WO2021104575A1 - Verfahren zur steuerung oder regelung einer klimatisierung eines fahrzeugs - Google Patents

Verfahren zur steuerung oder regelung einer klimatisierung eines fahrzeugs Download PDF

Info

Publication number
WO2021104575A1
WO2021104575A1 PCT/DE2020/100995 DE2020100995W WO2021104575A1 WO 2021104575 A1 WO2021104575 A1 WO 2021104575A1 DE 2020100995 W DE2020100995 W DE 2020100995W WO 2021104575 A1 WO2021104575 A1 WO 2021104575A1
Authority
WO
WIPO (PCT)
Prior art keywords
vehicle
neural network
artificial neural
signal
type
Prior art date
Application number
PCT/DE2020/100995
Other languages
English (en)
French (fr)
Inventor
Christian MÄRZ
Alexander Oberneyer
Thea Denell
Duc NGUYEN VIET
Rodrigo Villavicencio Sanchez
Martin Noltemeyer
Thomas Wysocki
Christine Susanne Junior
Original Assignee
Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr
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 Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr filed Critical Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr
Publication of WO2021104575A1 publication Critical patent/WO2021104575A1/de

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60H—ARRANGEMENTS OF HEATING, COOLING, VENTILATING OR OTHER AIR-TREATING DEVICES SPECIALLY ADAPTED FOR PASSENGER OR GOODS SPACES OF VEHICLES
    • B60H1/00—Heating, cooling or ventilating [HVAC] devices
    • B60H1/00642—Control systems or circuits; Control members or indication devices for heating, cooling or ventilating devices
    • B60H1/0073—Control systems or circuits characterised by particular algorithms or computational models, e.g. fuzzy logic or dynamic models
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D23/00—Control of temperature
    • G05D23/19—Control of temperature characterised by the use of electric means
    • G05D23/1917—Control of temperature characterised by the use of electric means using digital means
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Definitions

  • the invention relates to a method for controlling or regulating air conditioning of a vehicle according to the preamble of claim 1.
  • Air conditioning of a vehicle can include the following components:
  • These sensors measure, for example, the outside temperature or ambient temperature of the vehicle, the solar radiation on the vehicle, the vehicle interior temperature, the humidity inside the vehicle and / or the humidity outside the vehicle.
  • actuators influence the vehicle condition by changing, for example, the voltage of the fan, the speed of the fan, the temperature of the exhaust air from the fan, the relative amount of air flowing into the footwell of the vehicle and / or the relative amount of air flowing under the windshield .
  • Control units or devices for calculating the variables for influencing the vehicle condition • Control units or devices for calculating the variables for influencing the vehicle condition.
  • Measurements from the sensors are forwarded to these control units.
  • the process for air conditioning the vehicle then runs on this control unit and supplies the manipulated variables for the actuators.
  • the control unit then sends these manipulated variables to the actuators.
  • a current parameterization of the air conditioning of a vehicle is extremely complex, since specially converted test vehicles are used for which the parameterization is carried out.
  • Test drives are carried out with this test vehicle. These test drives are relatively complex and can take several weeks or months.
  • measurement data are recorded that describe the climate behavior of the surroundings and the interior of the vehicle.
  • the measurement data include, for example, the outside temperature or ambient temperature of the vehicle, the solar radiation on the vehicle, the
  • Vehicle interior temperature, the humidity inside the vehicle and / or the humidity outside the vehicle Vehicle interior temperature, the humidity inside the vehicle and / or the humidity outside the vehicle.
  • the measurement data form the basis for parameterizing the vehicle.
  • the air conditioning of a vehicle is parameterized.
  • Functions for generating the control variables are created manually in the form of modeling, definition of characteristic curves and filtering with the aid of software-based control functions, for example so-called PID controllers.
  • Test drives are carried out again during the parameterization of the air conditioning. During these test drives, the behavior of the air conditioning is evaluated and it is checked whether it meets the requirements for the air conditioning, otherwise the parameters are adjusted again.
  • DE 102014007303 A1 describes a method for controlling or regulating at least one device which is part of a cooling system of a vehicle, in particular a commercial vehicle, and / or which influences the energy efficiency of vehicle operation.
  • a neural operating unit for regulating or controlling the device, the neural operating unit being set up by means of an artificial neural network to determine a control value of the device as an output value as a function of transmitted values of several input variables.
  • the input variables include at least a fluid temperature of the cooling system and a topography of a route section of the vehicle ahead.
  • the nodes of the artificial neural network based on a correlation between the values of the input variables and the output values are specified.
  • the correlation is determined by optimizing a total energy consumption of the vehicle in the route section ahead and / or a driveability of the vehicle without heating-related power throttling in the route section ahead.
  • the invention is based on the object of providing a method for controlling or regulating air conditioning of a vehicle with an improved expenditure of time.
  • the invention is achieved by a method according to claim 1.
  • the method according to the invention for controlling or regulating air conditioning of a vehicle comprises three artificial neural networks.
  • At least one neuron of an input layer of a first artificial neural network receives at least one first vehicle-type-specific signal as an input signal.
  • a signal can be stored in different names and in one or more vehicle-type-specific signals.
  • the outside temperature can be stored in two individual signals for a first vehicle manufacturer and / or type and in four individual signals with different names for a second vehicle manufacturer and / or type.
  • the first vehicle-type-specific signal can include values measured in the vehicle, to which current values and recordings of time courses can be counted. Furthermore, the first vehicle-type-specific signal can contain data that are received by means of what is known as a cloud infrastructure, for example the reading of weather data from an Internet database.
  • data can represent first vehicle-type-specific signals that are received by means of what is known as Car-2-x communication, for example weather data or other data relevant for air conditioning.
  • At least one neuron of an output layer of the first artificial neural network outputs at least one first signal, which is independent of the vehicle type, as an output signal.
  • the first artificial neural network obtains information from the first vehicle-type-specific signals which is independent of the vehicle type and which is relevant to the method according to the invention.
  • the first artificial neural network can be referred to as an encoder.
  • the first artificial neural network includes at least one hidden layer.
  • the first artificial neural network can be vehicle type-specific and learned separately for each vehicle type.
  • first vehicle-type-specific signals which also include the aforementioned cloud and car-2-x data, are recorded for each specific vehicle, for example during a test drive in the vehicle with a suitable program / Tool for recording measurement data, or alternatively with a model, synthetic data can be generated for each vehicle type.
  • an auto-encoder is learned, which can generate compression and restoration of the first vehicle-type-specific signals.
  • At least one neuron of an input layer of a second artificial neural network receives the at least one first signal, which is independent of the vehicle type, as an input signal.
  • At least one neuron of an output layer of the second artificial neural network outputs at least one second vehicle-type-independent signal as an output signal, which was determined by means of matrix multiplication and / or matrix addition and transformation by linear or non-linear activation functions.
  • the second artificial neural network includes at least one hidden layer.
  • the second artificial neural network can only be learned for a subset of all existing vehicle types.
  • the subset can also be just a single, first vehicle type.
  • At least one neuron of an input layer of a third artificial neural network receives the at least one second signal, which is independent of the vehicle type, as an input signal.
  • At least one neuron of an output layer of the third artificial neural network outputs at least one second vehicle-type-specific signal as an output signal.
  • the third artificial neural network converts the second vehicle-type-independent signals into second vehicle-type-specific signals.
  • the second vehicle-type-specific signals are present in a name designation of the respective vehicle manufacturer and / or type.
  • the third artificial neural network can be referred to as a decoder.
  • the third artificial neural network includes at least one hidden layer.
  • the third artificial neural network can be vehicle type-specific and learned separately for each vehicle type.
  • the learning takes place by means of an autoencoder, which can generate a compression and restoration of second vehicle-type-specific signals.
  • the first artificial neural network, the second artificial neural network and the third artificial neural network can be self-learning and adapt their initial weights and parameterizations on the basis of a target function.
  • the first artificial neural network, the second artificial neural network and the third artificial neural network can be learned together (end-to-end).
  • the first artificial neural network is then individually trained for each vehicle different from the first vehicle.
  • the third artificial neural network is then individually trained for each vehicle different from the first vehicle.
  • the first artificial neural network, the second artificial neural network and the third artificial neural network are then learned together (end-to-end).
  • the air conditioning of the vehicle is controlled or regulated by means of the at least one second signal specific to the vehicle type.
  • the second vehicle-type-specific signal can be, for example, the target voltage and / or the target speed of a blower, the target vehicle interior temperature, the target exhaust air temperature and / or the target position of a recirculation flap.
  • a knowledge transfer from a first vehicle manufacturer and / or type to a second or further vehicle manufacturer and / or type different from the first vehicle manufacturer is possible by means of the method according to the invention.
  • test drives are carried out.
  • measurement data are recorded that describe the climate behavior of the surroundings and the interior of the vehicle.
  • the first difference to the known procedures is in this step.
  • Functions for generating the controlled variables, defining characteristics and filtering with the aid of software-based control functions are not generated manually, but the first artificial neural network, the second artificial neural network and the third artificial neural network are trained automatically.
  • This automated training is less time-consuming compared to the manual generation of functions.
  • Fig. A schematic block diagram of a method according to the invention for
  • the figure shows a method according to the invention for controlling or regulating air conditioning of a vehicle.
  • At least one first vehicle-type-specific signal 1 forms an input signal for a first artificial neural network 2.
  • An output signal of the first artificial neural network 2 is at least one first signal 3 that is independent of the vehicle type.
  • the number of first vehicle-type-independent signals 3 that form the output signal of the first artificial neural network 2 corresponds to the number of first vehicle-type-independent signals 3 that form the input signal of the second artificial neural network 4.
  • first vehicle-type-independent signals 3 form the output signal of the first artificial neural network 2
  • these two first vehicle-type-independent signals 3 also form the input signal of the second artificial neural network 4.
  • An output signal of the second artificial neural network 4 is at least one second signal 5 that is independent of the vehicle type.
  • the number of second vehicle-type-independent signals 5 which form the output signal of the second artificial neural network 4 corresponds to the number of second vehicle-type-independent signals 5 which form the input signal of the third artificial neural network 6.
  • An output signal of the third artificial neural network 6 is at least one second vehicle-type-specific signal 7.
  • the air conditioning of the vehicle is controlled or regulated by means of the at least one second signal 7 specific to the vehicle type.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Fuzzy Systems (AREA)
  • Thermal Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Air-Conditioning For Vehicles (AREA)
  • Feedback Control In General (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Steuerung oder Regelung einer Klimatisierung eines Fahrzeugs. Mindestens ein Neuron einer Eingangsschicht eines ersten künstlichen neuronalen Netzes (2) empfängt mindestens ein erstes fahrzeugtypspezifisches Signal (1) als Eingangssignal. Mindestens ein Neuron einer Ausgangsschicht des ersten künstlichen neuronalen Netzes (2) gibt mindestens ein erstes fahrzeugtypunabhängiges Signal (3) als Ausgangssignal aus. Mindestens ein Neuron einer Eingangsschicht eines zweiten künstlichen neuronalen Netzes (4) empfängt das mindestens eine erste fahrzeugtypunabhängige Signal (3) als Eingangssignal. Mindestens ein Neuron einer Ausgangsschicht des zweiten künstlichen neuronalen Netzes (4) gibt mindestens ein zweites fahrzeugtypunabhängiges Signal (5) als Ausgangssignal aus. Mindestens ein Neuron einer Eingangsschicht eines dritten künstlichen neuronalen Netzes (6) empfängt das mindestens eine zweite fahrzeugtypunabhängige Signal (5) als Eingangssignal. Mindestens ein Neuron einer Ausgangsschicht des dritten künstlichen neuronalen Netzes (6) gibt mindestens ein zweites fahrzeugtypspezifisches Signal (7) als Ausgangssignal aus. Die Steuerung oder Regelung der Klimatisierung des Fahrzeugs erfolgt mittels des mindestens einen zweiten fahrzeugtypspezifischen Signals (7).

Description

Verfahren zur Steuerunq oder Reqelunq einer Klimatisierunq eines Fahrzeuqs
Technisches Gebiet
Die Erfindung betrifft ein Verfahren zur Steuerung oder Regelung einer Klimatisierung eines Fahrzeugs gemäß dem Oberbegriff des Anspruchs 1.
Stand der Technik
Eine Klimatisierung eines Fahrzeugs kann nachfolgende Bestandteile umfassen:
• Ein Verfahren zur Klimatisierung eines Fahrzeugs.
Dies ist eine Reihe von Funktionen, die aus Messungen des Fahrzeugzustands, Größen zur Beeinflussung des Fahrzeugzustands ableiten.
Diese Reihe von Funktionen ist häufig in Form von Modellbildung, Definition von Kennlinien und Filterungen unter zu Hilfenahme von softwarebasierten Regelungsfunktionen, beispielsweise sog. PID-Regler, erstellt.
• Sensoren bzw. Vorrichtungen zur Messung des Fahrzeugzustands.
Diese Sensoren messen beispielsweise die Außentemperatur bzw. Umgebungstemperatur des Fahrzeugs, die Sonneneinstrahlung auf das Fahrzeug, die Fahrzeuginnenraumtemperatur, die Luftfeuchtigkeit innerhalb des Fahrzeugs und/oder die Luftfeuchtigkeit außerhalb des Fahrzeugs.
• Aktuatoren bzw. Vorrichtungen zur Beeinflussung des Fahrzeugzustands.
Diese Aktuatoren beeinflussen den Fahrzeugzustand durch Änderung von beispielsweise der Spannung des Gebläses, der Drehzahl des Gebläses, der Temperatur der Abluft des Gebläses, der relativen Luftmenge, die in den Fußraum des Fahrzeugs strömt, und/oder der relativen Luftmenge, die unter die Frontscheibe strömt.
• Steuergeräte bzw. Vorrichtungen zur Berechnung der Größen zur Beeinflussung des Fahrzeugzustands.
Messungen der Sensoren werden an diese Steuergeräte weitergeleitet.
Auf diesem Steuergerät läuft dann das Verfahren zur Klimatisierung des Fahrzeugs und liefert die Stellgrößen für die Aktuatoren.
Das Steuergerät sendet dann diese Stellgrößen an die Aktuatoren.
Eine derzeitige Parametrisierung einer Klimatisierung eines Fahrzeugs ist äußerst aufwendig, da speziell umgebaute Versuchsfahrzeuge genutzt werden, für die die Parametrisierung durchgeführt wird.
Mit diesem Versuchsfahrzeug werden Testfahrten durchgeführt. Diese Testfahrten sind relativ aufwendig und können mehrere Wochen oder Monate andauern.
Bei den Testfahrten werden Messdaten aufgenommen, die das Klimaverhalten der Umgebung und des Innenraums des Fahrzeugs beschreiben.
Die Messdaten beinhalten beispielsweise die Außentemperatur bzw. Umgebungstemperatur des Fahrzeugs, die Sonneneinstrahlung auf das Fahrzeug, die
Fahrzeuginnenraumtemperatur, die Luftfeuchtigkeit innerhalb des Fahrzeugs und/oder die Luftfeuchtigkeit außerhalb des Fahrzeugs.
Die Messdaten bilden die Grundlage zur Parametrisierung des Fahrzeugs.
Nachdem die Testfahrten durchgeführt und die Messdaten aufgenommen sind, erfolgt eine Parametrisierung einer Klimatisierung eines Fahrzeugs.
Es werden hierbei manuell Funktionen zur Erzeugung der Regelgrößen, beispielsweise die Innenraumtemperatur oder die Spannung des Innenraumgebläses, in Form von Modellbildung, Definition von Kennlinien und Filterungen unter Zuhilfenahme von softwarebasierten Regelungsfunktionen, beispielsweise sog. PID-Regler, erstellt.
Während der Parametrisierung der Klimatisierung werden erneut Testfahrten durchgeführt. Bei diesen Testfahrten wird das Verhalten der Klimatisierung evaluiert sowie geprüft, ob es den Anforderungen an die Klimatisierung gerecht wird, andernfalls werden erneute Anpassungen der Parametrisierung durchgeführt.
Der beschriebene Ablauf muss für jeden neuen Fahrzeugtyp komplett von vorne durchgeführt werden.
Es kann dabei kein Wissenstransfer zur Klimatisierung eines neuen Fahrzeugtyps gespeichert werden.
Die DE 102014007303 A1 beschreibt ein Verfahren zur Steuerung oder Regelung wenigstens einer Vorrichtung, die Teil eines Kühlsystems eines Fahrzeugs, insbesondere eines Nutzfahrzeugs, ist und/oder die eine Energieeffizienz eines Fahrzeugbetriebs beeinflusst.
Eine neuronale Operationseinheit wird zur Regelung oder Steuerung der Vorrichtung bereitgestellt, wobei die neuronale Operationseinheit mittels eines künstlichen neuronalen Netzes eingerichtet ist, einen Stellwert der Vorrichtung als Ausgangswert in Abhängigkeit von übermittelten Werten mehrerer Eingangsgrößen zu bestimmen.
Die Eingangsgrößen umfassen wenigstens eine Fluidtemperatur des Kühlsystems und eine Topographie eines vorausliegenden Fahrtroutenabschnitts des Fahrzeugs.
Die Knoten des künstlichen neuronalen Netzes basierend auf einer Korrelation zwischen den Werten der Eingangsgrößen und den Ausgangswerten werden vorgegeben. Die Korrelation wird durch Optimierung eines summarischen Energieverbrauchs des Fahrzeugs im vorausliegenden Fahrtroutenabschnitt und/oder einer Fahrfähigkeit des Fahrzeugs ohne erwärmungsbedingte Leistungsdrosselung im vorausliegenden Fahrtroutenabschnitt bestimmt.
Aufgabe der Erfindung
Der Erfindung liegt die Aufgabe zugrunde, ein Verfahren zur Steuerung oder Regelung einer Klimatisierung eines Fahrzeugs mit einem verbesserten Zeitaufwand bereitzustellen.
Lösung der Aufgabe
Die Erfindung wird durch ein Verfahren gemäß Anspruch 1 gelöst.
Vorteile der Erfindung
Das erfindungsgemäße Verfahren zur Steuerung oder Regelung einer Klimatisierung eines Fahrzeugs umfasst drei künstliche neuronale Netze.
Mindestens ein Neuron einer Eingangsschicht eines ersten künstlichen neuronalen Netzes empfängt mindestens ein erstes fahrzeugtypspezifisches Signal als Eingangssignal.
Je nach Fahrzeugtyp kann ein Signal in unterschiedlichen Namensbezeichnungen sowie in einem oder mehreren fahrzeugtypspezifischen Signalen gespeichert werden.
Beispielsweise kann die Außentemperatur bei einem ersten Fahrzeughersteller und/oder - typ in zwei einzelnen Signalen und bei einem zweiten Fahrzeughersteller und/oder -typ in vier einzelnen Signalen mit unterschiedlicher Namensbezeichnung gespeichert werden.
Das erste fahrzeugtypspezifische Signal kann im Fahrzeug gemessene Werte umfassen, zu denen aktuelle Werte und Aufzeichnungen von Zeitverläufen gezählt werden können. Weiterhin kann das erste fahrzeugtypspezifische Signal Daten beinhalten, die mittels einer sog. Cloudinfrastruktur empfangen werden, beispielsweise das Lesen von Wetterdaten aus einer Internetdatenbank.
Zudem können Daten erste fahrzeugtypspezifische Signale darstellen, die mittels einer sog. Car-2-x-Kommunikation empfangen werden, beispielsweise Wetterdaten oder weitere für eine Klimatisierung relevante Daten.
Mindestens ein Neuron einer Ausgangsschicht des ersten künstlichen neuronalen Netzes gibt mindestens ein erstes fahrzeugtypunabhängiges Signal als Ausgangssignal aus. Das erste künstliche neuronale Netz gewinnt aus den ersten fahrzeugtypspezifischen Signalen Informationen, die fahrzeugtypunabhängig und für das erfindungsgemäße Verfahren relevant sind.
In diesem Sinne kann das erste künstliche neuronale Netz als Kodierer (engl. Encoder) bezeichnet werden.
Das erste künstliche neuronale Netz umfasst neben der Eingangs- und Ausgangsschicht mindestens eine verdeckte Schicht.
Das erste künstliche neuronale Netz kann fahrzeugtypspezifisch sein und für jeden Fahrzeugtyp getrennt gelernt werden.
Für das Anlernen des ersten künstlichen neuronalen Netzes ist erforderlich, dass erste fahrzeugtypspezifische Signale, welche auch zuvor genannte Cloud- und Car-2-x-Daten umfassen, für jedes spezifische Fahrzeug aufgenommen werden, beispielsweise während einer Testfahrt im Fahrzeug mit einem geeigneten Programm/Tool zum Aufzeichnen von Messdaten, oder alternativ mit einem Modell synthetische Daten für jeden Fahrzeugtyp erzeugt werden.
Mit diesen ersten fahrzeugtypspezifischen Signalen wird ein Autoencoder angelernt, welcher eine Kompression und eine Wiederherstellung der ersten fahrzeugtypspezifischen Signale erzeugen kann.
Von diesem Autoencoder wird nur der Kompressionsteil als erstes künstliches neuronales Netz / Encoder beibehalten.
Mindestens ein Neuron einer Eingangsschicht eines zweiten künstlichen neuronalen Netzes empfängt das mindestens eine erste fahrzeugtypunabhängige Signal als Eingangssignal.
Mindestens ein Neuron einer Ausgangsschicht des zweiten künstlichen neuronalen Netzes gibt mindestens ein zweites fahrzeugtypunabhängiges Signal als Ausgangssignal aus, welches mittels Matrizenmultiplikation, und/oder Matrizenaddition und Transformation durch lineare oder nichtlineare Aktivierungsfunktionen ermittelt wurde.
Das zweite künstliche neuronale Netz umfasst neben der Eingangs- und Ausgangsschicht mindestens eine verdeckte Schicht.
Das zweite künstliche neuronale Netz kann nur für eine Untermenge aller vorhandenen Fahrzeugtypen angelernt werden.
Die Untermenge kann auch nur ein einzelner, erster Fahrzeugtyp sein. Mindestens ein Neuron einer Eingangsschicht eines dritten künstlichen neuronalen Netzes empfängt das mindestens eine zweite fahrzeugtypunabhängige Signal als Eingangssignal.
Mindestens ein Neuron einer Ausgangsschicht des dritten künstlichen neuronalen Netzes gibt mindestens ein zweites fahrzeugtypspezifisches Signal als Ausgangssignal aus.
Das dritte künstliche neuronale Netz wandelt die zweiten fahrzeugtypunabhängigen Signale in zweite fahrzeugtypspezifische Signale um.
Die zweiten fahrzeugtypspezifischen Signale liegen in einer Namensbezeichnung des jeweiligen Fahrzeugherstellers und/oder -typs vor.
In diesem Sinne kann das dritte künstliche neuronale Netz als Dekodierer (engl. Decoder) bezeichnet werden.
Das dritte künstliche neuronale Netz umfasst neben der Eingangs- und Ausgangsschicht mindestens eine verdeckte Schicht.
Das dritte künstliche neuronale Netz kann fahrzeugtypspezifisch sein und für jeden Fahrzeugtyp getrennt gelernt werden.
Das Anlernen erfolgt mittels eines Autoencoders, der eine Kompression und Wiederherstellung von zweiten fahrzeugtypspezifischen Signalen erzeugen kann.
Von diesem Autoencoder wird nur der Wederherstellungsteil als drittes künstliches neuronales Netz / Decoder beibehalten.
Das erste künstliche neuronale Netz, das zweite künstliche neuronale Netz und das dritte künstliche neuronale Netz können selbstlernend sein und ihre initialen Gewichte und Parametrisierungen anhand einer Zielfunktion anpassen.
Für ein erstes Fahrzeug können das erste künstliche neuronale Netz, das zweite künstliche neuronale Netz und das dritte künstliche neuronale Netz gemeinsam angelernt (Ende-zu- Ende) werden.
Das erste künstliche neuronale Netz wird anschließend für jedes vom ersten Fahrzeug verschiedene Fahrzeug einzeln angelernt.
Das dritte künstliche neuronale Netz wird anschließend für jedes vom ersten Fahrzeug verschiedene Fahrzeug einzeln angelernt.
Daran anschließend werden das erste künstliche neuronale Netz, das zweite künstliche neuronale Netz und das dritte künstliche neuronale Netz gemeinsam angelernt (Ende-zu- Ende). Die Steuerung oder Regelung der Klimatisierung des Fahrzeugs erfolgt mittels des mindestens einen zweiten fahrzeugtypspezifischen Signals.
Das zweite fahrzeugtypspezifische Signal kann beispielsweise die Soll-Spannung und/oder die Soll-Drehzahl eines Gebläses, die Soll-Fahrzeuginnenraumtemperatur, die Soll- Ablufttemperatur und/oder die Soll-Position einer Umluftklappe sein.
Mittels des erfindungsgemäßen Verfahrens ist ein Wissenstransfer von einem ersten Fahrzeughersteller und/oder -typ zu einem von dem ersten Fahrzeughersteller verschiedenen zweiten oder weiteren Fahrzeughersteller und/oder -typ möglich.
Für einen ersten Fahrzeughersteller und/oder -typ ist einmalig ein mit dem im Stand der Technik beschriebenen Vorgehen vergleichbarer umfangreicher Aufwand durchzuführen. D.h. es werden Testfahrten durchgeführt.
Während der Testfahrten werden Messdaten aufgenommen, die das Klimaverhalten der Umgebung und des Innenraums des Fahrzeugs beschreiben.
Der erste Unterschied zu den bekannten Verfahren ist in diesem Schritt.
Es werden nicht manuell Funktionen zur Erzeugung der Regelgrößen, Definition von Kennlinien und Filterungen unter Zuhilfenahme von softwarebasierten Regelungsfunktionen erzeugt, sondern das erste künstliche neuronale Netz, das zweite künstliche neuronale Netz und das dritte künstliche neuronale Netz werden automatisiert trainiert.
Hieraus resultiert eine für den Fahrzeughersteller und/oder -typ parametrisierte Klimatisierung.
Dieses automatisierte Trainieren ist weniger zeitlich aufwendig im Vergleich zu einer manuellen Erzeugung von Funktionen.
Zeichnung
Es zeigt:
Fig. : ein schematisiertes Blockschaltbild eines erfindungsgemäßen Verfahrens zur
Steuerung oder Regelung einer Klimatisierung eines Fahrzeugs.
Die Figur zeigt ein erfindungsgemäßes Verfahren zur Steuerung oder Regelung einer Klimatisierung eines Fahrzeugs.
Mindestens ein erstes fahrzeugtypspezifisches Signal 1 bildet ein Eingangssignal für ein erstes künstliches neuronales Netz 2. Ein Ausgangssignal des ersten künstlichen neuronalen Netzes 2 ist mindestens ein erstes fahrzeugtypunabhängiges Signal 3.
Das mindestens eine erste fahrzeugtypunabhängige Signal 3 bildet ein Eingangssignal für ein zweites künstliches neuronales Netz 4.
Die Anzahl der ersten fahrzeugtypunabhängigen Signale 3, die das Ausgangssignal des ersten künstlichen neuronalen Netzes 2 bilden, stimmt mit der Anzahl der ersten fahrzeugtypunabhängigen Signale 3 überein, die das Eingangssignal des zweiten künstlichen neuronalen Netzes 4 bilden.
Bilden beispielsweise zwei erste fahrzeugtypunabhängige Signale 3 das Ausgangssignal des ersten künstlichen neuronales Netzes 2, so bilden diese zwei ersten fahrzeugtypunabhängigen Signale 3 auch das Eingangssignal des zweiten künstlichen neuronalen Netzes 4.
Ein Ausgangsignal des zweiten künstlichen neuronalen Netzes 4 ist mindestens ein zweites fahrzeugtypunabhängiges Signal 5.
Das mindestens eine zweite fahrzeugtypunabhängige Signal 5 bildet das Eingangssignal für ein drittes künstliches neuronales Netz 6.
Die Anzahl der zweiten fahrzeugtypunabhängigen Signale 5, die das Ausgangssignal des zweiten künstlichen neuronalen Netzes 4 bilden, stimmt mit der Anzahl der zweiten fahrzeugtypunabhängigen Signale 5 überein, die das Eingangssignal des dritten künstlichen neuronalen Netzes 6 bilden.
Bilden beispielsweise vier zweite fahrzeugtypunabhängige Signale 5 das Ausgangssignal des zweiten künstlichen neuronales Netzes 4, so bilden diese vier zweiten fahrzeugtypunabhängigen Signale 5 auch das Eingangssignal des dritten künstlichen neuronalen Netzes 6.
Ein Ausgangssignal des dritten künstlichen neuronalen Netzes 6 ist mindestens ein zweites fahrzeugtypspezifisches Signal 7.
Die Steuerung oder Regelung der Klimatisierung des Fahrzeugs erfolgt mittels des mindestens einen zweiten fahrzeugtypspezifischen Signals 7. Bezugszeichenliste
1 Erstes fahrzeugtypspezifisches Signal
2 Erstes künstliches neuronales Netz
3 Erstes fahrzeugtypunabhängiges Signal
4 Zweites künstliches neuronales Netz
5 Zweites fahrzeugtypunabhängiges Signal
6 Drittes künstliches neuronales Netz 7 Zweites fahrzeugtypspezifisches Signal

Claims

Ansprüche
1. Verfahren zur Steuerung oder Regelung einer Klimatisierung eines Fahrzeugs, dadurch gekennzeichnet, dass a. mindestens ein Neuron einer Eingangsschicht eines ersten künstlichen neuronalen Netzes (2) mindestens ein erstes fahrzeugtypspezifisches Signal (1) als Eingangssignal empfängt; b. mindestens ein Neuron einer Ausgangsschicht des ersten künstlichen neuronalen Netzes (2) mindestens ein erstes fahrzeugtypunabhängiges Signal (3) als Ausgangssignal ausgibt; c. mindestens ein Neuron einer Eingangsschicht eines zweiten künstlichen neuronalen Netzes (4) das mindestens eine erste fahrzeugtypunabhängige Signal (3) als Eingangssignal empfängt; d. mindestens ein Neuron einer Ausgangsschicht des zweiten künstlichen neuronalen Netzes (4) mindestens ein zweites fahrzeugtypunabhängiges Signal (5) als Ausgangssignal ausgibt; e. mindestens ein Neuron einer Eingangsschicht eines dritten künstlichen neuronalen Netzes (6) das mindestens eine zweite fahrzeugtypunabhängige Signal (5) als Eingangssignal empfängt; f. mindestens ein Neuron einer Ausgangsschicht des dritten künstlichen neuronalen Netzes (6) mindestens ein zweites fahrzeugtypspezifisches Signal (7) als Ausgangssignal ausgibt; g. die Steuerung oder Regelung der Klimatisierung des Fahrzeugs mittels des mindestens einen zweiten fahrzeugtypspezifischen Signals (7) erfolgt.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das erste künstliche neuronale Netz (2) für jeden Fahrzeugtyp getrennt gelernt wird.
3. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das dritte künstliche neuronale Netz (6) für jeden Fahrzeugtyp getrennt gelernt wird.
4. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das erste künstliche neuronale Netz (2), das zweite künstliche neuronale Netz (4) und das dritte künstliche neuronale Netz (6) selbstlernend sind.
5. Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass initiale Gewichte und Parametrisierungen des ersten künstlichen neuronalen Netzes (2), des zweiten künstlichen neuronalen Netzes (4) und des dritten künstlichen neuronalen Netzes (6) anhand einer Zielfunktion angepasst werden.
6. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das erste künstliche neuronale Netz (2), das zweite künstliche neuronale Netz (4) und das dritte künstliche neuronale Netz (6) gemeinsam angelernt werden.
PCT/DE2020/100995 2019-11-25 2020-11-24 Verfahren zur steuerung oder regelung einer klimatisierung eines fahrzeugs WO2021104575A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019131722.3 2019-11-25
DE102019131722.3A DE102019131722B3 (de) 2019-11-25 2019-11-25 Verfahren zur Steuerung oder Regelung einer Klimatisierung eines Fahrzeugs

Publications (1)

Publication Number Publication Date
WO2021104575A1 true WO2021104575A1 (de) 2021-06-03

Family

ID=72660429

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/DE2020/100995 WO2021104575A1 (de) 2019-11-25 2020-11-24 Verfahren zur steuerung oder regelung einer klimatisierung eines fahrzeugs

Country Status (2)

Country Link
DE (1) DE102019131722B3 (de)
WO (1) WO2021104575A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022102986A1 (de) * 2022-02-09 2023-08-10 Audi Aktiengesellschaft Verfahren zum Betreiben eines Kältemittelkreises und Kraftfahrzeug

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040060311A1 (en) * 2002-09-27 2004-04-01 Mamoru Imoto Vehicle air conditioner
DE102014007303A1 (de) 2014-05-17 2015-11-19 Man Truck & Bus Ag Steuer- oder Regelverfahren für ein Kraftfahrzeug

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040060311A1 (en) * 2002-09-27 2004-04-01 Mamoru Imoto Vehicle air conditioner
DE102014007303A1 (de) 2014-05-17 2015-11-19 Man Truck & Bus Ag Steuer- oder Regelverfahren für ein Kraftfahrzeug

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KAMAR HASLINDA MOHAMED ET AL: "Artificial neural networks for automotive air-conditioning systems performance prediction", APPLIED THERMAL ENGINEERING, vol. 50, no. 1, 1 January 2013 (2013-01-01), GB, pages 63 - 70, XP055779817, ISSN: 1359-4311, Retrieved from the Internet <URL:https://www.researchgate.net/profile/Haslinda-Mohamed-Kamar/publication/257537467_Artificial_neural_networks_for_automotive_air-conditioning_systems_performance_prediction/links/5c204a98458515a4c7f4a80c/Artificial-neural-networks-for-automotive-air-conditioning-systems-performance-prediction.pdf> DOI: 10.1016/j.applthermaleng.2012.05.032 *

Also Published As

Publication number Publication date
DE102019131722B3 (de) 2020-10-22

Similar Documents

Publication Publication Date Title
WO2019063196A1 (de) Verfahren, vorrichtung und computerprogramm zum betreiben eines roboter-steuerungssystems
EP3408638B1 (de) Verfahren und prüfstand zur durchführung eines prüflaufs mit einem prüfling
AT520827B1 (de) Verfahren zum Bestimmen eines Fahrzeugparameters eines Fahrzeugdatensatzes eines Fahrzeugs und Verwendung des Fahrzeugparameters an einem Prüfstand
DE102010013943B4 (de) Verfahren und Vorrichtung für eine Funktionsprüfung einer Objekt-Erkennungseinrichtung eines Kraftwagens
EP3721199B1 (de) Prüfstand und verfahren zur durchführung eines prüfversuchs
WO2019153026A1 (de) Verfahren und system zur analyse wenigstens einer einrichtung einer einheit, welche eine mehrzahl an verschiedenen einrichtungen aufweist
DE102007044042A1 (de) Verfahren und Vorrichtung zur Simulation der Fahreigenschaften eines zu entwickelnden Antriebskonzeptes eines Kraftfahrzeuges
DE102020102863A1 (de) Parametrierung einer Komponente in der Automatisierungsanlage
DE102019134053A1 (de) Verfahren zur kontinuierlichen Absicherung im Fahrversuch applizierter automatisierter Fahrfunktionen
EP3751466A1 (de) Verfahren zur vorhersage eines schadstoffwertes in der luft
EP1623284A1 (de) Verfahren zur optimierung von fahrzeugen und von motoren zum antrieb solcher fahrzeuge
DE102020119379A1 (de) Stellungsregler Selbstbewertung für digitalen Zwilling
DE102019131722B3 (de) Verfahren zur Steuerung oder Regelung einer Klimatisierung eines Fahrzeugs
EP3979009A1 (de) Erzeugen eines vereinfachten modells für xil-systeme
EP3203330B1 (de) Softsensor zur identifikation und regelung oder steuerung eines lüftungssystems
DE102019214931A1 (de) Steuerung eines Fahrzeugs
DE112022000558T5 (de) Klimaanlagensteuerungssystem und -verfahren mit künstlicher intelligenz unter verwendung eines interpolationsverfahrens
AT522649B1 (de) Verfahren und System zur Bestimmung der einer Verbrennungskraftmaschine zugeführten Luftmenge
DE102018128315A1 (de) Verfahren, Vorrichtung, Computerprogramm und Computerprogrammprodukt zur Überprüfung eines ersten adaptiven Systemmodells
DE102024001186A1 (de) Verfahren zur Regelung einer Zuführung und Konditionierung von Zuluft in eine Lackierkabine
DE102023000357B3 (de) Verfahren zum Erzeugen von Testdaten für eine Simulation eines Assistenzsystems eines zumindest teilweise assistiert betriebenen Kraftfahrzeugs, Computerprogrammprodukt, computerlesbares Speichermedium sowie elektronische Recheneinrichtung
WO2024156499A1 (de) Erstellung von trainingsdaten, erstellung eines datenverarbeitungsmodells und steuerung eines fahrzeugbetriebs
DE102020207921A1 (de) Verfahren zum Einrichten eines Fahrzeugsimulationsmodells
WO2024002705A1 (de) Verfahren zur ermittlung einer reglerkonfiguration für ein antriebssystem, computerprogramm, computerlesbares medium, vorrichtung und antriebssystem.
DE102004013205B4 (de) System und Verfahren zur automatisierten Applikation

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: 20823722

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 20823722

Country of ref document: EP

Kind code of ref document: A1