EP4352654A1 - Computerimplementiertes verfahren und computerprogramm zum maschinellen lernen temporaler zusammenhänge in einem oder mehreren messsignalen und verfahren und computerprogramm zum bestimmen einer messgrösse - Google Patents

Computerimplementiertes verfahren und computerprogramm zum maschinellen lernen temporaler zusammenhänge in einem oder mehreren messsignalen und verfahren und computerprogramm zum bestimmen einer messgrösse

Info

Publication number
EP4352654A1
EP4352654A1 EP22729534.2A EP22729534A EP4352654A1 EP 4352654 A1 EP4352654 A1 EP 4352654A1 EP 22729534 A EP22729534 A EP 22729534A EP 4352654 A1 EP4352654 A1 EP 4352654A1
Authority
EP
European Patent Office
Prior art keywords
machine learning
filter
ann
learning algorithm
intx
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.)
Withdrawn
Application number
EP22729534.2A
Other languages
English (en)
French (fr)
Inventor
Thomas HODRIUS
Tobias Dentler
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.)
ZF Friedrichshafen AG
Original Assignee
ZF Friedrichshafen 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 ZF Friedrichshafen AG filed Critical ZF Friedrichshafen AG
Publication of EP4352654A1 publication Critical patent/EP4352654A1/de
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • G01K13/04—Thermometers specially adapted for specific purposes for measuring temperature of moving solid bodies
    • G01K13/08—Thermometers specially adapted for specific purposes for measuring temperature of moving solid bodies in rotary movement
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K7/00—Measuring temperature based on the use of electric or magnetic elements directly sensitive to heat ; Power supply therefor, e.g. using thermoelectric elements
    • G01K7/42—Circuits effecting compensation of thermal inertia; Circuits for predicting the stationary value of a temperature
    • G01K7/427—Temperature calculation based on spatial modeling, e.g. spatial inter- or extrapolation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16H—GEARING
    • F16H57/00—General details of gearing
    • F16H57/01—Monitoring wear or stress of gearing elements, e.g. for triggering maintenance

Definitions

  • the invention relates to a computer-implemented method and computer program for machine learning of temporal relationships in one or more measurement signals.
  • the invention also relates to a method and computer program for determining a measured variable
  • recurrent neural networks require high computing capacities.
  • recurrent neural networks require high computing capacities, both during a training phase and during a deployment phase of the trained recurrent neural network.
  • Such high computing capacities can only be provided to a limited extent by means of embedded systems, for example microcontrollers, for example automotive control units, also known as electronic control units, ECUs, domain/zone controllers or data concentrator units, DCU.
  • microcontrollers for example automotive control units, also known as electronic control units, ECUs, domain/zone controllers or data concentrator units, DCU.
  • ECUs electronice control units
  • DCU data concentrator units
  • the invention provides a computer-implemented method for machine learning of temporal relationships in one or more measurement signals.
  • the procedure includes the steps
  • the machine learning algorithm predicts at least one measurement variable that correlates with at least one measurement signal.
  • This method is a learning or training method.
  • the invention provides a computer program for machine learning of temporal relationships in one or more measurement signals.
  • the computer program comprises instructions which cause a computer to carry out the steps of the learning method according to the invention when the computer program is run by the computer.
  • a machine learning algorithm can be trained with this computer program.
  • the invention provides a method for determining at least one measured variable. At least one measurement signal correlating with the at least one measurement variable is converted into a measurement signal according to the invention Learning method learned machine learning algorithm entered and the Maschi nenrivalgorithm outputs the at least one measured variable.
  • This method uses a machine learning algorithm that has already been trained.
  • the invention provides a computer program for determining a measured variable.
  • the computer program includes instructions that cause a microcontroller to perform the steps of the inventive deployment method when the computer program is executed by the microcontroller.
  • temporal relationships in data for example measurement signals
  • recurrent networks also known as recurrent networks
  • temporal relationships in data are learned by machine using artificial neural networks with feedback, also known as recurrent networks, and are determined by a trained recurrent network when used.
  • an artificial neural network comprising feedbacks
  • outputs of neurons are connected to inputs of at least one neuron of a previous layer.
  • the artificial neural network can use direct feedback, in which a neuron’s own output is used as an additional input, and/or lateral feedback, in which a neuron’s output is connected to another neuron in the same layer will include.
  • Time series can be processed by means of feedback, for example indirect feedback.
  • a recurrent neural network is a feedback neural network comprising direct, indirect and/or lateral feedback.
  • the recurrent layers require a relatively large amount of computing and/or storage capacity in both training and use.
  • the temporal relationships are shown as a function of transfer functions of filters.
  • the temporal relationships can be determined by means of feedback-free machine learning algorithms, that is to say in particular the processing of recurrent layers is eliminated.
  • This saves computing and/or storage capacity. For example, only measurement signals and filtered signals are fed into a feedforward network. This means that at least the trained machine learning algorithm can be run on a microcontroller with comparatively limited computing and/or storage capacities.
  • a further advantage is that feedback, which is not set in a comprehensible manner in the known prior art, for example in recurrent networks using backpropagation-through-time algorithms, is replaced by the transfer functions of the filters, including frequency responses, impulse responses, step responses.
  • the filter output signals contain information from the past.
  • a memory based on the physical properties of the filters is thus implemented.
  • the learning and application method according to the invention is thus based on data and physical knowledge and is therefore easier to explain and/or understand.
  • the determination of the measured variable from the at least one correlating measured signal according to the invention has the further advantage that a sensor for measuring the measured variable can be saved.
  • the measured variable is determined automatically, ie by processing a data-driven algorithm, in the application without sensory measurement of the measured variable.
  • the at least one measurement signal can be, for example, a measurement signal that is required for many applications.
  • a sensor for measuring the measured variable is saved.
  • a temperature can be determined without using a temperature sensor for this purpose.
  • the machine learning algorithm can be, for example, an artificial neural network, a support vector machine or a random forest classifier. In one aspect, the machine learning algorithm is an artificial neural network.
  • the filters can be analog or digital filters.
  • the filter is a component comprising at least one resistor and at least one capacitor.
  • the filters are implemented in a digital signal processor using software that is processed sequentially.
  • the filters are implemented in digital circuits by means of hardware programming and/or parallel data processing, for example field programmable gate arrays, FPGAs for short.
  • the commands of the computer program according to the invention include machine commands, source text or object code written in assembly language, an object-oriented programming language, such as C++, or in a procedural programming language, such as C.
  • the computer program is a Flardware-independent application program, for example is provided via the data carrier according to the invention or a data carrier signal, according to an aspect by means of software over the air technology, for any flardware, for example via a middleware.
  • the computer program is a Flardware-dependent program, for example firmware for the control module according to the invention.
  • the data carrier includes volatile memory, for example RAM, DRAM, SRAM, and non-volatile memory, for example ROM, flash EEPROM.
  • volatile memory for example RAM, DRAM, SRAM, and non-volatile memory, for example ROM, flash EEPROM.
  • non-volatile memory for example ROM, flash EEPROM.
  • the data carriers are, for example, flash memory cards, USB sticks. According to one aspect of the inventions, the data carrier is connected to an in/out system of a microcontroller of a driving system and transfers the computer program to the microcontroller.
  • the microcontroller for example, is based on several central processors, for example on up to three independent 32-bit CPUs. This meets the highest safety standards and at the same time significantly increases performance.
  • the cores of the microcontroller have a clock frequency of 200 MHz, for example.
  • the microcontroller includes, for example, a 4 MB flash memory. This means that the microcontroller has reduced complexity, optimized power consumption and saves costs.
  • only part of the runtime and/or the memory of the microcontroller is reserved for executing the learned machine learning algorithm. The remaining part is reserved for other applications running on the microcontroller, such as transmission control software.
  • the method is performed with a plurality of measurement signals, which are all or partially filtered and fed forward into the machine learning algorithm.
  • a number of measurement variables, each of which correlates with one or more of the measurement signals can be predicted and/or determined.
  • a measured variable that correlates with a number of the measured signals can be predicted and/or determined more precisely.
  • At least one measurement signal is input into a plurality of filters comprising filters with different transfer functions.
  • filters comprising filters with different transfer functions.
  • the machine learning algorithm is fed forward with the multiple filter outputs.
  • the different transfer functions are weighted differently. Due to the different weighting, the machine learning algorithm learns, as a function of the at least one measurement signal, to determine the filter or filters whose transfer function optimizes a memory of the machine learning algorithm.
  • the different filters may be filters with different time constants, including, for example, relatively dynamic filters and relatively slow filters.
  • At least one measurement signal is input into cascading filters.
  • the machine learning algorithm is fed forward with the filter output of the last of the cascading filters and/or with multiple filter outputs of respective filters of the cascading filters.
  • filter parameters using known Optimization methods for machine learning algorithms, complex temporal relationships can be mapped with a fraction of the resource requirements of a classic implementation with feedback, such as a recurrent implementation.
  • a delay is added to the at least one filter output signal or to a plurality of the filter output signals and the machine learning algorithm is fed forward with the respective delayed filter output signals.
  • a delay is added to the filter output signal of the last of the cascading filters and/or a plurality of filter output signals of respective filters of the cascading filters.
  • the time delay can be in the millisecond or second range, for example.
  • the machine learning algorithm is an artificial neural feedforward network that monitors the prediction of the at least one measured variable and learns from actual data comprising measured values of the at least one measured variable and target data comprising the predicted values of the at least one measured variable.
  • the filter serves as a memory for the corresponding layer and can represent temporal relationships according to the selected transfer function, for example the frequency response.
  • the supervised learning is based on a gradient based aspect using back propagation.
  • the actual data is provided, for example, using at least one reference sensor that measures the at least one measured variable.
  • the actual data is also called ground truth.
  • the at least one measurement signal or the measurement signals include an engine speed, a transmission speed and/or a torque converter signal.
  • the machine learning algorithm predicts an oil temperature as a measured variable, for example the temperature of a transmission oil.
  • a special temperature sensor for Measuring the temperature of the transmission oil is thus replaced by the machine learning algorithm, or generally by an artificial intelligence.
  • the machine learning algorithm in particular the learned machine learning algorithm, represents a sensor substitute.
  • the engine speed, the transmission speed and/or the torque converter signal are filtered and/or weighted using the cascading filters, for example with respective delays.
  • the filter or filters comprise at least one PTi element, at least one filter with a finite impulse response and/or at least one filter with an infinite impulse response.
  • a PTi element has the transfer function
  • the at least one measurement signal is filtered sequentially by cascading PT-i elements.
  • a delay is added to the last filter output signal in the cascading PTi elements.
  • a finite impulse response filter produces an impulse response of finite length and is characterized by its stability.
  • the finite impulse response filter is implemented digitally.
  • an infinite impulse response filter can provide an infinitely long lasting impulse response.
  • signal distortions are usually modeled as a finite filter and measured accordingly using test signals.
  • an infinitely long filter must be used, or a good approximation of it. This means that signal distortion can be better compensated for.
  • the infinite impulse response filter is a digital filter.
  • an oil temperature for example a temperature of a transmission oil, is determined by means of the application method according to the invention.
  • At least one torque converter signal a signal from an electric machine or a starting element, for example if the transmission is constructed without a converter, is input into the machine learning algorithm.
  • the machine learning algorithm outputs the oil temperature.
  • a temperature sensor that measures the oil temperature is used.
  • the learned machine learning algorithm is executed on a microcontroller.
  • the learned machine learning algorithm is executed on a microcontroller.
  • 3b shows an exemplary embodiment of a further measurement signal and filter output signals for this measurement signal
  • 3d shows an exemplary embodiment of a measured variable predicted according to the invention with an associated reference
  • 3e shows an exemplary embodiment for deviations between the prediction according to the invention and the reference
  • 4 shows an exemplary embodiment of a learning method according to the invention
  • FIG. 5 shows an exemplary embodiment of an application method according to the invention.
  • the arrangement of FIG. 1 feeds measurement signals In1, In2. InX into a machine learning algorithm ANN.
  • the measurement signals In1, In2. InX correspond to one or more measured variables.
  • the machine learning algorithm ANN learns to determine the one or more measured variables from the measured signals In1, In2, InX, without these having to be measured by sensors.
  • the machine learning algorithm ANN predicts a measured variable Out and outputs it.
  • the ANN machine learning algorithm for example, is an artificial neural feedforward network that is taught in a monitored manner.
  • the measurement signals In 1 , In2, ... ln(X-1) are fed unfiltered into the machine learning algorithm ANN.
  • the measurement signal InX is, without loss of generality, according to the invention in filters F1, F2. F5, comprising, for example, the cascading filters F4,
  • the filters differ in their transfer functions.
  • the respective filter outputs are fed forward into the machine learning algorithm ANN.
  • a delay D1 is added to the filter output signal of the filter F1 and the delayed filter output signal is fed forward into the machine learning algorithm ANN.
  • the filter output signal of the filter F1 is an input signal of the cascaded filter F4.
  • the filter output signal of the filter F4 is fed forward into the machine learning algorithm ANN without delay and with a delay D2.
  • the delay-free filter output signal of the filter F4 is an input signal of the cascaded filter F5.
  • FIG. 2 shows a microcontroller pC on which a machine learning algorithm ANN learned according to the learning method according to the invention is used.
  • the corresponding deployment method is shown in FIG.
  • the microcontroller pC receives, for example, the measurement signal InX as an input signal, which correlates with the measurement variable Out.
  • the trained machine learning algorithm ANN determines the measured variable Out without having to measure it using sensors. Since the machine learning algorithm ANN according to the invention does not include any feedback, for example it can be a simple artificial neural feedforward network, it can be executed according to the invention with the limited resources of the microcontroller pC.
  • 3a to 3e show, as an application of the solution according to the invention, the determination of a temperature of a gear oil by means of the machine learning algorithm ANN, for example, without the temperature having to be measured with a sensor.
  • a temperature sensor is replaced by the machine learning algorithm.
  • the plotted values are based on real measurements.
  • 3a shows the measurement signals, for example
  • n_ICE combustion engine speed
  • n_ShaftOut speed of the output gear plotted over time, with one point corresponding to 10ms.
  • SH50s_SeqFilt3_TrqConWork sequentially filtered PT1 value (Signal -> Pt1 -> Pt1 ->Pt1 -> ...) + 50s delay input to output;
  • the filters that receive the filter output signals Filt1_pwr_TrqConvWork and Filt7_pwr_TrqConvWork are, for example, PTi elements with different transmission functions.
  • ICE_TrqAct Torque of the combustion engine with interventions from the gearbox in each case plotted against time.
  • the signals shown in FIGS. 3a, 3b, 3c are the input signals of the machine learning algorithm ANN.
  • the different filter output signals contain information from the past, with the filter-specific information going back different distances in the past based on the different transfer functions.
  • a memory is thus trained, by means of which the machine learning algorithm ANN determines a temporal relationship in the measurement signals and from this predicts the measurement variable, as shown in FIG. 3d, viz
  • AI_pred_INT output signal, ie predicted measured variable, for example the temperature of a gear oil
  • C_TrsmOil target size, ground truth;
  • the sensor that measures this temperature is located in the oil sump and is surrounded by oil;
  • C_Chip [°] and C_CPU [°C] respective temperature values, measured with other temperature sensors in the ECU that are not located in the oil sump. These temperature values are used as additional input variables to predict C_TrsmOil. 3d shows a deviation of the prediction from the reference, viz
  • Pred_error error between prediction of machine learning algorithm and ground truth
  • Pred_error_lnt Error between prediction of machine learning algorithm and ground truth rounded to whole numbers.
  • the error ranges between -2°C and +2°C and is acceptable for determining the oil temperature.
  • a method step L1 at least one measurement signal Int1, Int2, . . . IntX is input into at least one filter F1, F2, F3 and at least one filter output signal is obtained.
  • a feedback-free machine learning algorithm ANN is fed forward with the at least one filter output signal.
  • IntX learned as a function of a transfer function of the at least one filter F1, F2, F3.
  • the machine learning algorithm ANN based on the learned temporal relationship, predicts at least one measurement variable Out correlating with at least one measurement signal Int1, Int2, IntX.
  • step E1 at least one measurement signal Int1, Int2,
  • the machine learning algorithm ANN outputs the at least one measured variable Out.

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Control Of Transmission Device (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

Computerimplementiertes Verfahren zum maschinellen Lernen temporaler Zusammenhänge in einem oder mehreren Messsignalen (Int1, Int2,..., IntX) umfassend die Schritte: Eingeben wenigstens des einen Messsignals (Int1, Int2,..., IntX) in wenigstens ein Filter (F1, F2, F3) und Erhalten wenigstens eines Filterausgangssignals (L1); Vorwärtsspeisen eines rückkopplungsfreien Maschinenlernalgorithmus (ANN) mit dem wenigstens einen Filterausgangssignal und Lernen des temporalen Zusammenhangs in wenigstens dem einen Messsignal (Int1, Int2,..., IntX) in Abhängigkeit einer Übertragungsfunktion des wenigstens einen Filters (F1, F2, F3) (L2); wobei der Maschinenlernalgorithmus (ANN) basierend auf dem gelernten temporalen Zusammenhang wenigstens eine mit wenigstens dem einen Messsignal (Int1, Int2,..., IntX) korrelierende Messgröße (Out) prädiziert (L3).

Description

Computerimplementiertes Verfahren und Computerproqramm zum maschinellen Lernen temporaler Zusammenhänge in einem oder mehreren Messsiqnalen und
Verfahren und Computerproqramm zum Bestimmen einer Messgröße
Die Erfindung betrifft ein computerimplementiertes Verfahren und Computerpro gramm zum maschinellen Lernen temporaler Zusammenhänge in einem oder mehre ren Messsignalen. Ferner betrifft die Erfindung ein Verfahren und Computerpro gramm zum Bestimmen einer Messgröße
Der Einsatz von Algorithmen aus dem Bereich des maschinellen Lernens, beispiels weise künstlichen neuronalen Netzwerken, stellt hohe Anforderungen an Rechenein heiten. Beispielsweise erfordert der Einsatz rekurrenter Schichten, beispielsweise Long Short-Term Memory Zellen, in einem künstlichen neuronalen Netzwerk hohe Rechenkapazitäten. Insbesondere erfordern rekurrente neuronale Netze hohe Re chenkapazitäten, sowohl während einer Trainingsphase als auch während einer Ein satzphase des trainierten rekurrenten neuronalen Netzwerks. Derartige hohe Re chenkapazitäten können mittels eingebetteten Systemen, beispielsweise Microcon- trollern, beispielsweise automobilen Steuergeräten, auch electronic control units, ECUs genannt, Domain-/Zone-Controllern oder data concentrator units, DCU, nur eingeschränkt bereitgestellt werden. Der Einsatz dieser Algorithmen ist deshalb nur eingeschränkt möglich oder erfordert dezidierte Rechnerarchitekturen.
Viele Anwendungen des maschinellen Lernens, beispielsweise von künstlichen neu ronalen Netzwerken, auf eingebetteten Systemen im Automobilbereich erfordern Ab bildungen temporaler Zusammenhänge über bestimmte Zeiträume, beispielsweise Prädiktion von Trajektorien, Prädiktion von Messwerten oder Tracking. Dies erfordert eine große Speichertiefe und/oder mathematisch aufwendige Architekturen von Schichten der künstlichen neuronalen Netzwerke, welche in der Praxis auf den exis tierende Rechnerplattformen nicht oder nur mit hohem Aufwand verbunden zur Ver fügung gestellt werden können. Aufgabe der Erfindung war es, wie Ressourcen intensive Schichten eines künstlichen neuronalen Netzwerks, das temporale Zusammenhänge abbildet, optimiert oder er setzt werden können.
Die Gegenstände der 1 , 8, 9 und 12 lösen jeweils diese Aufgabe.
Nach einem Aspekt stellt die Erfindung ein computerimplementiertes Verfahren bereit zum maschinellen Lernen temporaler Zusammenhänge in einem oder mehreren Messsignalen. Das Verfahren umfasst die Schritte
• Eingeben wenigstens des einen Messsignals in wenigstens ein Filter und Er halten wenigstens eines Filterausgangssignals;
• Vorwärtsspeisen eines rückkopplungsfreien Maschinenlernalgorithmus mit dem wenigstens einen Filterausgangssignal und Lernen des temporalen Zu sammenhangs in wenigstens dem einen Messsignal in Abhängigkeit einer Übertragungsfunktion des wenigstens einen Filters.
Der Maschinenlernalgorithmus prädiziert basierend auf dem gelernten temporalen Zusammenhang wenigstens eine mit wenigstens dem einen Messsignal korrelie rende Messgröße.
Dieses Verfahren ist ein Lern- oder Trainingsverfahren.
Nach einem weiteren Aspekt stellt die Erfindung ein Computerprogramm bereit zum maschinellen Lernen temporaler Zusammenhänge in einem oder mehreren Messsig nalen. Das Computerprogramm umfasst Befehle, die bewirken, dass ein Computer die Schritte des erfindungsgemäßen Lernverfahrens ausführt, wenn das Computer programm von dem Computer ausgeführt wird.
Mit diesem Computerprogramm kann ein Maschinenlernalgorithmus trainiert werden.
Nach einem weiteren Aspekt stellt die Erfindung ein Verfahren zum Bestimmen we nigstens einer Messgröße bereit. Wenigstens ein mit der wenigstens einen Mess größe korrelierendes Messsignal wird in einen nach dem erfindungsgemäßen Lernverfahren angelernten Maschinenlernalgorithmus eingegeben und der Maschi nenlernalgorithmus gibt die wenigstens eine Messgröße aus.
Dieses Verfahren setzt einen bereits trainierten Maschinenlernalgorithmus ein.
Nach einem weiteren Aspekt stellt die Erfindung ein Computerprogramm zum Be stimmen einer Messgröße bereit. Das Computerprogramm umfasst Befehle, die be wirken, dass ein Mikrocontroller die Schritte des erfindungsgemäßen Einsatzverfah rens ausführt, wenn das Computerprogramm von dem Mikrocontroller ausgeführt wird.
Vorteilhafte Ausgestaltungen der Erfindung ergeben sich aus den Definitionen, den Unteransprüchen, den Zeichnungen und der Beschreibung bevorzugter Ausfüh rungsbeispiele.
Im bekannten Stand der Technik werden temporale Zusammenhänge in Daten, bei spielsweise Messsignalen, mittels künstlichen neuronalen Netzwerken mit Rückkopp lungen, auch rekurrente Netzwerke genannt, maschinell gelernt und im Einsatzfall von einem trainierten rekurrenten Netzwerk bestimmt.
Bei einem künstlichen neuronalen Netzwerk, das Rückkopplungen umfasst, sind bei spielsweise Ausgänge von Neuronen mit Eingängen von wenigstens einem Neuron einer vorhergehenden Schicht verbunden. Zusätzlich oder alternativ zu diesen soge nannten indirekten Rückkopplungen kann das künstliche neuronale Netzwerk direkte Rückkopplung, bei der ein eigener Ausgang eines Neurons als weiterer Eingang ge nutzt, und/oder seitliche Rückkopplung, bei der ein Ausgang eines Neurons mit ei nem anderen Neuron derselben Schicht verbunden wird, umfassen. Mittels Rück kopplungen, beispielsweise indirekten Rückkopplungen, lassen sich Zeitreihen bear beiten. Ein rekurrentes neuronales Netzwerk ist ein rückgekoppeltes neuronales Netzwerk umfassend direkte, indirekte und/oder seitliche Rückkopplungen.
Die rekurrenten Schichten benötigen im Training als auch im Einsatz ein relativ ho hes Maß an Rechen- und/oder Speicherkapazitäten. Gemäß der erfindungsgemäßen Lösung werden die temporalen Zusammenhänge in Abhängigkeit von Übertragungs funktionen von Filtern dargestellt.
Dies hat mehrere Vorteile: Die temporalen Zusammenhänge lassen sich erfindungs gemäß mittels rückkopplungsfreien Maschinenlernalgorithmen bestimmen, das heißt insbesondere das Prozessieren rekurrenter Schichten entfällt. Damit wird Rechen- und/oder Speicherkapazität eingespart. Beispielsweise werden nur Messsignale und gefilterter Signale in ein Feedforward-Netz eingespeist. Damit kann wenigstens der trainierte Maschinenlernalgorithmus auf einem Mikrocontroller mit vergleichsweise eingeschränkten Rechen- und/oder Speicherkapazitäten lauffähig ausgeführt werden kann.
Ein weitere Vorteil ist, dass Rückkopplungen, die im bekannten Stand der Technik nicht nachvollziehbar eingestellt werden, beispielsweise bei rekurrenten Netzwerken mittels backpropagation-through-time Algorithmen, durch die Übertragungsfunktionen der Filter, umfassend Frequenzgänge, Impulsantworten, Sprungantworten, ersetzt werden. Die Filterausgangssignale beinhalten Informationen aus der Vergangenheit. Damit wird ein Gedächtnis basierend auf physikalischen Eigenschaften der Filter rea lisiert. Damit basiert das erfindungsgemäße Lern- und Einsatzverfahren auf Daten und physikalischem Wissen und ist damit besser erklärbar und/oder nachvollziehbar.
Das erfindungsgemäße Bestimmen der Messgröße aus dem wenigstens einen korre lierenden Messsignal hat den weiteren Vorteil ist, dass ein Sensor zum Messen der Messgröße eingespart werden kann. Erfindungsgemäß wird die Messgröße maschi nell bestimmt, das heißt durch Prozessieren eines Daten getriebenen Algorithmus, im Einsatzfall ohne sensorielle Messung der Messgröße. Das wenigstens eine Messsig nal kann beispielsweise ein Messsignal sein, das für viele Anwendungen benötigt wird. Damit wird erfindungsgemäß ein Sensor zum Messen der Messgröße einge spart. Beispielsweise kann eine Temperatur bestimmt werden, ohne hierfür einen Temperatursensor einzusetzen. Der Maschinenlernalgorithmus kann beispielsweise ein künstliches neuronales Netz, eine Support Vector Machine oder ein Random -Forest-Klassifikator sein. Nach einem Aspekt ist der Maschinenlernalgorithmus ein künstliches neuronales Netzwerk.
Bei den Filtern kann es sich um analoge oder digitale Filter handeln. Beispielsweise ist das Filter ein Bauteil umfassend wenigstens einen Widerstand und wenigstens ei nen Kondensator. Nach einem Aspekt der Erfindung sind die Filter in einem digitalen Signalprozessor mittels sequentiell abgearbeiteter Software realisiert. Nach einem weiteren Aspekt der Erfindung sind die Filter in digitalen Schaltungen mittels Hard- wareprogrammierung und/oder paralleler Datenverarbeitung, beispielsweise field pro- grammable gate arrays, abgekürzt FPGAs, implementiert.
Die Befehle des erfindungsgemäßen Computerprogramms umfassen Maschinenbe fehle, Quelltext oder Objektcode geschrieben in Assemblersprache, einer objektori entierten Programmiersprache, beispielsweise C++, oder in einer prozeduralen Pro grammiersprache, beispielsweise C. Das Computerprogramm ist nach einem Aspekt der Erfindung ein Flardware unabhängiges Anwendungsprogramm, das beispiels weise über den erfindungsgemäßen Datenträger oder ein Datenträgersignal, nach ei nem Aspekt mittels Software Over The Air Technologie, für eine beliebige Flardware bereitgestellt wird, beispielsweise über eine Middleware. Nach einem weiteren As pekt ist das Computerprogramm ein Flardware abhängiges Programm, beispiels weise eine Firmware des erfindungsgemäßen Steuermoduls.
Der Datenträger umfasst flüchtige Speicher, beispielsweise RAM, DRAM, SRAM, und nichtflüchtige Speicher, beispielsweise ROM, Flash-EEPROM. Die Datenträger sind beispielsweise Flash-Speicherkarten, USB-Sticks. Nach einem Aspekt der Erfin dung wird der Datenträger an ein In/Out System eines Mikrocontrollers eines Fahr systems angeschlossen und überträgt das Computerprogramm in den Mikrocontrol ler.
Der Mikrocontroller basiert beispielsweise auf mehreren Zentralprozessoren, bei spielsweise auf bis zu drei unabhängigen 32-Bit-CPUs. Damit werden höchste Si cherheitsstandards erfüllt und gleichzeitig die Leistung deutlich gesteigert. Die Kerne des Mikrocontrollers haben beispielsweise eine Taktfrequenz von 200 MHz. Der Mik rocontroller umfasst beispielsweise einen 4 MB Flash-Speicher. Damit hat der Mikro controller eine reduzierte Komplexität, einen optimierten Stromverbrauch und spart Kosten ein. Nach einem Aspekt ist zur Ausführung des angelernten Maschinenlernal gorithmus nur ein Teil der Laufzeit und/oder des Speichers des Mikrocontrollers re serviert. Der übrige Teil ist für weitere Anwendungen, die auf dem Mikrocontroller laufen, beispielsweise eine Getriebesteuerungssoftware, reserviert.
Nach einem Aspekt wird das Verfahren mit mehreren Messsignalen durchgeführt, die alle oder teilweise gefiltert in den Maschinenlernalgorithmus vorwärtsgespeist wer den. Damit können mehrere Messgrößen, die jeweils mit einem oder mehreren der Messignale korrelieren, prädiziert und/oder bestimmt werden. Ferner kann eine Messgröße, die mit mehreren der Messsignale korreliert, genauer prädiziert und/oder bestimmt werden.
Nach einem Aspekt wird wenigstens das eine Messignal in mehrere der Filter umfas send Filter mit unterschiedlichen Übertragungsfunktionen eingegeben wird. Es wer den mehrere Filterausgangssignale erhalten. Der Maschinenlernalgorithmus wird mit den mehreren Filterausgangssignalen vorwärtsgespeist. Die unterschiedlichen Über tragungsfunktionen werden unterschiedlich gewichtet. Durch die unterschiedliche Ge wichtung lernt der Maschinenlernalgorithmus, in Abhängigkeit des wenigstens einen Messsignals den oder die Filter zu bestimmen, durch deren Übertragungsfunktion ein Gedächtnis des Maschinenlernalgorithmus optimiert wird. Beispielsweise kann es sich bei den unterschiedlichen Filtern um Filter mit unterschiedlichen Zeitkonstanten handeln umfassend beispielsweise relativ dynamische Filter und relativ langsame Fil ter.
Nach einem weiteren Aspekt wird wenigstens das eine Messsignal in kaskadierende Filter eingegeben. Der Maschinenlernalgorithmus wird mit dem Filterausgangssignal des letzten der kaskadierenden Filter und/oder mit mehreren Filterausgangssignalen jeweiliger Filter der kaskadierenden Filter vorwärtsgespeist. Unter Verwendung meh rerer Filter mit unterschiedlichen Übertragungsfunktionen, beispielsweise unter schiedlichen Frequenzgängen, Filterparametern, können mittels Einsatz bekannter Optimierungsverfahren für Maschinenlernalgorithmen komplexe temporale Zusam menhänge mit einem Bruchteil des Ressourcenbedarfs einer klassischen Implemen tierung mit Rückkopplungen, beispielsweise einer rekurrenten Implementierung, ab gebildet werden.
Nach einem weiteren Aspekt wird auf das wenigstens eine Filterausgangssignal oder auf mehrere der Filterausgangssignale eine Verzögerung addiert wird und der Ma schinenlernalgorithmus mit den jeweiligen verzögerten Filteraussignalen vorwärtsge speist wird. Beispielsweise wird nach einem Aspekt bei den kaskadierenden Filtern dem Filterausgangssignal des letzten der kaskadierenden Filter und/oder mehreren Filterausgangssignalen jeweiliger Filter der kaskadierenden Filter eine Verzögerung aufaddiert. Die zeitliche Verzögerung können beispielsweise im Millisekunden- oder Sekundenbereich liegen.
Nach einem Aspekt ist der Maschinenlernalgorithmus ein künstliches neuronales Feedforward-Netzwerk, das die Prädiktion der wenigstens einen Messgröße über wacht lernt aus Ist-Daten umfassend gemessene Werte der wenigstens einen Mess größe und Soll-Daten umfassend die prädizierten Werte der wenigstens einen Mess größe. Damit können Ressourcen intensive Schichten mit der nötigen Rekurrenz durch eine Kombination von Feedforward Schichten und wenigstens eines Filters am Netzeingang ersetzt werden. Dabei dient das Filter als Gedächtnis der entsprechen den Schicht und kann entsprechend der gewählten Übertragungsfunktion, beispiels weise des Frequenzganges, temporale Zusammenhänge darstellen.
Das überwachte Lernen erfolgt nach einem Aspekt Gradienten basiert mittels Back propagation. Die Ist-Daten werden beispielsweise mittels wenigstens eines Referenz sensors, der die wenigstens eine Messgröße misst, bereitgestellt. Die Ist-Daten wer den auch ground-truth genannt.
Nach einem Aspekt umfassen das wenigstens eine Messsignal oder die Messsignale eine Motordrehzahl, eine Getriebedrehzahl und/oder ein Drehmomentwandler-Signal. Der Maschinenlernalgorithmus prädiziert eine Öltemperatur als Messgröße, bei spielsweise die Temperatur eines Getriebeöls. Ein spezieller Temperartursensor zum Messen der Temperatur des Getriebeöls wird damit von dem Maschinenlernalgorith mus, oder allgemein von einer künstlichen Intelligenz, ersetzt. Der Maschinenlernal gorithmus, insbesondere der angelernte Maschinenlernalgorithmus, stellt einen Sen sorersatz dar. Nach einem Aspekt werden die Motordrehzahl, die Getriebedrehzahl und/oder das Drehmomentwandler-Signal mittels der kaskadierenden Filter, bei spielsweise mit jeweiligen Verzögerungen, gefiltert und/oder gewichtet.
Nach einem weiteren Aspekt umfassen das Filter oder die Filter wenigstens ein PTi- Glied, wenigstens ein Filter mit endlicher Impulsantwort und/oder wenigstens ein Fil ter mit unendlicher Impulsantwort.
Ein PTi-Glied hat die Übertragungsfunktion
K
G(s) =
1 + T - s mit positiver Übertragungskonstante K und positiver Zeitkonstante T. Nach einem As pekt werden mehrere PT-i-Glied mit unterschiedlichen Übertragungskonstanten K und/oder unterschiedlichen Zeitkonstanten T verwendet. Nach einem weiteren As pekt wird das wenigstens eine Messsignal sequentiell durch kaskadierende PT-i-Glie- der gefiltert. Nach einem weiteren Aspekt wird bei den kaskadierenden PTi -Gliedern auf das letzte Filterausgangssignal eine Verzögerung addiert.
Ein Filter mit endlicher Impulsantwort erzeugt eine Impulsantwort mit endlicher Länge und zeichnet sich durch seine Stabilität aus. Nach einem Aspekt ist der Filter mit end licher Impulsantwort digital realisiert.
Ein Filter mit unendlicher Impulsantwort kann eine unendlich lang andauernde Im pulsantwort liefern. Signalverzerrungen werden bei der Übertragung in der Regel als endliches Filter modelliert und dementsprechend durch Testsignale gemessen. Zum Rückgängigmachen dieser Störung muss idealerweise ein unendlich langes Filter verwendet werden oder eine gute Approximation dessen. Damit können Signalver zerrungen verbessert ausgeglichen werden. Nach einem Aspekt ist das Filter mit un endlicher Impulsantwort ein digitales Filter. Nach einem weiteren Aspekt wird mittels des erfindungsgemäßen Einsatzverfahrens eine Öltemperatur bestimmt, beispielsweise eine Temperatur eines Getriebeöls. We nigstens ein Drehmomentwandler-Signal , ein Signal einer E-Maschine oder eines Anfahrelements, beispielsweise wenn das Getriebe ohne Wandler aufgebaut ist, wird in den Maschinenlernalgorithmus eingegeben. Der Maschinenlernalgorithmus gibt die Öltemperatur aus. Ein Temperatursensor, der die Öltemperatur misst, wird damit er setzt.
Nach einem weiteren Aspekt wird der angelernte Maschinenlernalgorithmus auf ei nem Mikrocontroller ausgeführt. Beispielsweise wird der angelernte Maschinenlernal gorithmus auf einem Mikrocontroller ausgeführt.
Die Erfindung wird in den folgenden Ausführungsbeispielen verdeutlicht. Es zeigen:
Fig. 1 ein Ausführungsbeispiel einer Anordnung zum erfindungsgemäßen Anlernen temporaler Zusammenhänge in Messsignalen,
Fig. 2 ein Ausführungsbeispiel einer Anordnung zum erfindungsgemäßen Bestimmen einer Messgröße,
Fig. 3a ein Ausführungsbeispiel von Messsignalen,
Fig. 3b ein Ausführungsbeispiel eines weiteren Messsignals und Filterausgangssig nale für dieses Messsignal,
Fig. 3c ein Ausführungsbeispiel weiterer Messsignale,
Fig. 3d ein Ausführungsbeispiel von einer erfindungsgemäß prädizierten Messgröße mit dazugehöriger Referenz,
Fig. 3e ein Ausführungsbeispiel für Abweichungen zwischen erfindungsgemäßer Prä diktion und Referenz, Fig. 4 ein Ausführungsbeispiel eines erfindungsgemäßen Lernverfahrens und
Fig. 5 ein Ausführungsbeispiel eines erfindungsgemäßen Einsatzverfahrens.
In den Figuren bezeichnen gleiche Bezugszeichen gleiche oder funktionsähnliche Bezugsteile. Übersichtshalber werden in den einzelnen Figuren nur die jeweils rele vanten Bezugsteile hervorgehoben.
Die Anordnung der Fig. 1 speist Messsignale In1 , In2. InX in einen Maschinenlernalgorithmus ANN ein. Die Messsignale In1 , In2. InX korrespondieren mit einer oder mehreren Messgrößen. In dem in Fig. 4 gezeigtem Lernverfahren lernt der Ma schinenlernalgorithmus ANN, aus den Messsignalen In1 , In2, InX die eine oder die mehreren Messgrößen zu bestimmen, ohne dass diese sensoriell gemessen wer den müssen. Der Maschinenlernalgorithmus ANN prädiziert erfindungsgemäß eine Messgröße Out und gibt diese aus. Der Maschinenlernalgorithmus ANN ist beispiels weise ein künstliches neuronales Feedforward-Netz, das überwacht angelernt wird. Die Messsignale In 1 , In2, ...ln(X-1) werden ungefiltert in den Maschinenlernalgorith mus ANN gespeist.
Das Messsignal InX wird ohne Beschränkung der Allgemeingültigkeit erfindungsge mäß in Filter F1, F2. F5, umfassend beispielsweise die kaskadierende Filter F4,
F5, eingegeben. Die Filter unterscheiden sich in ihren Übertragungsfunktionen. Die jeweiligen Filterausgangssignale werden in den Maschinenlernalgorithmus ANN vor wärtsgespeist. Ferner wird dem Filterausgangssignal des Filters F1 eine Verzöge rung D1 aufaddiert und das verzögerte Filterausgangssignal in den Maschinenlernal gorithmus ANN vorwärtsgespeist. Außerdem ist das Filterausgangssignal des Filters F1 ein Eingangssignal des kaskadieren Filters F4. Das Filterausgangssignal des Fil ters F4 wird verzögerungsfrei und mit einer Verzögerung D2 in den Maschinenlernal gorithmus ANN vorwärtsgespeist. Das verzögerungsfreie Filterausgangssignal des Filters F4 ist ein Eingangssignal des kaskadierten Filters F5. Durch die unterschiedli chen Übertragungsfunktionen und Verzögerungen D1 , D2 werden mittels Backpropagation komplexe temporale Zusammenhänge abgebildet und damit ein Gedächtnis angelernt.
Fig. 2 zeigt einen Mikrocontroller pC, auf dem ein nach dem erfindungsgemäßen Lernverfahren angelernter Maschinenlernalgorithmus ANN eingesetzt wird. Das ent sprechende Einsatzverfahren ist in Fig. 5 dargestellt. Der Mikrocontroller pC erhält als Eingangssignal beispielsweise das Messsignal InX, das mit der Messgröße Out korreliert. Der angelernte Maschinenlernalgorithmus ANN bestimmt dann die Mess größe Out, ohne dass diese sensoriell gemessen werden muss. Da der Maschinen lernalgorithmus ANN erfindungsgemäß keine Rückkopplungen umfasst, beispiels weise kann es sich um ein einfaches künstliches neuronales Feedforward Netz han deln, kann er erfindungsgemäß mit den eingeschränkten Ressourcen des Mikrocon trollers pC ausgeführt werden.
Die Fig. 3a bis 3e zeigen als Anwendungsfall der erfindungsgemäßen Lösung bei spielsweise die Bestimmung einer Temperatur eines Getriebeöls mittels des Maschi nenlernalgorithmus ANN, ohne dass die Temperatur mit einem Sensor gemessen werden muss. Ein Temperatursensor wird erfindungsgemäß durch den Maschinen lernalgorithmus ersetzt. Die aufgetragenen Werte basieren auf real durchgeführten Messungen.
Fig. 3a zeigt beispielsweise die Messsignale
• n_ICE = Drehzahl Verbrennungsmotor;
• n_Shaftln = Drehzahl Eingangswelle Getriebe;
• n_ShaftOut = Drehzahl Abtrieb Getriebe jeweils aufgetragen über der Zeit, wobei ein Punkt 10ms entspricht.
Fig. 3b zeigt die weiteren Signale
• pwr_TrqConvWork = Drehmomentwandler-Signal (ungefiltertes Signal vor der PT1 Filterung)
• Filt1_pwr_TrqConvWork = gefilterter Wert des Drehmomentwandler-Signals;
• Filt7_pwr_TrqConvWork = gefilterter Wert des Drehmomentwandler-Signals mit Zeitkonstante als Filt1_pwr_TrqConvWork; • SH10s_SeqFilt3_TrqConWork = sequentiell gefilterter PT1 Wert (Signal -> Pt1 -> Pt1 ->Pt1 -> ...) + 10s Verzögerung Input zu Output;
• SH50s_SeqFilt3_TrqConWork = sequentiell gefilterter PT1 Wert (Signal -> Pt1 -> Pt1 ->Pt1 -> ...) + 50s Verzögerung Input zu Output;
• SFI100s_SeqFilt3_TrqConWork = sequentiell gefilterter PT1 Wert (Signal ->
Pt1 -> Pt1 ->Pt1 -> ...) + 100s Verzögerung Input zu Output jeweils aufgetragen über der Zeit.
Die Filter, die die Filterausgangssignale Filt1_pwr_TrqConvWork und Filt7_pwr_TrqConvWork erhalten, sind beispielsweise PTi-Glieder mit unterschiedli chen Übertagungsfunktionen.
Fig. 3c zeigt die weiteren Signale
• ICE_Trq = Drehmoment Verbrennungsmotor;
• ICE_TrqAct = Drehmoment Verbrennungsmotor mit Eingriffen vom Getriebe jeweils aufgetragen über der Zeit.
Die in den Fig. 3a, 3b, 3c gezeigten Signale sind die Eingangssignale des Maschi nenlernalgorithmus ANN. Die unterschiedlichen Filterausgangssignalen beinhalten Informationen aus der Vergangenheit, wobei die Filter spezifischen Informationen ba sierend auf den unterschiedlichen Übertragungsfunktionen unterschiedlich weit in die Vergangenheit zurück reichen. Damit wird ein Gedächtnis angelernt, mittels dem der Maschinenlernalgorithmus ANN einen temporaler Zusammenhang in den Messsigna len bestimmt und daraus die Messgröße prädiziert, wie in Fig. 3d gezeigt, nämlich
• AI_pred_INT = Ausgangssignal, das heißt prädizierte Messgröße, beispiels weise Temperatur eines Getriebeöls;
• C_TrsmOil = Zielgösse, ground truth; Sensor, der diese Temperatur misst, ist im Ölsumpf angeordnet und wird von Öl umspült;
• C_Chip [°] und C_CPU [°C] = jeweils Temperaturwerte, gemessen mit weite ren Temperatursensoren in ECU, die nicht im Ölsumpf angeordnet sind, diese Temperaturwerte werden als weitere Eingangsgrößen genutzt um C_TrsmOil vorherzusagen. Fig. 3d zeigt eine Abweichung der Prädiktion von der Referenz, nämlich
• Pred_error = Fehler zwischen Vorhersage des Maschinenlernalgorithmus und ground truth;
• Pred_error_lnt = Fehler zwischen Vorhersage des Maschinenlernalgorithmus und ground truth gerundet auf ganze Zahlen.
Der Fehler bewegt sich zwischen -2°C und +2°C und ist für die Bestimmung der Öltemperatur akzeptabel.
Fig. 4 zeigt das Lernverfahren. In einem Verfahrensschritt L1 wird wenigstens das eine Messsignal Int1, Int2, .... IntX in wenigstens ein Filter F1, F2, F3 eingegeben und wenigstens ein Filterausgangssignal erhalten. In einem Verfahrensschritt L2 wird ein rückkopplungsfreier Maschinenlernalgorithmus ANN mit dem wenigstens einen Filterausgangssignal vorwärtsgespeist. Dabei wird der temporale Zusammenhang in wenigstens dem einen Messsignal Int1, Int2. IntX in Abhängigkeit einer Übertragungsfunktion des wenigstens einen Filters F1, F2, F3 gelernt. In einem Verfahrens schritt L3 prädiziert der Maschinenlernalgorithmus ANN basierend auf dem gelernten temporalen Zusammenhang wenigstens eine mit wenigstens dem einen Messsignal Int1, Int2, IntX korrelierende Messgröße Out.
Fig. 5 zeigt das Einsatzverfahren. In einem Verfahrensschritt E1 wird wenigstens ein mit der wenigstens einen Messgröße Out korrelierendes Messsignal Int1, Int2,
IntX in den nach dem in Fig. 4 gezeigtem Verfahren angelernten Maschineniemalgo rithmus ANN) eingegeben. In einem Verfahrensschritt E2 gibt der Maschinenlernal gorithmus ANN die wenigstens eine Messgröße Out.
Bezuqszeichen
Int1, Int2, IntX Messsignal
F1, F2, F3 Filter
F4, F5 kaskadierende Filter
D1, D2 Verzögerung
ANN Maschinenlernalgorithmus Out Messgröße mq Mikrocontroller L1-L3 Verfahrensschritte E1, E2 Verfahrensschritte

Claims

Patentansprüche
1. Computerimplementiertes Verfahren zum maschinellen Lernen temporaler Zusam menhänge in einem oder mehreren Messsignalen (Int1 , Int2, .... IntX) umfassend die Schritte
• Eingeben wenigstens des einen Messsignals (Int1 , Int2. IntX) in wenigs tens ein Filter (F1 , F2, F3) und Erhalten wenigstens eines Filterausgangssig nals (L1);
• Vorwärtsspeisen eines rückkopplungsfreien Maschinenlernalgorithmus (ANN) mit dem wenigstens einen Filterausgangssignal und Lernen des temporalen
Zusammenhangs in wenigstens dem einen Messsignal (Int1 , Int2. IntX) in
Abhängigkeit einer Übertragungsfunktion des wenigstens einen Filters (F1 , F2, F3) (L2); wobei der Maschinenlernalgorithmus (ANN) basierend auf dem gelernten temporalen Zusammenhang wenigstens eine mit wenigstens dem einen Messsignal (Int1 , Int2,
IntX) korrelierende Messgröße (Out) prädiziert (L3).
2. Verfahren nach Anspruch 1 , wobei wenigstens das eine Messignal (Int1 , Int2.
IntX) in mehrere der Filter (F1 , F2, F3) umfassend Filter mit unterschiedlichen Über tragungsfunktionen eingegeben wird, mehrere Filterausgangssignale erhalten wer den, der Maschinenlernalgorithmus (ANN) mit den mehreren Filterausgangssignalen vorwärtsgespeist wird und die unterschiedlichen Übertragungsfunktionen unter schiedlich gewichtet werden.
3. Verfahren nach einem der vorangehenden Ansprüche, wobei wenigstens das eine
Messsignal (Int1 , Int2. IntX) in kaskadierende Filter (F4, F5) eingegeben wird, der
Maschinenlernalgorithmus (ANN) mit dem Filterausgangssignal des letzten der kas- kadierenden Filter (F4, F5) und/oder mit mehreren Filterausgangssignalen jeweiliger Filter der kaskadierenden Filter (F4, F5) vorwärtsgespeist wird.
4. Verfahren nach einem der vorangehenden Ansprüche, wobei auf das wenigstens eine Filterausgangssignal oder auf mehrere der Filterausgangssignale eine Verzögerung (D1 , D2) addiert wird und der Maschinenlernalgorithmus (ANN) mit den jeweiligen verzögerten Filteraussignalen vorwärtsgespeist wird.
5. Verfahren nach einem der vorangehenden Ansprüche, wobei der Maschinenlernal gorithmus (ANN) ein künstliches neuronales Feedforward-Netzwerk ist, das die Prä diktion der wenigstens einen Messgröße (Out) überwacht lernt aus Ist-Daten umfas send gemessene Werte der wenigstens einen Messgröße (Out) und Soll-Daten um fassend die prädizierten Werte der wenigstens einen Messgröße (Out).
6. Verfahren nach einem der vorangehenden Ansprüche, wobei das Messsignal oder die Messsignale (Int1 , Int2, IntX) eine Motordrehzahl, eine Getriebedrehzahl und/oder ein Drehmomentwandler-Signal umfassen und eine Öltemperatur als Mess größe (Out) prädiziert wird.
7. Verfahren nach einem der vorangehenden Ansprüche, wobei das Filter oder die
Filter (F1 , F2, F5) wenigstens ein PTi-Glied, wenigstens ein Filter mit endlicher
Impulsantwort und/oder wenigstens ein Filter mit unendlicher Impulsantwort umfas sen.
8. Computerprogramm zum maschinellen Lernen temporaler Zusammenhänge in ei nem oder mehreren Messsignalen (Int1 , Int2. IntX) umfassend Befehle, die bewir ken, dass ein Computer die Schritte des Verfahrens nach einem der vorangehenden Ansprüche ausführt, wenn das Computerprogramm von dem Computer ausgeführt wird.
9. Verfahren zum Bestimmen wenigstens einer Messgröße (Out), wobei wenigstens ein mit der wenigstens einen Messgröße (Out) korrelierendes Messsignal (Int1 , Int2,
IntX) in einen nach dem Verfahren nach einem der Ansprüche 1 bis 7 angelern ten Maschinenlernalgorithmus (ANN) eingegeben wird (E1 ) und der Maschinenlernal gorithmus (ANN) die wenigstens eine Messgröße (Out) ausgibt (E2).
10. Verfahren nach Anspruch 9 zum Bestimmen einer Öltemperatur, wobei wenigs tens ein Drehmomentwandler-Signal in den Maschinenlernalgorithmus (ANN) einge geben wird und der Maschinenlernalgorithmus (ANN) die Öltemperatur ausgibt.
11 . Verfahren nach einem der Ansprüche 9 oder 10, wobei der Maschineniemalgo rithmus (ANN) auf einem Mikrocontroller (pC) ausgeführt wird.
12. Computerprogramm zum Bestimmen einer Messgröße (Out) umfassend Befehle, die bewirken, dass ein Mikrocontroller (pC) die Schritte des Verfahrens nach An spruch 9 oder 10 ausführt, wenn das Computerprogramm von dem Mikrocontroller (pC) ausgeführt wird.
13. Computerlesbarer Datenträger, auf dem das Computerprogramm nach Anspruch 12 gespeichert ist.
EP22729534.2A 2021-06-10 2022-05-16 Computerimplementiertes verfahren und computerprogramm zum maschinellen lernen temporaler zusammenhänge in einem oder mehreren messsignalen und verfahren und computerprogramm zum bestimmen einer messgrösse Withdrawn EP4352654A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021205835.3A DE102021205835A1 (de) 2021-06-10 2021-06-10 Computerimplementiertes Verfahren und Computerprogramm zum maschinellen Lernen temporaler Zusammenhänge in einem oder mehreren Messsignalen und Verfahren und Computerprogramm zum Bestimmen einer Messgröße
PCT/EP2022/063165 WO2022258318A1 (de) 2021-06-10 2022-05-16 Computerimplementiertes verfahren und computerprogramm zum maschinellen lernen temporaler zusammenhänge in einem oder mehreren messsignalen und verfahren und computerprogramm zum bestimmen einer messgrösse

Publications (1)

Publication Number Publication Date
EP4352654A1 true EP4352654A1 (de) 2024-04-17

Family

ID=82020142

Family Applications (1)

Application Number Title Priority Date Filing Date
EP22729534.2A Withdrawn EP4352654A1 (de) 2021-06-10 2022-05-16 Computerimplementiertes verfahren und computerprogramm zum maschinellen lernen temporaler zusammenhänge in einem oder mehreren messsignalen und verfahren und computerprogramm zum bestimmen einer messgrösse

Country Status (3)

Country Link
EP (1) EP4352654A1 (de)
DE (1) DE102021205835A1 (de)
WO (1) WO2022258318A1 (de)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102023207540A1 (de) * 2023-08-07 2025-02-13 Zf Friedrichshafen Ag Verfahren zur Ermittlung einer Ausgabetemperatur eines Prüfsystems
DE102024200747B3 (de) 2024-01-29 2025-03-27 Zf Friedrichshafen Ag Steuerung eines Schaltgetriebes

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
WAN ERIC A: "Finite Impulse Response Neural Networks for Autoregressive Time Series Prediction", 1 December 1992 (1992-12-01), pages 1 - 22, XP093232999, Retrieved from the Internet <URL:https://www.researchgate.net/publication/2677848_Finite_Impulse_Response_Neural_Networks_for_Autoregressive_Time_Series_Prediction> [retrieved on 20250313] *

Also Published As

Publication number Publication date
WO2022258318A1 (de) 2022-12-15
DE102021205835A1 (de) 2022-12-15

Similar Documents

Publication Publication Date Title
EP3662418B1 (de) Verfahren und vorrichtung für maschinelles lernen in einer recheneinheit
DE102016011520B4 (de) Produktionsausrüstung mit Maschinenlernsystem und Montage-und Prüfeinheit
WO2018104280A1 (de) Verfahren und steuereinrichtung zum steuern eines technischen systems
EP2106576A1 (de) Verfahren zur rechnergestützten steuerung und/oder regelung eines technischen systems
EP4352654A1 (de) Computerimplementiertes verfahren und computerprogramm zum maschinellen lernen temporaler zusammenhänge in einem oder mehreren messsignalen und verfahren und computerprogramm zum bestimmen einer messgrösse
WO2014187828A1 (de) Methode zur ermittlung eines modells einer ausgangsgrösse eines technischen systems
EP3081914A1 (de) Überwachung einer Maschine mit einer Rotierenden Maschinenkomponente
DE102022120560B4 (de) Verfahren zur kalibrierung eines drehmomentsensorsystems für ein getriebe
EP4414795B1 (de) Verfahren und system zum betrieb eines technischen geräts mit einem modell auf basis künstlicher intelligenz
DE102021109169A1 (de) Verfahren zum Trainieren eines neuronalen Netzes
DE102013206292A1 (de) Verfahren und Vorrichtung zum Erstellen eines datenbasierten Funktionsmodells
DE102019207342A1 (de) Konzept für eine Datenverarbeitung für ein zumindest teilautomatisiertes Führen eines Kraftfahrzeugs
DE112020007081T5 (de) Numerische Steuerungsvorrichtung und Lernvorrichtung
DE102020207449A1 (de) Verfahren, Computerprogramm und Vorrichtung zum Verarbeiten von Signalen
EP3855390A1 (de) Verfahren zum erzeugen einer information aus mindestens einem kamerabild
DE102019123447A1 (de) Verfahren zum Betrieb von Fahrzeugkomponenten
DE102022002242A1 (de) Virtueller Sensor und Verfahren zum Betrieb eines virtuellen Sensors
DE102023206032A1 (de) Verfahren und Vorrichtung zum verbesserten Auswerten von Messsignalen eines Sensors
AT527911B1 (de) Verfahren zum Bestimmen eines Alterungszustands und/oder eines Innenwiderstands einer Batterie
DE102024106117B3 (de) Computerimplementiertes Verfahren zum Ermitteln einer Steuerfunktion
WO2022161729A1 (de) Steuereinrichtung zum steuern eines technischen systems und verfahren zum konfigurieren der steuereinrichtung
WO2022078781A1 (de) COMPUTERIMPLEMENTIERTES VERFAHREN UND VORRICHTUNG ZUR BESTIMMUNG EINES KONFIDENZMAßES EINER MODELLIERTEN PHYSIKALISCHEN GRÖßE EINES VIRTUELLEN SENSORS
EP4506765B1 (de) Modul zur sequenziellen datenerfassung mit integrierter ki-auswertung
EP4075338B1 (de) Schneller und energiesparender iterativer betrieb künstlicher neuronaler netzwerke
DE102022205715A1 (de) Verfahren zum Bereitstellen von Trainingsdaten und Testdaten zum Trainieren eines Algorithmus des maschinellen Lernens

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20231204

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20250319

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN

18D Application deemed to be withdrawn

Effective date: 20250722