LU101181B1 - Verfahren zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs - Google Patents

Verfahren zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs Download PDF

Info

Publication number
LU101181B1
LU101181B1 LU101181A LU101181A LU101181B1 LU 101181 B1 LU101181 B1 LU 101181B1 LU 101181 A LU101181 A LU 101181A LU 101181 A LU101181 A LU 101181A LU 101181 B1 LU101181 B1 LU 101181B1
Authority
LU
Luxembourg
Prior art keywords
training
load
data
vehicle
prediction
Prior art date
Application number
LU101181A
Other languages
English (en)
Inventor
Ousama Esbel
Rafael Dr Fietzek
Stéphane Dr Foulard
Original Assignee
Compredict Gmbh
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 Compredict Gmbh filed Critical Compredict Gmbh
Priority to LU101181A priority Critical patent/LU101181B1/de
Priority to CN202080028256.7A priority patent/CN113785333A/zh
Priority to PCT/EP2020/060246 priority patent/WO2020208182A1/de
Priority to US17/602,761 priority patent/US12044598B2/en
Priority to EP20719969.6A priority patent/EP3953908A1/de
Application granted granted Critical
Publication of LU101181B1 publication Critical patent/LU101181B1/de

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01MTESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00Testing of vehicles
    • G01M17/007Wheeled or endless-tracked vehicles
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

Die Erfindung betrifft ein Verfahren (1) zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs. In einem Modellerstellungsvorgang (3) wird ausgehend von einem Trainingsfahrtdatenkollektiv, einem Trainingsfahrzeugdatenkollektiv, und einem Trainingsbelastungskollektiv ein Belastungsmodell mit einem Identifikationsverfahren erstellt. Das Trainingsfahrtdatenkollektiv beinhaltet eine Vielzahl von Trainingsfahrtdatensätzen, die jeweils für eine Trainingsfahrt eines Trainingskraftfahrzeugs auf einer Trainingsstrecke bestimmte Streckenverlaufsdaten und/oder Fahrtbegleitdaten beinhalten. Das Trainingsfahrzeugdatenkollektiv umfasst Fahrzeugdaten des bei der jeweiligen Trainingsfahrt verwendeten Trainingskraftfahrzeugs. Das Trainingsbelastungskollektiv weist Trainingsbelastungsdaten auf. Die Trainingsbelastungsdaten weisen jeweils eine zu einem Trainingsfahrtdatensatz korrespondierende messtechnisch erfasste oder auf Grundlage von Messgrößen berechnete Belastung des Bauteils auf. Das Belastungsmodell approximiert eine Wahrscheinlichkeitsverteilung der aufgetretenen Belastung bei einer vorgegebenen Trainingstrecke und/oder bei vorgegebenen Fahrtbegleitdaten und/oder in Abhängigkeit vorgegebener Fahrzeugdaten. In einem Modellauswertungsvorgang (4) wird die Belastungsvorhersage mit Hilfe des Belastungsmodells für eine vorgegebene Prädiktionsstrecke und/oder für vorgegebene Prädiktionsfahrtbegleitdaten und/oder in Abhängigkeit vorgegebener Prädiktionsfahrzeugdaten eines Prädiktionsfahrzeugs bestimmt.

Description

- 1 - CPR 9736 LU LU101181 Verfahren zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs Die Erfindung betrifft ein Verfahren zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs.
Bei der Auslegung von Kraftfahrzeugbauteilen wird üblicherweise eine über eine vorgegebene Lebensdauer zu erwartende Belastung für jedes Kraftfahrzeugbauteil ermittelt und das jeweilige Bauteil unter Berücksichtigung dieser Belastung ausgelegt.
Aus dem Stand der Technik ist es bekannt, die zu erwartende Belastung anhand von Trainingsfahrten mit Kraftfahrzeugen eines Kraftfahrzeugtyps zu ermitteln, wobei der Kraftfahrzeugtyp dem Typen entspricht, für den das neue Bauteil ausgelegt werden soll.
Zudem ist es aus der Druckschrift WO 2018/178 196 Al bekannt, die zur Ermittlung der Belastung erforderlichen Informationen während des Betriebs einer gesamten Kraftfahrzeugflotte zu ermitteln.
Insbesondere bei einem derartigen Vorgehen können für die Ermittlung der Belastung zahlreiche unterschiedliche Streckenverläufe mit variierenden Fahrbahneigenschaften und Wetterbedingungen sowie unterschiedlichen Fahrereigenschaften ermittelt und bei der Bestimmung der zu erwartenden Belastung berücksichtigt werden.
Die aus dem Stand der Technik bekannten Verfahren eignen sich grundsätzlich zur Ermittlung einer konkreten Belastung für ein bestimmtes Bauteil, sofern sämtliche Modelleingangsgrößen vorgegeben werden.
Um unterschiedliche Belastungen simulieren zu können, ist es erforderlich, Ce
- 2 - CPR 9736 LU LU101181 beispielsweise mehrere Geschwindigkeitsprofile für eine vorgegebene Strecke vorzugeben und auf dieser Grundlage mit den bekannten Belastungsmodellen entsprechende Belastungen zu bestimmen.
Zur Auslegung von Fahrzeugteilen ist es wünschenswert die Belastung des Bauteils bei einem typischen Fahrtverlauf zu ermitteln. Allerdings unterscheiden sich in der Realität Trainingsfahrten, auf deren Grundlage die Belastungsmodelle erstellt werden, auch wenn sie von einem professionellen Fahrer auf ein und derselben Trainingstrecke durchgeführt werden, leicht voneinander und führen zu unterschiedlichen Belastungsverläufen und, dementsprechend, Belastungen. Die Belastung und der Belastungsverlauf unterliegen in diesem Fall einer Wahrscheinlichkeitsverteilung, die die Wahrscheinlichkeit eines bestimmten Belastungszustandes in Abhängigkeit des verwendeten Trainingsfahrzeugs sowie des Streckenverlaufs der Trainingstrecke beschreibt. Derartige Einflüsse werden bei der Simulation von Belastungen und Belastunagsverläufen bei den aus dem Stand der Technik bekannten Verfahren nicht berücksichtigt. Bei der Belastung handelt es sich um die Gesamtbelastung wie z. B. ein Lastspektrum, die während einer Fahrt auf das Bauteil gewirkt hat, während es sich bei dem Belastungsverlauf um eine Zeitreihe einzelner Belastungswerte handelt, die während der Fahrt auf das Bauteil gewirkt haben. Aus dem Belastungsverlauf kann die Belastung bestimmt werden.
Im Sinne der nachfolgenden Beschreibung der Erfindung werden Daten, die für das Einlernen des Belastungsmodells
CL
- 3 - CPR 9736 LU LU101181 verwendet werden, mit dem Präfix „Training“ bezeichnet. Daten, die mit dem Belastungsmodell erzeugt werden, tragen das Präfix „Prädiktion“.
Als Aufgabe der Erfindung wird es angesehen, die aus dem Stand der Technik bekannten Verfahren zur Ermittlung eines Belastungsverlaufs bzw. einer Belastung weiterzuentwickeln. Diese Aufgabe wird erfindungsgemäß durch ein Verfahren zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs gelöst, wobei in einem Modellerstellungsvorgang ausgehend von einem Trainingsfahrtdatenkollektiv, einem Trainingsfahrzeugdatenkollektiv, und einem Trainingsbelastungskollektiv ein Belastungsmodell mit einem Identifikationsverfahren erstellt wird, wobei das Trainingsfahrtdatenkollektiv eine Vielzahl von Trainingsfahrtdatensätzen beinhaltet, die jeweils für eine Trainingsfahrt eines Trainingskraftfahrzeugs auf einer Trainingsstrecke bestimmte Streckenverlaufsdaten und/oder Fahrtbegleitdaten beinhalten, wobei das Trainingsfahrzeugdatenkollektiv Fahrzeugdaten des bei der jeweiligen Trainingsfahrt verwendeten Trainingskraftfahrzeugs umfasst, wobei das Trainingsbelastungskollektiv Trainingsbelastungsdaten aufweist, wobei die Trainingsbelastungsdaten jeweils eine zu einem Trainingsfahrtdatensatz korrespondierende messtechnisch erfasste oder auf Grundlage von Messgrößen berechnete Belastung des Bauteils aufweisen, wobei das Belastungsmodell eine Wahrscheinlichkeitsverteilung der aufgetretenen Belastung bei einer vorgegebenen Trainingstrecke und/oder bei vorgegebenen Fahrtbegleitdaten Ce
- 4 - CPR 9736 LU LU101181 und/oder in Abhängigkeit vorgegebener Fahrzeugdaten approximiert, und wobei in einem Modellauswertungsvorgang die Belastungsvorhersage mit Hilfe des Belastungsmodells für eine vorgegebene Prädiktionsstrecke und/oder für vorgegebene Prädiktionsfahrtbegleitdaten und/oder in Abhängigkeit vorgegebener Prädiktionsfahrzeugdaten eines Prädiktionsfahrzeugs bestimmt wurde. Vorteilhafterweise werden in dem Modellauswertungsvorgang zahlreiche Simulationen des Belastungsmodells für ein Pradiktionsfahrzeug durchgeführt. Auf diese Weise kann man die streuenden Nutzungsbedingungen besser abdecken, sodass man am Ende ein besseres Bild der wahrscheinlich auftretenden minimalen und maximalen Belastungen erhält.
Erfindungsgemäß ist vorteilhafterweise vorgesehen, dass es sich bei der Belastungsvorhersage um eine Belastungsverlaufsvorhersage handelt, wobei das Trainingsbelastungskollektiv Trainingsbelastungszeitreihen aufweist, wobei die Trainingsbelastungszeitreihen jeweils einen zu einem Trainingsfahrtdatensatz korrespondierenden messtechnisch erfassten oder auf Grundlage von Messgrößen berechneten Belastungsverlauf des Bauteils aufweisen, wobei das Belastungsmodell die Wahrscheinlichkeitsverteilung des aufgetretenen Belastungsverlaufs approximiert, und wobei in dem Modellauswertungsvorgang die Belastungsverlaufsvorhersage bestimmt wird. Bei dem Modellauswertungsvorgang werden vorteilhafterweise eine Vielzahl von Prädiktionsbelastungszeitreihen ermittelt, wobei die bei den Prädiktionsbelastungszeitreihen jeweils berechneten einzelnen Belastungszustände wieder der Wahrscheinlichkeitsverteilung folgen. Auf diese können beispielsweise die sich leicht voneinander unterscheidenden
CE
- 5 - CPR 9736 LU LU101181 Belastungsverläufe bei Trainingsfahrten eines Trainingsfahrers mit einem vorgegebenen Trainingsfahrzeug auf einer bestimmen Trainingstrecke simulieren. Bei den ermittelten Belastungsverläufen handelt es sich jeweils um Zeitreihen.
Die Trainingsfahrten werden vorteilhafterweise als geplante Versuchsfahrten durchgeführt. Es ist jedoch auch môglich und erfindungsgemäß vorgesehen, dass es sich bei den Trainingsfahrten um normale StraRenfahrten von beliebigen Kraftfahrzeugen handelt, wobei die für die Modellbildung erforderlichen Daten in den Kraftfahrzeugen erfasst und beispielsweise drahtlos an einen zentralen Server übertragen werden.
Vorteilhafterweise ist erfindungsgemäB vorgesehen, dass es sich bei den Trainingsfahrtdatensätzen um Trainingsfahrtzeitreihen handelt. Die verschiedenen Trainingsfahrtzeitreihen können erfindungsgemäß Zeitreihenabschnitte einer einzigen Trainingsfahrt darstellen.
Die Trainingsfahrtdatensätze können vorgegeben oder messtechnisch erfasst werden. So ist es beispielsweise möglich, den Streckenverlauf aus einer vorliegenden Karte der Trainingstrecke zu ermitteln und vorzugeben oder den Streckenverlauf bei der Trainingsfahrt beispielsweise per GPS zu ermitteln.
Erfindungsgemäß kann das Belastungsmodell auf Grundlage einer probabilistischen Modellstruktur bestimmt werden. Aus dem Stand der Technik sind verschiedene Modellstrukturen
GG
- 6- CPR 9736 LU LU101181 bekannt, die die Approximation von Wahrscheinlichkeitsverteilungen erlauben. Vorteilhafterweise ist erfindungsgemäB vorgesehen, dass das Belastungsmodell auf Grundlage einer generativen Modellstruktur bestimmt wird. Auf diese Weise kann der Berechnungsaufwand zur Erstellung des Belastungsmodells erheblich verringert werden. Als Modellstruktur kommen vorteilhafterweise vollständig sichtbare Bayes-Netze oder ein gerichtetes Modell wie beispielsweise ein Variational Autoencoder. Bei einer besonders vorteilhaften Ausgestaltung des erfindungsgemäBen Verfahrens ist vorgesehen, dass als Modellstruktur für das Belastungsmodell ein Recurrent Conditional Generative Adverserial Network verwendet wird. Die Verwendung dieser Modellstrukturen für probabilistische Modelle sind dem Fachmann bekannt und werden beispielsweise in Ian Goodfellow, Yoshua Bengio, Aaron Courville: Deep Learning, mitp Verlag Frechen, ISBN: 9783958457003 beschrieben.
Das erfindungsgemäße Verfahren kann dazu verwendet werden, realistische Belastungen und Belastungsverläufe unter vorgegebenen Bedingungen, das heißt für einen Streckenverlauf sowie einen Fahrzeugtyp, zu ermitteln. Auf diese Weise kann beispielsweise die Wahrscheinlichkeitsverteilung, die auf das Fahrverhalten des Trainingsfahrers bzw. der Trainingsfahrer zurückzuführen ist, abgebildet werden.
Es ist aber auch möglich und erfindungsgemäß vorgesehen, dass unterschiedliche Trainingsfahrtdatensätze Streckenverlaufsdaten sowie Fahrtbegleitdaten beinhalten,
CE
- 7 = CPR 9736 LU LU101181 die unter voneinander abweichenden Trainingsbedingungen durchgeführt wurden. So ist es vorteilhafterweise möglich, Trainingsfahrten mit unterschiedlichen Trainingsfahrzeugen desselben Fahrzeugtyps auf einer Trainingstrecke durchzuführen, um eine beispielsweise durch eine Fertigungsstreuung oder andere Einflüsse beeinflusste Wahrscheinlichkeitsverteilung für den Belastungsverlauf zu bestimmen.
Erfindungsgemäß ist vorgesehen, dass die unterschiedlichen Trainingsbedingungen darin bestehen, dass die Trainingsfahrten mit mindestens zwei verschiedenen Trainingskraftfahrzeugen durchgeführt wurden und/oder auf mindestens zwei unterschiedlichen Trainingstrecken durchgeführt wurden und/oder bei mindestens zwei verschiedenen Umgebungsbedingungen durchgeführt wurden. Es ist auch möglich und erfindungsgemäß vorgesehen, dass verschiedene Versuchsparameter variiert werden, um ein allgemein gültiges Modell für die Wahrscheinlichkeitsverteilung unter verschiedenen Bedingungen zu ermitteln.
Die Fahrzeugdaten beinhalten vorteilhafterweise eine Fahrzeugmasse, ein Luftwiderstandsbeiwert und ein Reifendurchmesser des Trainingskraftfahrzeugs. Bei den Fahrzeugdaten handelt es sich grundsätzlich um vorgegebene Parameter des Trainingskraftfahrzeugs. Bei den Fahrzeugdaten handelt es sich hingegen nicht um sich während des Betriebs des Kraftfahrzeugs ändernde Parameter wie beispielsweise eine Fahrzeuggeschwindigkeit.
Ce
- 8 - CPR 9736 LU LU101181 Vorteilhafterweise ist erfindungsgemäß vorgesehen, dass die Trainingskraftfahrzeuge von einem anderen Fahrzeugtyp sind als das Prädiktionsfahrzeug. Auf diese Weise kônnen mit Hilfe des Belastungsmodells unterschiedliche Belastungsverlaufe für verschiedene Fahrzeugtypen ermittelt werden, die einer realistischen Belastungsverteilung folgen. Um in dem Belastungsmodell eine Belastungsdynamik zu berücksichtigen, ist erfindungsgemäß auch vorgesehen, dass in dem Belastungsmodell eine Dynamik einer Bauteilbelastung über den gefahrenen oder vorgegebenen Streckenverlauf berücksichtigt wird.
Weitere vorteilhafte Ausgestaltungen des erfindungsgemäBen Verfahrens werden anhand eines in der Zeichnung dargestellten Ausführungsbeispiels näher erläutert.
Es zeigt: Figur 1 ein schematisch dargestelltes Ablaufdiagramm des erfindungsgemäßen Verfahrens, Figur 2 eine schematische Darstellung eines Belastungskollektivs bestehend aus Belastungszeitreihen und Figur 3 eine schematische Darstellung eines Belastungskollektivs aufgetragen über kumulierte Lastzyklen.
Bei dem in Figur 1 schematisch dargestellten Verfahren 1 wurden in einem Versuchsvorgang 2 zunächst eine Vielzahl
- 9 - CPR 9736 LU LU101181 von Trainingsfahrten von einem einzelnen Trainingsfahrer oder von verschiedenen Trainingsfahrern mit einem Traininaskraftfahrzeug oder mit verschiedenen Trainingskraftfahrzeugen auf einer einzigen Trainingstrecke oder auf verschiedenen Trainingsstrecken durchgeführt und die bei den verschiedenen Trainingsfahrten aufgetretenen Belastungszeitreihen ermittelt. Zudem wurden für jede Trainingsfahrt Streckenverlaufsdaten bestimmt.
Ausgehend von den aus diesen Zeitreihendaten gebildeten Belastungszeitreihenkollektiv und Trainingsfahrtdatenkollektiv sowie von Fahrzeugdaten des Trainingsfahrzeugs oder der Trainingskraftfahrzeuge umfassenden Trainingsfahrzeugdatenkollektivs werden in einem Modellerstellungsvorgang 3 ein Wahrscheinlichkeitsverteilungen der Belastungsverlaufe approximierendes Belastungsmodell bestimmt. Auf Grundlage dieses Modells können dann in einem Modellauswertungsvorgang 4 zahlreiche Belastungen bestimmt und fir eine Simulation beispielsweise einer Belastung eines bestimmten Bauteils eines sich noch in der Entwicklung befindlichen Kraftfahrzeugs verwendet werden. Die ermittelten Belastungsverläufe folgen dabei wiederum den mit dem Modell approximierten Wahrscheinlichkeitsverteilungen der bei den Trainingsfahrten ermittelten Trainingsdaten.
In Figur 2 ist schematisch ein Belastungskollektiv 5 dargestellt. Das Belastungskollektiv 5 besteht aus einer Vielzahl von Belastungszeitreihen, die einer Wahrscheinlichkeitsverteilung folgen. In der Zeichnung sind
A
- 10 - CPR 9736 LU LU101181 schematisch ein wahrscheinlichster Belastungsverlauf 6 sowie Streuungsbereichsgrenzen 7 dargestellt.
Figur 3 zeigt schematisch ein Belastungskollektiv 5. In der Darstellung sind Belastungen über kumulierte Lastzyklen aufgetragen. Bei der Darstellung treten grôBere Belastungen seltener auf als kleine Belastungen. Zudem ist eine durch die Streuungsbereichsgrenzen 7 gekennzeichnete Streuung der Ausprägungen großer Lasten größer als die kleinen Lasten.
DR. SEBASTIAN CLEVER PATENTANWALT

Claims (9)

- 11 - CPR 9736 LU LU101181 PATENTANSPRÜCHE
1. Verfahren (1) zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs, wobei in einem Modellerstellungsvorgang (3) ausgehend von einem Trainingsfahrtdatenkollektiv, einem Trainingsfahrzeugdatenkollektiv, und einem Trainingsbelastungskollektiv ein Belastungsmodell mit einem Identifikationsverfahren erstellt wird, wobei das Trainingsfahrtdatenkollektiv eine Vielzahl von Trainingsfahrtdatensätzen beinhaltet, die jeweils für eine Trainingsfahrt eines Trainingskraftfahrzeugs auf einer Trainingsstrecke bestimmte Streckenverlaufsdaten und/oder Fahrtbegleitdaten beinhalten, wobei das Trainingsfahrzeugdatenkollektiv Fahrzeugdaten des bei der jeweiligen Trainingsfahrt verwendeten Trainingskraftfahrzeugs umfasst, wobei das Trainingsbelastungskollektiv Trainingsbelastungsdaten aufweist, wobei die Trainingsbelastungsdaten jeweils eine zu einem Trainingsfahrtdatensatz korrespondierende messtechnisch erfasste oder auf Grundlage von Messgrößen berechnete Belastung des Bauteils aufweisen, wobei das Belastungsmodell eine Wahrscheinlichkeitsverteilung der aufgetretenen Belastung bei einer vorgegebenen Trainingstrecke und/oder bei vorgegebenen Fahrtbegleitdaten und/oder in Abhängigkeit vorgegebener Fahrzeugdaten approximiert, und wobei in einem Modellauswertungsvorgang (4) die Belastungsvorhersage mit Hilfe des Belastungsmodells für eine vorgegebene Prädiktionsstrecke und/oder für vorgegebene Prädiktionsfahrtbegleitdaten und/oder in Abhängigkeit vorgegebener =
- 12 - CPR 9736 LU LU101181 Prädiktionsfahrzeugdaten eines Prädiktionsfahrzeugs bestimmt wird.
2. Verfahren (1) gemäß Anspruch 1, dadurch gekennzeichnet, dass es sich bei der Belastungsvorhersage um eine Belastungsverlaufsvorhersage handelt, wobei das Trainingsbelastungskollektiv Trainingsbelastungszeitreihen aufweist, wobei die Trainingsbelastungszeitreihen jeweils einen zu einem Trainingsfahrtdatensatz korrespondierenden messtechnisch erfassten oder auf Grundlage von Messgrößen berechneten Belastungsverlauf (6) des Bauteils aufweisen, wobei das Belastungsmodell die Wahrscheinlichkeitsverteilung des aufgetretenen Belastungsverlaufs (6) approximiert, und wobei in dem Modellauswertungsvorgang (4) die Belastungsverlaufsvorhersage bestimmt wird.
3. Verfahren (1) gemäß Anspruch 1 oder Anspruch 2, dadurch gekennzeichnet, dass es sich bei den Trainingsfahrtdatensätzen um Trainingsfahrtzeitreihen handelt.
4. Verfahren (1) gemäß einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass das Belastungsmodell auf Grundlage einer generativen Modellstruktur bestimmt wird.
5. Verfahren (1) gemäß Anspruch 4, dadurch gekennzeichnet, dass als Modellstruktur für das Belastungsmodell ein Recurrent Conditional Generative Adverserial Network verwendet wird.
<<
- 13 - CPR 9736 LU LU101181
6. Verfahren (1) gemäß einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass unterschiedliche Trainingsfahrtdatensätze Streckenverlaufsdaten sowie Fahrtbegleitdaten beinhalten, die unter voneinander abweichenden Trainingsbedingungen durchgeführt wurden.
7. Verfahren (1) gemäß Anspruch 6, dadurch gekennzeichnet, dass die unterschiedlichen Trainingsbedingungen darin bestehen, dass die Trainingsfahrten mit mindestens zwei verschiedenen Trainingskraftfahrzeugen durchgeführt wurden und/oder auf mindestens zwei unterschiedlichen Trainingstrecken durchgeführt wurden und/oder bei mindestens zwei verschiedenen Umgebungsbedingungen durchgeführt wurden.
8. Verfahren (1) gemäß einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass die Fahrzeugdaten eine Fahrzeugmasse, einen Luftwiderstandsbeiwert und einen Reifendurchmesser des Trainingskraftfahrzeugs beinhalten.
9. Verfahren (1) gemäß einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass die Trainingskraftfahrzeuge von einem anderen Fahrzeugtyp sind als das Prädiktionsfahrzeug.
GE
LU101181A 2019-04-12 2019-04-12 Verfahren zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs LU101181B1 (de)

Priority Applications (5)

Application Number Priority Date Filing Date Title
LU101181A LU101181B1 (de) 2019-04-12 2019-04-12 Verfahren zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs
CN202080028256.7A CN113785333A (zh) 2019-04-12 2020-04-09 用于确定机动车的组件的负荷预测的方法
PCT/EP2020/060246 WO2020208182A1 (de) 2019-04-12 2020-04-09 Verfahren zur bestimmung einer belastungsvorhersage für ein bauteil eines kraftfahrzeugs
US17/602,761 US12044598B2 (en) 2019-04-12 2020-04-09 Method for determining a load prediction for a component of a vehicle
EP20719969.6A EP3953908A1 (de) 2019-04-12 2020-04-09 Verfahren zur bestimmung einer belastungsvorhersage für ein bauteil eines kraftfahrzeugs

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
LU101181A LU101181B1 (de) 2019-04-12 2019-04-12 Verfahren zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs

Publications (1)

Publication Number Publication Date
LU101181B1 true LU101181B1 (de) 2020-10-12

Family

ID=66530391

Family Applications (1)

Application Number Title Priority Date Filing Date
LU101181A LU101181B1 (de) 2019-04-12 2019-04-12 Verfahren zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs

Country Status (5)

Country Link
US (1) US12044598B2 (de)
EP (1) EP3953908A1 (de)
CN (1) CN113785333A (de)
LU (1) LU101181B1 (de)
WO (1) WO2020208182A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115452409A (zh) * 2022-08-30 2022-12-09 重庆长安汽车股份有限公司 一种汽车变速器分段式载荷谱生成方法及终端设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2947448A1 (de) * 2014-05-20 2015-11-25 HORIBA, Ltd. Fahrzeugtestsystem
WO2018178196A1 (de) 2017-03-30 2018-10-04 Technische Universität Darmstadt Verfahren zur bestimmung einer schädigungsmassunsicherheit eines kraftfahrzeugs

Family Cites Families (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6550320B1 (en) * 2000-05-31 2003-04-22 Continental Ag System and method for predicting tire forces using tire deformation sensors
AT500978B8 (de) * 2003-05-13 2007-02-15 Avl List Gmbh Verfahren zur optimierung von fahrzeugen
DE50305439D1 (de) * 2003-12-19 2006-11-30 Ford Global Tech Llc Vorrichtung und Verfahren zur Kontrolle eines Bordnetzes
US7461556B2 (en) * 2005-11-03 2008-12-09 Chip Ganassi Racing Teams, Inc. Test system for dynamically analyzing a vehicle under simulated road conditions
US8972161B1 (en) * 2005-11-17 2015-03-03 Invent.Ly, Llc Power management systems and devices
US20080114506A1 (en) * 2006-11-10 2008-05-15 Davis Christopher L Hard landing detection
WO2010096783A1 (en) * 2009-02-20 2010-08-26 The Trustees Of Columbia University In The City Of New York Dynamic contingency avoidance and mitigation system
DE102010063358A1 (de) 2010-12-17 2012-06-21 Robert Bosch Gmbh Verfahren und Vorrichtung zum Bestimmen einer Leistungsreserve eines elektrischen Antriebs
WO2012088536A1 (en) * 2010-12-23 2012-06-28 Cummins Intellectual Property, Inc. System and method of speed-based downspeed coasting management
US8972090B2 (en) * 2012-04-04 2015-03-03 Chrysler Group Llc Predictive powertrain control using powertrain history and GPS data
US9165477B2 (en) * 2013-12-06 2015-10-20 Vehicle Data Science Corporation Systems and methods for building road models, driver models, and vehicle models and making predictions therefrom
US10380277B2 (en) * 2014-02-28 2019-08-13 Sikorsky Aircraft Corporation Application of virtual monitoring of loads
GB2524745A (en) * 2014-03-31 2015-10-07 Jaguar Land Rover Ltd Wading simulation method
AT514144B1 (de) * 2014-07-25 2016-01-15 Avl List Gmbh Verfahren und Prüfstand zum Testen eines Verbundes von Komponenten eines Fahrzeugs
US9576245B2 (en) * 2014-08-22 2017-02-21 O Power, Inc. Identifying electric vehicle owners
US20180275044A1 (en) * 2015-09-25 2018-09-27 Sikorsky Aircraft Corporation System and method for load-based structural health monitoring of a dynamical system
DE102015120107A1 (de) 2015-11-19 2017-05-24 Technische Universität Darmstadt Verfahren zur Auslegung und Dimensionierung eines Neuteils eines Kraftfahrzeugs
US10467824B2 (en) * 2016-04-26 2019-11-05 Walter Steven Rosenbaum Method for determining driving characteristics of a vehicle and vehicle analyzing system
DE102016120052A1 (de) 2016-10-20 2018-04-26 Technische Universität Darmstadt Verfahren zur Ermittlung von Stützpunkten eines Versuchsplans
JP6673293B2 (ja) 2017-05-24 2020-03-25 トヨタ自動車株式会社 車両システム
DE102017007136A1 (de) * 2017-07-27 2019-01-31 Opel Automobile Gmbh Verfahren und Vorrichtung zum Trainieren selbstlernender Algorithmen für ein automatisiert fahrbares Fahrzeug
US20190308624A1 (en) * 2018-04-04 2019-10-10 Cummins Inc. Intelligent adaptive cruise control for platooning
CN108510128B (zh) * 2018-04-11 2022-04-15 华南理工大学广州学院 一种区域电动汽车充电负荷时空分布预测方法
CN108830414B (zh) 2018-06-12 2021-11-09 南京邮电大学 一种电动汽车商用充电区的负荷预测方法
US11829275B2 (en) * 2018-10-17 2023-11-28 Toyota Research Institute, Inc. Systems and methods for automatic test generation
DE102018130759A1 (de) * 2018-12-04 2020-06-04 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Reproduktion eines im Fahrbetrieb eines Fahrzeugs auftreten-den Fehlers
US20200310479A1 (en) * 2019-03-28 2020-10-01 PowerSecure Inc. Systems and methods for controlling an energy supply system
US11263363B2 (en) * 2020-05-22 2022-03-01 Angl Llc Dynamic generation and modification of a design model of a building for a construction project

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2947448A1 (de) * 2014-05-20 2015-11-25 HORIBA, Ltd. Fahrzeugtestsystem
WO2018178196A1 (de) 2017-03-30 2018-10-04 Technische Universität Darmstadt Verfahren zur bestimmung einer schädigungsmassunsicherheit eines kraftfahrzeugs

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
IAN GOODFELLOWYOSHUA BENGIOAARON COURVILLE: "Deep Learning", ERLAG FRECHEN

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115452409A (zh) * 2022-08-30 2022-12-09 重庆长安汽车股份有限公司 一种汽车变速器分段式载荷谱生成方法及终端设备

Also Published As

Publication number Publication date
WO2020208182A1 (de) 2020-10-15
EP3953908A1 (de) 2022-02-16
US12044598B2 (en) 2024-07-23
CN113785333A (zh) 2021-12-10
US20220178789A1 (en) 2022-06-09

Similar Documents

Publication Publication Date Title
DE102018128290A1 (de) Verfahren und vorrichtung zum erzeugen von szenarien und parametrischen sweeps für die entwicklung und bewertung von autonomen antriebssystemen
DE102012016768A1 (de) Technik zum Verarbeiten kartographischer Daten für das Bestimmen energiesparender Routen
AT520320A4 (de) Verfahren und eine Vorrichtung zum Erzeugen eines dynamischen Geschwindigkeitsprofils eines Kraftfahrzeugs
DE102016220913A1 (de) Verfahren und Vorrichtung zur Generierung von Testfällen für autonome Fahrzeuge
DE102018215329A1 (de) Computerimplementiertes Simulationsverfahren und Anordnung zum Testen von Steuergeräten
DE102019203712B4 (de) Verfahren zum Trainieren wenigstens eines Algorithmus für ein Steuergerät eines Kraftfahrzeugs, Computerprogrammprodukt, Kraftfahrzeug sowie System
DE102016210453A1 (de) Fahrzeug, System in Kommunikation mit einem Kommunikationsmodul des Fahrzeugs, und System in Kommunikation mit einer Gruppe von Fahrzeugen
DE102013207658A1 (de) Verfahren zum Bestimmen eines Fahrspurverlaufes einer Fahrspur
EP1172631B1 (de) Verfahren zur Fahrroutenberechnung in einem Navigationsgerät
DE102011056777A1 (de) Schwerpunktermittlung
DE102016207276A1 (de) Verfahren zur Freigabe einer Fahrfunktion in einem Fahrzeug
DE102017105631A1 (de) Fahrzeugschadendetektor
DE102019134053A1 (de) Verfahren zur kontinuierlichen Absicherung im Fahrversuch applizierter automatisierter Fahrfunktionen
DE102013015145B4 (de) Verfahren zum Testen und Bewerten der Qualität digitaler Karten
DE102019205520A1 (de) Verfahren zum Ermitteln von Fahrverläufen
DE202022106107U1 (de) System zur Prüfung von automatisierten Fahrsystemen der Stufe 3 (ADS)
LU101181B1 (de) Verfahren zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs
DE102022202885A1 (de) Verfahren und Vorrichtung zur nutzerabhängigen Auswahl eines batteriebetriebenen technischen Geräts abhängig von einem Nutzungsprofil eines Nutzers
EP2423643A1 (de) Technik zur bildschirmbasierten Routenmanipulation
EP3871052B1 (de) Verfahren zur kalibirierung eines technischen systems
DE102008047958B4 (de) Verfahren zur beanspruchungsabhängigen Auslegung eines Bauteils
DE102021202083A1 (de) Computerimplementiertes Verfahren zum Trainieren wenigstens eines Algorithmus für eine Steuereinheit eines Kraftfahrzeugs, Computerprogrammprodukt, Steuereinheit sowie Kraftfahrzeug
DE102018217610A1 (de) Verfahren zur Luftqualitätsoptimierung, Steuerung, Fahrzeug und System zur Durchführung des Verfahrens
DE102019002594A1 (de) Verfahren zur Aktualisierung einer optimalen Routenführung
DE102019215656A1 (de) Verfahren zum Bewerten einer ausgewählten Route, Routenbewertungssystem und Computerprogramm

Legal Events

Date Code Title Description
FG Patent granted

Effective date: 20201012