[go: up one dir, main page]

WO2020208182A1 - Verfahren zur bestimmung einer belastungsvorhersage für ein bauteil eines kraftfahrzeugs - Google Patents

Verfahren zur bestimmung einer belastungsvorhersage für ein bauteil eines kraftfahrzeugs Download PDF

Info

Publication number
WO2020208182A1
WO2020208182A1 PCT/EP2020/060246 EP2020060246W WO2020208182A1 WO 2020208182 A1 WO2020208182 A1 WO 2020208182A1 EP 2020060246 W EP2020060246 W EP 2020060246W WO 2020208182 A1 WO2020208182 A1 WO 2020208182A1
Authority
WO
WIPO (PCT)
Prior art keywords
training
load
data
vehicle
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/EP2020/060246
Other languages
English (en)
French (fr)
Inventor
Stéphane Foulard
Rafael Fietzek
Ousama ESBEL
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Compredict GmbH
Original Assignee
Compredict GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Compredict GmbH filed Critical Compredict GmbH
Priority to US17/602,761 priority Critical patent/US12044598B2/en
Priority to EP20719969.6A priority patent/EP3953908A1/de
Priority to CN202080028256.7A priority patent/CN113785333B/zh
Publication of WO2020208182A1 publication Critical patent/WO2020208182A1/de
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • 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
    • G06—COMPUTING OR CALCULATING; 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

Definitions

  • the invention relates to a method for determining a load prediction for a component of a motor vehicle.
  • the type of vehicle corresponding to the type for which the new component is to be designed. It is also known from the publication WO 2018/178 196 A1 that is used to determine the load
  • Model input variables are specified. In order to be able to simulate different loads, it is necessary to for example, to specify several speed profiles for a given route and to determine corresponding loads on this basis with the known load models.
  • the load is the total load such as B. a load spectrum that has acted on the component during a trip, while the
  • the load can be determined from the load profile.
  • this object is achieved by a method for determining a load prediction for a component of a motor vehicle, wherein in one
  • Training vehicle data collective Vehicle data of the used in the respective training drive
  • Training load collective has training load data, the training load data each corresponding to a training trip data set
  • the load model having a probability distribution of the load that has occurred for a given one
  • Model evaluation process the load forecast with the help of the load model for a given
  • the modeling of the probability distribution represents the generation of non-deterministic or statistical models on the basis of training data that
  • Vehicle configurations are or are capable of extrapolation with regard to new routes, although there are no comparative measurements in both cases described.
  • the term probability distribution plays a role here
  • Model evaluation process i.e. every simulation run of a trained model generates a different result or an individual time series, even if the
  • the load model according to the invention therefore does not represent a model which - as usual modeling approaches - depicts reality deterministically “as well as possible”, but an AI-based data-driven model that does not reflect the spread of the load due to the
  • Simulation delivers the same result with the same parameters and input variables, and one or more
  • the method according to the invention can increase the accuracy of the load prediction by covering the possible uncertainties on the basis of the modeling of the probability distribution.
  • Training load collective has training load time series, the training load time series each having a load profile of the component that is measured or calculated on the basis of measured variables and corresponds to a training drive data set, the load model approximating the probability distribution of the load profile that has occurred, and where in the model evaluation process the
  • Training vehicle can be simulated on a specific training route.
  • the load profiles determined are time series. Since a model of the probability distribution of the The load curve, namely the load model used, differs from the simulated ones
  • the training drives are advantageously carried out as planned test drives. However, it is also possible and provided according to the invention that the
  • Training trips are normal road trips by any motor vehicle, with the data required for the modeling being recorded in the motor vehicle and, for example, wirelessly to a central server
  • Training trip time series can according to the invention
  • the training drive data sets can be specified or
  • the load model can be determined on the basis of a probabilistic model structure.
  • Various model structures are known from the prior art which approximate
  • Model structure is determined. In this way, the calculation effort for creating the load model can be reduced considerably.
  • Completely visible Bayesian networks or a directional model such as a variational autoencoder are advantageously used as the model structure. With a particularly advantageous one
  • Adverserial Network is used.
  • the use of these model structures for probabilistic models are known to the person skilled in the art and are for example in Ian
  • predetermined prediction route and / or for predetermined prediction travel accompanying data and / or depending on predetermined prediction vehicle data one
  • Prediction vehicle multiple times that is, for example 10,000 times, is performed.
  • a classic deterministic model based on the simulated load predictions are determined, for example, using a neural network approach.
  • the accuracy of this deterministic model can then be validated against real trip and load data, as known from classical deterministic modeling.
  • the mean least squares error between the simulation and the real measurement data is often used for this purpose. Insofar as adequate accuracy can be achieved here, it can be assumed that the
  • the method according to the invention can be used to calculate realistic loads and load profiles under specified conditions, that is to say for one
  • the different training conditions are that the
  • Training vehicles were carried out and / or on at least two different training routes
  • Vehicle mass Vehicle mass, a drag coefficient and a
  • the vehicle data are basically predetermined parameters of the training vehicle.
  • Vehicle data are not parameters that change during the operation of the motor vehicle, such as a vehicle speed.
  • the training vehicles are of a different vehicle type than the prediction vehicle. In this way, with the help of the load model, different vehicle types than the prediction vehicle.
  • Load profiles are determined for different vehicle types that follow a realistic load distribution.
  • a load dynamic in the load model it is also provided according to the invention that a dynamic of a component load over the driven or predetermined route is taken into account in the load model.
  • Figure 1 is a schematically represented flow chart of the method according to the invention
  • Figure 2 is a schematic representation of a
  • Load collective consisting of load time series
  • Figure 3 is a schematic representation of a
  • Training vehicles carried out on a single training route or on different training routes and which occurred during the various training drives Load time series determined.
  • Model evaluation process 4 determines numerous loads and for a simulation, for example, a load on a certain component of a still in the
  • Training drives determined training data.
  • a load spectrum 5 is shown schematically in FIG.
  • the load collective 5 consists of a large number of load time series that one
  • FIG. 3 shows a schematic of a load spectrum 5.
  • loads are plotted against cumulative load cycles.
  • larger loads occur less often than small loads.
  • variation range limits 7 marked variation of the characteristics of large loads greater than the small loads.

Landscapes

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

Abstract

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

Description

Verfahren zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs
Die Erfindung betrifft ein Verfahren zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs.
Bei der Auslegung von Kraftfahrzeugbauteilen wird
üblicherweise eine über eine vorgegebene Lebensdauer zu erwartende Belastung für jedes Kraftfahrzeugbauteil
ermittelt und das jeweilige Bauteil unter Berücksichtigung dieser Belastung ausgelegt. Aus dem Stand der Technik ist es bekannt, die zu erwartende Belastung anhand von
Trainingsfahrten mit Kraftfahrzeugen eines
Kraftfahrzeugtyps zu ermitteln, wobei der Kraftfahrzeugtyp dem Typen entspricht, für den das neue Bauteil ausgelegt werden soll. Zudem ist es aus der Druckschrift WO 2018/178 196 Al bekannt, die zur Ermittlung der Belastung
erforderlichen Informationen während des Betriebs einer gesamten Kraftfahrzeugflotte zu ermitteln. Insbesondere bei einem derartigen Vorgehen können für die Ermittlung der Belastung zahlreiche unterschiedliche Streckenverläufe mit variierenden Fahrbahneigenschaften und Wetterbedingungen sowie unterschiedlichen Fahrereigenschaften ermittelt und bei der Bestimmung der zu erwartenden Belastung
berücksichtigt werden.
Die aus dem Stand der Technik bekannten Verfahren eignen sich grundsätzlich zur Ermittlung einer konkreten Belastung für ein bestimmtes Bauteil, sofern sämtliche
Modelleingangsgrößen vorgegeben werden. Um unterschiedliche Belastungen simulieren zu können, ist es erforderlich, beispielsweise mehrere Geschwindigkeitsprofile für eine vorgegebene Strecke vorzugeben und auf dieser Grundlage mit den bekannten Belastungsmodellen entsprechende Belastungen zu bestimmen.
Zur Auslegung von Fahrzeugteilen ist es wünschenswert die Belastung des Bauteils bei einem typischen Fahrtverlauf zu ermitteln. Allerdings unterscheiden sich in der Realität Trainingsfahrten, auf deren Grundlage die Belastungsmodelle erstellt werden, auch wenn sie von einem professionellen Fahrer auf ein und derselben Trainingstrecke durchgeführt werden, leicht voneinander und führen zu unterschiedlichen Belastungsverläufen und, dementsprechend, Belastungen. Die Belastung und der Belastungsverlauf unterliegen in diesem Fall einer Wahrscheinlichkeitsverteilung, die die
Wahrscheinlichkeit eines bestimmten Belastungszustandes in Abhängigkeit des verwendeten Trainingsfahrzeugs sowie des Streckenverlaufs der Trainingstrecke beschreibt. Derartige Einflüsse werden bei der Simulation von Belastungen und Belastungsverläufen bei den aus dem Stand der Technik bekannten Verfahren nicht berücksichtigt.
Bei der Belastung handelt es sich um die Gesamtbelastung wie z. B. ein Lastspektrum, die während einer Fahrt auf das Bauteil gewirkt hat, während es sich bei dem
Belastungsverlauf um eine Zeitreihe einzelner
Belastungswerte handelt, die während der Fahrt auf das Bauteil gewirkt haben. Aus dem Belastungsverlauf kann die Belastung bestimmt werden.
Im Sinne der nachfolgenden Beschreibung der Erfindung werden Daten, die für das Einlernen des Belastungsmodells verwendet werden, mit dem Präfix „Training" bezeichnet. Daten, die mit dem Belastungsmodell erzeugt werden, tragen das Präfix „Prädiktion".
Als Aufgabe der Erfindung wird es angesehen, die aus dem Stand der Technik bekannten Verfahren zur Ermittlung eines Belastungsverlaufs bzw. einer Belastung weiterzuentwickeln.
Diese Aufgabe wird erfindungsgemäß durch ein Verfahren zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs gelöst, wobei in einem
Modellerstellungsvorgang ausgehend von einem
Trainingsfahrtdatenkollektiv, einem
Trainingsfahrzeugdatenkollektiv, und einem
Trainingsbelastungskollektiv ein Belastungsmodell mit einem Identifikationsverfahren erstellt wird, wobei das
Trainingsfahrtdatenkollektiv eine Vielzahl von
Trainingsfahrtdatensätzen beinhaltet, die jeweils für eine Trainingsfahrt eines Trainingskraftfahrzeugs auf einer Trainingsstrecke bestimmte Streckenverlaufsdaten und/oder Fahrtbegleitdaten beinhalten, wobei das
Trainingsfahrzeugdatenkollektiv Fahrzeugdaten des bei der jeweiligen Trainingsfahrt verwendeten
Trainingskraftfahrzeugs umfasst, wobei das
Trainingsbelastungskollektiv Trainingsbelastungsdaten aufweist, wobei die Trainingsbelastungsdaten jeweils eine zu einem Trainingsfahrtdatensatz korrespondierende
messtechnisch erfasste oder auf Grundlage von Messgrößen berechnete Belastung des Bauteils aufweisen, wobei das Belastungsmodell eine Wahrscheinlichkeitsverteilung der aufgetretenen Belastung bei einer vorgegebenen
Trainingstrecke und/oder bei vorgegebenen Fahrtbegleitdaten und/oder in Abhängigkeit vorgegebener Fahrzeugdaten
approximiert, sodass das Belastungsmodell ein Modell der Wahrscheinlichkeitsverteilung ist, und wobei in einem
Modellauswertungsvorgang die Belastungsvorhersage mit Hilfe des Belastungsmodells für eine vorgegebene
Prädiktionsstrecke und/oder für vorgegebene
Prädiktionsfahrtbegleitdaten und/oder in Abhängigkeit vorgegebener Prädiktionsfahrzeugdaten eines
Prädiktionsfahrzeugs bestimmt wurde. Vorteilhafterweise werden in dem Modellauswertungsvorgang zahlreiche
Simulationen des Belastungsmodells für ein
Prädiktionsfahrzeug durchgeführt. Auf diese Weise kann man die streuenden Nutzungsbedingungen besser abdecken, sodass man am Ende ein besseres Bild der wahrscheinlich
auftretenden minimalen und maximalen Belastungen erhält.
Die Modellierung der Wahrscheinlichkeitsverteilung stellt eine Generierung nicht-deterministischer bzw. statistischer Modelle auf Basis von Trainingsdaten dar, die
extrapolationsfähig im Hinblick auf neue
Parameterkombinationen oder -sätze bzw.
Fahrzeugkonfigurationen sind bzw. die extrapolationsfähig im Hinblick auf neue Fahrstrecken sind, wobei es in beiden beschriebenen Fällen keine Vergleichsmessungen gibt. Dabei spielt der Begriff Wahrscheinlichkeitsverteilung der
Ausgangsgrößen eine wesentliche Rolle, weil das trainierte Modell Auftretenswahrscheinlichkeiten einer bestimmten Belastung abbildet (z. B. die Wahrscheinlichkeit, dass eine reale Belastung zu einem bestimmten Zeitpunkt aufgrund eines aktuellen Zustands einen bestimmten Wert annimmt) . Konkret heißt es, dass bei der Simulation eines solchen Belastungsmodells jede neue Simulation des trainierten Modells zu einem anderen Ergebnis führt. Zum Beispiel, wenn es sich bei der Aufgabe um die Simulation einer Zeitreihe handelt, würde jede auf denselben Parameter basierende Simulation andere Zeitreihen liefern, die zwar voneinander abweichen aber aufgrund der Wahrscheinlichkeitsverteilung in einem realistischen Rahmen bleiben (z. B. jeder
Modellauswertungsvorgang, also jeder Simulationsdurchlauf eines trainierten Modells generiert ein anderes Ergebnis bzw. eine individuelle Zeitreihe, selbst wenn die
Parametereingabe gleich bleibt) . Ein reales Beispiel für ein solches Verhalten in einem realen System ist die
Durchführung von Gesamtfahrzeugtests unter Fahrvorgaben: Dabei unterscheiden sich grundsätzlich Messfahrten
voneinander, da sehr viele Einflussgrößen nicht
beeinflussbar sind, auch wenn die Testfahrer sich bemühen das Fahrmanöver möglichst reproduzierbar zu fahren. Dies führt zu einer gewöhnlichen bzw. üblichen und
unvermeidbaren Streuung. Genau diese Problematik wird mit dem erfindungsgemäßen Ansatz adressiert, in dem diese
Streuung ganz spezifisch modelliert und anschließend auch simuliert wird. Das ist ein wesentlicher Unterschied zu gängigen Modellierungsansätzen, die statische bzw.
deterministische Modelle generieren.
Wenn ein solches nicht-deterministisches bzw. statistisches Modell erzeugt worden ist, kann damit eine hohe Anzahl an Simulationen mit gleichen Parametern durchgeführt werden (z. B. 10.000 Simulationen), um die komplette Streuung mit einer guten Granularität abzubilden, wobei jede Simulation zu einem anderen Ergebnis führt und wobei sämtliche
Ergebnisse zusammengenommen die modellierte
Wahrscheinlichkeitsverteilung abbilden. Auf diese Weise kann die Bandbreite der möglichen Systemantworten abgedeckt werden und können realitätsgetreuere Ergebnisse bzw.
Simulationen generiert werden.
Das erfindungsgemäße Belastungsmodell stellt also kein Modell, welches - wie übliche Modellierungsansätze - deterministisch die Realität „so gut wie möglich" abbildet dar, sondern ein AI-basiertes datengetriebenes Modell, welches die Streuung der Belastung auf Grund nicht
erfassbarer Einflussgrößen lernt und die Realität mit diesen nicht erfassbaren Unsicherheiten abbildet.
Dieser Ansatz kann auch nicht mit Regelungsansätzen
verglichen werden, die zwar Unsicherheiten mitbetrachten können, aber die dabei nur mit Rückkopplung zum realen System arbeiten können. Bei dem erfindungsgemäßen Ansatz werden ausschließlich reine Simulationsmodelle verwendet, die aus realen Systemen lernen, um bisher nicht
existierende Systeme abbilden zu können. Zu dieser
Prädiktion sind Regelungssysteme nicht fähig.
Auch dürfen Modellgenauigkeit und
Wahrscheinlichkeitsverteilung der Modellausgänge nicht verwechselt werden. Die Modellgenauigkeit ist die
Abweichung zwischen einem Modell, welches bei jeder
Simulation bei gleichen Parametern und Eingangsgrößen dasselbe Ergebnis liefert, und einer oder mehreren
Messungen. Eine Bewertung der Wahrscheinlichkeitsverteilung wird jedoch nur dann möglich, wenn das Modell, wie das erfindungsgemäße Belastungsmodell, bei gleichen Parametern und Eingangsgrößen unterschiedliche Ergebnisse liefert. Da reale Messungen nie zu 100 % wiederholbar sind und immer Abweichungen aufzeigen, bietet das beschriebene Verfahren ein umfassenderes und realistischeres Abbild der
Wirklichkeit. Folglich kann durch das erfindungsgemäße Verfahren die Genauigkeit der Belastungsvorhersage durch die Abdeckung der möglichen Unsicherheiten auf Basis der Modellierung der Wahrscheinlichkeitsverteilung erhöht werden .
Erfindungsgemäß ist vorteilhafterweise vorgesehen, dass es sich bei der Belastungsvorhersage um eine
Belastungsverlaufsvorhersage handelt, wobei das
Trainingsbelastungskollektiv Trainingsbelastungszeitreihen aufweist, wobei die Trainingsbelastungszeitreihen jeweils einen zu einem Trainingsfahrtdatensatz korrespondierenden messtechnisch erfassten oder auf Grundlage von Messgrößen berechneten Belastungsverlauf des Bauteils aufweisen, wobei das Belastungsmodell die Wahrscheinlichkeitsverteilung des aufgetretenen Belastungsverlaufs approximiert, und wobei in dem Modellauswertungsvorgang die
Belastungsverlaufsvorhersage bestimmt wird. Bei dem
Modellauswertungsvorgang werden vorteilhafterweise eine Vielzahl von Prädiktionsbelastungszeitreihen ermittelt, wobei die bei den Prädiktionsbelastungszeitreihen jeweils berechneten einzelnen Belastungszustände wieder der
Wahrscheinlichkeitsverteilung folgen. Auf diese Weise können beispielsweise die sich leicht voneinander
unterscheidenden Belastungsverläufe bei Trainingsfahrten eines Trainingsfahrers mit einem vorgegebenen
Trainingsfahrzeug auf einer bestimmen Trainingstrecke simuliert werden. Bei den ermittelten Belastungsverläufen handelt es sich jeweils um Zeitreihen. Da zur Simulation ein Modell der Wahrscheinlichkeitsverteilung des Belastungsverlaufs, nämlich das Belastungsmodell verwendet wird, unterscheiden sich die simulierten
Belastungsverlaufsvorhersagen voneinander, obwohl für die Simulation jeweils die gleichen Eingangsgrößen, nämlich die Prädiktionsstrecke und/oder die
Prädiktionsfahrtbegleitdaten und/oder die
Prädiktionsfahrzeugdaten eines Prädiktionsfahrzeugs
verwendet werden.
Die Trainingsfahrten werden vorteilhafterweise als geplante Versuchsfahrten durchgeführt. Es ist jedoch auch möglich und erfindungsgemäß vorgesehen, dass es sich bei den
Trainingsfahrten um normale Straßenfahrten von beliebigen Kraftfahrzeugen handelt, wobei die für die Modellbildung erforderlichen Daten in den Kraftfahrzeugen erfasst und beispielsweise drahtlos an einen zentralen Server
übertragen werden.
Vorteilhafterweise ist erfindungsgemäß vorgesehen, dass es sich bei den Trainingsfahrtdatensätzen um
Trainingsfahrtzeitreihen handelt. Die verschiedenen
Trainingsfahrtzeitreihen können erfindungsgemäß
Zeitreihenabschnitte einer einzigen Trainingsfahrt
darstellen .
Die Trainingsfahrtdatensätze können vorgegeben oder
messtechnisch erfasst werden. So ist es beispielsweise möglich, den Streckenverlauf aus einer vorliegenden Karte der Trainingstrecke zu ermitteln und vorzugeben oder den Streckenverlauf bei der Trainingsfahrt beispielsweise per GPS zu ermitteln. Erfindungsgemäß kann das Belastungsmodell auf Grundlage einer probabilistischen Modellstruktur bestimmt werden. Aus dem Stand der Technik sind verschiedene Modellstrukturen bekannt, die die Approximation von
Wahrscheinlichkeitsverteilungen erlauben .
Vorteilhafterweise ist erfindungsgemäß vorgesehen, dass das Belastungsmodell auf Grundlage einer generativen
Modellstruktur bestimmt wird. Auf diese Weise kann der Berechnungsaufwand zur Erstellung des Belastungsmodells erheblich verringert werden. Als Modellstruktur kommen vorteilhafterweise vollständig sichtbare Bayes-Netze oder ein gerichtetes Modell wie beispielsweise ein Variational Autoencoder. Bei einer besonders vorteilhaften
Ausgestaltung des erfindungsgemäßen Verfahrens ist
vorgesehen, dass als Modellstruktur für das
Belastungsmodell ein Recurrent Conditional Generative
Adverserial Network verwendet wird. Die Verwendung dieser Modellstrukturen für probabilistische Modelle sind dem Fachmann bekannt und werden beispielsweise in Ian
Goodfellow, Yoshua Bengio, Aaron Courville: Deep Learning, mitp Verlag Frechen, ISBN: 9783958457003 beschrieben.
Um eine Modellgenauigkeit des ermittelten Belastungsmodells zu überprüfen, ist erfindungsgemäß vorgesehen, dass
zunächst der Modellauswertungsvorgang mit einer
vorgegebenen Prädiktionsstrecke und/oder für vorgegebene Prädiktionsfahrtbegleitdaten und/oder in Abhängigkeit vorgegebener Prädiktionsfahrzeugdaten eines
Prädiktionsfahrzeugs mehrfach, das heißt beispielsweise 10.000 Mal, durchgeführt wird. Anschließend wird ein klassisches deterministisches Modell auf Basis der simulierten Belastungsvorhersagen beispielsweise unter Verwendung eines Neuronalen-Netz-Ansatzes bestimmt. Die Genauigkeit dieses deterministischen Modells kann dann wie aus der klassischen deterministischen Modellbildung bekannt gegen reale Fahrt- und Belastungsdaten validiert werden. Hierzu wird häufig der Mean-Least-Squares-Error zwischen der Simulation und den realen Messdaten verwendet. Sofern hierbei eine angemessene Genauigkeit erreicht werden kann, kann davon ausgegangen werden, dass die
Wahrscheinlichkeitsverteilung der Gesamtheit der
simulierten Belastungsvorhersagen der realen
Wahrscheinlichkeitsverteilung der Belastung entspricht und die Modellgüte des Belastungsmodells ausreichend ist.
Das erfindungsgemäße Verfahren kann dazu verwendet werden, realistische Belastungen und Belastungsverläufe unter vorgegebenen Bedingungen, das heißt für einen
Streckenverlauf sowie einen Fahrzeugtyp, zu ermitteln. Auf diese Weise kann beispielsweise die
Wahrscheinlichkeitsverteilung, die auf das Fahrverhalten des Trainingsfahrers bzw. der Trainingsfahrer
zurückzuführen ist, abgebildet werden.
Es ist aber auch möglich und erfindungsgemäß vorgesehen, dass unterschiedliche Trainingsfahrtdatensätze
Streckenverlaufsdaten sowie Fahrtbegleitdaten beinhalten, die unter voneinander abweichenden Trainingsbedingungen durchgeführt wurden. So ist es vorteilhafterweise möglich, Trainingsfahrten mit unterschiedlichen Trainingsfahrzeugen desselben Fahrzeugtyps auf einer Trainingstrecke
durchzuführen, um eine beispielsweise durch eine
Fertigungsstreuung oder andere Einflüsse beeinflusste Wahrscheinlichkeitsverteilung für den Belastungsverlauf zu bestimmen .
Erfindungsgemäß ist vorgesehen, dass die unterschiedlichen Trainingsbedingungen darin bestehen, dass die
Trainingsfahrten mit mindestens zwei verschiedenen
Trainingskraftfahrzeugen durchgeführt wurden und/oder auf mindestens zwei unterschiedlichen Trainingstrecken
durchgeführt wurden und/oder bei mindestens zwei
verschiedenen Umgebungsbedingungen durchgeführt wurden. Es ist auch möglich und erfindungsgemäß vorgesehen, dass verschiedene Versuchsparameter variiert werden, um ein allgemein gültiges Modell für die
Wahrscheinlichkeitsverteilung unter verschiedenen
Bedingungen zu ermitteln.
Die Fahrzeugdaten beinhalten vorteilhafterweise eine
Fahrzeugmasse, ein Luftwiderstandsbeiwert und ein
Reifendurchmesser des Trainingskraftfahrzeugs. Bei den Fahrzeugdaten handelt es sich grundsätzlich um vorgegebene Parameter des Trainingskraftfahrzeugs. Bei den
Fahrzeugdaten handelt es sich hingegen nicht um sich während des Betriebs des Kraftfahrzeugs ändernde Parameter wie beispielsweise eine Fahrzeuggeschwindigkeit.
Vorteilhafterweise ist erfindungsgemäß vorgesehen, dass die Trainingskraftfahrzeuge von einem anderen Fahrzeugtyp sind als das Prädiktionsfahrzeug. Auf diese Weise können mit Hilfe des Belastungsmodells unterschiedliche
Belastungsverläufe für verschiedene Fahrzeugtypen ermittelt werden, die einer realistischen Belastungsverteilung folgen . Um in dem Belastungsmodell eine Belastungsdynamik zu berücksichtigen, ist erfindungsgemäß auch vorgesehen, dass in dem Belastungsmodell eine Dynamik einer Bauteilbelastung über den gefahrenen oder vorgegebenen Streckenverlauf berücksichtigt wird.
Weitere vorteilhafte Ausgestaltungen des erfindungsgemäßen Verfahrens werden anhand eines in der Zeichnung
dargestellten Ausführungsbeispiels näher erläutert.
Es zeigt:
Figur 1 ein schematisch dargestelltes Ablaufdiagramm des erfindungsgemäßen Verfahrens,
Figur 2 eine schematische Darstellung eines
Belastungskollektivs bestehend aus Belastungszeitreihen und
Figur 3 eine schematische Darstellung eines
Belastungskollektivs aufgetragen über kumulierte
Lastzyklen .
Bei dem in Figur 1 schematisch dargestellten Verfahren 1 wurden in einem Versuchsvorgang 2 zunächst eine Vielzahl von Trainingsfahrten von einem einzelnen Trainingsfahrer oder von verschiedenen Trainingsfahrern mit einem
Trainingskraftfahrzeug oder mit verschiedenen
Trainingskraftfahrzeugen auf einer einzigen Trainingstrecke oder auf verschiedenen Trainingsstrecken durchgeführt und die bei den verschiedenen Trainingsfahrten aufgetretenen Belastungszeitreihen ermittelt. Zudem wurden für jede
Trainingsfahrt Streckenverlaufsdaten bestimmt.
Ausgehend von den aus diesen Zeitreihendaten gebildeten Belastungszeitreihenkollektiv und
Trainingsfahrtdatenkollektiv sowie von Fahrzeugdaten des Trainingsfahrzeugs oder der Trainingskraftfahrzeuge
umfassenden Trainingsfahrzeugdatenkollektivs werden in einem Modellerstellungsvorgang 3 ein
Wahrscheinlichkeitsverteilungen der Belastungsverläufe approximierendes Belastungsmodell bestimmt. Auf Grundlage dieses Modells können dann in einem
Modellauswertungsvorgang 4 zahlreiche Belastungen bestimmt und für eine Simulation beispielsweise einer Belastung eines bestimmten Bauteils eines sich noch in der
Entwicklung befindlichen Kraftfahrzeugs verwendet werden. Die ermittelten Belastungsverläufe folgen dabei wiederum den mit dem Modell approximierten
Wahrscheinlichkeitsverteilungen der bei den
Trainingsfahrten ermittelten Trainingsdaten.
In Figur 2 ist schematisch ein Belastungskollektiv 5 dargestellt. Das Belastungskollektiv 5 besteht aus einer Vielzahl von Belastungszeitreihen, die einer
Wahrscheinlichkeitsverteilung folgen. In der Zeichnung sind schematisch ein wahrscheinlichster Belastungsverlauf 6 sowie Streuungsbereichsgrenzen 7 dargestellt.
Figur 3 zeigt schematisch ein Belastungskollektiv 5. In der Darstellung sind Belastungen über kumulierte Lastzyklen aufgetragen. Bei der Darstellung treten größere Belastungen seltener auf als kleine Belastungen. Zudem ist eine durch die Streuungsbereichsgrenzen 7 gekennzeichnete Streuung der Ausprägungen großer Lasten größer als die kleinen Lasten.

Claims

P A T E N T A N S P R Ü C H E
1. Verfahren (1) zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs, wobei in einem
Modellerstellungsvorgang (3) ausgehend von einem
Trainingsfahrtdatenkollektiv, einem
Trainingsfahrzeugdatenkollektiv, und einem
Trainingsbelastungskollektiv ein Belastungsmodell mit einem Identifikationsverfahren erstellt wird, wobei das
Trainingsfahrtdatenkollektiv eine Vielzahl von
Trainingsfahrtdatensätzen beinhaltet, die jeweils für eine Trainingsfahrt eines Trainingskraftfahrzeugs auf einer Trainingsstrecke bestimmte Streckenverlaufsdaten und/oder Fahrtbegleitdaten beinhalten, wobei das
Trainingsfahrzeugdatenkollektiv Fahrzeugdaten des bei der jeweiligen Trainingsfahrt verwendeten
Trainingskraftfahrzeugs umfasst, wobei das
Trainingsbelastungskollektiv Trainingsbelastungsdaten aufweist, wobei die Trainingsbelastungsdaten jeweils eine zu einem Trainingsfahrtdatensatz korrespondierende
messtechnisch erfasste oder auf Grundlage von Messgrößen berechnete Belastung des Bauteils aufweisen, wobei das Belastungsmodell eine Wahrscheinlichkeitsverteilung der aufgetretenen Belastung bei einer vorgegebenen
Trainingstrecke und/oder bei vorgegebenen Fahrtbegleitdaten und/oder in Abhängigkeit vorgegebener Fahrzeugdaten approximiert, sodass das Belastungsmodell ein Modell der Wahrscheinlichkeitsverteilung ist, und wobei in einem
Modellauswertungsvorgang (4) die Belastungsvorhersage mit Hilfe des Belastungsmodells für eine vorgegebene
Prädiktionsstrecke und/oder für vorgegebene Prädiktionsfahrtbegleitdaten und/oder in Abhängigkeit vorgegebener Prädiktionsfahrzeugdaten eines
Prädiktionsfahrzeugs bestimmt wird.
2. Verfahren (1) gemäß Anspruch 1, dadurch gekennzeichnet, dass es sich bei der Belastungsvorhersage um eine
Belastungsverlaufsvorhersage handelt, wobei das
Trainingsbelastungskollektiv Trainingsbelastungszeitreihen aufweist, wobei die Trainingsbelastungszeitreihen jeweils einen zu einem Trainingsfahrtdatensatz korrespondierenden messtechnisch erfassten oder auf Grundlage von Messgrößen berechneten Belastungsverlauf (6) des Bauteils aufweisen, wobei das Belastungsmodell die
Wahrscheinlichkeitsverteilung des aufgetretenen
Belastungsverlaufs (6) approximiert, und wobei in dem Modellauswertungsvorgang (4) die
Belastungsverlaufsvorhersage bestimmt wird.
3. Verfahren (1) gemäß Anspruch 1 oder Anspruch 2, dadurch gekennzeichnet, dass es sich bei den
Trainingsfahrtdatensätzen um Trainingsfahrtzeitreihen handelt .
4. Verfahren (1) gemäß einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass das Belastungsmodell auf Grundlage einer generativen Modellstruktur bestimmt wird.
5. Verfahren (1) gemäß Anspruch 4, dadurch gekennzeichnet, dass als Modellstruktur für das Belastungsmodell ein
Recurrent Conditional Generative Adverserial Network verwendet wird.
6. Verfahren (1) gemäß einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass unterschiedliche
Trainingsfahrtdatensätze Streckenverlaufsdaten sowie
Fahrtbegleitdaten beinhalten, die unter voneinander abweichenden Trainingsbedingungen durchgeführt wurden.
7. Verfahren (1) gemäß Anspruch 6, dadurch gekennzeichnet, dass die unterschiedlichen Trainingsbedingungen darin bestehen, dass die Trainingsfahrten mit mindestens zwei verschiedenen Trainingskraftfahrzeugen durchgeführt wurden und/oder auf mindestens zwei unterschiedlichen
Trainingstrecken durchgeführt wurden und/oder bei
mindestens zwei verschiedenen Umgebungsbedingungen
durchgeführt wurden.
8. Verfahren (1) gemäß einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass die Fahrzeugdaten eine
Fahrzeugmasse, einen Luftwiderstandsbeiwert und einen Reifendurchmesser des Trainingskraftfahrzeugs beinhalten.
9. Verfahren (1) gemäß einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass die Trainingskraftfahrzeuge von einem anderen Fahrzeugtyp sind als das
Prädiktionsfahrzeug .
PCT/EP2020/060246 2019-04-12 2020-04-09 Verfahren zur bestimmung einer belastungsvorhersage für ein bauteil eines kraftfahrzeugs Ceased WO2020208182A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US17/602,761 US12044598B2 (en) 2019-04-12 2020-04-09 Method for determining a load prediction for a component of a vehicle
EP20719969.6A EP3953908A1 (de) 2019-04-12 2020-04-09 Verfahren zur bestimmung einer belastungsvorhersage für ein bauteil eines kraftfahrzeugs
CN202080028256.7A CN113785333B (zh) 2019-04-12 2020-04-09 用于确定机动车的组件的负荷预测的方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
LU101181A LU101181B1 (de) 2019-04-12 2019-04-12 Verfahren zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs
LULU101181 2019-04-12

Publications (1)

Publication Number Publication Date
WO2020208182A1 true WO2020208182A1 (de) 2020-10-15

Family

ID=66530391

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2020/060246 Ceased WO2020208182A1 (de) 2019-04-12 2020-04-09 Verfahren zur bestimmung einer belastungsvorhersage für ein bauteil eines kraftfahrzeugs

Country Status (5)

Country Link
US (1) US12044598B2 (de)
EP (1) EP3953908A1 (de)
CN (1) CN113785333B (de)
LU (1) LU101181B1 (de)
WO (1) WO2020208182A1 (de)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115452409B (zh) * 2022-08-30 2024-10-01 重庆长安汽车股份有限公司 一种汽车变速器分段式载荷谱生成方法及终端设备

Citations (2)

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

Family Cites Families (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6550320B1 (en) * 2000-05-31 2003-04-22 Continental Ag System and method for predicting tire forces using tire deformation sensors
AT500978B8 (de) * 2003-05-13 2007-02-15 Avl List Gmbh Verfahren zur optimierung von fahrzeugen
DE50305439D1 (de) * 2003-12-19 2006-11-30 Ford Global Tech Llc Vorrichtung und Verfahren zur Kontrolle eines Bordnetzes
US7461556B2 (en) * 2005-11-03 2008-12-09 Chip Ganassi Racing Teams, Inc. Test system for dynamically analyzing a vehicle under simulated road conditions
US8972161B1 (en) * 2005-11-17 2015-03-03 Invent.Ly, Llc Power management systems and devices
US20080114506A1 (en) * 2006-11-10 2008-05-15 Davis Christopher L Hard landing detection
WO2010096783A1 (en) * 2009-02-20 2010-08-26 The Trustees Of Columbia University In The City Of New York Dynamic contingency avoidance and mitigation system
DE102010063358A1 (de) 2010-12-17 2012-06-21 Robert Bosch Gmbh Verfahren und Vorrichtung zum Bestimmen einer Leistungsreserve eines elektrischen Antriebs
US8731788B2 (en) * 2010-12-23 2014-05-20 Cummins Intellectual Property, Inc. System and method of speed-based downspeed coasting management
US8972090B2 (en) * 2012-04-04 2015-03-03 Chrysler Group Llc Predictive powertrain control using powertrain history and GPS data
US9165477B2 (en) * 2013-12-06 2015-10-20 Vehicle Data Science Corporation Systems and methods for building road models, driver models, and vehicle models and making predictions therefrom
US10380277B2 (en) * 2014-02-28 2019-08-13 Sikorsky Aircraft Corporation Application of virtual monitoring of loads
GB2524745A (en) * 2014-03-31 2015-10-07 Jaguar Land Rover Ltd Wading simulation method
AT514144B1 (de) * 2014-07-25 2016-01-15 Avl List Gmbh Verfahren und Prüfstand zum Testen eines Verbundes von Komponenten eines Fahrzeugs
US9576245B2 (en) * 2014-08-22 2017-02-21 O Power, Inc. Identifying electric vehicle owners
WO2017053262A1 (en) * 2015-09-25 2017-03-30 Sikorsky Aircraft Corporation System and method for load-based structural health monitoring of a dynamical system
DE102015120107A1 (de) 2015-11-19 2017-05-24 Technische Universität Darmstadt Verfahren zur Auslegung und Dimensionierung eines Neuteils eines Kraftfahrzeugs
EP4462096A3 (de) * 2016-04-26 2025-01-15 Walter Steven Rosenbaum Verfahren zur bestimmung von fahreigenschaften eines fahrzeugs
DE102016120052A1 (de) 2016-10-20 2018-04-26 Technische Universität Darmstadt Verfahren zur Ermittlung von Stützpunkten eines Versuchsplans
JP6673293B2 (ja) * 2017-05-24 2020-03-25 トヨタ自動車株式会社 車両システム
DE102017007136A1 (de) * 2017-07-27 2019-01-31 Opel Automobile Gmbh Verfahren und Vorrichtung zum Trainieren selbstlernender Algorithmen für ein automatisiert fahrbares Fahrzeug
US20190308624A1 (en) * 2018-04-04 2019-10-10 Cummins Inc. Intelligent adaptive cruise control for platooning
CN108510128B (zh) * 2018-04-11 2022-04-15 华南理工大学广州学院 一种区域电动汽车充电负荷时空分布预测方法
CN108830414B (zh) 2018-06-12 2021-11-09 南京邮电大学 一种电动汽车商用充电区的负荷预测方法
US11829275B2 (en) * 2018-10-17 2023-11-28 Toyota Research Institute, Inc. Systems and methods for automatic test generation
DE102018130759A1 (de) * 2018-12-04 2020-06-04 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Reproduktion eines im Fahrbetrieb eines Fahrzeugs auftreten-den Fehlers
US12253873B2 (en) * 2019-03-28 2025-03-18 PowerSecure Inc. Systems and methods for controlling an energy supply system
US11263363B2 (en) * 2020-05-22 2022-03-01 Angl Llc Dynamic generation and modification of a design model of a building for a construction project

Patent Citations (2)

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

Non-Patent Citations (1)

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

Also Published As

Publication number Publication date
US20220178789A1 (en) 2022-06-09
LU101181B1 (de) 2020-10-12
US12044598B2 (en) 2024-07-23
CN113785333B (zh) 2024-12-06
CN113785333A (zh) 2021-12-10
EP3953908A1 (de) 2022-02-16

Similar Documents

Publication Publication Date Title
DE102018128289B4 (de) Verfahren und vorrichtung für eine autonome systemleistung und zur einstufung
DE102018128290A1 (de) Verfahren und vorrichtung zum erzeugen von szenarien und parametrischen sweeps für die entwicklung und bewertung von autonomen antriebssystemen
DE102017213634A1 (de) Verfahren und Vorrichtung für die Durchführung von virtuellen Tests in einer virtuellen Realitätsumgebung für ein autonom fahrendes Fahrzeug
DE102019203712B4 (de) Verfahren zum Trainieren wenigstens eines Algorithmus für ein Steuergerät eines Kraftfahrzeugs, Computerprogrammprodukt, Kraftfahrzeug sowie System
AT513714A1 (de) Verfahren zur Beurteilung der Beherrschbarkeit eines Fahrzeuges
EP4222470B1 (de) Computergestütztes verfahren und vorrichtung zur wahrscheinlichkeitsbasierten geschwindigkeitsprognose für fahrzeuge
DE102019215147A1 (de) Verfahren und Fahrerassistenzvorrichtung zur Führung eines Ego-Fahrzeugs
DE102019134053A1 (de) Verfahren zur kontinuierlichen Absicherung im Fahrversuch applizierter automatisierter Fahrfunktionen
DE102021110083A1 (de) Trainieren eines künstlichen neuronalen Netzwerks zum Testen einer automatischen Fahrfunktion eines Fahrzeugs
DE102019203634A1 (de) Verfahren und Vorrichtung zum Ansteuern eines Roboters
DE102022003079A1 (de) Verfahren zu einer automatisierten Generierung von Daten für rasterkartenbasierte Prädiktionsansätze
WO2022184363A1 (de) Computerimplementiertes verfahren zum trainieren wenigstens eines algorithmus für eine steuereinheit eines kraftfahrzeugs, computerprogrammprodukt, steuereinheit sowie kraftfahrzeug
EP3667237B1 (de) Bestimmung einer weiteren erprobungsroute während einer erprobungsfahrt eines fahrzeugs
WO2020208182A1 (de) Verfahren zur bestimmung einer belastungsvorhersage für ein bauteil eines kraftfahrzeugs
EP3871052B1 (de) Verfahren zur kalibirierung eines technischen systems
DE102008047958B4 (de) Verfahren zur beanspruchungsabhängigen Auslegung eines Bauteils
WO2021089499A1 (de) Verfahren und system zum prüfen einer automatisierten fahrfunktion durch reinforcement-learning
DE102018207102A1 (de) Verfahren zur Ermittlung der Trajektorienfolgegenauigkeit
DE102022201853A1 (de) Erkennung kritischer Verkehrssituationen mit Petri-Netzen
WO2023072466A1 (de) Routenplanung für automatisierte fahrzeuge mit minimierung manueller eingriffe
EP4508621B1 (de) Verfahren zur prädiktion eines einflusses eines verkehrsteilnehmers auf zumindest einen anderen verkehrsteilnehmer und verfahren zum betrieb eines fahrzeugs
DE102022107338B3 (de) Verfahren zum Testen von automatisierten Fahrzeugfunktionen
EP3833587A1 (de) Verfahren zum auslegen eines fahrzeuges
EP3620998A1 (de) Verfahren zum sicheren trainieren eines dynamischen modells
DE102018217610A1 (de) Verfahren zur Luftqualitätsoptimierung, Steuerung, Fahrzeug und System zur Durchführung des Verfahrens

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: 20719969

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020719969

Country of ref document: EP

Effective date: 20211112