WO2021092639A1 - Method and system for analysing and/or optimizing a configuration of a vehicle type - Google Patents

Method and system for analysing and/or optimizing a configuration of a vehicle type Download PDF

Info

Publication number
WO2021092639A1
WO2021092639A1 PCT/AT2020/060399 AT2020060399W WO2021092639A1 WO 2021092639 A1 WO2021092639 A1 WO 2021092639A1 AT 2020060399 W AT2020060399 W AT 2020060399W WO 2021092639 A1 WO2021092639 A1 WO 2021092639A1
Authority
WO
WIPO (PCT)
Prior art keywords
configuration
base
vehicle
operating
data set
Prior art date
Application number
PCT/AT2020/060399
Other languages
German (de)
French (fr)
Inventor
Kevin LAUBIS
Sascha Bauer
Original Assignee
Avl List 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 Avl List Gmbh filed Critical Avl List Gmbh
Priority to DE112020004941.8T priority Critical patent/DE112020004941A5/en
Publication of WO2021092639A1 publication Critical patent/WO2021092639A1/en

Links

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/24—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means
    • F02D41/2406—Electrical control of supply of combustible mixture or its constituents characterised by the use of digital means using essentially read only memories
    • F02D41/2425—Particular ways of programming the data
    • F02D41/2429—Methods of calibrating or learning
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M17/00—Testing of vehicles
    • G01M17/007—Wheeled or endless-tracked vehicles
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational 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
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D2200/00—Input parameters for engine control
    • F02D2200/02—Input parameters for engine control the parameters being related to the engine
    • F02D2200/08—Exhaust gas treatment apparatus parameters
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/23—Pc programming
    • G05B2219/23005—Expert design system, uses modeling, simulation, to control design process
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/18—Manufacturability analysis or optimisation for manufacturability
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Definitions

  • the present invention relates to a method and system for analyzing and / or optimizing a configuration of a vehicle type, with a configuration to be tested of a vehicle of the vehicle type being operated in an RDE test mode.
  • the road as a test bench environment offers the necessary stochastic basis to ensure that motor vehicles also comply with the required emission targets when used by customers.
  • the influences that are difficult to control it is almost impossible to carry out two measurements with comparable conditions during real test drives on the road.
  • the effects of changes to a vehicle, in particular to a Drivetrain or an exhaust system do not specifically compare with a basic state or a basic configuration. This makes it difficult to make a statement about the effectiveness of changes.
  • the road has so far only been regarded as suitable to a limited extent as a development environment.
  • One approach is to generate dynamic speed profiles which enable the reproduction of a test operation on test benches or based on models, which at least essentially corresponds to operation in real road traffic.
  • the transformation model having an assignment rule between the observation variables and a property of at least one device, the transformation model being set up on the basis of at least one data record recorded on the unit to be tested in the defined operating cycle to output an expression of the at least one device to be analyzed.
  • a first aspect of the invention relates to a computer-aided method for analyzing and / or optimizing a configuration of a vehicle type on the basis of an RDE test operation, in particular for comparing a configuration to be tested with a basic configuration, comprising the following work steps:
  • a second aspect of the invention relates to a method for training a vehicle model for simulating an operating behavior of a vehicle, comprising the following work steps:
  • a third aspect of the invention relates to a system for analyzing and / or optimizing a configuration of a vehicle type on the basis of an RDE test operation, comprising:
  • Data processing means for recording a first data set of operating variables of a configuration to be tested of a vehicle of the vehicle type and of environmental variables as a function of a distance covered and / or a past time continuously during an RDE test operation of the configuration to be tested, part of the first data set showing the operating behavior of the characterizes the configuration to be tested under certain operating conditions;
  • Simulation means for simulating an operating behavior of a basic configuration of a vehicle of the vehicle type by means of a vehicle model of the basic configuration, wherein when simulating, variables of the recorded first data set are input variables of the vehicle model and a second data set of at least one operating variable of the basic configuration is generated, and the second data set contributes to the operating behavior of the basic configuration characterizes the specific operating conditions; and comparison means for comparing the performance of the configuration under test with the performance of the basic configuration on the basis of the portion of the first data set and the second data set.
  • a compensation calculation in the sense of the invention is preferably a regression method or a pattern recognition method, in particular on the basis of a neural network or a random forest regression, and / or a combination of both, in particular in terms of statistical teaching.
  • a simulation within the meaning of the invention can be carried out on a test bench or purely based on models on a computer.
  • at least one component can preferably also be operated on a test stand in a simulated operation and at least one other component can be operated on a computer based on a model.
  • a simulation of an operating behavior within the meaning of the invention is preferably a time-resolved or distance-resolved simulation of the operating behavior of a vehicle.
  • a vehicle's operating behavior is determined in particular by operating parameters such as speed, torque, mass flows, pressures, temperatures, in particular coolant temperature, fuel consumption, consumption of other operating resources, emissions, OBD values, speed, gear selection, emissions, in particular C0 2 emissions, nitrogen emissions , Particle number emission etc., characterized.
  • Operating conditions within the meaning of the invention are preferably composed at least of driving style and environmental conditions.
  • Ambient variables within the meaning of the invention are preferably road gradient, height above zero level, absolute humidity, ambient pressure, ambient temperature.
  • output preferably means providing data. In particular, this can be done at a data interface and / or at a user interface.
  • a means within the meaning of the invention can be designed in terms of hardware and / or software and in particular a processing unit, in particular a microprocessor unit (CPU) and / or a data or signal connected to a memory or bus system, in particular a digital processing unit, in particular a microprocessor unit (CPU) and / or a have several programs or program modules.
  • the CPU can be designed to process commands that are implemented as a program stored in a memory system, to acquire input signals from a data bus and / or to give output signals to a data bus.
  • a storage system can have one or more, in particular different, storage media, in particular special different storage media, in particular optical, magnetic, solid and / or other non-volatile media.
  • the program can be designed in such a way that it embodies or is capable of executing the methods described here and that the CPU executes the steps of such methods.
  • a vehicle type within the meaning of the invention is preferably a set of vehicles which match in their essential features and are therefore preferably structurally identical.
  • the essential components, in particular the drive, are preferably structurally identical in one type of vehicle.
  • a specific vehicle is therefore preferably a specific implementation of the vehicle category.
  • An operating behavior within the meaning of the invention is preferably characterized by values of the operating variables.
  • a configuration within the meaning of the invention preferably corresponds to a realization of the vehicle type which is characterized by an expression of at least one property of at least one of the devices of the vehicle.
  • a basic configuration within the meaning of the invention is preferably a defined configuration of the vehicle type from which a configuration to be tested was configured.
  • a driving style within the meaning of the invention is preferably a constellation of values of operating variables or a course of values of at least one operating variable which influence the operating behavior of a vehicle. Driving style is characterized in particular by the variables acceleration, throttle valve position and speed as a function of the course of the road and / or a driving situation.
  • An environment within the meaning of the invention is preferably an environment and / or a driving situation around a vehicle under consideration.
  • An RDE test operation within the meaning of the invention is preferably a test operation under RDE conditions.
  • an RDE test operation can also be any other type of test operation, in particular a random test operation.
  • An RDE test operation is preferably carried out under real conditions, in particular on the road.
  • a vehicle model within the meaning of the invention is preferably a model that depicts the operating behavior of a vehicle.
  • the vehicle model can preferably only calculate a single operating variable, which is a dependent variable in the sense of machine learning. Furthermore, such a vehicle model preferably has sub-models which can each calculate an individual operating variable.
  • the invention is based on the approach of making test operations, which were carried out with vehicles of a vehicle category with a different configuration, comparable by adjusting each size that is determined from outside the respective vehicle. These preferably characterize the driving style with which the vehicle is operated by a driver or also by a driver assistance system, and the surroundings of the vehicle.
  • the invention is based on the knowledge that an operating behavior of a configuration of a vehicle of the vehicle category to be tested can be traced back to an operating behavior of a vehicle of the vehicle category with the basic configuration, in that it is specified that the basic configuration under the same operating conditions as the test operation of the to configuration under test would have been performed.
  • a vehicle model is used here which is preferably based on a deductive method.
  • Machine learning algorithms such as, for example, artificial neural networks or random forest algorithms, are preferably used to form such a vehicle model.
  • One advantage of the invention is that the effect of a changed configuration (for example compared to the basic configuration) can be determined on the basis of fewer RDE test operations of a configuration to be tested or even a single test operation of the configuration to be tested. A statistically meaningful number of RDE test operations for the configuration to be tested is not necessary. Only the vehicle model of the basic configuration should be examined as completely as possible and thus be valid for a complete representation of the vehicle in the test room, which is set up by the parameters varied in the RDE test operations.
  • the invention can therefore significantly reduce the effort required for test drives with a configuration to be tested. Furthermore, evaluations of the operating behavior of the configuration to be tested in relation to different driving styles and environmental conditions can be objectified. Therefore, the test drives do not necessarily have to be carried out with different drivers.
  • the vehicle model has an assignment rule between operating conditions, in particular driving style and ambient conditions, on the one hand, and the operating behavior, on the other hand, the vehicle model being based on a compensation calculation, in particular an artificial neural network or a random Forest algorithm, based on a data set that results from several RDE test operations with the basic configuration, each with different operating conditions.
  • a separate compensation calculation for the vehicle model is preferably used for each operating parameter that characterizes the operating behavior.
  • the use of a compensation calculation to create the vehicle model makes it possible to take into account a very large number of operating variables and environmental variables.
  • the formation of physical models for a type of vehicle would be for the set the information to be processed is very complex and would at least require a very long period of time.
  • the second data set of operating variables of the basic configuration is also recorded as a function of a distance covered and / or a past period of time.
  • time segments of an RDE operation or even an entire RDE operation can be reconstructed for the basic configuration in order to determine the operating behavior of the basic configuration. These time segments can then be compared with the corresponding time segments of the operating behavior of the configuration to be tested.
  • a parameter is determined on the basis of the comparison and is output.
  • a parameter can contain an evaluation of the configuration to be tested in relation to the basic configuration.
  • the configuration to be tested and the basic configuration differ by aging of the catalyst or filling of a particle filter, the second data set containing at least values of an emission.
  • the operating behavior is essentially characterized by the emissions with different configurations of the vehicle's exhaust system.
  • the data area is selected using a feature selection method, preferably a filter-based feature selection method.
  • those features or characteristics for example operating parameters, are identified which are used in the model formation must be taken into account and which are also influenced by driving styles and environmental conditions when comparing the configuration to be tested and the basic configuration.
  • sliding influencing areas are formed in the data sets to identify features, which are to be examined in the following work steps for the correlation between environmental conditions, in particular driving style and environmental conditions, on the one hand, and operating behavior on the other. By considering entire areas of influence, the correlations for the operating behavior can be predicted more precisely.
  • the recorded operating variables and environmental variables are selected in such a way that they are independent of the respective configuration of the vehicle type.
  • This advantageous embodiment ensures that effects which are caused by a change in the configuration are not confused with effects which are caused by changed operating conditions.
  • the invention also relates to a computer program which comprises instructions which, when executed by a computer, cause the computer to carry out the steps of one of the methods according to the invention, and to a computer-readable medium on which such a computer program is stored.
  • 1 shows a combined representation of a method and system for analyzing and / or optimizing a configuration of a vehicle type
  • 2 shows a block diagram of a method for training a vehicle model to simulate an operating behavior of a vehicle
  • FIG. 3 shows an illustration of a procedure for identifying candidate sizes, also called feature extraction
  • FIG. 6 shows a multiple diagram with different sizes in relation to a configuration to be tes and a basic configuration.
  • test drives In order to examine the effects of configuration changes in vehicles, it is necessary to take into account different driving styles and environmental conditions during the execution of test operations, in particular test drives.
  • this represents a major challenge, especially in RDE test operations, since an increase in the number of interfering variables that cannot or at least not completely controllable, such as ambient humidity, temperature, traffic, shifting and acceleration behavior, etc., leads to an increase in the Amount of the number of required measurement data leads to the possible influences of the interfering variables in the measurement data.
  • This amount of data grows exponentially, the more confounding variables, i. H. Dimensions of an operating room.
  • the generation of such an amount of test data is limited by the amount of time required to perform test drives.
  • FIG. 1 shows a combined illustration of the method 100 for analyzing a configuration of a vehicle category and a system 10 which is set up to carry out such a method.
  • This method 100 uses the methodology of machine learning in order to enable a conclusion (inference) about an operating behavior of a configuration of a vehicle under certain operating conditions in which another configuration of the vehicle was tested.
  • the method 100 is based on a vehicle model 0 ase for a basic configuration 2 or an existing configuration of the vehicle type.
  • This vehicle model 0 base is determined by adapting model parameters in such a way that relationships between different measured operating variables and environmental variables are accurately reproduced by the vehicle model 0 base.
  • a number of test drives are carried out and the vehicle model 0 base is formed by means of a machine learning algorithm, in particular a random forest algorithm or an artificial neural network.
  • This modeling is described in detail with reference to FIG. 2.
  • Those variables which are taken into account in the modeling are preferably determined by means of a feature selection method.
  • Candidate sizes are extracted from the raw data of measurements (feature extraction). This is described in detail with reference to FIG. 3.
  • further boundary conditions are preferably taken into account, such as, for example, the dependency of the variables which are to be included as input variables in the vehicle model 0 base on the configurations themselves.
  • the vehicle model 0 base of the basic configuration 2 After the vehicle model 0 base of the basic configuration 2 has been determined, it can be used to analyze further configurations 1 of the vehicle type.
  • the vehicle model 0 base is used in particular to make the other configurations 1 comparable with the base configuration 2. This is because the test results X var of these further configurations 1 can be observed directly, but a meaningful comparison between these test results X var and the test results X base of the basic configuration 2 is not directly possible.
  • the method 100 solves this problem by ase means of the vehicle model O tester were results of (y base) traversed by a test or tests which tion with the further configura 1, simulating or be estimated as if these tests with the basic configuration 2 would have been executed.
  • RDE test operations are carried out with a single configuration of the vehicle type.
  • a basic configuration 2 of the vehicle category is used for this.
  • the various RDE test operations are carried out 201 with different test environments and possibly also different vehicles of the same basic configuration 2.
  • test results are recorded 202 as data record X base .
  • data record X base preferably contains measured operating parameters of basic configuration 2 and environmental parameters.
  • Operating variables are, for example, carbon monoxide emissions, carbon dioxide emissions, nitrogen emissions, particle emissions, acceleration, engine speed, engine torque, throttle valve position, speed, a cumulative distance traveled, lambda, coolant temperature, total exhaust gas pressure, exhaust gas temperature and catalyst temperature.
  • Ambient variables are, for example, road gradient, height above zero level, absolute humidity, ambient pressure, ambient temperature.
  • the operating parameters and environmental parameters are recorded as a function of a distance covered and / or a past period of time. Part y base of the The data record therefore characterizes the operating behavior of the at least one vehicle in the different test environments in which the test drives were carried out. The operating behavior is indicated in particular by the operating parameters.
  • a data set X ' base is selected from the data set X base , for which a correlation between operating conditions, in particular driving style and ambient conditions, on the one hand and the operating behavior on the other, can be determined.
  • Statistical methods are preferably used here.
  • the selection is preferably part of the data preprocessing for training the vehicle model 0 base .
  • selecting 203 at least one of the following methods is used: selecting independent channels; Feature extraction, feature selection.
  • the sequence is preferably as follows: the independent channels are selected, and a feature extraction is carried out on the basis of these channels. These extracted features are candidates for training the vehicle model 0 base , on the basis of which the feature selection is carried out. Details of the methods are explained as follows:
  • the independent channels ie the variables which are independent of a change in a configuration
  • the selection of the independent variables is preferably carried out on the basis of expert knowledge. This ensures that effects that are caused by a change in the configuration are not confused with effects that are caused by changed operating conditions. Depending on what changes are made to a basic configuration, the independent variables are generally different.
  • the data set X ' base (as described above) is characterized on the one hand by the fact that a correlation (ie a possible mutual dependency) between driving style and ambient conditions on the one hand and the operating behavior on the other hand can be determined; On the other hand, it is characterized by the fact that the data record X ' base itself is not different from the one to be examined Configuration change is dependent. Only those variables that are independent of a configuration change can later serve as input variables for the vehicle model. Otherwise, the configuration changes would not only have an impact on the operating behavior, but also on the operating conditions. In this case, however, it would not be possible to make a clear statement on the basis of the vehicle model 0 base as to how a basic configuration 2 would have behaved under other operating conditions.
  • FIG. 3 Corresponding dependencies are shown in FIG. 3. There must be no dependency between the configurations and the input variables of the vehicle model when simulating the operating behavior of a basic configuration. If these input variables were also influenced by a change in configuration, ie if the dependency in FIG. 3 were not crossed out, the effect of the configuration change would be reflected indirectly via the input variables in the model of the basic configuration when simulating. However, this should be avoided because the vehicle model 0 base should display the test result as it would be without a configuration change.
  • Feature extraction is described below with reference to FIG. 4. This feature extraction is preferably carried out only in relation to variables that are independent of a configuration change. In this case, feature extraction is only performed in terms of these quantities.
  • the feature extraction can also be carried out in relation to the entire data set X base or all sizes.
  • So-called features are extracted from the examined variables, in particular those that are independent of configuration changes, ie data areas in which a correlation between operating conditions on the one hand and the operating behavior on the other can be expected.
  • the operating conditions are preferably determined by the driving style and the ambient conditions during a test drive. Both the operating conditions and the operating behavior are each characterized by one or more variables, ie operating variables and / or environmental variables.
  • Fig. 4 in relation to a variable x and a farm variable y of a data set X, to find correlations between the variable x and the farm variable y sliding influence areas w are considered, with which preferably the potential influence of a whole sequence of Values of the size x is declared to a value of the farm size y.
  • One or more aggregate functions s are preferably used or formed for each influencing area w in order to extract scalar features which are assigned to a value of the operating variable y, which is intended to be dependent on the variable x. More than one size x is preferably taken into account in the extraction. Depending on the number of variables x and their properties, not only individual influencing areas w are taken into account, but a whole set of influencing areas W.
  • An aggregate function can, for example, be a minimum value, maximum value, mean value, etc. in the data area under consideration.
  • Feature extraction makes it possible to use information about a specific time period or a specific distance covered in the estimation.
  • the combination of time periods in areas of influence results in fewer features than would be the case if each individual value of the size x were considered individually. This reduces the number of variables x to be considered and thus the dimensionality, i.e. the number of dimensions, in the analysis.
  • an application with the name tsfresh ® can preferably be used. This enables features to be extracted on the basis of standard aggregate functions, such as statistics on a distribution, the frequencies contained or the number of specific events.
  • the number of features extracted can be large because it is proportional to the number of aggregate functions S and the number of areas of influence W.
  • an importance of features is preferably determined, ie their influence on the output size.
  • the importance of an extracted feature is preferably determined by checking the hypothesis that this feature is correlated with an operational variable y.
  • the so-called Pearson correlation can be used as the correlation statistic, which is a measure of a linear relationship between two variables and is determined via a parametric test.
  • Another correlation statistic is the Kendall's Tau. This can also preferably be used.
  • Another method that can be used here is the Benjamini-Hochberg method.
  • the vehicle model 0 base is trained 204 in a training phase by reading the selected data areas X ' base into a compensation calculation.
  • important features ie important features, are used as input variables in the vehicle model 6 base during training. These are transferred from the preprocessing phase (work step 203) to the training phase.
  • Examples of algorithms that can be used in the context of such a compensation calculation are linear regression, logistic regression, random forest algorithms or regressions, ensemble methods, support vector machines, algorithms that work on (deep, recurrent or convolution-based) artificial neural networks, in particular long-term memory algorithms, etc.
  • the use of so-called deep algorithms makes extraction of features superfluous. If a simulation is carried out using a vehicle model 6 base trained in this way and if input variables from a data record X base or an edited data record X ' var of the test drives with the basic configuration 2 are provided to this simulation, then the vehicle model 0 base reproduces that part y base des Dataset
  • X base approximately as a simulation result y base , which characterizes the operating behavior of configuration 2 in the test environment used for training. This is shown in FIG. 5.
  • the vehicle model 0 base gives the operating behavior for training the vehicle model 0 base , the basic configuration 2 used under those operating conditions that prevailed during the test drive of configuration 1 to be tested.
  • a test drive or several test drives with a vehicle of the modified configuration 1 of the vehicle type is / are first carried out.
  • the fact that the vehicle shown is the modified configuration is shown in FIG. 1 by the change symbol with two rectangles and two arrows.
  • the data set X var resulting from these measurements is analyzed by means of a method 100.
  • the first data set X var is recorded 101 with the measured operating parameters of the configuration 1 to be tested and the measured or provided environmental parameters in a data memory of data processing means 12 a past time duration of the test drive or test drives with the configuration 1 to be tested is stored.
  • a part y var of this first data set X var in particular a part of the variables, preferably characterizes an operating behavior of the configuration to be tested 1.
  • Another part of the first data set X var preferably characterizes the operating conditions which occur during the test drive (s) with the configuration to be tested 1 templates.
  • data preprocessing is preferably carried out which corresponds to a feature extraction.
  • the same aggregate functions are preferably used or formed over the same data areas as when generating or training the vehicle model 0 base .
  • the same data area is preferably that data area which corresponds to a time segment of the past period of time or a route segment of the traveled route in which a certain feature was extracted when generating or training the vehicle model 6 base.
  • This data preprocessing is also preferably carried out only for those extracted features which were selected in the feature selection when generating or training the vehicle model 6 base . This saves computing time.
  • a processed first data record X ' var emerges from the data preprocessing.
  • Starting var of the recorded first data set X or the processed first data X 'var is in a simulating means the performance of Ba siskonfiguration 2 of a vehicle of the type of vehicle simulates 103.
  • the simulation is hereby var only for those data areas of the recorded first data set X or processed first data set X ' var , in which base features were extracted when generating or training the vehicle model 6.
  • the simulation is preferably carried out exclusively for those features that were selected when generating or training the vehicle model 6 base . This can also save computing time.
  • one or more variables of the first data set X var are included in the simulation as input variables of the vehicle model 6 base or as input variables in this vehicle model 6 base .
  • the input variables of the vehicle model 6 base are selected in such a way that they have only a slight dependency or preferably no dependency at all on the configuration changes that exist between the configuration to be tested and the basic configuration.
  • the model 6 base uses the information from the data set X var from the real test drives, namely as independent features or operating conditions.
  • the vehicle model 0 base generates a second data set y base of at least one operating variable of the basic configuration 2. As shown in FIG. 1, the configuration 2 of the vehicle type is included in the simulation 103 via the vehicle model 6 base.
  • a virtual operating behavior of the basic configuration 2 can be mapped in the second data set y base under the operating conditions which are presented during the test drive or tests with the configuration 1 to be tested.
  • the basic configuration 2 preferably completes the same test drive or the same test drives as the configuration 1 to be tested, with which the first data record X var was generated.
  • An individual vehicle model 6 base preferably only depicts one operating variable with regard to the operating behavior, for example a CO 2 emission or a nitrogen oxide emission.
  • This company size is preferably a dependent variable in the sense of machine learning.
  • several models can also be trained; For example, one model for each desired emission, which is to be analyzed in terms of operating behavior.
  • Means of comparison means 14 may now the performance of the test confi guration 1 with the performance of the basic configuration 2 are compared 104.
  • values or value profiles of one or more sizes ver equalized which both in the part of the first record X y var var and the second data set y base are included.
  • Fig. 1 this is shown by the two curves of a diagram.
  • One curve shows the course of a variable y base which is assigned to a vehicle of the basic configuration 2 'under changed operating conditions. The vehicle itself is accordingly also provided with a roof.
  • This curve y base is compared with a curve y var of a variable y var , which was measured during the test drive of the configuration 1 to be tested.
  • a characteristic variable can be determined 105 and output 106 via an interface 16, in particular a data interface or user interface.
  • the vehicle type can be optimized 107 on the basis of this parameter. This is shown in FIG. 2 by an arrow which indicates the information that flows from the comparison into a configuration change of a configuration 1 to be tested again.
  • a turbo-charged gasoline vehicle with direct injection according to the Euro 6b emissions standard is to be tested under RDE conditions with various exhaust gas treatment systems including a modern three-way catalytic converter TWC and catalyzed gasoline particle filter cGPF. On the basis of this test, the effects of various configurations on the emission are to be analyzed and evaluated.
  • the data sets X base , X var for the evaluation are collected with the same vehicle with two different exhaust gas aftertreatment systems.
  • the basic configuration is a new three-way catalytic converter Fresh TWC without petrol particle filter cGPF.
  • the configuration to be tested is a so-called end-of-life configuration EoL, i.e. at the end of the service life, with a three-way catalytic converter TWC and a catalyzed gasoline particulate filter cGPF.
  • the test drives are carried out with different drivers and measurement data is generated over a long period of around three months. Four different test tracks are used.
  • Aggregation function S ⁇ maximum, mean, median, minimum, standard deviation, variance, sum, length ⁇
  • Random Forrest regression is used in the present example for each emission based on the measurement data from the test drives. Random Forrest algorithms can handle a large number of features in terms of a small number of samples and are robust.
  • the vehicle model After the vehicle model has been created, it is used for a conclusion-based configuration comparison.
  • the conclusion-based configuration comparison enables the comparison of emissions between a basic configuration and a configuration to be tested, taking into account the ambient conditions, even if only one trip is carried out with the configuration to be tested. This is a great advantage over approaches that attempt to eliminate environmental conditions through a sufficient number of RDE test drives.
  • the diagram in FIG. 6 shows simulated effects of the configuration to be tested EoL cGPF in comparison to the basic configuration Fresh TWC.
  • the nitrogen oxide emissions NO x show a reduction in the configuration to be tested cGPF.
  • the configuration to be tested cGPF shows a significant reduction in the particle number PN due to the presence of the particle filter, which was to be expected.
  • FIG. 6 it is an essential advantage that the test drives of the basic configuration are transformed by the application of the vehicle model 0 base to the same time base or route base as the test drive of the configuration to be tested. This enables a direct value advantage.

Abstract

The invention concerns a computer-aided method and a corresponding system for analysing and/or optimizing a configuration of a vehicle type on the basis of an RDE test mode, wherein the method has the following work steps: recording a first dataset of measured operating variables of a configuration to be tested for a vehicle of the vehicle type and of surroundings variables as a function of a distance covered and/or a period in the past during an RDE test mode of the configuration to be tested, wherein a portion of the first dataset characterizes an operating behaviour of the configuration to be tested under specific operating conditions; simulating an operating behaviour of a basic configuration of a vehicle of the vehicle type by means of a vehicle model of the basic configuration, wherein the simulating involves one or more variables of the first dataset being input variables of the vehicle model and a second dataset of at least one operating variable of the basic configuration being generated, and wherein the second dataset characterizes an operating behaviour of the basic configuration under the specific operating conditions; and comparing the operating behaviour of the configuration to be tested with the operating behaviour of the basic configuration on the basis of the portion of the first dataset and the second dataset.

Description

Verfahren und System zum Analysieren und/oder Optimieren einer Konfiguration einer Fahrzeuggattung Method and system for analyzing and / or optimizing a configuration of a vehicle type
Die vorliegende Erfindung betrifft ein Verfahren und System zum Analysieren und/oder Optimieren einer Konfiguration einer Fahrzeuggattung, wobei eine zu testende Konfigura tion eines Fahrzeugs der Fahrzeuggattung in einem RDE-Testbetrieb betrieben wird. The present invention relates to a method and system for analyzing and / or optimizing a configuration of a vehicle type, with a configuration to be tested of a vehicle of the vehicle type being operated in an RDE test mode.
Mit der Einführung der Real Driving Emissions (RDE)-Gesetzgebung soll die Diskrepanz zwischen Homologation und realen Emissionen bei Kraftfahrzeugen reduziert werden. Da bei müssen Kraftfahrzeuge ab September 2017 für die Typprüfung in der Europäischen Union neben einem Prüfzyklus im Labor (WLTP, WLTC) auch die Einhaltung von Emissi onsgrenzwerten auf der Straße unter realen Fahrbedingungen nachweisen. With the introduction of the Real Driving Emissions (RDE) legislation, the discrepancy between homologation and real emissions in motor vehicles is to be reduced. From September 2017, for type testing in the European Union, motor vehicles must demonstrate compliance with emission limit values on the road under real driving conditions in addition to a test cycle in the laboratory (WLTP, WLTC).
Der Schadstoffausstoß am realen Fährbetrieb ist damit stärker in den Fokus der Entwick lung gerückt. Ziel ist es letztendlich, nicht wie bis dahin üblich die Emissionsgrenzwerte in einem genau vordefinierten Zyklus unter vordefinierten Randbedingungen einzuhalten, sondern die Emissionsziele robust auf realen Prüffahrten auf unbekannten Strecken mit bewusst grob abgesteckten Randbedingungen einzuhalten. The pollutant emissions from real ferry operations have therefore moved more into the focus of development. Ultimately, the goal is not to comply with the emission limit values in a precisely predefined cycle under predefined boundary conditions, as was customary up to then, but to adhere to the emission targets robustly on real test drives on unknown routes with deliberately roughly defined boundary conditions.
Folglich hat die RDE-Gesetzgebung große Auswirkungen auf die Entwicklungen neuer Kraftfahrzeugantriebe. Die Straße als Prüfumgebung sorgt für große technische Heraus forderungen. Bei der klassischen Zyklus-basierten Entwicklung stehen Fahrversuche un ter Realbedingungen erst mit Prototypkraftfahrzeugen und damit am Ende des Entwick lungsprozesses an. Ein typisches RDE-Testprogramm mit mobilen Messgeräten (Portable Emission Measurement System - PEMS) besteht dabei aus einer großen Anzahl an Prüf fahrten auf unterschiedlichen Strecken mit verschiedenen Fahrern, um statistisch eine größtmögliche Bandbreite von Bedingungen abzudecken. As a result, the RDE legislation has a major impact on the development of new motor vehicle drives. The road as a test environment creates major technical challenges. In the classic cycle-based development, driving tests under real conditions are only pending with prototype vehicles and thus at the end of the development process. A typical RDE test program with mobile measuring devices (Portable Emission Measurement System - PEMS) consists of a large number of test drives on different routes with different drivers in order to statistically cover the widest possible range of conditions.
Die Straße als Prüfstandsumgebung bietet mit ihrer Vielzahl an Einflüssen zwar die not wendige stochastische Grundlage, um sicherzustellen, dass Kraftfahrzeuge auch im Kun denbetrieb die geforderten Emissionsziele einhalten. Allerdings ist es durch die schwer kontrollierbaren Einflüsse nahezu unmöglich, bei realen Prüffahrten auf der Straße zwei Messungen mit vergleichbaren Bedingungen durchzuführen. Aus diesem Grund lassen sich Auswirkungen von Änderungen an einem Fahrzeug, insbesondere an einem Antriebsstrang oder einem Abgasstrang, nicht gezielt mit einem Basiszustand bzw. einer Basiskonfiguration vergleichen. Dies macht die Aussage über die Wirksamkeit von Ände rungen schwierig. Aus diesem Grund wird die Straße als Entwicklungsumgebung bisher nur als bedingt geeignet angesehen. With its multitude of influences, the road as a test bench environment offers the necessary stochastic basis to ensure that motor vehicles also comply with the required emission targets when used by customers. However, due to the influences that are difficult to control, it is almost impossible to carry out two measurements with comparable conditions during real test drives on the road. For this reason, the effects of changes to a vehicle, in particular to a Drivetrain or an exhaust system, do not specifically compare with a basic state or a basic configuration. This makes it difficult to make a statement about the effectiveness of changes. For this reason, the road has so far only been regarded as suitable to a limited extent as a development environment.
Ein Lösungsansatz besteht darin, dynamische Geschwindigkeitsprofile zu erzeugen, wel che die Reproduktion eines Prüfbetriebs auf Prüfständen oder modellbasiert ermöglichen, welcher wenigstens im Wesentlichen einem Betrieb im realen Straßenverkehr entspricht. One approach is to generate dynamic speed profiles which enable the reproduction of a test operation on test benches or based on models, which at least essentially corresponds to operation in real road traffic.
Diesen Ansatz verfolgt die Anmelderin mit dem internen Stand der Technik, welcher mit dem Anmeldeaktenzeichen PCT/AT2019/06315 zur Anmeldung gebracht wurde, dessen Offenbarung ausdrücklich durch Bezugnahme in die vorliegende Anmeldung mit einbezo gen wird. The applicant pursues this approach with the internal prior art, which was brought to the application with the application number PCT / AT2019 / 06315, the disclosure of which is expressly incorporated by reference into the present application.
Des Weiteren sind aus dem Stand der T echnik verschiedene Verfahren zur Analyse von Fahrzeugen oder Antrieben bekannt, bei denen Modelle auf der Grundlage von Aus gleichsrechnungen zum Einsatz kommen. Furthermore, various methods for analyzing vehicles or drives are known from the prior art, in which models based on compensation calculations are used.
Beispielsweise offenbart das Dokument WO 2019/153026 der Anmelderin, dessen Offen barung ausdrücklich durch Bezugnahme in die vorliegende Anmeldung mit einbezogen wird, ein Verfahren zur Analyse wenigstens einer Einrichtung einer zu prüfenden Einheit einer Gattung von Einheiten, welche eine Mehrzahl an verschiedenen Einrichtungen auf weisen, insbesondere eines Fahrzeugs oder Motors, mit folgenden Arbeitsschritten: For example, the document WO 2019/153026 of the applicant, the disclosure of which is expressly incorporated by reference into the present application, a method for analyzing at least one device of a unit to be tested of a type of units that have a plurality of different devices, especially of a vehicle or engine, with the following steps:
Simulieren eines Betriebs einer Einheit der Gattung in einem definierten Betriebs zyklus mittels eines Modells, in welchem wenigstens die zu analysierenden Einrichtungen als virtuelle Einrichtung abgebildet sind, wobei das Simulieren mehrmals mit jeweils unter schiedlicher Konfiguration der Einheiten durchgeführt wird, und wobei jede Konfiguration durch eine Ausprägung einer Eigenschaft wenigstens einer Einrichtung charakterisiert ist; Simulating an operation of a unit of the type in a defined operating cycle using a model in which at least the devices to be analyzed are mapped as virtual devices, the simulation being carried out several times with a different configuration of the units, and each configuration by an expression a property of at least one device is characterized;
Aufzeichnen von Datensätzen, insbesondere Datenmatrizen, von Beobachtungsgrö ßen der simulierten Einheit; Recording of data sets, in particular data matrices, of observation variables of the simulated unit;
Auswählen von Datenbereichen aus den Datensätzen, insbesondere aus Datenspal ten von Datenmatrizen, für welche eine Korrelation von Beobachtungsgrößen zu den zum Simulieren eingesetzten Ausprägung einer Eigenschaft der zu analysierenden Einrichtung feststellbar ist, insbesondere mittels einer statistischen Methode; Durchführen einer Ausgleichsrechnung auf der Grundlage der ausgewählten Daten bereiche und der korrelierenden Ausprägung; und/oder Selecting data areas from the data sets, in particular from data columns of data matrices, for which a correlation of observation variables with the characteristics of the device to be analyzed used for simulation can be determined, in particular by means of a statistical method; Carrying out a compensation calculation on the basis of the selected data areas and the correlating expression; and or
Anwenden eines Transformationsmodells auf der Grundlage der Ausgleichsrech nung, wobei das Transformationsmodell eine Zuordnungsvorschrift zwischen den Be obachtungsgrößen und einer Eigenschaft wenigstens einer Einrichtung aufweist, wobei das Transformationsmodell eingerichtet ist, auf der Grundlage von wenigstens einem an der zu prüfenden Einheit in dem definierten Betriebszyklus aufgezeichneten Datensatz eine Ausprägung der wenigstens einen zu analysierenden Einrichtung auszugeben. Applying a transformation model based on the adjustment calculation, the transformation model having an assignment rule between the observation variables and a property of at least one device, the transformation model being set up on the basis of at least one data record recorded on the unit to be tested in the defined operating cycle to output an expression of the at least one device to be analyzed.
Es ist eine Aufgabe der Erfindung, eine Verbesserung einer Vergleichbarkeit von Daten aus RDE-Testbetrieben zu erreichen. It is an object of the invention to improve the comparability of data from RDE test operations.
Diese Aufgabe wird gelöst durch ein Computer-gestütztes Verfahren zum Analysieren und/oder Optimieren einer Konfiguration einer Fahrzeuggattung auf der Grundlage eines RDE-Testbetriebs und eines entsprechenden Systems gemäß den unabhängigen Ansprü chen. Vorteilhafte Ausgestaltungen werden in den Unteransprüchen beansprucht. This object is achieved by a computer-aided method for analyzing and / or optimizing a configuration of a vehicle type on the basis of an RDE test operation and a corresponding system according to the independent claims. Advantageous refinements are claimed in the subclaims.
Ein erster Aspekt der Erfindung betrifft ein Computer-gestütztes Verfahren zum Analysie ren und/oder Optimieren einer Konfiguration einer Fahrzeuggattung auf der Grundlage ei nes RDE-Testbetriebs, insbesondere zum Vergleichen einer zu testenden Konfiguration mit einer Basiskonfiguration, folgende Arbeitsschritte aufweisend: A first aspect of the invention relates to a computer-aided method for analyzing and / or optimizing a configuration of a vehicle type on the basis of an RDE test operation, in particular for comparing a configuration to be tested with a basic configuration, comprising the following work steps:
Aufzeichnen eines ersten Datensatzes von gemessenen Betriebsgrößen einer zu testenden Konfiguration eines Fahrzeugs der Fahrzeuggattung und von Umgebungsgrö ßen als Funktion einer zurückgelegten Strecke und/oder einer vergangenen Zeitdauer während eines RDE-Testbetriebs der zu testenden Konfiguration, wobei ein Teil des ers ten Datensatzes ein Betriebsverhalten der zu testenden Konfiguration bei bestimmten Be triebsbedingungen charakterisiert; Recording of a first data set of measured operating parameters of a configuration to be tested of a vehicle of the vehicle type and of environmental parameters as a function of a distance covered and / or a past period of time during an RDE test operation of the configuration to be tested, with part of the first data set showing an operating behavior of the configuration to be tested under certain operating conditions characterized;
Simulieren eines Betriebsverhaltens einer Basiskonfiguration eines Fahrzeugs der Fahrzeuggattung mittels eines Fahrzeugmodells der Basiskonfiguration, wobei beim Si mulieren ein oder mehrere Größen des ersten Datensatzes Eingangsgrößen des Fahr zeugmodells sind und ein zweiter Datensatz wenigstens einer Betriebsgröße der Ba siskonfiguration erzeugt wird und wobei der zweite Datensatz ein Betriebsverhalten der Basiskonfiguration bei den bestimmten Betriebsbedingungen charakterisiert; und Vergleichen des Betriebsverhaltens der zu testenden Konfiguration mit dem Be triebsverhalten der Basiskonfiguration auf der Grundlage des Teils des ersten Datensat zes und des zweiten Datensatzes. Simulating an operating behavior of a basic configuration of a vehicle of the vehicle type by means of a vehicle model of the basic configuration, with one or more variables of the first data set being input variables of the vehicle model during simulation and a second data set of at least one operating variable of the basic configuration being generated and the second data set being an operating behavior characterizes the basic configuration under the specific operating conditions; and Comparing the operating behavior of the configuration to be tested with the operating behavior of the basic configuration on the basis of the part of the first data set and the second data set.
Ein zweiter Aspekt der Erfindung betrifft ein Verfahren zum Trainieren eines Fahrzeugmo dells zum Simulieren eines Betriebsverhaltens eines Fahrzeugs, folgende Arbeitsschritte aufweisend: A second aspect of the invention relates to a method for training a vehicle model for simulating an operating behavior of a vehicle, comprising the following work steps:
Durchführen von mehreren RDE-Testbetrieben einer einzigen Konfiguration der Fahrzeuggattung, wobei die RDE-Testbetriebe mit jeweils unterschiedlichen Testumge bungen und wenigstens einem Fahrzeug der Konfiguration durchgeführt werden; Carrying out several RDE test operations of a single configuration of the vehicle type, the RDE test operations being carried out with different test environments and at least one vehicle of the configuration;
Aufzeichnen eines Datensatzes von gemessenen Betriebsgrößen der Konfiguration und Umgebungsgrößen als Funktion einer zurückgelegten Strecke und/oder einer vergan genen Zeitdauer, wobei ein Teil des Datensatzes das Betriebsverhalten der Konfiguration in den unterschiedlichen Testumgebungen charakterisiert; Recording of a data set of measured operating parameters of the configuration and environmental parameters as a function of a distance covered and / or an elapsed time period, part of the data set characterizing the operating behavior of the configuration in the different test environments;
Auswählen von einem Datenbereich aus dem Datensatz, für welchen eine Korrelation von Betriebsbedingungen, insbesondere Fahrstil und Umgebungsbedingungen, einerseits und dem Betriebsverhalten andererseits feststellbar ist, insbesondere mittels einer statisti schen Methode; und Selecting a data area from the data set for which a correlation between operating conditions, in particular driving style and ambient conditions, on the one hand and operating behavior on the other hand can be determined, in particular by means of a statistical method; and
Trainieren des Fahrzeugmodells durch Einlesen des ausgewählten Datenbereichs in eine Ausgleichsrechnung, insbesondere ein künstliches neuronales Netz oder ein Ran- dom-Forest-Algorithmus, welche die Grundlage für das Fahrzeugmodell bildet. Training the vehicle model by reading the selected data area into a compensation calculation, in particular an artificial neural network or a random forest algorithm, which forms the basis for the vehicle model.
Ein dritter Aspekt der Erfindung betrifft ein System zum Analysieren und/oder Optimieren einer Konfiguration einer Fahrzeuggattung auf der Grundlage eines RDE-Testbetriebs, aufweisend: A third aspect of the invention relates to a system for analyzing and / or optimizing a configuration of a vehicle type on the basis of an RDE test operation, comprising:
Sensoren zur Erfassung von Betriebsgrößen einer zu testenden Konfiguration eines Fahrzeugs der Fahrzeuggattung; Sensors for detecting operating variables of a configuration to be tested of a vehicle of the vehicle category;
Datenverarbeitungsmittel zum Aufzeichnen eines ersten Datensatzes von Betriebsgrößen einer zu testenden Konfiguration eines Fahrzeugs der Fahrzeuggattung und von Umge bungsgrößen als Funktion einer zurückgelegten Strecke und/oder einer vergangenen Zeit dauerwährend eines RDE-Testbetriebs der zu testenden Konfiguration, wobei ein Teil des ersten Datensatzes das Betriebsverhalten der zu testenden Konfiguration bei bestimmten Betriebsbedingungen charakterisiert; Simulationsmittel zum Simulieren eines Betriebsverhaltens einer Basiskonfiguration eines Fahrzeugs der Fahrzeuggattung mittels eines Fahrzeugmodells der Basiskonfiguration, wobei beim Simulieren Größen des aufgezeichneten ersten Datensatzes Eingangsgrößen des Fahrzeugmodells sind und ein zweiter Datensatz wenigstens einer Betriebsgröße der Basiskonfiguration erzeugt wird und wobei der zweite Datensatz das Betriebsverhalten der Basiskonfiguration bei den bestimmten Betriebsbedingungen charakterisiert; und Vergleichsmittel zum Vergleichen des Betriebsverhaltens der zu testenden Konfiguration mit dem Betriebsverhalten der Basiskonfiguration auf der Grundlage des Teils desersten Datensatzes und des zweiten Datensatzes. Data processing means for recording a first data set of operating variables of a configuration to be tested of a vehicle of the vehicle type and of environmental variables as a function of a distance covered and / or a past time continuously during an RDE test operation of the configuration to be tested, part of the first data set showing the operating behavior of the characterizes the configuration to be tested under certain operating conditions; Simulation means for simulating an operating behavior of a basic configuration of a vehicle of the vehicle type by means of a vehicle model of the basic configuration, wherein when simulating, variables of the recorded first data set are input variables of the vehicle model and a second data set of at least one operating variable of the basic configuration is generated, and the second data set contributes to the operating behavior of the basic configuration characterizes the specific operating conditions; and comparison means for comparing the performance of the configuration under test with the performance of the basic configuration on the basis of the portion of the first data set and the second data set.
Eine Ausgleichsrechnung im Sinne der Erfindung ist vorzugsweise ein Regressionsver fahren oder ein Mustererkennungsverfahren, insbesondere auf der Grundlage eines neu ronalen Netzes oder eine Random Forest Regression, und/oder eine Kombination aus beiden, insbesondere im Sinne der statistischen Lehre. A compensation calculation in the sense of the invention is preferably a regression method or a pattern recognition method, in particular on the basis of a neural network or a random forest regression, and / or a combination of both, in particular in terms of statistical teaching.
Ein Simulieren im Sinne der Erfindung kann auf einem Prüfstand oder rein modellbasiert auf einem Rechner durchgeführt werden. Vorzugsweise können bei einer Simulation auch wenigstens eine Komponente auf einem Prüfstand in einem simulierten Betrieb betrieben und wenigstens eine andere Komponente modellbasiert auf einem Rechner betrieben wer den. A simulation within the meaning of the invention can be carried out on a test bench or purely based on models on a computer. In a simulation, at least one component can preferably also be operated on a test stand in a simulated operation and at least one other component can be operated on a computer based on a model.
Ein Simulieren eines Betriebsverhaltens im Sinne der Erfindung ist vorzugsweise eine zeit aufgelöste oder streckenaufgelöste Simulation des Betriebsverhaltens eines Fahrzeugs. Ein Betriebsverhalten eines Fahrzeugs wird insbesondere durch Betriebsgrößen wie Dreh zahl, Drehmoment, Massenflüsse, Drücke, Temperaturen, insbesondere Kühlmitteltempe ratur, Treibstoffverbrauch, Verbrauch anderer Betriebsmittel, Emissionen, OBD-Werte, Geschwindigkeit, Gangwahl, Emissionen, insbesondere C02-Emission, Stickstoffemis sion, Partikelanzahl-Emission etc., charakterisiert. A simulation of an operating behavior within the meaning of the invention is preferably a time-resolved or distance-resolved simulation of the operating behavior of a vehicle. A vehicle's operating behavior is determined in particular by operating parameters such as speed, torque, mass flows, pressures, temperatures, in particular coolant temperature, fuel consumption, consumption of other operating resources, emissions, OBD values, speed, gear selection, emissions, in particular C0 2 emissions, nitrogen emissions , Particle number emission etc., characterized.
Betriebsbedingungen im Sinne der Erfindung setzen sich vorzugsweise wenigstens zu sammen aus Fahrstil und Umgebungsbedingungen. Operating conditions within the meaning of the invention are preferably composed at least of driving style and environmental conditions.
Umgebungsgrößen im Sinne der Erfindung sind vorzugsweise Straßensteigung, Höhe über Null-Niveau, absolute Feuchtigkeit, Umgebungsdruck, Umgebungstemperatur. Ausgeben im Sinne der Erfindung bedeutet vorzugsweise ein Bereitstellen von Daten. Ins besondere kann dies an einer Datenschnittstelle und/oder auch an einer Benutzerschnitt stelle geschehen. Ambient variables within the meaning of the invention are preferably road gradient, height above zero level, absolute humidity, ambient pressure, ambient temperature. For the purposes of the invention, output preferably means providing data. In particular, this can be done at a data interface and / or at a user interface.
Ein Mittel im Sinne der Erfindung kann hard- und/oder softwaretechnisch ausgebildet sein und insbesondere eine, vorzugsweise mit einem Speicher- oder Bussystem daten- bzw. signalverbundene, insbesondere digitale, Verarbeitungseinheit, insbesondere Mikropro zessor-Einheit (CPU) und/oder ein oder mehrere Programme oder Programm-Module auf weisen. Die CPU kann dazu ausgebildet sein, Befehle, die als ein in einem Speichersys tem abgelegtes Programm implementiert sind, abzuarbeiten, Eingangssignale von einem Datenbus zu erfassen und/oder Ausgangssignale an einen Datenbus zu geben. Ein Spei chersystem kann ein oder mehrere, insbesondere verschiedene, Speichermedien, insbe sondere verschiedene Speichermedien, insbesondere optische, magnetische, Festkörper und/oder andere nicht-flüchtige Medien, aufweisen. Das Programm kann derart beschaf fen sein, dass es die hier beschriebenen Verfahren verkörpert bzw. auszuführen imstande ist und dass die CPU die Schritte solcher Verfahren ausführt. A means within the meaning of the invention can be designed in terms of hardware and / or software and in particular a processing unit, in particular a microprocessor unit (CPU) and / or a data or signal connected to a memory or bus system, in particular a digital processing unit, in particular a microprocessor unit (CPU) and / or a have several programs or program modules. The CPU can be designed to process commands that are implemented as a program stored in a memory system, to acquire input signals from a data bus and / or to give output signals to a data bus. A storage system can have one or more, in particular different, storage media, in particular special different storage media, in particular optical, magnetic, solid and / or other non-volatile media. The program can be designed in such a way that it embodies or is capable of executing the methods described here and that the CPU executes the steps of such methods.
Eine Fahrzeuggattung im Sinne der Erfindung ist vorzugsweise eine Gesamtheit von Fahr zeugen, welche in ihren wesentlichen Merkmalen übereinstimmen und daher weiter vor zugsweise baugleich sind. Vorzugsweise sind die wesentlichen Komponenten, insbeson dere der Antrieb, in einer Fahrzeuggattung baugleich. Ein bestimmtes Fahrzeug ist mithin vorzugsweise eine bestimmte Realisierung der Fahrzeuggattung. Ein Betriebsverhalten im Sinne der Erfindung wird vorzugsweise durch Werte der Betriebsgrößen charakterisiert. A vehicle type within the meaning of the invention is preferably a set of vehicles which match in their essential features and are therefore preferably structurally identical. The essential components, in particular the drive, are preferably structurally identical in one type of vehicle. A specific vehicle is therefore preferably a specific implementation of the vehicle category. An operating behavior within the meaning of the invention is preferably characterized by values of the operating variables.
Eine Konfiguration im Sinne der Erfindung entspricht vorzugsweise einer Realisierung der Fahrzeuggattung, welche durch eine Ausprägung wenigstens einer Eigenschaft wenigs tens einer der Einrichtungen des Fahrzeugs charakterisiert ist. A configuration within the meaning of the invention preferably corresponds to a realization of the vehicle type which is characterized by an expression of at least one property of at least one of the devices of the vehicle.
Eine Basiskonfiguration im Sinne der Erfindung ist vorzugsweise eine definierte Konfigu ration der Fahrzeuggattung, von welcher ausgehend eine zu testende Konfiguration kon figuriert wurde. Ein Fahrstil im Sinne der Erfindung ist vorzugsweise eine Konstellation von Werten von Betriebsgrößen oder ein Verlauf von Werten wenigstens einer Betriebsgröße, welche das Betriebsverhalten eines Fahrzeugs beeinflussen. Fahrstil wird insbesondere durch die Größen Beschleunigung, Drosselklappenstellung und Geschwindigkeit in Abhängigkeit von einem Straßenverlauf und/oder einer Fahrsituation charakterisiert. A basic configuration within the meaning of the invention is preferably a defined configuration of the vehicle type from which a configuration to be tested was configured. A driving style within the meaning of the invention is preferably a constellation of values of operating variables or a course of values of at least one operating variable which influence the operating behavior of a vehicle. Driving style is characterized in particular by the variables acceleration, throttle valve position and speed as a function of the course of the road and / or a driving situation.
Eine Umgebung im Sinne der Erfindung ist vorzugsweise eine Umwelt und/oder eine Fahr situation um ein betrachtetes Fahrzeug. An environment within the meaning of the invention is preferably an environment and / or a driving situation around a vehicle under consideration.
Ein RDE-Testbetrieb im Sinne der Erfindung ist vorzugsweise ein Testbetrieb unter RDE- Bedingungen. Ein RDE-Testbetrieb kann jedoch auch jede andere Art von Testbetrieb, insbesondere ein zufälliger Testbetrieb, sein. Ein RDE-Testbetrieb wird vorzugsweise un ter realen Bedingungen, insbesondere auf der Straße durchgeführt. An RDE test operation within the meaning of the invention is preferably a test operation under RDE conditions. However, an RDE test operation can also be any other type of test operation, in particular a random test operation. An RDE test operation is preferably carried out under real conditions, in particular on the road.
Ein Fahrzeugmodell im Sinne der Erfindung ist vorzugsweise ein Modell, welches das Be triebsverhalten eines Fahrzeugs abbildet. Vorzugsweise kann das Fahrzeugmodell nur eine einzelne Betriebsgröße berechnen, welche eine abhängige Variable im Sinne des maschinellen Lernens ist. Weiter vorzugsweise weist ein solches Fahrzeugmodell Unter modelle auf, welche jeweils eine einzelne Betriebsgröße berechnen können. A vehicle model within the meaning of the invention is preferably a model that depicts the operating behavior of a vehicle. The vehicle model can preferably only calculate a single operating variable, which is a dependent variable in the sense of machine learning. Furthermore, such a vehicle model preferably has sub-models which can each calculate an individual operating variable.
Die Erfindung beruht auf dem Ansatz, Testbetriebe, welche mit Fahrzeugen einer Fahr zeuggattung mit verschiedener Konfiguration durchgeführt wurden, durch Angleichen je ner Größen vergleichbar zu machen, welche von außerhalb der jeweiligen Fahrzeuge be stimmt werden. Vorzugsweise charakterisieren diese den Fahrstil, mit welchem das Fahr zeug durch einen Fahrer oder auch durch ein Fahrerassistenzsystem betrieben wird, und eine Umgebung des Fahrzeugs. The invention is based on the approach of making test operations, which were carried out with vehicles of a vehicle category with a different configuration, comparable by adjusting each size that is determined from outside the respective vehicle. These preferably characterize the driving style with which the vehicle is operated by a driver or also by a driver assistance system, and the surroundings of the vehicle.
Der Erfindung liegt die Erkenntnis zu Grunde, dass ein Betriebsverhalten einer zu testen den Konfiguration eines Fahrzeugs der Fahrzeuggattung auf ein Betriebsverhalten eines Fahrzeugs der Fahrzeuggattung mit der Basiskonfiguration zurückgeführt werden kann, indem vorgegeben wird, dass die Basiskonfiguration unter denselben Betriebsbedingun gen wie der Testbetrieb der zu testenden Konfiguration durchgeführt worden wäre. Erfindungsgemäß wird hierbei ein Fahrzeugmodell eingesetzt, welches vorzugsweise auf einer deduktiven Methode beruht. Vorzugsweise werden zur Bildung eines solchen Fahr zeugmodells Maschinenlernalgorithmen, wie beispielsweise künstliche neuronale Netze oder Random Forest-Algorithmen, angewendet. The invention is based on the knowledge that an operating behavior of a configuration of a vehicle of the vehicle category to be tested can be traced back to an operating behavior of a vehicle of the vehicle category with the basic configuration, in that it is specified that the basic configuration under the same operating conditions as the test operation of the to configuration under test would have been performed. According to the invention, a vehicle model is used here which is preferably based on a deductive method. Machine learning algorithms, such as, for example, artificial neural networks or random forest algorithms, are preferably used to form such a vehicle model.
Ein Vorteil der Erfindung liegt darin, dass der Effekt einer veränderten Konfiguration (bei spielsweise gegenüber der Basiskonfiguration) auf der Grundlage weniger RDE- Testbetriebe einer zu testenden Konfiguration oder sogar eines einzigen Testbetriebs der zu testenden Konfiguration festgestellt werden kann. Eine statistische aussagekräftige Menge an RDE-Testbetrieben für die zu testende Konfiguration ist nicht notwendig. Nur das Fahrzeugmodell der Basiskonfiguration sollte für eine vollständige Abbildung des Fahrzeugs im Versuchsraum, welcher durch die in den RDE-Testbetrieben variierten Pa rameter aufgespannt wird, möglichst vollständig untersucht sein und damit gültig sein. One advantage of the invention is that the effect of a changed configuration (for example compared to the basic configuration) can be determined on the basis of fewer RDE test operations of a configuration to be tested or even a single test operation of the configuration to be tested. A statistically meaningful number of RDE test operations for the configuration to be tested is not necessary. Only the vehicle model of the basic configuration should be examined as completely as possible and thus be valid for a complete representation of the vehicle in the test room, which is set up by the parameters varied in the RDE test operations.
Durch die Erfindung kann mithin der Aufwand an Testfahrten mit einer zu testenden Kon figuration wesentlich reduziert werden. Des Weiteren können Bewertungen des Betriebs verhaltens der zu testenden Konfiguration in Bezug auf verschiedene Fahrstile und Um gebungsbedingungen objektiviert werden. Daher müssen die Testfahrten auch nicht un bedingt mit unterschiedlichen Fahrern durchgeführt werden. The invention can therefore significantly reduce the effort required for test drives with a configuration to be tested. Furthermore, evaluations of the operating behavior of the configuration to be tested in relation to different driving styles and environmental conditions can be objectified. Therefore, the test drives do not necessarily have to be carried out with different drivers.
In einer vorteilhaften Ausgestaltung des Verfahrens gemäß dem ersten Aspekt der Erfin dung weist das Fahrzeugmodell eine Zuordnungsvorschrift zwischen Betriebsbedingun gen, insbesondere Fahrstil und Umgebungsbedingungen einerseits und dem Betriebsver halten andererseits auf, wobei das Fahrzeugmodell auf einer Ausgleichsrechnung, insbe sondere einem künstlichen neuronalen Netz oder einem Random Forest-Algorithmus, be züglich eines Datensatzes beruht, welcher aus mehreren RDE-Testbetrieben mit der Ba siskonfiguration mit jeweils unterschiedlichen Betriebsbedingungen resultiert. In an advantageous embodiment of the method according to the first aspect of the invention, the vehicle model has an assignment rule between operating conditions, in particular driving style and ambient conditions, on the one hand, and the operating behavior, on the other hand, the vehicle model being based on a compensation calculation, in particular an artificial neural network or a random Forest algorithm, based on a data set that results from several RDE test operations with the basic configuration, each with different operating conditions.
Vorzugsweise kommt für jeden Betriebsparameter, welcher das Betriebsverhalten charak terisiert, eine eigene Ausgleichsrechnung für das Fahrzeugmodell zum Einsatz. A separate compensation calculation for the vehicle model is preferably used for each operating parameter that characterizes the operating behavior.
Der Einsatz einer Ausgleichsrechnung zur Bildung des Fahrzeugmodells ermöglicht es, eine sehr große Menge an Betriebsgrößen und Umgebungsgrößen zu berücksichtigen. Die Bildung von physikalischen Modellen für eine Fahrzeuggattung wäre für die Menge der zu verarbeitenden Information sehr aufwändig und würde zumindest eine sehr lange Zeitdauer benötigen. The use of a compensation calculation to create the vehicle model makes it possible to take into account a very large number of operating variables and environmental variables. The formation of physical models for a type of vehicle would be for the set the information to be processed is very complex and would at least require a very long period of time.
In einer weiteren vorteilhaften Ausgestaltung des Verfahrens gemäß dem ersten Aspekt der Erfindung wird auch der zweite Datensatz von Betriebsgrößen der Basiskonfiguration als Funktion einer zurückgelegten Strecke und/oder einer vergangenen Zeitdauer aufge zeichnet. In a further advantageous embodiment of the method according to the first aspect of the invention, the second data set of operating variables of the basic configuration is also recorded as a function of a distance covered and / or a past period of time.
Hierdurch können zur Ermittlung des Betriebsverhaltens der Basiskonfiguration zeitliche Abschnitte eines RDE-Betriebs oder sogar ein ganzer RDE-Betrieb für die Basiskonfigu ration rekonstruiert werden. Diese Zeitabschnitte können dann mit den entsprechenden Zeitabschnitten des Betriebsverhaltens der zu testenden Konfiguration verglichen werden. As a result, time segments of an RDE operation or even an entire RDE operation can be reconstructed for the basic configuration in order to determine the operating behavior of the basic configuration. These time segments can then be compared with the corresponding time segments of the operating behavior of the configuration to be tested.
In einer weiteren vorteilhaften Ausgestaltung des Verfahrens gemäß dem ersten Aspekt der Erfindung wird eine Kenngröße auf der Grundlage des Vergleichens ermittelt und aus gegeben. In a further advantageous embodiment of the method according to the first aspect of the invention, a parameter is determined on the basis of the comparison and is output.
Eine Kenngröße kann hierbei eine Bewertung der zu testenden Konfiguration in Bezug auf die Basiskonfiguration enthalten. A parameter can contain an evaluation of the configuration to be tested in relation to the basic configuration.
In einerweiteren vorteilhaften Ausgestaltung des Verfahrens nach dem ersten Aspekt der Erfindung unterscheiden sich die zu testende Konfiguration und die Basiskonfiguration durch ein Katalysator-Alterung oder eine Befüllung eines Partikelfilters, wobei der zweite Datensatz wenigstens Werte einer Emission enthält. In a further advantageous embodiment of the method according to the first aspect of the invention, the configuration to be tested and the basic configuration differ by aging of the catalyst or filling of a particle filter, the second data set containing at least values of an emission.
In diesem Fall wird das Betriebsverhalten im Wesentlichen durch die Emission bei ver schiedenen Konfigurationen des Abgasstrangs des Fahrzeugs charakterisiert. In this case, the operating behavior is essentially characterized by the emissions with different configurations of the vehicle's exhaust system.
In einer vorteilhaften Ausgestaltung der Verfahren wird das Auswählen des Datenbereichs mittels einer Feature Selection-Methode, vorzugsweise einer filter-basierten Feature Sel- ection-Methode, durchgeführt. In an advantageous embodiment of the method, the data area is selected using a feature selection method, preferably a filter-based feature selection method.
Durch das Anwenden einer Feature Selection-Methode werden jene Features bzw. Merk male, beispielsweise Betriebsgrößen, identifiziert werden, welche bei der Modellbildung zu berücksichtigen sind und welche auch beim Vergleich von zu testender Konfiguration und Basiskonfiguration durch die Fahrstile und Umgebungsbedingungen beeinflusst wer den. By using a feature selection method, those features or characteristics, for example operating parameters, are identified which are used in the model formation must be taken into account and which are also influenced by driving styles and environmental conditions when comparing the configuration to be tested and the basic configuration.
In einerweiteren vorteilhaften Ausgestaltung der Verfahren werden zur Identifikation von Features gleitende Beeinflussungsbereiche in den Datensätzen gebildet, welche in nach folgenden Arbeitsschritten auf Korrelation zwischen Umgebungsbedingung, insbesondere Fahrstil und Umgebungsbedingung einerseits und dem Betriebsverhalten andererseits un tersucht werden sollen. Durch die Berücksichtigung von ganzen Beeinflussungsbereichen können die Korrelationen für das Betriebsverhalten genauer vorhergesagt werden. In a further advantageous embodiment of the method, sliding influencing areas are formed in the data sets to identify features, which are to be examined in the following work steps for the correlation between environmental conditions, in particular driving style and environmental conditions, on the one hand, and operating behavior on the other. By considering entire areas of influence, the correlations for the operating behavior can be predicted more precisely.
In einer weiteren vorteilhaften Ausgestaltung der Verfahren sind die aufgezeichneten Be triebsgrößen und Umgebungsgrößen in der Weise ausgewählt, dass diese unabhängig von der jeweiligen Konfiguration der Fahrzeuggattung sind. In a further advantageous embodiment of the method, the recorded operating variables and environmental variables are selected in such a way that they are independent of the respective configuration of the vehicle type.
Durch diese vorteilhafte Ausgestaltung wird gewährleistet, dass Effekte, welche durch eine Veränderung der Konfiguration hervorgerufen werden, nicht mit solchen Effekten verwech selt werden, welche durch veränderte Betriebsbedingungen hervorgerufen werden. This advantageous embodiment ensures that effects which are caused by a change in the configuration are not confused with effects which are caused by changed operating conditions.
Im Übrigen betrifft die Erfindung ein Computerprogramm, das Anweisungen umfasst, wel che, wenn sie von einem Computer ausgeführt werden, diesen dazu veranlassen, die Schritte eines der erfindungsgemäßen Verfahren auszuführen und ein Computer-lesbares Medium, auf welchem ein solches Computerprogramm gespeichert ist. The invention also relates to a computer program which comprises instructions which, when executed by a computer, cause the computer to carry out the steps of one of the methods according to the invention, and to a computer-readable medium on which such a computer program is stored.
Die im Vorhergehenden beschriebenen Vorteile und Merkmale in Bezug auf den ersten und zweiten Aspekt der Erfindung gelten entsprechend auch für den dritten Aspekt der Erfindung und umgekehrt. The advantages and features described above in relation to the first and second aspects of the invention also apply correspondingly to the third aspect of the invention and vice versa.
Weitere Merkmale und Vorteile ergeben sich aus der nachfolgenden Beschreibung der Ausführungsbeispiele in Bezug auf die Figuren. Es zeigen wenigstens teilweise schema tisch: Further features and advantages emerge from the following description of the exemplary embodiments with reference to the figures. It shows at least partially schematically:
Fig. 1 eine kombinierte Darstellung eines Verfahrens und Systems zum Analysieren und/oder Optimieren einer Konfiguration einer Fahrzeuggattung; Fig. 2 ein Blockdiagramm eines Verfahrens zum Trainieren eines Fahrzeugmodells zum Simulieren eines Betriebsverhaltens eines Fahrzeugs; 1 shows a combined representation of a method and system for analyzing and / or optimizing a configuration of a vehicle type; 2 shows a block diagram of a method for training a vehicle model to simulate an operating behavior of a vehicle;
Fig. 3 eine Darstellung einer Verfahrensweise zur Identifikation von Kandidaten-Grö- ßen, auch Feature-Extraktion genannt; 3 shows an illustration of a procedure for identifying candidate sizes, also called feature extraction;
Fig. 4 eine Darstellung der Abhängigkeiten, welche bei der Auswahl von Eingangs größen des Fahrzeugmodells beachtet werden müssen; 4 shows an illustration of the dependencies which must be taken into account when selecting input variables for the vehicle model;
Fig. 5 ein Blockdiagramm zur Funktion eines Fahrzeugmodells; und 5 shows a block diagram for the function of a vehicle model; and
Fig. 6 ein Mehrfachdiagramm mit verschiedenen Größen in Bezug auf eine zu tes tende Konfiguration und eine Basiskonfiguration. 6 shows a multiple diagram with different sizes in relation to a configuration to be tes and a basic configuration.
Um die Auswirkungen von Konfigurationsänderungen bei Fahrzeugen zu untersuchen, ist es notwendig, verschiedene Fahrstile und Umgebungsbedingungen während dem Aus führen von Testbetrieben, insbesondere Testfahrten, zu berücksichtigen. Insbesondere bei RDE-Testbetrieben stellt dies jedoch eine große Herausforderung dar, da ein Anstieg der Anzahl an Störvariablen, die nicht oder wenigstens nicht vollständig kontrollierbar sind, wie beispielsweise Umgebungsfeuchtigkeit, Temperatur, Verkehr, Schalt- und Beschleu nigungsverhalten etc., zu einem Anstieg der Menge an der Anzahl benötigter Messdaten führt, um die möglichen Einflüsse der Störvariablen in den Messdaten zu erfassen. Diese Datenmenge wächst exponentiell an, je mehr Störvariablen, d. h. Dimensionen eines Be triebsraums, vorliegen. Die Erzeugung einer solchen Menge an Testdaten wird jedoch durch den Zeitaufwand begrenzt, der für die Durchführung von Testfahrten benötigt wird. In order to examine the effects of configuration changes in vehicles, it is necessary to take into account different driving styles and environmental conditions during the execution of test operations, in particular test drives. However, this represents a major challenge, especially in RDE test operations, since an increase in the number of interfering variables that cannot or at least not completely controllable, such as ambient humidity, temperature, traffic, shifting and acceleration behavior, etc., leads to an increase in the Amount of the number of required measurement data leads to the possible influences of the interfering variables in the measurement data. This amount of data grows exponentially, the more confounding variables, i. H. Dimensions of an operating room. However, the generation of such an amount of test data is limited by the amount of time required to perform test drives.
Um die Auswirkungen der Veränderung von Konfigurationen, z. B. Fahrzeuge mit ver schiedenen Varianten eines Katalysators, auf das Betriebsverhalten eines Fahrzeugs, ins besondere die Emissionen, zu untersuchen, wird das Verfahren zur Analyse nach Fig. 1 eingesetzt. Fig. 1 zeigt eine kombinierte Darstellung des Verfahrens 100 zum Analysieren einer Kon figuration einer Fahrzeuggattung und eines Systems 10, welches zur Ausführung eines solchen Verfahrens eingerichtet ist. To reduce the impact of changing configurations, e.g. B. vehicles with ver different variants of a catalytic converter, to examine the operating behavior of a vehicle, in particular the emissions, the analysis method according to FIG. 1 is used. 1 shows a combined illustration of the method 100 for analyzing a configuration of a vehicle category and a system 10 which is set up to carry out such a method.
Dieses Verfahren 100 nutzt die Methodik des maschinellen Lernens, um einen Rück schluss (Inferenz) auf ein Betriebsverhalten einer Konfiguration eines Fahrzeugs bei be stimmten Betriebsbedingungen zu ermöglichen, bei welchen eine andere Konfiguration des Fahrzeugs getestet wurde. This method 100 uses the methodology of machine learning in order to enable a conclusion (inference) about an operating behavior of a configuration of a vehicle under certain operating conditions in which another configuration of the vehicle was tested.
Das Verfahren 100 beruht auf einem Fahrzeugmodell 0 ase für eine Basiskonfiguration 2 oder vorhandene Konfiguration der Fahrzeuggattung. Dieses Fahrzeugmodell 0base wird bestimmt, indem Modellparameter in der Weise angepasst werden, dass Zusammen hänge zwischen verschiedenen gemessenen Betriebsgrößen und Umgebungsgrößen durch das Fahrzeugmodell 0base zutreffend wiedergegeben werden. Hierfür wird eine An zahl an Testfahrten durchgeführt und das Fahrzeugmodell 0base wird mittels eines maschi nellen Lernalgorithmus, insbesondere einem Random Forest-Algorithmus oder einem künstlichen neuronalen Netz, gebildet. Diese Modellbildung wird im Detail in Bezug auf Fig. 2 beschrieben. Vorzugsweise werden jene Größen, welche bei der Modellbildung be rücksichtigt werden, mittels einer Feature Selection-Methode bestimmt. Kandidaten-Grö- ßen werden aus den Rohdaten von Messungen extrahiert (Feature-Extraktion). Dies wird in Bezug auf Fig. 3 im Detail beschrieben. Dabei werden vorzugsweise weitere Randbe dingungen, wie z.B. die Abhängigkeit der Größen, welche als Eingangsgrößen in das Fahr zeugmodell 0base eingehen sollen, von den Konfigurationen selbst, berücksichtigt. The method 100 is based on a vehicle model 0 ase for a basic configuration 2 or an existing configuration of the vehicle type. This vehicle model 0 base is determined by adapting model parameters in such a way that relationships between different measured operating variables and environmental variables are accurately reproduced by the vehicle model 0 base. For this purpose, a number of test drives are carried out and the vehicle model 0 base is formed by means of a machine learning algorithm, in particular a random forest algorithm or an artificial neural network. This modeling is described in detail with reference to FIG. 2. Those variables which are taken into account in the modeling are preferably determined by means of a feature selection method. Candidate sizes are extracted from the raw data of measurements (feature extraction). This is described in detail with reference to FIG. 3. In this case, further boundary conditions are preferably taken into account, such as, for example, the dependency of the variables which are to be included as input variables in the vehicle model 0 base on the configurations themselves.
Nachdem das Fahrzeugmodell 0base der Basiskonfiguration 2 bestimmt ist, kann dieses zum Analysieren von weiteren Konfigurationen 1 der Fahrzeuggattung eingesetzt werden. Das Fahrzeugmodell 0base dient dabei insbesondere dazu, um die weiteren Konfiguratio nen 1 mit der Basiskonfiguration 2 vergleichbar zu machen. Denn die T estergebnisse Xvar dieser weiteren Konfigurationen 1 können zwar direkt beobachtet werden, ein aussage kräftiger Vergleich zwischen diesen Testergebnissen Xvar und den Testergebnissen Xbase der Basiskonfiguration 2 ist jedoch nicht unmittelbar möglich. Dies liegt daran, dass die Testfahrten nicht exakt wiederholt werden können, insbesondere im Bereich der Tests, bei denen Antriebe Umwelteinflüssen ausgesetzt sind, die schwer oder unmöglich kontrolliert werden können. Das Verfahren 100 löst dieses Problem, indem mittels des Fahrzeugmodell O ase Tester gebnisse ( ybase ) von einer Testfahrt oder Testfahrten, welche mit der weiteren Konfigura tion 1 abgefahren wurden, so simuliert bzw. geschätzt werden, als ob diese Testfahrten mit der Basiskonfiguration 2 ausgeführt worden wären. After the vehicle model 0 base of the basic configuration 2 has been determined, it can be used to analyze further configurations 1 of the vehicle type. The vehicle model 0 base is used in particular to make the other configurations 1 comparable with the base configuration 2. This is because the test results X var of these further configurations 1 can be observed directly, but a meaningful comparison between these test results X var and the test results X base of the basic configuration 2 is not directly possible. This is because the test drives cannot be repeated exactly, especially in the area of tests in which drives are exposed to environmental influences that are difficult or impossible to control. The method 100 solves this problem by ase means of the vehicle model O tester were results of (y base) traversed by a test or tests which tion with the further configura 1, simulating or be estimated as if these tests with the basic configuration 2 would have been executed.
Dies ermöglicht es, Testergebnisse der Basiskonfiguration mit Testergebnissen der wei teren Konfiguration Wert für Wert zu vergleichen und auch einer statistischen Analyse zu unterziehen. This makes it possible to compare test results of the basic configuration with test results of the further configuration value for value and also to subject them to a statistical analysis.
Auf diese Weise kann ein tatsächlicher Effekt der Konfigurationsänderung auf das Be triebsverhalten der Fahrzeuggattung abgeschätzt werden. In this way, an actual effect of the configuration change on the operating behavior of the vehicle type can be estimated.
Das Bilden eines Fahrzeugmodells 0base wird nachfolgend in Bezug auf das Verfahren 200 zum Trainieren des Fahrzeugmodells 0base anhand von Fig. 2 erläutert. The formation of a vehicle model 0 base is explained below with reference to the method 200 for training the vehicle model 0 base with reference to FIG. 2.
Zunächst werden mehrere RDE-Testbetriebe mit einer einzigen Konfiguration der Fahr zeuggattung durchgeführt. Hierfür kommt insbesondere eine Basiskonfiguration 2 der Fahrzeuggattung zum Einsatz. Die verschiedenen RDE-Testbetriebe werden hierbei mit jeweils unterschiedlichen Testumgebungen und gegebenenfalls auch unterschiedlichen Fahrzeugen derselben Basiskonfiguration 2 durchgeführt 201. First, several RDE test operations are carried out with a single configuration of the vehicle type. In particular, a basic configuration 2 of the vehicle category is used for this. The various RDE test operations are carried out 201 with different test environments and possibly also different vehicles of the same basic configuration 2.
Die Testergebnisse werden als Datensatz Xbase aufgezeichnet 202. Der Datensatz Xbase enthält hierbei vorzugsweise gemessene Betriebsgrößen der Basiskonfiguration 2 und Umgebungsgrößen. Betriebsgrößen sind beispielsweise eine Kohlenmonoxidemission, eine Kohlendioxidemission, eine Stickstoffemission, eine Partikelemission, eine Beschleu nigung, eine Motordrehzahl, ein Motordrehmoment, eine Drosselklappenstellung, eine Ge schwindigkeit, eine kumulierte zurückgelegte Strecke, Lambda, Kühlmitteltemperatur, Ge samtabgasdruck, Abgastemperatur und Katalysatortemperatur. Umgebungsgrößen sind beispielsweise Straßensteigung, Höhe über Null-Niveau, absolute Feuchtigkeit, Umge bungsdruck, Umgebungstemperatur. The test results are recorded 202 as data record X base . In this case, data record X base preferably contains measured operating parameters of basic configuration 2 and environmental parameters. Operating variables are, for example, carbon monoxide emissions, carbon dioxide emissions, nitrogen emissions, particle emissions, acceleration, engine speed, engine torque, throttle valve position, speed, a cumulative distance traveled, lambda, coolant temperature, total exhaust gas pressure, exhaust gas temperature and catalyst temperature. Ambient variables are, for example, road gradient, height above zero level, absolute humidity, ambient pressure, ambient temperature.
Die Betriebsgrößen und Umgebungsgrößen werden als Funktion einer zurückgelegten Strecke und/oder einer vergangenen Zeitdauer aufgezeichnet. Ein Teil ybase des Datensatzes charakterisiert mithin das Betriebsverhalten des wenigstens einen Fahrzeugs in den unterschiedlichen Testumgebungen, in welchen die Testfahrten durchgeführt wur den. Das Betriebsverhalten wird hierbei insbesondere durch die Betriebsgrößen angege ben. The operating parameters and environmental parameters are recorded as a function of a distance covered and / or a past period of time. Part y base of the The data record therefore characterizes the operating behavior of the at least one vehicle in the different test environments in which the test drives were carried out. The operating behavior is indicated in particular by the operating parameters.
In einem weiteren Arbeitsschritt 203 wird ein Datensatz X'base aus dem Datensatz Xbase ausgewählt, für welchen eine Korrelation von Betriebsbedingungen, insbesondere Fahrstil und Umgebungsbedingungen, einerseits und dem Betriebsverhalten andererseits, feststellbar ist. Vorzugsweise kommen hierbei statistische Methoden zum Einsatz. In a further work step 203, a data set X ' base is selected from the data set X base , for which a correlation between operating conditions, in particular driving style and ambient conditions, on the one hand and the operating behavior on the other, can be determined. Statistical methods are preferably used here.
Das Auswählen ist vorzugsweise ein Teil der Datenvorverarbeitung zum Trainieren des Fahrzeugmodells 0base. The selection is preferably part of the data preprocessing for training the vehicle model 0 base .
Weiter vorzugsweise kommt beim Auswählen 203 wenigstens eine der folgenden Metho den zur Anwendung: Auswählen unabhängiger Kanäle; Feature-Extraktion, Feature-Sel- ection. Vorzugsweise ist der Ablauf dabei wie folgt: die unabhängigen Kanäle werden aus gewählt, auf der Grundlage dieser Kanäle wird eine Feature-Extraktion durchgeführt. Diese extrahierten Features sind Kandidaten für das Trainieren des Fahrzeugmodells 0base, auf der Grundlage die Features-Selection durchgeführt wird. Details der Methoden werden wie folgt erläutert: More preferably, when selecting 203, at least one of the following methods is used: selecting independent channels; Feature extraction, feature selection. The sequence is preferably as follows: the independent channels are selected, and a feature extraction is carried out on the basis of these channels. These extracted features are candidates for training the vehicle model 0 base , on the basis of which the feature selection is carried out. Details of the methods are explained as follows:
Bei der Auswahl der unabhängigen Kanäle, d.h. der Größen, welche von einer Verände rung einer Konfiguration unabhängig sind, wird vorzugsweise untersucht, ob geplante Konfigurationsänderungen einen Einfluss auf den Wert der Größen haben. Weiter vor zugsweise erfolgt die Auswahl der unabhängigen Größen auf Basis von Expertenwissen. Hierdurch wird gewährleistet, dass Effekte, welche durch eine Veränderung der Konfigu ration hervorgerufen werden, nicht mit solchen Effekten verwechselt werden, welche durch veränderte Betriebsbedingungen hervorgerufen werden. Je nachdem, welche Verände rungen an einer Basiskonfiguration vorgenommen werden, sind die unabhängigen Größen im Allgemeinen unterschiedlich. Während sich der Datensatz X'base (wie oben beschrie ben) zum einen dadurch auszeichnet, dass eine Korrelation (also eine mögliche gegen seitige Abhängigkeit) zwischen Fahrstil und Umgebungsbedingungen einerseits und dem Betriebsverhalten andererseits feststellbar ist; zeichnet er sich zum anderen dadurch aus, dass der Datensatz X'base selbst nicht von der zu untersuchenden Konfigurationsveränderung abhängig ist. Nur jene Größen, welche von einer Konfigurati onsänderung unabhängig sind, können später als Eingangsgrößen für das Fahrzeugmo dell dienen. Denn ansonsten hätte die Konfigurationsveränderungen nicht nur einen Ein fluss auf das Betriebsverhalten, sondern auch auf die Betriebsbedingungen. In diesem Fall könnte jedoch keine eindeutige Aussage anhand des Fahrzeugmodells 0base getroffen werden, wie sich eine Basiskonfiguration 2 bei anderen Betriebsbedingungen verhalten hätte. When selecting the independent channels, ie the variables which are independent of a change in a configuration, it is preferably examined whether planned configuration changes have an influence on the value of the variables. Furthermore, the selection of the independent variables is preferably carried out on the basis of expert knowledge. This ensures that effects that are caused by a change in the configuration are not confused with effects that are caused by changed operating conditions. Depending on what changes are made to a basic configuration, the independent variables are generally different. While the data set X ' base (as described above) is characterized on the one hand by the fact that a correlation (ie a possible mutual dependency) between driving style and ambient conditions on the one hand and the operating behavior on the other hand can be determined; On the other hand, it is characterized by the fact that the data record X ' base itself is not different from the one to be examined Configuration change is dependent. Only those variables that are independent of a configuration change can later serve as input variables for the vehicle model. Otherwise, the configuration changes would not only have an impact on the operating behavior, but also on the operating conditions. In this case, however, it would not be possible to make a clear statement on the basis of the vehicle model 0 base as to how a basic configuration 2 would have behaved under other operating conditions.
Entsprechende Abhängigkeiten sind in Fig. 3 dargestellt. Eine Abhängigkeit zwischen den Konfigurationen und den Eingangsgrößen des Fahrzeugmodells beim Simulieren des Be triebsverhaltens einer Basiskonfiguration darf nicht gegeben sein. Würden diese Ein gangsgrößen auch von einer Konfigurationsänderung beeinflusst, d.h. wäre die Abhängig keit in Fig. 3 nicht durchgestrichen, würde sich die Wirkung der Konfigurationsänderung indirekt über die Eingangsgrößen bereits im Modell der Basiskonfiguration beim Simulie ren eingehen. Dies ist jedoch zu vermeiden, da das Fahrzeugmodell 0base das Testergeb nis so darstellen sollte, wie es ohne Konfigurationsänderung wäre. Corresponding dependencies are shown in FIG. 3. There must be no dependency between the configurations and the input variables of the vehicle model when simulating the operating behavior of a basic configuration. If these input variables were also influenced by a change in configuration, ie if the dependency in FIG. 3 were not crossed out, the effect of the configuration change would be reflected indirectly via the input variables in the model of the basic configuration when simulating. However, this should be avoided because the vehicle model 0 base should display the test result as it would be without a configuration change.
Eine Feature-Extraktion wird nachfolgend in Bezug auf Fig. 4 beschrieben. Vorzugsweise wird diese Feature-Extraktion nur in Bezug auf von einer Konfigurationsänderung unab hängige Größen vorgenommen. In diesem Fall wird die Feature-Extraktion nur in Bezug auf diese Größen durchgeführt. Feature extraction is described below with reference to FIG. 4. This feature extraction is preferably carried out only in relation to variables that are independent of a configuration change. In this case, feature extraction is only performed in terms of these quantities.
Grundsätzlich kann die Feature-Extraktion aber auch in Bezug auf den gesamten Daten satz Xbase bzw. alle Größen durchgeführt werden. In principle, however, the feature extraction can also be carried out in relation to the entire data set X base or all sizes.
Aus den untersuchten Größen, insbesondere den von Konfigurationsänderungen unab hängigen Größen, werden sogenannte Features extrahiert, d.h. Datenbereiche, bei wel chen eine Korrelation von Betriebsbedingungen einerseits und dem Betriebsverhalten an dererseits erwartbar ist. Die Betriebsbedingungen werden hierbei vorzugsweise durch den Fahrstil und die Umgebungsbedingungen während einer Testfahrt bestimmt. Sowohl die Betriebsbedingungen als auch das Betriebsverhalten werden jeweils durch ein oder meh rere Größen, d.h. Betriebsgrößen und/oder Umgebungsgrößen, charakterisiert. Wie in Fig. 4 in Bezug auf eine Größe x und eine Betriebsgröße y eines Datensatzes X dargestellt ist, werden zum Auffinden von Korrelationen zwischen der Größe x und der Betriebsgröße y gleitende Beeinflussungsbereiche w betrachtet, mit welchen vorzugs weise der potentielle Einfluss einer ganzen Abfolge von Werten der Größe x auf einen Wert der Betriebsgröße y deklariert wird. So-called features are extracted from the examined variables, in particular those that are independent of configuration changes, ie data areas in which a correlation between operating conditions on the one hand and the operating behavior on the other can be expected. The operating conditions are preferably determined by the driving style and the ambient conditions during a test drive. Both the operating conditions and the operating behavior are each characterized by one or more variables, ie operating variables and / or environmental variables. As shown in Fig. 4 in relation to a variable x and a farm variable y of a data set X, to find correlations between the variable x and the farm variable y sliding influence areas w are considered, with which preferably the potential influence of a whole sequence of Values of the size x is declared to a value of the farm size y.
Vorzugsweise werden für jeden Beeinflussungsbereich w eine oder mehrere Aggregats funktionen s angewendet bzw. gebildet, um skalare Features zu extrahieren, die einem Wert der Betriebsgröße y, welche eine Abhängigkeit von der Größe x aufweisen soll, zu geordnet sind. Vorzugsweise wird bei der Extraktion mehr als eine Größe x berücksichtigt. In Abhängigkeit der Anzahl der Größen x und deren Eigenschaften werden vorzugsweise nicht nur einzelne Beeinflussungsbereiche w berücksichtigt, sondern ein ganzer Satz von Beeinflussungsbereichen W. Ein Aggregatsfunktion kann beispielsweise ein Minimalwert, Maximalwert, Mittelwert, etc. in dem betrachteten Datenbereich sein. One or more aggregate functions s are preferably used or formed for each influencing area w in order to extract scalar features which are assigned to a value of the operating variable y, which is intended to be dependent on the variable x. More than one size x is preferably taken into account in the extraction. Depending on the number of variables x and their properties, not only individual influencing areas w are taken into account, but a whole set of influencing areas W. An aggregate function can, for example, be a minimum value, maximum value, mean value, etc. in the data area under consideration.
Die Feature-Extraktion ermöglicht es, Informationen übereinen bestimmten Zeitraum oder eine bestimmte zurückgelegte Strecke bei der Schätzung zu nutzen. Zudem ergeben sich durch das Zusammenfassen von Zeiträumen in Beeinflussungsbereichen weniger Fea tures als es der Fall wäre, wenn jeder einzelne Wert der Größe x, einzeln betrachtet würde. Hierdurch wird die Zahl der zu betrachtenden Größen x und damit die Dimensionalität, d.h. die Anzahl an Dimensionen, bei der Analyse verringert. Feature extraction makes it possible to use information about a specific time period or a specific distance covered in the estimation. In addition, the combination of time periods in areas of influence results in fewer features than would be the case if each individual value of the size x were considered individually. This reduces the number of variables x to be considered and thus the dimensionality, i.e. the number of dimensions, in the analysis.
Für die Aggregatsfunktionen S kann vorzugsweise eine Anwendung mit dem Namen tsfresh® verwendet werden. Diese ermöglicht eine Extraktion von Merkmalen auf der Grundlage von Standard-Aggregatsfunktionen, wie beispielsweise Statistiken über eine Verteilung, enthaltene Frequenzen oder die Anzahl von bestimmten Ereignissen. For the aggregate functions S, an application with the name tsfresh ® can preferably be used. This enables features to be extracted on the basis of standard aggregate functions, such as statistics on a distribution, the frequencies contained or the number of specific events.
Die Anzahl der extrahierten Features kann groß sein, da sie proportional zur Anzahl der Aggregatsfunktionen S und der Anzahl der Beeinflussungsbereiche W ist. The number of features extracted can be large because it is proportional to the number of aggregate functions S and the number of areas of influence W.
Daher ist es von Vorteil, die wichtigsten Merkmale zu identifizieren und auszuwählen. Auf diese Weise kann eine Geschwindigkeit des Trainings des Fahrzeugmodells 0base bei der Modellbildung erhöht werden und die Dimensionaltiät des durch die betrachteten Größen aufgespannten Betriebsraums wird reduziert. In der Feature-Selection wird vorzugsweise eine Wichtigkeit von Features bestimmt, d.h. deren Einfluss auf die Ausgangsgröße. Die Wichtigkeit eines extrahierten Features wird vorzugsweise durch ein Überprüfen der Hypothese bestimmt, dass dieses Feature mit ei ner Betriebsgröße y korreliert ist. Beispielhaft kann hierbei als Korrelationsstatistik die so genannte Pearson-Korrelation eingesetzt werden, die ein Maß für eine lineare Beziehung zwischen zwei Größen ist und über einen parametrischen T est bestimmt wird. Eine weitere Korrelationsstatistik ist das Kendall’s Tau. Auch dieses kann vorzugsweise zum Einsatz kommen. Ein weiteres Verfahren, welches hierbei zum Einsatz kommen kann, ist die Ben- jamini-Hochberg-Methode. Details zu den Korrelationsdefinitionen und zum Anwenden der Korrelationen können beispielsweis dem Lehrbuch Wilcox, Rand R., „ Äpplying Contem porary Statistical techniques“, Elsevier, 2003 und den Veröffentlichungen i.-K. L. Law rence, „A Concordance Correlation Coefficient to Evaluate Reproducibility,“ Biomet- rics, vol. 45, no. 1 , pp. 255-268, 1989, G. Kendail, „The treatment of fies in ranking Problems”, Biometrika, voi. 33, no. 3, pp. 239-251 , 1945, und/oder Y. Benjamini and D. Yekutieli, „The Control of the False Discoveiy Rate in Multiple Testing under De- pendencf, The Annais of Statistics, vol. 29, no. 4, pp. 1165-1188, 2001 entnommen werden. It is therefore beneficial to identify and select the most important features. In this way, a speed of the training of the vehicle model 0 base can be increased in the formation of the model and the dimensionality of the operating space spanned by the variables under consideration is reduced. In the feature selection, an importance of features is preferably determined, ie their influence on the output size. The importance of an extracted feature is preferably determined by checking the hypothesis that this feature is correlated with an operational variable y. For example, the so-called Pearson correlation can be used as the correlation statistic, which is a measure of a linear relationship between two variables and is determined via a parametric test. Another correlation statistic is the Kendall's Tau. This can also preferably be used. Another method that can be used here is the Benjamini-Hochberg method. Details on the correlation definitions and the application of the correlations can be found, for example, in the textbook Wilcox, Rand R., "Applying Contemporary Statistical Techniques", Elsevier, 2003 and the publications i.-KL Law rence, "A Concordance Correlation Coefficient to Evaluate Reproducibility," Biometrics, vol. 45, no. 1, pp. 255-268, 1989, G. Kendail, “The treatment of fies in ranking problems”, Biometrika, voi. 33, no. 3, pp. 239-251, 1945, and / or Y. Benjamini and D. Yekutieli, “The Control of the False Discoveiy Rate in Multiple Testing under Dependencf, The Annais of Statistics, vol. 29, no. 4, pp. 1165-1188, 2001.
Auf der Grundlage dieses Auswählens 203 wichtiger Merkmale wird das Fahrzeugmodell 0base in einer Trainingsphase trainiert 204, indem die ausgewählten Datenbereiche X'base in eine Ausgleichsrechnung eingelesen werden. Vorzugsweise gehen nur wichtige Merk male, d.h. wichtige Features, als Eingangsgrößen in das Fahrzeugmodell 6base beim Trai nieren ein. Diese werden aus der Vorverarbeitungsphase (Arbeitsschritt 203) in die Trai ningsphase übergeben. On the basis of this selection 203 of important features, the vehicle model 0 base is trained 204 in a training phase by reading the selected data areas X ' base into a compensation calculation. Preferably only important features, ie important features, are used as input variables in the vehicle model 6 base during training. These are transferred from the preprocessing phase (work step 203) to the training phase.
Beispiele für Algorithmen, welche im Rahmen einer solchen Ausgleichsrechnung verwen det werden können, sind eine lineare Regression, eine logistische Regression, Random Forest-Algorithmen bzw. Regressionen, Ensemble-Methoden, Support-Vektor-Machines, Algorithmen, die auf (tiefen, rekurrenten oder faltungsbasierten) künstlichen neuronalen Netzen basieren, insbesondere Long Term Memory-Algorithmen, etc. Examples of algorithms that can be used in the context of such a compensation calculation are linear regression, logistic regression, random forest algorithms or regressions, ensemble methods, support vector machines, algorithms that work on (deep, recurrent or convolution-based) artificial neural networks, in particular long-term memory algorithms, etc.
Vorzugsweise macht eine Benutzung von sogenannten tiefen Algorithmen, wie beispiels weise tiefen künstlichen neuronalen Netzen, eine Extraktion von Merkmalen überflüssig. Wird eine Simulation mittels eines auf diese Weise trainierten Fahrzeugmodells 6base durchgeführt und werden dieser Simulation Eingangsgrößen aus einem Datensatz Xbase oder eine bearbeiteten Datensatzes X'var der Testfahrten mit der Basiskonfiguration 2 be reitgestellt, so reproduziert das Fahrzeugmodell 0base jenen Teil ybase des DatensatzesPreferably, the use of so-called deep algorithms, such as deep artificial neural networks, makes extraction of features superfluous. If a simulation is carried out using a vehicle model 6 base trained in this way and if input variables from a data record X base or an edited data record X ' var of the test drives with the basic configuration 2 are provided to this simulation, then the vehicle model 0 base reproduces that part y base des Dataset
Xbase näherungsweise als Simulationsergbnis ybase, welcher das Betriebsverhalten der Konfiguration 2 in den zum Trainieren verwendeten Testumgebung charakterisiert. Dies ist in Fig. 5 dargestellt. X base approximately as a simulation result y base , which characterizes the operating behavior of configuration 2 in the test environment used for training. This is shown in FIG. 5.
Wrd hingegen eine Simulation durchgeführt, bei welcher die Eingangsgrößen des Fahr zeugmodells 0base ein Datensatz Xvar oder des bearbeiteten Datensatzes X'var einer Test fahrt einer zu testenden Konfiguration 1 ist, so gibt das Fahrzeugmodell 0base das Betriebs verhalten der zum Trainieren des Fahrzeugmodells 0base eingesetzten Basiskonfiguration 2 bei jenen Betriebsbedingungen aus, welche bei der Testfahrt der zu testenden Konfigu ration 1 geherrscht haben. If, on the other hand, a simulation is carried out in which the input variables of the vehicle model 0 base is a data record X var or the edited data record X ' var of a test drive of a configuration to be tested 1, the vehicle model 0 base gives the operating behavior for training the vehicle model 0 base , the basic configuration 2 used under those operating conditions that prevailed during the test drive of configuration 1 to be tested.
Der Einsatz eines solchen Fahrzeugmodells 0base in einem Verfahren 100 zum Analysie ren und/oder Optimieren einer Konfiguration einer Fahrzeugflotte wird nachfolgend im De tail in Bezug auf Fig. 1 beschrieben. The use of such a vehicle model 0 base in a method 100 for analyzing and / or optimizing a configuration of a vehicle fleet is described in detail below with reference to FIG. 1.
Um eine Datenbasis zum Analysieren einer Konfiguration einer Fahrzeuggattung zu schaf fen, wird/werden zunächst eine Testfahrt oder auch mehrere Testfahrten mit einem Fahr zeug der veränderten Konfiguration 1 der Fahrzeuggattung durchgeführt. Dass es sich bei dem dargestellten Fahrzeug um die veränderte Konfiguration handelt, wird in Fig. 1 durch das Wechselsymbol mit zwei Rechtecken und zwei Pfeilen dargestellt. In order to create a database for analyzing a configuration of a vehicle type, a test drive or several test drives with a vehicle of the modified configuration 1 of the vehicle type is / are first carried out. The fact that the vehicle shown is the modified configuration is shown in FIG. 1 by the change symbol with two rectangles and two arrows.
Während dieser Testfahrt bzw. Testfahrten werden mittels Sensoren 11 Betriebsgrößen der zu testenden Konfiguration 1 und gegebenenfalls auch Umgebungsgrößen gemessen, insofern die Umgebungsgrößen nicht anderweitig bereitgestellt werden. During this test drive or test drives, operating variables of the configuration 1 to be tested and possibly also environmental variables are measured by means of sensors 11, insofar as the environmental variables are not provided otherwise.
Der sich aus diesen Messungen ergebende Datensatz Xvar wird mittels eines Verfahrens 100 analysiert. Hierfür wird der erste Datensatz Xvar mit den gemessenen Betriebsgrößen der zu testen den Konfiguration 1 und den gemessenen oder bereitgestellten Umgebungsgrößen in ei nem Datenspeicher von Datenverarbeitungsmitteln 12 aufgezeichnet 101. Vorzugsweise werden die gemessenen Betriebsgrößen und die Umgebungsgrößen dabei als Funktion einer zurückgelegten Strecke und/oder einer vergangenen Zeitdauer der Testfahrt oder Testfahrten mit der zu testenden Konfiguration 1 abgespeichert. The data set X var resulting from these measurements is analyzed by means of a method 100. For this purpose, the first data set X var is recorded 101 with the measured operating parameters of the configuration 1 to be tested and the measured or provided environmental parameters in a data memory of data processing means 12 a past time duration of the test drive or test drives with the configuration 1 to be tested is stored.
Ein Teil yvar dieses ersten Datensatzes Xvar, insbesondere ein Teil der Größen, charak terisiert vorzugsweise ein Betriebsverhalten der zu testenden Konfiguration 1. Ein weiterer Teil des ersten Datensatzes Xvar charakterisiert vorzugsweise die Betriebsbedingungen, welche während der oder den T estfahrt(en) mit der zu testenden Konfiguration 1 Vorlagen. A part y var of this first data set X var , in particular a part of the variables, preferably characterizes an operating behavior of the configuration to be tested 1. Another part of the first data set X var preferably characterizes the operating conditions which occur during the test drive (s) with the configuration to be tested 1 templates.
Vorzugsweise wird in einem Arbeitsschritt 102 eine Datenvorverarbeitung durchgeführt, welche einer Feature Extraktion entspricht. Hierbei werden vorzugsweise die gleiche Ag gregatsfunktionen über den gleichen Datenbereiche angewandt bzw. gebildet, wie beim Erzeugen bzw. Trainieren des Fahrzeugmodells 0base. Der gleiche Datenbereich ist hierbei vorzugsweise jeweils jener Datenbereich, welcher einem Zeitabschnitt der vergangenen Zeitdauer oder einem Streckenabschnitt der zurückgelegten Strecke entspricht, in wel chem beim Erzeugen bzw. Trainieren des Fahrzeugmodells 6base ein bestimmtes Feature extrahiert wurde. Weiter vorzugsweise wird diese Datenvorverarbeitung lediglich für jene extrahierten Features durchgeführt, welche in der Feature Selection beim Erzeugen bzw. Trainieren des Fahrzeugmodells 6base ausgewählt wurden. Hierdurch kann Rechenzeit eingespart werden. Aus der Datenvorverarbeitung geht ein bearbeiteter erster Datensatz X'var hervor. In a work step 102, data preprocessing is preferably carried out which corresponds to a feature extraction. In this case, the same aggregate functions are preferably used or formed over the same data areas as when generating or training the vehicle model 0 base . The same data area is preferably that data area which corresponds to a time segment of the past period of time or a route segment of the traveled route in which a certain feature was extracted when generating or training the vehicle model 6 base. This data preprocessing is also preferably carried out only for those extracted features which were selected in the feature selection when generating or training the vehicle model 6 base . This saves computing time. A processed first data record X ' var emerges from the data preprocessing.
Ausgehend von dem aufgezeichneten ersten Datensatzes Xvar oder dem bearbeiteten ersten Datensatz X'var wird in einem Simulationsmittel das Betriebsverhalten der Ba siskonfiguration 2 eines Fahrzeugs der Fahrzeuggattung simuliert 103. Vorzugsweise wird das Simulieren hierbei ausschließlich für jene Datenbereiche des aufgezeichneten ersten Datensatzes Xvar oder dem bearbeiteten ersten Datensatz X'var durchgeführt, in welchen beim Erzeugen bzw. Trainieren des Fahrzeugmodells 6base Features extrahiert wurden. Weiter vorzugsweise wird das Simulieren hierbei ausschließlich für jene Features durch geführt, welche beim Erzeugen bzw. Trainieren des Fahrzeugmodells 6base ausgewählt wurden. Auch hierdurch kann Rechenzeit eingespart werden. Hierfür gehen ein oder mehrere Größen des ersten Datensatzes Xvar beim Simulieren als Eingangsgrößen des Fahrzeugmodells 6base bzw. als Eingangsgrößen in dieses Fahr zeugmodell 6base ein. Starting var of the recorded first data set X or the processed first data X 'var is in a simulating means the performance of Ba siskonfiguration 2 of a vehicle of the type of vehicle simulates 103. Preferably, the simulation is hereby var only for those data areas of the recorded first data set X or processed first data set X ' var , in which base features were extracted when generating or training the vehicle model 6. Furthermore, the simulation is preferably carried out exclusively for those features that were selected when generating or training the vehicle model 6 base . This can also save computing time. For this purpose, one or more variables of the first data set X var are included in the simulation as input variables of the vehicle model 6 base or as input variables in this vehicle model 6 base .
Die Eingangsgrößen des Fahrzeugmodells 6base sind hierbei in der Weise ausgewählt, dass diese nur eine geringe Abhängigkeit oder vorzugsweise gar keine Abhängigkeit von den Konfigurationsänderungen, welche zwischen der zu testenden Konfiguration und der Basiskonfiguration bestehen, aufweisen. Das Modell 6base verwendet die Information des Datensatzes Xvar aus den realen Testfahrten nämlich als eigenständige Features bzw. Betriebsbedingungen. The input variables of the vehicle model 6 base are selected in such a way that they have only a slight dependency or preferably no dependency at all on the configuration changes that exist between the configuration to be tested and the basic configuration. The model 6 base uses the information from the data set X var from the real test drives, namely as independent features or operating conditions.
Das Fahrzeugmodell 0base erzeugt einen zweiten Datensatz ybase wenigstens einer Be triebsgröße der Basiskonfiguration 2. Wie in Fig. 1 dargestellt, geht über das Fahrzeug modell 6base die Konfiguration 2 der Fahrzeuggattung beim Simulieren 103 ein. The vehicle model 0 base generates a second data set y base of at least one operating variable of the basic configuration 2. As shown in FIG. 1, the configuration 2 of the vehicle type is included in the simulation 103 via the vehicle model 6 base.
Hierdurch kann ein virtuelles Betriebsverhalten der Basiskonfiguration 2 in dem zweiten Datensatz ybase bei den Betriebsbedingungen, welche während der oder den Testfahrten mit der zu testenden Konfiguration 1 Vorlagen, abgebildet werden. Vorzugsweise absol viert die Basiskonfiguration 2 dabei dieselbe Testfahrt oder dieselben Testfahrten wie die zu testende Konfiguration 1, mit welcher/welchen der erste Datensatzes Xvar erzeugt wurde. As a result, a virtual operating behavior of the basic configuration 2 can be mapped in the second data set y base under the operating conditions which are presented during the test drive or tests with the configuration 1 to be tested. The basic configuration 2 preferably completes the same test drive or the same test drives as the configuration 1 to be tested, with which the first data record X var was generated.
Ein einzelnes Fahrzeugmodell 6base bildet vorzugsweise nur eine Betriebsgröße in Bezug auf das Betriebsverhalten ab, beispielsweise eine C02-Emission oder eine Stickoxid- Emission. Diese Betriebsgröße ist vorzugswiese eine abhängige Variable im Sinne ma schinellen Lernens. Es können aber auch mehrere Modelle trainiert werden; beispiels weise jeweils ein Modell pro gewünschter Emission, welche in Bezug auf das Betriebsver halten analysiert werden soll. An individual vehicle model 6 base preferably only depicts one operating variable with regard to the operating behavior, for example a CO 2 emission or a nitrogen oxide emission. This company size is preferably a dependent variable in the sense of machine learning. However, several models can also be trained; For example, one model for each desired emission, which is to be analyzed in terms of operating behavior.
Mittels Vergleichsmitteln 14 kann nunmehr das Betriebsverhalten der zu testenden Konfi guration 1 mit dem Betriebsverhalten der Basiskonfiguration 2 verglichen werden 104. Vorzugsweise werden hierbei Werte oder Wertverläufe einer oder mehrerer Größen ver glichen, welche sowohl in dem Teil yvar des ersten Datensatzes Xvar und in dem zweiten Datensatz ybase enthalten sind. In Fig. 1 wird dies durch die beiden Kurven eines Diagramms dargestellt. Die eine Kurve zeigt den Verlauf einer Größe ybase, die einem Fahrzeug der Basiskonfiguration 2‘ bei ver änderten Betriebsbedingungen zugeordnet ist. Das Fahrzeug an sich ist entsprechend ebenfalls mit einem Dach versehen. Verglichen wird dieser Verlauf ybase mit einem Verlauf yvar einer Größe yvar, welche im Rahmen der Testfahrt der zu testenden Konfiguration 1 gemessen wurde. Means of comparison means 14 may now the performance of the test confi guration 1 with the performance of the basic configuration 2 are compared 104. Preferably, in this case values or value profiles of one or more sizes ver equalized, which both in the part of the first record X y var var and the second data set y base are included. In Fig. 1 this is shown by the two curves of a diagram. One curve shows the course of a variable y base which is assigned to a vehicle of the basic configuration 2 'under changed operating conditions. The vehicle itself is accordingly also provided with a roof. This curve y base is compared with a curve y var of a variable y var , which was measured during the test drive of the configuration 1 to be tested.
Vorzugsweise kann mittels Mitteln 15 zum Ermitteln einer Kenngröße auf der Grundlage dieses Vergleichens eine Kenngröße ermittelt werden 105 und über eine Schnittstelle 16, insbesondere eine Datenschnittstelle oder Benutzerschnittstelle, ausgegeben werden 106. Preferably, by means of means 15 for determining a characteristic variable on the basis of this comparison, a characteristic variable can be determined 105 and output 106 via an interface 16, in particular a data interface or user interface.
Weiter vorzugsweise kann die Fahrzeuggattung auf der Grundlage dieser Kenngröße op timiert werden 107. Dies ist in Fig. 2 durch einen Pfeil dargestellt, welcher die Information angibt, welche aus dem Vergleichen in eine Konfigurationsveränderung einer wiederum zu testenden Konfiguration 1 einfließt. Further preferably, the vehicle type can be optimized 107 on the basis of this parameter. This is shown in FIG. 2 by an arrow which indicates the information that flows from the comparison into a configuration change of a configuration 1 to be tested again.
Nachfolgend wird ein Anwendungsbeispiel erläutert: An application example is explained below:
Ein turboaufgeladenes Benzinfahrzeug mit Direkteinspritzung der Abgasnorm Euro 6b soll unter RDE-Bedingungen mit verschiedenen Abgasbehandlungssystemen einschließlich modernem Drei-Wege-KatalysatorTWC und katalysierter Benzinpartikelfilter cGPF getes tet werden. Auf der Grundlage dieses Tests sollen die Auswirkungen verschiedener Kon figurationen auf die Emission analysiert und bewertet werden. A turbo-charged gasoline vehicle with direct injection according to the Euro 6b emissions standard is to be tested under RDE conditions with various exhaust gas treatment systems including a modern three-way catalytic converter TWC and catalyzed gasoline particle filter cGPF. On the basis of this test, the effects of various configurations on the emission are to be analyzed and evaluated.
Die Datensätze Xbase, Xvar für die Bewertung werden mit dem gleichen Fahrzeug mit zwei unterschiedlichen Abgasnachbehandlungssystemen erhoben. Die Basiskonfiguration ist ein neuer Drei-Wege-Katalysator Fresh TWC ohne Benzinpartikelfilter cGPF. Die zu tes tende Konfiguration ist eine sogenannte End-of-Life-Konfiguration EoL, das heißt am Ende der Nutzungsdauer, mit Drei-Wege-Katalysator TWC und mit katalysiertem Benzinparti kelfilter cGPF. Die T estfahrten werden jeweils mit verschiedenen Fahrern durchgeführt und jeweils Mess daten über einen langen Zeitraum von etwa drei Monaten generiert. Es kommen vier ver schiedene Teststrecken zum Einsatz. The data sets X base , X var for the evaluation are collected with the same vehicle with two different exhaust gas aftertreatment systems. The basic configuration is a new three-way catalytic converter Fresh TWC without petrol particle filter cGPF. The configuration to be tested is a so-called end-of-life configuration EoL, i.e. at the end of the service life, with a three-way catalytic converter TWC and a catalyzed gasoline particulate filter cGPF. The test drives are carried out with different drivers and measurement data is generated over a long period of around three months. Four different test tracks are used.
Zur Modellbildung werden zunächst von der Konfigurationsänderung von einem turboauf geladenen Benzinfahrzeug mit Drei-Wege-Katalysator Fresh TWC zu einem turboaufge ladenen Benzinfahrzeug End-of-Life mit Drei-Wege-Katalysator TWC und katalysiertem Benzinpartikelfilter cGPF unabhängige Größen identifiziert. To create the model, variables that are independent of the configuration change from a turbo-charged gasoline vehicle with three-way catalytic converter Fresh TWC to a turbo-charged gasoline vehicle end-of-life with three-way catalytic converter TWC and catalyzed gasoline particle filter cGPF are identified.
Um Merkmale aus der Gesamtheit an unabhängigen Größen zu extrahieren, wurden im beschriebenen Anwendungsfall die folgenden Werte berücksichtigt: In order to extract features from the totality of independent variables, the following values were taken into account in the application case described:
Aggregationsfunktion S = {maximal, mittel, median, minimal, Standardabweichung, Vari anz, Summe, Länge} Aggregation function S = {maximum, mean, median, minimum, standard deviation, variance, sum, length}
Beeinflussungsbereiche W = {3 Sekunden, 7 Sekunden, 20 Sekunden, 60 Sekunden} Fenster-Offsets = {gleich Null} Areas of influence W = {3 seconds, 7 seconds, 20 seconds, 60 seconds} Window offsets = {equal to zero}
Abtastversatz = 1 Sekunde Sampling offset = 1 second
Diese Parameter führen zu einer Gesamtzahl von |£| |W| |Offset| |Anzahl Größen| = 640 Features pro Probe. These parameters result in a total of | £ | | W | | Offset | | Number of sizes | = 640 features per sample.
Eine Anwendung der Benjamin-Hochberg-Methode zur Auswahl der wichtigen Features ergibt 520 Features für Kohlenstoffmonoxid, 531 Features für Kohlenstoffdioxid, 554 Fea tures für Stickstoffoxid und 555 Features für die Partikelanzahl. Da vier verschiedene Test strecken verwendet wurden, führt dies zu vier weiteren Features, einem Feature pro Test strecke. An application of the Benjamin Hochberg method to the selection of the important features yields 520 features for carbon monoxide, 531 features for carbon dioxide, 554 features for nitrogen oxide and 555 features for the particle number. Since four different test tracks were used, this leads to four additional features, one feature per test track.
Aufgrund der Abtastrate stehen 214.448 Proben für die Basiskonfiguration Fresh TWC zur Verfügung. Für die zu testende Konfiguration EoL cGPF stehen 76.567 Proben zur Verfü gung. Testfahrten werden ganz oder teilweise nicht berücksichtigt, wenn Werte verschoben wa ren oder fehlen. Due to the sampling rate, 214,448 samples are available for the basic configuration Fresh TWC. 76,567 samples are available for the EoL cGPF configuration to be tested. Test drives are not taken into account in whole or in part if values have been shifted or are missing.
Für die Bildung des Fahrzeugmodells 0base wird im vorliegenden Beispiel für jede Emission basierend auf den Messdaten aus den Testfahrten eine Random Forrest-Regression an gewendet. Random Forrest-Algorithmen können eine große Anzahl von Features in Bezug auf eine kleine Anzahl von Proben bewältigen und sind robust. For the formation of the vehicle model 0 base , a random Forrest regression is used in the present example for each emission based on the measurement data from the test drives. Random Forrest algorithms can handle a large number of features in terms of a small number of samples and are robust.
Nach dem Erstellen des Fahrzeugmodells werden diese für einen Schlussfolgerungs-ba- sierten Konfigurationsvergleich verwendet. After the vehicle model has been created, it is used for a conclusion-based configuration comparison.
Der Schlussfolgerungs-basierte Konfigurationsvergleich ermöglicht den Vergleich von Emissionen zwischen einer Basiskonfiguration und einer zu testenden Konfiguration unter Berücksichtigung der Umgebungsbedingungen, auch wenn nur eine Fahrt mit der zu tes tenden Konfiguration durchgeführt wird. Dies ist ein großer Vorteil gegenüber Ansätzen, die versuchen, Umgebungsbedingungen durch eine ausreichende Anzahl von RDE- Testfahrten zu eliminieren. The conclusion-based configuration comparison enables the comparison of emissions between a basic configuration and a configuration to be tested, taking into account the ambient conditions, even if only one trip is carried out with the configuration to be tested. This is a great advantage over approaches that attempt to eliminate environmental conditions through a sufficient number of RDE test drives.
Das Diagramm in Fig. 6 zeigt simulierte Effekte der zu testenden Konfiguration EoL cGPF im Vergleich zur Basiskonfiguration Fresh TWC. The diagram in FIG. 6 shows simulated effects of the configuration to be tested EoL cGPF in comparison to the basic configuration Fresh TWC.
Es ergibt sich eine Erhöhung der Emission des Kohlenstoffmonoxids CO für die zu tes tende Konfiguration. Dies ist darauf zurückzuführen, dass ein gealterter Katalysator eine geringere Sauerstoffkapazität hat. There is an increase in the emission of carbon monoxide CO for the configuration to be tes tes. This is due to the fact that an aged catalyst has a lower oxygen capacity.
Darüber hinaus gibt es kaum eine bis keine Veränderung der Kohlenstoffdioxid-Emission C02für die zu testende Konfiguration. Der leichte Anstieg des Kohlenstoffdioxids CO2 mit der zu testenden Konfiguration cGPF ist wahrscheinlich auf einen höheren Gegendruck im Abgasstrang zurückzuführen. In addition, there is little or no change in the carbon dioxide emission C0 2 for the configuration to be tested. The slight increase in carbon dioxide CO2 with the configuration to be tested cGPF is probably due to a higher back pressure in the exhaust system.
Die Stickstoffoxid-Emissionen NOx weisen bei der zu testenden Konfiguration cGPF eine Reduktion auf. Hinsichtlich der Partikel PN Emission zeigt sich bei der zu testenden Kon figuration cGPF aufgrund des Vorhandenseins des Partikelfilters eine signifikante Reduk tion der Partikelanzahl PN, was zu erwarten war. Wie aus Fig. 6 ersichtlich ist, ist es ein wesentlicher Vorteil, dass die Testfahrten der Ba siskonfiguration durch die Anwendung des Fahrzeugmodells 0base auf die gleiche Zeitba sis bzw. Streckenbasis wie die Testfahrt der zu testenden Konfiguration transformiert wird. Dadurch ist ein direkter Wertevorteil möglich. The nitrogen oxide emissions NO x show a reduction in the configuration to be tested cGPF. With regard to the particle PN emission, the configuration to be tested cGPF shows a significant reduction in the particle number PN due to the presence of the particle filter, which was to be expected. As can be seen from FIG. 6, it is an essential advantage that the test drives of the basic configuration are transformed by the application of the vehicle model 0 base to the same time base or route base as the test drive of the configuration to be tested. This enables a direct value advantage.
Es wird darauf hingewiesen, dass es sich bei den beschriebenen Ausführungsbeispielen lediglich um Beispiele handelt, die den Schutzbereich, die Anwendung und den Aufbau in keiner Weise einschränken sollen. Vielmehr wird dem Fachmann durch die vorausge hende Beschreibung ein Leitfaden für die Umsetzung mindestens eines Ausführungsbei spiels gegeben, wobei diverse Änderungen, insbesondere im Hinblick auf die Funktion und Anordnung, vorgenommen werden können, ohne den Schutzbereich zu verlassen, wie er sich aus den Ansprüchen und diesen äquivalenten Merkmalskombinationen ergibt. Insbesondere können einzelne Ausführungsbeispiele miteinander kombiniert werden. It should be noted that the exemplary embodiments described are merely examples that are not intended to restrict the scope of protection, the application and the structure in any way. Rather, the person skilled in the art is given a guideline for the implementation of at least one exemplary embodiment through the preceding description, with various changes, in particular with regard to the function and arrangement, can be made without departing from the scope of protection as can be derived from the claims and these equivalent combinations of features results. In particular, individual exemplary embodiments can be combined with one another.
Bezugszeichenliste List of reference symbols
1 Zu testende Konfiguration 1 Configuration to be tested
2 Basiskonfiguration base Fahrzeugmodell 2 basic configuration base vehicle model
X Datensatz x, y Größen X record x, y sizes
L y base Datensatz einer Basiskonfiguration L y base data set of a basic configuration
L y' öase Ausgewählter Datenbereich aus Basiskonfiguration L y 'öase Selected data area from the basic configuration
Ybase Ybase Datensatz einer Betriebsgröße der Basiskonfiguration Datensatz einer zu testenden Konfiguration Ybase Ybase Data record of an operational variable of the basic configuration Data record of a configuration to be tested
Yvar Datensatz wenigstens einer Betriebsgröße der zu testende KonfigurationYvar data set of at least one operational variable of the configuration to be tested
W Beeinflussungszeitraum W period of influence
W Menge der betrachteten Beeinflussungszeiträume t Zeit s Aggregatsfunktion W set of influencing periods considered t time s aggregate function
S Menge der betrachteten Aggregatsfunktionen S set of aggregate functions considered
CO Kohlenstoffmonoxid CO carbon monoxide
C02 Kohlenstoffdioxid C0 2 carbon dioxide
NOx Stickstoffoxid NOx nitrogen oxide
PN Partikelanzahl PN number of particles

Claims

Patentansprüche Claims
1. Computer-gestütztes Verfahren (100) zum Analysieren und/oder Optimieren einer Konfiguration einer Fahrzeuggattung auf der Grundlage eines RDE-Testbetriebs, folgende Arbeitsschritte aufweisend: 1. Computer-aided method (100) for analyzing and / or optimizing a configuration of a vehicle type on the basis of an RDE test operation, comprising the following work steps:
Aufzeichnen (101) eines ersten Datensatzes {Xvar) von gemessenen Betriebsgrö ßen einer zu testenden Konfiguration (1) eines Fahrzeugs der Fahrzeuggattung und von Umgebungsgrößen als Funktion einer zurückgelegten Strecke und/oder einer vergangenen Zeitdauer während eines RDE-Testbetriebs der zu testenden Konfiguration (1), wobei ein Teil {yvar) des ersten Datensatzes {Xvar) ein Betriebs verhalten der zu testenden Konfiguration (1) bei bestimmten Betriebsbedingungen charakterisiert; Recording (101) a first data set {X var ) of measured operating variables of a configuration to be tested (1) of a vehicle of the vehicle type and of environmental variables as a function of a distance covered and / or a past period of time during an RDE test operation of the configuration to be tested ( 1), where a part {y var ) of the first data set {X var ) characterizes an operating behavior of the configuration to be tested (1) under certain operating conditions;
Simulieren (103) eines Betriebsverhaltens einer Basiskonfiguration (2) eines Fahr zeugs der Fahrzeuggattung mittels eines Fahrzeugmodells ( 6base ) der Basiskonfi guration (2), wobei beim Simulieren ein oder mehrere Größen des ersten Daten satzes {Xvar) Eingangsgrößen des Fahrzeugmodells ( 6base ) sind und ein zweiter Datensatz {ybase) wenigstens einer Betriebsgröße der Basiskonfiguration (2) er zeugt wird und wobei der zweite Datensatz {ybase) ein Betriebsverhalten der Ba siskonfiguration (2) bei den bestimmten Betriebsbedingungen charakterisiert; undSimulating (103) an operating behavior of a basic configuration (2) of a vehicle of the vehicle type by means of a vehicle model (6 base ) of the basic configuration (2), with one or more variables of the first data set (X var ) being input variables of the vehicle model (6 base ) and a second data set {y base ) of at least one operating variable of the basic configuration (2) is generated and the second data set {y base ) characterizes an operating behavior of the basic configuration (2) under the specific operating conditions; and
Vergleichen (104) des Betriebsverhaltens der zu testenden Konfiguration (1) mit dem Betriebsverhalten der Basiskonfiguration (2) auf der Grundlage des Teils {yvar) des ersten Datensatzes {Xvar) und des zweiten Datensatzes ( ybase ) Compare (104) the operating behavior of the configuration to be tested (1) with the operating behavior of the basic configuration (2) on the basis of the part {y var ) of the first data set {X var ) and the second data set (y base )
2. Verfahren (100) nach Anspruch 1 , wobei die Größen des aufgezeichneten ersten Datensatzes ( Xvar ), welche beim Simulieren als Eingangsgrößen verwendet wer den, einen Fahrstil und Umgebungsbedingungen charakterisieren. 2. The method (100) according to claim 1, wherein the variables of the recorded first data set (X var ), which are used as input variables in the simulation, characterize a driving style and environmental conditions.
3. Verfahren (100) nach Anspruch 1 oder 2, wobei das Fahrzeugmodell ( 0base ) eine Zuordnungsvorschrift zwischen Betriebsbedingungen, insbesondere Fahrstil und Umgebungsbedingungen, einerseits und dem Betriebsverhalten andererseits auf weist, wobei das Fahrzeugmodell ( 0base ) auf einer Ausgleichsrechnung, insbeson dere einem künstlichen neuronalen Netz oder einem Random-Forest-Algorithmus, bezüglich eines dritten Datensatzes ( Xbase ) beruht, welcher aus mehreren RDE- Testbetrieben mit jeweils unterschiedlichen Betriebsbedingungen resultiert. 3. The method (100) according to claim 1 or 2, wherein the vehicle model (0 base ) has an assignment rule between operating conditions, in particular driving style and ambient conditions, on the one hand and the operating behavior on the other hand, wherein the vehicle model (0 base ) is based on a compensation calculation, in particular an artificial neural network or a random forest algorithm, with regard to a third data set (X base ), which results from several RDE test operations, each with different operating conditions.
4. Verfahren (100) nach einem der vorhergehenden Ansprüche 1 bis 3, wobei auch der zweite Datensatz {ybase) der wenigstens einen Betriebsgröße der Basiskonfi guration (2) als Funktion einer zurückgelegten Strecke und/oder einer vergange nen Zeitdauer aufgezeichnet wird. 4. The method (100) according to any one of the preceding claims 1 to 3, wherein the second data set {y base ) of the at least one operating variable of the basic configuration (2) is recorded as a function of a distance traveled and / or a period of time passed.
5. Verfahren (100) nach einem der vorhergehenden Ansprüche 1 bis 4, des Weiteren den Arbeitsschritt aufweisend: 5. The method (100) according to any one of the preceding claims 1 to 4, further comprising the working step:
Ermitteln (105) einer Kenngröße auf der Grundlage des Vergleichens; und Ausgeben (106) der Kenngröße. Determining (105) a parameter based on the comparison; and outputting (106) the parameter.
6. Verfahren (100) nach einem der vorhergehenden Ansprüche 1 bis 5, wobei die zu testende Konfiguration (1) und die Basiskonfiguration (2) sich durch eine Katalysa tor-Alterung oder eine Befüllung eines Partikelfilters unterscheiden und wobei der zweite Datensatz {ybase) wenigstens Werte einer Emission enthält. 6. The method (100) according to any one of the preceding claims 1 to 5, wherein the configuration to be tested (1) and the basic configuration (2) differ by a catalyst aging or a filling of a particle filter and wherein the second data set {y base ) contains at least values of one emission.
7. Verfahren (100) nach einem der vorhergehenden Ansprüche 1 bis 6, des Weiteren den Arbeitsschritt aufweisend: 7. The method (100) according to any one of the preceding claims 1 to 6, further comprising the working step:
Optimieren (107) der Konfiguration der Fahrzeuggattung auf der Grundlage des Vergleichens oder des Kennwerts. Optimizing (107) the configuration of the vehicle category on the basis of the comparison or the characteristic value.
8. Verfahren (200) zum Trainieren eines Fahrzeugmodells ( 6base ) zum Simulieren ei nes Betriebsverhaltens eines Fahrzeugs, folgende Arbeitsschritte aufweisend:8. Method (200) for training a vehicle model (6 base ) for simulating an operating behavior of a vehicle, comprising the following work steps:
Durchführen (201) von mehreren RDE-Testbetrieben einer einzigen Konfiguration (2) der Fahrzeuggattung, wobei die RDE-Testbetriebe mit jeweils unterschiedlichen Testumgebungen und wenigstens einem Fahrzeug der Konfiguration (2) durchge führt werden; Carrying out (201) a plurality of RDE test operations in a single configuration (2) of the vehicle type, the RDE test operations being carried out with different test environments and at least one vehicle in the configuration (2);
Aufzeichnen (202) eines Datensatzes ( Xbase ) von gemessenen Betriebsgrößen der Konfiguration (2) und Umgebungsgrößen als Funktion einer zurückgelegten Stre cke und/oder einer vergangenen Zeitdauer, wobei ein Teil {ybase) des Datensatzes ( Xbase ) das Betriebsverhalten der Konfiguration in den unterschiedlichen Testum gebungen charakterisiert; Recording (202) a data set (X base ) of measured operating parameters of the configuration (2) and environmental parameters as a function of a distance covered and / or a past period of time, with part (y base ) of the data set (X base ) characterizes the operating behavior of the configuration in the different test environments;
Auswählen (203) von einem Datenbereich (. X'baSe ) aus dem Datensatz ( Xbase ), für welchen eine Korrelation von Betriebsbedingungen, insbesondere Fahrstil und Um gebungsbedingungen, einerseits und dem Betriebsverhalten andererseits feststell bar ist, insbesondere mittels einer statistischen Methode; und Selecting (203) a data area (. X ' baSe ) from the data set (X base ) for which a correlation of operating conditions, in particular driving style and ambient conditions, on the one hand and the operating behavior on the other hand can be determined, in particular by means of a statistical method; and
Trainieren (204) des Fahrzeugmodells ( 0base ) durch Einlesen des ausgewählten Datenbereichs (. X'baSe ) in eine Ausgleichsrechnung, insbesondere ein künstliches neuronales Netz oder ein Random-Forest-Algorithmus, welche die Grundlage für das Fahrzeugmodell ( 6base ) bildet. Training (204) the vehicle model (0 base ) by reading the selected data area (. X ' baSe ) into a compensation calculation, in particular an artificial neural network or a random forest algorithm, which forms the basis for the vehicle model (6 base ).
9. Verfahren (200) nach Anspruch 8, wobei beim Auswählen des Datenbereichs ( X'base ). insbesondere von die Betriebsbedingungen charakterisierenden Größen, eine Feature Selection-Methode, angewendet wird. 9. The method (200) according to claim 8, wherein when selecting the data area (X ' base ). a feature selection method is used in particular for the quantities that characterize the operating conditions.
10. Verfahren (200) nach Anspruch 9, wobei zur Identifikation von Kandidaten-Größen für die Feature Selection-Methode gleitende Beeinflussungsbereiche (w) in dem Datensatz ( Xbase ) gebildet werden, welche auf Korrelationen zwischen Betriebsbe dingungen, insbesondere Fahrstil und Umgebungsbedingungen, einerseits und dem Betriebsverhalten andererseits untersucht werden. 10. The method (200) according to claim 9, wherein for the identification of candidate sizes for the feature selection method, sliding influencing areas (w) are formed in the data set (X base ) which are based on correlations between operating conditions, in particular driving style and environmental conditions, on the one hand and the operating behavior on the other.
11. Verfahren (100; 200) nach einem der Ansprüche 1 bis 10, wobei die Eingangsgrö ßen des Fahrzeugmodells ( 6base ) oder Größen in dem Datenbereich (. X'baSe ) in der Weise ausgewählt sind, dass diese unabhängig von der jeweiligen Konfiguration (1, 2) der Fahrzeuggattung sind. 11. A method (100; 200) according to any one of claims 1 to 10, wherein the Eingangsgrö SEN of the vehicle model (6 base) or sizes are selected in the data area in such a way that this independently of the particular configuration (X 'base.) (1, 2) of the vehicle type.
12. Computerprogramm, das Anweisungen umfasst, welche, wenn sie von einem Computer ausgeführt werden, diesen dazu veranlassen, die Schritte eines Verfah rens gemäß einem der Ansprüche 1 bis 11 auszuführen. 12. A computer program comprising instructions which, when executed by a computer, cause the computer to carry out the steps of a method according to any one of claims 1 to 11.
13. Computer-lesbares Medium, auf dem ein Computerprogramm nach Anspruch 12 gespeichert ist. 13. Computer-readable medium on which a computer program according to claim 12 is stored.
14. System (10) zum Analysieren und/oder Optimieren einer Konfiguration einer Fahr zeuggattung auf der Grundlage eines RDE-Testbetriebs, aufweisend: 14. System (10) for analyzing and / or optimizing a configuration of a vehicle category on the basis of an RDE test operation, comprising:
Sensoren (11) zur Erfassung von Betriebsgrößen einer zu testenden Konfiguration eines Fahrzeugs der Fahrzeuggattung; Sensors (11) for detecting operating variables of a configuration to be tested of a vehicle of the vehicle type;
Datenverarbeitungsmittel (12) zum Aufzeichnen eines ersten Datensatzes (. Xvar ) von Betriebsgrößen einer zu testenden Konfiguration (1 ) eines Fahrzeugs der Fahr zeuggattung und von Umgebungsgrößen als Funktion einer zurückgelegten Stre cke und/oder einer vergangenen Zeitdauer während eines RDE-Testbetriebs der zu testenden Konfiguration (1), wobei ein Teil {yvar) des ersten Datensatzes (. Xvar ) das Betriebsverhalten der zu testenden Konfiguration (1) bei bestimmten Betriebs bedingungen charakterisiert; Data processing means (12) for recording a first data set (. X var ) of operating variables of a configuration to be tested (1) of a vehicle of the vehicle category and of environmental variables as a function of a distance covered and / or a past period of time during an RDE test operation of the to configuration to be tested (1), a part {y var ) of the first data set (. X var ) characterizing the operating behavior of the configuration to be tested (1) under certain operating conditions;
Simulationsmittel (13) zum Simulieren eines Betriebsverhaltens einer Basiskonfi guration (2) eines Fahrzeugs der Fahrzeuggattung mittels eines Fahrzeugmodells (Obase) der Basiskonfiguration (2), wobei beim Simulieren Größen des aufgezeich neten ersten Datensatzes (. Xvar ) Eingangsgrößen des Fahrzeugmodells ( 0base ) sind und ein zweiter Datensatz {ybase) wenigstens einer Betriebsgröße der Ba siskonfiguration (2) erzeugt wird und wobei der zweite Datensatz {ybase) das Be triebsverhalten der Basiskonfiguration (2) bei den bestimmten Betriebsbedingun gen charakterisiert; und Simulation means (13) for simulating an operating behavior of a basic configuration (2) of a vehicle of the vehicle category by means of a vehicle model (O base ) of the basic configuration (2), wherein during the simulation, variables of the recorded first data set (. X var ) are input variables of the vehicle model (0 base ) and a second data set {y base ) of at least one operating variable of the basic configuration (2) is generated and the second data set {y base ) characterizes the operating behavior of the basic configuration (2) under the specific operating conditions; and
Vergleichsmittel (14) zum Vergleichen des Betriebsverhaltens der zu testenden Konfiguration (1) mit dem Betriebsverhalten der Basiskonfiguration (2) auf der Grundlage des Teils {yvar) desersten Datensatzes (. Xvar ) und des zweiten Daten satzes (ybase). Comparison means (14) for comparing the performance of the configuration to be tested (1) with the performance of the basic configuration (2) on the basis of the part {y var ) of the first data set (. X var ) and the second data set (y base ).
PCT/AT2020/060399 2019-11-12 2020-11-12 Method and system for analysing and/or optimizing a configuration of a vehicle type WO2021092639A1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
DE112020004941.8T DE112020004941A5 (en) 2019-11-12 2020-11-12 Method and system for analyzing and/or optimizing a configuration of a type of vehicle

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
ATA50965/2019A AT523093A1 (en) 2019-11-12 2019-11-12 Method and system for analyzing and / or optimizing a configuration of a vehicle type
ATA50965/2019 2019-11-12

Publications (1)

Publication Number Publication Date
WO2021092639A1 true WO2021092639A1 (en) 2021-05-20

Family

ID=73835275

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/AT2020/060399 WO2021092639A1 (en) 2019-11-12 2020-11-12 Method and system for analysing and/or optimizing a configuration of a vehicle type

Country Status (3)

Country Link
AT (1) AT523093A1 (en)
DE (1) DE112020004941A5 (en)
WO (1) WO2021092639A1 (en)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114897271A (en) * 2022-06-14 2022-08-12 郑州轻工业大学 Central air conditioner predictive maintenance method based on fault propagation in digital twin environment
CN115263505A (en) * 2022-08-01 2022-11-01 天津布尔科技有限公司 Vehicle NOX emission prediction method and device and storage medium
CN116424332A (en) * 2023-04-10 2023-07-14 重庆大学 Energy management strategy enhancement updating method for deep reinforcement learning type hybrid electric vehicle
CN116971881A (en) * 2023-09-20 2023-10-31 无锡映诺汽车科技有限公司 Internal combustion engine management method and system based on digital twin technology

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016170063A1 (en) * 2015-04-21 2016-10-27 Avl List Gmbh Method and device for the model-based optimization of a technical apparatus
DE102017218476A1 (en) * 2017-10-16 2019-04-18 Robert Bosch Gmbh Method and device for determining emissions
DE102018201933A1 (en) * 2018-02-07 2019-08-08 Avl List Gmbh Method and system for analyzing at least one device of a unit which has a plurality of different devices

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016170063A1 (en) * 2015-04-21 2016-10-27 Avl List Gmbh Method and device for the model-based optimization of a technical apparatus
DE102017218476A1 (en) * 2017-10-16 2019-04-18 Robert Bosch Gmbh Method and device for determining emissions
DE102018201933A1 (en) * 2018-02-07 2019-08-08 Avl List Gmbh Method and system for analyzing at least one device of a unit which has a plurality of different devices
WO2019153026A1 (en) 2018-02-07 2019-08-15 Avl List Gmbh Method and system for analyzing at least one device of a unit that has a plurality of different devices

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
G. KENDALL: "The treatment of ties in ranking problems", BIOMETRIKA, vol. 33, no. 3, 1945, pages 239 - 251
K. L. LAWRENCE: "A Concordance Correlation Coefficient to Evaluate Reproducibility", BIOMETRICS, vol. 45, no. 1, 1989, pages 255 - 268
RAND R.: "Lehrbuch Wilcox", 2003, ELSEVIER, article "Applying contemporary Statistical techniques"
Y. BENJAMINID. YEKUTIELI: "The Control of the False Discovery Rate in Multiple Testing ander Dependency", THE ANNALS OF STATISTICS, vol. 29, no. 4, 2001, pages 1165 - 1188, XP055720957, DOI: 10.1214/aos/1013699998

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114897271A (en) * 2022-06-14 2022-08-12 郑州轻工业大学 Central air conditioner predictive maintenance method based on fault propagation in digital twin environment
CN115263505A (en) * 2022-08-01 2022-11-01 天津布尔科技有限公司 Vehicle NOX emission prediction method and device and storage medium
CN116424332A (en) * 2023-04-10 2023-07-14 重庆大学 Energy management strategy enhancement updating method for deep reinforcement learning type hybrid electric vehicle
CN116424332B (en) * 2023-04-10 2023-11-21 重庆大学 Energy management strategy enhancement updating method for deep reinforcement learning type hybrid electric vehicle
CN116971881A (en) * 2023-09-20 2023-10-31 无锡映诺汽车科技有限公司 Internal combustion engine management method and system based on digital twin technology
CN116971881B (en) * 2023-09-20 2023-12-05 无锡映诺汽车科技有限公司 Internal combustion engine management method and system based on digital twin technology

Also Published As

Publication number Publication date
DE112020004941A5 (en) 2022-07-28
AT523093A1 (en) 2021-05-15

Similar Documents

Publication Publication Date Title
WO2021092639A1 (en) Method and system for analysing and/or optimizing a configuration of a vehicle type
EP3374748B1 (en) Method to generate a test sequence
EP0846945A2 (en) Procedure for analysing the driving behaviour of vehicles
AT518677B1 (en) Method for creating an analysis data set
EP3540403B1 (en) Method for carrying out a test of a device under test
DE112008001654T5 (en) System and method for virtual sensors
DE102017218476A1 (en) Method and device for determining emissions
EP3268713B1 (en) Method for generating a model ensemble for calibrating a control device
AT520827B1 (en) A method of determining a vehicle parameter of a vehicle record of a vehicle and using the vehicle parameter on a test bench
DE102019114378A1 (en) METHOD AND SYSTEM FOR PREDICTING THE SYSTEM STATUS
DE102008057494A1 (en) Emission model determining method for internal combustion engine in motor vehicle, involves determining number of representative main components and determining and storing transformation matrix in controller
EP2088486A1 (en) Method for measuring a non-linear dynamic real system using design of experiment
DE4434197C2 (en) Diagnostic technology for the operation of an exhaust gas oxygen sensor
DE102017106943A1 (en) Method and arrangement for simulating driving tests
AT523850A4 (en) Computer-aided method and device for probability-based speed prediction for vehicles
DE102008004218B4 (en) Procedure for determining the dynamic soot emission
AT506339B1 (en) METHOD FOR THE DYNAMIC TOTIME COMPENSATION OF THE EXHAUST GAS CONCENTRATION
WO2018177526A1 (en) Robustness analysis for vehicles
EP3942372B1 (en) Method for validating system parameters of an energy system, method for operating an energy system, and energy management system for an energy system
DE102020127609A1 (en) SYSTEM FOR PREDICTING EMISSIONS OF AN ENGINE
EP1246034B1 (en) Method for analyzing and estimating measurement values of an open inspection system
EP3851656B1 (en) Method and device for evaluating measured values determined during the actual operation of a vehicle
DE102017205437A1 (en) Robustness analysis in vehicles
DE102021115103B3 (en) Method, device, vehicle and computer program for modeling and monitoring a heating behavior of a vehicle component
AT1748U1 (en) METHOD FOR ASSESSING THE DRIVABILITY OF VEHICLES

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: 20824425

Country of ref document: EP

Kind code of ref document: A1

REG Reference to national code

Ref country code: DE

Ref legal event code: R225

Ref document number: 112020004941

Country of ref document: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20824425

Country of ref document: EP

Kind code of ref document: A1