DE102022124791A1 - Method and device for tuning the parameters of a drive train - Google Patents

Method and device for tuning the parameters of a drive train Download PDF

Info

Publication number
DE102022124791A1
DE102022124791A1 DE102022124791.0A DE102022124791A DE102022124791A1 DE 102022124791 A1 DE102022124791 A1 DE 102022124791A1 DE 102022124791 A DE102022124791 A DE 102022124791A DE 102022124791 A1 DE102022124791 A1 DE 102022124791A1
Authority
DE
Germany
Prior art keywords
adjustments
changes
agent
following features
parameters
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
DE102022124791.0A
Other languages
German (de)
Inventor
Matteo Skull
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.)
Dr Ing HCF Porsche AG
Original Assignee
Dr Ing HCF Porsche 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 Dr Ing HCF Porsche AG filed Critical Dr Ing HCF Porsche AG
Priority to DE102022124791.0A priority Critical patent/DE102022124791A1/en
Publication of DE102022124791A1 publication Critical patent/DE102022124791A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Feedback Control In General (AREA)

Abstract

Die Erfindung stellt ein Verfahren zur Abstimmung der Parameter eines Antriebsstranges mit den folgenden Merkmalen bereit: Ein technischer Agent (1) wird in einen Ausgangszustand versetzt; der Agent (1) nimmt wiederholt Anpassungen (2) an den Parametern vor; etwaige durch die Anpassungen (2) bewirkte Veränderungen (3) der Abstimmung werden beobachtet; die Anpassungen (2) und beobachteten Veränderungen (3) werden einem generativen Modell (4) zugeführt; und mittels eines nach dem Modell (4) generierten neuronalen Graphennetzes (5) werden die Anpassungen (2) und Veränderungen (3) zueinander in Beziehung gesetzt.Die Erfindung stellt ferner eine entsprechende Vorrichtung (1), ein entsprechendes Computerprogramm sowie ein entsprechendes Speichermedium bereit.The invention provides a method for tuning the parameters of a drive train with the following features: A technical agent (1) is placed in an initial state; the agent (1) repeatedly makes adjustments (2) to the parameters; Any changes (3) to the coordination caused by the adjustments (2) are monitored; the adjustments (2) and observed changes (3) are fed into a generative model (4); and by means of a neural graph network (5) generated according to the model (4), the adjustments (2) and changes (3) are related to one another. The invention further provides a corresponding device (1), a corresponding computer program and a corresponding storage medium .

Description

Die vorliegende Erfindung betrifft ein Verfahren zur Abstimmung der Parameter eines Antriebsstranges. Die vorliegende Erfindung betrifft darüber hinaus eine entsprechende Vorrichtung, ein entsprechendes Computerprogramm sowie ein entsprechendes Speichermedium.The present invention relates to a method for tuning the parameters of a drive train. The present invention also relates to a corresponding device, a corresponding computer program and a corresponding storage medium.

In der Fahrzeugindustrie ist die modellbasierte Applikation von Antriebssträngen hinlänglich bekannt. Die Abstimmung (in Anlehnung an die englische Fachsprache auch „Kalibrierung“) der Parameter der Motorsteuerung stellt einen Schwerpunkt dieser Methodik dar. Einen Anwendungsfall auf diesem Gebiet beschreibt - unter Verwendung der fachspezifischen Begrifflichkeiten - SKULL, Matteo. Numerische Modelle für einfachere Applikation. Porsche Engineering Magazin, 2016, Nr. 6, S. 44-48 .The model-based application of drive trains is well known in the vehicle industry. The coordination (based on the English technical language also “calibration”) of the engine control parameters is a focus of this methodology. An application case in this area is described - using the technical terms - SKULL, Matteo. Numerical models for easier application. Porsche Engineering Magazine, 2016, No. 6, pp. 44-48 .

Unabhängig hiervon kommen auf dem Gebiet der industriellen Informationstechnik zur Automatisierung unterschiedlichster Aufgaben Agentensysteme zum Einsatz. Die Richtlinie VDI/VDE 2653 Blatt 1 gibt folgende Definition: „Ein technischer Agent ist eine abgrenzbare (Hardware- oder/und Software-) Einheit mit definierten Zielen. Ein technischer Agent ist bestrebt, diese Ziele durch selbstständiges Verhalten zu erreichen und interagiert dabei mit seiner Umgebung und anderen Agenten.“Regardless of this, agent systems are used in the field of industrial information technology to automate a wide variety of tasks. The VDI/VDE 2653 Sheet 1 guideline gives the following definition: “A technical agent is a definable (hardware and/or software) unit with defined goals. A technical agent strives to achieve these goals through autonomous behavior and thereby interacts with its environment and other agents.”

Als bestärkendes oder verstärkendes Lernen (reinforcement learning, RL) werden in der Neuroinformatik solche Verfahren des maschinellen Lernens bezeichnet, bei denen ein derartiger Agent selbstständig eine Strategie (policy) erlernt, um erhaltene Belohnungen zu maximieren. Die Umgebung oder Umwelt, mit welcher der Agent interagiert, ist in diesem Fall als Markow-Entscheidungsproblem modelliert und umfasst somit eine Menge von Zuständen. Der Folgezustand in jedem Verfahrensschritt wird hierbei durch die jeweilige Aktion des Agenten bestimmt, die wiederum von dessen Strategie abhängt.In neuroinformatics, machine learning methods in which such an agent independently learns a strategy (policy) in order to maximize the rewards received are known as reinforcement learning (RL). In this case, the environment with which the agent interacts is modeled as a Markov decision problem and thus includes a set of states. The subsequent state in each process step is determined by the agent's respective action, which in turn depends on his strategy.

Der Stand der Technik umfasst schließlich eine Klasse künstlicher neuronaler Netze, die als graphisches neuronales Netz oder neuronales Graphennetz (graph neural network, GNN) bezeichnet wird. Hierzu zählen beispielsweise die zur Klassifikation von Rastergrafiken verwendeten Faltungsnetze (convolutional neural networks, CNN).Finally, the prior art includes a class of artificial neural networks referred to as graph neural networks or graph neural networks (GNN). These include, for example, the convolutional neural networks (CNN) used to classify raster graphics.

DE102019008400A1 offenbart ein Verfahren zur autonomen Applikation eines Fahrzeugantriebsstrangs mit einem RL-Agenten. DE102019008400A1 discloses a method for the autonomous application of a vehicle powertrain with an RL agent.

US20090306866A1 beschreibt ein Antriebssteuergerät, welches sich selbstlernend im Betrieb an den Bediener des Fahrzeuges anpassen soll. US20090306866A1 describes a drive control unit that is supposed to adapt itself to the operator of the vehicle in a self-learning manner.

DE102020117802A1 schlägt vor, die Antriebssteuerung abhängig von der Fahrtstrecke zu kalibrieren. DE102020117802A1 suggests calibrating the drive control depending on the distance traveled.

DE102015201991A1 betrifft eine Methode, in deren Rahmen eine Kalibrierungstabelle teils mit an Bord des Fahrzeuges gewonnenen, teils mit aus der Cloud abgerufenen Einträgen anderer Fahrzeuge befüllt bzw. aktualisiert wird. DE102015201991A1 relates to a method in which a calibration table is filled or updated partly with entries from other vehicles obtained on board the vehicle and partly with entries retrieved from the cloud.

DE102019208262A1 erörtert ein Bayessches Optimierungsverfahren für einen Regler. DE102019208262A1 discusses a Bayesian optimization method for a controller.

Die Erfindung stellt ein Verfahren zur Abstimmung der Parameter eines Antriebsstranges, eine entsprechende Vorrichtung, ein entsprechendes Computerprogramm sowie ein entsprechendes Speichermedium gemäß den unabhängigen Ansprüchen bereit.The invention provides a method for tuning the parameters of a drive train, a corresponding device, a corresponding computer program and a corresponding storage medium according to the independent claims.

Ein Vorzug dieser Lösung liegt darin, dass es mit dem generierten neuronalen Graphennetz für den Ingenieur einfach zu verstehen ist, welcher Parameter insbesondere eines elektrischen Antriebsstranges sich auf die Ergebnisse auswirkt (Sensitivitätsanalyse).An advantage of this solution is that the generated neural graph network makes it easy for the engineer to understand which parameter, in particular of an electric drive train, affects the results (sensitivity analysis).

Weitere vorteilhafte Ausgestaltungen der Erfindung sind in den abhängigen Patentansprüchen angegeben. So kann der Fortschritt der Abstimmung in Rastergrafiken dargestellt werden, sodass zur Feststellung etwaiger Veränderungen lediglich deren Bildpunkte zu vergleichen sind. Der Ingenieur entnimmt dem Graphennetz somit auf einen Blick, welcher Parameter des beispielsweise elektrischen Antriebsstranges sich auf welchen Bildpunkt (Pixel) oder -bereich der Ergebnisse auswirkt. Dies hilft ihm bei der Anpassung bestimmter Bereiche.Further advantageous embodiments of the invention are specified in the dependent claims. In this way, the progress of the coordination can be displayed in raster graphics, so that all you have to do to determine any changes is to compare their pixels. The engineer can see at a glance from the graph network which parameter of the electric drive train, for example, affects which image point (pixel) or area of the results. This helps him adjust certain areas.

In einer bevorzugten Ausführungsform erfolgt die Kalibrierung nur anhand von Pixeln durch einen RL-Agenten und die von diesem erzeugten Daten werden nicht nur zum Erlernen einer Kalibrierungsstrategie verwendet, sondern auch als Nebenprodukt, um daraus das neuronale Graphennetz zu erzeugen. In einer modellbasierten Reinforcement-Learning-Umgebung kann er es gar als Modell für die Planung seiner nächsten Aktionen zur Parameteranpassung verwenden.In a preferred embodiment, the calibration is carried out only on the basis of pixels by an RL agent and the data generated by this agent is used not only to learn a calibration strategy, but also as a by-product to generate the graph neural network. In a model-based reinforcement learning environment, he can even use it as a model for planning his next parameter adjustment actions.

Ein Ausführungsbeispiel der Erfindung ist in den Zeichnungen dargestellt und wird im Folgenden näher beschrieben.

  • 1 zeigt die Steuerlogik eines hervorragend abgestimmten Antriebsstranges.
  • 2 zeigt die Steuerlogik mit einer konkreten Abstimmung.
  • 3 zeigt ein erfindungsgemäßes Verfahren.
  • 4 zeigt die Unterstützung des Ingenieurs durch das im Zuge des Verfahrens generierte Graphennetz.
An exemplary embodiment of the invention is shown in the drawings and is described in more detail below.
  • 1 shows the control logic of an excellently coordinated drive train.
  • 2 shows the control logic with a concrete vote.
  • 3 shows a method according to the invention.
  • 4 shows the engineer's support from the graph network generated during the process.

1 illustriert schematisch die Abstimmung der Steuerung eines Verbrennungsmotors, obgleich sich das Vorgehen bei einem elektrischen Antriebsstrang nicht wesentlich unterscheidet. Die Güte der Abstimmung ließe sich im vorliegenden Szenario etwa an der Häufung von Abweichungen messen, die bezüglich der Frischluftfüllung der Zylinder abhängig von der Motordrehzahl auftreten. Die für den - schlecht kalibrierten - Ausgangszustand ermittelte Häufigkeitsverteilung der Füllungsabweichungen (10) über die Drehzahl (11) ist zu diesem Zweck in einem ersten Diagramm (12) dargestellt. Ein zweites Diagramm (13) stellt hingegen den Kalibrierungszustand dar, nachdem ein Ingenieur die einschlägigen Parameter der Motorsteuerung angepasst hat, welche im vorliegenden Beispiel etwa Ventilsteuerzeiten oder Zündwinkel betreffen könnten. 1 schematically illustrates the coordination of the control of an internal combustion engine, although the procedure for an electric drive train is not significantly different. In the present scenario, the quality of the coordination could be measured by the accumulation of deviations that occur with regard to the fresh air filling of the cylinders depending on the engine speed. For this purpose, the frequency distribution of the filling deviations (10) over the speed (11) determined for the - poorly calibrated - initial state is shown in a first diagram (12). A second diagram (13), however, represents the calibration state after an engineer has adjusted the relevant parameters of the engine control, which in the present example could relate to valve timing or ignition angle.

Wie 2 andeutet, folgt der Antriebsstrang einer äußerst komplexen Steuerlogik (14), welche von zahlreichen Parametern abhängt. Dies stellt den mit der Abstimmung betrauten Ingenieur vor die Frage, auf welche dieser Parameter es sich zu konzentrieren gilt, um ein bestimmtes Diagramm (13) zu erhalten, das zum Beispiel blaue Bereiche (15) und grüne Bereiche (16) bei bestimmter Drehzahl (11) aufweist.How 2 indicates, the drive train follows an extremely complex control logic (14), which depends on numerous parameters. This presents the engineer in charge of the tuning with the question of which of these parameters to focus on in order to obtain a specific diagram (13) that, for example, shows blue areas (15) and green areas (16) at a certain speed ( 11).

Gemäß 3 generiert ein RL-Agent (1) daher die Daten zur Erstellung eines Graphennetzes (5). In einem ersten Schritt befindet sich der Agent (1) hierzu in einem bestimmten Zustand. Ein Zustand kann z. B. eine Funktion der Pixelposition auf dem Bild, des Parameters oder des Parameterwertes sein.According to 3 an RL agent (1) therefore generates the data to create a graph network (5). In a first step, the agent (1) is in a certain state. A condition can e.g. B. be a function of the pixel position on the image, the parameter or the parameter value.

In einem zweiten Schritt nimmt der Agent (1) gemäß seiner gegenwärtigen Strategie gewisse Anpassungen (2) an den Parametern vor. Diese Anpassungen (2) mögen darin bestehen, den Wert einzelner Parameter zu erhöhen, zu verringern, gleich zu setzen oder den Parameter auf einen bestimmten Wert zu setzen.In a second step, the agent (1) makes certain adjustments (2) to the parameters according to its current strategy. These adjustments (2) may consist of increasing, decreasing, or equalizing the value of individual parameters or setting the parameter to a specific value.

Die Auswirkung dieser Aktion ist eine Pixeländerung (Position oder Farbe). In einem dritten Schritt werden derlei durch die Anpassungen (2) bewirkte Veränderungen (3) der Abstimmung beobachtet und eine für diese angemessene Belohnung (31) bestimmt. Der Agent (1) erhält zum Beispiel eine positive Belohnung (31), wenn das Pixel grün (16) wird, was in diesem Fall eine gute Kalibrierung bedeuten würde (geringe Abweichung zwischen Soll- und Ist-Werten). Abhängig von Zuständen, Aktionen und Belohnung (31) ändert er seine Strategie.The effect of this action is a pixel change (position or color). In a third step, such changes (3) in coordination caused by the adjustments (2) are observed and an appropriate reward (31) is determined. For example, the agent (1) receives a positive reward (31) when the pixel turns green (16), which in this case would mean a good calibration (small deviation between target and actual values). Depending on conditions, actions and rewards (31) he changes his strategy.

In einem vierten Schritt werden die Anpassungen (2) und beobachteten Veränderungen (3) der Bildpunkte (32) einem generativen Modell (4) zugeführt.In a fourth step, the adjustments (2) and observed changes (3) of the image points (32) are fed to a generative model (4).

In einem fünften Schritt setzt das nach dem Modell (4) generierte neuronale Graphennetz (5) die Parameter und deren Anpassungen (2) einerseits und Veränderungen (3) der Bildpunkte (32) andererseits zueinander in Beziehung und stellt die auf diesem Wege aufgedeckten Zusammenhänge in einem Graphennetz (5) dar.In a fifth step, the neural graph network (5) generated according to the model (4) relates the parameters and their adjustments (2) on the one hand and changes (3) of the image points (32) on the other hand and presents the relationships revealed in this way a graph network (5).

Optional berücksichtigt der Agent (1) unter Nutzung des Graphennetzes (5) in einer modellbasierten (6) RL-Umgebung in einem sechsten Schritt die Beziehung bei der Planung (33) künftiger Anpassungen (2). Diese Schleife wird wiederholt, bis der Antriebsstrang kalibriert ist.Optionally, in a sixth step, the agent (1) takes the relationship into account when planning (33) future adjustments (2) using the graph network (5) in a model-based (6) RL environment. This loop repeats until the drivetrain is calibrated.

Das in 4 genauer beleuchtete Graphennetz (5) repräsentiert die durch den Agenten (1 - 3) zu kalibrierenden Parameter (x, y) - etwa 2-D-Kennfelder - und abbildungsgemäß mit ihren Koordinaten beschrifteten Bildpunkte (32) hierbei als verschiedenartige Knoten. Als - abbildungemäß durch Pfeile symbolisierte - Kanten stellt das Graphennetz (5) die Beziehung zwischen bestimmten Parametern (x, y) und Bildpunkten (32) dar, also welcher Parameter (x, y) sich auf welchen der Bildpunkte (32) auswirkt. Das Graphennetz (5) stellt ferner die Beziehung zwischen den Parameteränderungen und den Farb-/Intensitätsänderungen der Bildpunkte (32) dar. Das Graphennetz (5) stellt auch die Beziehung zwischen der Intensität der Parameteränderungen und den Farbänderungen der Bildpunkte (32) in der Intensität dar.This in 4 The graph network (5) which is examined in more detail represents the information generated by the agent (1 - 3 ) to be calibrated - for example 2D characteristic maps - and image points (32) labeled with their coordinates as shown in the illustration as different types of nodes. The graph network (5) represents the relationship between certain parameters (x, y) and image points (32) as edges - symbolized by arrows as shown in the illustration - i.e. which parameter (x, y) affects which of the image points (32). The graph network (5) also represents the relationship between the parameter changes and the color/intensity changes of the image points (32). The graph network (5) also represents the relationship between the intensity of the parameter changes and the color changes of the image points (32) in terms of intensity.

Die Kanten des Graphennetzes (5) sind idealerweise gerichtet und zeigen dem Ingenieur den Weg von einer Parameteränderung bis zu ihrer Auswirkung auf das Bild. Das generierte Graphennetz (5) hilft auf diese Weise dem Ingenieur, die Steuerlogik (14 - 1 und 2) zu verstehen und auf einen Blick zu sehen, wie sich die Variation der Parameter (x, y) auf das Bild auswirkt. Er kann den Weg von einem Parameter (x, y) zu einer Pixelposition erkennen. Er kann sehen und verfolgen, welcher Parameter (x, y) sich auf welchen der Bildpunkte (32) oder welchen Bereich des resultierenden Diagrammes (13 - 1 und 2) auswirkt und wird somit in einer Sensitivitätsanalyse der Parameter (x, y) unterstützt.The edges of the graph network (5) are ideally directed and show the engineer the path from a parameter change to its effect on the image. In this way, the generated graph network (5) helps the engineer to design the control logic (14 - 1 and 2 ) and see at a glance how varying the parameters (x, y) affects the image. It can detect the path from a parameter (x, y) to a pixel position. He can see and track which parameter (x, y) is on which of the image points (32) or which area of the resulting diagram (13 - 1 and 2 ) and is therefore supported in a sensitivity analysis of the parameters (x, y).

ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE 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 documents listed 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 PatentliteraturCited patent literature

  • DE 102019008400 A1 [0006]DE 102019008400 A1 [0006]
  • US 20090306866 A1 [0007]US 20090306866 A1 [0007]
  • DE 102020117802 A1 [0008]DE 102020117802 A1 [0008]
  • DE 102015201991 A1 [0009]DE 102015201991 A1 [0009]
  • DE 102019208262 A1 [0010]DE 102019208262 A1 [0010]

Zitierte Nicht-PatentliteraturNon-patent literature cited

  • SKULL, Matteo. Numerische Modelle für einfachere Applikation. Porsche Engineering Magazin, 2016, Nr. 6, S. 44-48 [0002]SKULL, Matteo. Numerical models for easier application. Porsche Engineering Magazine, 2016, No. 6, pp. 44-48 [0002]

Claims (10)

Verfahren (30) zur Abstimmung von Parametern (x, y) eines Antriebsstranges, gekennzeichnet durch folgende Merkmale: - ein technischer Agent (1) wird in einen Ausgangszustand versetzt, - der Agent (1) nimmt wiederholt Anpassungen (2) an den Parametern (x, y) vor, - etwaige durch die Anpassungen (2) bewirkte Veränderungen (3) der Abstimmung werden beobachtet, - die Anpassungen (2) und beobachteten Veränderungen (3) werden einem generativen Modell (4) zugeführt und - mittels eines nach dem Modell (4) generierten neuronalen Graphennetzes (5) werden die Anpassungen (2) und Veränderungen (3) zueinander in Beziehung gesetzt.Method (30) for tuning parameters (x, y) of a drive train, characterized by the following features: - a technical agent (1) is placed in an initial state, - the agent (1) repeatedly makes adjustments (2) to the parameters ( x, y) before, - any changes (3) in the coordination caused by the adjustments (2) are observed, - the adjustments (2) and observed changes (3) are fed to a generative model (4) and - by means of a according to the Model (4) generated neural graph network (5), the adjustments (2) and changes (3) are related to each other. Verfahren (30) nach Anspruch 1, gekennzeichnet durch folgende Merkmale: - der Agent (1) berücksichtigt die Beziehung bei einer Planung (33) der künftigen Anpassungen (2) und - die Planung (33) erfolgt basierend (6) auf dem Graphennetz (5).Procedure (30) according to Claim 1 , characterized by the following features: - the agent (1) takes the relationship into account when planning (33) the future adjustments (2) and - the planning (33) is carried out based (6) on the graph network (5). Verfahren (30) nach Anspruch 1 oder 2, gekennzeichnet durch folgende Merkmale: - der Agent (1) wählt die Anpassungen (2) gemäß einer veränderlichen Strategie, - abhängig von den beobachteten Veränderungen (3) wird eine angemessene Belohnung (31) für die vorgenommenen Anpassungen bestimmt und - der Agent (1) ändert die Strategie abhängig von der Belohnung (31).Procedure (30) according to Claim 1 or 2 , characterized by the following features: - the agent (1) selects the adjustments (2) according to a changing strategy, - depending on the changes observed (3), an appropriate reward (31) is determined for the adjustments made and - the agent (1 ) changes the strategy depending on the reward (31). Verfahren (30) nach Anspruch 3, gekennzeichnet durch folgende Merkmale: - die Abstimmung im Ausgangszustand wird in einem ersten Diagramm (12 dargestellt, - die Abstimmung nach dem Vornehmen der Anpassungen (2) wird in einem zweiten Diagramm (13) dargestellt und - zum Beobachten der Veränderungen (3) wird das erste Diagramm (12) mit dem zweiten Diagramm (13) verglichen.Procedure (30) according to Claim 3 , characterized by the following features: - the coordination in the initial state is shown in a first diagram (12), - the coordination after making the adjustments (2) is shown in a second diagram (13) and - the changes (3) are observed the first diagram (12) is compared with the second diagram (13). Verfahren (30) nach Anspruch 4, gekennzeichnet durch folgende Merkmale: - der Antriebsstrang folgt einer von den Parametern (x, y) abhängigen Steuerlogik (14) und - das Darstellen der Abstimmung erfolgt, indem die Steuerlogik (14) einerseits im Ausgangszustand und andererseits mit den Anpassungen (2) simuliert wird.Procedure (30) according to Claim 4 , characterized by the following features: - the drive train follows a control logic (14) that is dependent on the parameters (x, y) and - the coordination is displayed by simulating the control logic (14) on the one hand in the initial state and on the other hand with the adjustments (2). becomes. Verfahren (30) nach Anspruch 4 oder 5, gekennzeichnet durch folgende Merkmale: - die Diagramme (12, 13) setzen sich aus Bildpunkten (32) unterschiedlicher Farbwerte zusammen und - das Vergleichen der Diagramme (12, 13) erfolgt anhand der Farbwerte (15, 16) ihrer Bildpunkte (32).Procedure (30) according to Claim 4 or 5 , characterized by the following features: - the diagrams (12, 13) are composed of pixels (32) of different color values and - the comparison of the diagrams (12, 13) takes place based on the color values (15, 16) of their pixels (32). Verfahren (30) nach einem der Ansprüche 4 bis 6, gekennzeichnet durch folgende Merkmale: - die Strategie zielt auf eine geringe Häufigkeit von Füllungsabweichungen (10) ab, welche bei Zylindern eines vom Antriebsstrang umfassten Verbrennungsmotors abhängig von dessen Drehzahl (11) auftreten, und - das Darstellen der Abstimmung erfolgt anhand einer Häufigkeitsverteilung der Füllungsabweichungen (10) über die Drehzahl (11).Method (30) according to one of Claims 4 until 6 , characterized by the following features: - the strategy aims at a low frequency of filling deviations (10), which occur in cylinders of an internal combustion engine included in the drive train depending on its speed (11), and - the coordination is represented on the basis of a frequency distribution of the filling deviations (10) via the speed (11). Vorrichtung (1), welche dazu eingerichtet ist, ein Verfahren (30) nach einem der Ansprüche 1 bis 7 auszuführen.Device (1) which is adapted to carry out a method (30) according to one of the Claims 1 until 7 to execute. Computerprogramm, welches dazu eingerichtet ist, alle Schritte eines Verfahrens (30) nach einem der Ansprüche 1 bis 7 durchzuführen.Computer program which is set up to carry out all steps of a method (30) according to one of the Claims 1 until 7 to carry out. Maschinenlesbares Speichermedium mit einem darauf gespeicherten Computerprogramm nach Anspruch 9.Machine-readable storage medium with a computer program stored on it Claim 9 .
DE102022124791.0A 2022-09-27 2022-09-27 Method and device for tuning the parameters of a drive train Pending DE102022124791A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE102022124791.0A DE102022124791A1 (en) 2022-09-27 2022-09-27 Method and device for tuning the parameters of a drive train

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102022124791.0A DE102022124791A1 (en) 2022-09-27 2022-09-27 Method and device for tuning the parameters of a drive train

Publications (1)

Publication Number Publication Date
DE102022124791A1 true DE102022124791A1 (en) 2024-03-28

Family

ID=90139930

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102022124791.0A Pending DE102022124791A1 (en) 2022-09-27 2022-09-27 Method and device for tuning the parameters of a drive train

Country Status (1)

Country Link
DE (1) DE102022124791A1 (en)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090306866A1 (en) 2008-06-10 2009-12-10 The Regents Of The University Of Michigan Method, control apparatus and powertrain system controller for real-time, self-learning control based on individual operating style
DE102015201991A1 (en) 2014-02-07 2015-08-13 Ford Global Technologies, Llc Method and system for internal combustion engine and powertrain control
DE102019208262A1 (en) 2019-06-06 2020-12-10 Robert Bosch Gmbh Method and device for determining model parameters for a control strategy of a technical system with the help of a Bayesian optimization method
DE102020117802A1 (en) 2019-07-08 2021-01-14 Ford Global Technologies, Llc SYSTEMS AND PROCEDURES FOR THE CALIBRATION SELECTION STRATEGY FOR A VEHICLE POWER TRAIN
DE102019008400A1 (en) 2019-12-04 2021-06-10 Daimler Ag Method for applying a drive train for a motor vehicle

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090306866A1 (en) 2008-06-10 2009-12-10 The Regents Of The University Of Michigan Method, control apparatus and powertrain system controller for real-time, self-learning control based on individual operating style
DE102015201991A1 (en) 2014-02-07 2015-08-13 Ford Global Technologies, Llc Method and system for internal combustion engine and powertrain control
DE102019208262A1 (en) 2019-06-06 2020-12-10 Robert Bosch Gmbh Method and device for determining model parameters for a control strategy of a technical system with the help of a Bayesian optimization method
DE102020117802A1 (en) 2019-07-08 2021-01-14 Ford Global Technologies, Llc SYSTEMS AND PROCEDURES FOR THE CALIBRATION SELECTION STRATEGY FOR A VEHICLE POWER TRAIN
DE102019008400A1 (en) 2019-12-04 2021-06-10 Daimler Ag Method for applying a drive train for a motor vehicle

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Gao Y., Yang H., Zhang P., Zhou C., Hu Y.: GraphNAS: Graph Neural Architecture Search with Reinforcement Learning. In: arXiv, 2019, 1-7. https://arxiv.org/pdf/1904.09981.pdf [abgerufen am 23.05.2023]
SKULL, Matteo. Numerische Modelle für einfachere Applikation. Porsche Engineering Magazin, 2016, Nr. 6, S. 44-48

Similar Documents

Publication Publication Date Title
DE102016220670A1 (en) Method and system for testing software for autonomous vehicles
EP4193135A1 (en) Computer-implemented method for providing a test process for traffic scenarios to be tested
DE102016211129A1 (en) Method for checking a collision between two driverless transport vehicles, driverless transport vehicle and system with several driverless transport vehicles
DE102021002318A1 (en) Method for creating a simulation model, use of a simulation model, computer program product, method for calibrating a control device
DE102019209540A1 (en) Process and device for the optimal distribution of test cases on different test platforms
DE102022124791A1 (en) Method and device for tuning the parameters of a drive train
DE102020114201A1 (en) Programming method for a coating system and corresponding coating system
EP4022589A1 (en) Automated detection of abnormal behaviour of a road user
DE102020210789A1 (en) Analysis of a neural network for a vehicle
DE102013202193A1 (en) Method and means for operating a first motor vehicle based on at least one characteristic of at least one second motor vehicle
EP2600096B1 (en) Determination of indicators of the hit probability of a weapon system
EP3871052B1 (en) Method for calibrating a technical system
DE102018130649A1 (en) Method for analyzing the measurement behavior of a field device in automation technology depending on the parameterization of the field device
DE102018206326B4 (en) Method for expanding a database of a Bayesian network
WO2021245151A1 (en) Unmonitored learning of a common presentation of data from sensors of different modality
DE102019201045A1 (en) Method, device and computer program for determining an action or trajectory of a robot
Kammel Autonomes Fahren
DE102022112606B3 (en) Computer-implemented method for calibrating a technical system
DE102020133654B3 (en) Computer-implemented method for modifying a component of a computer-generated model of a motor vehicle
DE102022108396A1 (en) Method, system and computer program product for reinforcement learning for carrying out control and/or regulation tasks of an entity
WO2022263078A1 (en) Method for the additive manufacturing of a component
DE102021110083A1 (en) Training an artificial neural network to test an automatic driving function of a vehicle
WO2020030333A1 (en) Method for designing a vehicle
DE102021116388A1 (en) Method for optimizing a controller and control system with a controller optimized in this way
DE102022205999A1 (en) Method for training a deep learning based machine learning algorithm

Legal Events

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