the machine manufacturer and its customers. Furthermore, a solution is proposed to quickly roll out reliable data-driven models for new fleets while the new fleet's data is missing by transferring existing data-driven models of another fleet to the new fleet. This transfer of knowledge and models between different fleets can be referred to as cross-fleet transfer learning.

Die Anzahl der Neuzulassungen von batterieelektrischen Fahrzeugen steigt weltweit an. Ihre Massenproduktion sowie die hohe Vielfalt der in naher Zukunft nachgefragter BEV erfordern niedrige Kosten und kurze Entwicklungszeiten. Die Kernkomponente von BEV ist nicht der konventionelle Verbrennungsmotor, sondern die Traktionsbatterie, die eine Überwachung in einem neuen Kontext erfordert. Auch werden in Zukunft BEV Teil von Shared-Mobility-Konzepten sein. Somit stehen die Betreiber von BEV-Flotten vor betrieblichen und wartungstechnischen Herausforderungen, da die Fahrer-Fahrzeug-Zuordnung dynamisch ist. Aus diesen Gründen werden BEV-Flotten als beispielhafter Anwendungsfall gewählt, um den Flottenmanagement-Ansatz und seine Vorteile für Fahrer, Flottenbetreiber und Hersteller zu erläutern.The number of new registrations of battery electric vehicles is increasing worldwide. Their mass production and the high variety of BEVs that will be in demand in the near future require low costs and short development times. The core component of BEV is not the conventional internal combustion engine, but the traction battery, which requires monitoring in a new context. BEVs will also be part of shared mobility concepts in the future. Thus, the operators of BEV fleets face operational and maintenance challenges since the driver-vehicle assignment is dynamic. For these reasons, BEV fleets are chosen as an exemplary use case to explain the fleet management approach and its benefits for drivers, fleet operators and manufacturers.

Dennoch ist der vorliegende Ansatz nicht nur für BEV oder Fahrzeuge geeignet, sondern auch für andere Maschinentypen, Szenarien und Perspektiven, wie etwa chemische Anlagen, Landfahrzeuge, Züge, Flugzeuge, Windräder und Blockheizkraftwerke.Nevertheless, the present approach is not only suitable for BEVs or vehicles, but also for other machine types, scenarios and perspectives, such as chemical plants, land vehicles, Trains, airplanes, wind turbines and combined heat and power plants.

Zum einen können Flotten aus der Sicht des Herstellers und des Bediener betrachtet werden. Die Rolle des Bedieners muss jedoch weiter verfeinert werden. Sie kann sich auf die Person beziehen, die die Maschine bedient, wie zum Beispiel der Fahrer eines Fahrzeugs, aber auch auf den institutionellen Flottenbetreiber, wie beispielsweise ein Unternehmen, das in der Regel auch Eigentümer der Flotte ist. Genauer gesagt, können beim Betrieb einer Flotte verschiedene Stakeholder-Rollen beteiligt sein, wie etwa der Eigentümer, der Flottenmanager, die Bediener, wie Maschinenführer, Arbeiter oder Fahrer, und die Wartungsmannschaften. Bei Flotten werden diese Rollen in der Regel weder von derselben Person oder demselben Team besetzt, noch sind sie notwendigerweise Teil derselben Organisation.On the one hand, fleets can be viewed from the point of view of the manufacturer and the operator. However, the role of the operator needs further refinement. It can refer to the person operating the machine, such as the driver of a vehicle, but also to the institutional fleet operator, such as a company that usually also owns the fleet. More specifically, operating a fleet can involve various stakeholder roles, such as the owner, the fleet manager, operators such as operators, workers or drivers, and maintenance crews. For fleets, these roles are typically not held by the same person or team, nor are they necessarily part of the same organization.

Im Folgenden werden mögliche Aufgaben der einzelnen Rollen beschrieben. Der Eigentümer, in der Regel eine Institution, vertreten durch ihre Geschäftsführung, ist auf der strategischen Ebene verantwortlich. Dazu gehört die Entscheidung über die Aufgabe der Flotte, die Auswahl der Flottenmitglieder und die Flottengröße.Possible tasks of the individual roles are described below. The owner, usually an institution, represented by its management, is responsible at the strategic level. This includes deciding on the abandonment of the fleet, the selection of fleet members and the fleet size.

Der Flottenmanager übernimmt die Verantwortung für das operative Tagesgeschäft. Er ist für die Flotte verantwortlich. Er verwaltet Unfälle, Servicestopps, plant Schichtpläne und überwacht die Gesamtleistung und Nutzung der Flotte. Bei BEV-Flotten ist er auch für das Lademanagement zuständig, zum Beispiel durch die Auswahl bevorzugter Ladeprofile. Der Bediener arbeitet auf der operativen Ebene bei, mit oder an den Flottenmitgliedern und ist für die Nutzung eines Flottenmitglieds verantwortlich. Beispiele sind ein Fahrzeugfahrer und ein Team, das in der Leitwarte eine chemische oder verfahrenstechnische Anlage bedient, unterstützt durch Prozessleitsysteme.The fleet manager assumes responsibility for day-to-day operations. He is in charge of the fleet. It manages accidents, service stops, schedules shift schedules, and monitors overall fleet performance and usage. In the case of BEV fleets, he is also responsible for charging management, for example by selecting preferred charging profiles. The operator works at the operational level at, with or on the fleet members and is responsible for the use of a fleet member. Examples are a vehicle driver and a team operating a chemical or process plant in the control room, supported by process control systems.

Diese Rollen sind möglicherweise nicht getrennt oder für alle Arten von Flotten vorhanden. Einerseits wird beispielsweise eine Flotte von Windkraftanlagen vollautomatisch betrieben und benötigt keine menschlichen Bediener, wird aber dennoch mittels eines Fernüberwachungssystems überwacht. Andererseits hat eine Flotte, die aus allen Autos eines bestimmten Fahrzeugtyps besteht derzeit weder einen operativen Flottenmanager noch einen gemeinsamen Eigentümer. Da gegebenenfalls jeder Fahrer oder eine Gruppe von Fahrern ein Fahrzeug besitzt, gibt es keinen Flottenmanager als Mittler. Im Gegensatz dazu existieren bei einer nicht-autonomen Ride-Hailing-Fahrzeugflotte alle diese Rollen von Eigentümer, Flottenmanager und Fahrer und sind nicht voneinander getrennt.These roles may not be separate or present for all types of fleets. On the one hand, for example, a fleet of wind turbines is operated fully automatically and does not require human operators, but is still monitored using a remote monitoring system. On the other hand, a fleet consisting of all cars of a certain vehicle type currently has neither an operational fleet manager nor a common owner. Since each driver or a group of drivers may own a vehicle, there is no fleet manager as an intermediary. In contrast, in a non-autonomous ride-hailing vehicle fleet, all of these roles of owner, fleet manager, and driver exist and are not separate from each other.

Derzeit haben Fahrzeughersteller nur begrenzt Daten von neuen Fahrzeugen, zum Beispiel aus Testfahrzeugen und Dauertests. Doch gerade letztere sind mit hohen Kosten verbunden. Zudem liefern beide Arten von Tests nur eine begrenzte Datenbasis hinsichtlich der Datenmenge und -vielfalt. Sie werden in der Regel von einer Gruppe von Testfahrern durchgeführt und spiegeln nicht den realen Einsatz bei den Endkunden wider. Ein ganzheitlicher Flottenmanagement-Ansatz aus Herstellersicht unterstützt daher den Entwicklungsprozess und reduziert Kosten.Vehicle manufacturers currently only have limited data from new vehicles, for example from test vehicles and endurance tests. But the latter in particular are associated with high costs. In addition, both types of tests only provide a limited database in terms of data volume and variety. They are usually carried out by a group of test drivers and do not reflect real use by the end customer. A holistic fleet management approach from the manufacturer's point of view therefore supports the development process and reduces costs.

Aufgrund der Einschränkungen des aktuellen Flottenmanagementsystems für Hersteller wird hier ein Flottenmanagementansatz für Hersteller vorgeschlagen, der in 2 schematisch dargestellt ist. Der Ansatz ist hierarchisch durch drei Ebenen oder Schichten L1, L2, L3 strukturiert: Die Maschinenebene L3, Flottenbetreiberebene L2 und Herstellerebene L1.Due to the limitations of the current fleet management system for manufacturers, a fleet management approach for manufacturers is proposed here, which in 2 is shown schematically. The approach is structured hierarchically by three levels or layers L1, L2, L3: The machine level L3, fleet operator level L2 and manufacturer level L1.

Auf der untersten Maschinenebene L3 wird jede Flotte 5a, 5b, 5c, 5d durch Gruppierung von Maschinen nach bestimmten Kriterien gemäß der obigen Definition gebildet. Somit werden einzelne Maschinen als Flottenmitglieder 6 betrachtet. Jede Maschine wird durch einen individuellen digitalen Zwilling 9 ergänzt. Der digitale Zwilling 9 spiegelt das Leben seines zugehörigen physischen Zwillings und kann für verschiedene Zwecke genutzt werden. Aufgabe dieser Schicht ist es, den Bediener oder die Bedienteams der Einzelmaschine zu unterstützen, sie ist also maschinenorientiert.At the lowest machine level L3, each fleet 5a, 5b, 5c, 5d is formed by grouping machines according to specific criteria as defined above. Thus, individual machines are regarded as fleet members 6. Each machine is supplemented by an individual digital twin 9. The digital twin 9 mirrors the life of its associated physical twin and can be used for various purposes. The task of this shift is to support the operator or the operating teams of the individual machine, so it is machine-oriented.

Auf der mittleren Flottenbetreiberebene L2 wird jede Flotte 5a, 5b, 5c, 5d durch die Rollen des technischen Überwachers und Flottenmanagers 8a, 8b, 8c, 8d überwacht. Die technische Überwachung konzentriert sich auf den Zustand der Flottenmitglieder 6 aus technischer Perspektive. Der technische Überwacher und Flottenmanager 8a, 8b, 8c, 8d übernimmt die Verantwortung für das operative Tagesgeschäft wie oben beschrieben. Je nach technischer Expertise und Bedarf des Flottenmanagers 8a, 8b, 8c, 8d können die Rollen des technischen Überwachers und des Flottenmanagers gemeinsam oder getrennt, entweder von einer Person oder einem Team, ausgeführt werden. In jedem Fall wird bei größeren Flotten 5a, 5b, 5c, 5d, die nicht von einer Institution betrieben werden, die technische Überwacher und Flottenmanager 8a, 8b, 8c, 8d eine Rolle sein, die beim Hersteller vergeben wird. Das Ziel dieser Ebene ist es, flottenbezogene Aktivitäten des Flottenbetreibers zu unterstützen, sie ist also flottenbetreiberorientiert.At the middle fleet operator level L2, each fleet 5a, 5b, 5c, 5d is monitored by the roles of the technical supervisor and fleet manager 8a, 8b, 8c, 8d. The technical surveillance focuses on the condition of the fleet members 6 from a technical perspective. The technical supervisor and fleet manager 8a, 8b, 8c, 8d assumes responsibility for day-to-day operations as described above. Depending on the technical expertise and needs of the fleet manager 8a, 8b, 8c, 8d, the roles of technical supervisor and fleet manager can be performed jointly or separately, either by one person or a team. In any case, for larger fleets 5a, 5b, 5c, 5d that are not operated by an institution, the technical supervisor and fleet manager 8a, 8b, 8c, 8d will be a role assigned by the manufacturer. The aim of this level is to support fleet-related activities of the fleet operator, so it is fleet operator-oriented.

Auf der obersten Herstellerebene L1 sind alle technischen Überwacher und Flottenmanager 8a, 8b, 8c, 8d aus der Flottenbetreiberebene L2 mit der Entwicklungsumgebung 7 des Herstellers verbunden. Das Ziel dieser Schicht ist es, den Hersteller der Flottenmitglieder 6 unabhängig von der Zusammensetzung der Flotten 5a, 5b, 5c, 5d zu unterstützen, sie ist also herstellerfokussiert.At the top manufacturer level L1 are all technical monitors and fleet managers 8a, 8b, 8c, 8d from the fleet operator level L2 with the Development environment 7 of the manufacturer connected. The aim of this layer is to support the manufacturer of the fleet members 6 regardless of the composition of the fleets 5a, 5b, 5c, 5d, so it is manufacturer-focused.

Im Gegensatz zur Flottenbetreiberebene L2, die in der Cloud zentralisiert ist, folgt die Maschinenebene L3 beispielsweise dem Paradigma des Edge-Computing, da sie die Verlagerung von Berechnungen und Datenspeicherung abseits einer zentralen Cloud ermöglicht. Diese Aufteilung ist durch Kosten-, Sicherheits-, Konnektivitäts- und Bandbreitenbeschränkungen motiviert. Daten und Berechnungen wie die Modellausführung, die für den zuverlässigen und sicheren Betrieb der Flottenmitglieder 6 notwendig sind, bleiben auf der Maschine. Zusätzliche Dienste und das Modelltraining werden jedoch in der Cloud ausgeführt.For example, unlike the L2 fleet operator level, which is centralized in the cloud, the L3 machine level follows the edge computing paradigm as it allows for the offloading of computations and data storage away from a central cloud. This division is motivated by cost, security, connectivity and bandwidth constraints. Data and calculations such as the model execution, which are necessary for the reliable and safe operation of the fleet members 6 remain on the machine. However, additional services and model training are performed in the cloud.

Wie die Automatisierungspyramide reduziert auch der vorliegende Ansatz die Komplexität durch die Einführung einer Schichtstruktur. Die Automatisierungspyramide besteht aus vier Schichten: Unternehmensschicht, Anlagenschicht, Prozessschicht und Feldschicht. Ihr Ziel ist die Produktionssteuerung von Anlagen oder Maschinen. Der vorliegende Ansatz fügt der eine weitere Schicht hinzu: Die Herstellerebene L1. Die Unternehmensebene der Automatisierungspyramide ist vergleichbar mit der Flottenbetreiberebene L2. Zusätzlich werden Anlagen-, Prozess- und Feldebene in der Maschinenebene L3 zusammengeführt, da deren genaue Struktur für das Flottenmanagement weniger relevant ist.Like the automation pyramid, the present approach also reduces complexity by introducing a layered structure. The automation pyramid consists of four layers: business layer, equipment layer, process layer and field layer. Your goal is the production control of systems or machines. The present approach adds another layer: the manufacturer level L1. The enterprise level of the automation pyramid is comparable to the fleet operator level L2. In addition, the system, process and field levels are brought together in the machine level L3, since their exact structure is less relevant for fleet management.

Zur Erweiterung des Ansatzes für mehrere Hersteller desselben Maschinentyps können austauschbare Schichten dienen. Austauschbare Schichten erfordern standardisierte Schnittstellen für den Informationsfluss zwischen den Schichten. Da der Informationsfluss zwischen den Schichten auch durch Datenzugriffsrichtlinien der beteiligten Hersteller begrenzt ist, ist die Flottenbetreiberschicht L2 am einfachsten auszutauschen, wobei der externe Zugriff von Drittherstellern auf kritische Funktionen begrenzt wird.Interchangeable shifts can be used to extend the approach for multiple manufacturers of the same machine type. Interchangeable tiers require standardized interfaces for the flow of information between tiers. Since the flow of information between the layers is also limited by data access policies of the manufacturers involved, the fleet operator layer L2 is the easiest to replace, with external access from third-party manufacturers being limited to critical functions.

3 zeigt schematisch den Flottenmanagement-Ansatz für Hersteller mit den Unterkomponenten jeder Schicht L1, L2, L3 sowie den Informationsfluss zwischen den Schichten L1, L2, L3. Die Teilkomponenten und der Informationsfluss sind am Beispiel von BEV-Flotten dargestellt. Sie sind aber auch auf Flotten, die aus anderen Maschinentypen bestehen, wie zum Beispiel Chemieanlagen, Züge, Flugzeuge, Windkraftanlagen oder Blockheizkraftwerke, anpassbar. 3 shows schematically the fleet management approach for manufacturers with the sub-components of each layer L1, L2, L3 as well as the information flow between the layers L1, L2, L3. The sub-components and the flow of information are shown using the example of BEV fleets. However, they can also be adapted to fleets consisting of other machine types, such as chemical plants, trains, airplanes, wind turbines or combined heat and power plants.

Auf der Maschinenebene L3 setzt sich der digitale Zwilling 9 eines jeden Flottenmitglieds 6 aus individuellen Informationen zu den interessierenden Komponenten zusammen. Je nach Komplexität der Alterungsursachen der Komponente wird entweder eine Komponentenstatistik erfasst oder ein intelligentes On-Board-Modell verwendet. Die Komponentenstatistik kodiert, wie die Komponenten während der Nutzung beansprucht wurden. Für BEV könnte dies Metriken wie die Laufleistung oder die Anzahl der Ladezyklen beinhalten. Für Betriebsstoffe, Reifenverschleiß und Komponenten des Antriebsstrangs können Bauteilstatistiken ausreichen. Komplexere Alterungsmechanismen können durch intelligente On-Board-Modelle erfasst werden.At the machine level L3, the digital twin 9 of each fleet member 6 is composed of individual information about the components of interest. Depending on the complexity of the component's aging causes, either component statistics are collected or an intelligent on-board model is used. The component statistics encode how the components were stressed during usage. For BEVs, this could include metrics like mileage or number of charge cycles. Component statistics can be sufficient for fuel, tire wear and powertrain components. More complex aging mechanisms can be captured by intelligent on-board models.

Für BEV-Flotten existieren solche komplexen Alterungsmechanismen beispielsweise in der Batterie. Die Definition und Anpassung der Komponentenstatistik und des intelligenten On-Board-Modells erfolgt durch den Hersteller aus der Herstellerebene L1. Dies ermöglicht Interoperabilität und Vergleichbarkeit der digitalen Zwillinge 9. Außerdem wäre die Aufgabe, digitale Zwillinge 9 zu entwerfen, für Flottenbetreiber zu komplex.Such complex aging mechanisms exist for BEV fleets, for example in the battery. The manufacturer from manufacturer level L1 defines and adapts the component statistics and the intelligent on-board model. This enables interoperability and comparability of the digital twins 9. In addition, the task of designing digital twins 9 would be too complex for fleet operators.

Auf der mittleren Flottenbetreiberebene L2 werden die Rollen der technischen Überwacher und der Flottenmanager 8a, 8b, 8c, 8d durch die Technologien der intelligenten Datenaggregation, der Flottenanalyse-Toolbox, der vorausschauenden Wartung und der datengetriebenen Optimierungsmethoden unterstützt. Der Zugriff auf diese Funktionen hängt von der technischen Expertise und dem Bedarf des Flottenmanagers 8a, 8b, 8c, 8d ab.At the middle fleet operator level L2, the roles of the technical monitors and the fleet managers 8a, 8b, 8c, 8d are supported by the technologies of intelligent data aggregation, the fleet analysis toolbox, predictive maintenance and data-driven optimization methods. Access to these functions depends on the technical expertise and needs of the fleet manager 8a, 8b, 8c, 8d.

Der Flottenmanager 8a, 8b, 8c, 8d wird durch eine Flottenanalyse-Toolbox unterstützt, die betriebsrelevante Informationen wie aktuelle Zustände der Fahrzeuge der Flotte 5a, 5b, 5c, 5d und ihrer Komponenten liefert. Im Falle von BEV wären dies zum Beispiel der Ladezustand und der SoH. Für die Flottenanalyse kann der Hersteller dem Flottenbetreiber Dienste über den gesamten Produktlebenszyklus zur Verfügung stellen, wie die Restwertabschätzung. Auch Schnittstellen zu Drittanbietern sind auf der Flottenbetreiberebene L2 möglich.The fleet manager 8a, 8b, 8c, 8d is supported by a fleet analysis toolbox that supplies operationally relevant information such as the current status of the vehicles in the fleet 5a, 5b, 5c, 5d and their components. In the case of BEVs, these would be, for example, the state of charge and the SoH. For the fleet analysis, the manufacturer can provide the fleet operator with services over the entire product life cycle, such as the residual value assessment. Interfaces to third-party providers are also possible at fleet operator level L2.

Darüber hinaus werden die Daten aus der Komponentenstatistik und den intelligenten Bordmodellen komponentenweise, für jedes Flottenmitglied 6 und die gesamte Flotte 5a, 5b, 5c, 5d im Flottendatenspeicher zur Anzeige in der Flottenanalyse-Toolbox aggregiert. Diese Daten sind für den Flottenmanager 8a, 8b, 8c, 8d, aber auch für die technische Überwachung der Flotte 5a, 5b, 5c, 5d relevant. So können relativ schnell alternde Komponenten innerhalb der Flotte 5a, 5b, 5c, 5d identifiziert, analysiert und gegebenenfalls gewartet werden.In addition, the data from the component statistics and the intelligent onboard models are aggregated component by component, for each fleet member 6 and the entire fleet 5a, 5b, 5c, 5d in the fleet data store for display in the fleet analysis toolbox. This data is relevant for the fleet manager 8a, 8b, 8c, 8d, but also for the technical monitoring of the fleet 5a, 5b, 5c, 5d. In this way, components within the fleet 5a, 5b, 5c, 5d that age relatively quickly can be identified, analyzed and, if necessary, serviced.

Der Flottenmanager 8a, 8b, 8c, 8d hat die Möglichkeit, die Steuerungs- und Betriebsparameter der Flottenmitglieder 6 in Bezug auf die Betriebsstrategie anzupassen. Daher kann der Flottenmanager 8a, 8b, 8c, 8d Maßnahmen zur Verlängerung der Lebensdauer, Minimierung der Betriebskosten und Maximierung der Flottenleistung oder -auslastung umsetzen. Vor der Aktualisierung der kundenspezifischen Steuerungs- und Betriebsparameter für die Flotte 5a, 5b, 5c, 5d werden der technische Überwacher und Flottenmanager 8a, 8b, 8c, 8d durch datengetriebene Optimierungsmodelle unterstützt. Diese ermöglichen Simulationen, um die gewünschte Auswirkung der gewählten Steuerungs- und Betriebsparameter im Vorfeld zu identifizieren. Im Falle von BEV-Flotten könnten angepasste Steuerungs- und Betriebsparameter die Konfiguration des Niedrigenergiemodus bei niedrigen Ladezuständen festlegen. Das Gleiche gilt für das Lademanagement mit bevorzugten Laderaten und Konfigurationen in Bezug auf alternde, beschleunigende Betriebszustände und Ereignisse.The fleet manager 8a, 8b, 8c, 8d has the option of adjusting the control and operating parameters of the fleet members 6 in relation to the operating strategy. Therefore, the fleet manager 8a, 8b, 8c, 8d can implement measures to extend life, minimize operating costs, and maximize fleet performance or utilization. Before updating the customer-specific control and operating parameters for the fleet 5a, 5b, 5c, 5d, the technical supervisor and fleet manager 8a, 8b, 8c, 8d are supported by data-driven optimization models. These enable simulations to identify the desired effect of the selected control and operating parameters in advance. In the case of BEV fleets, adjusted control and operational parameters could determine the configuration of the low energy mode at low states of charge. The same applies to charging management with preferred charging rates and configurations in relation to aging, accelerating operating conditions and events.

Auf der mittleren Flottenbetreiberebene L2 ist ein flottenübergreifender Informationsaustausch zwischen den verschiedenen technischen Überwachern und Flottenmanagern 8a, 8b, 8c, 8d möglich.A fleet-wide exchange of information between the various technical monitors and fleet managers 8a, 8b, 8c, 8d is possible at the middle fleet operator level L2.

Auf der obersten Herstellerebene L1 werden die Flottendaten, die für jede Flotte 5a, 5b, 5c, 5d auf der Flottenbetreiberebene L2 gespeichert sind, flottenübergreifend in einem globalen Datenspeicher aggregiert. Dieser globale Datenspeicher kann als früher Input für den Entwicklungsprozess dienen, da er Informationen über das reale Nutzungsverhalten der Kunden mehrerer Flotten 5a, 5b, 5c, 5d enthält. Auf Basis der flottenübergreifenden historischen Datenhaltung kann der Hersteller kundenbedarfsorientierte Services für Hard- und Softwarekomponenten entwickeln.At the top manufacturer level L1, the fleet data, which are stored for each fleet 5a, 5b, 5c, 5d at the fleet operator level L2, are aggregated across fleets in a global data store. This global data store can serve as an early input for the development process, since it contains information about the real usage behavior of customers from multiple fleets 5a, 5b, 5c, 5d. On the basis of the historical data management across the fleet, the manufacturer can develop customer-specific services for hardware and software components.

Zusätzlich können Entwicklungsingenieure direkt mit den Flotten 5a, 5b, 5c, 5d interagieren, um flottenweite Modellanpassungen vorzunehmen, wie zum Beispiel die Anpassung der zugrunde liegenden Strukturen der digitalen Zwillinge 9. Dies verbessert die Informationsbasis für Flottenmanager 8a, 8b, 8c, 8d, die von den digitalen Zwillingen 9 bereitgestellt wird. Sie können auch Funktionen auf einer Teilflotte prototypisch testen, um schnelles Kundenfeedback zu erhalten. Zusätzlich können aus dem Softwarebereich bekannte Shadowing-Tests auf die Flotte 5a, 5b, 5c, 5d angewendet werden, wenn diese mit der Entwicklungsabteilung verbunden ist.In addition, development engineers can interact directly with the fleets 5a, 5b, 5c, 5d to make fleet-wide model adjustments, such as adjusting the underlying structures of the digital twins 9. This improves the information base for fleet managers 8a, 8b, 8c, 8d, the is provided by the digital twins 9. You can also prototype features on a sub-fleet for quick customer feedback. In addition, shadowing tests known from the software sector can be applied to the fleet 5a, 5b, 5c, 5d if it is connected to the development department.

2nd-Life-Anwendungen von Flottenmitgliedern 6 oder deren Komponenten müssen in der Regel zeitlich so geplant werden, dass Angebot und Nachfrage zeitgerecht erfüllt werden. Dies gilt zum Beispiel für BEV-Batterien, die in eine 2nd-Life-Anwendung zur stationären Energiespeicherung überführt werden. Auch können Komponenten mit hohem Wert für das Recycling an ihrem Lebensende genau beobachtet werden, um die Planung der Recyclinganlage zu verbessern.2nd life applications of fleet members 6 or their components typically need to be timed to meet supply and demand in a timely manner. This applies, for example, to BEV batteries that are being transferred to a 2nd-life application for stationary energy storage. Also, end-of-life components with high recycling value can be closely monitored to improve recycling plant planning.

Die Frage nach dem Ort der Datenspeicherung und des Trainings von Modellen, die auf maschinellem Lernen basieren hängt von mehreren Faktoren ab, zum Beispiel von der Herkunft und Menge der Trainingsdaten und der für das Training benötigten Rechenleistung. Um den Datentransfer zu minimieren, könnten die intelligenten On-Board-Modelle beispielsweise auf dem Edge-Gerät trainiert werden, wo sich die Daten befinden. Im Gegensatz dazu können flottenübergreifende Modelle, die Trainingsdaten aller Flottenmitglieder einer Flotte benötigen, entweder zentralisiert in der Cloud oder föderal trainiert werden. Letzteres ist vorteilhaft, wenn die Datenschnittstelle zwischen den Flottenmitgliedern 6 und der Cloud Datenschutzprobleme verursacht oder unter unzuverlässigen und langsamen Netzwerkverbindungen leidet. Datenschutzprobleme können auftreten, wenn Daten über die detaillierte Nutzung der Flottenmitglieder 6 übertragen werden. Bei Fahrzeugflotten 5a, 5b, 5c, 5d gehören dazu Informationen wie der Standort, gefahrene Routen und Nutzungszeiten. Um diese Probleme zu überwinden, kann föderales Lernen im Flottenkontext eingesetzt werden. Föderales Lernen beschreibt eine maschinelle Lernumgebung, in der viele Clients (zum Beispiel die Flottenmitglieder 6) kollaborativ ein einziges Modell unter der Kontrolle eines zentralen Servers trainieren, während die Trainingsdaten dezentral bei den Clients verbleiben. Unabhängig davon berechnet jeder Client ein Parameter-Update für das aktuelle Modell unter Verwendung seiner lokalen Daten und kommuniziert nur die Parameter-Updates an den zentralen Server, wo alle Updates zu einem neuen globalen Modell aggregiert werden.The question of where to store data and where to train models based on machine learning depends on several factors, such as the origin and volume of the training data and the computing power required for training. For example, to minimize data transfer, the intelligent on-board models could be trained on the edge device where the data is located. In contrast, cross-fleet models that require training data from all fleet members in a fleet can be trained either centrally in the cloud or federated. The latter is advantageous when the data interface between the fleet members 6 and the cloud causes privacy issues or suffers from unreliable and slow network connections. Privacy issues can arise when data on detailed usage of fleet members 6 is transmitted. In the case of vehicle fleets 5a, 5b, 5c, 5d, this includes information such as the location, routes traveled and times of use. To overcome these problems, federated learning can be used in the fleet context. Federated learning describes a machine learning environment in which many clients (e.g. fleet members 6) collaboratively train a single model under the control of a central server, while the training data remains decentralized with the clients. Regardless, each client calculates a parameter update for the current model using its local data and only communicates the parameter updates to the central server, where all updates are aggregated into a new global model.

Im Gegensatz zum föderalen Lernen setzt das verteilte Lernen die Verfügbarkeit aller Trainingsbeispiele an einem zentralen Ort voraus. Von dort aus können die Daten gemischt und über Rechenknoten verteilt werden. In diesem Fall könnten Datenschutzprobleme durch Anonymisierung der übertragenen Daten überwunden werden.In contrast to federated learning, distributed learning requires the availability of all training examples in a central location. From there, the data can be mixed and distributed across compute nodes. In this case, privacy issues could be overcome by anonymizing the transmitted data.

Der Preis der Batterie eines Elektroautos macht einen großen Teil der Produktionskosten des Fahrzeugs aus und ist damit eine der wertvollsten oder die wertvollste Komponente innerhalb eines BEV. Ein wesentlicher Kostentreiber während des Entwicklungsprozesses ist das Testen der Batterie. Um die Langlebigkeit der Batteriezellen zu gewährleisten, sind Dauertests zeit- und ressourcenaufwendig, aber meist auf begrenzte Testeinrichtungen beschränkt.The price of an electric car's battery accounts for a large part of the vehicle's production costs, making it one of the most valuable or most valuable components within a BEV. A major cost driver during the development process is battery testing. To ensure the longevity of the battery cells, endurance tests are time-consuming and resource-consuming, but mostly limited to limited test facilities.

Die gleichen Einschränkungen gelten auch für das BEV-Kundenflottenmanagement. Um die Batteriealterung im Fahrzeug zu überwachen, wären häufige Werkstattmessungen des Batteriezustandes notwendig. Dieses Batteriewissen würde Optimierungsstrategien, vorausschauende Wartung ermöglichen und die Entwicklung zur Verbesserung zukünftiger Batteriesysteme unterstützen. Dieses Verfahren ist für Werkstätten und Kunden jedoch nicht praktikabel.The same limitations also apply to BEV customer fleet management. In order to monitor battery aging in the vehicle, frequent workshop measurements of the battery condition would be necessary. This battery knowledge would enable optimization strategies, predictive maintenance and support development to improve future battery systems. However, this method is not practical for workshops and customers.

Um Batterietests skalierbar zu machen, die Kosten zu senken und reale Batterietests effizient zu reduzieren, können Simulationen mit digitalen Batteriezwillingen dienen. Beispielsweise können Batteriemodelle herangezogen werden, die nur auf realen Fahrdaten im Fahrzeug basieren. Solche Batteriemodelle können zur Abschätzung des Ladezustands verwendet werden, indem virtuelle Standard-Labor-Batterietests mit nahezu experimenteller Genauigkeit durchgeführt wurden.Simulations with digital battery twins can be used to make battery tests scalable, reduce costs and efficiently reduce real battery tests. For example, battery models that are only based on real driving data in the vehicle can be used. Such battery models can be used to estimate the state of charge by performing virtual standard laboratory battery tests with near-experimental accuracy.

Solche Modelle können im Fahrzeug während des Betriebs trainiert werden (Edge Computing). Dadurch kann die gesamte Batteriefunktionalität auf eine minimale Anzahl von Modellparametern komprimiert werden. Diese Komprimierung ermöglicht eine effiziente und skalierbare Datenübertragung zwischen einzelnen Fahrzeugen und dem Flottenmanagement.Such models can be trained in the vehicle during operation (edge computing). This allows the entire battery functionality to be compressed into a minimal number of model parameters. This compression enables efficient and scalable data transmission between individual vehicles and fleet management.

Der Flottenbetreiber kann dabei jedes Mitglied der Flotte 5a, 5b, 5c, 5d individuell analysieren (Cloud Computing). Aus dem Wissen aller im Einsatz befindlichen Flotten 5a, 5b, 5c, 5d lassen sich Optimierungsstrategien, vorausschauende Wartung und Anpassungen für die Batteriebetriebsparameter ableiten. Dieses Vorgehen kommt der Leistung des Kunden zugute und kann zur weiteren Verbesserung der Entwicklung genutzt werden.The fleet operator can analyze each member of the fleet 5a, 5b, 5c, 5d individually (cloud computing). Optimization strategies, predictive maintenance and adjustments for the battery operating parameters can be derived from the knowledge of all fleets 5a, 5b, 5c, 5d in use. This approach benefits the customer's performance and can be used to further improve development.

Die Heterogenität zwischen Flotten 5a, 5b, 5c, 5d motiviert den Transfer von Wissen und Modellen zwischen verschiedenen Flotten 5a, 5b, 5c, 5d, also das flottenübergreifende Lernen. Flotten 5a, 5b, 5c, 5d sind heterogen, was bedeutet, dass bestimmte Merkmale in verschiedenen Flotten 5a, 5b, 5c, 5d über- oder unterrepräsentiert sind. Verschiedene Teilmengen einer Flotte 5a, 5b, 5c, 5d können ein unterschiedliches Maß an Heterogenität aufweisen. Heterogenität kann durch unterschiedliche Komponenten, die in den Flottenmitgliedern 6 verbaut sind, unterschiedliche Modellgenerationen der Flottenmitglieder 6 oder unterschiedliche Hersteller der Flottenmitglieder 6 verursacht werden.The heterogeneity between fleets 5a, 5b, 5c, 5d motivates the transfer of knowledge and models between different fleets 5a, 5b, 5c, 5d, i.e. cross-fleet learning. Fleets 5a, 5b, 5c, 5d are heterogeneous, which means that certain characteristics are over- or under-represented in different fleets 5a, 5b, 5c, 5d. Different subsets of a liquor 5a, 5b, 5c, 5d can have a different degree of heterogeneity. Heterogeneity can be caused by different components that are installed in the fleet members 6, different model generations of the fleet members 6 or different manufacturers of the fleet members 6.

Bei der Einführung einer neuen Flotte 5a, 5b, 5c, 5d werden sehr schnell zuverlässige Modelle basierend auf maschinellem Lernen für die neue Flotte 5a, 5b, 5c, 5d benötigt. Da maschinelles Lernen datengetrieben ist, bedeutet dies in der Regel, dass sehr schnell eine ausreichende Menge an Daten erfasst werden müsste. Dies ist jedoch nicht immer sinnvoll. Wenn nur eine geringe Datenmenge einer neuen Flotte 5a, 5b, 5c, 5d zur Verfügung steht, ist eine Lösung, ein bestehendes, etabliertes Lernmodell auf die neue Flotte 5a, 5b, 5c, 5d zu übertragen. Diese Lösung ist auch dann erfolgversprechend, wenn die neue Flotte 5a, 5b, 5c, 5d klein ist oder ein spezielles Nutzungsverhalten aufweist.When a new fleet 5a, 5b, 5c, 5d is introduced, reliable models based on machine learning are required for the new fleet 5a, 5b, 5c, 5d very quickly. Since machine learning is data-driven, this usually means that a sufficient amount of data would have to be collected very quickly. However, this is not always useful. If only a small amount of data from a new fleet 5a, 5b, 5c, 5d is available, one solution is to transfer an existing, established learning model to the new fleet 5a, 5b, 5c, 5d. This solution is also promising if the new fleet 5a, 5b, 5c, 5d is small or has a special usage behavior.

Transferlernen zielt darauf ab, das Erlernen einer neuen Aufgabe zu verbessern, indem Wissen von einer verwandten, bereits gelernten Aufgabe übertragen wird. Die verwandte Aufgabe wird als Quellaufgabe bezeichnet, während die neue Aufgabe auch als Zielaufgabe bezeichnet wird. Die verwendeten Daten stammen aus der Quelldomäne beziehungsweise der Zieldomäne, die in diesem Fall unterschiedliche Flotten 5a, 5b, 5c, 5d sind, die Quell- und Zielflotte (5b, 5c, 5d), wobei die Quellflotte auch als Ausgangsflotte (5a) bezeichnet werden kann.Transfer learning aims to improve learning of a new task by transferring knowledge from a related, already learned task. The related task is called the source task while the new task is also called the target task. The data used comes from the source domain or the target domain, which in this case are different fleets 5a, 5b, 5c, 5d, the source and target fleet (5b, 5c, 5d), the source fleet also being referred to as the output fleet (5a). can.

Transfer-Lernen kann besonders dann von Vorteil sein, wenn die Flotten 5a, 5b, 5c, 5d ähnlich sind, aber nur wenige Daten einer Flotte 5a, 5b, 5c, 5d verfügbar sind. Beispielweise können folgende Situationen auftreten: Es wurde ein Modellupdate oder eine Überholung durchgeführt, es wurde ein komplett neues Modell herausgebracht oder die Mitglieder der Zielflotte (5b, 5c, 5d) werden entweder nicht häufig oder nicht intensiv genutzt. In anderen Fällen sind die Zielflotte (5b, 5c, 5d) und die Quellflotte vom gleichen Modell und der gleichen Generation, haben aber unterschiedliche Konfigurationen bestimmter Komponenten vom Beginn ihrer Lebensdauer an oder nach dem Austausch bestimmter Komponenten bei einer Wartung. Dies kann unterschiedliche, aber ähnliche Modelle erfordern. Im einen weiteren Fall sind die Zielflotte (5b, 5c, 5d) und die Quellflotte vom gleichen Modell und der gleichen Generation, haben aber ein deutlich unterschiedliches Nutzungsverhalten.Transfer learning can be particularly advantageous when the fleets 5a, 5b, 5c, 5d are similar but only a few data from a fleet 5a, 5b, 5c, 5d are available. For example, the following situations may occur: a model update or overhaul has been performed, a completely new model has been released, or the members of the target fleet (5b, 5c, 5d) are either infrequently or not intensively used. In other cases, the target fleet (5b, 5c, 5d) and the source fleet are of the same model and generation, but have different configurations of certain components from the beginning of their life or after replacing certain components at a service. This may require different but similar models. In another case, the target fleet (5b, 5c, 5d) and the source fleet are of the same model and generation, but have significantly different usage patterns.

Um beim Anwendungsfall der BEV-Flotten zu bleiben, kann die Anwendung von Transfer-Learning für die Abschätzung und Vorhersage des SoH von Vorteil sein, da es zwar gemeinsame Merkmale von Batteriesystemen gibt, aber die spezifische Nutzung und die alterungsauslösenden Ursachen für jeden Batterietyp der Flottenmitglieder 6 unterschiedlich sind.Staying with the BEV fleet use case, the application of transfer learning for SoH estimation and prediction can be beneficial because while there are common characteristics of battery systems, the specific usage and aging-triggering causes for each battery type of the fleet members 6 are different.

Auch kausale Zusammenhänge und analytische Ergebnisse können übertragen werden. Wenn zum Beispiel ein Betriebsbereich in Bezug auf die Batteriealterung in einer Flotte 5a, 5b, 5c, 5d als kritisch identifiziert wurde, kann dieses Wissen auf eine andere Flotte 5a, 5b, 5c, 5d übertragen werden.Causal relationships and analytical results can also be transferred. For example, if an operational area has been identified as critical in terms of battery aging in one fleet 5a, 5b, 5c, 5d, this knowledge can be transferred to another fleet 5a, 5b, 5c, 5d.

BezugszeichenlisteReference List

11
Flottensteuerungssystemfleet control system
22
Rechensystemcomputing system
33
Speichereinheitstorage unit
44
Kommunikationsschnittstellecommunication interface
5a5a
Ausgangsflotteexit fleet
5b, 5c, 5d5b, 5c, 5d
Zielflottentarget fleets
66
Flottenmitgliederfleet members
77
Entwicklungsumgebungdevelopment environment
8a, 8b, 8c, 8d8a, 8b, 8c, 8d
Flottenmanagerfleet manager
99
digitale Zwillingedigital twins
L1L1
Herstellerebenemanufacturer level
L2L2
Flottenbetreiberebenefleet operator level
L3L3
Maschinenebenemachine level

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN DESCRIPTION

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.This list of the documents cited by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturPatent Literature Cited

  • US 9505397 B1 [0002]US9505397B1 [0002]

Claims (10)

Verfahren zur Prädiktion wenigstens einer alterungsabhängigen Charakteristik einer Vielzahl von Zielkraftfahrzeugen einer Zielflotte (5b, 5c, 5d), dadurch gekennzeichnet, dass - mittels einer Vielzahl von Ausgangskraftfahrzeugen einer Ausgangsflotte (5a) Trainingsbetriebsdaten des jeweiligen Ausgangskraftfahrzeugs erfasst werden; - mittels eines Rechensystems (2) ein Modell zur Prädiktion der wenigstens einen alterungsabhängigen Charakteristik basierend auf den erfassten Trainingsbetriebsdaten der Vielzahl von Ausgangskraftfahrzeugen durch Maschinenlernen trainiert wird; - mittels der Vielzahl von Zielkraftfahrzeugen während einer Prädiktionsphase Betriebsdaten des jeweiligen Zielkraftfahrzeugs erfasst werden; - mittels des Rechensystems (2) die wenigstens eine alterungsabhängige Charakteristik für die Vielzahl von Zielkraftfahrzeugen basierend auf den erfassten Betriebsdaten der Vielzahl von Zielkraftfahrzeugen unter Verwendung des trainierten Modells prädiziert wird.Method for predicting at least one aging-dependent characteristic of a large number of target motor vehicles in a target fleet (5b, 5c, 5d), characterized in that - using a large number of starting motor vehicles in a starting fleet (5a), operating training data of the respective starting motor vehicle are recorded; - A model for predicting the at least one aging-dependent characteristic is trained by means of a computer system (2) on the basis of the acquired training operating data of the plurality of initial motor vehicles by machine learning; - Operating data of the respective target motor vehicle are recorded by means of the plurality of target motor vehicles during a prediction phase; - The at least one aging-dependent characteristic for the plurality of target motor vehicles is predicted by means of the computing system (2) based on the recorded operating data of the plurality of target motor vehicles using the trained model. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das Modell ein künstliches neuronales Netzwerk enthält.procedure after claim 1 , characterized in that the model contains an artificial neural network. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass - mittels der Vielzahl von Zielkraftfahrzeugen während einer vor der Prädiktionsphase liegenden Trainingsphase Trainingsbetriebsdaten des jeweiligen Zielkraftfahrzeugs erfasst werden; und - das Modell zur Prädiktion der wenigstens einen alterungsabhängigen Charakteristik mittels des Rechensystems (2) basierend auf den erfassten Trainingsbetriebsdaten der Vielzahl von Ausgangskraftfahrzeugen und basierend auf den erfassten Trainingsbetriebsdaten der Vielzahl von Zielkraftfahrzeugen trainiert wird.Method according to one of the preceding claims, characterized in that - by means of the large number of target motor vehicles, training operation data of the respective target motor vehicle are recorded during a training phase which precedes the prediction phase; and - the model for predicting the at least one aging-dependent characteristic is trained by means of the computing system (2) based on the acquired training operating data of the plurality of starting motor vehicles and based on the acquired training operating data of the plurality of target motor vehicles. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die wenigstens eine alterungsabhängige Charakteristik eine Charakteristik betreffend einen mechanischen Verschleiß einer Komponente des jeweiligen Ausgangskraftfahrzeugs oder Zielkraftfahrzeugs enthält.Method according to one of the preceding claims, characterized in that the at least one aging-dependent characteristic contains a characteristic relating to mechanical wear of a component of the respective starting motor vehicle or target motor vehicle. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass die wenigstens eine alterungsabhängige Charakteristik eine Charakteristik betreffend eine chemische Alterung einer weiteren Komponente des jeweiligen Ausgangskraftfahrzeugs oder Zielkraftfahrzeugs enthält.Method according to one of the preceding claims, characterized in that the at least one aging-dependent characteristic contains a characteristic relating to chemical aging of a further component of the respective starting motor vehicle or target motor vehicle. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass es sich bei der Vielzahl von Ausgangskraftfahrzeugen und bei der Vielzahl von Zielfahrzeugen jeweils um Elektrofahrzeuge oder Hybridelektrofahrzeuge handelt.Method according to one of the preceding claims, characterized in that the plurality of starting motor vehicles and the plurality of target vehicles are electric vehicles or hybrid electric vehicles. Verfahren nach Anspruch 6, dadurch gekennzeichnet, dass die wenigstens eine alterungsabhängige Charakteristik eine Charakteristik betreffend ein elektrisches Batteriesystem zum Antrieb des jeweiligen Ausgangskraftfahrzeugs oder Zielkraftfahrzeugs enthält.procedure after claim 6 , characterized in that the at least one aging-dependent characteristic contains a characteristic relating to an electric battery system for driving the respective starting motor vehicle or target motor vehicle. Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass - die Charakteristik betreffend das elektrische Batteriesystem einen Kennwert betreffend ein Verhältnis einer Ladungskapazität des Batteriesystems zu einer Referenzladungskapazität enthält; und/oder - die Charakteristik betreffend das elektrische Batteriesystem einen Kennwert betreffend ein Verhältnis eines Innenwiderstands des Batteriesystems zu einem Referenzinnenwiderstand enthält.procedure after claim 7 , characterized in that - the characteristic relating to the electrical battery system contains a parameter relating to a ratio of a charge capacity of the battery system to a reference charge capacity; and/or the characteristic relating to the electric battery system contains a characteristic value relating to a ratio of an internal resistance of the battery system to a reference internal resistance. Flottensteuerungssystem (1), welches ein Rechensystem (2) enthält sowie wenigstens eine Speichereinheit (3), dadurch gekennzeichnet, dass - die wenigstens eine Speichereinheit (3) ein Modell zur Prädiktion wenigstens einer alterungsabhängigen Charakteristik einer Vielzahl von Zielkraftfahrzeugen einer Zielflotte (5b, 5c, 5d) speichert; - das Rechensystem (2) dazu eingerichtet ist, von einer Vielzahl von Ausgangskraftfahrzeugen einer Ausgangsflotte (5a) Trainingsbetriebsdaten des jeweiligen Ausgangskraftfahrzeugs zu erhalten und das Modell basierend auf den erhaltenen Trainingsbetriebsdaten der Vielzahl von Ausgangskraftfahrzeugen durch Maschinenlernen zu trainieren; - das Rechensystem (2) dazu eingerichtet ist, von der Vielzahl von Zielkraftfahrzeugen Betriebsdaten des jeweiligen Zielkraftfahrzeugs zu erhalten und die wenigstens eine alterungsabhängige Charakteristik für die Vielzahl von Zielkraftfahrzeugen basierend auf den erhaltenen Betriebsdaten der Vielzahl von Zielkraftfahrzeugen unter Verwendung des trainierten Modells zu prädizieren.Fleet control system (1), which contains a computing system (2) and at least one memory unit (3), characterized in that - the at least one memory unit (3) contains a model for predicting at least one aging-dependent characteristic of a large number of target motor vehicles in a target fleet (5b, 5c , 5d) stores; - the computing system (2) is set up to receive training operating data of the respective starting motor vehicle from a large number of starting motor vehicles in a starting fleet (5a) and to train the model based on the training operating data obtained from the multiplicity of starting motor vehicles by machine learning; - the computing system (2) is set up to obtain operating data of the respective target motor vehicle from the multiplicity of target motor vehicles and to predict the at least one aging-dependent characteristic for the multiplicity of target motor vehicles based on the operating data obtained from the multiplicity of target motor vehicles using the trained model. Flottensteuerungssystem (1) nach Anspruch 9, dadurch gekennzeichnet, dass - die wenigstens eine Speichereinheit (3) für die Vielzahl von Zielkraftfahrzeugen jeweils einen digitalen Zwilling speichert; und - das Rechensystem (2) dazu eingerichtet ist, den digitalen Zwilling abhängig von den erhaltenen Betriebsdaten des jeweiligen Zielkraftfahrzeugs zu aktualisieren.Fleet control system (1) according to claim 9 , characterized in that - the at least one storage unit (3) stores a respective digital twin for the plurality of target motor vehicles; and - the computing system (2) is set up to update the digital twin depending on the operating data received from the respective target motor vehicle.
DE102021204849.8A 2021-05-12 2021-05-12 Prediction of a characteristic of a target fleet Pending DE102021204849A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102021204849.8A DE102021204849A1 (en) 2021-05-12 2021-05-12 Prediction of a characteristic of a target fleet

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102021204849.8A DE102021204849A1 (en) 2021-05-12 2021-05-12 Prediction of a characteristic of a target fleet

Publications (1)

Publication Number Publication Date
DE102021204849A1 true DE102021204849A1 (en) 2022-11-17

Family

ID=83806240

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102021204849.8A Pending DE102021204849A1 (en) 2021-05-12 2021-05-12 Prediction of a characteristic of a target fleet

Country Status (1)

Country Link
DE (1) DE102021204849A1 (en)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10235525A1 (en) 2001-09-10 2003-04-10 Daimler Chrysler Ag Monitoring of the state of a motor vehicle using machine learning and data mining technology to generate component models that are then used to monitor components, predict failure, etc., such analysis being useful for repair, etc.
US9505397B1 (en) 2013-06-18 2016-11-29 XL Hybrids Dynamically assisting hybrid vehicles
US20180267109A1 (en) 2017-03-15 2018-09-20 Smart Charging Technologies, Llc Distributed cloud based battery monitoring system
DE202018005638U1 (en) 2018-12-10 2019-01-14 Systec & Solutions Gmbh Battery monitoring system and battery sensor module
DE102018132658A1 (en) 2018-12-18 2020-06-18 Bayerische Motoren Werke Aktiengesellschaft Method for computer-aided evaluation of a measurement of an electrical variable in a high-voltage electrical system of a predetermined electrically driven motor vehicle
DE102019217071A1 (en) 2019-11-06 2021-05-06 Robert Bosch Gmbh Method for determining an impermissible deviation of the system behavior of a technical facility from a standard value range
DE102020108365A1 (en) 2020-03-26 2021-09-30 Bayerische Motoren Werke Aktiengesellschaft Method and device for determining service life information for an electrical energy store

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE10235525A1 (en) 2001-09-10 2003-04-10 Daimler Chrysler Ag Monitoring of the state of a motor vehicle using machine learning and data mining technology to generate component models that are then used to monitor components, predict failure, etc., such analysis being useful for repair, etc.
US9505397B1 (en) 2013-06-18 2016-11-29 XL Hybrids Dynamically assisting hybrid vehicles
US20180267109A1 (en) 2017-03-15 2018-09-20 Smart Charging Technologies, Llc Distributed cloud based battery monitoring system
DE202018005638U1 (en) 2018-12-10 2019-01-14 Systec & Solutions Gmbh Battery monitoring system and battery sensor module
DE102018132658A1 (en) 2018-12-18 2020-06-18 Bayerische Motoren Werke Aktiengesellschaft Method for computer-aided evaluation of a measurement of an electrical variable in a high-voltage electrical system of a predetermined electrically driven motor vehicle
DE102019217071A1 (en) 2019-11-06 2021-05-06 Robert Bosch Gmbh Method for determining an impermissible deviation of the system behavior of a technical facility from a standard value range
DE102020108365A1 (en) 2020-03-26 2021-09-30 Bayerische Motoren Werke Aktiengesellschaft Method and device for determining service life information for an electrical energy store

Similar Documents

Publication Publication Date Title
DE10235525B4 (en) Method and system for monitoring the condition of a vehicle
DE112015003663T5 (en) Systems and methods for the management of liquor batteries
DE102020100668B4 (en) Characterization of rechargeable batteries with machine-learned algorithms
DE102019217299A1 (en) Method for predicting an aging condition of a battery
DE102020119861A1 (en) Method and assistance device for the iteratively optimized operation of a motor vehicle and motor vehicle
DE102021204014A1 (en) Method and device for providing an aging state model for determining current and predicted aging states of electrical energy stores using transfer learning using machine learning methods
DE102021102146A1 (en) VEHICLE DRIVE TRAIN ANALYSIS IN NETWORKED FLEETS
DE102017115766A1 (en) Method and system for operating a storage unit
DE102021204849A1 (en) Prediction of a characteristic of a target fleet
DE102021204847A1 (en) Operation of an electrical energy store in a motor vehicle
DE102023100093A1 (en) OPTIMIZATION OF OPERATING COSTS FOR FLEET WITH ELECTRIC VEHICLES
DE102022202882A1 (en) Method and device for providing a predicted aging state of a device battery based on a predicted usage pattern
DE102010005742A1 (en) Integrated diagnostic and forecasting system as part of the enterprise value chain
DE102022202111A1 (en) Method and device for detecting a critical anomaly in a device battery based on machine learning methods
DE102013208744A1 (en) Method for automatically determining the energy requirement and / or occupancy requirement of an electric filling station and associated computer systems
DE102012020617A1 (en) Method for operating fleet of industrial trucks, involves indicating usage data, in which ratio of transmitted operating modes of truck to transmitted operating modes of entire fleet and/or to remaining operating time of trucks is provided
DE102018215014B4 (en) Method and evaluation device for optimizing the location of a vehicle
DE102020118891A1 (en) Method and control circuit for coordinating operation of multiple systems constituting a system group
DE102021203865A1 (en) Method and device for evaluating a relative aging condition of a device battery on the basis of a device group-based series variance of the device batteries
DE102018215017A1 (en) Method for determining an operating strategy for a vehicle, system, control device for a vehicle and a vehicle
DE202018004070U1 (en) machine analysis
DE102022200008A1 (en) Method and system for efficiently monitoring battery cells of a device battery in a device-external central unit using a digital twin
DE102022128144A1 (en) SYSTEM AND METHOD FOR THE INTELLIGENT SELECTION OF A CHARGING STATION
DE102021212689A1 (en) Method and device for providing a predicted state of health of a device battery based on a predicted usage pattern
WO2023011947A1 (en) Method for arranging vehicle-related services, and fleet management platform

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R016 Response to examination communication