-
Die Erfindung betrifft ein Verfahren zum Betreiben eines Kraftfahrzeugs und eine Anordnung zum Durchführen des Verfahrens.
-
Stand der Technik
-
Durch die zunehmende Elektrifizierung moderner Kraftfahrzeuge, die Einführung von neuen Konzepten zur Signalübertragung, wie bspw. sogenannte x-by-wire Systeme, und die Realisierung autonomer Fahrkonzepte, bis hin zum hochautomatisierten Fahren nach Level 2 bis 4, wird es immer wichtiger, Komponenten, die für die Energieversorgung sicherheitskritischer Verbraucher, wie bspw. der Bremse oder der Lenkung, erforderlich sind, zuverlässig zu überwachen bzw. zu diagnostizieren. Dazu gehört nicht nur, zu wissen, in was für einem Zustand die Komponente gerade ist, sondern auch, rechtzeitig zu wissen, wann diese Komponente ausgetauscht werden muss, bevor es zu einem sicherheitskritischen Vorfall bedingt durch den Betrieb der Komponente kommen kann. Die Überwachung der Komponente dient somit dazu, einen Fehlerzustand oder gar einen Ausfall der Komponente rechtzeitig zu erkennen.
-
Es besteht ein großes Interesse daran, insbesondere von Flottenbetreibern, ein Liegenbleiben von Fahrzeuge zu vermeiden und proaktiv reagieren zu können, um eine hohe Verfügbarkeit der Fahrzeuge sicherzustellen.
-
Im Rahmen der Überwachung einer Komponente in einem Bordnetz eines Kraftfahrzeugs soll unter Berücksichtigung der vergangenen Nutzung der Komponente und/oder unter Berücksichtigung von Randbedingungen der Istzustand und die Restlebensdauer der Komponente bestimmt werden.
-
Die Druckschrift
DE 10 2016 202 306 A1 beschreibt ein Verfahren zum Betreiben eines elektrifizierten Kraftfahrzeugs. Das Kraftfahrzeug weist ein elektrisches Bordnetz mit wenigstens einem elektrischen oder elektronischen Bauteil auf, das während eines Betriebs des Kraftfahrzeugs belastet wird. Bei dem Verfahren wird eine kumulierte Belastung sowie die zu erwartende Lebensdauer des wenigstens einen Bauteils ermittelt. Für den Fall, dass die zu erwartende Lebensdauer von der Soll-Lebensdauer abweicht, werden Maßnahmen ergriffen, um die Belastung des Bauteils zu reduzieren und dadurch die Lebensdauer zu erhöhen.
-
Aus der Druckschrift
DE 10 2020 100 668 B4 ist ein Verfahren zum Bestimmen eines Alterungswerts einer wiederaufladbaren Batterie bekannt. Bei dem Verfahren werden Messdaten für eine oder mehrere Zustandsgrößen der Batterie erhalten, eine oder mehrere abgeleitete Zustandsgrößen der Batterie unter Verwendung eines vorgelagerten Algorithmus bestimmt und der Alterungswert unter Verwendung von mindestens einem Maschinen-gelernten Algorithmus bestimmt. Bei dem Verfahren ist von Bedeutung, dass der Verlauf der Alterung prädiziert wird.
-
Offenbarung der Erfindung
-
Vor diesem Hintergrund werden ein Verfahren mit den Merkmalen des Anspruchs 1 und eine Anordnung gemäß Anspruch 12 vorgestellt. Ausführungsformen ergeben sich aus den abhängigen Ansprüchen und aus der Beschreibung.
-
Das vorgestellte Verfahren dient zum Betreiben eines Kraftfahrzeugs, wobei das Kraftfahrzeug ein Bordnetz aufweist, in dem mindestens ein insbesondere elektrisches Bauteil vorgesehen ist, wobei wenigstens ein Bauteil von dem mindestens einen Bauteil überwacht wird, wobei Methoden des maschinellen Lernens angewendet werden und das Verfahren folgende Schritte umfasst: Generieren von Anwendungsfällen durch Clustering auf Grundlage von Daten zu Stressvektor-Parameter des wenigstens einen Bauteils und Trainieren von Klassifikationsmethoden auf Grundlage der Anwendungsfälle, Vornahme einer Zeitreihenprädiktion der Stressvektor-Parameter, Klassifizieren von prädizierten Größen auf Grundlage der trainierten Klassifikationsmethode und der Klassifizierung der prädizierten Größen.
-
Zu berücksichtigen ist, dass mit dem vorgestellten Verfahren nicht ein Verlauf der Alterung, sondern eine Belastung bzw. deren Verlauf prädiziert wird.
-
Klassifikationsmethoden sind bspw. Random Forest, aber auch sogenannte Support Vector Machines. Diese sind jedoch erst zu trainieren. Der Random Forest Algorithmus kann im Gegensatz zu einer Support Vector Machine zur Klassifizierung verwendet werden, weil dies den Vorteil hat, dass Mehrheitsentscheidungen getroffen werden können. Dies ist insbesondere dann sinnvoll und ggf. notwendig, wenn die Daten bzw. Features individuell unterschiedlichen Klassen zugeordnet werden würden.
-
Auf diese Weise ist es möglich, Vertrauensbereiche, insbesondere einen unteren Vertrauensbereich und einen oberen Vertrauensbereich, zu definieren und so auch eine Restlebensdauer des überwachten Bauteils zu bestimmen. Es können dann ggf. auch Gegenmaßnahmen, die eine Verlängerung dieser Restlebensdauer bewirken können, eingeleitet werden.
-
In einer Ausführungsform ist vorgesehen, dass verschiedene Stressvektor-Parameter, die auch als Lastgrößen bezeichnet werden, im Verbund mit Vertrauensbereichen geclustert, d. h. gruppiert, werden. Es erfolgt somit eine Betrachtung von miteinander korrelierten Stressvektor-Parametern im Sinne, dass die Auswirkung eines Stressvektor-Parameters vom Wert eines anderen Stressvektor-Parameters abhängt, bspw. eine Spannung mit einer Temperatur. Die Stressvektor-Parameter sind somit nicht unabhängig voneinander hinsichtlich der Alterung.
-
Weiterhin kann eine Prädiktion der Belastung, insbesondere basierend auf Methoden des maschinellen Lernens, des überwachten Bauteils vorgenommen wird. Die prädizierte Belastung kann dann in Ausgestaltung in ein bspw. physikalisch basiertes Alterungsmodell eingegeben werden.
-
Gemäß dem vorgestellten Verfahren wird die Bestimmung der Restlebensdauer von Fahrzeugkomponenten, insbesondere von Batterien, in einer besonders geeigneten Art und Weise gelöst, die sowohl eine Vielzahl an Implementierungen zulässt als auch adaptiv auf wechselnde Belastungsszenarien eingehen kann. Zudem können bei einer Extrapolation geänderte Randbedingungen in besonderer Weise berücksichtigen werden.
-
Das Verfahren kann bspw. Dazu eingesetzt werden, die Restlebensdauer des wenigstens einen Bauteils zu bestimmen.
-
Weiterhin kann bei dem Verfahren der Schritt des Aufbereitens der Daten umfasst sein. Das Aufbereiten der Daten kann mit einem künstlichen neuronalen Netz erfolgen. Weiterhin kann das Aufbereiten der Daten eine Reduzierung von Stressvektor-Parametern bewirken.
-
In einer Ausführungsform erfolgt abschließend eine Prädiktion von Cluster-Zeitreihen, dies betrifft den Vertrauensbereich.
-
Bei dem vorgestellten Verfahren können Methoden aus dem Gebiet des Deep Learning und des Maschinellen Lernens verwendet und miteinander kombiniert werden, um verschiedene Belastungsgrößen und Stressvektoren aus der Vergangenheit zu analysieren, verschiedene Anwendungsfälle zu bilden und diesen zuzuordnen und dann zu extrapolieren.
-
Unter maschinellem Lernen ist die künstliche Generierung von Wissen aus Erfahrung zu verstehen. So lernt ein künstliches System aus Beispielen und kann diese nach Beendigung der Lernphase verallgemeinern. Beim maschinellen Lernen bauen Algorithmen ein statisches Modell auf, das auf Trainingsdaten beruht. Es werden somit nicht einfach die Beispiele auswendig gelernt, sondern Muster und Gesetzmäßigkeiten in den Lerndaten erkannt.
-
Als Deep Learning, was auch als mehrschichtiges Lernen, tiefes Lernen oder tiefgehendes Lernen bezeichnet wird, wird eine Methode des maschinellen Lernens bezeichnet, die künstliche neuronale Netze mit zahlreichen Zwischenschichten zwischen Eingabeschicht und Ausgabeschicht einsetzt und auf diese Weise eine umfangreiche innere Struktur bildet. Deep Learning stellt eine spezielle Methode der Informationsverarbeitung dar.
-
Durch die Zuordnung zu Anwendungsfällen in der Form von z. B. Clustern ist es möglich, Vertrauensbereiche zu definieren. Bei einer reinen Prädiktion der Daten ist dies nur mit hohem Aufwand oder mit realitätsfernen Annahmen möglich.
-
Das vorgestellte Verfahren hat, zumindest in einigen der Ausführungen, eine Reihe von Vorteilen, die nachstehend stichpunktartig aufgeführt sind:
- - Adaptive Extrapolation von Stressfaktoren bzw. Stressvektor-Parametern zur Bestimmung der Restlebensdauer von Bordnetzkomponenten,
- - Möglichkeit der Nutzung präziser modellbasierter Alterungsmodelle zur Bestimmung der Restlebensdauer,
- - schnelle Reaktion auf neue Situationen und Anwendungsfalldetektion bzw. Anomalie-Detektion sowie die Möglichkeit, darauf entsprechend zu reagieren,
- - Möglichkeit der Nutzung weiterer Signale/Daten/Informationen zur Optimierung der Restlebensdauerbestimmung.
-
Die beschriebene Anordnung dient zum Durchführen des hierin vorgestellten Verfahrens und ist bspw. in einer Hardware und/oder Software implementiert. Die Anordnung kann weiterhin in einem Steuergerät eines Kraftfahrzeugs integriert oder als ein solches Steuergerät ausgebildet sein.
-
Das Verfahren wird sowohl allgemein und als auch konkret am Beispiel der Vorhersage von Lastszenarien und der Lebensdauerprädiktion für Bleibatterien dargestellt. Eine Beschränkung auf einen Einsatz des Verfahrens bei Bleibatterien ist jedoch nicht gegeben.
-
In einer Ausführungsform werden in einem ersten Schritt gestützt durch Expertenwissen und sogenannte Merkmal-Extraktions-Methoden, z. B. durch die Nutzung Neuronaler Netze wie dem Auto Encoder, die geeigneten bzw. relevanten Daten bzw. Merkmale für eine Lebensdauervorhersage einer bestimmten Komponente identifiziert. Diese können sowohl von der Komponente selber stammen oder externe Daten bzw. Signale sein.
-
Expertenwissen bezeichnet das Wissen, über das Personen verfügen, die seit Jahren auf einem bestimmten Gebiet arbeiten. Expertenwissen umfasst spezifisches Fachwissen, bspw. aus der Literatur, und Erfahrungswissen, das im Laufe der Tätigkeitsausübung erlangt wird.
-
Unter Merkmalsextraktion ist eine Eigenschaft von Neuronen in künstlichen neuronalen Netzwerken zu verstehen, die darin besteht, dass die Neuronen nur auf bestimmte Merkmale von Eingabereizen reagieren.
-
Ein Auto-Encoder ist ein künstliches neuronales Netz, das dazu verwendet wird, um effiziente Codierungen zu lernen. Dabei wird angestrebt, eine komprimierte Repräsentation für einen Satz von Daten zu lernen und somit auch wesentliche Merkmale zu extrahieren.
-
Im Falle der Bleibatterie können diese Merkmale bspw. Zyklentiefen, Temperaturen, Ruhespannungswerte usw. sein.
-
Der Ansatz beruht zum einen darauf, dass Daten bzw. Merkmale z. B. aus einem Fahrzeug entweder zuvor bzw. vorher offline oder im Betrieb online durch die Anwendung von bspw. Clustering Methoden oder anderen Klassifikatoren bestimmten charakteristischen Anwendungsfälle bzw. Use-Cases zugeordnet werden.
-
Zum anderen werden online diese Daten bzw. Merkmale durch Nutzung fortschrittlicher Deep Learning Methoden, wie z. B. des LSTM neuronalen Netzwerks, prädiziert. Dabei kann der Vorhersagezeitraum flexibel gewählt werden.
-
LSTM (Long short-term memory; langes Kurzzeitgedächtnis) ist eine Technik zur Verbesserung der Entwicklung von künstlicher Intelligenz, mit der eine Erinnerung an frühere Erfahrungen ermöglicht wird.
-
Diese extrapolierten Daten werden wiederum bspw. durch die Anwendung von Klassifikation, wie z. B. dem Random Forest, den bereits ermittelten Klassen online oder offline zugeordnet.
-
Random Forest ist ein Klassifikations- und Regressionsverfahren, bei dem mehrere unkorrelierte Entscheidungsbäume umfasst sind. Alle Entscheidungsbäume sind unter einer bestimmten Art von Randomisierung während eines Lernprozesses gewachsen. Für eine Klassifikation darf jeder Entscheidungsbaum eine Entscheidung treffen und die Klasse mit den meisten Stimmen entscheidet die endgültige Klassifikation.
-
Dadurch ist es möglich, nicht nur die Daten selbst zu prädizieren, sondern darüber hinaus eine Vorhersage der zu erwartenden Lastkollektive zu machen und Informationen über z. B. Vertrauensbereiche zu erhalten. Die Nutzung von Random Forest hat darüber hinaus den Vorteil, dass Mehrheitsentscheidungen getroffen werden können, was insbesondere dann sinnvoll und ggf. sogar notwendig ist, wenn die Daten bzw. Merkmale individuell unterschiedlichen Klassen zugeordnet werden. Ein weiterer Vorteil ist, dass entweder der extrapolierte Wert des einzelnen Merkmals selbst als Vorhersagewert genutzt werden kann oder aber der Zentroid-Wert der dem extrapolierten Datenpunkt zugehörigen Klasse.
-
Als Zentroid wird grundsätzlich das Zentrum eines zwei- oder dreidimensionalen räumlichen Objekts bezeichnet.
-
Die Entscheidung kann z. B. darauf beruhen, wie weit der extrapolierte Wert in der Zukunft liegt und wie eindeutig er einer Klasse zugeordnet werden kann. Liegt der extrapolierte Wert bereits sehr weit in der Zukunft bzw. ist die Zuordnung zu einer Klasse sehr eindeutig, ist es zweckmäßig, das Klassenzentroid zu verwenden. Andernfalls kann es bevorzugt sein, den extrapolierten Wert direkt zu verwenden.
-
Bei der Bleibatterie werden z. B. die Temperatur, der Ladezustand SOC (state of charge) und der absolute Ladungsdurchsatz Q
abs extrapoliert, wie in
2 teilweise dargestellt ist. Diese extrapolierten Werte werden anschließend durch Klassifikatoren einer Klasse zugeordnet, wie dies in Tabelle 1 dargestellt ist. Tabelle 1
Zukunfts-Datum | Tbat (°C) | SOC (%) | Qabs (Ah/t) | Klassifizierung |
500s | 15.4666 | 76.0489 | 0.00179 | 1 |
1000s | 15.4210 | 82.5345 | 0.00462 | 3 |
1500s | 15.3715 | 82.5345 | 0.00222 | 2 |
2000s | 15.3276 | 82.5345 | 0.00200 | 2 |
⋮ | ⋮ | ⋮ | ⋮ | ⋮ |
-
Damit ist auch ein Vertrauensbereich gegeben, der angibt, in welchem Band sich der tatsächliche Wert voraussichtlich befinden wird, wie dies in 2 dargestellt ist.
-
Kommen neue Belastungsdaten über die Zeitdauer der Nutzung hinzu, können diese berücksichtigt werden, indem sowohl das Clustering, der Klassifikator als auch das Rekursive Neuronale Netzwerk neu trainiert werden. Dadurch können neue Belastungsszenarien ermittelt werden. Zu beachten ist, dass für das Training der Cluster und des Klassifikators auch die alten Daten mitverwendet werden müssen.
-
Das vorgestellte Verfahren kann bspw. für die Prädiktion der Diagnose der verbleibenden Lebensdauer der 12V Batterie eines Fahrzeugs eingesetzt werden. Das Verfahren kann aber auch bei anderen Komponenten, wie bspw. Doppelschichtkondensatoren, Brennstoffzellen, Halbleiterschaltern, Sicherungen usw., angewendet werden. Auch eine Anwendung des Verfahrens in Verbindung mit einer Cloud ist denkbar.
-
Weitere Vorteile und Ausgestaltungen der Erfindung ergeben sich aus der Beschreibung und den beiliegenden Zeichnungen.
-
Es versteht sich, dass die voranstehend genannten und die nachstehend noch zu erläuternden Merkmale nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar sind, ohne den Rahmen der vorliegenden Erfindung zu verlassen.
-
Figurenliste
-
- 1 zeigt ein Ablaufschema einer Last- und Fehlerprädiktion unter Berücksichtigung künstlicher Intelligenz.
- 2 zeigt eine Zeitreihenprädiktion von Stressfaktoren.
- 3 zeigt in schematischer Darstellung ein Kraftfahrzeug mit einer Anordnung zum Durchführen des Verfahrens.
-
Ausführungsformen der Erfindung
-
Die Erfindung ist anhand von Ausführungsformen in den Zeichnungen schematisch dargestellt und wird im Folgenden unter Bezugnahme auf die Zeichnungen ausführlich beschrieben.
-
In 1 ist ein Ablaufschama einer KI-basierten Last- und Merkmals- bzw. Feature-Prädiktion dargestellt. In einem ersten Schritt 10 wird auf aufbereitete Daten hinsichtlich der Stressfaktoren zugegriffen. Ausgehend hiervon werden in einem zweiten Schritt 12 Use-Cases bzw. Anwendungsfälle durch ein Clustering generiert und es erfolgt ggf. zeitgleich in einem dritten Schritt 14 eine Zeitreihenprädiktion der Stressvektor-Parameter. Auf den zweiten Schritt 12 folgt in einem vierten Schritt 16 ein Training der Klassifikationsmethode.
-
Ausgehend von den Ergebnissen des dritten Schritts 14 und des vierten Schritts 16 erfolgt in einem fünften Schritt 18 eine Klassifizierung der prädizierten Größen, bspw. mittels Random Forest. Abschließend erfolgt in einem sechsten Schritt 20 eine Prädiktion der Cluster-Zeitreihen.
-
1 zeigt weiterhin zur Verdeutlichung in einem Koordinatensystem 22 ein erstes Cluster 24, ein zweites Cluster 26 und ein drittes Cluster 28. Ein Centroid des zweiten Clusters 26 ist mit Bezugsziffer 30 bezeichnet. Ein erster Doppelpfeil 32 verdeutlicht die Streuung des Parameters 1, ein zweiter Doppelpfeil 34 verdeutlicht die Streuung des Parameters 2.
-
2 zeigt in einem Graphen 50, an dessen Abszisse 52 die Zeit [s] und an dessen Ordinate 54 der Ladungszustand [%] aufgetragen ist, eine Zeitreihenprädiktion des Stressfaktoren.
-
In dem Graphen 50 sind hierzu zur Verdeutlichung der zeitliche Bereich eine Historie 60, der zeitliche Bereich einer Prädiktion 62, ein unterer Vertrauensbereich 64 und ein oberer Vertrauensbereich 66 eingetragen.
-
3 zeigt in schematischer, stark vereinfachter Darstellung ein Kraftfahrzeug, das insgesamt mit der Bezugsziffer 100 bezeichnet ist und in dem eine Anordnung 102 zum Durchführen des vorgestellten Verfahrens sowie ein Bordnetz 104 vorgesehen sind. In diesem Bordnetz 104 sind eine Batterie 106 als ein Bauteil und weitere Bauteile 108 vorgesehen. Die Anordnung 102 ist dazu eingerichtet, wenigstens eines der Bauteile 108 und/oder die Batterie 106 zu überwachen, wobei ein Verfahren der hierin vorgestellten Art und insbesondere Methoden des maschinellen Lernens zur Anwendung kommen.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
- DE 102016202306 A1 [0005]
- DE 102020100668 B4 [0006]