WO2016198047A1 - Verfahren für die erstellung eines simulationsmodells zur abbildung zumindest eines funktionalen prozesses einer antriebstrangkomponente - Google Patents

Verfahren für die erstellung eines simulationsmodells zur abbildung zumindest eines funktionalen prozesses einer antriebstrangkomponente Download PDF

Info

Publication number
WO2016198047A1
WO2016198047A1 PCT/DE2016/100263 DE2016100263W WO2016198047A1 WO 2016198047 A1 WO2016198047 A1 WO 2016198047A1 DE 2016100263 W DE2016100263 W DE 2016100263W WO 2016198047 A1 WO2016198047 A1 WO 2016198047A1
Authority
WO
WIPO (PCT)
Prior art keywords
model
simulation
transformation function
models
optimization
Prior art date
Application number
PCT/DE2016/100263
Other languages
English (en)
French (fr)
Inventor
Silja THEWES
Christoph REUBER
Markus LANGE-HEGERMANN
Original Assignee
Fev 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 Fev Gmbh filed Critical Fev Gmbh
Priority to DE112016002596.3T priority Critical patent/DE112016002596A5/de
Publication of WO2016198047A1 publication Critical patent/WO2016198047A1/de

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]

Definitions

  • the present invention relates to two methods for the creation of a simulation model for mapping, in particular in the form of a simulation, at least one functional process of a powertrain component and two corresponding computer program products for carrying out such methods.
  • test benches and their use are associated with a high expenditure of time and correspondingly high costs during operation. Therefore, there is currently a desire to significantly reduce the time for the use of test benches.
  • One way of reducing test bench occupancy times is to use a so-called “Design of Experiment”, also called DoE, for the test bench trials, and then to create simulation models from the test bench data that allow a mathematical description of the real functional process of the powertrain components , Accordingly, such simulation models calculate the relationship between input values and output values, so that a calculation or simulation for at least parts of the functional process of the real drive train components on a computer can be computationally determined.
  • a disadvantage of the known solutions for simulation models is to create the most suitable simulation model and then select it.
  • mathematical methods are used to create simulation models from basic models, on which a basic function space is based, and to adapt them to corresponding relationships between input variables and output variables.
  • a variety of possible simulation models are validated and evaluated for their qualitative assessment with respect to the real powertrain component.
  • different basic models are used to create the simulation models.
  • the underlying basic function space of the respective basic model always represents a compromise for the entire width of the input variable range of the functional process of the drive train component.
  • a method for the creation of a simulation model for imaging at least one functional process of a drive train component. Such a method comprises the following steps:
  • An inventive method is used to create a simulation model, which is not based solely on a basic model, but extends this basic model by combining with input and / or output transformations.
  • the basis function space underlying the basic model is defined, in particular if the data-based regression process is implemented using Gaussian-Process models on the specification of mean value function and covariance function, whereby these depend on so-called hyperparameters.
  • the basic model can be adapted or trained by measuring data on the test bench or also simulation data from a computer experiment on an associated problem of a real functional process of a component of the drive train. The runs of a single optimization run for the base model result in an adaptation of the base model to the measurement data or simulation data.
  • optimization runs are not only to be carried out for a single base model, but rather to base a combination with different modifications on the four optimization runs.
  • this extended model set also includes simulation models with significantly improved model quality.
  • a combined optimization run in the sense of the present invention relates to the combination of at least one transformation function and the basic model.
  • a transformation function is a transformation which is specified as functionality for corresponding parameter values, the parameters being determined during the optimization run.
  • the input transformation function is concerned with providing a defined functionality which provides a functional relationship for the transformation of input values.
  • transformation functions are now not created separately before the optimization runs for the simulation model, but rather the optimization run is adapted to a combination of the base model with the respective transformation function.
  • an input transformation function in a combined optimization run can basically be referred to as a "manifold” baseline model or “manifold” Gaussian process.
  • the output transform function may be understood as a "warp” functionality for a corresponding base model and, in particular, a Gaussian process.
  • an advantage of the method is that the quality of the models, even with a relatively small amount of data for this degree of complexity, ie highly nonlinear behavior of the system to be described, is superior to those of standard methods. This in turn has the advantage that time can be saved on the test bench. If simulation models are to be used later in the context of the control unit of a vehicle, the same accuracy advantages will accordingly also benefit the engine control system.
  • a possible example of the use of a method according to the invention is the behavior of the emissions in a gasoline engine.
  • a change to a first parameter of a model structure of the base model is canceled by a change to a second parameter of the model structure of the base model.
  • These two parameters therefore have a relative relationship to one another.
  • individual parameters can be recalculated from such a collective parameter within an optimization run, so that in addition to the avoidance of redundancy, a reduction of the optimization effort is the result.
  • a so-called optimization redundancy is avoided in a method according to the invention.
  • a change to a first set of parameters, ie a parameter set, of a model structure of the base model is canceled by a change to a second set of parameters of the model structure of the base model.
  • even certain parameters of the first or second set of parameters can be recalculated from the group parameter set within an optimization run, so that in addition to the avoidance of redundancy, a reduction of the optimization effort is the result.
  • a method according to the invention can be carried out offline and thus independently of a test stand.
  • an online application of the method or at least partial steps of the method is carried out.
  • a test stand is in action, so for example an internal combustion engine is operated in different modes.
  • the method according to the invention for generating a simulation model runs away, wherein the data from the current test bench test are introduced into the optimization runs.
  • a feedback from an optimization run in the current experiment is conceivable, for example, to areas with high uncertainties new with current measurements from the ongoing trial at the test beoire.
  • a method according to the invention or the simulation model produced can also be used directly in a vehicle, for example in a control unit, for example engine control unit or transmission control unit of a vehicle.
  • the basic model and the transformation functions are specified in particular in parameterized form, the parameters being determined during the optimization run. Further advantages can be achieved if a predefined value is specified for at least one of these parameters. Also, restrictions on the parameters in the form of ranges or limits are conceivable. Therefore, a method is preferred in which at least one of the parameters of the basic function and of the transformation function is fixed or restricted to one area, this being taken into account in particular in the different sub-steps for determining the data-based regression model.
  • the advantages here are that prior knowledge of the considered technical system is introduced, for example also by additional targeted measurements at defined measuring points, and a reduction of the optimization effort can be achieved. In particular, such a procedure refers to measurement noise and / or mathematical uncertainties.
  • an optimization redundancy is utilized to reduce the optimization effort of the optimization runs.
  • this optimization run is adapted to a combination of the base model with the respective transformation function. This is understood to mean that the individual optimization runs are carried out in particular sequentially in chronological succession.
  • a method for the creation of a simulation model for imaging at least one functional process of a drive train component comprising the following steps:
  • this method is a special case, which with reduced computing time brings about the same advantages as have been explained in greater detail with reference to the method of the first embodiment mentioned at the beginning.
  • the combinatorics is reduced to the integration of both the output transformation and the input transformation into a combined optimization run of the base model with input transformation function and output transformation function. It is therefore special performed exclusively an optimization run with the optimization method combined in this way.
  • it is sufficient to perform a single optimization run.
  • At least one further optimization run is performed with specification of a modified input transformation function and / or a modified output transformation function.
  • a targeted change of the respective transformation function can take place.
  • the addition of a further term can take place in such an external repetition loop.
  • a random variation of the respective transformation function is also conceivable in the context of this embodiment.
  • a method according to the invention has the following steps: Selecting at least one selection criterion for the qualitative assessment of the simulation models of the model set,
  • upstream of a process is preferably provided, which provides a model set with optimized simulation models available.
  • data models are conceivable, which can be used as a simulation model.
  • data-based regression methods are preferred which, in particular, undergo an optimization step.
  • the result of such optimization steps is usually a plurality of optimized simulation models, so that, accordingly, the optimized model set forms as an input situation for a method according to the invention.
  • consistently at least one selection criterion is selected for the qualitative evaluation of the simulation models of the model set. Possibilities for such qualitative selection criteria will be explained later. In particular, it is about evaluating the individual models in terms of their usability for the later use of the simulation model.
  • the desired correlation accuracy with actual measurement data of functional processes of a component of a drive train eg an internal combustion engine
  • a reduction of uncertainty bands around a corresponding function course of a simulation model can provide a selection criterion.
  • the complexity of individual simulation models can also be used to provide a qualitative assessment option for the simulation models.
  • the step of selection can be done manually, for example, by the respective user of a method according to the invention. In principle, however, it is also conceivable to automate or partially automate these and / or further steps.
  • the selection of an evaluation order for performing an efficient method according to this embodiment is crucial.
  • the evaluation order is decisive for how long a corresponding evaluation and selection process takes with this embodiment.
  • simply the corresponding overall optimized model set and thus all the simulation models can be used as a basis in the evaluation process with the at least one selected selection criterion.
  • more complex sequential orders are also conceivable as evaluation order within the meaning of the present invention in order to be able to achieve optimizations, for example with regard to the computing time or the quality of the overall result.
  • At least the last two steps of this embodiment ie the performance of the qualitative evaluation and the selection of the simulation model, are carried out in an automatic manner.
  • the selection of the at least one selection criterion as well as the selection of the evaluation order can be carried out both manually and also automatically or semi-automatically.
  • the subsequent steps of the qualitative assessment and the selection of the simulation model with the best qualitative evaluation are automated and essentially carried out directly in time.
  • a functional process which in the context of the present invention is to be mapped by the simulation model, is in particular a process which determines input parameters of a component of the drive train, e.g. an internal combustion engine, correlated with output parameters.
  • input parameters may be, for example, an air mixture, a temperature ratio, an accelerator pedal position or another load cycle number.
  • a fuel consumption of the internal combustion engine or the gas composition of the exhaust gas can be used as output parameters.
  • the simulation models can now be used again in order to avoid or significantly reduce actual test bench time.
  • the selection option of a simulation model optimized as far as possible is juxtaposed with a broader user group.
  • the version of the simulation model with the best qualitative rating selected at the end can be used in a variety of ways. For example, at this time the selected simulation model is in action to build a corresponding virtual test bench. It is also possible to condition or partially condition vehicle control units using the selected simulation model.
  • a simulation model is optimally available for the user with regard to an ideal qualitative evaluation.
  • the selection of the selection criterion is carried out from a plurality of at least two selection criteria, in particular from at least two of the following selection criteria:
  • a selection criterion also includes an approximation to the selection criterion.
  • the term "data to fit” is to be understood as meaning that a simulation model according to this selection criterion is considered particularly well if the correlation between input measurement points as the basis for optimizing the simulation model with the optimized simulation model is as appropriate as possible.
  • the complexity of the simulation model can preferably be included in a corresponding combinatorics for the selection criterion as a mathematical penalty term, for example local optima in the optimization step of the simulation model, a good distinctness of the local optimum of surrounding parameters.
  • the optimization step of the simulation model a small amount of computation in the optimization step of the simulation model or the numerical stability of the optimization step of the simulation model can be understood.
  • the complexity of a simulation model the number of parameters / hyperparameters or the size of the basis function space of the base model can be used.
  • reduced complexity reduced calculation complexity and reduced computing time are also possible for the later use of the simulation model.
  • quality parameters can be determined in an abstract manner, which are preferably co-determined during the optimization runs for the individual simulation models.
  • these quality parameters already exist at the time of the presence of the model set of all simulation models, so that a pure comparison can carry out the method according to the invention.
  • Such quality parameters also allow individual selection criteria to be combined from a technical point of view in a mathematical term.
  • An uncertainty of the simulation model is to be understood both punctually and globally. For example, stochastic variances have to be determined for the individual simulation models and their functional relationships, which calculate the uncertainty of this simulation model on the basis of the provided measurement values.
  • Another advantage may be if the least number of local optima of the simulation model is used as at least one selection criterion. This leads to an increased ambiguity, which area of a functional relationship should actually be made available later for the control of a control unit as a local optimum for the control specification of a desired-actual loop.
  • the data volumes used for the selection criterion are not used to create the optimized simulation models. These are then so-called validation data. These are also measured at the test bench but are not included in the training of the models. This means that they check the prediction accuracy of the models by comparing the output variables determined by the simulation model with the real measured output variables.
  • the model set has at least two model shares, the evaluation order being first the model After this evaluation, the qualitative best model group is selected, and then from the selected model group the qualitatively best simulation model is selected.
  • optimization runs can be used to generate a model set of a multiplicity of simulation models for each optimization run.
  • the set of models is composed of a plurality of sets of models, which in turn contain a plurality of simulation models. If, according to this embodiment, the entire model family is qualitatively evaluated in a first step, then a selection in a first step can be made roughly, which has a significantly lower computational requirement than the qualitative evaluation of all existing simulation models of all model families.
  • the best quality simulation model will be selected from this selected set of models.
  • a corresponding qualitative evaluation of the simulation models contained therein is preferably carried out exclusively in the selected model family.
  • this two-step process can use different selection criteria for each stage.
  • the reduction of the computational effort can lead to the possibility that individual simulation models in less qualitative model sets than singular simulation models would however have a high quality, which would be discarded by the negative evaluation of the model set.
  • an embodiment according to this paragraph provides an advantage in terms of the correlation between the evaluation time and the quality of the selection made.
  • the model set has at least two model shares, wherein all simulation models of all model shares are qualitatively evaluated as evaluation order, and then the simulation model with the best qualitative evaluation is selected from the model set of all model shares.
  • a total quantity is formed from all simulation models of all model shares, which is completely fed into the evaluation process.
  • the model shares are brought together in the common model set and thus the qualitative assessment is actually carried out for each individual simulation model which is present in all model sets.
  • the increased computational effort achieved in this way is justified by the fact that now an optimized choice for the best-quality simulation model of all existing simulation models of all model families can actually be performed.
  • a further advantage may be that, in a method according to the invention, the model set has at least two model shares, the evaluation order chosen being the best-quality family of models from each model family, and then the best quality simulation model being selected from all family simulation models.
  • This is preferably a combination of the embodiment of the two preceding paragraphs.
  • a qualitative evaluation is carried out for each model family and thus also for all simulation models of the entire model set.
  • a two-stage process is also provided here, so that, in particular, a time-parallel processing can take place. If, for example, a first model family is provided and generated in a first optimization run, the second optimization run for generating a second model family is then started.
  • the selection of the at least one selection criterion and / or the selection of the evaluation sequence is based on at least one base parameter, in particular designed as hyperparameter, of the basic model of the model model simulation models.
  • this is an automatic or semi-automatic selection.
  • a corresponding basic parameter can take into account possible disadvantages or uncertainties of the corresponding function.
  • Such basic parameters In other words, they can lead to eliminating or reducing possible disadvantages in the selection of the corresponding function in an automated manner by skillfully selecting the selection criterion.
  • this correlation takes place in an automated manner, so that no dependence on possibly existing knowledge of the user is more necessary.
  • At least one selection criterion is switched on and / or off before selecting at least one selection criterion.
  • the pre-switching of a purely manual selection step in the form of switching on and off makes it possible to provide a manual adaptability despite a high level of automation of the method. This combines high flexibility in the use of a method according to the invention with the advantages described by the degree of automation.
  • the simulation models of the model set are data-based regression models, in particular using Bayes regression methods, preferably Gaussian process models.
  • data-based regression methods it is possible to significantly reduce the necessary measurement data for the optimization runs and thus to minimize the necessary test bench time before the optimization runs are carried out.
  • the use of data-based regression methods is also simple and cost-effective in the actual implementation of a method according to the invention.
  • Another advantage of the present invention is that these transformation functions are now not created separately before the optimization runs for the simulation model, but rather the optimization run is adapted to a combination of the base model with the respective transformation function.
  • At least one input transformation function for input values of the simulation model and / or one output transformation function for output values of the simulation model are taken into account in at least one combined optimization run of the base model of the simulation model and the respective transformation .
  • the use of an input transformation function in a combined optimization run can basically be referred to as a "manifold" basic model or “manifold” Gaussian process.
  • the output transformation function may be understood as a "warped" functionality for a corresponding base model and, in particular, a Gaussian process.
  • the optimization run then runs over the total combination of the corresponding transformation functions and the base model. It is preferred if a combinatorics takes into account all possible combinations, ie in particular four optimization runs are carried out.
  • a first optimization run becomes the base model alone
  • a second combined optimization run of base model and input transformation function
  • a third combined optimization run of base model and output transformation function
  • a last, fourth combined optimization run of base model and input transformation function and output transformation function optimize The four model families, which now yield the model set with a large number of simulation models, now provide the basis on which the evaluation and selection steps according to the invention are carried out.
  • a computer program product stored on a computer-readable medium for the selection of a simulation model for imaging at least one functional process of a component of a drive train from an optimized model set, comprising:
  • Computer readable program means for causing a computation unit to specify an input transformation function for the input values of the simulation model
  • Computer readable program means for causing a computation unit to specify an output transformation function for the output values of the simulation model
  • Computer-readable program means for causing a computation unit to specify a basic model of a data-based regression method as a basis for the simulation model
  • Computer-readable program means for causing a computation unit to perform a first optimization run of the basic model for generating optimized simulation models of a first model family
  • Computer-readable program means for causing a computation unit to perform a second, combined optimization run of the base model with input transformation function for generating optimized simulation models of a second model family
  • Computer-readable program means for causing a computation unit to perform a third, combined optimization run of the base model with output transformation function for generating optimized simulation models of a third model family
  • Computer readable program means for causing a computational unit to execute a fourth, combined optimization run of the base model with input
  • Computer readable program means for causing a computation unit to select at least one simulation model from the model set of all model shares.
  • a computer program product stored on a computer-readable medium for the selection of a simulation model for imaging at least one functional process of a component of a drive train from an optimized model set, comprising:
  • Computer readable program means for causing a computation unit to
  • Computer readable program means for causing a computation unit to specify an output transformation function for the output values of the simulation model
  • Computer-readable program means for causing a computation unit to specify a basic model of a data-based regression method as a basis for the simulation model
  • Computer readable program means for causing a computation unit to execute a combined optimization run of the base model with input
  • Computer readable program means for causing a computing unit to select at least one simulation model from the model set.
  • the two computer program products are preferably equipped with computer readable program means for causing a computation unit to perform the steps according to a method having the features of claims 1 to 18.
  • a computer program product according to the invention brings the same advantages as have been explained in detail with reference to the methods according to the invention.
  • FIG. 1 shows a representation of a simulation model
  • FIG. 2 shows a possibility of an optimization run for the generation of a model family
  • FIG. 3 shows another possibility for generating a model family
  • FIG. 4 shows another possibility for generating a model crowd
  • FIG. 5 shows a further possibility for generating a model family
  • FIG. 6 shows a possibility of an evaluation sequence
  • Figure 7 shows another possibility of an evaluation order
  • Figure 8 shows another possibility of an evaluation order.
  • FIG. 1 shows schematically how a number of input values E can be correlated with an arbitrary number of output values A by means of a simulation model 10.
  • This simulation model is preferably a data-based regression method based on stochastic fundamentals.
  • a Gaussian process model is used here.
  • FIGS. 2 to 5 show ways in which a corresponding training can be carried out by optimizing the basic model 14 on the basis of data measured at a test bench or also data from a computer experiment.
  • a basic model 14 is given as a Gaussian process model, as shown in FIG. 5. With a corresponding optimization run O, it becomes possible to optimize this basic model 14 and to provide a model family 22 with a multiplicity of optimized simulation models 10.
  • model family 22 which is regarded as the best-quality model family 22.
  • the entire model set 20 can also be evaluated with regard to all model shares 22, so that the best high-quality simulation model 10 can be made available directly following this now one-step process with the aid of the selection criterion 30.
  • the entire model set 20 is already evaluated with regard to the individual model shares 22.
  • the best simulation model 10 is selected for each model family 22, as soon as it is present.
  • the corresponding selection criterion 30 can be selected specifically for the individual model shares 22.

Abstract

Die Erfindung betrifft ein Verfahren für die Erstellung eines Simulationsmodells (10) zur Abbildung zumindest eines funktionalen Prozesses einer Komponente eines Antriebstranges, aufweisend die folgenden Schritte: - Vorgeben einer Eingangs-Transformationsfunktion (16) für die Eingangswerte (E) des Simulationsmodells (10), - Vorgeben einer Ausgangs-Transformationsfunktion (18) für die Ausgangswerte (A) des Simulationsmodells (10), - Vorgeben eines Basismodells (14) eines datenbasierten Regressionsverfahrens als Basis für das Simulationsmodell (10), - Durchführung eines ersten Optimierungslaufs (O) des Basismodells (14) zur Erzeugung von optimierten Simulationsmodellen (10) einer ersten Modellschar (22), - Durchführung eines zweiten kombinierten Optimierungslaufs (O) des Basismodells (14) mit Eingangs-Transformationsfunktion (16) zur Erzeugung von optimierten Simulationsmodellen (10) einer zweiten Modellschar (22), - Durchführung eines dritten kombinierten Optimierungslaufs (O) des Basismodells (14) mit Ausgangs-Transformationsfunktion (18) zur Erzeugung von optimierten Simulationsmodellen (10) einer dritten Modellschar (22), - Durchführung eines vierten kombinierten Optimierungslaufs (O) des Basismodells en (14) mit Eingangs-Transformationsfunktion (16) und Ausgangs-Transformationsfunktion (18) zur Erzeugung von optimierten Simulationsmodellen (10) einer vierten Modellschar (22), - Auswählen wenigstens eines Simulationsmodells (10) aus der Modellmenge (20) aller Modellscharen (22).

Description

Verfahren für die Erstellung eines Simulationsmodells zur Abbildung zumindest eines funktionalen Prozesses einer Antriebstrangkomponente
B e s c h r e i b u n g
Die vorliegende Erfindung betrifft zwei Verfahren für die Erstellung eines Simulationsmodells zur Abbildung, insbesondere in Form einer Simulation, zumindest eines funktionalen Prozesses einer Antriebsstrangkomponente sowie zwei entsprechende Computerprogrammprodukte zur Ausführung derartiger Verfahren.
Es ist bekannt, dass bei der Entwicklung von Antriebstrangkomponenten die Verwendung von Prüfstandsuntersuchungen mit realen Komponenten einen großen Anteil hat. Prüfstände und deren Einsatz sind mit einem hohen Zeitaufwand und entsprechend hohen Kosten im Betrieb verbunden. Daher besteht aktuell das Bestreben, die Zeit für die Nutzung von Prüfständen deutlich zu reduzieren. Eine Möglichkeit, um Prüfstandbelegungsdauern zu reduzieren, ist, für die Prüf- standsversuche ein sogenanntes "Design of Experiment", auch DoE genannt, zu verwenden und anschließend aus den gewonnenen Prüfstandsdaten Simulationsmodelle zu erstellen, welche eine mathematische Beschreibung des realen funktionalen Prozesses der Antriebsstrangkomponenten erlauben. Solche Simulationsmodelle berechnen dementsprechend den Zusammenhang zwischen Eingangswerten und Ausgangswerten, so dass durch eine Abbildung bzw. eine Simulation für zumindest Teile des funktionalen Prozesses der realen Antriebsstrangkomponenten an einem Computer rechnerisch ermittelt werden können. In ähnlicher Weise kann durch Einsatz von DoE bei aufwändigen computerunterstützten Berechnungen zur Auslegung von Antriebstrangkomponenten Zeit eingespart werden. Nachteilhaft bei den bekannten Lösungen für Simulationsmodelle ist es, das möglichst passende Simulationsmodell zu erstellen und anschließend auszusuchen. Üblicherweise werden mathematische Methoden verwendet, um Simulationsmodelle aus Basismodellen, denen ein Basisfunktionenraum zugrunde liegt, zu erstellen und an entsprechende Zusam- menhänge zwischen Eingangsgrößen und Ausgangsgrößen anzupassen. Anschließend wird eine Vielzahl von möglichen Simulationsmodellen validiert und hinsichtlich ihrer qualitativen Bewertung mit Bezug auf die reale Antriebsstrangkomponente bewertet. Für die Erstellung der Simulationsmodelle wird dabei je nach Einsatzsituation auf unterschiedliche Basismodelle zurückgegriffen. Jedoch stellt dabei der zugrunde liegende Basisfunktionenraum des je- weiligen Basismodells immer einen Kompromiss für die gesamte Breite des Eingangsgrößenbereichs des funktionalen Prozesses der Antriebstrangkomponente dar. Gerade bei der Abbildung hochgradig nicht-linearer Zusammenhänge kann es daher in einzelnen Abschnitten des Simulationsmodells zu unerwünscht großen Abweichungen zwischen der Realität und dem Simulationsmodell kommen. Hinsichtlich der anschließenden Auswahl eines spezi- fischen Simulationsmodells bestehen noch weitere Nachteile. Die tatsächliche Auswahl und Bewertung in qualitativer Hinsicht für die einzelnen Simulationsmodelle beruht dabei immer noch zu einem Anteil auf der Erfahrung und den bisherigen Kenntnissen eines zugehörigen Versuchsingenieurs oder Anwenders. Nachteilhaft dabei ist es, dass eine ausreichende Erfahrung notwendig ist, um eine zielgerichtete Auswahl der Simulationsmodelle vornehmen zu können. Selbst bei Vorliegen ausreichender Erfahrung ist ein hoher Zeitaufwand notwendig, um die qualitative Bewertung der einzelnen Simulationsmodelle vorzunehmen. Bei automatisierten oder teilautomatisierten Verfahren besteht der Nachteil darin, dass es dabei weder möglich ist ein Bewertungskriterium durch den Anwender noch eine Bewertungsreihenfolge festzulegen.
Es ist Aufgabe der vorliegenden Erfindung, in kostengünstiger und einfacher, insbesondere in automatisierbarer, Weise die voranstehend beschriebenen Nachteile zumindest teilweise zu beheben. Insbesondere ist es Aufgabe der vorliegenden Erfindung, in kostengünstiger und einfacher sowie automatisierbarer Weise die Genauigkeit der Simulationsmodelle zu verbessern. Weiter bevorzugt ist es insbesondere auch die Auswahl eines Simulationsmodells zu vereinfachen.
Voranstehende Aufgabe wird gelöst durch ein Verfahren mit den Merkmalen des Anspruchs 1 , ein Verfahren mit den Merkmalen des Anspruchs 5 sowie Computerprogramm- produkte mit den Merkmalen des Anspruchs 19 sowie des Anspruchs 20. Weitere Merkmale und Details der Erfindung ergeben sich aus den Unteransprüchen, der Beschreibung und den Zeichnungen. Dabei gelten Merkmale und Details, die im Zusammenhang mit den beiden erfindungsgemäßen Verfahren erläutert sind, selbstverständlich auch im Zusammenhang mit den beiden erfindungsgemäßen Computerprogrammprodukten und jeweils umgekehrt, so dass bezüglich der Offenbarung zu den einzelnen Erfindungsaspekten stets wech- selseitig Bezug genommen wird bzw. werden kann.
Erfindungsgemäß ist ein Verfahren vorgesehen für die Erstellung eines Simulationsmodells zur Abbildung zumindest eines funktionalen Prozesses einer Antriebsstrangkomponente. Ein solches Verfahren weist die folgenden Schritte auf:
- Vorgeben einer Eingangs-Transformationsfunktion für die Eingangswerte des Simulationsmodells,
Vorgeben einer Ausgangs-Transformationsfunktion für die Ausgangswerte des Simulationsmodells,
Vorgeben eines Basismodells eines datenbasierten Regressionsverfahrens als Basis für das Simulationsmodell,
Durchführung eines ersten Optimierungslaufs des Basismodells zur Erzeugung von optimierten Simulationsmodellen einer ersten Modellschar,
Durchführung eines zweiten kombinierten Optimierungslaufs des Basismodells mit Eingangs-Transformationsfunktion zur Erzeugung von optimierten Simulationsmodel- len einer zweiten Modellschar,
Durchführung eines dritten kombinierten Optimierungslaufs des Basismodells mit Ausgangs-Transformationsfunktion zur Erzeugung von optimierten Simulationsmodellen einer dritten Modellschar,
Durchführung eines vierten kombinierten Optimierungslaufs des Basismodells mit Eingangs-Transformationsfunktion und Ausgangs-Transformationsfunktion zur Erzeugung von optimierten Simulationsmodellen einer vierten Modellschar,
Auswählen wenigstens eines Simulationsmodells aus der Modellmenge aller Modellscharen. Ein erfindungsgemäßes Verfahren dient zur Erstellung eines Simulationsmodells, welches nicht allein auf einem Basismodell basiert, sondern dieses Basismodell durch die Kombination mit Eingangs- und/oder Ausgangstransformationen erweitert.
Der dem Basismodell zugrunde liegende Basisfunktionenraum ist, insbesondere wenn der datenbasierte Regressionsprozess über Gauss-Prozess Modelle realisiert wird, festgelegt über die Vorgabe von Mittelwertfunktion und Kovarianzfunktion, wobei diese von sogenannten Hyperparametern abhängen. Das Basismodell kann durch Messdaten am Prüfstand oder auch Simulationsdaten aus einem Computerexperiment auf ein zugehöriges Problem eines realen funktionalen Prozesses einer Komponente des Antriebsstrangs adaptiert bzw. trainiert werden. Die Durchläufe eines einzelnen Optimierungslaufs für das Basismodell führen dazu, dass eine Anpassung des Basismodells an die Messdaten oder Simulationsdaten erfolgt.
Erfindungsgemäß ist es nun vorgesehen, die Optimierungsläufe nicht nur für ein einziges Basismodell durchzuführen sind, sondern vielmehr eine Kombination mit unterschiedlichen Modifikationen den vier Optimierungsläufen zugrundezulegen. Dies führt zu einer Steigerung der Anzahl der möglichen Simulationsmodelle die wiederum für die anschließende Auswahlmöglichkeit eines spezifischen Simulationsmodells zur Verfügung stehen. Diese erweiterte Modellmenge beinhaltet aber überraschender Weise auch Simulationsmodelle mit deutlich gesteigerter Modellqualität. Ein kombinierter Optimierungslauf im Sinne der vorliegenden Erfindung betrifft dabei die Kombination aus zumindest einer Transformationsfunktion und dem Basismodell. Es erfolgt also eine gemeinsame Optimierung in einem Optimierungslauf für das Modell und Parameter, insbesondere Hyperparameter, der Transformation.
Durch die Durchführung von zusätzlichen Optimierungsläufen in Form der kombinierten Op- timierungsläufe können im Rahmen der vorliegenden Erfindung deutlich mehr optimierte Simulationsmodelle erzeugt werden. Für jeden Optimierungslauf werden vorzugsweise zwei oder mehr optimierte Simulationsmodelle erzeugt, so dass eine größere Anzahl von optimierten Simulationsmodellen für eine qualitative Auswahl zur Verfügung steht. So wird erfindungsgemäß nun vorgesehen, neben einem Optimierungslauf für das Basismodell Transformationsfunktionen einzusetzen. Eine Transformationsfunktion ist im Sinne der vorliegenden Erfindung eine Transformation, welche als Funktionalität für entsprechende Parameterwerte vorgegeben wird, wobei die Parameter während des Optimierungslaufes bestimmt werden. Zu unterscheiden sind dabei erfindungsgemäß eine Eingangs- Transformations- und eine Ausgangs-Transformationsfunktion. Die Eingangs- Transformationsfunktion befasst sich damit, eine definierte Funktionalität zur Verfügung zu stellen, welche einen funktionalen Zusammenhang für die Transformation von Eingangswerten vorgibt. Gleiches gilt für die Ausgangs-Transformationsfunktion, welche einen entsprechenden funktionalen Zusammenhang für die Ausgangswerte des Simulationsmodells zur Verfügung stellt. Grundsätzlich kommt es für die Vorteile der Erfindung nicht darauf an welche Art und/oder welche Form für die jeweilige Transformationsfunktion verwendet wird. Jedoch sind zumindest die folgenden Beispiele für die Transformationsfunktion im Rahmen der vorliegenden Erfindung denkbar:
Ein Beispiel für eine Transformation für eine Ausgangsgröße (Warping) ist
y -> y+a*tanh(b*(y+c)) für a,b >0
und analog für eine Eingangsgröße (Manifolding)
x -> 1/(1+exp(-a*x-b))
wobei a, b und c während des Trainingsprozesses bestimmt werden.
Ein weiterer entscheidender Kernpunkt der vorliegenden Erfindung ist es, dass diese Transformationsfunktionen nun nicht separat vor den Optimierungsläufen für das Simulationsmodell erstellt werden, sondern vielmehr der Optimierungslauf an eine Kombination des Basis- modells mit der jeweiligen Transformationsfunktion angepasst wird.
Die Verwendung einer Eingangs-Transformationsfunktion in einem kombinierten Optimierungslauf kann grundsätzlich als„Manifold"-Basismodell bzw.„Manifold"-Gauß Prozess bezeichnet werden. In ähnlicher Weise kann die Ausgangs-Transformationsfunktion als„War- ped"-Funktionalität für einen entsprechendes Basismodell und insbesondere Gauß-Prozess verstanden werden.
Während bekannte Lösungen sich auf die Auswahl eines möglichst breit als Kompromiss ausgelegten Lösungsansatzes für das Basismodell und deren zugrunde liegenden Basis- funktionenraum fokussieren, können nun erfindungsgemäß unterschiedliche Schwerpunkte gesetzt werden. So wird insbesondere durch die Kombination der Transformationsfunktionen für Eingangs- und Ausgangsgrößen und des Basismodells in den Optimierungsläufen eine Anpassung auch an funktionale Prozesse der Antriebsstrangkomponente, die in unterschiedlichen Bereichen der Eingangsgrößen ein qualitativ anderes Verhalten über verschiedene Größenordnungen aufweisen, möglich. Dies ist insbesondere darauf zurückzuführen, dass überraschenderweise durch die Kombinatorik, welche insbesondere auf Basis der Kombination der Transformationsfunktionen für Eingangs- und Ausgangsgrößen beruht, während des Optimierungslaufes sowohl die Parameterbestimmung beider Transformationen als auch die Anpassung des Basismodells kombiniert stattfindet. Dies führt dazu, dass durch ein erfin- dungsgemäßes Verfahren mit im Wesentlichen identischen Basismodellen durch die Kombinatorik unterschiedlicher Transformationsfunktionen und die kombinierte Optimierung der Basismodelle und Transformationsfunktionen eine entsprechend größere Modellschar bzw. eine entsprechend größere Modellmenge geschaffen wird, in welchen deutlich verbesserte Simulationsmodelle enthalten sind, welche nunmehr zur Auswahl stehen. Hinsichtlich der Auswahl des Simulationsmodells kann dabei auf unterschiedlichste Methoden zurückgegrif- fen werden. So ist selbstverständlich eine manuelle Auswahl eines Simulationsmodells möglich, welche aus der Modellmenge aller Modellscharen erfolgt. Eine solche manuelle Auswahl kann beispielsweise durch Sichtung der relevanten Simulationsmodelle aller Modellscharen erfolgen, wobei der Kenntnisstand und die Erfahrung des jeweiligen Anwenders zum Einsatz kommen. Darüber hinaus ist zu berücksichtigen, dass der Anwender mit einer Vielzahl von Simulationsmodellen konfrontiert ist. Selbstverständlich sind daher auch automatisierte oder teilautomatisierte Auswahlverfahren denkbar und von Vorteil, wie sie später noch näher erläutert werden.
Erfindungsgemäß wird es also möglich durch entsprechende Modifikation des Verfahrens, d.h. durch Verwendung kombinierter Optimierungsläufe von Transformationsfunktionen und Basismodell, eine deutlich verbesserte Qualität des Simulationsmodells zu erzielen. Insbesondere zeigt sich ein Vorteil des Verfahrens darin, dass die Qualität der Modelle selbst bei einer relativ geringen Datenmenge für diesen Grad der Komplexität, d.h. hochgradig nichtlineares Verhalten des zu beschreibenden Systems, denen von Standardverfahren überle- gen ist. Dies hat wiederum den Vorteil, dass Zeit am Prüfstand eingespart werden kann. Sofern Simulationsmodelle später im Rahmen der Bedatung von Steuergeräten eines Fahrzeugs eingesetzt werden sollen, werden die gleichen Genauigkeitsvorteile dementsprechend auch der Motorsteuerung zu Gute kommen. Ein mögliches Beispiel für den Einsatz eines erfindungsgemäßen Verfahrens ist das Verhalten der Emissionen bei einem Ottomotor. Dieses Verhalten hat für eine späte erste Einspritzung sehr geringe Partikelemission, sobald aber die Einspritzung zu früh erfolgt ist ein plötzlicher und starker Anstieg der Emissionen zu verzeichnen. Um dieses Verhalten möglichst genau beschreiben zu können eignet sich die Kombination aus Eingangsgrößentransforma- tion und Ausgangsgrößentransformation mit dem Basismodell im Rahmen eines kombinierten Optimierungslaufs. Insbesondere besteht ein Vorteil der Erfindung angewandt auf dieses Beispiel darin, dass nur wenige Messpunkte im Bereich der hohen Partikelzahlen notwendig sind, was wiederum zu weniger Partikelablagerungen im Brennraum führt und damit Zeit für Reinigungsprozeduren / Freibrennen verringert werden kann. Weiter ist es möglich, dass bei einem erfindungsgemäßen Verfahren eine sogenannte Optimierungsredundanz vermieden wird. So kann es vorkommen, dass eine Änderung an einem ersten Parameter einer Modellstruktur des Basismodells durch eine Änderung an einem zweiten Parameter der Modellstruktur des Basismodells wieder aufgehoben wird. Diese bei- den Parameter habe also eine relative Beziehung zueinander. Bevorzugt können aus einem solchen Sammelparameter innerhalb eines Optimierungslaufs sogar einzelne Parameter zurückberechnet werden, so dass neben der Vermeidung der Redundanz auch eine Reduktion des Optimierungsaufwandes die Folge ist. Weiter ist es möglich, dass bei einem erfindungsgemäßen Verfahren eine sogenannte Optimierungsredundanz vermieden wird. So kann es vorkommen, dass eine Änderung an einer ersten Menge von Parametern, also einer Parametermenge, einer Modellstruktur des Basismodells durch eine Änderung an einer zweiten Menge von Parametern der Modellstruktur des Basismodells wieder aufgehoben wird. Bevorzugt können aus der Sammelparameter- menge innerhalb eines Optimierungslaufs sogar gewisse Parameter der ersten oder zweiten Menge von Parametern zurückberechnet werden, so dass neben der Vermeidung der Redundanz auch eine Reduktion des Optimierungsaufwandes die Folge ist.
Bei einem erfindungsgemäßen Verfahren ist es denkbar, dass auch das tatsächlich betrach- tete Problem durch Einbringen von Vorwissen des technischen Systems berücksichtigt wird. So gibt es beispielsweise neben der mathematischen Bedeutung in der Optimierung auch Überlegungen in welchen Bereichen und/oder für welche Eingangsgrößen und/oder Ausgangsgrößen ein Modell besonders genau sein soll, da sich zum Beispiel in diesem Bereich möglichweise ein Hauptteil der Betriebszeit abspielt. Auch eine solche Information kann beim Auswählen des Auswahlkriteriums und/oder bei weiteren Schritten des Verfahrens Berücksichtigung finden.
Ein erfindungsgemäßes Verfahren kann Offline und damit unabhängig von einem Prüfstand durchgeführt werden. Jedoch ist es auch denkbar, dass eine Online Anwendung des Verfah- rens oder zumindest von Teilschritten des Verfahrens durchgeführt wird. Das bedeutet, dass ein Prüfstand sich in Aktion befindet, also beispielsweise eine Brennkraftmaschine in unterschiedlichen Betriebsweisen betrieben wird. Gleichzeit läuft das erfindungsgemäß Verfahren zur Erstellung eines Simulationsmodells ab, wobei die Daten aus dem laufenden Prüfstands- versuch in die Optimierungsläufe eingebracht werden. Auch eine Rückkopplung aus einem Optimierungslauf in den laufenden Versuch ist denkbar, um zum Beispiel Bereiche mit hohen Unsicherheiten neu mit aktuellen Messwerten aus dem laufenden Versuch am Prüfstand zu bedaten. Weiter kann ein erfindungsgemäßes Verfahren oder das erstellte Simulationsmodell auch direkt in einem Fahrzeug, zum Beispiel in einem Steuergerät, zum Beispiel Motorsteuergerät oder Getriebesteuergerät eines Fahrzeugs eingesetzt werden. Das Basismodell und die Transformationsfunktionen werden insbesondere in parametrisier- ter Form vorgegeben, wobei die Parameter während des Optimierungslaufes bestimmt werden. Weitere Vorteile können erzielt werden, wenn für wenigstens einen dieser Parameter ein vordefinierter Wert vorgegeben wird. Auch sind Einschränkungen an die Parameter in Form von Bereichen oder Grenzen denkbar. Bevorzugt ist daher ein Verfahren, bei dem we- nigstens einer der Parameter der Basisfunktion und der Transformationsfunktion fest vorgegeben oder auf einen Bereich eingeschränkt wird, wobei dies insbesondere in den verschiedenen Teilschritten zur Bestimmung des datenbasierten Regressionsmodells berücksichtigt wird. Die Vorteile bestehen hierbei darin, dass Vorwissen über das betrachteten technischen Systems eingebracht wird, zum Beispiel auch durch zusätzliche gezielte Messungen an defi- nierten Messstellen, und eine Reduktion des Optimierungsaufwandes erzielt werden kann. Insbesondere bezieht sich ein solches Vorgehen auf Messrauschen und/oder mathematische Unsicherheiten. Bevorzugt kann bei einem Verfahren vorgesehen sein, dass zur Reduktion des Optimierungsaufwandes der Optimierungsläufe eine Optimierungsredundanz ausgenutzt wird.
Es kann von Vorteil sein, wenn bei einem erfindungsgemäßen Verfahren vor der Durchführung jedes Optimierungslaufes dieser Optimierungslauf an eine Kombination des Basismodells mit der jeweiligen Transformationsfunktion angepasst wird. Darunter ist zu verstehen, dass die einzelnen Optimierungsläufe insbesondere sequentiell zeitlich nacheinander durch- geführt werden.
Jedoch sind auch unterschiedliche Basismodelle für unterschiedliche Optimierungsläufe im Sinne der vorliegenden Erfindung denkbar. Auf jeden Fall ist sichergestellt, dass für jeden Optimierungslauf die identischen bzw. die exakt gewünschten Basismodelle eingesetzt wer- den, auch wenn durch die Kombination mit einer oder mehrerer Transformationsfunktionen eine entsprechende Modifikation des Optimierungslauf zur Verfügung gestellt wird. Unter der Anpassung des Optimierungslaufs ist insbesondere das Hinzufügen wenigstens eines Optimierungsparameters zu verstehen, welcher diesem Optimierungslauf zugrunde gelegt wird. Alternativ zu den voranstehenden Ausführungsformen eines erfindungsgemäßen Verfahrens ist es auch möglich, dass vorteilhafterweise für die Durchführung der Optimierungsläufe die- se Optimierungsläufe zeitlich parallel stattfinden womit eine Reduktion der Rechenzeit erreicht werden kann.
Selbstverständlich reicht es für diesen Vorteil auch aus, wenn zumindest ein modifizierter Optimierungslauf neben dem ursprünglichen Optimierungslauf diese Parallelität gewährleistet. Auch ist es denkbar, wenn im Wesentlichen zumindest zwei Optimierungsläufe parallel für einen solchen parallelen Verlauf der Optimierungsläufe zur Verfügung gestellt werden.
Es kann weiter von Vorteil sein, wenn bei einem erfindungsgemäßen Verfahren zur Bestim- mung der optimierten Modellmenge verschiedene Kriterien herangezogen werden können, wobei insbesondere unterschiedliche Datenmengen in den Teilschritten zur Bestimmung des datenbasierten Regressionsmodells verwendet werden. Die unterschiedlichen Datenmengen werden dabei insbesondere bei den unterschiedlichen Optimierungsläufen angewendet. So kann eine noch exaktere Anpassung an hochgradig komplexe Situationen erfolgen ohne die Komplexität des erfindungsgemäßen Verfahrens zu erhöhen.
Ebenfalls Gegenstand der vorliegenden Erfindung ist ein Verfahren für die Erstellung eines Simulationsmodells zur Abbildung von zumindest einem funktionalen Prozess einer Antriebstrangkomponente, aufweisend die folgenden Schritte:
- Vorgeben einer Eingangs-Transformationsfunktion für die Eingangswerte des Simulationsmodells,
Vorgeben einer Ausgangs-Transformationsfunktion für die Ausgangswerte des Simulationsmodells,
Vorgeben eines Basismodells eines datenbasierten Regressionsverfahrens als Basis für das Simulationsmodell,
Durchführen eines kombinierten Optimierungslaufs des Basismodells mit Eingangs- Transformationsfunktion und Ausgangs-Transformationsfunktion zur Erzeugung von optimierten Simulationsmodellen einer Modellmenge,
Auswählen wenigstens eines Simulationsmodells aus der Modellmenge.
Dieses Verfahren ist dementsprechend ein Sonderfall, welcher mit reduzierter Rechenzeit die gleichen Vorteile mit sich bringt, wie sie mit Bezug auf das eingangs erwähnte erfindungsgemäße Verfahren der ersten Ausführungsform näher erläutert worden sind. Hier wird die Kombinatorik reduziert auf die Integration sowohl der Ausgangstransformation, als auch der Eingangstransformation in einen kombinierten Optimierungslaufs des Basismodells mit Eingangs-Transformationsfunktion und Ausgangs-Transformationsfunktion. Es wird also ins- besondere ausschließlich ein Optimierungslauf mit den auf diese Weise kombinierten Optimierungsverfahren durchgeführt. Durch die Reduktion auf diese eindeutige Kombinatorik reicht es aus, einen einzigen Optimierungslauf durchzuführen. Dies reduziert zwar die grundsätzlich durch die Kombinatorik erzielten Vorteile, führt jedoch überraschenderweise immer noch zu einer sehr hohen Genauigkeit hinsichtlich der Qualitätsbewertung der auf diese Weise erstellten Simulationsmodelle. Somit kann trotz reduzierter Rechenzeit der Vorteil einer verbesserten Qualität der erstellten Simulationsmodelle erreicht werden. Neben der verbesserten Qualität wird bei dieser Ausführungsform auch eine Reduktion der Anzahl der erzeugten Simulationsmodelle in der zugehörigen Modellmenge erzielt, so dass anschlie- ßend für den Auswahlprozess dementsprechend auch ein geringerer Aufwand betrieben werden muss. Dabei ist es unerheblich, ob in diesem Optimierungslauf eine Modellmenge mit einer einzigen Modellschar oder eine Modellmenge mit zwei oder mehr Modellscharen mit entsprechenden Daten enthaltenden Simulationsmodellen erstellt wird. Ebenfalls von Vorteil ist es, wenn bei einem erfindungsgemäßen Verfahren zur Bestimmung der optimierten Modellmenge verschiedene Kriterien herangezogen werden, wobei insbesondere unterschiedliche Datenmengen in den Teilschritten zur Bestimmung des datenbasierten Regressionsmodells verwendet werden. Die unterschiedlichen Datenmengen werden dabei insbesondere bei den unterschiedlichen Optimierungsläufen angewendet. So kann eine noch exaktere Anpassung an hochgradig komplexe Situationen erfolgen ohne die Komplexität des erfindungsgemäßen Verfahrens zu erhöhen. Die entsprechenden Kriterien werden später noch näher erläutert.
Weiter kann es von Vorteil sein, wenn bei einem erfindungsgemäßen Verfahren wenigstens ein weiterer Optimierungslauf unter Vorgabe einer geänderten Eingangs- Transformationsfunktion und/oder einer geänderten Ausgangs-Transformationsfunktion durchgeführt wird. Dabei kann insbesondere eine gezielte Änderung der jeweiligen Transformationsfunktion erfolgen. So kann bei einer derartigen äußeren Wiederholungsschleife zum Beispiel die Addition eines weiteren Terms erfolgen. Auch eine zufällige Variation der jeweiligen Transformationsfunktion ist jedoch im Rahmen dieser Ausführungsform denkbar.
Da der Anwender durch Erweiterung der Basismodelle mithilfe von Transformationsfunktionen mit einer Vielzahl von Modellen konfrontiert ist, aus denen er manuell oder nach gewissen Auswahlkriterien das beste Auswählen muss, kann es weiter vorteilhaft sein, wenn ein erfindungsgemäßes Verfahren die folgenden Schritte aufweist: Auswählen wenigstens eines Auswahlkriteriums für die qualitative Bewertung der Simulationsmodelle der Modellmenge,
Auswählen der Bewertungsreihenfolge für die sequentielle Reihenfolge der Bewertung der Simulationsmodelle der Modellmenge,
- automatisches Durchführen der qualitativen Bewertung der Simulationsmodelle auf Basis der ausgewählten Bewertungsreihenfolge und des ausgewählten wenigstens einen Auswahlkriteriums,
automatisches Auswählen des Simulationsmodells aus der Modellmenge mit der besten qualitativen Bewertung.
Für diese Ausführungsform ist vorgelagert vorzugsweise ein Prozess vorgesehen, welcher eine Modellmenge mit optimierten Simulationsmodellen zur Verfügung stellt. So sind unterschiedlichste Datenmodelle denkbar, welche als Simulationsmodell eingesetzt werden können. Bevorzugt werden im Rahmen der vorliegenden Erfindung datenbasierte Regressions- verfahren, welche insbesondere einen Optimierungsschritt durchlaufen. Im Ergebnis solcher Optimierungsschritte steht üblicherweise eine Vielzahl von optimierten Simulationsmodellen, so dass sich dementsprechend die optimierte Modellmenge als Eingangssituation für ein erfindungsgemäßes Verfahren ausbildet. Ein Kerngedanke dieser Ausführungsform ist es nun, dass konsequent wenigstens ein Auswahlkriterium ausgewählt wird für die qualitative Bewertung der Simulationsmodelle der Modellmenge. Möglichkeiten für solche qualitativen Auswahlkriterien werden später noch näher erläutert. Insbesondere geht es dabei darum, für die spätere Nutzung des Simulationsmodells die Einzelmodelle hinsichtlich ihrer Nutzbarkeit zu bewerten. Darunter kann zum Bei- spiel die gewünschte Korrelationsgenauigkeit mit tatsächlichen Messdaten funktionaler Prozesse einer Komponente eines Antriebsstrangs, z.B. einer Brennkraftmaschine, herangezogen werden. Auch kann eine Reduktion von Unsicherheitsbändern um einen entsprechenden Funktionsverlauf eines Simulationsmodells ein Auswahlkriterium zur Verfügung stellen. Nicht zuletzt kann auch die Komplexität einzelner Simulationsmodelle herangezogen wer- den, um eine qualitative Bewertungsmöglichkeit für die Simulationsmodelle zur Verfügung zu stellen. Der Schritt der Auswahl kann dabei zum Beispiel durch den jeweiligen Nutzer eines erfindungsgemäßen Verfahrens manuell erfolgen. Grundsätzlich ist es jedoch auch denkbar, diesen und/oder weitere Schritte zu automatisieren oder zu teilautomatisieren. Neben der Auswahl wenigstens eines Auswahlkriteriums ist für die Durchführung eines effizienten Verfahrens gemäß dieser Ausführungsform die Auswahl einer Bewertungsreihenfol- ge von entscheidender Bedeutung. So ist insbesondere bei einer komplexen Gestaltung von unterschiedlichen Modellscharen innerhalb der Modellmenge die Bewertungsreihenfolge mitentscheidend dafür, wie lange ein entsprechender Bewertungs- und Auswahlprozess mit dieser Ausführungsform dauert. So kann beispielsweise einfach die entsprechende gesamt- optimierte Modellmenge und damit sämtliche Simulationsmodelle, dementsprechend im Be- wertungsprozess mit dem wenigstens einen ausgewählten Auswahlkriterium zugrunde gelegt werden. Jedoch sind auch komplexere sequentielle Reihenfolgen als Bewertungsreihenfolge im Sinne der vorliegenden Erfindung denkbar, um Optimierungen zum Beispiel in Bezug auf die Rechenzeit oder die Qualität des Gesamtergebnisses erzielen zu können.
Zumindest die beiden letzten Schritte dieser Ausführungsform, also die Durchführung der qualitativen Bewertung sowie die Auswahl des Simulationsmodells, erfolgen in automatischer Weise. Mit anderen Worten kann also die Auswahl des wenigstens einen Auswahlkriteriums sowie die Auswahl der Bewertungsreihenfolge sowohl in manueller Weise als auch ebenfalls automatisiert oder teilautomatisiert erfolgen. Sobald Auswahlkriterien und Bewertungsreihenfolge feststehen, werden die anschließenden Schritte der qualitativen Bewertung und der Auswahl des Simulationsmodells mit der besten qualitativen Bewertung automatisiert und im Wesentlichen im direkten zeitlichen Anschluss durchgeführt. Ein funktionaler Prozess, welcher im Sinne der vorliegenden Erfindung durch das Simulationsmodell abgebildet werden soll, ist dabei insbesondere ein Prozess, welcher Eingangsparameter einer Komponente des Antriebsstrangs, z.B. einer Brennkraftmaschine, mit Ausgangsparametern korreliert. So können Eingangsparameter zum Beispiel ein Luftgemisch, ein Temperaturverhältnis, eine Gaspedalstellung oder eine andere Lastwechselzahl sein. Als Ausgangparameter können dementsprechend ein Kraftstoffverbrauch der Brennkraftmaschine oder die Gaszusammensetzung des Abgases herangezogen werden.
Durch diese Ausführungsform können nun die Simulationsmodelle wieder herangezogen werden, um tatsächliche Prüfstandszeit zu vermeiden oder deutlicher zu reduzieren. Dadurch, dass nun zumindest teilautomatisiert die qualitative Bewertung und die Auswahl des Simulationsmodells erfolgt, ist die Abhängigkeit vom tatsächlichen Wissen und Kenntnisstand des Anwenders deutlich reduziert. Somit steht nun durch ein erfindungsgemäßes Verfahren die Auswahlmöglichkeit eines möglichst optimierten Simulationsmodells einer breiteren Anwenderschar gegenüber. Die am Schluss ausgewählte Version des Simulationsmo- dells mit der besten qualitativen Bewertung kann dabei in unterschiedlichster Weise eingesetzt werden. So ist zu diesem Zeitpunkt das ausgewählte Simulationsmodell zum Beispiel im Einsatz, um einen entsprechenden virtuellen Prüfstand aufzubauen. Auch eine Bedatung oder Teilbedatung von Steuergeräten eines Fahrzeugs ist mithilfe des ausgewählten Simulationsmodells möglich. Nicht zuletzt wird neben einer Verringerung des notwendigen Kenntnisstandes für die Auswahl von Simulationsmodellen der notwendige Zeitbedarf deutlich re- duziert. Dabei kann insbesondere davon ausgegangen werden, dass zumindest Teile der Verfahrensschritte vorzugsweise sogar parallel, insbesondere zeitlich parallel ausgeführt werden können. Dies führt dazu, dass in kurzer Zeit nach der Bestimmung der optimierten Modellmenge ein Simulationsmodell in optimierter Weise hinsichtlich einer idealen qualitativen Bewertung für den Nutzer zur Verfügung steht.
Es kann von Vorteil sein, wenn bei einem erfindungsgemäßen Verfahren die Auswahl des Auswahlkriteriums aus einer Mehrzahl von wenigstens zwei Auswahlkriterien erfolgt, insbesondere aus wenigstens zwei der folgenden Auswahlkriterien:
- Data to fit
- geringste Komplexität des Simulationsmodells
likelihood
bester Qualitätsparameter
geringste Unsicherheit des Simulationsmodells, insbesondere aufgrund des Wertes einzelner Parameter und/oder Hyperparameter
- geringe Anzahl der lokalen Optima des Simulationsmodells
- Robustheit des Optimierungsschrittes.
Bei der voranstehenden Aufzählung handelt es sich um eine nicht abschließende Liste. Insbesondere kann aus dieser Liste eine beliebige Kombination der Auswahlkriterien zu einem neuen Auswahlkriterium zusammengefasst werden. Weiterhin umfasst ein Auswahlkriterium auch eine Annäherung an das Auswahlkriterium. Unter der Begrifflichkeit„Data to fit" ist zu verstehen, dass ein Simulationsmodell nach diesem Auswahlkriterium dann besonders gut angesehen wird, wenn die Korrelation zwischen eingegebenen Messpunkten als Basis für die Optimierung des Simulationsmodells mit dem optimierten Simulationsmodell möglichst passend ist. Mit anderen Worten verläuft eine entsprechende Funktionskurve des Simulationsmodells möglichst exakt durch Messpunkte, welche einem Optimierungslauf des Simulationsmodells zugrunde liegen. Die Komplexität des Simulationsmodells kann in einer entsprechenden Kombinatorik für das Auswahlkriterium vorzugsweise als mathematischer Strafterm mit eingehen. Unter der Robustheit des Optimierungsschrittes können zum Bei- spiel eine geringe Anzahl an lokalen Optima beim Optimierungsschritt des Simulationsmodells, eine gute Unterscheidbarkeit des lokalen Optimums von umgebenden Parame- tern/Hyperparametern beim Optimierungsschritt des Simulationsmodells, ein geringer Rechenaufwand beim Optimierungsschritt des Simulationsmodells oder die numerische Stabilität des Optimierungsschritt des Simulationsmodells verstanden werden. Als Maß für die Komplexität eines Simulationsmodells kann die Anzahl der Parameter /Hyperparameter herangezogen werden oder auch die Größe des Basisfunktionenraums des Basismodells. Dies führt dazu, dass für den späteren Einsatz des Simulationsmodells durch die reduzierte Komplexität ebenfalls ein reduzierter Berechnungsaufwand und eine reduzierte Rechenzeit möglich werden.
Auch ist es möglich, dass Qualitätsparameter in abstrakter Weise bestimmt werden können, welche vorzugsweise bereits während der Optimierungsläufe für die einzelnen Simulationsmodelle mitbestimmt werden. Somit bestehen bereits zum Zeitpunkt des Vorhandenseins der Modellmenge aller Simulationsmodelle diese Qualitätsparameter mit, so dass ein reiner Vergleich das erfindungsgemäße Verfahren durchführen kann. Solche Qualitätsparameter erlauben es auch, einzelne Auswahlkriterien aus technischer Sicht in einem mathematischen Term miteinander zu kombinieren. Eine Unsicherheit des Simulationsmodells ist sowohl punktuell als auch global zu verstehen. So sind für die einzelnen Simulationsmodelle und deren funktionelle Zusammenhänge stochastische Varianzen zu bestimmen, welche die Un- Sicherheit dieses Simulationsmodells auf Basis der zur Verfügung gestellten Messwerte berechnen. Ein weiterer Vorteil kann sein, wenn die geringste Anzahl an lokalen Optima des Simulationsmodells als wenigstens ein Auswahlkriterium herangezogen wird. Dies führt zu einer verstärkten Eineindeutigkeit, welcher Bereich eines funktionellen Zusammenhangs später bei der Bedatung eines Steuergerätes als lokales Optimum tatsächlich für die Rege- lungsvorgabe einer Soll-Ist-Schleife zur Verfügung gestellt werden soll.
Ebenfalls vorteilhaft ist es, wenn bei einem erfindungsgemäßen Verfahren, die Datenmengen, die für das Auswahlkriterium verwendet werden, nicht zur Erstellung der optimierten Simulationsmodelle verwendet werden. Hierbei handelt es sich dann um sogenannte Validie- rungsdaten. Diese werden zusätzlich am Prüfstand gemessen, gehen aber nicht mit in das Training der Modelle ein. D.h. sie prüfen die Vorhersagegenauigkeit der Modelle durch den Abgleich der vom Simulationsmodell bestimmten Ausgangsgrößen mit den real vermessenen Ausgangsgrößen. Ein weiterer Vorteil ist es, wenn bei einem erfindungsgemäßen Verfahren die Modellmenge wenigstens zwei Modelscharen aufweist, wobei als Bewertungsreihenfolge zuerst die Model- scharen qualitativ bewertet werden, nach dieser Bewertung die qualitative beste Modellschar ausgewählt wird, und anschließend aus der ausgewählten Modellschar das qualitativ beste Simulationsmodell ausgewählt wird. Dabei handelt es sich um eine Möglichkeit einer Bewertungsreihenfolge, welche insbesondere dann eingesetzt wird, wenn die Modellmenge bereits auf Basis unterschiedlicher Optimierungsläufe mehrteilig und damit insbesondere mit wenigstens zwei Modellscharen ausgebildet ist. Wie später noch erläutert wird, kann mithilfe von Optimierungsläufen für jeden Optimierungslauf eine Modellschar einer Vielzahl von Simulationsmodellen erzeugt werden. Sind somit zwei oder mehr Modellscharen vorhanden, so setzt sich die Modellmenge aus einer Mehrzahl von Modellscharen zusammen, welche wiederum eine Mehrzahl von Simulationsmodellen enthalten. Wird gemäß dieser Ausführungsform in einem ersten Schritt die gesamte Modellschar qualitativ bewertet, so kann eine Auswahl in einem ersten Schritt grob erfolgen, welche einen deutlich geringeren Rechenbedarf aufweist, als die qualitative Bewertung aller vorhandenen Simulationsmodelle sämtlicher Modellscharen. Sobald die Bewertung der qualitativ besten Modellschar erfolgt ist und die Auswahl durchgeführt wurde, wird anschließend aus dieser ausgewählten Modellschar das qualitativ beste Simulationsmodell ausgewählt. Hierfür wird vorzugsweise ausschließlich in der ausgewählten Modellschar eine entsprechende qualitative Bewertung der darin enthaltenen Simulationsmodelle durchgeführt. Dieser zweistufige Prozess kann selbstverständlich für jede Stufe unterschiedliche Auswahlkriterien verwenden. Die Reduktion des Rechenauf- wandes kann jedoch dazu führen, dass möglicherweise einzelne Simulationsmodelle in weniger qualitativen Modellscharen als singuläre Simulationsmodelle jedoch eine hohe Qualität aufweisen würden, welche durch die negative Bewertung der Modellschar verworfen werden würde. Nicht zuletzt ist jedoch auch trotz dieses Verfahrensmerkmals durch eine Ausführungsform gemäß diesem Absatz ein Vorteil hinsichtlich der Korrelation zwischen Bewer- tungszeit und Qualität der erzielten Auswahl erreichbar.
Vorteilhaft ist es weiter, wenn bei einem erfindungsgemäßen Verfahren die Modellmenge wenigstens zwei Modellscharen aufweist, wobei als Bewertungsreihenfolge alle Simulationsmodelle aller Modellscharen qualitativ bewertet werden und anschließend das Simulati- onsmodell mit der besten qualitativen Bewertung aus der Modellmenge aller Modellscharen ausgewählt wird. Das bedeutet, dass sozusagen aus allen Simulationsmodellen aller Modellscharen eine Gesamtmenge gebildet wird, welche komplett dem Bewertungsprozess zugeführt wird. Das bedeutet wiederum, dass die Modellscharen in der gemeinsamen Modellmenge zusammengeführt sind und damit für jedes einzelne Simulationsmodell, welches in allen Modellscharen vorliegt, die qualitative Bewertung auch tatsächlich durchgeführt wird. Der auf diese Weise erzielte erhöhte Rechenaufwand rechtfertigt sich jedoch dadurch, dass nunmehr tatsächlich eine optimierte Auswahlmöglichkeit für das bestqualitative Simulationsmodell sämtlicher vorhandenen Simulationsmodelle aller Modellscharen durchgeführt werden kann. Darüber hinaus ist es möglich, eine Bewertung und Auswahl in einem einzigen Schritt durchzuführen. Damit wird eine Gesamtoptimierung einer Gesamtauswahl ermöglicht.
Ein weiterer Vorteil kann es sein, wenn bei einem erfindungsgemäßen Verfahren die Modellmenge wenigstens zwei Modellscharen aufweist, wobei als Bewertungsreihenfolge aus jeder Modellschar das qualitativ beste Schar-Simulationsmodell ausgewählt wird und anschließend aus allen Schar-Simulationsmodellen das qualitativ beste Simulationsmodell ausgewählt wird. Dabei handelt es sich vorzugsweise um eine Kombination der Ausführungsform der beiden voranstehenden Absätze. Für jede Modellschar und damit auch für sämtliche Simulationsmodelle der gesamten Modellmenge wird damit eine qualitative Bewertung durchgeführt. Jedoch ist auch hier ein zweistufiger Prozess vorgesehen, so dass insbesondere ein zeitlich paralleles Abarbeiten erfolgen kann. Wird beispielsweise in einem ersten Optimierungslauf eine erste Modellschar zur Verfügung gestellt und erzeugt, so wird anschließend der zweite Optimierungslauf für das Erzeugen einer zweiten Modellschar gestartet. Sobald jedoch die erste Modellschar besteht, kann parallel zum zweiten Optimierungslauf eine Bewertung und Auswahl dieser ersten Modellschar erfolgen. Dies führt dazu, dass zumindest teilweise zeitlich parallel gerechnet werden kann, um auf diese Weise trotz einer Bewertung sämtlicher Simulationsmodelle aller Modellscharen ein möglichst frühzeitiges und schnelles Ergebnis des besten Simulationsmodells zur Verfügung zu stellen. Während bei anderen Verfahren die Bewertung und die Auswahl erst starten kann, wenn sämtliche Simulationsmodelle aller Modellscharen vorliegen, kann bei dieser Ausführungsform, sobald der letzte Optimierungslauf beendet ist, eine Reduktion der Bewertung der Simulationsmodelle dieser letzten Modellschar ausreichen, um abschließend aus einer sehr geringen Anzahl von Simulationsmodellen, nämlich exakt einem Simulationsmodell pro Modellschar, das aus dieser sehr geringen Menge beste Simulationsmodell aus qualitativer Sicht auszuwählen.
Vorteilhaft ist es weiter, wenn bei einem erfindungsgemäßen Verfahren die Auswahl des wenigstens einen Auswahlkriteriums und/oder die Auswahl der Bewertungsreihenfolge auf Basis wenigstens eines Basisparameters, insbesondere ausgebildet als Hyperparameter, des Basismodells der Simulationsmodelle der Modellmenge erfolgt. Insbesondere handelt es sich hier um eine automatische oder teilautomatische Auswahl. So kann je nachdem, welche Basismodell als Simulationsmodell gewählt wird, bzw. welche Transformationsfunktionen mit dem Basismodell kombiniert wurden, ein entsprechender Basisparameter mögliche Nachteile oder Unsicherheiten der entsprechenden Funktion berücksichtigen. Solche Basisparame- ter können also dazu führen, in automatisierter Weise durch geschickte Auswahl des Auswahlkriteriums mögliche Nachteile bei der Auswahl der entsprechenden Funktion zu beheben oder zu reduzieren. Durch die Implementierung einer Korrelation zwischen Auswahlkriterien und Basisparametern erfolgt diese Korrelation in automatisierter Weise, so dass keiner- lei Abhängigkeit zu einem möglicherweise vorhandenen Kenntnisstand des Anwenders mehr notwendig ist.
Vorteilhaft ist es darüber hinaus, wenn bei einem erfindungsgemäßen Verfahren vor dem Auswählen wenigstens eines Auswahlkriteriums zumindest ein Auswahlkriterium eingeschal- tet und/oder ausgeschaltet wird. Damit wird dem Anwender die Möglichkeit gegeben, dass einzelne Auswahlkriterien aktiv zugeschaltet oder abgeschaltet werden können. So sind Situationen möglich, zum Beispiel in Abhängigkeit von funktionalen Prozessen der Brennkraftmaschine, bei welchen ganz bewusst einzelne Auswahlkriterien ausgeschaltet sein sollen, bzw. bei welchen eine Reduktion auf definierte Auswahlkriterien vorgegeben werden sollen. Das Vorschalten eines rein manuellen Auswahlschrittes in Form eines Einschaltens und eines Ausschaltens erlaubt es, trotz eines hohen Automatisierungsgrades des Verfahrens eine manuelle Adaptionsfähigkeit zur Verfügung zu stellen. Dies vereint eine hohe Flexibilität im Einsatz eines erfindungsgemäßen Verfahrens mit den beschriebenen Vorteilen durch den Automatisierungsgrad.
Weiter von Vorteil kann es sein, wenn bei einem erfindungsgemäßen Verfahren es sich bei den Simulationsmodellen der Modellmenge um datenbasierte Regressionsmodelle, insbesondere unter Verwendung von Bayes- Regressionsverfahren, vorzugsweise Gaußprozess- modelle, handelt. Dabei handelt es sich jedoch nur um eine Möglichkeit einer Ausbildung der Simulationsmodelle, welche insbesondere als stochastische Simulationsmodelle ausbildbar sind. Durch die Verwendung datenbasierter Regressionsverfahren ist es möglich, die notwendigen Messdaten für die Optimierungsläufe deutlich zu reduzieren und auf diese Weise notwendige Prüfstandszeit vor der Durchführung der Optimierungsläufe zu minimieren. Nicht zuletzt ist die Verwendung von datenbasierten Regressionsverfahren auch einfach und kos- tengünstig in der tatsächlichen Umsetzung eines erfindungsgemäßen Verfahrens.
Vorteilhaft ist es ebenfalls, wenn bei einem erfindungsgemäßen Verfahren für die Erstellung der Modellmenge wenigstens zwei unterschiedliche Optimierungsläufe für ein Basismodell eines Simulationsmodells durchgeführt werden, wobei jeder Optimierungslauf eine Modell- schar optimierter Simulationsmodelle erzeugt. Mit anderen Worten wird zumindest eine doppelte Optimierung durchgeführt, vorzugsweise eine mehrstufige Optimierung, wobei unter- schiedlichste Basismodelle und/oder unterschiedlichste später noch erläuterte Transformationsfunktionen sowie deren Kombinationen eingesetzt werden können. Dies führt zu einer sehr hohen Anzahl von Simulationsmodellen, welche wiederum in entsprechenden Modellscharen angeordnet sind. Bei Methoden, welche auf einer manuellen Auswahl von Simulati- onsmodellen aus einer entsprechenden Modellmenge beruhen, sind solche komplexen Optimierungsmethoden nicht durchführbar. Ansonsten würde sich der Aufwand für die tatsächliche Auswahl des gewünschten Simulationsmodells exponentiell vervielfachen, so dass solche großen Mengen an Simulationsmodellen manuell durch den bekannten Stand der Technik nicht mehr handhabbar werden. Insbesondere kann durch hohe Automatisierung auf die- se Weise auch einen große Anzahl unterschiedlicher Optimierungsläufe durchgeführt werden, und trotzdem für das Bedienpersonal am Ende ein einziges ausgewähltes Simulationsmodell zur Verfügung gestellt werden.
Ein weiterer Vorteil der vorliegenden Erfindung ist es, dass diese Transformationsfunktionen nun nicht separat vor den Optimierungsläufen für das Simulationsmodell erstellt werden, sondern vielmehr der Optimierungslauf an eine Kombination des Basismodells mit der jeweiligen Transformationsfunktion angepasst wird.
Bei dem Verfahren gemäß dem voranstehenden Absatz kann es vorteilhaft sein, wenn zu- mindest eine Eingangs-Transformationsfunktion für Eingangswerte des Simulationsmodells und/oder eine Ausgangs-Transformationsfunktion für Ausgangswerte des Simulationsmodells in wenigstens einen kombinierten Optimierungslauf des Basismodells des Simulationsmodells und der jeweiligen Transformation berücksichtigt werden. Die Verwendung einer Eingangs-Transformationsfunktion in einem kombinierten Optimierungslauf kann grundsätz- lieh als„Manifold"-Basismodell bzw.„Manifold"-Gauß Prozess bezeichnet werden. In ähnlicher Weise kann die Ausgangs-Transformationsfunktion als„Warped'-Funktionalität für einen entsprechendes Basismodell und insbesondere Gauß-Prozess verstanden werden.
Der Optimierungslauf läuft dann über die Gesamtkombination aus den entsprechenden Transformationsfunktionen und des Basismodells. Bevorzugt ist es, wenn eine Kombinatorik sämtliche Kombinationsmöglichkeiten berücksichtigt, also insbesondere vier Optimierungsläufe durchgeführt werden. Somit wird ein erster Optimierungslauf das Basismodell allein, ein zweiter kombinierter Optimierungslauf aus Basismodell und Eingangs- Transformationsfunktion, ein dritter kombinierter Optimierungslauf aus Basismodell und Aus- gangs-Transformationsfunktion und ein letzter, vierter kombinierter Optimierungslauf aus Basismodell und Eingangs-Transformationsfunktion und Ausgangs-Transformationsfunktion optimieren. Die vier Modellscharen, welche mit einer Vielzahl von Simulationsmodellen nun die Modellmenge ergeben, stellen nun die Basis zur Verfügung, auf welcher die erfindungsgemäßen Schritte der Bewertung und der Auswahl durchgeführt werden. Ebenfalls Gegenstand der vorliegenden Erfindung ist ein Computerprogrammprodukt, gespeichert auf einem computerlesbaren Medium für die Auswahl eines Simulationsmodells zur Abbildung wenigstens eines funktionalen Prozesses einer Komponente eines Antriebstranges aus einer optimierten Modellmenge, aufweisend:
Computerlesbare Programmmittel, um eine Recheneinheit zu veranlassen, eine Eingangs-Transformationsfunktion für die Eingangswerte des Simulationsmodells vorzugeben,
Computerlesbare Programmmittel, um eine Recheneinheit zu veranlassen, eine Ausgangs-Transformationsfunktion für die Ausgangswerte des Simulationsmodells vorzugeben,
- Computerlesbare Programmmittel, um eine Recheneinheit zu veranlassen, ein Basismodell eines datenbasierten Regressionsverfahrens als Basis für das Simulationsmodell vorzugeben,
Computerlesbare Programmmittel, um eine Recheneinheit zu veranlassen, einen ersten Optimierungslauf der Basismodell zur Erzeugung von optimierten Simulati- onsmodellen einer ersten Modellschar durchzuführen,
Computerlesbare Programmmittel, um eine Recheneinheit zu veranlassen, einen zweiten, kombinierten Optimierungslauf des Basismodells mit Eingangs- Transformationsfunktion zur Erzeugung von optimierten Simulationsmodellen einer zweiten Modellschar durchzuführen,
- Computerlesbare Programmmittel, um eine Recheneinheit zu veranlassen, einen dritten, kombinierten Optimierungslauf des Basismodells mit Ausgangs- Transformationsfunktion zur Erzeugung von optimierten Simulationsmodellen einer dritten Modellschar durchzuführen,
Computerlesbare Programmmittel, um eine Recheneinheit zu veranlassen, einen vierten, kombinierten Optimierungslauf des Basismodells mit Eingangs-
Transformationsfunktion und Ausgangs-Transformationsfunktion zur Erzeugung von optimierten Simulationsmodellen einer vierten Modellschar durchzuführen,
Computerlesbare Programmmittel, um eine Recheneinheit zu veranlassen, wenigstens ein Simulationsmodell aus der Modellmenge aller Modellscharen auszuwählen. Ebenfalls Gegenstand der vorliegenden Erfindung ist ein Computerprogrammprodukt, gespeichert auf einem computerlesbaren Medium für die Auswahl eines Simulationsmodells zur Abbildung wenigstens eines funktionalen Prozesses einer Komponente eines Antriebsstranges aus einer optimierten Modellmenge, aufweisend:
- Computerlesbare Programmmittel, um eine Recheneinheit zu veranlassen, eine
Eingangs-Transformationsfunktion für die Eingangswerte des Simulationsmodells vorzugeben,
Computerlesbare Programmmittel, um eine Recheneinheit zu veranlassen, eine Ausgangs-Transformationsfunktion für die Ausgangswerte des Simulationsmodells vorzugeben,
Computerlesbare Programmmittel, um eine Recheneinheit zu veranlassen, ein Basismodell eines datenbasierten Regressionsverfahrens als Basis für das Simulationsmodell vorzugeben,
Computerlesbare Programmmittel, um eine Recheneinheit zu veranlassen, einen kombinierten Optimierungslauf des Basismodells mit Eingangs-
Transformationsfunktion und Ausgangs-Transformationsfunktion zur Erzeugung von optimierten Simulationsmodellen einer Modellmenge durchzuführen,
Computerlesbare Programmmittel, um eine Recheneinheit zu veranlassen, wenigstens ein Simulationsmodell aus der Modellmenge auszuwählen.
Die beiden Computerprogrammprodukte sind vorzugsweise mit computerlesbaren Programmmitteln ausgestattet, um eine Recheneinheit zu veranlassen, die Schritte gemäß eines Verfahrens mit den Merkmalen der Ansprüche 1 bis 18 durchzuführen. Damit bringt ein erfindungsgemäßes Computerprogrammprodukt die gleichen Vorteile mit sich, wie sie aus- führlich mit Bezug auf die erfindungsgemäßen Verfahren erläutert worden sind.
Weitere Vorteile, Merkmale und Einzelheiten der Erfindung ergeben sich aus der nachfolgenden Beschreibung, in der unter Bezugnahme auf die Zeichnungen Ausführungsbeispiele der Erfindung im Einzelnen beschrieben sind. Dabei können die in den Ansprüchen und in der Beschreibung erwähnten Merkmale jeweils einzeln für sich oder in beliebiger Kombination erfindungswesentlich sein.
Es zeigen schematisch: Figur 1 eine Darstellung eines Simulationsmodells, Figur 2 eine Möglichkeit eines Optimierungslaufes für die Erzeugung einer Modellschar,
Figur 3 eine weitere Möglichkeit zur Erzeugung einer Modellschar,
Figur 4 eine weitere Möglichkeit zur Erzeugung einer Modellschar,
Figur 5 eine weitere Möglichkeit zur Erzeugung einer Modellschar, Figur 6 eine Möglichkeit einer Bewertungsreihenfolge,
Figur 7 eine weitere Möglichkeit einer Bewertungsreihenfolge und
Figur 8 eine weitere Möglichkeit einer Bewertungsreihenfolge.
Fig. 1 zeigt schematisch, wie mithilfe eines Simulationsmodells 10 eine beliebige Anzahl von Eingangswerten E mit einer beliebigen Anzahl von Ausgangswerten A korreliert werden kann. Bei diesem Simulationsmodell handelt es sich vorzugsweise um ein datenbasiertes Regressionsverfahren, welches auf stochastischen Grundlagen beruht. Bevorzugt wird hier ein Gauß-Prozessmodell eingesetzt. Die Fig. 2 bis 5 zeigen Möglichkeiten, wie auf Basis von Daten, die an einem Prüfstand gemessen wurden oder auch Daten aus einem Computerexperiment, ein entsprechendes Training durch Optimierung des Basismodells 14 durchgeführt werden kann. Im einfachsten Fall ist ein Basismodell 14 als Gaußprozessmodell vorgegeben, wie es die Fig. 5 zeigt. Mit einem entsprechenden Optimierungslauf O wird es möglich, dieses Basismodell 14 zu optimieren und eine Modellschar 22 mit einer Vielzahl optimierter Simulationsmodelle 10 zur Verfügung zu stellen. Bereits aus dieser Modellschar 22, welche im einfachsten Fall bei einer einzigen Modellschar 22 eine entsprechende Modellmenge 20 darstellt, ist bereits ein Auswahlproblem gegeben, wie es das erfindungsgemäße Verfahren löst. So kann hier nach zur Verfügung stellen eines Auswahlkriteriums und einer Bewer- tungsreihenfolge eine Bewertung sämtlicher Simulationsmodelle 10 erfolgen, so dass abschließend das Simulationsmodell 10 mit der qualitativ besten Bewertung ausgewählt wird.
Bevorzugt ist es jedoch, wenn eine komplexe Optimierung stattfindet. Also wird zusätzlich zu der Optimierung des reinen Basismodells 14 noch eine Optimierung mit einer Kombination der Eingangs-Transformationsfunktion 16 gemäß Fig. 3 sowie eine Optimierung mit einer Kombination der Ausgangs-Transformationsfunktion 18 gemäß Fig. 4 durchgeführt. Zuletzt erfolgt noch ein Optimierungslauf O mit einer Kombination von der Eingangs-Transformation 16 und der Ausgangs-Transformation 18 gemäß Fig. 2. All diese einzelnen Optimierungsläufe O führen nun zu Modellscharen 22, welche als Modellmenge 20 den nachfolgenden Bewertungen gemäß den Fig. 6 bis 8 zugrunde gelegt werden. Hier erfolgt nun eine Auswahl eines Auswahlkriteriums 30 sowie einer Bewertungsreihenfolge 40. Die Auswahl des Auswahlkriteriums 30 und/oder die Auswahl der Bewertungsreihenfolge 40 kann dabei basieren auf entsprechenden Basisparametern 50 der einzelnen Funktionen 16, 18 und/oder des Basismodells 14. Fig. 6 zeigt eine Möglichkeit, bei welcher in einem ersten Schritt aus der Modellmenge 20 die einzelnen Modellscharen 22 qualitativ bewertet werden. Im Ergebnis steht eine Modellschar 22, welche als qualitativ beste Modellschar 22 angesehen wird. Mit einem identischen oder unterschiedlichen Auswahlkriterium 30 erfolgt nun aus dieser ausgewählten Modellschar 22 die Auswahl des Simulationsmodells 10 mit der besten qualitativen Bewertung.
Als Alternative zur Ausführungsform gemäß Fig. 6 kann auch die gesamte Modellmenge 20 hinsichtlich aller Modellscharen 22 bewertet werden, so dass direkt im Anschluss an diesen nun einstufigen Prozess mithilfe des Auswahlkriteriums 30 das beste qualitativ hochwertigste Simulationsmodell 10 zur Verfügung gestellt werden kann. Um in Bezug auf Rechenzeit, Parallelisierung und Verbesserung der Auswahlkriterien eine ideale Kombination zur Verfügung stellen zu können, wird in Fig. 8 die gesamte Modellmenge 20 bereits hinsichtlich der einzelnen Modellscharen 22 bewertet. Somit wird für jede Modellschar 22, sobald diese vorliegt, das beste Simulationsmodell 10 ausgewählt. Das entsprechende Auswahlkriterium 30 kann dabei spezifisch für die einzelnen Modellscharen 22 gewählt werden. Sobald der letzte Optimierungslauf O erfolgt ist, erfolgt nun noch die Bewertung und Auswahl für diese letzte Modellschar 22, so dass im zweiten Schritt nun aus einer deutlich geringeren Anzahl von bei diesem Beispiel vier Simulationsmodellen 10 das wiederum qualitativ beste Simulationsmodell 10 ausgewählt wird. Die voranstehende Erläuterung der Ausführungsformen beschreibt die vorliegende Erfindung ausschließlich im Rahmen von Beispielen. Selbstverständlich können einzelne Merkmale der Ausführungsformen, sofern technisch sinnvoll, frei miteinander kombiniert werden, ohne den Rahmen der vorliegenden Erfindung zu verlassen. Bez u g s ze i c h e n l i ste
10 Simulationsmodell
12 Schar-Simulationsmodell
14 Basismodell
16 Eingangs-Transformationsf unktion
18 Ausgangs-Transformationsf unktion
20 Modellmenge
22 Modellschar
30 Auswahlkriterium
40 Bewertungsreihenfolge
50 Basisparameter
E Eingangswerte
A Ausgangswerte
O Optimierungslauf

Claims

P a t e n t a n s p r ü c h e
1. Verfahren für die Erstellung eines Simulationsmodells (10) zur Abbildung zumindest eines funktionalen Prozesses einer Komponente eines Antriebstranges, aufweisend die folgenden Schritte:
- Vorgeben einer Eingangs-Transformationsfunktion (16) für die Eingangswerte (E) des Simulationsmodells (10),
- Vorgeben einer Ausgangs-Transformationsfunktion (18) für die Ausgangswerte (A) des Simulationsmodells (10),
- Vorgeben eines Basismodells (14) eines datenbasierten Regressionsverfahrens als Basis für das Simulationsmodell (10),
- Durchführung eines ersten Optimierungslaufs (O) des Basismodells (14) zur Erzeugung von optimierten Simulationsmodellen (10) einer ersten Modellschar (22),
- Durchführung eines zweiten kombinierten Optimierungslaufs (O) des Basismodells (14) mit Eingangs-Transformationsfunktion (16) zur Erzeugung von optimierten Simulationsmodellen (10) einer zweiten Modellschar (22),
- Durchführung eines dritten kombinierten Optimierungslaufs (O) des Basismodells (14) mit Ausgangs-Transformationsfunktion (18) zur Erzeugung von optimierten Simulationsmodellen (10) einer dritten Modellschar (22),
- Durchführung eines vierten kombinierten Optimierungslaufs (O) des Basismodells en (14) mit Eingangs-Transformationsfunktion (16) und Ausgangs- Transformationsfunktion (18) zur Erzeugung von optimierten Simulationsmodellen (10) einer vierten Modellschar (22),
- Auswählen wenigstens eines Simulationsmodells (10) aus der Modellmenge (20) aller Modellscharen (22).
2. Verfahren nach Anspruch 1 ,
dadurch gekennzeichnet, dass
vor der Durchführung jedes Optimierungslaufes (O) dieser Optimierungslauf (O) an eine Kombination des Basismodells (14) mit der jeweiligen Transformationsfunktion (16, 18) angepasst wird. Verfahren nach Anspruch 1 ,
dadurch gekennzeichnet, dass
für die Durchführung der Optimierungsläufe (O) diese Optimierungsläufe (O) an eine Kombination der jeweiligen Transformationsfunktion (16, 18) mit dem Basismodell (14) angepasst werden zur Erzeugung von drei modifizierten Optimierungsläufen (O).
Verfahren nach Anspruch 1 ,
dadurch gekennzeichnet, dass
zur Bestimmung der optimierten Modellmenge verschiedene Kriterien herangezogen werden können, wobei insbesondere unterschiedliche Datenmengen in den Teilschritten zur Bestimmung des datenbasierten Regressionsmodells verwendet werden.
Verfahren für die Erstellung eines Simulationsmodells (10) zur Abbildung zumindest eines funktionalen Prozesses einer Komponente eines Antriebstranges, aufweisend die folgenden Schritte:
- Vorgeben einer Eingangs-Transformationsfunktion (16) für die Eingangswerte (E) des Simulationsmodells (10),
- Vorgeben einer Ausgangs-Transformationsfunktion (18) für die Ausgangswerte (A) des Simulationsmodells (10),
- Vorgeben eines Basismodells (14) eines datenbasierten Regressionsverfahrens als Basis für das Simulationsmodell (10),
- Durchführen eines kombinierten Optimierungslaufs (O) des Basismodells (14) mit Eingangs-Transformationsfunktion (16) und Ausgangs- Transformationsfunktion (18) zur Erzeugung von optimierten Simulationsmodellen (10) einer Modellmenge (20),
- Auswählen wenigstens eines Simulationsmodells (10) aus der Modellmenge (20).
Verfahren nach Anspruch 5,
dadurch gekennzeichnet, dass
zur Bestimmung der optimierten Modellmenge verschiedene Kriterien herangezogen werden, wobei insbesondere unterschiedliche Datenmengen in den Teilschritten zur Bestimmung des datenbasierten Regressionsmodells verwendet werden.
7. Verfahren nach einem der vorangegangenen Ansprüche,
dadurch gekennzeichnet, dass
vor oder nach Auswählen wenigstens eines Simulationsmodells (10) wenigstens ein weiterer Optimierungslauf (O) unter Vorgabe einer geänderten Eingangs- Transformationsfunktion (16) und/oder einer geänderten Ausgangs- Transformationsfunktion (18) durchgeführt wird.
8. Verfahren nach einem der vorangegangenen Ansprüche,
dadurch gekennzeichnet, dass
es die folgenden Schritte aufweist:
- Auswählen wenigstens eines Auswahlkriteriums (30) für die qualitative Bewertung der Simulationsmodelle (10) der Modellmenge (20),
- Auswählen einer Bewertungsreihenfolge (40) für die sequentielle Reihenfolge der Bewertung der Simulationsmodelle (10) der Modellmenge (20),
- Automatisches Durchführen der qualitativen Bewertung der Simulationsmodelle (10) auf Basis der ausgewählten Bewertungsreihenfolge (40) und des ausgewählten wenigstens einen Auswahlkriteriums (30),
- Automatisches Auswählen des Simulationsmodells (10) aus der Modellmenge (20) mit der besten qualitativen Bewertung.
9. Verfahren nach Anspruch 8,
dadurch gekennzeichnet, dass
die Auswahl des Auswahlkriteriums (30) aus einer Mehrzahl von wenigstens zwei Auswahlkriterien (30) erfolgt, insbesondere aus wenigstens zwei der folgenden Auswahlkriterien (30):
- Data to fit
Geringste Komplexität des Simulationsmodells (10)
likelihood
Bester Qualitätsparameter
Geringste Unsicherheit des Simulationsmodells (10), insbesondere aufgrund des Wertes einzelner Parameter und/oder Hyperparameter
Geringe Anzahl an lokalen Optima des Simulationsmodells (10)
Robustheit des Optimierungsschrittes.
10. Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass
sich das einzelne Auswahlkriterium nach Anspruch 9 dabei jeweils auf die gesamte Datenmenge oder Teildatenmengen bezieht.
11. Verfahren nach Anspruch 10,
dadurch gekennzeichnet, dass
die Datenmengen nicht zur Erstellung der optimierten Simulationsmodelle (10) verwendet wurden.
12. Verfahren nach einem der Ansprüche 8 bis 11,
dadurch gekennzeichnet, dass
die Modellmenge (20) wenigstens zwei Modellscharen (22) aufweist, wobei als Bewertungsreihenfolge (40) zuerst die Modellscharen (22) qualitativ bewertet werden, nach dieser Bewertung die qualitativ beste Modellschar (22) ausgewählt wird und anschließend aus der ausgewählten Modellschar (22) das qualitativ beste Simulationsmodell (10) ausgewählt wird.
13. Verfahren nach einem der Ansprüche 8 bis 11 ,
dadurch gekennzeichnet, dass
die Modellmenge (20) wenigstens zwei Modellscharen (22) aufweist, wobei als Bewertungsreihenfolge (40) alle Simulationsmodelle (10) aller Modellscharen (22) qualitativ bewertet werden und anschließend das Simulationsmodell (10) mit der besten qualitativen Bewertung aus der Modellmenge (20) aller Modellscharen (22) ausgewählt wird.
14. Verfahren nach einem der Ansprüche 8 oder 11 ,
dadurch gekennzeichnet, dass
die Modellmenge (20) wenigstens zwei Modellscharen (22) aufweist, wobei als Bewertungsreihenfolge (40) aus jeder Modellschar (22) das qualitativ beste Schar- Simulationsmodell (12) ausgewählt wird und anschließend aus allen Schar- Simulationsmodellen (12) das qualitativ beste Simulationsmodell (10) ausgewählt wird.
15. Verfahren nach einem der Ansprüche 8 bis 14,
dadurch gekennzeichnet, dass
die Auswahl des wenigstens einen Auswahlkriteriums (30) und/oder die Auswahl der Bewertungsreihenfolge (40) auf Basis wenigstens eines Basisparameters (50) des Basismodels (14) der Simulationsmodelle (10) der Modellmenge (20) erfolgt.
16. Verfahren nach einem der Ansprüche 8 bis 15,
dadurch gekennzeichnet, dass
vor dem Auswählen wenigstens eines Auswahlkriteriums (30) zumindest ein Auswahlkriterium (30) eingeschaltet und/oder ausgeschaltet wird.
17. Verfahren nach einem der Ansprüche 8 bis 16,
dadurch gekennzeichnet, dass
es sich bei den Simulationsmodellen (10) der Modellmenge (20) um datenbasierte Regressionsmodelle, insbesondere aufweisend Bayessche Regressionsmodelle, vorzugsweise Gaußprozessmodelle, handelt.
18. Verfahren nach einem der Ansprüche 8 bis 17,
dadurch gekennzeichnet, dass
für die Erstellung der Modellmenge (20) wenigstens zwei unterschiedliche Optimierungsläufe (O) für das Basismodell (14) eines Simulationsmodells (10) durchgeführt werden, wobei jeder Optimierungslauf (O) eine Modellschar (22) optimierter Simulationsmodelle (10) erzeugt.
19. Computerprogrammprodukt, gespeichert auf einem computerlesbaren Medium für die Auswahl eines Simulationsmodells (10) zur Abbildung wenigstens eines funktionalen Prozesses einer Komponente eines Antriebsstranges aus einer optimierten Modellmenge (20), aufweisend:
Computerlesbare Programmmittel, um eine Recheneinheit zu veranlassen, eine Eingangs-Transformationsfunktion (16) für die Eingangswerte (E) des Simulationsmodells (10) vorzugeben,
Computerlesbare Programmmittel, um eine Recheneinheit zu veranlassen, eine Ausgangs-Transformationsfunktion (18) für die Ausgangswerte (A) des Simulationsmodells (10) vorzugeben,
Computerlesbare Programmmittel, um eine Recheneinheit zu veranlassen, ein Basismodell (14) eines datenbasierten Regressionsverfahrens als Basis für das Simulationsmodell (10) vorzugeben,
Computerlesbare Programmmittel, um eine Recheneinheit zu veranlassen, einen ersten Optimierungslauf (O) des Basismodells (14) zur Erzeugung von optimierten Simulationsmodellen (10) einer ersten Modellschar (22) durchzuführen,
Computerlesbare Programmmittel, um eine Recheneinheit zu veranlassen, einen zweiten, kombinierten Optimierungslauf (O) des Basismodells (14) mit Eingangs-Transformationsfunktion (16) zur Erzeugung von optimierten Simulationsmodellen (10) einer zweiten Modellschar (22) durchzuführen, Computerlesbare Programmmittel, um eine Recheneinheit zu veranlassen, einen dritten, kombinierten Optimierungslauf (O) des Basismodells (14) mit Ausgangs-Transformationsfunktion (18) zur Erzeugung von optimierten Simulationsmodellen (10) einer dritten Modellschar (22) durchzuführen, Computerlesbare Programmmittel, um eine Recheneinheit zu veranlassen, einen vierten, kombinierten Optimierungslauf (O) des Basismodells (14) mit Eingangs-Transformationsfunktion (16) und Ausgangs-
Transformationsfunktion (18) zur Erzeugung von optimierten Simulationsmodellen (10) einer vierten Modellschar (22) durchzuführen,
Computerlesbare Programmmittel, um eine Recheneinheit zu veranlassen, wenigstens ein Simulationsmodell (10) aus der Modellmenge (20) aller Modellscharen (22) auszuwählen.
20. Computerprogrammprodukt, gespeichert auf einem computerlesbaren Medium für die Auswahl eines Simulationsmodells (10) zur Abbildung wenigstens eines funktionalen Prozesses einer Komponente eines Antriebsstranges aus einer optimierten Modellmenge (20), aufweisend:
Computerlesbare Programmmittel, um eine Recheneinheit zu veranlassen, eine Eingangs-Transformationsfunktion (16) für die Eingangswerte (E) des Simulationsmodells (10) vorzugeben,
Computerlesbare Programmmittel, um eine Recheneinheit zu veranlassen, eine Ausgangs-Transformationsfunktion (18) für die Ausgangswerte (A) des Simulationsmodells (10) vorzugeben,
Computerlesbare Programmmittel, um eine Recheneinheit zu veranlassen, ein Basismodell (14) eines datenbasierten Regressionsverfahrens als Basis für das Simulationsmodell (10) vorzugeben,
Computerlesbare Programmmittel, um eine Recheneinheit zu veranlassen, einen kombinierten Optimierungslauf (O) des Basismodells (14) mit Eingangs- Transformationsfunktion (16) und Ausgangs-Transformationsfunktion (18) zur Erzeugung von optimierten Simulationsmodellen (10) einer Modellmenge (20) durchzuführen,
Computerlesbare Programmmittel, um eine Recheneinheit zu veranlassen, wenigstens ein Simulationsmodell (10) aus der Modellmenge (20) auszuwählen.
PCT/DE2016/100263 2015-06-10 2016-06-10 Verfahren für die erstellung eines simulationsmodells zur abbildung zumindest eines funktionalen prozesses einer antriebstrangkomponente WO2016198047A1 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE112016002596.3T DE112016002596A5 (de) 2015-06-10 2016-06-10 Verfahren für die erstellung eines simulationsmodells zur abbildung zumindest eines funktionalen prozesses einer antriebstrangkomponente

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102015109221 2015-06-10
DE102015109221.2 2015-06-10

Publications (1)

Publication Number Publication Date
WO2016198047A1 true WO2016198047A1 (de) 2016-12-15

Family

ID=56958704

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/DE2016/100263 WO2016198047A1 (de) 2015-06-10 2016-06-10 Verfahren für die erstellung eines simulationsmodells zur abbildung zumindest eines funktionalen prozesses einer antriebstrangkomponente

Country Status (2)

Country Link
DE (1) DE112016002596A5 (de)
WO (1) WO2016198047A1 (de)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107844623A (zh) * 2017-09-04 2018-03-27 中车工业研究院有限公司 轮轨车辆产品的生成方法、系统、设备及存储介质
CN113536628A (zh) * 2021-07-09 2021-10-22 深圳佰维存储科技股份有限公司 焊点回损预测方法、装置、可读存储介质及电子设备
DE102021002318A1 (de) 2020-06-06 2021-12-09 FEV Europe GmbH Verfahren zur Erstellung eines Simulationsmodells, Verwendung eines Simulationsmodells, Computerprogrammprodukt, Verfahren zur Kalibrierung eines Steuergeräts

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006007621A2 (de) * 2004-07-22 2006-01-26 Avl List Gmbh Verfahren zur untersuchung des verhaltens von komplexen systemen, insbesondere von brennkraftmaschinen
US20070208677A1 (en) * 2006-01-31 2007-09-06 The Board Of Trustees Of The University Of Illinois Adaptive optimization methods
DE102013206286A1 (de) * 2013-04-10 2014-10-16 Robert Bosch Gmbh Verfahren und Vorrichtung zum Bestimmen eines Zündwinkels in einem Motorsteuergerät
WO2014170188A1 (de) * 2013-04-15 2014-10-23 Kompetenzzentrum - Das Virtuelle Fahrzeug, Forschungsgesellschaft Mbh Verfahren und vorrichtung zur co-simulation von zwei teilsystemen

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006007621A2 (de) * 2004-07-22 2006-01-26 Avl List Gmbh Verfahren zur untersuchung des verhaltens von komplexen systemen, insbesondere von brennkraftmaschinen
US20070208677A1 (en) * 2006-01-31 2007-09-06 The Board Of Trustees Of The University Of Illinois Adaptive optimization methods
DE102013206286A1 (de) * 2013-04-10 2014-10-16 Robert Bosch Gmbh Verfahren und Vorrichtung zum Bestimmen eines Zündwinkels in einem Motorsteuergerät
WO2014170188A1 (de) * 2013-04-15 2014-10-23 Kompetenzzentrum - Das Virtuelle Fahrzeug, Forschungsgesellschaft Mbh Verfahren und vorrichtung zur co-simulation von zwei teilsystemen

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107844623A (zh) * 2017-09-04 2018-03-27 中车工业研究院有限公司 轮轨车辆产品的生成方法、系统、设备及存储介质
CN107844623B (zh) * 2017-09-04 2021-03-16 中车工业研究院有限公司 轮轨车辆产品的生成方法、系统、设备及存储介质
DE102021002318A1 (de) 2020-06-06 2021-12-09 FEV Europe GmbH Verfahren zur Erstellung eines Simulationsmodells, Verwendung eines Simulationsmodells, Computerprogrammprodukt, Verfahren zur Kalibrierung eines Steuergeräts
CN113536628A (zh) * 2021-07-09 2021-10-22 深圳佰维存储科技股份有限公司 焊点回损预测方法、装置、可读存储介质及电子设备

Also Published As

Publication number Publication date
DE112016002596A5 (de) 2018-05-24

Similar Documents

Publication Publication Date Title
AT512977B1 (de) Methode zur Ermittlung eines Modells einer Ausgangsgröße eines technischen Systems
EP2799983B1 (de) Flexible Aufteilung der I/O Kanäle einer Hardware Komponente
DE102020003428A1 (de) Verfahren zur Erstellung eines Simulationsmodells, Verwendung eines Simulationsmodells, Computerprogrammprodukt, Verfahren zur Kalibrierung eines Steuergeräts
EP3398092A1 (de) Verfahren zum konfigurieren einer co-simulation für ein gesamtsystem
WO2016198047A1 (de) Verfahren für die erstellung eines simulationsmodells zur abbildung zumindest eines funktionalen prozesses einer antriebstrangkomponente
EP1623287A1 (de) Auslegung von werkzeugen und prozessen f r die umformtechnik
WO2016198046A1 (de) Verfahren für die auswahl eines simulationsmodells zur abbildung wenigstens eines funktionalen prozesses einer antriebsstrangkomponente aus einer optimierten modellmenge
WO2008095620A1 (de) Verfahren zur optimierung eines elektronisch gesteuerten automatisch schaltenden getriebes für ein kraftfahrzeug
DE102019134053A1 (de) Verfahren zur kontinuierlichen Absicherung im Fahrversuch applizierter automatisierter Fahrfunktionen
EP2088486B1 (de) Verfahren zur Vermessung eines nichtlinearen dynamischen realen Systems mittels Versuchsplanung
EP2513727A1 (de) Verfahren zum ermitteln von funktionsparametern für ein steuergerät
DE102012102373A1 (de) Verfahren zur Abschätzung eines Ressourcenverbrauchs bei der Erzeugung eines Steuergeräteprogrammcodes
DE102005036226B3 (de) Verfahren zum Erstellen einer Baugruppe mit einem Rekursionsverfahren zur Optimierung der Baugruppe
DE102019132624A1 (de) Verfahren, Vorrichtung, Computerprogramm und computerlesbares Speichermedium zum Erstellen eines Motion Cueing Algorithmus
EP3575976A1 (de) Verfahren zum bestimmen einer physikalischen verbindungstopologie eines für die steuergerätentwicklung eingerichteten, echtzeitfähigen testgeräts
DE10325513B4 (de) Verfahren und Vorrichtung zum Erstellen eines Verhaltensaspekts einer Schaltung zur formalen Verifikation
DE102018217139B4 (de) Verfahren und Vorrichtung zum Konfigurieren einer Kennfunktion eines Steuergeräts eines Kraftfahrzeugs
DE102022112606B3 (de) Computerimplementiertes Verfahren zur Kalibrierung eines technischen Systems
AT522186B1 (de) Computerimplementiertes Verfahren zur rechnergestützten Erzeugung eines ausführbaren Steuerungsprogramms zur Steuerung und/oder Regelung eines technischen Prozesses
DE102013224341A1 (de) Vorrichtung, Verfahren zur automatischen Erzeugung eines FEM Modells und Regler
DE102006038978A1 (de) Verfahren zur selbsttätigen Konfiguration von Produkten und/oder Dienstleistungen
DE102018112803A1 (de) Verfahren zum Bestimmen einer physikalischen Verbindungstopologie eines für die Steuergerätentwicklung eingerichteten, echtzeitfähigen Testgeräts
DE102015121486B4 (de) Verfahren und Vorrichtung zum Betrieb eines Steuerungs-/Regelungssystems eines Fahrzeuges
DE102020111204A1 (de) Verfahren zum Betreiben eines Steuergeräts für ein Kraftfahrzeug sowie entsprechendes Steuergerät
WO2010025757A1 (de) Verfahren zur spezifikation einer steuerungsfunktion

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 16767133

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 112016002596

Country of ref document: DE

REG Reference to national code

Ref country code: DE

Ref legal event code: R225

Ref document number: 112016002596

Country of ref document: DE

122 Ep: pct application non-entry in european phase

Ref document number: 16767133

Country of ref document: EP

Kind code of ref document: A1