EP4532960A1 - Verfahren zum aufbereiten eines getriebeparametersignals sowie verfahren zum an-lernen und zur verwendung eines neuronalen netzes mittels des aufbereiteten getriebeparametersignals - Google Patents

Verfahren zum aufbereiten eines getriebeparametersignals sowie verfahren zum an-lernen und zur verwendung eines neuronalen netzes mittels des aufbereiteten getriebeparametersignals

Info

Publication number
EP4532960A1
EP4532960A1 EP23722576.8A EP23722576A EP4532960A1 EP 4532960 A1 EP4532960 A1 EP 4532960A1 EP 23722576 A EP23722576 A EP 23722576A EP 4532960 A1 EP4532960 A1 EP 4532960A1
Authority
EP
European Patent Office
Prior art keywords
time
signal
neural network
continuous
gear change
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP23722576.8A
Other languages
English (en)
French (fr)
Inventor
Steffen BIEL
Markus Birk
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 EP4532960A1 publication Critical patent/EP4532960A1/de
Pending legal-status Critical Current

Links

Classifications

    • 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
    • F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
    • F16H61/02—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by the signals used
    • F16H61/0202—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by the signals used the signals being electric
    • 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
    • F16H59/00—Control inputs to control units of change-speed- or reversing-gearings for conveying rotary motion
    • F16H59/68—Inputs being a function of gearing status
    • F16H2059/683—Sensing pressure in control systems or in fluid-controlled devices, e.g. by pressure sensors
    • 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
    • F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
    • F16H2061/0075—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by a particular control method
    • F16H2061/0084—Neural networks
    • 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
    • F16H61/00—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing
    • F16H2061/0075—Control functions within control units of change-speed- or reversing-gearings for conveying rotary motion ; Control of exclusively fluid gearing, friction gearing, gearings with endless flexible members or other particular types of gearing characterised by a particular control method
    • F16H2061/0087—Adaptive control, e.g. the control parameters adapted by learning
    • 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
    • F16H59/00—Control inputs to control units of change-speed- or reversing-gearings for conveying rotary motion
    • F16H59/36—Inputs being a function of speed
    • F16H59/38—Inputs being a function of speed of gearing elements
    • 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
    • F16H59/00—Control inputs to control units of change-speed- or reversing-gearings for conveying rotary motion
    • F16H59/68—Inputs being a function of gearing status
    • 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
    • F16H59/00—Control inputs to control units of change-speed- or reversing-gearings for conveying rotary motion
    • F16H59/68—Inputs being a function of gearing status
    • F16H59/72—Inputs being a function of gearing status dependent on oil characteristics, e.g. temperature, viscosity
    • 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

Definitions

  • the present invention relates to a method for processing at least one time-continuous signal, wherein the time-continuous signal describes a time dependence of a transmission parameter.
  • the invention further relates to a method for training a neural network with a processed continuous-time signal, as well as a method for using a neural network which has been trained using the method according to the present invention.
  • the present invention further relates to a computer for carrying out the method for learning the neural network and a vehicle with a control device for carrying out the method for using the neural network.
  • Data sets are provided for training neural networks. Before the neural network is trained, these are cleaned up for undefined values or gaps by removing them. Furthermore, individual values, for example outliers, are recognized and processed and deleted if necessary. This helps improve data quality. Using probability distributions, for example normal distributions, the data is corrected for asymmetries before training. Furthermore, the data is normalized to scale the data to a uniform range of values before training the neural network.
  • probability distributions for example normal distributions
  • the data is corrected for asymmetries before training.
  • the data is normalized to scale the data to a uniform range of values before training the neural network.
  • a first aspect of the invention relates to a method for processing at least one continuous-time signal.
  • the time-continuous signal describes a time dependency of a transmission parameter.
  • the signal can be a transmission parameter signal.
  • Transmission parameters can be, for example, clutch pressure, vehicle speed, speed at one or more points within the transmission or temperature at one or more points in the transmission.
  • the processed signal can be used to teach or train a neural network.
  • the neural network can consist of one or more hidden layers.
  • the neural network can be a directed neural network, alternatively or additionally a recurrent neural network.
  • a transmission speed can be determined using the neural network trained with the processed continuous-time signal.
  • the trained neural network can represent a virtual transmission sensor at at least one point of the transmission and determine a transmission speed. This allows the neural network to emulate a transmission sensor.
  • the method has a step of generating a synthetic signal.
  • the synthetic signal includes information about a gear change.
  • the synthetic signal can be a time-continuous signal, which can include information about the engaged gear of the transmission versus time.
  • the method further comprises a step of filtering the continuous-time signal using the synthetic signal.
  • the continuous-time signal is filtered depending on information about a gear change. With the filtering step, values of the time-continuous signal, which occur around the time of the gear change, can be filtered. These filtered values of the continuous-time signal can be used for the further process for processing the continuous-time signal.
  • the method further comprises a step of determining a one-dimensional convolution of the filtered signal using a kernel.
  • the kernel can be a one-dimensional kernel.
  • the kemel can represent a folding window, or window. By means of the Kemel In the determination step, only the filtered part of the continuous-time signal can be folded.
  • a method is thus provided in which only filtered values are used to determine the one-dimensional convolution using the kernel.
  • the use of the kernel for one-dimensional convolution can be switched on and off using the synthetic signal.
  • the one-dimensional folding can be switched on and off depending on a gear change.
  • Processing at least one continuous-time signal using such a method can result in only relevant time values of the continuous-time signal being used for training the neural network.
  • the neural network can be trained in such a way that a sensor can be optimally emulated for states around a gear change by only using time values of the time-continuous signal around a gear change for training.
  • the step of generating the synthetic signal can take place as a function of at least one physical measurement variable, wherein the physical measurement variable can include information about a gear change.
  • the physical measurement variable can include a clutch pressure within the transmission, information about quick filling within the transmission and alternatively or additionally information about the state of synchronously rotating parts within the transmission.
  • the step of generating the synthetic signal may occur depending on more than one physical measurement.
  • the synthetic signal can occur at several points in the transmission depending on the clutch pressure and temperature. A synthetic signal can thus be generated which can represent a gear change as realistically as possible as a synthetic signal.
  • a method can therefore be shown in which the processing of the continuous-time signal can depend on physical measured variables.
  • the filtering, and thus the later learning, can take place depending on information about a physically occurring gear change in a transmission. This makes it possible to learn the Neural network with such a processed signal can be carried out in the best possible way depending on a gear change.
  • the step of filtering the time-continuous signal can be used to filter those values of the time-continuous signal that lie within a time range around a time of a gear change.
  • the time range can be symmetrical around the time of the gear change.
  • the step of determining the convolution only the values of the signal filtered within a time range around a time of a gear change can be used.
  • the synthetic signal the determination of the one-dimensional folding can be switched on within the time ranges around times of gear changes and switched off in the complementary time ranges.
  • a method can therefore be shown which can process a time-continuous signal in such a way that a neural network can only be trained within time ranges around a gear change.
  • These time ranges can represent the relevant ranges for training the neural network, since a sensor is to be emulated for these time ranges using the trained neural network.
  • cutting out areas of the continuous-time signal and merging such cut-out areas of the continuous-time signal for training the neural network can be avoided. This can prevent the neural network from learning jumps between cut-out areas of the time-continuous signal.
  • the time domain can be twice or three times the size of the Kemel.
  • the time range can include 100 or 150 points in time of the time-continuous signal.
  • the Kemel can be shifted within the time domain to determine the one-dimensional convolution of the filtered signal. With a Kemel with 50 points in time and a time range with 100 points in time, the Kemel can be moved over a range of 51 points in time.
  • the filtering step can occur depending on the step of determining the time range. In this way, the Kemel and then the time range can be determined first. Filtering can then take place with the specific time ranges.
  • a second aspect of the invention relates to a method for training a neural network.
  • the method has a step of processing at least one continuous-time signal according to a method according to an embodiment of the first aspect of the invention.
  • the method for training a neural network may include a step of processing at least one second continuous-time signal according to an embodiment of the first aspect of present invention.
  • the method for training the neural network further has a step of training the neural network with the processed continuous-time signal.
  • the step of training the neural network takes place with two or more processed continuous-time signals.
  • Such training of the neural network can be supervised training of the neural network.
  • a neural network can be used as a virtual transmission sensor.
  • Figure 3 shows schematically steps of a method for using a neural network according to one embodiment.
  • Fig. 2 shows schematically steps of a method for training a neural network.
  • the method has the step of processing S11 of at least one continuous-time signal.
  • processing steps S11 take place for exactly two time-continuous signals.
  • a step of processing S1 1 for a clutch pressure signal and a step of processing S11 for a temperature signal take place at one point in the transmission.
  • the method for training the neural network has a step Training S12 of the neural network with the two processed continuous-time signals.

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Transmission Device (AREA)

Abstract

Verfahren zum Aufbereiten (S11) wenigstens eines zeitkontinuierlichen Signals, wobei das zeitkontinuierliche Signal eine zeitliche Abhängigkeit eines Getriebeparameters beschreibt, und wobei das aufbereitete Signal zum Anlernen eines neuronalen Netzes verwendbar ist und wobei mittels des angelernten neuronalen Netzes eine Getriebedrehzahl bestimmbar ist, mit den Schritten: Erzeugen (S1) eines synthetischen Signals, welches Information zu einem Gangwechsel umfasst, Filtern (S2) des zeitkontinuierlichen Signals mittels des synthetischen Signals, wobei das Filtern (S2) in Abhängigkeit von Information zu einem Gangwechsel erfolgt, und Bestimmen (S3) einer eindimensionalen Faltung des gefilterten Signals mittels eines Kernels. Ferner Verfahren zum Anlernen und zur Verwendung eines neuronalen Netzes mit einem aufbereiteten zeitkontinuierlichen Signal.

Description

ZF Friedrichshafen AG
Verfahren zum Aufbereiten eines Getriebeparametersiqnals sowie Verfahren zum Anlernen und zur Verwendung eines neuronalen Netzes mittels des aufbereiteten Getrie- beparametersignals
Technisches Gebiet
Die vorliegende Erfindung betrifft ein Verfahren zum Aufbereiten wenigstens eines zeitkontinuierlichen Signals, wobei das zeitkontinuierliche Signal eine zeitliche Abhängigkeit eines Getriebeparameters beschreibt. Ferner betrifft die Erfindung ein Verfahren zum Anlernen eines neuronalen Netzes mit einem aufbereiteten zeitkontinuierlichen Signal, sowie ein Verfahren zur Verwendung eines neuronalen Netzes, welches mit dem Verfahren nach der vorliegenden Erfindung angelernt worden ist. Ferner betrifft die vorliegende Erfindung einen Computer zum Ausführen des Verfahrens zum Anlernen des neuronalen Netzes und ein Fahrzeug mit einem Steuergerät zum Ausführen des Verfahrens zur Verwendung des neuronalen Netzes.
Stand der Technik
Zum Anlernen von neuronalen Netzen werden Datensätze bereitgestellt. Diese werden vor dem Anlernen des neuronalen Netzes um Undefinierte Werte oder Lücken bereinigt, indem diese entfernt werden. Ferner werden einzelne Werte, beispielsweise Ausreißer, erkannt und verarbeitet, gegebenenfalls gelöscht. Dies trägt zur Verbesserung der Datenqualität bei. Mittels Wahrscheinlichkeitsverteilungen, beispielsweise Normalverteilungen, werden die Daten vor dem Anlernen um Asymmetrien korrigiert. Ferner werden die Daten normalisiert, um die Daten auf einen einheitlichen Wertebereich vor dem Anlernen des neuronalen Netzes zu skalieren. Beim Aufbereiten eines Signals zum Anlernen eines neuronalen Netzes kann es vorgesehen sein, lediglich bestimmte Wertebereiche des Signals zum Anlernen des neuronalen Netzes zu verwenden, um das neuronale Netz genau für die Zustände, welche den bestimmten Wertebereichen entsprechen, zu trainieren. Bei der Auswahl dieser Wertebereiche, und insbesondere bei dem Aneinanderfügen von ausgeschnittenen Wertebereichen zum Anlernen, können unerwünschte Übergänge an den Grenzen der Wertebereiche auftreten, mit welchen das neuronale Netz dann falsch angelernt wird. Darstellung der Erfindung
Ein erster Aspekt der Erfindung betrifft ein Verfahren zum Aufbereiten wenigstens eines zeitkontinuierlichen Signals. Das zeitkontinuierliche Signal beschreibt eine zeitliche Abhängigkeit eines Getriebeparameters. Das Signal kann ein Getriebeparametersignal sein. Getriebeparameter können beispielsweise Kupplungsdruck, Fahrgeschwindigkeit des Fahrzeugs, Drehzahl an einem oder mehreren Punkten innerhalb des Getriebes o- der Temperatur an einem oder mehreren Punkten des Getriebes sein. Das aufbereitete Signal ist zum Anlernen, oder Trainieren, eines neuronalen Netzes verwendbar.
Das neuronale Netz kann aus einer oder mehreren verdeckten Schichten bestehen.
Das neuronale Netz kann ein gerichtetes neuronales Netz, alternativ oder zusätzlich ein rekurrentes neuronales Netz, sein. Mittels des, mit dem aufbereiteten zeitkontinuierli- chen Signal, angelernten neuronalen Netzes ist eine Getriebedrehzahl bestimmbar. Das angelernte neuronale Netz kann einen virtuellen Getriebesensor an zumindest einer Stelle des Getriebes darstellen und eine Getriebedrehzahl bestimmen. Damit kann das neuronale Netz einen Getriebesensor emulieren.
Das Verfahren weist einen Schritt eines Erzeugens eines synthetischen Signals auf. Das synthetische Signal umfasst Information zu einem Gangwechsel. Das synthetische Signal kann ein zeitkontinuierliches Signal sein, wobei Information zum eingelegten Gang des Getriebes gegen die Zeit umfasst sein kann. Das Verfahren weist ferner einen Schritt eines Filterns des zeitkontinuierlichen Signals mittels des synthetischen Signals auf. Das Filtern des zeitkontinuierlichen Signals erfolgt in Abhängigkeit von Information zu einem Gangwechsel. Mit dem Schritt des Filterns können Werte des zeitkon- tinuierlichen Signals, welche zeitlich um den Gangwechsel erfolgen, gefiltert werden. Diese gefilterten Werte des zeitkontinuierlichen Signals können für das weitere Verfahren zum Aufbereiten des zeitkontinuierlichen Signals verwendet werden. Das Verfahren weist ferner einen Schritt eines Bestimmens einer eindimensionalen Faltung des gefilterten Signals mittels eines Kernels auf. Der Kernel kann ein eindimensionaler Kernel sein. Der Kemel kann ein Faltungsfenster, oder Fenster, darstellen. Mittels des Kemels kann im Schritt des Bestimmens lediglich der gefilterte Teil des zeitkontinuierlichen Signals gefaltet werden.
Es wird somit ein Verfahren bereitgestellt, bei welchem lediglich gefilterte Werte für die Bestimmung der eindimensionalen Faltung mittels des Kernels verwendet werden. In anderen Worten kann die Verwendung des Kernels zur eindimensionalen Faltung mittels des synthetischen Signals ein- und ausgeschaltet werden. Das ein- und ausschalten der eindimensionalen Faltung kann dabei in Abhängigkeit von einem Gangwechsel erfolgen. Ein Aufbereiten wenigstens eines zeitkontinuierlichen Signals mittels eines solchen Verfahrens kann dazu führen, dass lediglich relevante Zeitwerte des zeitkontinuierlichen Signals für das Anlernen des neuronalen Netzes verwendet werden. Dadurch kann, indem das Aufbereiten in Abhängigkeit von Information zu einem Gangwechsel erfolgt, das neuronale Netz so angelernt werden, dass ein Sensor optimal für Zustände um einen Gangwechsel emuliert werden kann, indem lediglich Zeitwerte des zeitkontinuierlichen Signals um einen Gangwechsel zum Anlernen verwendet werden.
Gemäß einer weiteren Ausführungsform kann der Schritt des Erzeugens des synthetischen Signals in Abhängigkeit von wenigstens einer physischen Messgröße erfolgen, wobei die physische Messgröße Information zu einem Gangwechsel umfassen kann. Die physische Messgröße kann dabei einen Kupplungsdruck innerhalb des Getriebes, Information zu einer Schnellfüllung innerhalb des Getriebes und alternativ oder zusätzlich Information zum Zustand von synchron drehenden Teilen innerhalb des Getriebes umfassen. Der Schritt des Erzeugens des synthetischen Signals kann in Abhängigkeit von mehr als einer physischen Messgröße erfolgen. Beispielsweise kann das synthetische Signal in Abhängigkeit vom Kupplungsdruck und von Temperatur an mehreren Stellen des Getriebes erfolgen. Somit kann ein synthetisches Signal erzeugt werden, welches einen Gangwechsel möglichst realitätsnah als synthetisches Signal darstellen kann.
Es kann somit ein Verfahren gezeigt sein, wobei das Aufbereiten des zeitkontinuierlichen Signals von physischen Messgrößen abhängen kann. Das Filtern, und damit das spätere Anlernen, kann in Abhängigkeit von Information zu einem physisch stattfindenden Gangwechsel in einem Getriebe erfolgen. Dadurch kann ein Anlernen des neuronalen Netzes mit einem solch aufbereiteten Signal bestmöglich in Abhängigkeit von einem Gangwechsel erfolgen.
Gemäß einer weiteren Ausführungsform können mit dem Schritt des Filterns des zeitkontinuierlichen Signals diejenigen Werte des zeitkontinuierlichen Signals gefiltert werden, welche innerhalb eines Zeitbereichs um einen Zeitpunkt eines Gangwechsels liegen. Der Zeitbereich kann dabei symmetrisch um den Zeitpunkt des Gangwechsels liegen. Im Schritt des Bestimmens der Faltung können lediglich die innerhalb eines Zeitbereichs um einen Zeitpunkt eines Gangwechsels gefilterten Werte des Signals verwendet werden. So kann mittels des synthetischen Signals das Bestimmen der eindimensionalen Faltung innerhalb der Zeitbereiche um Zeitpunkte von Gangwechseln angeschaltet werden und in den komplementären Zeitbereichen ausgeschaltet werden.
Es kann somit ein Verfahren gezeigt sein, welches ein zeitkontinuierliches Signal so aufbereiten kann, dass ein neuronales Netz lediglich innerhalb von Zeitbereichen um einen Gangwechsel angelernt werden kann. Diese Zeitbereiche können die relevanten Bereiche zum Anlernen des neuronalen Netzes darstellen, da für diese Zeitbereiche mittels des angelernten neuronalen Netzes ein Sensor emuliert werden soll. Durch das Definieren von Zeitbereichen kann ein Ausschneiden von Bereichen des zeitkontinuierlichen Signals und Zusammenfügen von solchen ausgeschnittenen Bereichen des zeitkontinuierlichen Signals zum Anlernen des neuronalen Netzes vermieden werden. Somit kann vermieden werden, dass das neuronale Netz Sprünge zwischen ausgeschnittenen Bereichen des zeitkontinuierlichen Signals anlernt.
Gemäß einer weiteren Ausführungsform kann das Verfahren ferner einen Schritt eines Bestimmens des Kemels aufweisen. Es kann die Größe und alternativ oder zusätzlich die Struktur des Kemels bestimmt werden. Beispielsweise kann der Kemel 50 oder 100 Zeitpunkte des zeitkontinuierlichen Signals umfassen. Alternativ oder zusätzlich kann der Kemel eine bestimmte Struktur aufweisen, mittels welcher bestimmte Gangwechsel, beispielsweise Gangwechsel, bei welchen ein oder mehrere Gänge übersprungen werden, gefiltert werden. Das Verfahren kann ferner einen Schritt eines Bestimmens des Zeitbereichs um einen Zeitpunkt eines Gangwechsels in Abhängigkeit von dem Schritt des Bestimmens des Kemels aufweisen. Der Schritt des Bestimmens des Zeitbereichs kann in Abhängigkeit von dem Schritt des Erzeugens des synthetischen Signals erfolgen. So kann der Zeitbereich um den Zeitpunkt des Gangwechsels bestimmt werden. Der Zeitbereich kann ein Vielfaches des Kemels, oder Fensters, sein. Beispielsweise kann der Zeitbereich doppelt oder dreimal so groß wie der Kemel sein. So kann bei einem Kemel, welcher 50 Zeitpunkte des zeitkontinuierlichen Signals umfasst, der Zeitbereich 100 oder 150 Zeitpunkte des zeitkontinuierlichen Signals umfassen. Der Kemel kann innerhalb des Zeitbereichs zum Bestimmen der eindimensionalen Faltung des gefilterten Signals verschoben werden. Bei einem Kemel mit 50 Zeitpunkten und einem Zeitbereich mit 100 Zeitpunkten kann somit der Kemel über einen Bereich von 51 Zeitpunkten verschoben werden. Der Schritt des Filterns kann in Abhängigkeit von dem Schritt des Bestimmens des Zeitbereichs erfolgen. So kann zunächst der Kemel und dann der Zeitbereich bestimmt werden. Mit den bestimmten Zeitbereichen kann dann das Filtern erfolgen.
Es kann somit ein Verfahren gezeigt sein, wodurch mittels eines bestimmten Kemels und eines bestimmten Zeitbereichs auf das zeitkontinuierliche Signal besser reagiert werden kann, um somit das zeitkontinuierliche Signal optimal für das Anlernen des neuronalen Netzes aufzubereiten. So kann der Zeitbereich kürzer gewählt werden, wenn Abhängigkeiten zwischen zeitkontinuierlichen Signalen lediglich innerhalb eines relativ kurzen Zeitbereichs um einen Gangwechsel zum Anlernen des neuronalen Netzes relevant sind. Ein größerer Zeitbereich kann verwendet werden, wenn diese Abhängigkeiten über einen längeren Zeitraum um einen Gangwechsel vorliegen. Durch Wahl des optimalen Zeitbereichs kann die Menge der Daten, welche zum Anlernen des neuronalen Netzes verwendet werden, optimiert, das heißt auf die relevanten Daten des zeitkontinuierlichen Signals reduziert werden.
Gemäß einer weiteren Ausführungsform kann der Schritt des Bestimmens des Zeitbereichs um einen Zeitpunkt eines Gangwechsels in Abhängigkeit von einem Zeitpunkt eines zeitlich darauffolgenden Gangwechsels erfolgen. So kann der Zeitbereich um einen Zeitpunkt eines Gangwechsels so bestimmt werden, dass er spätestens dann endet, wenn zwischen dem Zeitpunkt des aktuell betrachteten und des zeitlich darauffolgenden Gangwechsels die Hälfte der Zeit verstrichen ist. Es kann somit ein Verfahren gezeigt sein, wodurch Sprünge beim Anlernen des neuronalen Netzes innerhalb des zeitkontinuierlichen Signals zum Anlernen vermieden werden. Durch Verschieben des Kernels, oder des Fensters, von einem Zeitbereich zum anderen, und gerade nicht über den Sprung hinweg, kann vermieden werden, dass das neuronale Netz mit solchen Sprüngen angelernt wird.
Gemäß einer weiteren Ausführungsform kann das Verfahren zum Aufbereiten von wenigstens zwei zeitkontinuierlichen Signalen ausführbar sein. Die zwei zeitkontinuierlichen Signale können beispielsweise Kupplungsdrücke, Temperaturen an verschiedenen Stellen des Getriebes oder die Fahrgeschwindigkeit des Fahrzeugs umfassen. Ferner können die wenigstens zwei aufbereiteten Signale zum Anlernen eines neuronalen Netzes verwendbar sein. Es kann genau ein neuronales Netz mit den wenigstens zwei aufbereiteten Signalen angelernt werden. So kann das Verfahren zunächst auf das erste zeitkontinuierliche Signal ausführbar sein, und sodann kann das Verfahren auf das zweite zeitkontinuierliche Signal ausführbar sein. Alternativ oder zusätzlich kann das Verfahren parallel auf zwei zeitkontinuierliche Signale ausführbar sein. Die beiden aufbereiteten zeitkontinuierlichen Signale können dann zum Anlernen desselben neuronalen Netzes verwendbar sein.
Es kann somit ein Verfahren gezeigt sein, wodurch mehrere zeitkontinuierliche Signale aufbereitet werden können. Somit kann ein neuronales Netz angelernt werden, wobei der Zusammenhang zwischen verschiedenen zeitkontinuierlichen Signalen anlernbar ist. Dabei können alle zeitkontinuierlichen Signale, mit denen das neuronale Netz angelernt werden soll, mittels des Verfahrens aufbereitet werden. Somit kann das neuronale Netz angelernt werden, Zustände des Getriebes während eines Gangwechsels, alternativ oder zusätzlich zeitlich um einen Gangwechsel, zu bestimmen.
Ein zweiter Aspekt der Erfindung betrifft ein Verfahren zum Anlernen eines neuronalen Netzes. Das Verfahren weist einen Schritt eines Aufbereitens von wenigstens einem zeitkontinuierlichen Signal nach einem Verfahren gemäß einer Ausführungsform des ersten Aspekts der Erfindung auf. Zusätzlich kann das Verfahren zum Anlernen eines neuronalen Netzes einen Schritt eines Aufbereitens von wenigstens einem zweiten zeitkontinuierlichen Signal nach einer Ausführungsform des ersten Aspekts der vorliegenden Erfindung aufweisen. Das Verfahren zum Anlernen des neuronalen Netzes weist ferner einen Schritt eines Trainierens des neuronalen Netzes mit dem aufbereiteten zeitkontinuierlichen Signal auf. Alternativ erfolgt der Schritt des Trainierens des neuronalen Netzes mit zwei oder mehr aufbereiteten zeitkontinuierlichen Signalen. Ein solches Trainieren des neuronalen Netzes kann ein überwachtes Trainieren des neuronalen Netzes sein.
Ein dritter Aspekt der Erfindung betrifft ein Verfahren zur Verwendung eines neuronalen Netzes, welches mittels des Verfahrens nach einer Ausführungsform gemäß dem zweiten Aspekt der Erfindung angelernt worden ist. Das Verfahren zur Verwendung des neuronalen Netzes umfasst einen Schritt eines Einlesens von einem ersten zeitkontinuierlichen Signal. Das erste zeitkontinuierliche Signal kann ein Kupplungsdruck sein. Das Verfahren zur Verwendung des neuronalen Netzes weist ferner einen Schritt eines Einlesens von einem zweiten zeitkontinuierlichen Signal auf. Das zweite zeitkontinuierliche Signal kann ein Temperatursignal an einer Stelle des Getriebes sein. Das Verfahren zur Verwendung des neuronalen Netzes weist ferner einen Schritt eines Bestimmens einer Getriebedrehzahl mittels des neuronalen Netzes basierend auf dem ersten und zweiten eingelesenen Signal auf. Das Verfahren zur Verwendung des neuronalen Netzes weist ferner einen Schritt eines Ausgebens der bestimmten Getriebedrehzahl auf. Die Schritte des Einlesens des ersten und zweiten zeitkontinuierlichen Signals können zeitlich nacheinander oder zeitgleich erfolgen. Der Schritt des Bestimmens kann zeitlich nach den Schritten des Einlesens erfolgen. Der Schritt des Ausgebens kann zeitlich nach dem Schritt des Bestimmens erfolgen.
Mittels eines solchen Verfahrens kann ein neuronales Netz als virtueller Getriebesensor verwendet werden.
Ein vierter Aspekt der Erfindung betrifft einen Computer, welcher eingerichtet ist, das Verfahren zum Anlernen eines neuronalen Netzes nach einer Ausführungsform gemäß dem zweiten Aspekt der Erfindung auszuführen.
Ein fünfter Aspekt der Erfindung betrifft ein Fahrzeug, umfassend ein Steuergerät, wobei das Steuergerät eingerichtet ist, das Verfahren zur Verwendung eines neuronalen Netzes nach einer Ausführungsform gemäß dem dritten Aspekt der Erfindung auszufüh- ren.
Kurze Beschreibung der Figuren
Figur 1 zeigt schematisch Schritte eines Verfahrens zum Aufbereiten eines
Signals gemäß einer Ausführungsform.
Figur 2 zeigt schematisch Schritte eines Verfahrens zum Anlernen eines neuronalen Netzes gemäß einer Ausführungsform.
Figur 3 zeigt schematisch Schritte eines Verfahrens zur Verwendung eines neuronalen Netzes gemäß einer Ausführungsform.
Figur 4 zeigt schematisch einen Computer zum Anlernen eines neuronalen
Netzes sowie ein Fahrzeug zur Verwendung des neuronalen Netzes gemäß einer Ausführungsform.
Detaillierte Beschreibung von Ausführungsformen
Fig. 1 zeigt schematisch Schritte eines Verfahrens zum Aufbereiten S11 eines Signals gemäß einer Ausführungsform. Das Verfahren weist einen Schritt eines Erzeugens S1 eines synthetischen Signals auf. Das synthetische Signal umfasst Information zu einem Gangwechsel. Das Erzeugen S1 des synthetischen Signals erfolgt in Abhängigkeit von mehreren physischen Messgrößen, umfassend Kupplungsdruck innerhalb eines Getriebes, Temperaturen an Stellen innerhalb des Getriebes und Zustände von synchron drehenden Teilen innerhalb des Getriebes, wie Zustände einer Klauenschaltung. Das Verfahren weist ferner einen Schritt eines Bestimmens S4 eines Kernels auf. Der Kernel stellt ein Fenster für eine eindimensionale Faltung dar. Der Kemel, oder das Fenster, werden so bestimmt, dass eine bestimmte Anzahl von Zeitwerten des zeitkontinuierlichen Signals in dem Fenster umfasst werden. Das Verfahren weist ferner einen Schritt eines Bestimmens S5 eines Zeitbereichs um einen Zeitpunkt eines Gangwechsels auf. Der Schritt des Bestimmens S5 des Zeitbereichs um einen Zeitpunkt eines Gangwechsels erfolgt in Abhängigkeit vom Schritt des Bestimmens S4 des Kernels. Der Schritt des Bestimmens S5 des Zeitbereichs erfolgt in Abhängigkeit des Schritts des Erzeugens S1 des synthetischen Signals. So werden Zeitbereiche um Zeitpunkte von Gangwechseln bestimmt. Die Zeitbereiche werden in Abhängigkeit des Kernels, oder des Fensters, bestimmt. So werden symmetrisch gelegene Zeitbereiche als Vielfache des Kernels, oder Fensters, um den Zeitpunkt eines Gangwechsels bestimmt.
Das Verfahren weist ferner einen Schritt eines Filterns S2 des zeitkontinuierlichen Signals auf. Im Schritt des Filterns S2 werden diejenigen Werte des zeitkontinuierlichen Signals gefiltert, welche innerhalb eines Zeitbereichs um einen Zeitpunkt eines Gangwechsels liegen. Die Zeitbereiche sind im Schritt des Bestimmens S5 so bestimmt worden, dass sie sich nicht überschneiden.
Das Verfahren weist ferner einen Schritt eines Bestimmens S3 einer eindimensionalen Faltung eines gefilterten Signals mittels des Kemels auf. Im Schritt des Bestimmens S3 der eindimensionalen Faltung gleitet der Kernel, oder das Fenster, innerhalb eines Zeitbereichs von einem Ende des Zeitbereichs zum anderen Ende des Zeitbereichs und führt die eindimensionale Faltung des gefilterten Signals durch. Beim Erreichen eines Endes des Zeitbereichs wird der Kernel, oder das Fenster, zum Beginn eines Zeitbereichs eines zeitlich darauffolgenden Gangwechsels verschoben. Durch ein solches Verschieben erfolgt gerade keine Faltung über eine Zeitbereichsgrenze hinaus. Es wird keine eindimensionale Faltung über Sprünge zwischen den Zeitbereichen bestimmt. Die Faltung wird lediglich in einzelnen Zeitbereichen um Zeitpunkte eines Gangwechsels bestimmt.
Fig. 2 zeigt schematisch Schritte eines Verfahrens zum Anlernen eines neuronalen Netzes. Das Verfahren weist den Schritt des Aufbereitens S11 von wenigstens einem zeitkontinuierlichen Signal auf. In der gezeigten Ausführungsform erfolgen Schritte des Aufbereitens S11 für genau zwei zeitkontinuierliche Signale. Gemäß der gezeigten Ausführungsform erfolgt ein Schritt des Aufbereitens S1 1 für ein Kupplungsdrucksignal und ein Schritt des Aufbereitens S11 für ein Temperatursignal an einer Stelle des Getriebes. Ferner weist das Verfahren zum Anlernen des neuronalen Netzes einen Schritt eines Trainierens S12 des neuronalen Netzes mit den zwei aufbereiteten zeitkontinuierlichen Signalen auf.
Fig. 3 zeigt schematisch Schritte eines Verfahrens zur Verwendung eines neuronalen Netzes gemäß einer Ausführungsform. Das neuronale Netz ist mittels des Verfahrens, gezeigt in Fig. 2, angelernt worden. Das Verfahren zur Verwendung des neuronalen Netzes weist einen Schritt eines Einlesens S21 von einem ersten zeitkontinuierlichen Signal auf. Das erste zeitkontinuierliche Signal ist ein Kupplungsdruck. Das Verfahren zur Verwendung des neuronalen Netzes weist ferner einen Schritt eines Einlesens S22 von einem zweiten zeitkontinuierlichen Signal auf. Das zweite zeitkontinuierliche Signal ist ein Temperatursignal an einer Stelle des Getriebes. Das Verfahren zur Verwendung des neuronalen Netzes weist ferner einen Schritt eines Bestimmens S23 einer Getriebedrehzahl mittels des neuronalen Netzes auf. Der Schritt des Bestimmens S23 erfolgt basierend auf dem ersten und zweiten eingelesenen Signal, also basierend auf dem Kupplungsdruck und dem Temperatursignal. Durch das Anlernen des neuronalen Netzes mittels des in Fig. 2 schematisch gezeigten Verfahrens wird das neuronale Netz darauf trainiert, Bereiche um einen Gangwechsel zu trainieren. Bereiche, welche nicht unmittelbar um einen Gangwechsel liegen, können mittels einfacher physikalischer Zusammenhänge berechnet werden. Somit ist ein Trainieren des neuronalen Netzes auf diese Bereiche nicht vorteilhaft, da dies zu einer Vernachlässigung des Trainings des neuronalen Netzes um Bereiche des Gangwechsels führt. Daher wird im Schritt des Bestimmens S23 der Getriebedrehzahl eine Getriebedrehzahl um den Zeitbereich eines Gangwechsels möglichst genau bestimmt. Das Verfahren zur Verwendung des neuronalen Netzes weist ferner einen Schritt eines Ausgebens S24 der bestimmten Getriebedrehzahl auf. So wird die bestimmte Getriebedrehzahl, bestimmt durch das neuronale Netz als virtuellen Getriebesensor, an weitere Steuergeräte eines Fahrzeugs gesendet. Diese weiteren Steuergeräte können das Signal für Berechnungen verwenden.
Fig. 4 zeigt schematisch einen Computer 2 zum Anlernen eines neuronalen Netzes. Dabei ist der Computer 2 eingerichtet, das Verfahren zum Anlernen eines neuronalen Netzes, gemäß den hier gezeigten Ausführungsformen, auszuführen. Fig. 4 zeigt ferner schematisch ein Fahrzeug 4, umfassend ein Steuergerät 6, wobei das Steuergerät 6 eingerichtet ist, das Verfahren zur Verwendung des neuronalen Netzes, gemäß den hier gezeigten Ausführungsformen, auszuführen. Der Computer 2 weist einen Sender 8 auf, und das Fahrzeug 4 weist einen Empfänger 10 auf. Der Computer 2 ist eingerichtet, das neuronale Netz anzulernen. Der Computer 2 ist ferner eingerichtet, Information zum angelernten neuronalen Netz über den Sender 8 und den Empfänger 10 an das Fahrzeug 4 zu senden. Das Steuergerät 6 des Fahrzeugs 4 ist eingerichtet, das vom Computer 2 gesendete neuronale Netz zu verwenden.
Bezugszeichen Computer Fahrzeug Steuergerät Sender Empfänger Erzeugen eines synthetischen Signals Filtern eines zeitkontinuierlichen Signals Bestimmen einer eindimensionalen Faltung Bestimmen eines Kernels Bestimmen eines Zeitbereichs Aufbereiten eines zeitkontinuierlichen Signals Trainieren eines neuronalen Netzes Einlesen von einem ersten Signal Einlesen von einem zweiten Signal Bestimmen einer Getriebedrehzahl Ausgeben der Getriebedrehzahl

Claims

Patentansprüche
1. Verfahren zum Aufbereiten (S11 ) wenigstens eines zeitkontinuierlichen Signals, wobei das zeitkontinuierliche Signal eine zeitliche Abhängigkeit eines Getriebeparameters beschreibt, und wobei das aufbereitete Signal zum Anlernen eines neuronalen Netzes verwendbar ist und wobei mittels des angelernten neuronalen Netzes eine Getriebedrehzahl bestimmbar ist, mit den Schritten: Erzeugen (S1 ) eines synthetischen Signals, welches Information zu einem Gangwechsel umfasst, Filtern (S2) des zeitkontinuierlichen Signals mittels des synthetischen Signals, wobei das Filtern (S2) in Abhängigkeit von Information zu einem Gangwechsel erfolgt, und Bestimmen (S3) einer eindimensionalen Faltung des gefilterten Signals mittels eines Kemels.
2. Verfahren nach Anspruch 1 , wobei der Schritt des Erzeugens (S1 ) des synthetischen Signals in Abhängigkeit von wenigstens einer physischen Messgröße erfolgt, wobei die physische Messgröße Information zu einem Gangwechsel umfasst.
3. Verfahren nach einem der Ansprüche 1 oder 2, wobei mit dem Schritt des Filterns (S2) des zeitkontinuierlichen Signals diejenigen Werte des zeitkontinuierlichen Signals gefiltert werden, welche innerhalb eines Zeitbereichs um einen Zeitpunkt eines Gangwechsels liegen und wobei im Schritt des Bestimmens (S3) der Faltung lediglich die innerhalb eines Zeitbereichs um einen Zeitpunkt eines Gangwechsels gefilterten Werte des Signals verwendet werden.
4. Verfahren nach einem der vorhergehenden Ansprüche, ferner mit einem Schritt eines Bestimmens (S4) des Kernels, und mit einem Schritt eines Bestimmens (S5) des Zeitbereichs um einen Zeitpunkt eines Gangwechsels in Abhängigkeit von dem Schritt des Bestimmens (S4) des Kemels, wobei der Schritt des Filterns (S2) in Abhängigkeit von dem Schritt des Bestimmens (S5) des Zeitbereichs erfolgt.
5. Verfahren nach Anspruch 4, wobei der Schritt des Bestimmens (S5) des Zeitbereichs um einen Zeitpunkt eines Gangwechsels in Abhängigkeit von einem Zeitpunkt eines zeitlich darauffolgenden Gangwechsels erfolgt.
6. Verfahren nach einem der vorhergehenden Ansprüche, wobei das Verfahren zum Aufbereiten von wenigstens zwei zeitkontinuierlichen Signalen ausführbar ist, und die wenigstens zwei aufbereiteten Signale zum Anlernen eines neuronalen Netzes verwendbar sind.
7. Verfahren zum Anlernen eines neuronalen Netzes, mit den Schritten: Aufbereiten (S11 ) von wenigstens einem zeitkontinuierlichen Signal nach einem Verfahren gemäß einem der Ansprüche 1 bis 6, und Trainieren (S12) des neuronalen Netzes mit dem aufbereiteten zeitkontinuierlichen Signal.
8. Verfahren zur Verwendung eines neuronalen Netzes, welches mittels des Verfahrens nach Anspruch 7 angelernt worden ist, mit den Schritten: Einlesen (S21 ) von einem ersten zeitkontinuierlichen Signal, Einlesen (S22) von einem zweiten zeitkontinuierlichen Signal, Bestimmen (S23) einer Getriebedrehzahl mittels des neuronalen Netzes basierend auf dem ersten und zweiten eingelesenen Signal, und Ausgeben (S24) der bestimmen Getriebedrehzahl.
9. Computer (2), welcher eingerichtet ist, das Verfahren zum Anlernen eines neuronalen Netzes nach Anspruch 7 auszuführen.
10. Fahrzeug (4), umfassend ein Steuergerät (6), wobei das Steuergerät (6) eingerichtet ist, das Verfahren zur Verwendung eines neuronalen Netzes nach Anspruch 8 auszuführen.
EP23722576.8A 2022-06-02 2023-05-02 Verfahren zum aufbereiten eines getriebeparametersignals sowie verfahren zum an-lernen und zur verwendung eines neuronalen netzes mittels des aufbereiteten getriebeparametersignals Pending EP4532960A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022205670.1A DE102022205670B3 (de) 2022-06-02 2022-06-02 Verfahren zum Aufbereiten eines Getriebeparametersignals sowie Verfahren zum Anlernen und zur Verwendung eines neuronalen Netzes mittels des aufbereiteten Getriebeparametersignals
PCT/EP2023/061440 WO2023232364A1 (de) 2022-06-02 2023-05-02 Verfahren zum aufbereiten eines getriebeparametersignals sowie verfahren zum an-lernen und zur verwendung eines neuronalen netzes mittels des aufbereiteten getriebeparametersignals

Publications (1)

Publication Number Publication Date
EP4532960A1 true EP4532960A1 (de) 2025-04-09

Family

ID=86330393

Family Applications (1)

Application Number Title Priority Date Filing Date
EP23722576.8A Pending EP4532960A1 (de) 2022-06-02 2023-05-02 Verfahren zum aufbereiten eines getriebeparametersignals sowie verfahren zum an-lernen und zur verwendung eines neuronalen netzes mittels des aufbereiteten getriebeparametersignals

Country Status (3)

Country Link
EP (1) EP4532960A1 (de)
DE (1) DE102022205670B3 (de)
WO (1) WO2023232364A1 (de)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102017205713A1 (de) 2017-04-04 2018-10-04 Siemens Aktiengesellschaft Verfahren und Steuereinrichtung zum Steuern eines technischen Systems
DE102019121589A1 (de) * 2019-08-09 2021-02-11 Compredict Gmbh Verfahren zur Bestimmung einer Sensorkonfiguration
DE102019214402A1 (de) 2019-09-20 2021-03-25 Robert Bosch Gmbh Verfahren und vorrichtung zum verarbeiten von daten mittels eines neuronalen konvolutionsnetzwerks
JP7380475B2 (ja) * 2020-08-04 2023-11-15 トヨタ自動車株式会社 異常判定装置
JP2022030163A (ja) * 2020-08-06 2022-02-18 トヨタ自動車株式会社 摩擦係合要素の温度推定装置

Also Published As

Publication number Publication date
DE102022205670B3 (de) 2023-08-03
WO2023232364A1 (de) 2023-12-07

Similar Documents

Publication Publication Date Title
AT15099U2 (de) System zur Überwachung einer technischen Vorrichtung
DE102018209595A1 (de) Verfahren zum automatischen Bestimmen eines Straßenzustands
DE102023003005A1 (de) Verfahren zum individuellen Gestalten eines Anzeigeinhaltes einer Anzeigeeinheit
EP1122517B1 (de) Navigationssystem und Verfahren zur nutzerspezifischen Anpassung eines Navigationssystems
WO2023232364A1 (de) Verfahren zum aufbereiten eines getriebeparametersignals sowie verfahren zum an-lernen und zur verwendung eines neuronalen netzes mittels des aufbereiteten getriebeparametersignals
DE10242784B4 (de) Modulares Analysesystem und Verfahren zur Bestimmung der Topologie eines modularen Analysesystems
WO2011038838A1 (de) Akustische repräsentation von zuständen einer industriellen anlage
DE60114379T2 (de) System, fahrzeug und verfahren bezüglich des verhaltens eines fahrzeugs
WO2024165266A1 (de) Verfahren zum erzeugen von testdaten für eine simulation eines assistenzsystems eines zumindest teilweise assistiert betriebenen kraftfahrzeugs, computerprogrammprodukt, computerlesbares speichermedium sowie elektronische recheneinrichtung
EP3748574A1 (de) Adaptive bereinigung von messdaten um unterschiedliche arten von störungen
DE102004039884A1 (de) Verfahren und System zur Beschreibung und Ausführung automatischer Tests
WO1997030562B1 (de) Verfahren zum betrieb von telekommunikations-endgeräten über mindestens zwei kommunikationssysteme
DE102022117528A1 (de) Swept-parameter-oszilloskop
WO2022180218A1 (de) Vorrichtung zur verarbeitung von mindestens einem eingangsdatensatz unter verwendung eines neuronalen netzes sowie verfahren
DE102020212366A1 (de) Transformieren von Messdaten zwischen verschiedenen Konfigurationen von Messsystemen
EP3739400A1 (de) Sukzessive frequenzgangschätzung
DE102024118771A1 (de) Verfahren zum Entwerfen eines Bauteils
DE102004031007A1 (de) Verfahren zur Erzeugung eines künstlichen neuronalen Netzes zur Datenverarbeitung
EP1194882B1 (de) Mustersuche
DE102023204583A1 (de) Verteiltes Machine-Learning-Modell zur Kompression und Anonymisierung von übertragenen Fahrzeugdaten
DE102023202130A1 (de) Universelle Transformation von Verkehrsszenariendaten in Simulationseingangsdaten
EP4662678A1 (de) Erzeugungsverfahren für ein automatisiertes erzeugen von augenbewegungs-datensätzen zum trainieren einer künstlichen intelligenz zur klassifizierung von digitalen augenbewegungs-videos
DE10301525A1 (de) Verfahren und Rechengerät zur Synthese eines Impulsstörers auf einem Kraftfahrzeug-Bordnetz
DE102023207310A1 (de) Computer-implementiertes Verfahren zum Erzeugen eines neuronalen Netzwerks zum Bestimmen eines Zustands einer Maschine
EP2110676A2 (de) Verfahren zum Ermitteln eines Nutzsignals

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: 20241118

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 ME 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)