DE102021002318A1 - Method for creating a simulation model, use of a simulation model, computer program product, method for calibrating a control device - Google Patents
Method for creating a simulation model, use of a simulation model, computer program product, method for calibrating a control device Download PDFInfo
- Publication number
- DE102021002318A1 DE102021002318A1 DE102021002318.8A DE102021002318A DE102021002318A1 DE 102021002318 A1 DE102021002318 A1 DE 102021002318A1 DE 102021002318 A DE102021002318 A DE 102021002318A DE 102021002318 A1 DE102021002318 A1 DE 102021002318A1
- Authority
- DE
- Germany
- Prior art keywords
- simulation model
- model
- simulation
- distribution
- plausibility
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
Verfahren zur Erstellung eines Simulationsmodells für eine Kalibrierung eines Steuergeräts, wobei das Steuergerät mindestens einen funktionalen Prozess einer Komponente eines Antriebsstrangs steuert und wobei das Simulationsmodell den mindestens einen funktionalen Prozess der Komponente abbildet, Verwendung eines Simulationsmodells in einem Steuergerät, Computerprogrammprodukt und Verfahren zum Kalibrieren eines Steuergeräts anhand mindestens eines einen funktionalen Prozess einer Komponente eines Antriebsstrangs abbildenden Simulationsmodells.Method for creating a simulation model for a calibration of a control device, wherein the control device controls at least one functional process of a component of a drive train and wherein the simulation model maps the at least one functional process of the component, use of a simulation model in a control device, computer program product and method for calibrating a control device using at least one simulation model depicting a functional process of a component of a drive train.
Description
Die Erfindung betrifft ein Verfahren zur Erstellung eines Simulationsmodells für eine Kalibrierung eines Steuergeräts, wobei das Steuergerät mindestens einen funktionalen Prozess einer Komponente eines Antriebsstrangs steuert und wobei das Simulationsmodell den mindestens einen funktionalen Prozess der Komponente abbildet, eine Verwendung eines Simulationsmodells in einem Steuergerät, ein Computerprogrammprodukt und ein Verfahren zum Kalibrieren eines Steuergeräts anhand mindestens eines einen funktionalen Prozess einer Komponente eines Antriebsstrangs abbildenden Simulationsmodells.The invention relates to a method for creating a simulation model for a calibration of a control device, wherein the control device controls at least one functional process of a component of a drive train and wherein the simulation model maps the at least one functional process of the component, a use of a simulation model in a control device, a computer program product and a method for calibrating a control device using at least one simulation model depicting a functional process of a component of a drive train.
Bei der Entwicklung von Antriebsstrangkomponenten werden Prüfstanduntersuchungen mit realen Komponenten durchgeführt. Der Betrieb von Prüfständen ist mit einem hohen Zeitaufwand und entsprechenden Betriebskosten verbunden. Anzahl und Dauer von Prüfstanduntersuchungen werden mithilfe von Simulationsmodellen reduziert, welche eine mathematische Beschreibung des realen funktionalen Prozesses der Antriebsstrangkomponente erlauben. Solche Simulationsmodelle berechnen beispielsweise einen Zusammenhang zwischen Eingangswerten und Ausgangswerten, so dass Messergebnisse für zumindest Teile des funktionalen Prozesses der realen Antriebsstrangkomponenten durch eine Abbildung bzw. eine Simulation rechnerisch ermittelt werden können.When developing drive train components, test bench tests are carried out with real components. The operation of test stands is associated with a high expenditure of time and corresponding operating costs. The number and duration of test bench investigations are reduced with the help of simulation models, which allow a mathematical description of the real functional process of the drive train components. Such simulation models calculate, for example, a relationship between input values and output values, so that measurement results for at least parts of the functional process of the real drive train components can be computationally determined by mapping or simulation.
Die Druckschrift
Eine Aufgabe kann darin bestehen, ein Verfahren zur Erstellung eines Simulationsmodells zur Abbildung eines funktionalen Prozesses zu verbessern.One task can be to improve a method for creating a simulation model for mapping a functional process.
Ein Aspekt bezieht sich auf ein Verfahren zur Erstellung eines Simulationsmodells für eine Kalibrierung eines Steuergeräts, wobei das Steuergerät mindestens einen funktionalen Prozess einer Komponente eines Antriebsstrangs steuert und wobei das Simulationsmodell den mindestens einen funktionalen Prozess der Komponente abbildet. Das den mindestens einen funktionalen Prozess abbildende Simulationsmodell wird auf Basis von Trainingsdaten erstellt, mit den Schritten:
-
S1 ) Festlegen von initialen Modellparametern des Simulationsmodells, -
S2 ) Bestimmen einer Plausibilitätsverteilung der Modellparameter des Simulationsmodells, -
S3 ) Berechnen eines Gütekriteriums des Simulationsmodells auf Basis der Modellparameter, -
S4 ) Bestimmen einer Korrektur für das Gütekriterium anhand der Modellparameter und der Plausibilitätsverteilung, -
S5 ) Berechnen eines korrigierten Gütekriteriums anhand der Korrektur, -
S6 ) Verändern der Modellparameter, um das korrigierte Gütekriterium zu verbessern,
-
S1 ) Definition of initial model parameters of the simulation model, -
S2 ) Determining a plausibility distribution of the model parameters of the simulation model, -
S3 ) Calculation of a quality criterion for the simulation model based on the model parameters, -
S4 ) Determining a correction for the quality criterion based on the model parameters and the plausibility distribution, -
S5 ) Calculating a corrected quality criterion based on the correction, -
S6 ) Changing the model parameters in order to improve the corrected quality criterion,
Das Simulationsmodell kann bei der Kalibrierung eines Steuergeräts beispielsweise vorteilhaft dazu dienen, Messungen an der Komponente des Antriebsstrangs auf einem Prüfstand durch virtuelle Messungen an dem Simulationsmodell zu ersetzen. Durch die virtuellen Messungen werden Daten gewonnen, welche zur Kalibrierung des Steuergeräts verwendet werden können. Beispielsweise kann eine Vielzahl an virtuellen Messungen durchgeführt werden, um in einem Optimierungsprozess günstige Eingangswerte zu bestimmen, die zu einer Verbesserung hinsichtlich der Ausgangswerte und damit bestimmter Eigenschaften der Komponente des Antriebsstranges führen. Diese Verbesserung der Ausgangswerte kann in einem Kalibrierkriterium dargestellt werden, das zum Beispiel auch die Ausgangswerte verschiedener Simulationsmodelle mit gleichen Eingangsgrößen aber unterschiedlichen Ausgangsgrößen miteinander kombiniert. Dieses Kalibrierkriterium wird dann durch Variation der Eingangswerte der Eingangsgrößen des Simulationsmodells verbessert oder erfüllt. Die so bestimmten optimalen Eingangswerte des Simulationsmodells werden dann mittels einer Übertragungssoftware auf entsprechende Stellgrößen einer Funktion des Steuergeräts, beispielsweise einer Motorsteuerung, übertragen. Üblicherweise sind diese Stellgrößen in Form von Kennfeldern, Kennlinien oder Kennwerten abgelegt, so dass die Übertragung der optimalen Eingangswerte des Simulationsmodells in diesem Fall durch eine Bedatung von Kennfeldern, Kennlinien oder Kennwerten in der Motorsteuerung erfolgt.When calibrating a control device, the simulation model can, for example, advantageously serve to replace measurements on the components of the drive train on a test bench with virtual measurements on the simulation model. The virtual measurements provide data that can be used to calibrate the control unit. For example, a large number of virtual measurements can be carried out in order to determine favorable input values in an optimization process, which lead to an improvement in terms of the output values and thus certain properties of the components of the drive train. This improvement in the output values can be represented in a calibration criterion which, for example, also combines the output values of different simulation models with the same input variables but different output variables. This calibration criterion is then improved or fulfilled by varying the input values of the input variables of the simulation model. The optimal input values of the simulation model determined in this way are then transferred to corresponding manipulated variables of a function of the control device, for example an engine controller, by means of transfer software. These manipulated variables are usually stored in the form of maps, characteristic curves or characteristic values, so that the optimal input values of the simulation model are transmitted in this case by data input into characteristic maps, characteristic curves or characteristic values in the engine control.
Ein weiterer Aspekt bezieht sich auf eine Verwendung eines Simulationsmodells in einem Steuergerät, wobei das Simulationsmodell mindestens einen funktionalen Prozess einer Komponente eines Antriebsstrangs abbildet und wobei das Steuergerät den mindestens einen funktionalen Prozess steuert, wird das Simulationsmodell auf Basis von Trainingsdaten erstellt, mit den Schritten:
-
S1 ) Festlegen von initialen Modellparametern des Simulationsmodells, -
S2 ) Bestimmen einer Plausibilitätsverteilung der Modellparameter des Simulationsmodells, -
S3 ) Berechnen eines Gütekriteriums des Simulationsmodells auf Basis der Modellparameter, -
S4 ) Bestimmen einer Korrektur für das Gütekriterium anhand der Modellparameter und der Plausibilitätsverteilung, -
S5 ) Berechnen eines korrigierten Gütekriteriums anhand der Korrektur, -
S6 ) Verändern der Modellparameter, um das korrigierte Gütekriterium zu verbessern,
-
S1 ) Definition of initial model parameters of the simulation model, -
S2 ) Determining a plausibility distribution of the model parameters of the simulation model, -
S3 ) Calculation of a quality criterion for the simulation model based on the model parameters, -
S4 ) Determining a correction for the quality criterion based on the model parameters and the plausibility distribution, -
S5 ) Calculating a corrected quality criterion based on the correction, -
S6 ) Changing the model parameters in order to improve the corrected quality criterion,
Das Simulationsmodell wird bei der Verwendung in einem Steuergerät selbst vorteilhaft zur Steuerung des funktionalen Prozesses eingesetzt. Die folgenden Ausführungen beziehen sich sowohl auf das Verfahren zur Kalibrierung des Steuergeräts, als auch auf die Verwendung des Simulationsmodells in dem Steuergerät.When used in a control device, the simulation model itself is advantageously used to control the functional process. The following statements relate both to the method for calibrating the control unit and to the use of the simulation model in the control unit.
Ein weiterer Aspekt bezieht sich auf ein Verfahren zum Kalibrieren eines Steuergeräts anhand mindestens eines einen funktionalen Prozess einer Komponente eines Antriebsstrangs abbildenden Simulationsmodells, wobei das zumindest eine Simulationsmodell nach dem offenbarten Verfahren zur Erstellung eines Simulationsmodells erstellt wird.Another aspect relates to a method for calibrating a control device using at least one simulation model depicting a functional process of a component of a drive train, the at least one simulation model being created according to the disclosed method for creating a simulation model.
Gemäß einer Ausführungsform des Verfahrens zum Kalibrieren eines Steuergeräts ist vorgesehen, dass zumindest ein Kalibrierkriterium anhand einer Ausgangsgröße des zumindest einen Simulationsmodells festgelegt wird und wobei das Simulationsmodell verwendet wird, um durch Eingeben verschiedener Eingangswerte Ausgangswerte zu erhalten, wobei ein optimierter Eingangswert gesucht wird, bei dem der Ausgangswert das zumindest eine Kalibrierkriterium erfüllt. Der optimierte Eingangswert zumindest einer Eingangsgröße eines der Simulationsmodelle wird beispielsweise in einem Kennfeld, einer Kennlinie oder einem Kennwert des Steuergeräts gespeichert.According to one embodiment of the method for calibrating a control device, it is provided that at least one calibration criterion is defined on the basis of an output variable of the at least one simulation model and the simulation model is used to obtain output values by entering various input values, an optimized input value being sought for which the output value fulfills at least one calibration criterion. The optimized input value of at least one input variable of one of the simulation models is stored, for example, in a characteristic map, a characteristic curve or a characteristic value of the control device.
Die nachfolgend beschriebenen Merkmale und Ausführungsformen beziehen sich auf alle zuvor beschriebenen Aspekte gleichermaßen, Die Schritte
Gemäß einer besonderen Ausführungsform ist vorgesehen, dass die Plausibilitätsverteilung in Schritt
Gemäß einer weiteren besonderen Ausführungsform ist vorgesehen, dass die Plausibilitätsverteilung in Schritt
Gemäß einer weiteren besonderen Ausführungsform ist vorgesehen, dass die Plausibilitätsverteilung in Schritt
Gemäß einer weiteren besonderen Ausführungsform ist vorgesehen, dass die Plausibilitätsverteilung in Schritt
Gemäß einer weiteren besonderen Ausführungsform ist vorgesehen, dass das Simulationsmodell in einem Online-Verfahren erstellt wird, wobei die Komponente des Antriebsstrangs an einem Prüfstand betrieben wird und wobei währenddessen an der Komponente gemessene Messwerte laufend als Trainingsdaten verwendet werden.According to a further particular embodiment, it is provided that the simulation model is created in an online process, with the component of the drive train being operated on a test bench and with measured values measured on the component being continuously used as training data.
Gemäß einer weiteren besonderen Ausführungsform ist vorgesehen, dass nichtparametrische Modelle als Simulationsmodelle verwendet werden. Insbesondere werden nichtparametrische Modelle eines Gaußprozessmodelltyps, eines Manifold-Gaußprozessmodelltyp, eines Warped-Gaußprozessmodelltyp oder eines Manifold-Warped-Gaußprozessmodelltyp als Simulationsmodelle verwendet.According to a further particular embodiment, it is provided that non-parametric models are used as simulation models. In particular, nonparametric models of a Gaussian process model type, a manifold Gaussian process model type, a warped Gaussian process model type or a manifold-warped Gaussian process model type are used as simulation models.
Gemäß einer weiteren besonderen Ausführungsform ist vorgesehen, dass eine Modellgröße des Simulationsmodells reduziert wird, um eine höhere Ausführungsgeschwindigkeit zu ermöglichen, wobei die Reduktion der Modellgröße insbesondere anhand von plausibilisierten Modellparametern durchgeführt wird.According to a further particular embodiment, it is provided that a model size of the simulation model is reduced in order to enable a higher execution speed, the reduction of the model size being carried out in particular on the basis of plausibility-checked model parameters.
Da Messungen am Prüfstand zeitaufwändig und teuer sind, ist es vorteilhaft, nicht alle möglichen Kombinationen an Stellgrößenvariationen durchzutesten, sondern eine Auswahlen Messungen durchzuführen. Das Simulationsmodell ist beispielsweise ein datengetriebenes Modell mit den Stellgrößen als Eingangsgrößen des Modells. Das erstellte Simulationsmodell wird beispielsweise verwendet, um in einem Optimierungsprozess die Stellgrößen der Komponente so zu bestimmen, dass die Ausgangsgröße des Simulationsmodells, also beispielsweise der Kraftstoffverbrauch, einen möglichst günstigen Wert annimmt. Da bei der Optimierung keine realen Messungen durchgeführt werden müssen, sondern nur das Simulationsmodell ausgewertet wird, können so teure Messungen an Prüfständen eingespart werden.Since measurements on the test bench are time-consuming and expensive, it is advantageous not to test all possible combinations of manipulated variable variations, but rather to carry out selected measurements. The simulation model is, for example, a data-driven model with the manipulated variables as input variables of the model. The simulation model created is used, for example, to determine the manipulated variables of the component in an optimization process in such a way that the output variable of the simulation model, for example the fuel consumption, assumes a value that is as favorable as possible. Since no real measurements have to be carried out during optimization, but only the simulation model is evaluated, expensive measurements on test stands can be saved.
Bei dem Verfahren zur Kalibrierung wird zwischen Ausführungsformen als offline-Verfahren und als online-Verfahren unterschieden. Für die Erstellung des Simulationsmodells werden Messdaten erzeugt. Dafür wird üblicherweise ein Versuchsplan mit einer Liste an zu messenden Messpunkten erstellt, die dann vermessen werden. Beim offline-Verfahren geschieht dies in zwei getrennten Schritten nacheinander, d.h. erst werden die Messungen am Prüfstand durchgeführt, anschließend wird das Simulationsmodell ohne Prüfstand, insbesondere mithilfe eines Computers, erstellt. Beim online-Verfahren wird nach jedem vermessenen Punkt oder nach einer bestimmten Anzahl an Messungen am Prüfstand je ein Simulationsmodell erstellt, das vorzugsweise verwendet wird, um die nächsten am Prüfstand zu vermessenden Punkte zielgerichteter zu bestimmen.In the calibration method, a distinction is made between embodiments as an offline method and an online method. Measurement data are generated for the creation of the simulation model. For this purpose, a test plan is usually created with a list of measuring points to be measured, which are then measured. With the offline method, this takes place in two separate steps, one after the other, i.e. first the measurements are carried out on the test bench, then the simulation model is created without the test bench, in particular with the help of a computer. With the online method, a simulation model is created after each measured point or after a certain number of measurements on the test stand, which is preferably used to determine the next points to be measured on the test stand in a more targeted manner.
Unter Driftkorrektur ist eine Korrektur eines Drifts zu verstehen. Drift bezeichnet einen mit der Zeit größer werdenden systematischen Fehler in Messdaten. Die Driftkorrektur wird angewandt um einen solchen Drift in Daten, insbesondere in Trainingsdaten, auszugleichen, wobei insbesondere der Drift aus den Daten entfernt wird. Ein Beispiel für Drift ist die systematisch steigende Abweichung in Emissionsmessdaten durch die stetige Verrußung eines Messgerätes.A drift correction is to be understood as a correction of a drift. Drift describes a systematic error in measurement data that increases over time. The drift correction is used to compensate for such a drift in data, in particular in training data, the drift in particular being removed from the data. An example of drift is the systematically increasing deviation in emission measurement data due to the constant sooting of a measuring device.
Unter Modellparametern im Sinne der Erfindung werden sogenannte Hyperparameter verstanden. Die Form eines Gaußprozessmodells wird durch dessen Kovarianzfunktion und Mittelwertfunktion bestimmt. Für Manifold- und Warped-Gaußprozessmodelle wird die Form zusätzlich durch die Transformationsfunktionen bestimmt. Diese Funktionen sind durch die Hyperparameter parametriert. Damit lässt sich bei gegebenen Funktionen des jeweiligen Gaußprozessmodells der Verlauf durch die Wahl der Werte für die Hyperparameter beeinflussen. Bei dem Trainieren der Gaußprozessmodelle werden geeignete Werte für die Hyperparameter bestimmt, so dass ein bestimmtes Gütekriterium verbessert wird.In the context of the invention, model parameters are understood to mean so-called hyperparameters. The shape of a Gaussian process model is determined by its covariance function and mean value function. For manifold and warped Gaussian process models, the shape is also determined by the transformation functions. These functions are parameterized by the hyperparameters. With given functions of the respective Gaussian process model, the course can be influenced by the choice of the values for the hyperparameters. When training the Gaussian process models, suitable values are determined for the hyperparameters, so that a specific quality criterion is improved.
Ein wesentlicher Bestandteil eines Gaußprozessmodells sind Trainingsdaten. Als Trainieren des Gaußprozessmodells wird verstanden, die Hyperparameter so anzupassen, dass sie zu den Trainingsdaten passen. Dies wird durch das Gütekriterium Likelihood ausgedrückt. Nach dem Anpassen bzw. Optimieren der Hyperparameter spricht man von einem trainierten Gaußprozessmodell.Training data are an essential part of a Gaussian process model. Training the Gaussian process model means adapting the hyperparameters in such a way that they match the training data. This is expressed by the quality criterion likelihood. After adapting or optimizing the hyperparameters, one speaks of a trained Gaussian process model.
Als Gütekriterium wird im Sinne der Erfindung der sogenannte Likelihood, der Marginal Likelihood, der logarithmierte Likelihood oder der logarithmierte Marginal Likelihood verstanden. Bei dem Trainieren von Gaußprozessmodellen werden geeignete Werte für die Hyperparameter bestimmt, so dass eines der Gütekriterien verbessert wird. Das Gütekriterium wird anhand der Plausibilitätsverteilung korrigiert. Das Trainieren kann auch als Parameterbestimmung bezeichnet werden. Als Parameterwerte werden konkrete Zahlenwert von abstrakten Parametern bezeichnet.The so-called likelihood, the marginal likelihood, the logarithmized likelihood or the logarithmized marginal likelihood is understood as a quality criterion for the purposes of the invention. When training Gaussian process models suitable values are determined for the hyperparameters, so that one of the quality criteria is improved. The quality criterion is corrected based on the plausibility distribution. Training can also be referred to as determining parameters. Concrete numerical values of abstract parameters are referred to as parameter values.
Die Plausibilitätsverteilung ordnet einem Hyperparameter eine Plausibilität zu. Im Allgemeinen kann dies als Prior bezeichnet werden. Wenn er sich auf Hyperparameter bezieht, wird dies als Hyperprior bezeichnet. Wird der Hyperprior als Wahrscheinlichkeitsverteilung dargestellt, dann wird dies als eigentlicher Hyperprior bezeichnet. Ist dies nicht der Fall, dann ist es ein uneigentlicher Hyperprior. Um die Modellevidenz eines Gaußprozessmodells zu berechnen, wird ein eigentlicher Hyperprior benötigt.The plausibility distribution assigns a plausibility to a hyperparameter. In general, this can be called a prior. When it refers to hyperparameters it is called hyperprior. If the hyperprior is represented as a probability distribution, then this is referred to as the actual hyperprior. If this is not the case, then it is an improper hyperprior. In order to calculate the model evidence of a Gaussian process model, an actual hyperprior is required.
Als Gaußprozessmodell wird eine Klasse von datengetriebenen Modellen bezeichnet. Dazu gehören verschiedene Modellvarianten. Diese Modellvarianten werden hinsichtlich verschiedener Kriterien unterschieden: dem Modelltyp, der Modellstruktur, der Plausibilitätsverteilung der Hyperparameter, der Vorverarbeitung bzw. Anpassung der Trainingsdaten, also der Transformationen, der Driftkorrektur und der Ausreißerentfernung.A class of data-driven models is referred to as a Gaussian process model. This includes different model variants. These model variants are differentiated with regard to various criteria: the model type, the model structure, the plausibility distribution of the hyperparameters, the preprocessing or adaptation of the training data, i.e. the transformations, the drift correction and the outlier removal.
Als Mödelltyp wird unterschieden in Standard-Gaußprozessmodelte, Manifold-Gaußprozessmodelle, Warped-Gaußprozessmodelle, Maniold-Warped-Gaußprozessmodelle und weitere Modelltypen. Die Modellstruktur wird durch die Wahl der Kovarianz- und Mittelwertfunktion bestimmt. Im Falle von Manifold- und Warped-Gaußprozessmodellen wird die Modellstruktur auch durch Manifold- bzw Warped-Transformationsfunktion bestimmt.A distinction is made between standard Gaussian process models, Manifold Gaussian process models, Warped Gaussian process models, Maniold-Warped Gaussian process models and other model types. The model structure is determined by the choice of the covariance and mean value functions. In the case of manifold and warped Gaussian process models, the model structure is also determined by the manifold or warped transformation function.
Als Vorgänger-Simulationsmodelle werden zeitlich vor Anwenden des erfindungsgemäßen Verfahrens bereits existente historische Daten bzw. Modelle bezeichnet.Historical data or models that already existed in time before the method according to the invention was applied are referred to as predecessor simulation models.
Ein weiterer Aspekt betrifft ein Computerprogrammprodukt umfassend Programmcodes, wobei die Programmcodes auf einem computerlesbaren Medium gespeichert sind, um das offenbarte Verfahren zur Erstellung eines Simulationsmodells oder um das offenbarte Verfahren zur Kalibrierung eines Steuergeräts durchzuführen, wenn das Programm in einem Computer ausgeführt wird.Another aspect relates to a computer program product comprising program codes, the program codes being stored on a computer-readable medium in order to carry out the disclosed method for creating a simulation model or to carry out the disclosed method for calibrating a control device when the program is executed in a computer.
Ein weiterer Aspekt betrifft ein weiteres Computerprogrammprodukt umfassend Programmcodes, wobei die Programmcodes auf einem computerlesbaren Medium gespeichert sind und wobei die Programmcodes das Simulationsmodell gemäß der offenbarten Verwendung enthalten, um das Simulationsmodell zum Steuern des mindestens einen funktionalen Prozesses der Komponente des Antriebsstrangs zu verwenden, wenn das Programm in dem Steuergerät ausgeführt wird.Another aspect relates to a further computer program product comprising program codes, wherein the program codes are stored on a computer-readable medium and wherein the program codes contain the simulation model according to the disclosed use in order to use the simulation model for controlling the at least one functional process of the component of the drive train, if the Program is executed in the control unit.
Ausführungsbeispiele der Erfindung werden anhand der beigefügten Figur näher erläutert. Dabei zeigt
-
1 ein Ausführungsbeispiel eines Verfahrens zur Erstellung eines Simulationsmodells in einem Flussdiagramm.
-
1 an embodiment of a method for creating a simulation model in a flowchart.
Mit Bezug auf die
Um das Simulationsmodell zu erstellen, werden die Schritte
In einem ersten Schritt
Nachfolgend wird beispielhaft ein vorteilhafter Einsatz des beschriebenen Verfahrens zur Kalibrierung eines direkt einspritzenden Ottomotors in Bezug auf dessen Partikelemissionen in Abhängigkeit von den Eingangsgrößen Last, Drehzahl, Raildruck, Beginn und Ende der Einspritzung beschrieben. Dieser funktionale Prozess des Ottomotors als Komponente des Antriebsstrangs wird im Rahmen des Kalibrierprozesses durch ein Simulationsmodell in Form eines Gaußprozessmodells zur Beschreibung der Partikelemissionen mit den Eingangsgrößen abgebildet, dessen Erstellung nach dem beschriebenen Verfahren erfolgt. In dem Kalibrierprozess werden für die Erstellung des Simulationsmodells zunächst Messdaten erzeugt, indem der Ottomotor nach einem Versuchsplan mit einer Liste an zu messenden Messpunkten auf einem Prüfstand betrieben und vermessen wird. Dies kann in den Ausführungsformen als offline-Verfahren und als online-Verfahren durchgeführt werden. Die durch die Messungen erhaltenen Daten dienen zur Erstellung des Simulationsmodells. Sogenannte Trainingsdaten, die auch durch die Messungen erhalten werden, dienen zum Trainieren des Simulationsmodells bzw. der Überprüfung, wie gut dieses mit den Trainingsdaten übereinstimmt.In the following, an advantageous use of the described method for calibrating a directly injecting Otto engine with regard to its particle emissions is described as an example as a function of the input variables load, speed, rail pressure, start and end of injection. This functional process of the gasoline engine as a component of the drive train is mapped as part of the calibration process using a simulation model in the form of a Gaussian process model for describing the particle emissions with the input variables, which is created using the method described. In the calibration process, measurement data are initially generated for the creation of the simulation model by operating and measuring the gasoline engine on a test bench according to a test plan with a list of measurement points to be measured. In the embodiments, this can be carried out as an offline method and as an online method. The data obtained through the measurements are used to create the simulation model. So-called training data, which are also obtained through the measurements, are used to train the simulation model or to check how well it matches the training data.
Eine besondere Herausforderung stellt beispielsweise die Abbildung des Verhaltens der Partikelemissionen des direkt einspritzenden Ottomotors in Abhängigkeit von Beginn und Ende der Einspritzung dar, da sich das Verhalten der Partikelemissionen besonders schnell ändert, bzw. besonders nichtlinear ist. Um dieses Verhalten wiedergeben zu können, ist es vorteilhaft, Transformationen der Eingangs- und Ausgangsgrößen zu verwenden. Als besonders vorteilhaft hat sich dabei die Anwendung von Warped-, Manifold- oder Warped-Manifold-Gaußprozessmodelltypen gezeigt. Hierbei ergibt sich jedoch die Herausforderung, dass Warped- und Manifold-Transformationen dazu neigen, extreme Formen anzunehmen, gekennzeichnet durch extreme Werte der entsprechenden Modellparameter bzw. Hyperparameter, was im Regelfall nicht erwünscht ist. Dieses Problem kann mit dem beschriebenen Verfahren gelöst werden. Durch die Verwendung der Plausibilitätsverteilungen für die Plausibilisierung der Modellparameter ist es möglich, plausible Werte, also insbesondere moderate Werte der Modellparameter zu bevorzugen und extreme Werte der Modellparameter als besonders unplausibel zu bewerten. Damit werden beim Trainieren solche Werte für die Modellparameter bevorzugt, die eine plausible Form des Simulationsmodells erwarten lassen und insbesondere in diesem Beispiel auch die Form von Manifold- und/oder Warping-Transformationen.A particular challenge, for example, is the mapping of the behavior of the particle emissions of the direct-injecting gasoline engine as a function of the beginning and end of the injection, since the behavior of the particle emissions changes particularly quickly or is particularly non-linear. In order to be able to reproduce this behavior, it is advantageous to use transformations of the input and output variables. The use of warped, manifold or warped manifold Gaussian process model types has proven to be particularly advantageous. Here, however, the challenge arises that warped and manifold transformations tend to take on extreme forms, characterized by extreme values of the corresponding model parameters or hyperparameters, which is usually not desired. This problem can be solved with the procedure described. By using the plausibility distributions for the plausibility check of the model parameters, it is possible to prefer plausible values, that is to say in particular moderate values of the model parameters, and to evaluate extreme values of the model parameters as particularly implausible. In this way, those values for the model parameters are preferred during training that allow a plausible form of the simulation model to be expected and, in particular, in this example also the form of manifold and / or warping transformations.
Ein weiteres Beispiel, bei dem das beschriebene Verfahren vorteilhaft eingesetzt werden kann, ist das Kalibrieren eines Motors in einem Online-Verfahren am Prüfstand. Hierbei werden Simulationsmodelle, und insbesondere auch Gaußprozessmodelle, eingesetzt, um bestimmte Eigenschaften des Motors zu beschreiben. Die Simulationsmodelle können dann verwendet werden um einen nächsten Messpunkt zu bestimmen. Da jede Messung am Prüfstand jedoch zeit- und kostenintensiv ist, muss sichergestellt werden, dass möglichst wenige unsinnige Messpunkte aufgrund schlechter Simulationsmodelle vorgeschlagen werden, um die Anzahl der Messpunkte möglichst gering zu halten. Daher ist es eine Herausforderung, dass die Erstellung des Simulationsmodells hier besonders robust sein muss, obwohl gleichzeitig, insbesondere zu Beginn des Kalibrierens am Teststand, besonders wenige Trainingsdaten vorhanden sind. Diese Herausforderungen werden mit dem beschriebenen Verfahren gelöst. Um ein Simulationsmodell, und insbesondere ein Gaußprozessmodell, auf robuste Art und Weise auch mit wenigen Trainingsdaten trainieren zu können, werden unplausible Werte der Modellparameter, und damit unplausible Formen des Simulationsmodells, vermieden. Dazu wird eine Plausibilitätsverteilung über die Modellparameter verwendet, die extremen Werten eine niedrige Plausibilität zuweist und moderaten Werten eine hohe Plausibilität. Dadurch werden beim Trainieren Simulationsmodelle mit moderaten Werten für die Modellparameter bevorzugt, die mit höherer Sicherheit das zu vermessende System zuverlässig abbilden.Another example in which the method described can be used advantageously is the calibration of an engine in an online method on the test bench. Simulation models, and in particular Gaussian process models, are used to describe certain properties of the engine. The simulation models can then be used to determine a next measurement point. However, since every measurement on the test bench is time-consuming and costly, it must be ensured that as few nonsensical measuring points as possible are suggested due to poor simulation models in order to keep the number of measuring points as low as possible. It is therefore a challenge that the creation of the simulation model here has to be particularly robust, although at the same time, particularly at the beginning of the calibration on the test stand, particularly little training data is available. These challenges are solved with the method described. In order to be able to train a simulation model, and in particular a Gaussian process model, in a robust manner even with little training data, implausible values of the model parameters, and thus implausible forms of the simulation model, are avoided. For this purpose, a plausibility distribution across the model parameters is used, which assigns extreme values a low plausibility and moderate values a high plausibility. As a result, when training, simulation models with moderate values for the model parameters are preferred, which represent the system to be measured reliably with a higher degree of certainty.
Ein weiteres Beispiel, bei dem das beschriebene Verfahren vorteilhaft eingesetzt werden kann, ist das Kalibrieren einer Funktion des autonomen Fahrens, wie zum Beispiel ein sogenanntes Adaptive Cruise Control (ACC), das die Fahrzeuggeschwindigkeit unter Einbeziehung des Abstandes zu einem vorausfahrenden Fahrzeug regelt. Hierbei ist eine Funktion für die Geschwindigkeitsregelung in einem Steuergerät hinterlegt, die anhand mehrerer Stellgrößen kalibriert wird. Mögliche Kalibriergrößen sind zum Beispiel ein Geschwindigkeitsexponent oder ein sogenannter Coolness Faktor. Diese Stellgrößen werden variiert und das Fahrzeugverhalten entweder in Fahrzeugsimulationen oder in Realfahrten getestet und gemessen, zum Beispiel werden Werte für die angeforderte Beschleunigung gemessen. Auf Basis dieser Werte kann dann beispielsweise ein datengetriebenes Simulationsmodell erstellt werden, das die maximale angeforderte Beschleunigung in Abhängigkeit von Stellgrößen, wie zum Beispiel einem Geschwindigkeitsexponenten oder einem Coolnessfaktor, darstellt. Um schon auf Basis möglichst weniger Messungen ein brauchbares Simulationsmodell zu erhalten, ist es vorteilhaft möglich, das Trainieren des Simulationsmodells durch die Vorgabe von Plausibilitätsverteilungen vorteilhaft so zu beeinflussen, dass plausible Modellparameter gewählt werden. Das trainierte Simulationsmodell kann dann in einem Optimierungsprozess verwendet werden, um beispielsweise den Geschwindigkeitsexponent und/oder den Coolness Faktor so zu bestimmen, dass die maximal angeforderte Beschleunigung möglichst gering ist. Die Werte für den Geschwindigkeitsexponenten und den Coolness Faktor können dann über eine geeignete Schnittstelle auf das Steuergerät, das das ACC ausführt, übertragen werden.Another example in which the method described can be used advantageously is the calibration of a function of autonomous driving, such as what is known as Adaptive Cruise Control (ACC), which regulates the vehicle speed taking into account the distance to a vehicle driving ahead. Here, a function for speed regulation is stored in a control unit, which is calibrated on the basis of several manipulated variables. Possible calibration variables are, for example, a speed exponent or a so-called coolness factor. These manipulated variables are varied and the vehicle behavior is tested and measured either in vehicle simulations or in real drives, for example values for the requested acceleration are measured. On the basis of these values, for example, a data-driven simulation model can be created that represents the maximum requested acceleration as a function of manipulated variables, such as a speed exponent or a coolness factor. In order to obtain a usable simulation model based on as few measurements as possible, it is advantageously possible to influence the training of the simulation model by specifying plausibility distributions in such a way that plausible model parameters are selected. The trained simulation model can then be used in an optimization process, for example to determine the speed exponent and / or the coolness factor in such a way that the maximum requested acceleration is as low as possible. The values for the speed exponent and the coolness factor can then be transmitted via a suitable interface to the control unit that executes the ACC.
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION
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.This list of the documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturPatent literature cited
- WO 2016/198047 A1 [0003]WO 2016/198047 A1 [0003]
Claims (14)
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102020003428.4A DE102020003428A1 (en) | 2020-06-06 | 2020-06-06 | Method for creating a simulation model, use of a simulation model, computer program product, method for calibrating a control device |
DE102020003428.4 | 2020-06-06 |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102021002318A1 true DE102021002318A1 (en) | 2021-12-09 |
Family
ID=71739345
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102020003428.4A Withdrawn DE102020003428A1 (en) | 2020-06-06 | 2020-06-06 | Method for creating a simulation model, use of a simulation model, computer program product, method for calibrating a control device |
DE102021002318.8A Pending DE102021002318A1 (en) | 2020-06-06 | 2021-05-03 | Method for creating a simulation model, use of a simulation model, computer program product, method for calibrating a control device |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102020003428.4A Withdrawn DE102020003428A1 (en) | 2020-06-06 | 2020-06-06 | Method for creating a simulation model, use of a simulation model, computer program product, method for calibrating a control device |
Country Status (1)
Country | Link |
---|---|
DE (2) | DE102020003428A1 (en) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084668B (en) * | 2020-09-14 | 2023-11-14 | 北京世冠金洋科技发展有限公司 | Simulation test method and device and electronic equipment |
CN112380701B (en) * | 2020-11-16 | 2024-07-19 | 摩登汽车(盐城)有限公司 | Calibration method for simulation acceleration waveform |
CN114139344A (en) * | 2021-10-20 | 2022-03-04 | 中国航发四川燃气涡轮研究院 | Human-computer interaction visualization method and device based on simulation model |
CN115098998B (en) * | 2022-05-25 | 2023-05-12 | 上海锡鼎智能科技有限公司 | Model training method and system based on simulation data |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016198047A1 (en) | 2015-06-10 | 2016-12-15 | Fev Gmbh | Method for establishing a simulation model for mapping at least one functional process of a drive train component |
-
2020
- 2020-06-06 DE DE102020003428.4A patent/DE102020003428A1/en not_active Withdrawn
-
2021
- 2021-05-03 DE DE102021002318.8A patent/DE102021002318A1/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016198047A1 (en) | 2015-06-10 | 2016-12-15 | Fev Gmbh | Method for establishing a simulation model for mapping at least one functional process of a drive train component |
Also Published As
Publication number | Publication date |
---|---|
DE102020003428A8 (en) | 2020-09-24 |
DE102020003428A1 (en) | 2020-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102021002318A1 (en) | Method for creating a simulation model, use of a simulation model, computer program product, method for calibrating a control device | |
EP2999998B1 (en) | Methods for ascertaining a model of an output variable of a technical system | |
EP2748686B1 (en) | Method for the creation of a function for a control device | |
DE102016009106A1 (en) | Machining device equipped with control with processing time measuring function and measuring function on the machine | |
AT520827B1 (en) | A method of determining a vehicle parameter of a vehicle record of a vehicle and using the vehicle parameter on a test bench | |
DE102019124018A1 (en) | Method for optimizing tests of control systems for automated vehicle dynamics systems | |
DE102019134053A1 (en) | Process for the continuous validation of automated driving functions applied in driving tests | |
WO2017081215A1 (en) | System and method for calibrating a vehicle component | |
WO2016198047A1 (en) | Method for establishing a simulation model for mapping at least one functional process of a drive train component | |
DE102020111206A1 (en) | Method for operating a control device for a motor vehicle and a corresponding control device | |
DE102020111204A1 (en) | Method for operating a control device for a motor vehicle and a corresponding control device | |
DE102014213866B4 (en) | Coordination of an internal combustion engine in development through map optimization of high-dimensional parameter spaces | |
DE102021002319A1 (en) | Method for selecting a simulation model, computer program product and method for calibrating a control device | |
DE102013206274A1 (en) | Method and apparatus for adapting a non-parametric function model | |
AT521927B1 (en) | Procedure for the calibration of a technical system | |
DE102018217139B4 (en) | Method and device for configuring a characteristic function of a control device of a motor vehicle | |
DE102019132624A1 (en) | Method, device, computer program and computer-readable storage medium for creating a motion cueing algorithm | |
DE102019126069B4 (en) | System and method for calibrating a control and regulating device for regulating the injection pressure in an internal combustion engine | |
EP3811162B1 (en) | Method for calibrating a technical system | |
DE102016225041B4 (en) | Method for operating an internal combustion engine, control device for an internal combustion engine, and internal combustion engine with such a control device | |
DE102023200020A1 (en) | Method for training a machine learning algorithm and method for setting at least one process parameter that can be set in an inductive hardening process of at least one component | |
DE102022204172A1 (en) | Method and device for training a data-based model and for evaluating and selecting a selection function for active learning of a data-based model | |
DE102020210563A1 (en) | Procedure for evaluating validation points for a simulation model | |
DE102011002678A1 (en) | Method and apparatus for the automatic generation of characteristic map-characteristic structures for a regulation and / or control of a system, in particular of an internal combustion engine | |
WO2020169416A1 (en) | Quantised training of trainable modules |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R082 | Change of representative |
Representative=s name: BRANDT, MAXIMILIAN, DR., DE |
|
R084 | Declaration of willingness to licence |