DE102023122897A1

DE102023122897A1 - Verfahren zur Vorhersage eines Leistungsbedarfs von Nebenaggregaten eines Fahrzeugs

Info

Publication number: DE102023122897A1
Application number: DE102023122897.8A
Authority: DE
Inventors: Rene Savelsberg; Kai Franke; Lukas Schäfers
Original assignee: FEV Group GmbH
Current assignee: FEV Group GmbH
Priority date: 2022-09-22
Filing date: 2023-08-25
Publication date: 2024-03-28
Also published as: DE102022124335A1

Abstract

Die Erfindung betrifft ein Verfahren zur Vorhersage eines Leistungsbedarfs (PN,1) von Nebenaggregaten eines Fahrzeugs, ein zum Ausführen des Verfahrens eingerichtetes Steuergerät sowie ein Computerprogrammprodukt. Das Verfahren umfasst die Schritte:- Erfassen von Fahrzeugbetriebsdaten (B) und Umgebungsdaten (U);- Bereitstellen einer Mehrzahl von Vorhersagemodellen für den Leistungsbedarf (PN,1) der Nebenaggregate, wobei die Vorhersagemodelle über Wertebereiche (KM,1) eines ersten Klassifizierungsparameters klassifiziert sind, wobei ein aktueller Wert (KA,1) des ersten Klassifizierungsparameters Bestandteil der erfassten Fahrzeugbetriebsdaten (B) oder Umgebungsdaten (U) ist und wobei die Fahrzeugbetriebsdaten (B), die Umgebungsdaten (U) sowie eine vorhergesagte Geschwindigkeit (v̂) als Eingangsdaten der Vorhersagemodelle dienen;- Auswählen des Vorhersagemodells, dessen Wertebereich (KM,1) des ersten Klassifizierungsparameters den aktuellen Wert (KA,1) des ersten Klassifizierungsparameters beinhaltet;- Vorhersagen des Leistungsbedarfs (PN,1) der Nebenaggregate für eine vorausliegende Fahrstrecke oder für einen zukünftigen Zeitraum mittels des ausgewählten Vorhersagemodells.

Description

Die Erfindung betrifft ein Verfahren zur Vorhersage eines Leistungsbedarfs von Nebenaggregaten eines Fahrzeugs, ein zum Ausführen des Verfahrens eingerichtetes Steuergerät sowie ein Computerprogrammprodukt.
Aus der EP2600106A1 ist eine Vorrichtung zur Berechnung des Leistungsbedarfs eines Fahrzeugs bekannt. In der Vorrichtung werden vorhergesagte Wetterdaten und vorhergesagte Einstellungen eines Klimatisierungssystems berücksichtigt und ein daraus resultierender Stromverbrauch berechnet.
Das erfindungsgemäße Verfahren zur Vorhersage eines Leistungsbedarfs (P_N,1) eines oder mehrerer Nebenaggregate eines Fahrzeugs umfasst die Schritte:

- Erfassen von Fahrzeugbetriebsdaten (B) und Umgebungsdaten (U);
- Bereitstellen einer Mehrzahl von Vorhersagemodellen für den Leistungsbedarf (P_N,1) der Nebenaggregate, wobei die Vorhersagemodelle über Wertebereiche (K_M,1) eines ersten Klassifizierungsparameters klassifiziert sind, wobei ein aktueller Wert (K_A,1) des ersten Klassifizierungsparameters Bestandteil der erfassten Fahrzeugbetriebsdaten (B) oder Umgebungsdaten (U) ist und wobei die Fahrzeugbetriebsdaten (B), die Umgebungsdaten (U) sowie eine vorhergesagte Geschwindigkeit (v̂) als Eingangsdaten der Vorhersagemodelle dienen;
- Auswählen des Vorhersagemodells, dessen Wertebereich (K_M,1) des ersten Klassifizierungsparameters den aktuellen Wert (K_A,1) des ersten Klassifizierungsparameters beinhaltet;
- Vorhersagen des Leistungsbedarfs (P_N,1) der Nebenaggregate für eine vorausliegende Fahrstrecke oder für einen zukünftigen Zeitraum mittels des ausgewählten Vorhersagemodells.

Durch die Vorhersage des Leistungsbedarfs der Nebenaggregate des Fahrzeugs ermöglicht das erfindungsgemäße Verfahren eine präzisere Vorhersage des gesamten Leistungsbedarfs des Fahrzeugs, eine verbesserte Reichenweitenbestimmung sowie präzisere Resultate für andere langfristige Vorhersagefunktionen, wie bspw. die Planung von Maßnahmen des Wärmemanagements.
Die Verwendung mehrerer Vorhersagemodelle ermöglicht eine bessere Berücksichtigung saisonaler Effekte. Da die Vorhersage des Leistungsbedarfs in Abhängigkeit von den Randbedingungen über verschiedene Modelle erfolgt, wird vorteilhafterweise eine Überanpassung der Modelle verhindert. Zu einer solchen Überanpassung könnte es insbesondere kommen, wenn ein einziges Vorhersagemodell über einen längeren Zeitraum mit ähnlichen Randbedingungen trainiert wird. Treten schließlich doch veränderte Randbedingungen auf, ist ein überangepasstes Vorhersagemodell nicht in der Lage, eine ausreichend genaue Vorhersage zu liefern.
Vorzugsweise handelt es sich bei den Vorhersagemodellen um Regressionsmodelle, für die in einem Trainingsmodus folgende Schritte durchgeführt werden:

- Bestimmen des tatsächlichen Leistungsbedarfs (P_N,0) von Nebenaggregaten des Fahrzeugs;
- Erfassen von Fahrzeugbetriebsdaten (B) und Umgebungsdaten (U), umfassend einen tatsächlichen Wert (K_A,2) eines zweiten Klassifizierungsparameters;
- Auswählen des Vorhersagemodells, dessen Wertebereich (K_M,2) des zweiten Klassifizierungsparameters mit dem tatsächlichen Wert (K_A,2) des zweiten Klassifizierungsparameters übereinstimmt, als zu trainierendes Vorhersagemodell;
- Trainieren des ausgewählten Vorhersagemodells mittels des tatsächlichen Leistungsbedarfs (P_N,0), der Fahrzeugbetriebsdaten (B), der Umgebungsdaten (U) und der tatsächlichen Fahrzeuggeschwindigkeit (v).

Die Schritte des Auswählens des zu trainierenden Vorhersagemodells über den zweiten Klassifizierungsparameter und des Trainierens des ausgewählten Vorhersagemodells mittels der genannten Größen (tatsächlicher Leistungsbedarf, Fahrzeugbetriebsdaten, Umgebungsdaten und aktuelle Fahrzeuggeschwindigkeit) ermöglichen, dass nur das für die jeweiligen Randbedingungen vorgesehene Vorhersagemodell trainiert wird und das Vorhersagemodell auf realen Daten beruht.
Ein Einsatz des Trainingsmodus kann beispielsweise am Ende jeder Fahrt, in festgelegten zeitlichen Abständen, nach Zurücklegen einer bestimmten Strecke oder in Abhängigkeit von anderen Parametern erfolgen. Ein häufiges und regelmäßiges Trainieren steigert generell die Genauigkeit der Vorhersagemodelle.
Vorzugsweise werden die zeitlichen Verläufe des tatsächlichen Leistungsbedarfs (P_N,0), der erfassten Fahrzeugbetriebsdaten (B), der Umgebungsdaten (U) und der tatsächlichen Fahrzeuggeschwindigkeit (v) während des Betriebs des Fahrzeugs ermittelt und zwischengespeichert und bei einem Einsatz des Trainingsmodus zum Trainieren der Vorhersagemodelle verwendet. Entsprechend steht eine große Datenmenge zum Trainieren der Modelle zur Verfügung und es können, bei sich verändernden Bedingungen, auch mehrere Vorhersagemodelle während eines einzigen Einsatzes des Trainingsmodus trainiert werden.
Grundsätzlich kann jedes mathematische oder statistische Modell, mit dessen Hilfe aus Eingangsvariablen (hier: Fahrzeugbetriebsdaten und Umgebungsdaten) auf Zielvariablen (hier: Leistungsbedarf von Nebenaggregaten) geschlossen werden kann, als Regressionsmodell eingesetzt werden. Dazu zählen bspw. Entscheidungsbaummodelle, Gauß-Prozess-Regressionsmodelle, künstliche neuronale Netze und multivariate polynomiale Regressionsmodelle.
In einer bevorzugten Ausführung des Verfahrens wird im Rahmen des Trainierens der Vorhersagemodelle der tatsächliche Leistungsbedarf (P_N,0) der Nebenaggregate aus der Differenz einer Leistung (P_B) einer Batterie des Fahrzeugs und eines Leistungsbedarfs (P_D) eines Antriebsstrangs des Fahrzeugs bestimmt. Dies ermöglicht eine einfache, aber zuverlässige Berechnung des tatsächlichen Leistungsbedarfs der Nebenaggregate. In alternativen Ausführungen sind die einzelnen Nebenaggregate dazu eingerichtet, ihren tatsächlichen Leistungsbedarf zu ermitteln und direkt an eine Recheneinheit zu übermitteln, bspw. über ein CAN-System.
Die Nebenaggregate umfassen vorzugsweise eines oder mehrere der folgenden Systeme: ein Heizungs-, Lüftungs- und Klimatisierungssystem (HVAC-System), eine Fahrzeugbeleuchtung, eine Einrichtung zur Lenkkraftunterstützung, eine Vakuumpumpe, ein Scheibenwischermotor, eine Sensorik, ein Bordcomputer, ein Multimediasystem.
Die Fahrzeugbetriebsdaten (B) umfassen bevorzugt einen oder mehrere der folgenden Parameter: verstrichene Zeit seit Beginn der aktuellen Fahrt, Fahrzeuggeschwindigkeit, Fahrereinstellungen der Nebenaggregate, Anzahl der Insassen, Innenraumtemperatur.
Die Fahrereinstellungen der Nebenaggregate können beispielhaft eine Zielinnenraumtemperatur des HVAC-Systems, Einstellungen einer Sitzheizung oder Sitzkühlung, Einstellungen der Betriebsart des HVAC-Systems oder Einstellungen einer Scheibenheizung umfassen.
Zu den Einstellungen der Betriebsart des HVAC-Systems zählen beispielhaft die Wahl eines Umluftbetriebes oder eines Außenluftbetriebes, sowie der Zustand (eingeschalteter oder ausgeschalteter Zustand, Intensitätsstufe) einzelner Lüfter.
Die Umgebungsdaten (U) umfassen vorzugsweise einen oder mehrere der folgenden Parameter: Umgebungstemperatur, Luftfeuchtigkeit, Bestrahlungsstärke, Sichtverhältnisse, Niederschlagsintensität.
In bevorzugten Ausführungen des Verfahrens ist der erste Klassifizierungsparameter gleich dem zweiten Klassifizierungsparameter, in besonders bevorzugten Ausführungen handelt es sich bei dem ersten und zweiten Klassifizierungsparameter um die Umgebungstemperatur T_Env. Die Umgebungstemperatur T_Env ist einer der größten Einflussfaktoren auf den Leistungsbedarf der Nebenaggregate und daher als Klassifizierungsparameter besonders geeignet.
Alternativ werden für den ersten und zweiten Klassifizierungsparameter unterschiedliche Größen verwendet. Generell kommt eine Vielzahl von Parametern der Umgebungsdaten oder Fahrzeugbetriebsdaten für den ersten und zweiten Klassifizierungsparameter in Frage. Weiterhin ist es möglich, dass der erste oder zweite Klassifizierungsparameter mehrere physikalische Größen umfassen, bspw. die Umgebungstemperatur T_Env und die relative Luftfeuchtigkeit φ. Möglich ist es auch, dass der erste und zweite Klassifizierungsparameter aus einer Kombination mehrerer physikalischer Größen resultieren, bspw. aus dem Produkt der Umgebungstemperatur T_Env und einer weiteren Größe der Umgebungsdaten.
Ein erfindungsgemäßes Steuergerät ist zum Ausführen des erfindungsgemäßen Verfahrens eingerichtet.
Ein erfindungsgemäßes Computerprogrammprodukt umfasst Befehle, die bei der Ausführung des Programms durch ein Steuergerät dieses veranlassen, das erfindungsgemäße Verfahren auszuführen.
Bevorzugte Ausführungsbeispiele werden anhand der folgenden Figuren näher erläutert. Dabei zeigt

1 schematisch ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens und
2 schematisch das Prinzip des Trainingsmodus.

1 zeigt schematisch ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens zur Vorhersage eines Leistungsbedarfs (P_N,1) eines oder mehrerer Nebenaggregate eines Fahrzeugs. Im Ausführungsbeispiel umfassen die Nebenaggregate die Bestandteile eines Heizungs-, Lüftungs- und Klimatisierungssystems (HVAC-System).
Das Verfahren umfasst den Schritt des Erfassens von Fahrzeugbetriebsdaten (B) 20 und Umgebungsdaten (U) 10. In dieser Ausführungsform umfassen die Umgebungsdaten (U) 10 beispielhaft eine Umgebungstemperatur T_Env, eine Bestrahlungsstärke der Sonne q_Sun und eine relative Luftfeuchtigkeit φ_rel. Die Fahrzeugbetriebsdaten (B) 20 umfassen beispielhaft eine Zielinnenraumtemperatur T_Tgt und ein Parameter b_SH zur Beschreibung der Einstellung einer Sitzheizung.
Eine Mehrzahl von Vorhersagemodellen 50 für den Leistungsbedarf (P_N,1) der Nebenaggregate wird bereitgestellt. Im Ausführungsbeispiel sind dies vier Vorhersagemodelle 50 (M_a, M_b, M_c, M_d). Die Vorhersagemodelle 50 sind über Wertebereiche (K_M,1) eines ersten Klassifizierungsparameters klassifiziert, wobei ein aktueller Wert (K_A,1) des ersten Klassifizierungsparameters Bestandteil der erfassten Fahrzeugbetriebsdaten (B) 20 oder Umgebungsdaten (U) 10 ist und wobei die Fahrzeugbetriebsdaten (B) 20, die Umgebungsdaten (U) 10 sowie eine vorhergesagte Geschwindigkeit (v̂) als Eingangsdaten der Vorhersagemodelle 50 dienen. Im Ausführungsbeispiel handelt es sich bei dem ersten Klassifizierungsparameter um die Umgebungstemperatur T_Env. Die Wertebereiche (K_M,1) des ersten Klassifizierungsparameters betragen: $K_{M, 1} (M_{a}) = < 0 ° C; K_{M, 1} (M_{b}) = 0 \dots 10 ° C; K_{M, 1} (M_{c}) = 10 \dots 25 ° C; K_{M, 1} (M_{d}) = > 25 ° C$
Die Vorhersage der Fahrzeuggeschwindigkeit v̂ in Schritt 30 erfolgt beispielhaft auf Basis einer in einem Navigationssystem des Fahrzeugs eingestellten Strecke sowie auf Basis von Informationen zu Geschwindigkeitsbegrenzungen, Verkehrszeichen, Lichtsignalanlagen, Verkehrsaufkommen, Umgebungsbedingungen, Geschwindigkeit anderer Fahrzeuge, Streckentopologie und Fahrverhalten des Fahrzeugführers.
In einem Schritt 40 erfolgt ein Auswählen des Vorhersagemodells 51, dessen Wertebereich (K_M,1) des ersten Klassifizierungsparameters den aktuellen Wert (K_A,1) des ersten Klassifizierungsparameters beinhaltet. Bezogen auf das Ausführungsbeispiel wird also die aktuelle Umgebungstemperatur T_Env, die beispielhaft 17°C beträgt, mit den Wertebereichen der vier Vorhersagemodelle 50 verglichen und das passende Modell 51 ausgewählt, in diesem Fall Modell M_c.
Als weiterer Schritt im Verfahren erfolgt ein Vorhersagen des Leistungsbedarfs (P_N,1) der Nebenaggregate für eine vorausliegende Fahrstrecke oder für einen zukünftigen Zeitraum mittels des ausgewählten Vorhersagemodells 51.
Das Verfahren kann kontinuierlich oder in diskreten Zeitabständen erfolgen, um ein akkurates Vorhersagen des Leistungsbedarfs (P_N,1) der Nebenaggregate zu ermöglichen.
2 zeigt schematisch das Prinzip des Trainingsmodus des erfindungsgemäßen Verfahrens.
Der Einsatz des Trainingsmodus erfolgt im Ausführungsbeispiel am Ende jeder Fahrt oder einmal pro Stunde, abhängig davon, welche Bedingung zuerst eintritt.
Im Trainingsmodus erfolgt in einem Schritt das Bestimmen des tatsächlichen Leistungsbedarfs (P_N,0) von Nebenaggregaten des Fahrzeugs. Im Ausführungsbeispiel wird der tatsächliche Leistungsbedarf (P_N,0) der Nebenaggregate aus der Differenz einer Leistung (P_B) 80 einer Batterie des Fahrzeugs und eines Leistungsbedarfs (P_D) 90 eines Antriebsstrangs des Fahrzeugs bestimmt.
Auch im Trainingsmodus werden die Fahrzeugbetriebsdaten (B) 20 und die Umgebungsdaten (U) 10 erfasst. Diese umfassen einen tatsächlichen Wert (K_A,2) eines zweiten Klassifizierungsparameters. Im Ausführungsbeispiel handelt es sich beim zweiten Klassifizierungsparameter um die Umgebungstemperatur T_Env. Entsprechend ist der zweite Klassifizierungsparameter im Ausführungsbeispiel gleich dem ersten Klassifizierungsparameter. Die Wertebereiche (K_M,2) des zweiten Klassifizierungsparameters betragen, analog zum ersten Klassifizierungsparameter: $K_{M,2} (M_{a}) = < 0 ° C; K_{M,2} (M_{b}) = 0 \dots 10 ° C; K_{M,2} (M_{c}) = 10 \dots 25 ° C; K_{M,2} (M_{d}) = > 25 ° C$
In alternativen Ausführungen können sich die Wertebereiche (K_M,2) des zweiten Klassifizierungsparameters von den Wertebereichen (K_M,1) des ersten Klassifizierungsparameters unterscheiden, auch wenn für den ersten und zweiten Klassifizierungsparameter die gleiche physikalische Größe verwendet wird.
In weiteren alternativen Ausführungen des Verfahrens werden für den ersten und zweiten Klassifizierungsparameter unterschiedliche Größen herangezogen, bspw. die Umgebungstemperatur T_Env als erster Klassifizierungsparameter und die relative Luftfeuchtigkeit φ_rel als zweiter Klassifizierungsparameter.
In einem weiteren Schritt des Trainingsmodus erfolgt ein Auswählen des Vorhersagemodells 51 aus der Mehrzahl von Vorhersagemodellen 50, dessen Wertebereich (K_M,2) des zweiten Klassifizierungsparameters mit dem tatsächlichen Wert (K_A,2) des zweiten Klassifizierungsparameters übereinstimmt, als zu trainierendes Vorhersagemodell 51.
Mittels des tatsächlichen Leistungsbedarfs (P_N,0), der Fahrzeugbetriebsdaten (B) 20, der Umgebungsdaten (U) 10 und der tatsächlichen Fahrzeuggeschwindigkeit (v) 60 erfolgt das Trainieren des ausgewählten Vorhersagemodells 51.
Dafür werden im Ausführungsbeispiel die zeitlichen Verläufe des tatsächlichen Leistungsbedarfs (P_N,0), der Fahrzeugbetriebsdaten (B) 20, der Umgebungsdaten (U) 10 und der tatsächlichen Fahrzeuggeschwindigkeit (v) 60 während des Betriebs des Fahrzeugs ermittelt und zwischengespeichert. Das Trainieren erfolgt beispielhaft, indem die zeitlichen Verläufe in diskrete Zeitpunkte überführt werden und diese dem - für den jeweiligen Zeitpunkt passenden - Vorhersagemodell als Eingangsdaten zugeführt werden. Darauf basierend wird das Vorhersagemodell, in welchem der Leistungsbedarf die abhängige Variable darstellt und die übrigen Größen die unabhängigen Variablen darstellen, erstellt (bei einem ersten Trainieren der Vorhersagemodelle) bzw. optimiert.
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

EP 2600106 A1 [0002]

Claims

Verfahren zur Vorhersage eines Leistungsbedarfs (P_N,1) eines oder mehrerer Nebenaggregate eines Fahrzeugs, umfassend die Schritte: - Erfassen von Fahrzeugbetriebsdaten (B) und Umgebungsdaten (U); - Bereitstellen einer Mehrzahl von Vorhersagemodellen für den Leistungsbedarf (P_N,1) der Nebenaggregate, wobei die Vorhersagemodelle über Wertebereiche (K_M,1) eines ersten Klassifizierungsparameters klassifiziert sind, wobei ein aktueller Wert (K_A,1) des ersten Klassifizierungsparameters Bestandteil der erfassten Fahrzeugbetriebsdaten (B) oder Umgebungsdaten (U) ist und wobei die Fahrzeugbetriebsdaten (B), die Umgebungsdaten (U) sowie eine vorhergesagte Geschwindigkeit (v̂) als Eingangsdaten der Vorhersagemodelle dienen; - Auswählen des Vorhersagemodells, dessen Wertebereich (K_M,1) des ersten Klassifizierungsparameters den aktuellen Wert (K_A,1) des ersten Klassifizierungsparameters beinhaltet; - Vorhersagen des Leistungsbedarfs (P_N,1) der Nebenaggregate für eine vorausliegende Fahrstrecke oder für einen zukünftigen Zeitraum mittels des ausgewählten Vorhersagemodells.
Verfahren nach Anspruch 1, wobei es sich bei den Vorhersagemodellen um Regressionsmodelle handelt, für die in einem Trainingsmodus folgende Schritte durchgeführt werden: - Bestimmen des tatsächlichen Leistungsbedarfs (P_N,0) von Nebenaggregaten des Fahrzeugs; - Erfassen von Fahrzeugbetriebsdaten (B) und Umgebungsdaten (U), umfassend einen tatsächlichen Wert (K_A,2) eines zweiten Klassifizierungsparameters; - Auswählen des Vorhersagemodells, dessen Wertebereich (K_M,2) des zweiten Klassifizierungsparameters mit dem tatsächlichen Wert (K_A,2) des zweiten Klassifizierungsparameters übereinstimmt, als zu trainierendes Vorhersagemodell; - Trainieren des ausgewählten Vorhersagemodells mittels des tatsächlichen Leistungsbedarfs (P_N,0), der Fahrzeugbetriebsdaten (B), der Umgebungsdaten (U) und der tatsächlichen Fahrzeuggeschwindigkeit (v).
Verfahren nach Anspruch 2, wobei der tatsächliche Leistungsbedarf (P_N,0) der Nebenaggregate aus der Differenz einer Leistung (P_B) einer Batterie des Fahrzeugs und eines Leistungsbedarfs (P_D) eines Antriebsstrangs des Fahrzeugs bestimmt wird.
Verfahren nach einem der vorherigen Ansprüche, wobei die Nebenaggregate eines oder mehrere der folgenden Systeme umfassen: ein Heizungs-, Lüftungs- und Klimatisierungssystem (HVAC-System), eine Fahrzeugbeleuchtung, eine Einrichtung zur Lenkkraftunterstützung, eine Vakuumpumpe, ein Scheibenwischermotor, eine Sensorik, ein Bordcomputer, ein Multimediasystem.
Verfahren nach einem der vorherigen Ansprüche, wobei die Fahrzeugbetriebsdaten (B) einen oder mehrere der folgenden Parameter umfassen: verstrichene Zeit seit Beginn der aktuellen Fahrt, Fahrzeuggeschwindigkeit, Fahrereinstellungen der Nebenaggregate, Anzahl der Insassen, Innenraumtemperatur.
Verfahren nach einem der vorherigen Ansprüche, wobei die Umgebungsdaten (U) einen oder mehrere der folgenden Parameter umfassen: Umgebungstemperatur, Luftfeuchtigkeit, Bestrahlungsstärke, Sichtverhältnisse, Niederschlagsintensität.
Verfahren nach einem der vorherigen Ansprüche, wobei der erste Klassifizierungsparameter gleich dem zweiten Klassifizierungsparameter ist.
Verfahren nach Anspruch 7, wobei der erste und zweite Klassifizierungsparameter die Umgebungstemperatur T_Env ist.
Steuergerät, eingerichtet zum Ausführen des Verfahrens nach einem der vorherigen Ansprüche.
Computerprogrammprodukt umfassend Befehle, die bei der Ausführung des Programms durch ein Steuergerät dieses veranlassen, das Verfahren nach einem der Ansprüche 1 bis 8 auszuführen.