DE10208205B4

DE10208205B4 - Verfahren zur Steuerung/Regelung optimaler Einkuppel-Verläufe beim Anfahren und Wiedereinkupplen nach Gangwechseln

Info

Publication number: DE10208205B4
Application number: DE10208205.7A
Authority: DE
Inventors: Dr. Amendt Oliver
Original assignee: Schaeffler Technologies AG and Co KG
Current assignee: Schaeffler Technologies AG and Co KG
Priority date: 2001-02-27
Filing date: 2002-02-26
Publication date: 2015-04-02
Anticipated expiration: 2022-02-27
Also published as: DE10208205A1

Abstract

Gemäß dem Verfahren zur Steuerung/Regelung optimaler Einkuppelverläufe beim Anfahren und Wiedereinkuppeln nach Gangwechseln für Fahrzeuge mit elektronischer Getriebesteuerung und/oder einem automatisierten Handschaltgetriebe werden neuronale Netzwerke eingesetzt.

Description

Die Erfindung betrifft ein Verfahren mit den Merkmalen gemäß dem Anspruch 1.
Trotz fortschreitender Entwicklung im Bereich der Getriebetechnik, Getriebesteuerung und Kupplungstechnik besteht heutzutage Bedarf an einer optimalen Steuerung bzw. Regelung der Einkuppelverläufe beim Anfahren und der Wiedereinkuppelverläufe nach dem Gangwechseln.
Die der vorliegenden Erfindung zugrundeliegende Aufgabe besteht demnach darin, ein Verfahren anzugeben, welches optimale Einkuppelverläufe beim Anfahren und Wiedereinkuppelverläufe nach Gangwechseln gewährleistet.
Diese Aufgabe wird durch die Merkmale des Patentanspruchs 1 gelöst. Weitere Ausgestaltungen und Varianten sind in den Unteransprüchen angegeben.
Erfindungsgemäß wird vorgeschlagen, zur Optimierung der Einkuppel- bzw. Wiedereinkuppelverläufe neuronale Netzwerke einzusetzen, deren Grundprinzipien und Eigenschaften im folgenden kurz beschrieben werden.
Steuerungsverfahren in oder von Kraftfahrzeugen, in denen neuronale Netzwerke eingesetzt werden, sind beispielsweise in der DE 198 54 624 A1 , der WO 1997/005408 A1 sowie der US 6,047,221 A offenbart.
Ein neuronales Netzwerk ist ein datenverarbeitendes System, welches, wie das menschliche Gehirn, aus einer Vielzahl von einfach aufgebauten Prozessoren besteht, den sogenannten Units. Dabei hängt das Ausgabesignal eines jeden Units von einer Vielzahl von Ausgabesignalen anderer Units ab. Neuronale Netzwerke bilden ganz allgemein ein n-dimensionales Eingabesignal auf ein m-dimensionales Ausgabesignal ab. Die zu verarbeitende Information wird in den hier betrachteten Backpropagation-Netzwerken von einer Schicht von Inputunits aufgenommen. Die Inputunits verarbeiten diese Eingabesignale und geben sie über gewichtete Verbindungen (sog. Connections) an eine oder mehrere verdeckte Neuronenschichten weiter (sog. hidden layer).
Von den hidden layer werden die Signale schließlich über weitere gewichtete Verbindungen an eine Schicht von Outputunits weitergeleitet, die ihrerseits das Ausgangssignal des neuronalen Netzwerkes generieren. Innerhalb eines jeden Units eines neuronalen Netzwerkes finden die drei Verarbeitungsschritte Propagierung, Aktivierung und Ausgabe statt.
Beim Propagierungsschritt wird zunächst das Eingabesignal net des Units i bestimmt. Hierzu werden die eingehenden Ausgabesignale der vorgeschalteten Units mit den Gewichtungsfaktoren w_i,j multipliziert und anschließend aufsummiert:
Mit Hilfe der Aktivierungsfunktion wird die innere Erregung a einer unit bestimmt. Üblicherweise wird bei Backpropagation Netzwerken eine sigmoide Aktivierungsfunktion verwendet:
Die so ermittelte Ausgabefunktion bestimmt schließlich das Ausgabesignal o_i des Units i. Bei Backpropagation-Netzwerken findet hier die Identitätsfunktion Verwendung: o_i = a_i
Da die Signalverarbeitung innerhalb der einzelnen Units vorgegebenen Funktionen folgt, ist die Art und Weise, wie ein neuronales Netzwerk ein Eingangssignal auf ein Ausgabesignal abbildet, durch die Netzwerktopologie (Anzahl der Units, Verteilung der Units auf verschiedene Schichten) sowie die Verbindungsgewichte w_i,j festgelegt.
Die Netztopologie ist vom Anwender empirisch zu ermitteln; dahingegen werden die Verbindungsgewichte mittels Trainingsverfahren bestimmt und in der Konnektionsmatrix W zusammengefaßt. Bei entsprechender Numerierung der Units beginnend bei der Eingabeschicht eines Backpropagation-Netzwerkes nimmt die Konnektionsmatrix die Form einer unteren Dreiecksmatrix an.
Die Art und Weise, wie das Netzwerk ein Eingabesignal auf das gewünschte Ausgabesignal abbilden soll, wird dem neuronalen Netz mittels sogenannter Trainingsmuster übermittelt. Jedes Trainingsmuster (Index μ) besteht hierbei aus einem Eingangssignal Y^μ = |y μ / 1, y μ / 2, ..., y μ / n|^T sowie einem Ausgangssignal, welches der gewünschten Reaktion des Netzwerkes auf das Eingabesignal entspricht: U^μ = |n μ / 1, n μ / 2, ..., n μ / n|^T
Der Satz an P Traningsmustern (sog. Trainingsbasis) ist dabei so zu wählen, dass er die zu erlernende Abbildungsfunktion U = h(Y) ausreichend genau charakterisiert. Die Aufgabe des Trainingsverfahrens besteht nun darin, die Verbindungsgewichte w_i,j innerhalb der Konnektionsmatrix W so zu bestimmen, dass sämtliche p Eingabemuster der Trainingsbasis auf die entsprechenden Ausgabemuster abgebildet werden. Zur Beurteilung des Lernfortschritts kann der absolute quadratische Fehler
herangezogen werden. Der Fehler E berücksichtigt für alle p Muster der Trainingsbasis die Abweichungen der Ausgabesignale o_λ aller m Units der Ausgabeschicht von den in der Trainingsbasis vorgegebenen Sollreaktionen u_λ des Netzwerkes.
Das Backpropagation-Trainingsverfahren stellt ein rekursives Verfahren zur Optimierung der Gewichtungsfaktoren w_i,j dar. Bei jedem Lernschritt wird nach dem Zufallsprinzip ein Eingabemuster Y^μ der Trainingsbasis ausgewählt und durch das Netzwerk propagiert (Forwardpropagation). Aus dem vom Netzwerk generierten Ausgabesignal wird nach (Gl. 1) mit der in der Trainingsbasis vorgegebene Sollreaktion U^μ der Fehler E^μ auf das präsentierte Eingabemuster bestimmt.
Die Änderung der einzelnen Verbindungsgewichte w_i,j nach der Präsentation des μ-ten Trainingsmusters ist dabei proportional zur negativen partiellen Ableitung des Fehlers E^μ nach dem Verbindungsgewicht w_i,j (sog. ”Gradientenabstiegsverfahren”)
Mit Hilfe der Kettenregel können aus der partiellen Ableitung (Gl. 2) die als Backpropagation-Regel bekannten Adaptionsvorschriften für die Elemente der Konnektionsmatrix bei der Präsentation des μ-ten Trainingsmuster hergeleitet werden
Der Fehler wird dabei beginnend bei den Outputunits in umgekehrter Richtung durch das Netzwerk propagiert (Backpropagation) und gewissermaßen nach dem Verursacherprinzip auf die einzelnen Units aufgeteilt. Der Proportionalitätsfaktor s wird als Lernrate bezeichnet.
Eine Grundregel, welche das Übertragungsverhalten neuronaler Netzwerke recht gut beschreibt, lautet: ”Ähnliche Eingabesignale erzeugen ähnliche Ausgabesignale”. Es ist nämlich nicht zu erwarten, dass sich das Ausgabeverhalten bei kontinuierlicher Änderung der Eingabesignale schlagartig (unerwartet) ändern wird.
Während der Trainingsphase wird dem neuronalen Netzwerk eine begrenzte Anzahl an Trainingsmustern präsentiert, welche die zu erlernende Abbildung ausreichend genau charakterisieren. Wird dem Netzwerk anschließend ein Eingabesignal präsentiert, welches nicht exakt mit einem Muster der Trainingsbasis übereinstimmt, so ”inter-” bzw. ”extrapoliert” das Netzwerk im Rahmen der erlernten Abbildungsfunktion zwischen den Trainingsmustern. Diese Eigenschaft wird als Generalisierungsfähigkeit der Netzwerke bezeichnet.
Eine weitere charakteristische Eigenschaft neuronaler Netzwerke, durch welche sich neuronale Netzwerke von anderen Systemen abheben, ist auch deren Fehlertoleranz. Da neuronale Netze sinnvollerweise eine Vielzahl von (teilweise redundanten) Eingangssignalen auf das/die gewünschten Ausgabesignal/e abbilden, erweisen sich derartige Netzwerke meist recht robust gegenüber Ausfall einzelner Eingangssignale bzw. gegenüber Signalrauschen.
Eine sehr interessante Eigenschaft neuronaler Netzwerke ist sicherlich auch deren Lernfähigkeit. Prinzipiell ist es daher möglich, ein einmal trainiertes System während des Betriebes permanent ”nachlernen” zu lassen.
Erfindungsgemäß werden in einem ersten Schritt neuronale Netzwerke zum Erlernen optimaler Einkuppelverläufe eingesetzt.
Zum Erlernen optimaler Einkuppelverläufe – beispielsweise beim Anfahren – wird zunächst eine Trainingsbasis erstellt. Hierfür können Messungen oder Simulationsergebnisse optimaler Einkuppelvorgänge herangezogen werden. Eine Trainingsbasis könnte z. B. gemäß der Erfindung aus jeweils einer optimaler Anfahrt mit 10°, 30°, 50°, 70° und 90° Fahrpedalstellungen bestehen. Zusätzlich können die unterschiedlichen Fahrpedalstellungen mit verschiedenen Betätigungsgeschwindigkeiten kombiniert werden. (z. B. Knallstart entspricht einer Anfahrt mit 90° Fahrpedalstellung und maximaler Betätigungsgeschwindigkeit).
Die zugrundegelegten Messungen/Simulationen werden auf Basis der Interruptzeit des verwendeten Steuergerätes so aufbereitet, dass jedes Trainingsmuster die Abbildung der Meßsignale zum Interruptzeitpunkt t_k auf das Kupplungssollmoment zum Zeitpunkt des folgenden Interrupts t_k+1 darstellt.
Das Netzwerk lernt auf diese Weise, die aktuellen Meßsignale auf das Kupplungssollmoment des kommenden Interrupts abzubilden.
Als Eingangssignale der Trainingsbasis werden erfindungsgemäß sämtliche aussagekräftige Meßsignale wie z. B.

– Drosselklappenstellung
– Pedalwert
– Motordrehzahl
– Getriebeeingangsdrehzahl
– Motormoment
– Gang
– Leerlaufschalter
– Bremslichtschalter
– Kickdown-Schalter, etc.

Im Rahmen einer Variante der vorliegenden Erfindung ist vorgesehen, zusätzliche Änderungen verschiedener Eingangssignale mitzuverwerten, wie beispielsweise die Geschwindigkeit der Fahrpedalbetätigung. In diesem Fall können mit Hilfe von Zeitfenstern auch weiter zurückliegende Meßwerte der entsprechenden Signale verwendet werden. Die zu erlernende Abbildungsfunktion des neuronalen Netzwerkes bekommt folglich folgende Struktur: MR_SOLL(t_k+1) = h(PW)(t_k), PW(t_k-1), M_Motor(t_k), ..., LL_Schalter(t_k), ...) Gl. 4
Gemäß der Erfindung wird die Eigenschaft „Lernfähigkeit” neuronaler Netzwerke genutzt, um eine Optimierung des Netzwerkes während des Fahrbetriebes durchzuführen. Auf diese Weise können Systemveränderungen wie beispielsweise Verschleiß, Alterung, etc. berücksichtigt bzw. kompensiert werden.
In diesem Zusammenhang ist erfindungsgemäß vorgesehen, sämtliche über das neuronale Netz gesteuerten Einkuppelvorgänge online mit Hilfe eines Optimierungsfunktionals zu bewerten.
Dieses Funktional kann beispielsweise eine Kombination aus Energieeintrag, Fahrzeugbeschleunigung (Raddrehzahlen), Einkuppeldruck (Drehzahlgradient vor Synchron) darstellen. Jeder Einkuppelvorgang, der bezüglich des gewählten Optimierungsfunktionals eine bestimmte Güte aufweist, wird in eine dynamische Trainingsbasis für den Fahrbetrieb aufgenommen. Um das Netzwerk ständig auf das aktuelle Systemverhalten hin zu optimieren, werden erfindungsgemäß diese Trainingsmuster nach einer vorgegebenen Verweildauer aus der dynamischen Trainingsbasis eliminiert.
Gemäß der Erfindung wird der Lernfortschritt des Netzwerkes während des Fahrbetriebes zusätzlich vorangetrieben, indem nach jedem Rechenschritt zur Bestimmung des Kupplungssollmomentes (Forwardpropagation) ein Lernschritt (Backpropagation) mit einem aus der dynamischen Trainingsbasis zufällig ausgewählten Trainingsmuster durchgeführt wird.

Claims

Verfahren zur Steuerung oder Regelung von Einkuppelverläufen beim Anfahren und Wiedereinkuppeln nach Gangwechseln für Fahrzeuge mit elektronischer Getriebesteuerung oder einem automatisierten Handschaltgetriebe, wobei neuronale Netzwerke zum Erlernen von Einkuppelverläufen eingesetzt werden, wobei zum Erlernen von Einkuppelverläufen eine dynamische Trainingsbasis erstellt wird, wobei Messungen von Einkuppelvorgängen herangezogen werden, wobei während des Fahrbetriebes eine Optimierung des Netzwerkes durchgeführt wird, so dass Systemveränderungen wie Verschleiß oder Alterung berücksichtigt und kompensiert werden, wobei sämtliche über das neuronale Netz gesteuerten Einkuppelvorgänge online mit Hilfe eines Optimierungsfunktionals bewerten werden, wobei das Optimierungsfunktional eine Kombination aus Energieeintrag, Fahrzeugbeschleunigung und Einkuppeldruck darstellt und dass jeder Einkuppelvorgang, der bezüglich des gewählten Optimierungsfunktionals eine bestimmte Güte aufweist, in eine dynamische Trainingsbasis für den Fahrbetrieb aufgenommen wird, wobei die Trainingsmuster nach einer vorgegebenen Verweildauer aus der dynamischen Trainingsbasis eliminiert werden, um das Netzwerk ständig auf das aktuelle Systemverhalten hin zu optimieren, wobei der Lernfortschritt des Netzwerkes während des Fahrbetriebes zusätzlich vorangetrieben wird, indem nach jedem Rechenschritt zur Bestimmung des Kupplungssollmomentes ein Lernschritt mit einem aus der dynamischen Trainingsbasis zufällig ausgewählten Trainingsmuster durchgeführt wird.
Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass als Eingangssignale der dynamischen Trainingsbasis aussagekräftige Meßsignale verwendet werden, wie Drosselklappenstellung und/oder Pedalwert und/oder Motordrehzahl und/oder Getriebeeingangsdrehzahl und/oder Motormoment und/oder eingelegter Gang und/oder Leerlaufschalter und/oder Bremslichtschalter und/oder Kickdown-Schalter.
Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass zusätzliche Änderungen verschiedener Eingangssignale mitverwertet werden, wobei mittels Zeitfenstern auch weiter zurückliegende Meßwerte der entsprechenden Signale verwendet werden.
Verfahren nach Anspruch 1, 2, oder 3, dadurch gekennzeichnet, dass die zugrundegelegten Messungen auf Basis der Interruptzeit des verwendeten Steuergerätes derart aufbereitet werden, dass jedes Trainingsmuster die Abbildung der Meßsignale zum Interruptzeitpunkt t_k auf das Kupplungssollmoment zum Zeitpunkt des folgenden Interrupts t_k+1 darstellt.