DE102022127538A1

DE102022127538A1 - Adaptive Aktualisierung der Energieverbrauchsvorhersage während der Fahrt für ein beladenes Fahrzeug

Info

Publication number: DE102022127538A1
Application number: DE102022127538.8A
Authority: DE
Inventors: Klaus Trangbaek; Vladimir Suplin; Daniel Urieli
Original assignee: GM Global Technology Operations LLC
Current assignee: GM Global Technology Operations LLC
Priority date: 2022-06-20
Filing date: 2022-10-19
Publication date: 2023-12-21
Also published as: CN117313509A; US20230408272A1

Abstract

Ein System zum adaptiven Aktualisieren während der Fahrt für ein Fahrzeug, das auf einer Route fährt, umfasst eine Steuerung mit einem Prozessor und einem greifbaren, nicht-flüchtigen Speicher. Das Fahrzeug trägt eine Ladung. Die Steuerung ist ausgelegt, einen oder mehrere dynamische Parameter in Bezug auf die Ladung zu erhalten. Eine Vielzahl von adaptiven Prädiktoren ist selektiv durch die Steuerung zu einem Zeitpunkt während der Route ausführbar, zu dem ein abgeschlossener Abschnitt der Route von dem Fahrzeug durchfahren wurde und ein verbleibender Abschnitt noch nicht durchfahren wurde. Die Vielzahl adaptiver Prädiktoren umfassen einen Geschwindigkeitsprädiktor, der konfiguriert ist, ein globales Geschwindigkeitsprofil zu erzeugen. Die Vielzahl der adaptiven Prädiktoren umfasst einen Fahrverbrauchsprädiktor, der konfiguriert ist, ein Fahrverbrauchsprofil für den verbleibenden Abschnitt der Strecke vorherzusagen, das teilweise auf den dynamischen Parametern, den Routenmerkmalen, dem globalen Geschwindigkeitsprofil und einem früheren Fahrverbrauch basiert.

Description

Einführung
Die vorliegende Offenbarung bezieht sich auf die adaptive Aktualisierung des vorhergesagten Energieverbrauchs während der Fahrt für ein Fahrzeug, das auf einer Route unterwegs ist und eine Ladung trägt. Bei Elektrofahrzeugen ist die Vorhersage der vom Fahrzeug auf einer bestimmten Route verbrauchten Energiemenge für den Benutzer bei der Planung einer Reise von großem Nutzen. Aufgrund verschiedener Faktoren kann eine Vorhersage der vom Fahrzeug verbrauchten Energiemenge vor Fahrtantritt ungenau sein. Wenn das Fahrzeug eine Ladung trägt, kann sich die Vorhersage des Energieverbrauchs erheblich ändern. Energieverbrauchsvorhersagen für neue Fahrzeugmodelle erfordern umfangreiche Modellierungen und/oder große Datenmengen. Die Modellierungsdaten für beladene Fahrzeuge sind jedoch eher spärlich.
Beschreibung der Erfindung
Hierin wird ein System zum adaptiven Aktualisieren während der Fahrt für ein auf einer Route fahrendes Fahrzeug beschrieben. Das Fahrzeug befördert eine Ladung. Das System umfasst eine Steuerung mit einem Prozessor und einem greifbaren, nicht-flüchtigen Speicher, wobei die Steuerung ausgelegt ist, einen oder mehrere dynamische Parameter in Bezug auf die Ladung zu erhalten. Eine Vielzahl adaptiver Prädiktoren („Vielzahl“ wird im Folgenden weggelassen) sind von der Steuerung zu einem aktuellen Zeitpunkt während der Route, zu dem ein abgeschlossener Abschnitt der Route von dem Fahrzeug durchfahren wurde und ein verbleibender Abschnitt noch nicht durchfahren wurde, selektiv ausführbar. Die Vielzahl adaptiver Prädiktoren umfassen einen Geschwindigkeitsprädiktor, der konfiguriert ist, ein globales Geschwindigkeitsprofil zu erzeugen, das teilweise auf dem einen oder den mehreren dynamischen Parametern, Routenmerkmalen und einer früheren tatsächlichen Geschwindigkeit basiert.
Das globale Geschwindigkeitsprofil ist eine Verkettung der vergangenen tatsächlichen Geschwindigkeit bis zum aktuellen Zeitpunkt und der vorhergesagten Geschwindigkeit für den verbleibenden Abschnitt der Strecke. Die Vielzahl adaptiver Prädiktoren umfassen einen Fahrverbrauchsprädiktor, der konfiguriert ist, ein Fahrverbrauchsprofil für den verbleibenden Abschnitt der Route vorherzusagen, das teilweise auf dem einen oder den mehreren dynamischen Parametern, den Routenmerkmalen, dem globalen Geschwindigkeitsprofil und einem vergangenen Fahrverbrauch des abgeschlossenen Abschnitts basiert. In einigen Ausführungsformen befindet sich die Ladung an einer Karosserie des Fahrzeugs. In einigen Ausführungsformen wird die Ladung von dem Fahrzeug geschleppt.
Die adaptiven Prädiktoren umfassen einen Hilfsverbrauchsprädiktor, der konfiguriert ist, ein Hilfsverbrauchsprofil für den verbleibenden Abschnitt der Route vorherzusagen, das zum Teil auf den Routenmerkmalen und dem früheren Hilfsverbrauch des abgeschlossenen Abschnitts basiert. Die adaptiven Prädiktoren umfassen einen Energieverbrauchsprädiktor, der konfiguriert ist, ein Energieverbrauchsprofil für den verbleibenden Abschnitt der Route vorhersagt, das teilweise auf einer Summe des Fahrverbrauchsprofils und des Hilfsverbrauchsprofils basiert. Zu den Routenmerkmalen können Höhe, Höhenänderungen, Temperatur, Verkehrsgeschwindigkeit, Geschwindigkeitsbegrenzung und historische Geschwindigkeit gehören. Die dynamischen Parameter können eine Gesamtmasse des Fahrzeugs mit der Ladung und/oder eine Masse der Ladung umfassen. Die dynamischen Parameter können den Rollwiderstand, den Luftwiderstandskoeffizienten und/oder den Reifendruck des Fahrzeugs umfassen.
In einer Ausführungsform enthält mindestens einer der adaptiven Prädiktoren eine adaptive Prädiktorstruktur mit einer nichtlinearen Abbildungsfunktion, die so konfiguriert ist, dass sie eine Abbildungsausgabe erzeugt, die zum Teil auf den Routenmerkmalen und dem globalen Geschwindigkeitsprofil basiert. Eine Vielzahl von Verstärkungsfunktionen ist so ausgelegt, dass sie die jeweiligen Verstärkungswerte zum Teil auf der Grundlage der Abbildungsausgabe bestimmen. Die jeweiligen Verstärkungswerte basieren zum Teil auf den jeweiligen Fahrdaten mit den jeweiligen Bereichen der Beladung. Hier umfasst die adaptive Prädiktorstruktur eine Gewichtungsfunktion, die so konfiguriert ist, dass sie eine Fahrverbrauchsausgabe durch Interpolation der jeweiligen Verstärkungswerte bestimmt, die teilweise auf dem einen oder den mehreren dynamischen Parametern basieren. Die adaptiven Prädiktoren umfassen einen Energieverbrauchsprädiktor, der so konfiguriert ist, dass er die Fahrverbrauchsausgabe empfängt.
In einer anderen Ausführungsform enthält mindestens einer der adaptiven Prädiktoren eine adaptive Prädiktorstruktur mit einer nichtlinearen Abbildungsfunktion, die so konfiguriert ist, dass sie eine Abbildungsausgabe erzeugt, die teilweise auf den Routenmerkmalen und dem globalen Geschwindigkeitsprofil basiert. Hier umfasst die adaptive Prädiktorstruktur eine Verstärkungsfunktion, die ausgelegt ist, um einen Verstärkungswert zu bestimmen, der zum Teil auf der Abbildungsausgabe und Fahrdaten mit einem nominalen Ladungswert basiert, und einen Ladungseffektprädiktor, der konfiguriert ist, um einen Ladungseffektfaktor zu bestimmen, der zum Teil auf der Abbildungsausgabe und dem einen oder mehreren dynamischen Parametern basiert. Die adaptiven Prädiktoren umfassen einen Energieverbrauchsprädiktor, der so konfiguriert ist, dass er den Gesamtenergieverbrauch teilweise auf der Grundlage des Ladungseffektfaktors und des Verstärkungswerts bestimmt.
In einer anderen Ausführungsform enthält mindestens einer der adaptiven Prädiktoren eine adaptive Prädiktorstruktur mit einem fusionierenden neuronalen Netz mit einem Fahrzeugmodellnetz und einem additiven Ladungswirkungsnetz. Das Fahrzeugmodellnetz umfasst eine nominale Eingabeschicht, die zum Empfang der Routenmerkmale geeignet ist, und mindestens eine nominale versteckte Schicht. Das additive Ladungswirkungsnetz enthält eine Ladungswirkungs-Eingangsschicht, die zum Empfang des einen oder der mehreren dynamischen Parameter angepasst ist, und mindestens eine versteckte Ladungswirkungsschicht. Das fusionierende neuronale Netz enthält eine fusionierte Schicht, die so angepasst ist, dass sie die jeweiligen Ausgaben von der mindestens einen nominalen versteckten Schicht und der mindestens einen versteckten Ladungswirkungsschicht empfängt. Die adaptiven Prädiktoren umfassen einen Energieverbrauchsprädiktor, der so konfiguriert ist, dass er die jeweilige Ausgabe von der fusionierten Schicht empfängt.
Die Route kann in Segmente unterteilt sein. Die Steuerung kann so konfiguriert sein, dass sie mindestens einen Modifikationsfaktor auf der Grundlage eines Vergleichs des tatsächlichen Energieverbrauchs und einer Vorhersage des Energieverbrauchs vor der Fahrt für die Segmente im abgeschlossenen Abschnitt der Route ermittelt. Die Steuerung kann so konfiguriert sein, dass sie die Vorhersage des Energieverbrauchs vor der Fahrt für die Segmente im verbleibenden Abschnitt der Route auf der Grundlage des mindestens einen Modifikationsfaktors anpasst.
Hierin wird ein Verfahren zum adaptiven Aktualisieren während der Fahrt für ein Fahrzeug beschrieben, das auf einer in eine Anzahl von Abschnitten unterteilten Route fährt, wobei das Fahrzeug eine Steuerung mit einem Prozessor und einem greifbaren, nicht-flüchtigen Speicher aufweist. Das Verfahren umfasst das Erhalten von einem oder mehreren dynamischen Parametern, die sich auf eine Ladung beziehen, über die Steuerung, wobei das Fahrzeug die Ladung trägt. Das Verfahren umfasst das selektive Ausführen einer Vielzahl von adaptiven Prädiktoren über die Steuerung zu einem aktuellen Zeitpunkt während der Route, zu dem ein abgeschlossener Abschnitt der Route von dem Fahrzeug durchfahren wurde und ein verbleibender Abschnitt noch nicht durchfahren wurde. Ein Geschwindigkeitsprädiktor ist in der Vielzahl der adaptiven Prädiktoren enthalten und so konfiguriert, dass er ein globales Geschwindigkeitsprofil erzeugt, das zum Teil auf dem einen oder den mehreren dynamischen Parametern, den Routenmerkmalen und einer vergangenen tatsächlichen Geschwindigkeit basiert, wobei das globale Geschwindigkeitsprofil eine Verkettung der vergangenen tatsächlichen Geschwindigkeit bis zum aktuellen Zeitpunkt und der vorhergesagten Geschwindigkeit für den verbleibenden Abschnitt der Route ist. Ein Fahrerverbrauchsprädiktor ist in der Vielzahl der adaptiven Prädiktoren enthalten und so konfiguriert, dass es ein Fahrerverbrauchsprofil für den verbleibenden Abschnitt der Strecke vorhersagt, das teilweise auf dem einen oder den mehreren dynamischen Parametern, den Routenmerkmalen, dem globalen Geschwindigkeitsprofil und einem vergangenen Fahrerverbrauch des abgeschlossenen Abschnitts basiert.
Die obigen Merkmale und Vorteile sowie andere Merkmale und Vorteile der vorliegenden Offenbarung sind werden der folgenden detaillierten Beschreibung der besten Modi zur Durchführung der Offenbarung in Verbindung mit den beigefügten Zeichnungen ohne weiteres ersichtlich.
Kurzbeschreibung der Zeichnungen

1 ist ein schematisches, fragmentarisches Diagramm eines Systems zur adaptiven Aktualisierung der Energieverbrauchsvorhersage während der Fahrt für ein Fahrzeug, das eine Ladung trägt, wobei das System eine Vielzahl von adaptiven Prädiktoren hat;
2 ist ein schematisches Beispiel für eine modulare Architektur, die von dem System in 1 verwendet werden kann;
3 ist ein Flussdiagramm eines Beispiels für ein Verfahren zur adaptiven Aktualisierung der Energieverbrauchsvorhersage während der Fahrt für das Fahrzeug von 1;
4 ist ein schematisches Diagramm eines Beispiels einer adaptiven Prädiktorstruktur, die von dem System von 1 verwendet werden kann;
5 ist ein schematisches Diagramm eines weiteren Beispiels einer adaptiven Prädiktorstruktur, die von dem System von 1 verwendet werden kann; und
6 ist ein schematisches Diagramm noch eines weiteren Beispiels einer adaptiven Prädiktorstruktur, die von dem System der 1 verwendet werden kann.

Repräsentative Ausführungsformen dieser Offenbarung sind als nicht einschränkende Beispiele in den Zeichnungen dargestellt und werden im Folgenden näher beschrieben. Es sollte jedoch verstanden werden, dass die neuen Aspekte dieser Offenbarung nicht auf die besonderen Formen beschränkt sind, die in den oben aufgezählten Zeichnungen dargestellt sind. Vielmehr soll die Offenbarung Modifikationen, Äquivalente, Kombinationen, Unterkombinationen, Permutationen, Gruppierungen und Alternativen umfassen, die in den Anwendungsbereich dieser Offenbarung fallen, wie sie beispielsweise von den beigefügten Ansprüchen umfasst werden.
Detaillierte Beschreibung
Unter Bezugnahme auf die Zeichnungen, in denen sich gleiche Bezugszeichen auf gleiche Komponenten beziehen, veranschaulicht 1 schematisch ein adaptives fahrzeuginternes Aktualisierungssystem 10 (im Folgenden als „System“ bezeichnet) für ein Fahrzeug 12 mit einer Ladung L, die auf unterschiedliche Weise befördert werden kann. Bei der Ladung L kann es sich zum Beispiel um einen Anhänger handeln, der gezogen oder geschleppt wird, wie das Fahrzeug 12A in 1 zeigt. Die Ladung L kann sich auf einer Karosserie des Fahrzeugs 12 befinden, z. B. als Ladung im Kofferraum oder auf der Ladefläche eines Lieferwagens/LKW (z. B. Fahrzeug 12B).
Das Fahrzeug 12 kann, ohne darauf beschränkt zu sein, ein Personenkraftwagen, ein Sport Utility Vehicle, ein Kleinlastwagen, ein Schwerlastfahrzeug, ein Minivan, ein Bus, ein Transitfahrzeug, ein Fahrrad, ein fahrender Roboter, ein landwirtschaftliches Gerät (z. B. ein Traktor), ein Sportgerät (z. B. ein Golfwagen), ein Boot, ein Flugzeug und ein Zug sein. Bei dem Fahrzeug 12 kann es sich um ein Elektrofahrzeug handeln, das rein elektrisch oder hybrid/teilelektrisch sein kann. Es versteht sich, dass das Fahrzeug 12 viele verschiedene Formen annehmen und zusätzliche Komponenten aufweisen kann.
Unter Bezugnahme auf 1 umfasst das System 10 eine Steuerung C mit mindestens einem Prozessor P und mindestens einem Speicher M (oder einem greifbaren, nicht-flüchtigen computerlesbaren Speichermedium), in dem Befehle zur Ausführung eines Verfahrens 200 (das nachstehend mit Bezug auf 3 beschrieben wird) zur Aktualisierung des vorhergesagten Energieverbrauchs des Fahrzeugs 12, das die Ladung L trägt, während der Fahrt auf einer Route aufgezeichnet sein können. In 1 ist eine beispielhafte Route 14 dargestellt, die am Startpunkt 16 beginnt und am Zielpunkt 18 endet. Es wird eine additive Vorhersagestruktur vorgestellt, die die Vorteile von Grundlinien- oder Leerlaufdaten (z. B. ohne Schleppen) nutzt.
Aufgrund verschiedener Faktoren kann eine Vorhersage der vom Fahrzeug 12 verbrauchten Energiemenge vor Fahrtantritt ungenau sein. Eine während der Fahrt aktualisierte Vorhersage des Energieverbrauchs des Fahrzeugs 12 während einer Fahrt kann nützlich sein, um die Reichweitenangst des Benutzers zu verringern. Das System 10 passt die Vorhersagen schnell an das Vorhandensein einer Ladung L, z. B. eines Anhängers, an. Das System 10 berücksichtigt einen oder mehrere dynamische Parameter der Ladung L, zu denen unter anderem die Masse der Ladung L, die Masse des Fahrzeugs 12 mit der Ladung L, ein Rollwiderstand, ein Luftwiderstandsbeiwert und der Reifendruck des Fahrzeugs 12 gehören können.
Das System 10 umfasst eine Vielzahl adaptiver Prädiktoren 20 („Vielzahl“ wird im Folgenden weggelassen), die jeweils entsprechende Eingaben empfangen und entsprechende Ausgaben erzeugen. Wie unten beschrieben, können die adaptiven Prädiktoren 20 maschinelle Lernmodule enthalten, die eine nichtlineare Abbildung durchführen. Diese Abbildungen können neuronale Netze, einfache lineare Regressionsmodelle, Support-Vector-Regressionsmodelle oder eine Kombination aus nichtlinearen Funktionen (Scharnier/Polynom/Sättigung), linearen Verstärkungen und anderen Arten von Modellen umfassen, die dem Fachmann zur Verfügung stehen. Die Verstärkungen und Parameter können durch einen datengesteuerten Ansatz erlernt werden.
Unter Bezugnahme auf 1 sind die adaptiven Prädiktoren 20 selektiv durch die Steuerung C zu einem aktuellen Zeitpunkt 22 während der Route 14 ausführbar, zu dem ein abgeschlossener Abschnitt 24 der Route vom Fahrzeug 12 durchfahren wurde und ein verbleibender Abschnitt 26 noch nicht durchfahren wurde. Mit anderen Worten, die Aktualisierung erfolgt in Echtzeit, während sich das Fahrzeug 12 weiterhin auf der Route 14 befindet.
2 ist ein schematisches Beispiel für eine modulare Architektur 100, die vom System 10 zur robusten und genauen Aktualisierung der Vorhersagen verwendet werden kann. Die adaptiven Prädiktoren 20 umfassen einen Geschwindigkeitsprädiktor 102, einen Fahrverbrauchsprädiktor 104 und einen Hilfsverbrauchsprädiktor 106 (vgl. 1-2). Wie in 2 dargestellt, erhält der Geschwindigkeitsprädiktor 102 Eingaben von dynamischen Messungen 120 (über einen dynamischen Parameterschätzer 122), Routenmerkmalen 110, und eine vergangenen tatsächliche Geschwindigkeit 112. Beispiele für Routenmerkmale 110 sind Höhe, Höhenänderungen, Temperatur, Länge, Verkehrsgeschwindigkeit, Geschwindigkeitsbegrenzung und historische Geschwindigkeit.
Der Geschwindigkeitsprädiktor 102 ist so konfiguriert, dass er ein globales Geschwindigkeitsprofil 116 erstellt. Das globale Geschwindigkeitsprofil 116 ist eine Verkettung der vergangenen tatsächlichen Geschwindigkeit bis zum aktuellen Zeitpunkt und der vorhergesagten Geschwindigkeit für den verbleibenden Abschnitt 26. Somit spiegelt das globale Geschwindigkeitsprofil 116 sowohl die vergangene tatsächliche Geschwindigkeit in dem abgeschlossenen Abschnitt 24 als auch die vorhergesagte Geschwindigkeit in dem verbleibenden Abschnitt 26 wider. Der Geschwindigkeitsprädiktor 102 modelliert den Fahrstil, um die Geschwindigkeit des Fahrzeugs 12 teilweise auf der Grundlage von Verkehrsbedingungen vorherzusagen, zu denen beispielsweise Live-Verkehrsdaten, Stoßzeiten, Feiertage, das Niveau der Verkehrsüberlastung, der Straßentyp, Wetterbedingungen und andere Faktoren gehören können. In einigen Ausführungsformen kann die Geschwindigkeitsvorhersage 102 für jeden Fahrer personalisiert werden.
Wie in 2 dargestellt, erhält der Fahrverbrauchsprädiktor 104 Eingaben von dynamischen Messungen 120 (über einen dynamischen Parameterschätzer 122), Routenmerkmalen 110, früherem Fahrverbrauch 114 und dem globalen Geschwindigkeitsprofil 116. Der Fahrverbrauchsprädiktor 104 ist so konfiguriert, dass er ein Fahrverbrauchsprofil für den verbleibenden Abschnitt 26 der Route 14 vorhersagt, das zum Teil auf diesen Eingaben basiert. Der Fahrverbrauchsprädiktor 104 modelliert die Fahrzeugdynamik und -komponenten, um die für die Fortbewegung des Fahrzeugs 12 verbrauchte Antriebsenergie oder Primärenergie (z. B. durch den Hybridmotor) vorherzusagen.
Während der Fahrt verwendet der Fahrverbrauchsprädiktor 104 die Routenmerkmale 110 für die gesamte Route, den gemessenen Verbrauch und die Geschwindigkeit des abgeschlossenen Abschnitts 26 der Route 14, die aktuelle Schätzung der dynamischen Parameter und die aktuelle Vorhersage der zukünftigen Geschwindigkeit, um den zukünftigen Verbrauch adaptiv vorherzusagen. Der Fahrverbrauchsprädiktor 104 liefert eine Schätzung oder Vorhersage für die gesamte Fahrt unter Verwendung der aktuellen Parameterschätzungen und Geschwindigkeitsvorhersagen.
Unter Bezugnahme auf die 1-2 modelliert der Hilfsverbrauchsprädiktor 106 den Energieverbrauch des Fahrzeugs 12 für Nicht-Antriebs- oder Hilfszwecke, wie z. B. die von einer HVAC-Einheit (Heizung, Lüftung und Klimaanlage) des Fahrzeugs 12 verbrauchte Energie oder die für die thermische Konditionierung einer Fahrzeugbatterie verbrauchte Energie. Wie in 2 dargestellt, prognostiziert der Hilfsverbrauchsprädiktor 106 das Hilfsverbrauchsprofil teilweise auf der Grundlage der Routenmerkmale 110 und des früheren Hilfsverbrauchs 118 des abgeschlossenen Abschnitts 24.
Der Fahrverbrauchsprädiktor 104 kann einen Fahradapter enthalten, der den tatsächlichen früheren Verbrauch mit dem früheren Verbrauch vergleicht, der anhand der aktuellen Schätzungen vorhergesagt worden wäre. Der Fahradapter liefert einen Multiplikator, um das Fahrverbrauchsprofil entsprechend anzupassen. Es versteht sich, dass der Geschwindigkeitsprädiktor 102 und der Hilfsverbrauchsprädiktor 106 ähnliche Adaptoren enthalten können, die tatsächliche Daten und vorhergesagte Daten unter Verwendung von Multiplikatoren abgleichen.
Unter Bezugnahme auf 2 werden die Ausgaben des Fahrverbrauchsprädiktors 104 und des Hilfsverbrauchsprädiktors 106 in einem Energieverbrauchsprädiktor 108 summiert, um den Energieverbrauch für den spezifischen Routenplan vorherzusagen. Der modulare Aufbau ermöglicht eine schnellere Erstellung von Prädiktoren für neue Fahrzeugmodelle. Insbesondere der Geschwindigkeitsprädiktor 102 und der Hilfsverbrauchsprädiktor 106 können mit angemessener Genauigkeit zwischen Fahrzeugmodellen übertragen werden.
Mit Bezug auf 3 ist ein beispielhaftes Flussdiagramm des Verfahrens 200 dargestellt. Das Verfahren 200 kann als computerlesbarer Code oder als Anweisungen ausgeführt werden, die auf dem Steuergerät C von 1 gespeichert und teilweise von diesem ausführbar sind. Das Verfahren 200 muss nicht in der hier angegebenen Reihenfolge angewendet werden und kann dynamisch ausgeführt werden. Außerdem können einige Schritte weggelassen werden. Wie hierin verwendet, beschreiben die Begriffe „dynamisch“ und „dynamischerweise“ Schritte oder Verfahren, die in Echtzeit ausgeführt werden und dadurch gekennzeichnet sind, dass sie Zustände von Parametern überwachen oder anderweitig bestimmen und die Zustände der Parameter während der Ausführung einer Routine oder zwischen Iterationen der Ausführung der Routine regelmäßig oder periodisch aktualisieren.
In Block 202 von 3 umfasst das Verfahren 200 das Erhalten von trainierten adaptiven Prädiktoren 20. 4-6 zeigen jeweils drei Ausführungsformen adaptiver Prädiktorstrukturen, die von der Vielzahl adaptiver Prädiktoren 20 verwendet werden können. Der Geschwindigkeitsprädiktor 102, der Fahrverbrauchsprädiktor 104 und/oder der Hilfsverbrauchsprädiktor 106 können die gleichen oder unterschiedliche Prädiktorstrukturen verwenden.
Mit Bezug auf 4 ist ein Beispiel für eine adaptive Prädiktorstruktur 300 dargestellt. Die Prädiktorstruktur 300 umfasst eine nichtlineare Abbildungsfunktion 302, die so konfiguriert ist, dass sie die Routenmerkmale 110 und das globale Geschwindigkeitsprofil 116 (der vergangenen und vorhergesagten Geschwindigkeit) empfängt und eine Abbildungsausgabe erzeugt. Beispielstrukturen für die nichtlineare Abbildungsfunktion 302 umfassen Scharnierfunktionen, Polynome, Sättigungen und neuronale Netze.
Wie in 4 dargestellt, wird die Abbildungsausgabe an eine Vielzahl von Verstärkungsfunktionen 305 übertragen, die die jeweiligen Verstärkungswerte teilweise auf der Grundlage der Abbildungsausgabe bestimmen, um sie an eine Gewichtungsfunktion 310 zu übertragen. Die jeweiligen Verstärkungswerte basieren zum Teil auf den jeweiligen Fahrdaten mit einer variablen Ladung oder verschiedenen Ladungsbereichen. Unter Bezugnahme auf 4 bestimmt die Gewichtungsfunktion 310 eine Fahrverbrauchsausgabe durch Interpolation der jeweiligen Verstärkungswerte, die zum Teil auf den dynamischen Parametern (über den dynamischen Parameterschätzer 122) basieren. Die Fahrverbrauchsausgabe wird an den Energieverbrauchsprädiktor 108 übermittelt.
Die jeweiligen Verstärkungswerte werden aus Daten erlernt, bei denen die Schätzung der dynamischen Parameter im Bereich zwischen der Grundlinie und einem vorgegebenen Wert liegt. Beispielsweise kann die Vielzahl der Verstärkungsfunktionen 305 eine erste Verstärkungsfunktion 304, eine zweite Verstärkungsfunktion 306 und eine dritte Verstärkungsfunktion 308 umfassen. Die erste Verstärkungsfunktion 304 erzeugt einen Verstärkungswert (z. B. G₀), der teilweise auf Fahrdaten mit einem Ladungswert von Null oder einem vernachlässigbaren Ladungswert oder einer Basislinie basiert, der hier als „nominaler Beladungswert“ bezeichnet wird. Wenn die Schätzung der dynamischen Parameter nahe am Nenn- oder Basisfall liegt, liegt die Verbrauchsvorhersage nahe bei G₀. Die zweite Verstärkungsfunktion 306 kann einen Verstärkungswert erzeugen, der zum Teil auf Fahrdaten basiert, bei denen die Ladung L zwischen dem nominalen Ladungswert und einem zweiten Ladungswert liegt, der höher ist als der nominale Ladungswert. Die dritte Verstärkungsfunktion 308 erzeugt einen Verstärkungswert, der teilweise auf Fahrdaten basiert, wobei die Ladung L zwischen dem zweiten Ladungswert und einem dritten Ladungswert liegt, der höher als der zweite Ladungswert ist. Die Vorhersage ist ein gewichteter Durchschnitt der Verstärkungswerte entsprechend der Schätzung der dynamischen Parameter. Die Gewichtung ermöglicht eine Interpolation entsprechend der Nähe der Parameterschätzung zum Parameterwert der Probe.
Ein weiteres Beispiel für eine adaptive Prädiktorstruktur 400 ist in 5 dargestellt. Die Prädiktorstruktur 400 umfasst eine nichtlineare Abbildungsfunktion 402, die so konfiguriert ist, dass sie eine Abbildungsausgabe erzeugt, die zum Teil auf den Routenmerkmalen 110 und dem globalen Geschwindigkeitsprofil 116 (der vergangenen und der vorhergesagten Geschwindigkeit) basiert.
Beispielstrukturen für die nichtlineare Abbildungsfunktion 402 umfassen Scharnierfunktionen, Polynome, Sättigungen und neuronale Netze. Wie in 5 dargestellt, wird die Abbildungsausgabe an eine Verstärkungsfunktion 404 und einen Ladungseffektprädiktor 406 weitergeleitet. Die Verstärkungsfunktion 404 bestimmt einen Verstärkungswert, der zum Teil auf der Abbildungsausgabe und auf Fahrdaten mit einem nominalen Ladungswert basiert. Der Ladungseffektprädiktor 406 generiert einen Ladungseffektfaktor, der zum Teil auf der Abbildungsausgabe und den dynamischen Parametern (über den dynamischen Parameterschätzer 122) basiert.
Liegt die Schätzung der dynamischen Parameter nahe am nominalen oder basislinien-fall für den Fall ohne Ladung liegt, gibt der Ladungseffektprädiktor 406 den Wert Null aus. Der Verstärkungswert und der Ladungeffektfaktor werden an den Energieverbrauchsprädiktor 108 übermittelt, der den Gesamtenergieverbrauch unter anderem auf der Grundlage des Ladungseffektfaktors und des Verstärkungswerts bestimmt. Diese Struktur ermöglicht es, den Ladungseffektprädiktor als erste Schätzung auf neue Fahrzeugmodelle zu übertragen.
Ein weiteres Beispiel für eine adaptive Prädiktorstruktur, ein fusionierendes neuronales Netz 500, ist in 6 dargestellt. Das fusionierende neuronale Netz 500 besteht aus einem Fahrzeugmodellnetz 501 und einem additiven Ladungswirkungsnetz 502. Das fusionierende neuronale Netz 500 enthält gewichtete Neuronen, die nichtlineare multivariate Funktionen sein können. Das Fahrzeugmodellnetz 501 ist von höherer Komplexität als das additive Ladungswirkungsnetz 502, was die höhere Verfügbarkeit von Daten widerspiegelt. Wie in 6 dargestellt, enthält das Fahrzeugmodellnetz 501 eine nominale Eingabeschicht 505 und mindestens eine nominale versteckte Schicht 520, die dazu geeignet ist, jedes der Routenmerkmale 110 als Eingaben 506, 508, 510, 512, 514, 516 usw. zu empfangen.
Mit Bezug auf 6 enthält das additive Ladungswirkungsnetz 502 eine Ladungswirkungs-Eingangsschicht 530 und eine versteckte Ladungswirkungsschicht 540. Die Anzahl der versteckten Schichten in dem fusionierenden neuronalen Netz 500 kann je nach Anwendung variiert werden. Die Ladungseffekt-Eingangsschicht 530 ist so ausgelegt, dass sie die dynamischen Parameter (z. B. über den dynamischen Parameterschätzer 122) als Eingaben 532, 534, 536 usw. empfängt. Wie in 6 dargestellt, ist eine kombinierte Schicht 550 so ausgelegt, dass sie die jeweiligen Ausgaben sowohl der nominalen versteckten Schicht 520 als auch der versteckten Ladungswirkungsschicht 540 empfängt. Der Energieverbrauchsprädiktor 108 empfängt die jeweilige Ausgabe 560 von der kombinierten Schicht 550.
In Block 204 von 3 umfasst das Verfahren 200 das Erhalten von Details der Route 14. Unter Bezugnahme auf 1 kann der Routenplan vor der Fahrt über eine Kommunikationsschnittstelle 30 eingegeben werden, die für einen Benutzer oder Bediener des Fahrzeugs 12 zugänglich ist. Ein Routenplaner kann beispielsweise Routenvorschläge erstellen und diese an den Prädiktor senden, um den voraussichtlichen Verbrauch zu ermitteln, was bei der Auswahl einer energieeffizienten Route hilft. Die geplante Route wird zusammen mit anderen Faktoren, z. B. Entfernung, Höhe, aktueller Verkehr, Wetter, Fahrereigenschaften usw., in die adaptiven Prädiktoren 20 eingegeben.
Die Kommunikationsschnittstelle 30 kann einen Touchscreen oder ein anderes IO-Gerät umfassen und in die Infotainment-Einheit des Fahrzeugs 12 integriert sein. In einigen Ausführungsformen kann der Routenplan über eine mobile Anwendung 32 eingegeben werden, die mit der Steuerung C kommuniziert. Beispielsweise kann die mobile Anwendung 32 physisch mit der Steuerung C als Teil der Infotainment-Einheit des Fahrzeugs verbunden (z. B. verkabelt) sein. Die mobile Anwendung 32 kann in ein intelligentes Gerät eingebettet sein, das einem Benutzer des Fahrzeugs 12 gehört und an das Fahrzeug 12 angeschlossen oder anderweitig mit ihm verbunden ist. Es können die Schaltkreise und Komponenten einer mobilen Anwendung 32 („Apps“) verwendet werden, die dem Fachmann zur Verfügung stehen. Die Kommunikationsschnittstelle 30 kann auch für eine Fahrzeug-zu-Fahrzeug-Kommunikation (V2V) und/oder eine Fahrzeug-zu-Alles-Kommunikation (V2X) verwendet werden.
Block 204 kann das Segmentieren der Strecke 14 beinhalten. Wie in 1 dargestellt, kann die Route 14 in mehrere verschiedene Abschnitte 40 unterteilt werden. In dem dargestellten Beispiel umfassen die Abschnitte 40 einen ersten Abschnitt 42, einen zweiten Abschnitt 44 und einen dritten Abschnitt 46. Jeder einzelne Abschnitt 40 kann aus mehreren kleineren Abschnitten oder Unterabschnitten in der Sammel- und Verarbeitungsphase bestehen. In einer Ausführungsform können die Abschnitte 40 jeweils etwa 4 km lang sein. Die Größe der Abschnitte 40 kann variieren.
Fortfahrend mit Block 206 von 3 beinhaltet das Verfahren 200 das Extrahieren und Übertragen von Routenmerkmalen 110 (siehe 2) aus den Abschnitten 40. Dies kann über einen Merkmalsextraktor 60 erfolgen, der mit der in 1 dargestellten Steuerung C kommuniziert. Der Merkmalsextraktor 60 ist in der Lage, verschiedene Merkmale (z. B. durch Computerprogrammierung, die verfügbare Informationen in ein bestimmtes Format umwandelt) aus dem Routenplan, fahrzeuginternen und externen Sensoren und anderen Quellen zu extrahieren. Zu den Routenmerkmalen können Verkehrsdaten (z. B. aktuelle Geschwindigkeit, Geschwindigkeitsbegrenzungen und historische Geschwindigkeit der einzelnen Fahrtabschnitte 40), Zeitdaten (z. B. von den Fahrtabschnitten 40 benötigte Zeit je nach Tageszeit und Wochentag) und Wetterinformationen (z. B. Temperatur, Windgeschwindigkeit, Windrichtung und UV-Index) gehören.
Fortfahrend mit Block 208 von 3 ist die Steuerung C so programmiert, dass sie einen oder mehrere dynamische Parameter schätzt (z. B. über den dynamischen Parameterschätzer 122) und sie in die adaptiven Prädiktoren 20 eingibt. Die Steuerung C ruft auch die Vorhersage des Energieverbrauchs vor Fahrtantritt und den tatsächlichen Energieverbrauch für die Abschnitte 40 im abgeschlossenen Abschnitt 24 der Strecke 14 ab. Zu den dynamischen Parametern können Gesamtmasse, Lastmasse, Rollwiderstand, Luftwiderstandsbeiwert und Reifendruck gehören. Die dynamischen Parameter können aus dynamischen Messungen von einem oder mehreren Sensoren S (siehe 1) geschätzt werden, die jeweils einen entsprechenden physikalischen Faktor messen und ein entsprechendes Signal an die Steuerung C senden können. Als Alternative zu den physikalischen Sensoren können virtuelle Software-Ersatzgeräte verwendet werden. Darüber hinaus kann die Steuerung C so programmiert sein, dass sie die jeweiligen physikalischen Faktoren durch Eingabe der jeweiligen Signale in ein Modell oder ein anderes Schätzverfahren bestimmt, das dem Fachmann zur Verfügung steht.
Im Folgenden wird ein Beispiel für einen dynamischen Parameterschätzer vorgestellt. Hier wird die Gesamtmasse TM des Fahrzeugs 12 plus der Ladung L aus der Längsbeschleunigung und den Achsmomenten geschätzt. Die Masse der Ladung L ist möglicherweise vor der Fahrt nicht verfügbar. Die Gesamtmasse TM kann mit einer Gleichung zur Längskraftbilanz wie folgt geschätzt werden: $T M = \frac{F a x l e - F d r a g - F r o l l}{Ax}$
Dabei ist A_x die gemessene Längsbeschleunigung, F_axle die von einem Elektromotor (nicht dargestellt) im Fahrzeug 12 erzeugte Kraft (geschätzt aus den Motorströmen), F_drag die aus der Geschwindigkeit des Fahrzeugs 12 geschätzte Luftwiderstandskraft und F_roll der aus der Geschwindigkeit oder den Daten der Sensoren S geschätzte Rollwiderstand.
Fortfahrend mit Block 210 von 3 wird die Steuerung C so programmiert, dass sie den Geschwindigkeitsprädiktor 102 und den Fahrverbrauchsprädiktor 104 ausführt. Der Geschwindigkeitsprädiktor 102 empfängt die Routenmerkmale 110 als Eingabe, einschließlich Routeninformationen (z. B. Breiten- und Längengrad jedes der Reisesegmente, Länge jedes der Abschnitte 40, die Straßenklassifizierung oder -qualität), durchschnittliche Verkehrsgeschwindigkeit pro Abschnitt und Wetterinformationen (z. B. Temperatur, Windgeschwindigkeit, Windrichtung und UV-Index). Die Ausgabe des adaptiven Geschwindigkeitsprädiktors 102 ist die vorhergesagte durchschnittliche Fahrzeuggeschwindigkeit (A VS) pro Abschnitt, die in den Fahrverbrauchsprädiktor 104 übertragen wird. Die vorhergesagte durchschnittliche Fahrzeuggeschwindigkeit (AVS) kann zum Teil auf der Grundlage der durchschnittlichen Verkehrsgeschwindigkeit (ATS), eines quadrierten Wertes der durchschnittlichen Verkehrsgeschwindigkeit (ATS²) und einer Reihe von Koeffizienten (a, b, c) wie folgt bestimmt werden: [AVS = a + b*ATS + c_*ATS²]. Die Parameter a, b und c werden in einem Trainingsprozess anhand von Fahrdaten erlernt.
Der Fahrverbrauchsprädiktor 104 empfängt die Ausgabe des Geschwindigkeitsprädiktors 102 und die Routenmerkmale 110 (z. B. erhalten durch den Merkmalsextraktor 60). Die Ausgabe des adaptiven Fahrverbrauchsprädiktors 104 ist die vorhergesagte Fahrenergie (Energie für den Antrieb des Fahrzeugs 12), die für jeden Routenabschnitt 40 verbraucht wird.
Der Fahrverbrauchsprädiktor 104 kann mehrere Scharnierfunktionen auf der Grundlage der vorhergesagten durchschnittlichen Fahrzeuggeschwindigkeit (A VS) berechnen. Die Scharnierfunktionen können beispielsweise MAX (0, A VS), MAX (0, A VS -90), MAX (0, AVS -105) und MAX (0, AVS -115) sein, wobei die vorhergesagte durchschnittliche Fahrzeuggeschwindigkeit in Kilometern pro Stunde angegeben wird. Beträgt die vorausgesagte Durchschnittsgeschwindigkeit beispielsweise 95 Stundenkilometer, so hätten die vier Gelenkfunktionen die Werte {95, 5, 0, 0}. Wenn die vorhergesagte Durchschnittsgeschwindigkeit 60 Stundenkilometer beträgt, haben die vier Scharnierfunktionen die Werte {60, 0, 0, 0}. Die Scharnierfunktionen können verwendet werden, um ein geeignetes aerodynamisches mathematisches Modell für den Fahrverbrauchsprädiktor 104 auszuwählen. Beispielsweise ändert sich die Oberflächenreibung und/oder der Windwiderstand, dem ein Fahrzeug 12 ausgesetzt ist, mit seiner Geschwindigkeit und beeinflusst die verbrauchte Antriebsenergie.
In Fortsetzung des Blocks 210 von 3 ist die Steuerung C so programmiert, dass sie den Hilfsverbrauchsprädiktor 106 ausführt. Der Hilfsverbrauchsprädiktor 106 ist so ausgelegt, dass er die vom Fahrzeug 12 verbrauchte Nicht-Antriebsenergie vorhersagen kann, z. B. durch eine HLK-Einheit (Heizung, Lüftung und Klimaanlage) im Fahrzeug 12 (mit Hilfe verschiedener Koeffizienten, die aus früheren HLK-Daten gelernt wurden, Energie, die für die thermische Konditionierung einer Fahrzeugbatterie verbraucht wird usw.).
Weiter zu Block 212 von 3 beinhaltet das Verfahren 200 das Addieren der Fahr- und Hilfsverbrauchsvorhersagen pro Abschnitt, um eine vorhergesagte Gesamtenergie zu erhalten, die von dem Fahrzeug 12 für jeden der Abschnitte 40 verbraucht wird. Unter Bezugnahme auf 2 werden die jeweiligen Ausgaben des Fahrverbrauchsprädiktors 104 und des Hilfsverbrauchsprädiktors 106 summiert oder addiert, um den Gesamtenergieverbrauch pro Abschnitt für das Fahrzeug 12 für den Routenplan zu erzeugen. Auf diese Weise kann der Benutzer des Fahrzeugs 12 mit der Ladung L die Reichweite oder den Kraftstoffverbrauch der Route 14 besser vorhersehen und den Energieverbrauch für verschiedene Routenpläne vergleichen. Die modulare Architektur ermöglicht die Verwendung von Vorhersagekomponenten als Teil eines Verbrauchsüberwachungssystems, um Anomalien innerhalb des Fahrzeugs 12 zu erkennen. Mit anderen Worten: Der vorhergesagte Gesamtenergieverbrauch kann zur Leistungsüberwachung des Fahrzeugs 12 verwendet werden.
Weiter zu Block 214 von 3 beinhaltet das Verfahren 200 das Erhalten einer kumulativen Summe von jedem der Abschnittsvorhersagen. Block 214 kann die Interpolation der Vorhersagen in jedem Wegpunkt (oder Teilabschnitt) zwischen dem Anfang und dem Ende eines vollständigen Abschnitts („Supersegment“) beinhalten.
Die Steuerung C in 1 kann ein integraler Bestandteil oder ein separates Modul sein, das mit anderen Steuergeräten des Fahrzeugs 12 betriebsmäßig verbunden ist. Beispielsweise kann die Steuerung C ein elektronisches Steuergerät (ECU) des Fahrzeugs 12 sein. Der Speicher M kann steuerungsausführbare Befehlssätze speichern, und der Prozessor P kann die im Speicher M gespeicherten steuerungsausführbaren Befehlssätze ausführen.
Unter Bezugnahme auf 1 können in einigen Ausführungsformen die adaptiven Prädiktoren 20 in einem entfernt gelegenen oder „externen“ Cloud-Computing-Dienst gespeichert sein, der hier als Cloud-Einheit 34 bezeichnet wird und eine Schnittstelle mit der Steuerung C und/oder der mobilen Anwendung 32 bildet. Die Cloud-Einheit 34 kann einen oder mehrere Server umfassen, die im Internet gehostet sind, um Daten zu speichern, zu verwalten und zu verarbeiten, und die von einer Organisation, wie z. B. einem Forschungsinstitut oder einem Unternehmen, unterhalten werden. Die adaptiven Prädiktoren 20 können über Fern-Updates aktualisiert werden.
Wie in 1 dargestellt, kann die Steuerung C so konfiguriert sein, dass sie mit der Cloud-Einheit 34 über ein drahtloses Netzwerk 36 kommuniziert. Das drahtlose Netzwerk 36 von 1 kann ein Netzwerk mit kurzer Reichweite oder ein Netzwerk mit großer Reichweite sein. Das drahtlose Netzwerk 36 kann ein Kommunikations-BUS sein, der die Form eines seriellen Controller Area Network (CAN-BUS) haben kann. Das drahtlose Netzwerk 36 kann eine Bluetooth™ -Verbindung, ein drahtloses lokales Netzwerk (LAN), das mehrere Geräte über eine drahtlose Verteilungsmethode verbindet, ein drahtloses Metropolitan Area Network (MAN), das mehrere drahtlose LANs verbindet, oder ein drahtloses Wide Area Network (WAN) umfassen. Es können auch andere Arten von Verbindungen verwendet werden.
Zusammenfassend lässt sich sagen, dass das System 10 (über die Ausführung des Verfahrens 200) eine robuste Möglichkeit bietet, während der Fahrt Aktualisierungen für ein Fahrzeug 12 zu erhalten, das eine Ladung L trägt. Das System 10 kombiniert eine vordefinierte Routenvorhersage mit Aktualisierungen während der Fahrt und passt sich schnell an die Ladung L an (z. B. Schätzungen der Anhängermasse). Die modulare Architektur (in 2 dargestellt) ermöglicht die Mischung von Vorhersagemodellen verschiedener Typen für die adaptiven Prädiktoren 20. Die verschiedenen Strukturen der adaptiven Prädiktoren (in den 4-6 dargestellt) ermöglichen eine schnelle Übertragung von allgemeinen Fahrzeugmodellen und Modellen für Ladungswirkung auf neue Fahrzeugmodelle.
Die Steuerung C von 1 umfasst ein computerlesbares Medium (auch als prozessorlesbares Medium bezeichnet), einschließlich eines nicht flüchtigen (z. B. greifbaren) Mediums, das an der Bereitstellung von Daten (z. B. Anweisungen) beteiligt ist, die von einem Computer (z. B. von einem Prozessor eines Computers) gelesen werden können. Ein solches Medium kann viele Formen annehmen, einschließlich, aber nicht beschränkt auf nichtflüchtige Medien und flüchtige Medien. Zu den nichtflüchtigen Medien gehören beispielsweise optische oder magnetische Festplatten und andere dauerhafte Speicher. Zu den flüchtigen Medien kann beispielsweise ein dynamischer Direktzugriffsspeicher (DRAM) gehören, der einen Hauptspeicher darstellen kann. Solche Befehle können über ein oder mehrere Übertragungsmedien übertragen werden, darunter Koaxialkabel, Kupferdraht und Glasfaserkabel, einschließlich der Drähte, die einen mit einem Prozessor eines Computers verbundenen Systembus bilden. Einige Formen von computerlesbaren Medien umfassen beispielsweise eine Diskette, eine flexible Platte, eine Festplatte, ein Magnetband, ein anderes magnetisches Medium, eine CD-ROM, eine DVD, ein anderes optisches Medium, ein physikalisches Medium mit Lochmustern, ein RAM, ein PROM, ein EPROM, ein FLASH-EEPROM, ein anderer Speicherchip oder eine Kassette oder ein anderes Medium, von dem ein Computer lesen kann.
Nachschlagetabellen, Datenbanken, Datenlager oder andere hier beschriebene Datenspeicher können verschiedene Arten von Mechanismen für die Speicherung, den Zugriff und die Abfrage verschiedener Arten von Daten umfassen, darunter eine hierarchische Datenbank, eine Reihe von Dateien in einem Dateisystem für wiederaufladbare Energie, eine Anwendungsdatenbank in einem proprietären Format, ein relationales Datenbank-Energieverwaltungssystem (RDBMS) usw. Jeder dieser Datenspeicher kann in einem Computergerät enthalten sein, das ein Computerbetriebssystem wie eines der oben genannten verwendet, und auf das über ein Netzwerk auf eine oder mehrere der verschiedenen Arten zugegriffen werden kann. Ein Dateisystem kann von einem Computer, der ein wiederaufladbares Energiespeichersystem betreibt, zugänglich sein und kann in verschiedenen Formaten gespeicherte Dateien enthalten. Ein RDBMS kann die Structured Query Language (SQL) zusätzlich zu einer Sprache zum Erstellen, Speichern, Bearbeiten und Ausführen von gespeicherten Prozeduren, wie der oben erwähnten PL/SQL-Sprache, verwenden.
Das Flussdiagramm in 3 veranschaulicht die Architektur, die Funktionalität und den Betrieb möglicher Implementierungen von Systemen, Verfahren und Computerprogrammprodukten gemäß verschiedenen Ausführungsformen der vorliegenden Offenbarung. In diesem Zusammenhang kann jeder Block im Flussdiagramm oder in den Blockdiagrammen ein Modul, ein Segment oder einen Teil des Codes darstellen, der eine oder mehrere ausführbare Anweisungen zur Implementierung der angegebenen logischen Funktion(en) umfasst. Es wird auch darauf hingewiesen, dass jeder Block der Blockdiagramme und/oder Flussdiagrammabbildungen und Kombinationen von Blöcken in den Blockdiagrammen und/oder Flussdiagrammabbildungen durch spezielle hardwarebasierte wiederaufladbare Energiespeichersysteme, die die angegebenen Funktionen oder Handlungen ausführen, oder durch Kombinationen von spezieller Hardware und Computeranweisungen implementiert werden können. Diese Computerprogrammanweisungen können auch in einem computerlesbaren Medium gespeichert werden, das ein Steuergerät oder ein anderes programmierbares Datenverarbeitungsgerät anweisen kann, in einer bestimmten Weise zu funktionieren, so dass die in dem computerlesbaren Medium gespeicherten Anweisungen einen Herstellungsgegenstand erzeugen, der Anweisungen zur Umsetzung der in den Flussdiagramm- und/oder Blockdiagrammblöcken angegebenen Funktion/Aktion enthält.
Die numerischen Werte von Parametern (z. B. von Größen oder Bedingungen) in dieser Beschreibung, einschließlich der beigefügten Ansprüche, sind so zu verstehen, dass sie in jedem Fall durch den Begriff „ungefähr“ modifiziert sind, unabhängig davon, ob „ungefähr“ tatsächlich vor dem numerischen Wert erscheint oder nicht. „Ungefähr“ bedeutet, dass der angegebene Zahlenwert eine gewisse Ungenauigkeit zulässt (mit einer gewissen Annäherung an die Genauigkeit des Wertes; ungefähr oder einigermaßen nahe am Wert; fast). Wenn die Ungenauigkeit, die durch „ungefähr“ gegeben ist, nicht anderweitig in der Kunst mit dieser gewöhnlichen Bedeutung verstanden wird, dann weist „ungefähr“, wie hier verwendet, zumindest auf Abweichungen hin, die durch gewöhnliche Methoden der Messung und Verwendung solcher Parameter entstehen können. Darüber hinaus umfasst die Offenbarung von Bereichen die Offenbarung jedes Wertes und weiter unterteilter Bereiche innerhalb des gesamten Bereichs. Jeder Wert innerhalb eines Bereichs und die Endpunkte eines Bereichs werden hiermit als separate Ausführungsformen offenbart.
Die detaillierte Beschreibung und die Zeichnungen oder Figuren sind unterstützend und beschreibend für die Offenbarung, aber der Umfang der Offenbarung wird ausschließlich durch die Ansprüche definiert. Während einige der besten Modi und andere Ausführungsformen zur Durchführung der beanspruchten Offenbarung im Detail beschrieben wurden, gibt es verschiedene alternative Designs und Ausführungsformen zur Durchführung der Offenbarung, die in den beigefügten Ansprüchen definiert ist. Darüber hinaus sind die in den Zeichnungen dargestellten Ausführungsformen oder die in der vorliegenden Beschreibung erwähnten Merkmale verschiedener Ausführungsformen nicht unbedingt als voneinander unabhängige Ausführungsformen zu verstehen. Vielmehr ist es möglich, dass jedes der in einem der Ausführungsbeispiele beschriebenen Merkmale mit einem oder mehreren anderen gewünschten Merkmalen anderer Ausführungsformen kombiniert werden kann, was zu anderen Ausführungsformen führt, die nicht in Worten oder durch Bezugnahme auf die Zeichnungen beschrieben sind. Dementsprechend fallen solche anderen Ausführungsformen in den Rahmen des Anwendungsbereichs der beigefügten Ansprüche.

Claims

System zum adaptiven Aktualisieren während der Fahrt für ein Fahrzeug, das auf einer Route fährt, das System umfassend: eine Steuerung mit einem Prozessor und einem greifbaren, nicht-flüchtigen Speicher, wobei das Fahrzeug eine Ladung trägt und die Steuerung ausgelegt ist, einen oder mehrere dynamische Parameter in Bezug auf die Ladung zu erhalten; eine Vielzahl adaptiver Prädiktoren, die von der Steuerung zu einem aktuellen Zeitpunkt während der Route, zu dem ein abgeschlossener Abschnitt der Route von dem Fahrzeug durchfahren wurde und ein verbleibender Abschnitt noch nicht durchfahren wurde, selektiv ausführbar sind, wobei die Vielzahl adaptiver Prädiktoren beinhalten: einen Geschwindigkeitsprädiktor, der konfiguriert ist, ein globales Geschwindigkeitsprofil zu erzeugen, das teilweise auf dem einen oder den mehreren dynamischen Parametern, Routenmerkmalen und einer vergangenen tatsächlichen Geschwindigkeit basiert, wobei das globale Geschwindigkeitsprofil eine Verkettung der vergangenen tatsächlichen Geschwindigkeit bis zum aktuellen Zeitpunkt und der vorhergesagten Geschwindigkeit für den verbleibenden Abschnitt der Route ist; und einen Fahrverbrauchsprädiktor, der konfiguriert ist, ein Fahrverbrauchsprofil für den verbleibenden Abschnitt der Route vorherzusagen, das teilweise auf dem einen oder den mehreren dynamischen Parametern, den Routenmerkmalen, dem globalen Geschwindigkeitsprofil und einem früheren Fahrverbrauch basiert.
System nach Anspruch 1, wobei die Vielzahl adaptiver Prädiktoren einen Hilfsverbrauchsprädiktor beinhalten, der konfiguriert ist, ein Hilfsverbrauchsprofil für den verbleibenden Abschnitt der Route vorherzusagen, das teilweise auf den Routenmerkmalen und dem früheren Hilfsverbrauch des abgeschlossenen Abschnitts basiert.
System nach Anspruch 2, wobei die Vielzahl adaptiver Prädiktoren einen Energieverbrauchsprädiktor beinhalten, der konfiguriert ist, ein Energieverbrauchsprofil für den verbleibenden Abschnitt der Route vorherzusagen, das teilweise auf einer Summe des Fahrverbrauchsprofils und des Hilfsverbrauchsprofils basiert.
System nach Anspruch 1, wobei die Routenmerkmale Höhe, Höhenänderungen, Temperatur, Verkehrsgeschwindigkeit, Geschwindigkeitsbegrenzung und historische Geschwindigkeit beinhalten.
System nach Anspruch 1, wobei der eine oder die mehreren dynamischen Parameter eine Gesamtmasse des Fahrzeugs mit der Ladung und/oder eine Masse der Ladung sind.
System nach Anspruch 1, wobei der eine oder die mehreren dynamischen Parameter mindestens einen der Parameter Rollwiderstand, Luftwiderstandsbeiwert und Reifendruck des Fahrzeugs beinhalten.
System nach Anspruch 1, wobei mindestens einer der Vielzahl adaptiver Prädiktoren eine adaptive Prädiktorstruktur aufweist, umfassend: eine nichtlineare Abbildungsfunktion, die konfiguriert ist, eine Abbildungsausgabe zu erzeugen, die zum Teil auf den Routenmerkmalen und dem globalen Geschwindigkeitsprofil basiert; eine Vielzahl von Verstärkungsfunktionen, die ausgelegt sind, jeweilige Verstärkungswerte teilweise auf der Grundlage der Abbildungsausgabe zu bestimmen, wobei die jeweiligen Verstärkungswerte teilweise auf den jeweiligen Fahrdaten mit den jeweiligen Bereichen der Ladung beruhen; und eine Gewichtungsfunktion, die konfiguriert ist, eine Fahrverbrauchsausgabe zu bestimmen, indem sie die jeweiligen Verstärkungswerte teilweise auf der Grundlage des einen oder der mehreren dynamischen Parameter interpoliert, wobei die Vielzahl adaptiver Prädiktoren einen Energieverbrauchsprädiktor beinhalten, der konfiguriert ist, die Fahrverbrauchsausgabe zu empfangen.
System nach Anspruch 1, wobei mindestens einer der Vielzahl adaptiver Prädiktoren eine adaptive Prädiktorstruktur aufweist, umfassend: eine nichtlineare Abbildungsfunktion, die konfiguriert ist, eine Abbildungsausgabe zu erzeugen, die zum Teil auf den Routenmerkmalen und dem globalen Geschwindigkeitsprofil basiert; Bestimmen eines Verstärkungswerts, der zum Teil auf der Abbildungsausgabe und den Fahrdaten mit einem nominalen Ladungswert basiert; und einen Ladungseffektprädiktor, der konfiguriert ist, einen Ladungseffektfaktor teilweise auf der Grundlage der Abbildungsausgabe und des einen oder der mehreren dynamischen Parameter zu bestimmen, wobei die Vielzahl adaptiver Prädiktoren einen Energieverbrauchsprädiktor beinhalten, der konfiguriert ist, eine verbrauchte Gesamtenergie teilweise auf der Grundlage des Ladungseffektfaktors und des Verstärkungswertes zu bestimmen.
System nach Anspruch 1, wobei mindestens einer der Vielzahl adaptiver Prädiktoren eine adaptive Prädiktorstruktur aufweist, umfassend: ein fusionierendes neuronales Netz mit einem Fahrzeugmodellnetz und einem additiven Ladungswirkungsnetz; wobei das Fahrzeugmodellnetz eine nominale Eingabeschicht, die zum Empfang der Routenmerkmale angepasst ist, und mindestens eine nominale versteckte Schicht beinhaltet; das additive Ladungswirkungsnetz eine Ladungswirkungs-Eingangsschicht, die angepasst ist, den einen oder die mehreren dynamischen Parameter zu empfangen, und mindestens eine versteckte Ladungswirkungsschicht umfasst; das fusionierende neuronale Netz eine fusionierte Schicht beinhaltet, die angepasst ist, jeweilige Ausgaben von der mindestens einen nominalen versteckten Schicht und der mindestens einen versteckten Ladungswirkungsschicht zu empfangen; und die Vielzahl der adaptiven Prädiktoren einen Energieverbrauchsprädiktor beinhaltet, der konfiguriert ist, die jeweilige Ausgabe von der fusionierten Schicht zu empfangen.
System nach Anspruch 1, wobei die Route in Segmente unterteilt ist und die Steuerung konfiguriert ist: mindestens einen Modifikationsfaktor auf der Grundlage eines Vergleichs eines tatsächlichen Energieverbrauchs und einer Vorhersage des Energieverbrauchs vor der Fahrt für die Segmente in dem abgeschlossenen Abschnitt der Route zu erhalten; und die Vorhersage des Energieverbrauchs vor der Fahrt für die Segmente in dem verbleibenden Abschnitt der Route auf der Grundlage des mindestens einen Modifikationsfaktors.