DE102020208886A1

DE102020208886A1 - Verfahren zum Betreiben eines Fahrzeugs

Info

Publication number: DE102020208886A1
Application number: DE102020208886.1A
Authority: DE
Inventors: Gala Jovanovic; James Girard; Katharina Hauer
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2020-07-16
Filing date: 2020-07-16
Publication date: 2022-01-20
Also published as: WO2022013416A1; EP4182198A1

Abstract

Die Erfindung betrifft ein Verfahren zum Betreiben eines Fahrzeugs mit wenigstens einer als Antriebseinheit ausgebildeten elektrischen Maschine, einer Brennkraftmaschine und einem elektrischen Energiespeichersystem für die wenigstens eine als Antriebseinheit ausgebildete elektrische Maschine, wobei unter Verwendung einer auf künstlicher Intelligenz basierenden Methode, insbesondere eines künstlichen neuronalen Netzes (NN1), bei der eine Beziehung einer Effizienz der Brennkraftmaschine und einer Effizienz des elektrischen Systems, umfassend die wenigstens eine als Antriebseinheit ausgebildete elektrische Maschine und das elektrische Energiespeichersystem, zueinander berücksichtigt wird, unter Optimierung einer Verbrauchseffizienz von Brennkraftmaschine und elektrischem System eine Betriebsstrategie (B) für das Fahrzeug bestimmt wird, und wobei das Fahrzeug gemäß der Betriebsstrategie (B) betrieben wird, sowie ein weiteres Verfahren hierzu und ein Verfahren zum Einlernen eines neuronalen Netzes.

Description

Die vorliegende Erfindung betrifft ein Verfahren zum Betreiben eines Fahrzeugs mit einem Antriebsstrang, der mehrere Antriebseinheiten, von den wenigstens eine als elektrische Maschine und eine als Brennkraftmaschine ausgebildet sind, ein Verfahren zum Einlernen eines künstlichen neuronalen Netzes sowie eine Recheneinheit und ein Computerprogramm zu deren Durchführung.
Stand der Technik
Neben Kraftfahrzeugen mit nur einer Brennkraftmaschine gibt es auch immer mehr Kraftfahrzeuge mit einer oder mehreren elektrischen Antriebseinheiten zusätzlich zu der Brennkraftmaschine. Bei solchen Fahrzeugen handelt es sich dann um sog. Hybrid-Fahrzeuge. Ebenso gibt es Fahrzeuge mit nur elektrischen Antrieben.
Bei Fahrzeugen mit mehreren Antriebseinheiten ist es wünschenswert, eine möglichst optimale Betriebsstrategie zur Aufteilung eines geforderten Drehmoments bzw. einer geforderten Leistung zwischen den Antriebseinheiten zu finden. Dies sollte typischerweise mit dem Ziel einer Optimierung der Energieeffizienz erfolgen, wozu in der Regel auch ein Energiespeichersystem zu berücksichtigen ist. Letzteres kann auch bei rein elektrisch betriebenen Fahrzeugen mit nur einer oder auch mehreren elektrischen Antriebseinheiten (aber z.B. keine Brennkraftmaschine, die direkt Moment an die Antriebsräder überträgt) und beispielsweise mehreren Energiespeichereinheiten (z.B. auch umfassend Brennstoffzellen) relevant sein.
Offenbarung der Erfindung
Erfindungsgemäß werden ein Verfahren zum Betreiben eines Fahrzeugs, ein Verfahren zum Einlernen eines künstlichen neuronalen Netzes sowie eine Recheneinheit und ein Computerprogramm zu deren Durchführung mit den Merkmalen der unabhängigen Patentansprüche vorgeschlagen. Vorteilhafte Ausgestaltungen sind Gegenstand der Unteransprüche sowie der nachfolgenden Beschreibung.
Die vorliegende Erfindung beschäftigt sich mit einem Verfahren zum Betreiben eines Fahrzeugs mit wenigstens einer als Antriebseinheit ausgebildeten elektrischen Maschine, einer Brennkraftmaschine und einem elektrischen Energiespeichersystem (mit z.B. einer oder mehreren Batterien) für die wenigstens eine als Antriebseinheit ausgebildete elektrische Maschine. Unter einer Antriebseinheit ist hierbei insbesondere zu verstehen, dass damit ein Drehmoment zum Antrieb wenigstens eines Rades des Fahrzeugs auf dieses Rad übertragen werden kann. Insofern kommen im Falle elektrischer Maschinen solche elektrischen Maschinen in Betracht, die motorisch betreibbar sind. Zweckmäßig ist es aber, wenn solche elektrische Maschinen dann auch generatorisch betreibbar sind.
Als Fahrzeug kommt hier insbesondere ein sog. Hybridfahrzeug in Betracht, bei dem die Brennkraftmaschine (ebenfalls) als Antriebseinheit ausgebildet ist. Hier kann dann insbesondere auch ein Getriebe mit z.B. mehreren Gängen vorgesehen sein. Die konkrete Topologie des Hybridfahrzeugs (z.B. eine sog. P2-Topologie) ist hierbei aber nicht relevant, d.h. eine oder mehrere elektrische Maschinen können vor und/oder nach einem Getriebe und/oder auch an einer Achse und/oder an einem oder mehreren Rädern angeordnet sein. Denkbar ist aber auch ein Fahrzeug, bei dem die Brennkraftmaschine lediglich (z.B. über eine Kopplung mit einer elektrischen Maschine bzw. einem Generator) dazu vorgesehen ist, elektrische Energie zum Laden des elektrischen Energiespeichersystems bzw. zum Betreiben der als Antriebseinheit verwendeten elektrischen Maschine(n) bereitzustellen.
Insbesondere bei den erwähnten Hybridfahrzeugen, bei denen auch ein Ladezustand des elektrischen Energiespeichersystems, dort dann also insbesondere von einer Batterie, variieren kann, gibt es mehrere Freiheitsgrade, die berücksichtigt werden können, wenn ein gefordertes Drehmoment auf die Antriebseinheiten verteilt werden soll. Insbesondere aufgrund des Freiheitsgrades des Ladezustands bzw. dessen Änderung können Emission, insbesondere von Kohlenstoffdioxid reduziert werden. Beispielsweise kann die Brennkraftmaschine in einem möglichst optimalen Lastpunkt hinsichtlich niedriger Emissionen betrieben werden. Zum Ausgleich zwischen von der Brennkraftmaschine geliefertem und vom Fahrzeug angefordertem Drehmoment kann die elektrische Maschine je nach Situation generatorisch oder motorisch betrieben werden, d.h. die Batterie wird geladen oder entladen.
Um den Betrieb des Fahrzeugs in dieser Hinsicht immer möglichst effizient zu gestalten, kann ein physikalisches Modell verwendet werden, in dem der Antriebsstrang (mit den Antriebseinheiten) und ggf. das Energiespeichersystem (und ggf. auch eine nicht zum Antrieb verwendete Brennkraftmaschine) abgebildet werden. Mittels beispielsweise einer Kostenfunktion, wie in der DE 10 2005 044 268 A1 , kann die effizienteste Betriebsstrategie für das Fahrzeug mit den elektrischen Maschinen und der Brennkraftmaschine, damit insbesondere auch den Antriebsstrang, ermittelt werden. Bei einer solchen Kostenfunktion können die „Kosten“ (beispielsweise der einen Wirkungsgrad bzw. eine Effizienz berücksichtigende Gesamtenergieverbrauch) der von der Batterie zur Verfügung stellbaren Leistung mit den „Kosten“ der von der Brennkraftmaschine zur Verfügung stellbaren Leistung in Beziehung gesetzt werden. Die jeweiligen Kosten können geeignet gewichtet werden. Hierbei wird auch von der „Equivalent Consumption Minimization Strategy“ (ECMS) gesprochen.
Unabhängig davon, ob ein physikalisches Modell verwendet wird oder nicht, ist bei der Verwendung einer Kostenfunktion, um unter Optimierung einer Verbrauchseffizienz (diese betrifft insbesondere eine Energieeffizienz, d.h. Verhältnis von nutzbarer zu zugeführter Energie, ggf. aber auch eine Berücksichtigung von unerwünschten Emissionen) von Brennkraftmaschine und elektrischem System eine Betriebsstrategie für das Fahrzeug zu bestimmen, ein entscheidender Punkt eine Bezugsgröße, die eine Effizienz (die Effizienz insbesondere hinsichtlich eines Energieverbrauchs) der Brennkraftmaschine und eine Effizienz des elektrischen Systems, umfassend die wenigstens eine als elektrische Maschine ausgebildete Antriebseinheit und das Energiespeichersystem, zueinander in Beziehung setzt. Diese Bezugsgröße wird (im Zusammenhang mit der Kostenfunktion) benötigt, um die Effizienz der Brennkraftmaschine (hier sind Kraftstoffverbrauch und ggf. Abgasemissionen relevant) mit der Effizienz des elektrischen Systems (hier ist insbesondere der Ladezustand des elektrischen Energiespeichersystems, der nicht zu voll und nicht zu leer sein soll, relevant, ggf. auch ein Verlust im Inverter und dergleichen), miteinander vergleichen zu können, um so eine Abwägung gegeneinander vornehmen zu können. Diese Bezugsgröße kann insofern auch als Äquivalenzfaktor bezeichnet werden, da damit für das elektrische System und die Brennkraftmaschine einander äquivalente Größen für den Verbrauch bestimmt werden können.
Eine bisherige Möglichkeit war, eine solche Bezugsgröße möglichst genau abzuschätzen (insbesondere unter Berücksichtigung von durchschnittlichen Effizienz-Verhältnissen des elektrischen Systems und der Brennkraftmaschine) und dann auf einen bestimmten Wert festzusetzen. Wie sich nun jedoch gezeigt hat, hängen diese Effizienzen bzw. Effizienz-Verhältnisse sehr stark vom Betriebspunkt, insbesondere der Brennkraftmaschine ab. Wenn eine aktuelle Fahrsituation stark von der zur Bestimmung der Bezugsgröße angenommen Fahrsituation abweicht, wird mit der festen Bezugsgröße daher keine optimale Betriebsstrategie bestimmt werden können.
Vor diesem Hintergrund wird vorgeschlagen, dass die Bezugsgröße (ggf. auch nur implizit) unter Verwendung einer auf künstlicher Intelligenz basierenden Methode, insbesondere eines künstlichen neuronalen Netzes, bestimmt wird, und zwar insbesondere wiederholt, z.B. in gewissen zeitlichen Abständen oder nach sonstigen, geeigneten Kriterien wie zurückgelegter Strecke. Dann kann unter Optimierung der Verbrauchseffizienz von Brennkraftmaschine und elektrischem System unter Verwendung der Bezugsgröße eine Betriebsstrategie für den Antriebsstrang bestimmt werden. Der Antriebsstrang wird dann gemäß der (damit bestimmten) Betriebsstrategie (mit z.B. entsprechender Aufteilung von Drehmomenten auf die Antriebseinheiten bzw. elektrische Maschine(n) und Brennkraftmaschine) betrieben.
Mittels künstlicher Intelligenz bzw. eines (künstlichen) neuronalen Netzes kann die Bestimmung der Bezugsgröße besonders genau und dynamisch erfolgen. Das neuronale Netz kann z.B. basierend auf einer Verbrauchseffizienz für verschiedene Szenarien der Verwendung von elektrischer Maschine und Brennkraftmaschine und für verschiedene Fahrsituationen oder Fahrzyklen trainiert oder eingelernt werden. Mit einem einmal eingelernten neuronalen Netz kann der Rechenaufwand während des Betriebs des Fahrzeugs auch gering gehalten werden. Das Einlernen kann nämlich initial vor erstmaliger Inbetriebnahme und ggf. auch später in gewissen zeitlichen Abständen (auch dann, wenn das Fahrzeug ansonsten gerade nicht verwendet wird) erfolgen.
Während die Bestimmung der Bezugsgröße unter Verwendung einer auf künstlicher Intelligenz basierenden Methode, insbesondere eines künstlichen neuronalen Netzes, erfolgt, kann die Bestimmung der Betriebsstrategie (unter Optimierung der Verbrauchseffizienz) aus der Bezugsgröße weiterhin z.B. unter Verwendung (oder basierend auf) einer Kostenfunktion (z.B. der eingangs erwähnten ECMS) bestimmt werden. Damit z.B. kann eine schon implementierte Kostenfunktion beibehalten werden, während die darin verwendete Bezugsgröße aber immer aktuell bestimmt wird.
Bevorzugt ist es aber auch, wenn die Bestimmung der Betriebsstrategie (unter Optimierung der Verbrauchseffizienz) ebenfalls unter Verwendung einer (weiteren) auf künstlicher Intelligenz basierenden Methode, insbesondere eines künstlichen neuronalen Netzes, bestimmt wird. Hier können dann z.B. zwei verschiedene (künstliche) neuronale Netze verwendet werden, wobei die Bezugsgröße aus dem ersten neuronalen Netz als Eingang für das zweite neuronale Netz verwendet wird. Dies ermöglicht eine besonders genaue und auch wenig rechenintensive Bestimmung der Betriebsstrategie.
Besonders zweckmäßig ist es aber auch, wenn die Betriebsstrategie direkt die Ausgangsgröße der auf künstlicher Intelligenz basierenden Methode darstellt.
Dies fasst die Bestimmung der Bezugsgröße und die Bestimmung der Betriebsstrategie in einer auf künstlicher Intelligenz basierenden Methode zusammen. Die Bezugsgröße muss dabei nicht mehr als Ausgangsgröße vorliegen.
Die Betriebsstrategie bzw. die Bezugsgröße wird dabei bevorzugt für eine vorgegebene Fahrsituation und basierend auf zurückliegenden Fahrdaten bestimmt. Zusätzlich oder alternativ ist es auch bevorzugt, wenn die Betriebsstrategie bzw. die Bezugsgröße für eine vorgegebene Fahrsituation und basierend auf zukünftigen Fahrdaten bestimmt wird, dann z.B. unter Verwendung von Navigationsdaten und/oder Umfeldsensoren am Fahrzeug, die beispielsweise für eine bestimmte Strecke und/oder Zeitdauer die zu erwartende Fahrsituation (z.B. hinsichtlich zu erwartender Geschwindigkeit, zu erwartendem, nötigem Drehmoment und dergleichen, ggf. auch basierend auf dem Streckenverlauf mit möglichen Kurven und Geschwindigkeitsbeschränkungen) zuverlässig und möglichst genau voraussagen lassen.
Informationen z.B. über die zurückgelegte und/oder noch zu fahrende Strecke, von denen eine oder mehrere bevorzugt als Eingangsgröße berücksichtigt werden, sind:

- ein zeitlicher Anteil an hohem Drehmoment (z.B. oberhalb eines vorgegebenen Schwellwerts, insbesondere über eine bestimmte Fahrstrecke),
- ein zeitlicher Anteil an niedrigem Drehmoment (z.B. unterhalb eines vorgegebenen Schwellwerts, insbesondere über eine bestimmte Fahrstrecke),
- ein zeitlicher Anteil an hoher Drehzahl (z.B. oberhalb eines vorgegebenen Schwellwerts, insbesondere über eine bestimmte Fahrstrecke),
- ein zeitlicher Anteil an niedriger Drehzahl (z.B. unterhalb eines vorgegebenen Schwellwerts, insbesondere über eine bestimmte Fahrstrecke),
- eine Standardabweichung der Drehzahl über eine bestimmte Fahrstrecke und
- eine Standardabweichung des insgesamt angeforderten Drehmoments über eine bestimmte Fahrstrecke.

Damit lässt sich die Betriebsstrategie bzw. die Bezugsgröße besonders genau bestimmen.
Als Eingang oder Eingangsgrößen für die auf künstlicher Intelligenz basierende Methode kommen auch Informationen über die aktuelle Fahrsituation, ein gefordertes Gesamtmoment, ein Batterieladezustand (beim elektrischen Energiespeichersystem), eine Drehzahl der Brennkraftmaschine und der elektrischen Maschine sowie sonstige Betriebsgrenzen des Fahrzeugs, insbesondere von elektrischer Maschine, Brennkraftmaschine und elektrischem Energiespeichersystem in Betracht. Auch die vorstehend erwähnten Informationen zur Bestimmung der Bezugsgröße können hierzu verwendet werden. Als Ausgang kann dann direkt - und damit besonders schnell - die Betriebsstrategie, insbesondere mit einer optimalen Aufteilung des Gesamtdrehmoments auf die elektrische(n) Maschine(n) und die Brennkraftmaschine erhalten werden.
Gegenstand der Erfindung ist außerdem ein Verfahren zum Einlernen (auch als Trainieren bezeichnet) eines künstlichen neuronalen Netzes, das dazu verwendbar ist, in einem vorstehend erläuterten Verfahren die Bezugsgröße bzw. direkt die Betriebsstrategie zu bestimmen. Hierbei wird für verschiedene Zeitabschnitte von Fahrdaten simuliert, welche Bezugsgröße für jeden Zeitabschnitt die optimale Betriebsstrategie für das Fahrzeug hinsichtlich einer Verbrauchseffizienz von Brennkraftmaschine und elektrischem System ergibt. Im Falle des direkten Bestimmens der Betriebsstrategie kann auch für verschiedene Zeitabschnitte von Fahrdaten simuliert werden, welche Betriebsstrategie für das Fahrzeug hinsichtlich einer Verbrauchseffizienz von Brennkraftmaschine und elektrischem System für jeden Zeitabschnitt optimal ist.
Damit ist ein Einlernen des neuronalen Netzes, um die Bezugsgröße bzw. die Betriebsstrategie zu bestimmen, möglich, das als Ergebnis eine möglichst optimale Aufteilung eines Gesamtmoments auf die wenigstens eine elektrische Maschine und die Brennkraftmaschine - also die Betriebsstrategie - liefert, und zwar insbesondere basierend auf einer aktuellen Fahrsituation.
Eine erfindungsgemäße Recheneinheit, z.B. ein Steuergerät eines Kraftfahrzeugs, ist, insbesondere programmtechnisch, dazu eingerichtet, ein erfindungsgemäßes Verfahren durchzuführen. Das Einlernen des künstlichen neuronalen Netzes kann zwar ebenfalls auf einem Steuergerät eines Kraftfahrzeugs erfolgen, ebenso aber auch auf einer externen (insbesondere sehr leistungsfähigen) Recheneinheit wie einem Computer.
Auch die Implementierung eines erfindungsgemäßen Verfahrens in Form eines Computerprogramms oder Computerprogrammprodukts mit Programmcode zur Durchführung aller Verfahrensschritte ist vorteilhaft, da dies besonders geringe Kosten verursacht, insbesondere wenn ein ausführendes Steuergerät noch für weitere Aufgaben genutzt wird und daher ohnehin vorhanden ist. Geeignete Datenträger zur Bereitstellung des Computerprogramms sind insbesondere magnetische, optische und elektrische Speicher, wie z.B. Festplatten, Flash-Speicher, EEPROMs, DVDs u.a.m. Auch ein Download eines Programms über Computernetze (Internet, Intranet usw.) ist möglich.
Weitere Vorteile und Ausgestaltungen der Erfindung ergeben sich aus der Beschreibung und der beiliegenden Zeichnung.
Die Erfindung ist anhand von Ausführungsbeispielen in der Zeichnung schematisch dargestellt und wird im Folgenden unter Bezugnahme auf die Zeichnung beschrieben.
Figurenliste

1 zeigt schematisch ein Fahrzeug, bei dem ein erfindungsgemäßes Verfahren durchführbar ist.
2 zeigt die Bestimmung einer Betriebsstrategie als Teil eines erfindungsgemäßen Verfahrens in einer bevorzugten Ausführungsform.
3 bis 5 zeigen schematisch Abläufe erfindungsgemäßer Verfahren in verschiedenen bevorzugten Ausführungsformen.
6 zeigt schematisch einen Ablauf eines erfindungsgemäßen Verfahrens in einer weiteren bevorzugten Ausführungsform.

Ausführungsform(en) der Erfindung
In 1 ist schematisch ein Fahrzeug 100 dargestellt, bei dem ein erfindungsgemäßes Verfahren durchführbar ist. Das Fahrzeug 100 weist zwei Achsen 110 und 120 auf, wobei die Achse 120 als antreibbare Achse - mit entsprechend antreibbaren Rädern - mit einem Antriebsstrang 101 verbunden ist. Das Fahrzeug 100 bzw. der Antriebsstrang 101 weist eine als Antriebseinheit ausgebildete Brennkraftmaschine 130 und eine als Antriebseinheit ausgebildete elektrische Maschine 140 auf, die mittels einer Kupplung 131 drehmomentübertragend verbindbar sind.
Weiterhin ist ein als Batterie ausgebildetes bzw. ein eine Batterie aufweisendes elektrisches Energiespeichersystem 150 vorgesehen, das elektrisch mit der elektrischen Maschine 140 verbunden ist. Im Antriebsstrang 101 ist weiterhin ein Getriebe 160 vorgesehen, mittels dessen verschiedene Gänge eingestellt werden können bzw. wählbar sind.
Weiterhin ist eine als Steuergerät ausgebildete Recheneinheit 180 vorgesehen, mittels welcher die Antriebseinheiten, die Kupplung und ggf. das Getriebe ansteuerbar sind. Es versteht sich, dass hierfür auch mehrere, dann miteinander kommunizierende, Recheneinheiten vorgesehen sein können.
Bei dem Fahrzeug 100 handelt es sich somit um ein Hybridfahrzeug. Hieran soll beispielhaft die Erfindung erläutert werden. Es versteht sich, dass, wie eingangs erwähnt, auch andere Arten von Fahrzeugen bzw. Topologien verwendet werden können.
In 2 ist die Bestimmung einer Betriebsstrategie anhand eines Diagramms dargestellt, in dem ein Verbrauch V (auch stellvertretend für Kosten) über einem Drehmoment M in Nm der elektrischen Maschine (mit M (E) bezeichnet) und der Brennkraftmaschine (mit M (V) bezeichnet) aufgetragen sind. Die zugehörigen Verläufe für den Verbrauch sind mit V_E für die elektrische Maschine (bzw. das gesamte elektrische System) und mit V_v für die Brennkraftmaschine dargestellt.
Beispielhaft soll ein Gesamtmoment von 100 Nm bereitgestellt werden, bei z.B. einer Drehzahl (der Brennkraftmaschine) von 1000 min^-1.
Anhand der Verläufe ist zu sehen, dass bei Erhöhung des Anteils der Brennkraftmaschine am Moment der Verbrauch (an Kraftstoff) steigt, während der Verbrauch (an elektrischer Energie) der elektrischen Maschine sinkt oder gar negativ wird (da deren Anteil am Gesamtmoment entsprechend sinkt). Entsprechendes gilt umgekehrt. Mit dem Verlauf K ist nun eine Kostenfunktion (z.B. im Rahmen der eingangs erwähnten ECMS) dargestellt, in der der Verbrauch der Brennkraftmaschine und der Verbrauch der elektrischen Maschine gewichtet addiert werden. Damit gilt K = Vv + S*V_E, wobei S die im Rahmen der Erfindung (und wie auch bisher bei ECMS) verwendete Bezugsgröße darstellt, die die beiden Verbräuche zueinander in Beziehung setzt.
Um nun - bei gegebener Bezugsgröße S - eine Betriebsstrategie, d.h. eine Aufteilung des Gesamtmoments von 100 Nm auf die Brennkraftmaschine und die elektrische Maschine zu finden, während der Verbrauch bzw. die Verbrauchseffizienz optimiert wird, kann ein Minimum der Kostenfunktion K gesucht werden. Dieses Minimum ist hier mit P bezeichnet und ergibt in etwa ein Moment von 160 Nm für die Brennkraftmaschine und -60 Nm für die elektrische Maschine, d.h. der elektrische Energiespeicher wird geladen.
Wie schon erwähnt, kann die Verwendung eines festen Wertes für die Bezugsgröße zu unerwünschten (bzw. nicht optimalen) Ergebnissen bei der Betriebsstrategie führen, sodass im Rahmen der vorliegenden Erfindung diese Bezugsgröße unter Verwendung einer auf künstlicher Intelligenz basierenden Methode, insbesondere eines künstlichen neuronalen Netzes, z.B. regelmäßig neu bestimmt wird. Mittels dieser Bezugsgröße bzw. deren Wert kann dann aber, zumindest gemäß einer Ausführungsform, die Betriebsstrategie wie in Bezug auf 2 erläutert, bestimmt werden, wie auch nachfolgend auch noch erläutert.
In den 3 bis 5 sind schematisch Abläufe erfindungsgemäßer Verfahren in verschiedenen bevorzugten Ausführungsformen dargestellt. In 3 ist zunächst eine Variante dargestellt, bei der unter Verwendung eines künstlichen neuronalen Netzes NN₁ die Bezugsgröße S bestimmt wird.
Hierzu erhält das künstliche neuronale Netz NN₁ als Eingänge beispielhaft die Größen für ein Fahrverhalten DSI des Fahrers („Driver Style Indication“), das z.B. typische Verhaltensweisen hinsichtlich Beschleunigung etc. angibt, eine mittlere Geschwindigkeit V_mean, eine maximale Geschwindigkeit V_max, eine minimale Geschwindigkeit V_min, einen Ladezustand SoC der Batterie bzw. des elektrischen Energiespeichersystems („State of Charge“), eine mittlere Gesamtdrehmomentenanforderung des Fahrers M_G,mean, eine maximale Gesamtdrehmomentenanforderung des Fahrers M_G,max, eine minimale Gesamtdrehmomentenanforderung des Fahrers M_G,min und einen auf der Fahrstrecke zu überwindenden Höhenunterschied ΔH, falls vorhanden (z.B. mit Einbindung von Navigationsdaten). Diese Eingangsgrößen im Sinne von Fahrdaten können dabei für eine bestimmte zurückliegende Zeitdauer und/oder - dann prädiktiv z.B. basierend auf Navigationsdaten - für eine bestimmte zukünftige Zeitdauer ermittelt und verwendet werden.
Die auf diese Weise bestimmte Bezugsgröße S wird dann in einer Kostenfunktion K verwendet, um - wie schon in Bezug auf 2 erläutert - die Betriebsstrategie B zu bestimmen sowie die optimalen Kosten K'. Hierzu erhält die Kostenfunktion K als Eingangsgröße ein gefordertes Gesamtmoment M_G und eine aktuelle Drehzahl n der Brennkraftmaschine. Die Betriebsstrategie B als Ausgangsgröße gibt dabei insbesondere ein von der elektrischen Maschine und ein von der Brennkraftmaschine zu stellendes Moment an, welche dann durch geeignete Ansteuerung gestellt werden.
Diese Kosten K' bestimmen dann physikalisch das optimale Drehmoment der Brennkraftmaschine und der elektrischen Maschine, um ein Gesamtdrehmoment, das instantan vom Fahrer gefordert ist, energie-optimal zu erfüllen. Diese bestimmte Aufteilung der Momente auf Brennkraftmaschine und elektrische Maschine wird dann koordiniert in z.B. einer als Motorsteuergerät ausgebildeten Recheneinheit und letztendlich als Momentenanforderungen an die jeweiligen Maschinen geliefert.
Indem die Bezugsgröße S unter Verwendung des künstlichen neuronalen Netzes NN₁ immer wieder neu bestimmt wird, kann die Betriebsstrategie immer möglichst optimal hinsichtlich der Verbrauchseffizienz (d.h. eine hohe Effizienz hinsichtlich Energie- bzw. Kraftstoffverbrauch und ggf. Emission) betrieben werden. Ein besonderer Vorteil des Einsatzes von maschinellen Lernmethoden liegt hier auch in der einfachen und schnellen Berechnung (oder, bei wiederholter Berechnung, der Adaption) der Bezugsgröße, wenn die Methode, z.B. das künstliche neuronale Netz, (vorab) entsprechend trainiert bzw. angelernt worden ist.
In 4 ist eine weitere Variante dargestellt, bei der unter Verwendung des künstlichen neuronalen Netzes NN₁ die Bezugsgröße S bestimmt wird. Dies kann wie in Bezug auf 3 erläutert erfolgen, sodass insofern auf die dortige Beschreibung verwiesen werden kann.
Die Bezugsgröße S wird dann aber nicht der Kostenfunktion zugeführt, vielmehr wird anstelle der Kostenfunktion ein (zweites bzw. weiteres) künstliches neuronales Netz NN₂ verwendet. Dieses erhält als Eingang neben der Bezugsgröße S auch das Gesamtmoment M_G (wie bei der Kostenfunktion) und eine aktuelle Drehzahl n. Als Ausgang liefert das künstliche neuronale Netz NN₂ dann die Betriebsstrategie B (wie bei der Kostenfunktion) sowie die optimalen Kosten K' für den Antriebsstrang bzw. elektrische Maschine und Brennkraftmaschine.
Bei dem künstlichen neuronalen Netz NN₂ kann, wie erwähnt, die aktuelle Drehzahl der Brennkraftmaschine direkt berücksichtigt werden, insbesondere wenn das künstliche neuronale Netz NN₂ entsprechend für verschiedene Drehzahlen trainiert worden ist. Auf diese Weise kann noch einfacher und schneller für verschiedene Drehzahlen eine optimale Betriebsstrategie gefunden werden.
Bei einer einfachen Ausprägung einer Betriebsstrategie kann für eine gegebene Ist-Drehzahl der Brennkraftmaschine und ggf. der elektrischen Maschine(n) die Momentenaufteilung optimiert werden. Die Ist-Drehzahl ergibt sich dann aus der Fahrzeuggeschwindigkeit und dem Triebstrangübersetzungsverhältnis für den aktuellen Gang. Eine weitere Ausführung der Betriebsstrategie ermöglicht eine gemeinsame Optimierung von Drehmomentenaufteilung und Gang. Dabei wird mit dem Gang für eine bestimmte Geschwindigkeit auch die Drehzahl optimiert. Es werden dazu beispielsweise die Kosten bei der optimalen Momentenaufteilung für jeden Gang berechnet, und es wird dann der Gang gewählt, bei dem die Kosten am geringsten sind.
In 5 ist noch eine weitere Variante dargestellt, bei der unter Verwendung eines künstlichen neuronalen Netzes NN₃ direkt die Betriebsstrategie bestimmt wird, die Bezugsgröße hingegen nicht explizit, wobei aber eine Beziehung der Effizienz der Brennkraftmaschine und der Effizienz des elektrischen Systems zueinander in dem künstlichen neuronalen Netz, z.B. nach geeignetem Einlernen, implizit berücksichtigt wird.
Im Unterschied zu 4 erhält hier das künstliche neuronale Netz NN₃ selbst als Eingänge die Größen für das geforderte Gesamtmoment M_G und die Drehzahl n der Brennkraftmaschine, sowie weitere optionale Eingänge für einen zeitlichen Anteil f_M,Hi an hohem Drehmoment (z.B. oberhalb eines vorgegebenen Schwellwerts, insbesondere über eine bestimmte Fahrstrecke), einen zeitlichen Anteil f_M,Lo an niedrigem Drehmoment (z.B. unterhalb eines vorgegebenen Schwellwerts, insbesondere über eine bestimmte Fahrstrecke), einen zeitlichen Anteil f_n,Hi an hoher Drehzahl (z.B. oberhalb eines vorgegebenen Schwellwerts, insbesondere über eine bestimmte Fahrstrecke) sowie einen zeitlichen Anteil f_n,Lo an niedriger Drehzahl (z.B. unterhalb eines vorgegebenen Schwellwerts, insbesondere über eine bestimmte Fahrstrecke). Diese Eingangsgrößen im Sinne von Fahrdaten können dabei für eine bestimmte zurückliegende Zeitdauer und/oder, dann prädiktiv, für eine bestimmte zukünftige Zeitdauer ermittelt und verwendet werden. Die genannten optionalen Eingänge können ganz oder teilweise ebenso in den Ausführungsformen von NN₁ gemäß 3 oder 4 vorhanden sein.
Damit kann mit vergleichbaren Eingangsgrößen, wie sie bei der Variante gemäß 4 in zwei neuronalen Netzen verwendet werden, als Ausgang die Betriebsstrategie B (wie bei der Kostenfunktion) sowie eine optimale Kostenverteilung K' für den Antriebsstrang bzw. elektrische Maschine und Brennkraftmaschine erhalten werden, wie dies auch bei der Variante gemäß 4 der Fall ist, jedoch ohne explizite Bestimmung der Bezugsgröße. Auch wenn ein solches künstliches neuronales Netz ggf. etwas schwieriger einzulernen ist, kann damit besonders einfach und schnell eine optimale Betriebsstrategie erhalten werden.
In 6 ist schematisch ein Ablauf eines erfindungsgemäßen Verfahrens in einer weiteren bevorzugten Ausführungsform dargestellt, und zwar zum Einlernen eines neuronalen künstlichen neuronalen Netzes, wie es z.B. in Bezug auf 4 oder 5 beschrieben wird.
Zunächst wird in einem Schritt 600 für einen bestimmten Zeitabschnitt ein Verlauf einer Geschwindigkeit (über Zeit) und gewünschtenfalls weiterer Messgrößen für das betreffende Fahrzeug ermittelt. Aus diesen werden in einem Schritt 610 unter Verwendung eines (z.B. physikalischen) Modells des Fahrzeugs, in dem z.B. fahrdynamische Eigenschaften und verschiedene Übersetzungen und dergleichen berücksichtigt werden, verschiedene Größen, soweit sie nicht gemessen wurden, ermittelt.
In einem Schritt 620 werden dann z.B. eine Drehzahl, ein (insgesamt gefordertes) Moment sowie Betriebsgrenzen von elektrischer Maschine und Brennkraftmaschine, jeweils über der Zeit, als solche Größen bereitgestellt, die anschließend in einem Schritt 650 zum Optimieren einer Kostenfunktion (z.B. ECMS) verwendet werden. Daneben werden in einem Schritt 625 verschiedene Werte für die Bezugsgröße S bereitgestellt (durch Variation), die ebenfalls zum Optimieren der Kostenfunktion verwendet werden. Ebenso wird in einem Schritt 630 ein Ladezustand bereitgestellt und zum Optimieren der Kostenfunktion verwendet.
In Schritt 650 wird dann für z.B. die vergangene Minute (also z.B. den erwähnten Zeitabschnitt) für jeden verwendeten Wert der Bezugsgröße ein optimaler Wert für die Bezugsgröße gesucht, d.h. es wird von den verschiedenen Werten aus Schritt 625 jeweils eine Betriebsstrategie ermittelt und geprüft, mit welchem Wert für die Bezugsgröße die Verbrauchseffizienz optimal ist. Ein solcher optimaler Wert für die Bezugsgröße für diesen bestimmten Zeitabschnitt wird dann in Schritt 670 bereitgestellt.
Außerdem werden in Schritt 610 weitere Größen ermittelt, die in Schritt 640 bereitgestellt werden, nämlich z.B. eine durchschnittliche Drehzahl, ein durchschnittliches, ein maximales und ein minimales gefordertes, gesamtes Moment, jeweils über den bestimmten Zeitabschnitt, z.B. über die letzte Minute. Diese Größen sowie der Ladezustand aus Schritt 630 werden dann verwendet, um in einem Schritt 660 für das künstliche neuronale Netz den optimalen Wert der Bezugsgröße zu finden, der in Schritt 680 bereitgestellt wird. Die Ergebnisse aus Schritt 670 werden mit den Ergebnissen aus Schritt 680 verglichen, um das neuronale Netz an- bzw. einzulernen.
Diese für einen Zeitabschnitt erläuterten Schritte können, z.B. auf einem geeigneten Computer oder ggf. aber auch auf einem Steuergerät eines Fahrzeugs, nun für eine Vielzahl an verschiedenen Zeitabschnitten, z.B. aus einer Historie an Daten des Fahrzeugs (oder eines bestimmten Fahrzeugtyps) durchgeführt werden, womit das künstliche neuronale Netz trainiert wird. Dieses kann dann, wie vorstehend erläutert, während des Betriebs des Fahrzeugs verwendet werden, um die Bezugsgröße immer aktuell zu bestimmen.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

DE 102005044268 A1 [0008]

Claims

Verfahren zum Betreiben eines Fahrzeugs (100) mit wenigstens einer als Antriebseinheit ausgebildeten elektrischen Maschine (140), einer Brennkraftmaschine (130) und einem elektrischen Energiespeichersystem (150) für die wenigstens eine als Antriebseinheit ausgebildete elektrische Maschine, wobei unter Verwendung einer auf künstlicher Intelligenz basierenden Methode, insbesondere eines künstlichen neuronalen Netzes (NN₁, NN₃), bei der eine Beziehung einer Effizienz der Brennkraftmaschine (140) und einer Effizienz des elektrischen Systems, umfassend die wenigstens eine als Antriebseinheit ausgebildete elektrische Maschine (130) und das elektrische Energiespeichersystem (150), zueinander berücksichtigt wird, unter Optimierung einer Verbrauchseffizienz (V) von Brennkraftmaschine und elektrischem System eine Betriebsstrategie (B) für das Fahrzeug (100) bestimmt wird, und wobei das Fahrzeug (100) gemäß der Betriebsstrategie (B) betrieben wird.
Verfahren nach Anspruch 1, wobei als Eingangsgröße der auf künstlicher Intelligenz basierenden Methode (NN₁, NN₃) wenigstens eine der folgenden Informationen berücksichtigt wird: ein zeitlicher Anteil (f_M,Hi) an hohem Drehmoment, ein zeitlicher Anteil (f_M,Lo) an niedrigem Drehmoment, ein zeitlicher Anteil (f_n,Hi) an hoher Drehzahl, ein zeitlicher Anteil (f_n,Lo) an niedriger Drehzahl, eine Standardabweichung der Drehzahl über eine bestimmte Fahrstrecke, und eine Standardabweichung des insgesamt angeforderten Drehmoments über eine bestimmte Fahrstrecke.
Verfahren nach Anspruch 1 oder 2, wobei als Eingangsgröße bei der auf künstlicher Intelligenz basierenden Methode (NN₁, NN₃) wenigstens eine der folgenden Informationen berücksichtigt wird: ein Fahrverhalten (DSI) des Fahrers, eine mittlere Geschwindigkeit (v_mean), eine maximale Geschwindigkeit (v_max), eine minimale Geschwindigkeit (v_min), ein Ladezustand (SoC) des elektrischen Energiespeichersystems, eine mittlere Gesamtdrehmomentenanforderung des Fahrers (M_G,mean), eine maximale Gesamtdrehmomentenanforderung des Fahrers( M_G,max), eine minimale Gesamtdrehmomentenanforderung des Fahrers (M_G,min) und ein auf der Fahrstrecke zu überwindender Höhenunterschied (ΔH).
Verfahren nach einem der vorstehenden Ansprüche, wobei ein gefordertes Gesamtmoment (M_G) und/oder eine Drehzahl (n) der Brennkraftmaschine bei der Bestimmung der Betriebsstrategie (B), insbesondere als Eingangsgröße der auf künstlicher Intelligenz basierenden Methode (NN₂, NN₃), berücksichtigt werden.
Verfahren nach einem der vorstehenden Ansprüche, wobei unter Verwendung der auf künstlicher Intelligenz basierenden Methode (NN₁), insbesondere als deren Ausgangsgröße, eine Bezugsgröße (S) bestimmt wird, die die Effizienz der Brennkraftmaschine (130) und die Effizienz des elektrischen Systems, umfassend die wenigstens eine als Antriebseinheit ausgebildete elektrische Maschine (140) und das elektrische Energiespeichersystem (150), zueinander in Beziehung setzt, wobei die Betriebsstrategie (B) für das Fahrzeug (100) unter Verwendung der Bezugsgröße (S) bestimmt wird.
Verfahren nach Anspruch 5, wobei die Betriebsstrategie (B) unter Verwendung einer auf künstlicher Intelligenz basierenden Methode, insbesondere eines künstlichen neuronalen Netzes (NN₂), bestimmt wird.
Verfahren nach einem der Anspruch 5, wobei die Betriebsstrategie (B) unter Verwendung einer Kostenfunktion (K) bestimmt wird.
Verfahren nach einem der Ansprüche 1 bis 4, wobei die Betriebsstrategie (B) als Ausgangsgröße der auf künstlicher Intelligenz basierenden Methode (NN₃) bestimmt wird.
Verfahren nach einem der vorstehenden Ansprüche, wobei die Betriebsstrategie (B) für eine vorgegebene Fahrsituation und basierend auf zurückliegenden Fahrdaten und/oder basierend auf zukünftigen Fahrdaten bestimmt wird.
Verfahren nach einem der vorstehenden Ansprüche, bei dem die Brennkraftmaschine (140) als Antriebseinheit oder bei dem die Brennkraftmaschine (140) nur zum Erzeugen von elektrischer Energie ausgebildet ist.
Verfahren zum Einlernen eines künstlichen neuronalen Netzes (NN₁, NN₃) für ein Verfahren nach einem der vorstehenden Ansprüche, wobei für verschiedene Zeitabschnitte von Fahrdaten simuliert wird, welche Bezugsgröße für jeden Zeitabschnitt die optimale Betriebsstrategie für das Fahrzeug hinsichtlich einer Verbrauchseffizienz von Brennkraftmaschine und elektrischem System ergibt, oder wobei für verschiedene Zeitabschnitte von Fahrdaten simuliert wird, welche Betriebsstrategie für das Fahrzeug hinsichtlich einer Verbrauchseffizienz von Brennkraftmaschine und elektrischem System für jeden Zeitabschnitt optimal ist.
Recheneinheit (180), die dazu eingerichtet ist, alle Verfahrensschritte eines Verfahrens nach einem der vorstehenden Ansprüche durchzuführen.
Computerprogramm, das eine Recheneinheit (180) dazu veranlasst, alle Verfahrensschritte eines Verfahrens nach einem der Ansprüche 1 bis 11 durchzuführen, wenn es auf der Recheneinheit (180) ausgeführt wird.
Maschinenlesbares Speichermedium mit einem darauf gespeicherten Computerprogramm nach Anspruch 13.