JP2007526735A - 駆動デバイスによって駆動されるコンポーネントの調整動作を監視するための方法 - Google Patents

Abstract

本発明は、駆動デバイスによって駆動され、直進もしくは回転調整可能なコンポーネント、特に自動車の窓ガラス（２２）またはサンルーフの調整動作を監視するための方法に関し、駆動デバイス（２，３）から導かれ、かつ駆動デバイス（２，３）のブレーキングを直接的もしくは間接的に表す、駆動デバイス（２，３）内の駆動モータ（３）の周期の持続時間および／または電流ドロウの上昇といった複数の入力信号が、隠れニューロンを包含する少なくとも１つの隠れレイヤを伴うニューラル・ネットワーク（６）の入力レイヤの入力ニューロンに同時に供給され、それが出力レイヤの少なくとも１つの出力ニューロンにおいて、調整力の過剰力、あるいは挟み込みありの状態または挟み込みなしの状態に対応する出力値を提供する。

Description

本発明は、駆動デバイスによって駆動され、かつ直進もしくは回転式で調整可能なコンポーネントの調整動作を監視するための方法に関し、より詳細に述べれば、駆動デバイスがコンポーネントを調整する力またはコンポーネントの調整動程内にある物体を挟み込む力を決定するための方法に関する。

ドイツ国特許公開公報第19840164号（DE 198 40 164 A1）は、２位置の間において直進式で動かすことのできるコンポーネントを調整するための方法を開示しており、直進式で動かすことのできるコンポーネントに対する直進式で動かすことのできるコンポーネントを調整する駆動デバイスの部品である駆動モータの周期長からの瞬時力の効果が駆動モータの回転速度内の変化から計算される力の変化値から計算されるが、それにおいては、合計の力の変化値および駆動デバイスを含む全調整デバイスの数学的モデルによって作り出される平衡システムによって重み付けされた力の変化値が決定され、この力の変化値は、駆動モータの振る舞いに排他的に依存する。直進式で動かすことのできるコンポーネントに対する瞬時力の効果は、駆動モータのスイッチ−オフまたは逆転のための判定基準として使用され、上側スレッショルド値を超える回転速度内の変化については、回転速度内の変化に関する値に代えてこの上側スレッショルド値が、それぞれの値のための力の変化値の計算において使用される。

検知されるべき物理変量の数および物理変量のサンプリングの頻度を制限するために、駆動モータの回転の周期長が、マグネット・ホイールおよび２つのホール・センサによって検知される。経験的に、もしくは測定手段により検知された周期長の外挿によって検知される種々のパラメータとともに検知された周期長を基礎として挟み込み防止判定基準の微細分解能監視に照準が当てられている。

この目的から直進式で動かすことのできるコンポーネントに対する瞬時力の効果を決定するために、周期ベースでのみ利用可能な周期長の測定値が外挿され、外挿公式が駆動デバイスの全システムを修正する間に、ばね弾性率、全システムの減衰ならびに摩擦値によって決定されるパラメータが使用される。その結果として、振動から生じる周期時間プロファイルのスペクトル成分が、挟み込みの場合に生じる成分より弱く評価される。このようにして周期長について決定された評価値から、その後、モータ速度に対するモータ電圧および可動乗り物コンポーネントの位置の影響を除去するためにモータ電圧フィルタおよび変位プロファイル・フィルタを使用し、ある時間の回転速度内の変化が先行する時間に関して評価される。

モータ速度モデル上、特に電圧内に変化があるときの駆動モータの動的振る舞いにおいて、モータ電圧および直進態様で動かすことのできるコンポーネントの位置が消去される。さらに、評価された回転速度内の変化と、固定された時間的に一定の下側限界を比較することによって補正が実行される。評価された回転速度内の変化がこの下側限界を超えると、それらに、駆動モータのモータ特性曲線の急峻さを表す比例定数が乗じられる。

ドイツ国特許公報第4020351号（DE 40 20 351 C2）は、自動車の窓ガラスをコントロールするための方法を開示しており、それにおいては、挟み込み防止デバイスの過度に早い応答を防止することが意図された挟み込み防止判断基準を導くために補正方法が適用される。この目的から、第１のセンサ・デバイスがコントロール・エレクトロニクスに、窓ガラスおよび窓ガラスを動かす駆動デバイスの起点に関してそれらに関連付けされた、オンボード電気システムの電圧、窓昇降機の速度、駆動トルク、窓ガラスの重量等とする信号を供給し、第２のセンサ・エレメントがコントロール・エレクトロニクスに、窓ガラスおよび窓ガラスを動かす駆動デバイスの起点に関してそれらに関連付けされていない、より詳細には乗り物の車体に作用する加速力を供給する。挟み込み防止デバイスが誤ってスイッチ−オフまたは逆転されることを防止するために、第２のセンサ・エレメントの信号が基本レベルとして使用され、第１のセンサ・デバイスの信号が、安全判断基準に関して評価される。

この周知の方法においては、周期長内の増加による乗り物ボディの相対検出が使用され、言い換えると連続する時間間隔における力の変化が互いに比較され、その結果として、直進態様で動かすことのできるコンポーネントの増速と、直進態様で動かすことのできるコンポーネント調整動程内における物体の挟み込みをかろうじて区別することができる。

自動車のオンボード電気システム内に電圧のジャンプが存在するとき、および悪路部分を走行するとき、この周知の方法は干渉変量の過補償を惹起し、それが許容可能な挟み込みの力を超えるような非常に高い力を伴う高いオフセットを導く。この周知の方法の別の欠点は、直進態様で動かすことのできるコンポーネントに作用する力が、周期長内に増加があるときにのみ検出可能であり、かつ周期長内に減少があるときには高い力を導くことであり、言い換えると、たとえば直進態様で動かすことのできるコンポーネントの移動の容易性に起因して周期長が減少するときに高い力を導くことである。

この周知の方法においては、直進態様で動かすことのできるコンポーネントの調整動程のプロファイル内における経時ならびに摩損に起因する変化がパラメータの変更によって補償されており、これはコントロール・アルゴリズムならびに対応する複雑なコントロール方法の再調整を必然的に伴う。

最後にこの周知の方法は、直進態様で動かすことのできるコンポーネントのスイッチ−オフおよび逆転について決め手となる特定数の異なるパラメータの選択に依存しており、比較的多数のパラメータが存在するときには、それがセンサ・システムならびにコントロール装置の対応する複雑性を必然的に伴う。

ドイツ国特許公報第101 96 629号（DE 101 96 629 T1）は、従動閉成システム用のセンサ・システム内におけるニューラル・ネットワークの使用および要件に従って従動閉成システムの閉成を防止するための方法を開示しており、当該方法においては、センサ・システムが近接センサを用いて挟み込みが生じる前に物体を検出する。しかしながら、上記の周知の方法に生じる問題は駆動デバイスの信号の検出に関連しており、それが、互いに影響し合う変量のために評価ならびに誤り訂正を特に困難にしている。
ドイツ国特許公開公報第19840164号 ドイツ国特許公報第4020351号 ドイツ国特許公報第10196629号 国際特許公開公報第WO 02/27132号 国際特許公開公報第WO 03/063318号

本発明の目的は、駆動デバイスによって駆動され、直進または回転式で調整可能なコンポーネントの調整動作を監視するための方法を示すことであり、当該方法は、調整、挟み込み、もしくは逆転の力に対する種々の影響変量を考慮に入れ、それらの影響変量における変化に対して自動的に適合可能であり、かつ挟み込み防止手段に影響する影響変量の考慮という点について高度の融通性を有する。

この目的は、本発明に従い、請求項１によって達成される。

本発明に従った解決策は、駆動デバイスによって駆動され、直進もしくは回転式で調整可能なコンポーネントの調整動作を決定すること、特に調整、挟み込みもしくは逆転の力を設定可能な感度を用いて決定することによって監視するための方法を提案し、当該方法は、調整、挟み込みもしくは逆転の力に影響する種々の影響変量を考慮に入れ、影響変量内の変化に自動的に適合することが可能であり、挟み込み防止手段に影響する影響変量を考慮に入れるという点に関して高度の融通性を有する。

特に本発明に従った解決策は、以下を確保する：
− 力を決定する感度を低いばね定数において設定できること；
− 供給電圧における変化が力に大きな変動を導かないこと、特に電圧におけるジャンプが調整動作の逆転もしくは過補償を導かないこと；
− たとえば８〜１７Ｖの大きな電圧範囲が確保されること；
− 加速の間の乗り物ボディの倍振動が適時に検出されること；
− 可調コンポーネントの調整動程内における変化が継続的に検知されること；
− 挟み込み防止手段のスイッチ・オフ力が連続的に設定できること；
− 信号が任意の所望の態様で検知できること；および、
− カスタマ固有の需要に対する簡単な適応が可能なこと。

本発明に従った解決策は、調整、挟み込み、または逆転の力の決定においてニューラル・ネットワークの利点、特に以下の利点を使用する：
− 与えられたデータから、特にそのように行うべくプログラムすることを必要とせずに自動的に学習する能力；
− 学習段階における入力パターンが不完全か、あるいはその一部に欠陥がある場合であっても行われるストア済みパターンの検出；および、
− 学習済みの問題から学習未済の問題を推論する能力。

駆動デバイスの調整動作の減速度は、駆動デバイスの駆動モータの周期長および／またはモータ電流および／またはモータ電圧を変更することによって好ましく決定される。

本発明に従った方法は、駆動デバイスの駆動モータのモータ電圧を考慮に入れて周期長またはモータ電流を増加するか、あるいは信号のいくつかまたは全部を論理的に結合することによって挟み込みの場合の直接的または間接的な検出を利用する。可調コンポーネントは、好ましくは多様なばね定数、たとえば４ｍｍのロッドを用いた２Ｎ／ｍｍ、１０Ｎ／ｍｍ、２０Ｎ／ｍｍ、および６５Ｎ／ｍｍのばね定数において好ましく検出される挟み込みの場合に停止もしくは逆転されるが、電圧のジャンプ、可調コンポーネントのシール内への進入、あるいは天候による可調コンポーネントの調整動程における何らかのそのほかの移動の困難性をはじめ、駆動デバイスの増速は、調整動作の継続をもたらす。

周知の方法の多くにおいて追加のセンサ、たとえば近接センサ、加速度センサ等が使用されているが、本発明に従った解決策においては、周期長および／またはモータ電流および／またはモータ電圧が評価され、したがって製造に関して追加の費用を招き、しかも挟み込みの多くの場合に反応しないか、不充分な反応しか得られない、対応するセンサとともに適切なアルゴリズムを伴うセンサ信号を評価するためのデバイスの取り付けが不要になる。

駆動デバイスから導くことのできる入力信号は、オプションとして並列に、すなわち同時に、あるいは直列に、たとえば多重化の方法を使用して、ニューラル・ネットワークの入力レイヤの入力ニューロンに対して出力することができる。

ニューラル・ネットワークが学習可能となるように、入力レイヤ、隠れレイヤ、および出力レイヤの入力をはじめ、少なくとも１つの隠れレイヤに対する入力レイヤの接続、複数の隠れレイヤの互いに対する接続、および出力レイヤに対する隠れレイヤの接続が異なる重みを有し、その結果として個別のレイヤ間の接続が異なる強さを有する。

さらに、少なくとも１つの隠れレイヤの隠れニューロンおよび出力レイヤの少なくとも１つのニューロンは、一定のスレッショルド値もしくはバイアスを有し、それがニューロンの伝達関数の出力を一定の領域内にシフトする。これに関して、バイアスおよび重みは、適用あるいは一連の使用において変更ないしは再学習されない定数である。それらは、一連の使用の前に一度決定され、たとえば、ＥＥＰＲＯＭ内にストアされる。アルゴリズム内に弱点が明らかになった場合には、新しいパラメータを設定すること、たとえば再学習によってそれを改善することができる。しかしながら適用においては、これらの重みおよびバイアスがともに残存する。

学習段階においては、ニューラル・ネットワークの入力ニューロン、隠れニューロン、および／または出力ニューロンに重みが割り当てられ、入力ニューロンに印加される多様な入力パターンがあらかじめ定義され、関連する少なくとも１つの出力値が計算され、重みおよび／またはスレッショルド値が少なくとも１つの出力値と少なくとも１つのセットポイント出力値との間の差の関数として変更される。これに関して、重みにおける変更の程度が、少なくとも１つの出力値と少なくとも１つのセットポイント出力値との間の差の大きさに依存する。

出力値の測定は、好ましくはクリップ−オン力測定計器を用いて異なるばね定数において、たとえば２Ｎ／ｍｍおよび２０Ｎ／ｍｍにおいて行われ、クリップ−オン力測定計器が入力値と類似の態様で測定出力値を出力する。

駆動モータのモータ周期、モータ電流、および／またはモータ電圧が、駆動デバイスの駆動モータの周期長および／または電力ドレイン内における増加によって駆動デバイスのブレーキングが決定されるときに用いられる直接もしくは間接的な信号取り込みに対応する方法で、入力信号として入力ニューロンに入力される。

あらかじめ定義済みの基準電圧について計算され、学習段階でストアされた基準距離のポジションに関連付けされる周期を指定する適応周期が、追加の入力信号として入力ニューロンに入力される。

学習段階においては、適応周期を、適用の中で使用されるより小さいニューラル・ネットワークにおいて計算することが可能であり、適応周期は、ニューラル・ネットワークが駆動モータの完全な回転ごとに、または駆動モータの４つの四半周期において新しい適応周期を計算することから平均され、当該新しい適応周期は、次の調整動作において適応周期として利用可能になる。

本発明の１つの好ましい実施態様においては、入力ニューロンの入力値が、調整可能なコンポーネントの適応プロファイルの値、調整可能なコンポーネントが調整されるときの適応周期の値、増速フラグ、駆動モータの電圧値のためのシフト・レジスタの出力値、周期値のためのシフト・レジスタの出力値、外部の温度、速度信号、振動フラグ、および先行する出力値からなり、ニューラル手段によって決定される力が、出力ニューロンの出力として出力される。

ニューラル・ネットワークの学習段階においては、入力パターンが入力ニューロンに印加され、少なくとも１つの出力ニューロンによって出力される力の値が、低いばね定数におけるシステムの所望感度の関数として選択および／またはあらかじめ定義される。ここでは、ニューラル・ネットワークの学習段階おいて学習される部分が、特に、各パスの後の適用の中において新規に決定された適応周期からなる。

本発明のさらに別の特徴によれば、操作上の適用の前に乗り物内において学習段階が生じ、学習段階の中で決定されるニューラル・ネットワークの重みが、操作上の適用の間に定義される。

絶対値の処理は、一方において、たとえば異なるパラメータにおける駆動システムの振る舞いならびに絶対出力値を決定するために補正曲線を必要とし、それがかなりの不正確を招くが、他方においては、多様な影響因子を充分に考慮に入れるために多数の入力ニューロンを必要とし、それもまた相当に、ニューラル・ネットワークをモデリングするために使用されるマイクロプロセッサのコンピューティング・パワーを必要とする。これら両方の欠点を回避するために、本発明の１つの展開においては、適応デバイスが使用されて基準値に対して標準化された駆動デバイスの信号を決定し、ニューラル・ネットワークの入力レイヤに対して適応値を出力する。

適応デバイスは、直進もしくは回転態様で調整可能なコンポーネントのそれぞれのポジションの関数とする追加の入力信号として適応値を入力レイヤに好ましく出力する。

適応デバイスは、随意的に駆動デバイスのモデル、ファジィ・システム、または発生学的に生成されたアルゴリズムを伴う数学モデルから構成できるが、特にニューラル適応ネットワークからも構成可能であり、その入力ニューロンには駆動デバイスの少なくとも１つの信号が印加され、その少なくとも１つの出力ニューロンは、ニューラル・ネットワークに対してポジション従属の適応値を出力する。

駆動モータのモータ電圧が異なるときの駆動デバイスの振る舞いを決定するために、基準電圧に対してそれぞれのモータ電圧が参照され、その場合に−−ニューラル適応ネットワークによってニューラル・ネットワークに利用可能となる−−関連トルクの周期のデータが基準電圧に対して参照され、その結果、基準電圧に対して較正された参照曲線が異なるトルクについて常に正しく計算される。これに関連して複数の周期ならびに関連モータ電圧にわたってニューラル適応ネットワークの入力データとして周期または合計が供給され、続いてニューラル適応ネットワークが、間接的にそれぞれのトルクを決定し、基準電圧についての入力値として関連する周期をニューラル・ネットワークが利用できるようにし、それが挟み込み、調整、または過剰な力を決定する。

さらに精度を向上させるために、ニューラル・ネットワークによって駆動デバイスのそれぞれの調整力を決定するとき、周囲温度、気候データまたは温度および駆動デバイスの駆動モータの冷却作用等の追加のパラメータをニューラル・ネットワークの入力ニューロンに印加することが可能である。

この点に関して挟み込みあり状態の検出のために使用されるアルゴリズムが高いばね定数における低い挟み込み力を達成するために低いばね定数において非常に敏感となっていることから、低いばね定数における低い力が、駆動モータの誤った逆転を頻繁にもたらす。

たとえば窓昇降システムの調整力内の変化、あるいは駆動モータ内の変化に起因する駆動モータの誤った逆転を回避するために、本発明のさらに別の特徴によれば、駆動モータが、ニューラル・ネットワークの出力値および駆動デバイスのばね定数の関数として停止または逆転される。これに関連して駆動デバイスのばね定数とニューラル・ネットワークの出力値の論理的な結合を、論理回路、アルゴリズムを伴う数学モデル、もしくはニューラル論理ネットワークによって実行することができる。

したがって、駆動モータの異なる周期における回転速度の差が使用されて、高いばね定数と低いばね定数が区別される。挟み込みあり状態の検出は、したがって調整力に対応するニューラル・ネットワークの出力値および回転速度における差から決定されるばね定数の関数として捉えられる。

駆動デバイスのばね定数とニューラル・ネットワークの出力値を論理的に結合するために、駆動モータの回転速度が検知され、２つの周期の間における回転速度の差が求められ、ニューラル・ネットワークの出力値と、
− ニューラル・ネットワークの出力値および回転速度における差に対する所定のスレッショルド値より小さい回転速度における差の第１のスイッチ−オフ・スレッショルド値が超えられたときに、駆動モータが停止されるか、あるいはニューラル・ネットワークの出力値が第１のスイッチ−オフ・スレッショルド値より大きい第２のスイッチ−オフ・スレッショルド値を超えた場合に限り調整動作の終わりまで逆転され、
− ニューラル・ネットワークの出力値の第１のスイッチ−オフ・スレッショルド値および回転速度における差に対する所定のスレッショルド値より大きい回転速度における差が超えられたときに、駆動モータが停止されるか、あるいは逆転され、
− 第２のスイッチ−オフ・スレッショルド値が超えられたときには回転速度における差に関係なく、駆動モータが停止されるか、あるいは逆転されるように論理的に結合される。

ニューラル・ネットワークの出力値の第１のスイッチ−オフ・スレッショルド値および回転速度における差に対する所定のスレッショルド値より小さい回転速度における差が超えられたときには、駆動デバイスの追加の調整動作を保証する回転速度における差が、前記回転速度における差に対する所定のスレッショルド値より大きくなる場合であっても、駆動モータの停止または逆転が阻止される。

ニューラル・ネットワークは、従来技術において自動車コンポーネントの調整デバイスのためのコントロール・デバイスに使用されている。

ここで可能な自動車コンポーネントは、基本的にすべての、モータによって調整可能に設計された自動車コンポーネントである。特に自動車コンポーネントには、その調整動程が、自動車コンポーネントと当該自動車のほかのコンポーネントの間に障害物が挟まれる可能性が存在するような設計を有するものが存在する。それらは特に、窓ガラス、スライド・ドア、シートベルト予備位置調整、および自動車シートである。

周知のコントロール・デバイスは、ニューラル・ネットワークを伴う電子デバイス内の、調整デバイスのコントロールに使用するための測定変量を評価するべく設計され、構成されている。

その種の測定変量は、自動車およびそのコンポーネントに関連して考えられるすべてのパラメータを包含する。それらは特に、自動車に作用する加速力、自動車の速度、および調整デバイスの調整速度ならびに調整力もしくはその電力ドレインである。

すでに述べたとおり、ニューラル・ネットワークの重みは、当該ネットワークが機能するための必須パラメータを構成する。２つのニューロンの間の任意の接続は、通常、数字ファクタの形式で提供される類の重みによって特徴記述される。ニューロンに生じる入力信号は、それぞれの場合において、隣接ニューロンに対する対応の接続の関連する重みによって乗じられる。ニューラル・ネットワークが滑らかに機能するために必要な複数の重みの最適結合は、いわゆる学習プロセスにおいて決定することができる。この定義済みの重みの量は、重みセットと呼ばれることもある。

重みセットの学習が終了した後は、それをニューラル・ネットワークに関連付けされたストレージ・エレメント内にストアすることができる。

この種の学習プロセスは、自動車ならびにそのコンポーネントの、当該自動車の使用の間に生じ得る複数の状態をシミュレーションする。このようにしてニューラル・ネットワーク用に決定された重みセットが、自動車ならびにそのコンポーネントに考えられるすべての状態と均一な互換性を有し得ないことは自明である。

この理由から、自動車および／または調整デバイスの多くの状態におけるコントロール・デバイスの正しくない振る舞いを回避するために複雑な電子フィルタ回路がしばしば使用される。しかしながらこれらのフィルタ回路は、場合によっては過補償もしくは信頼できない反応を引き起こす傾向にある。

このことは、自動車ならびにそのコンポーネントの多くの異なる状態において可能な限りの信頼性をもって機能する上記のタイプのコントロール・デバイスを、製造容易およびコスト効果を保ちつつ提供するという目的をもたらす。

この目的を達成するため、ニューラル・ネットワークに割り当てられた、そのニューラル・ネットワーク用に少なくとも２組の記憶された重みを有するストレージ・ユニットが提供される。各重みセットは、自動車の状態および／または調整デバイスの状態に割り当てられ、ニューラル・ネットワークは、それぞれの割り当て済みの重みセットを用いて、自動車の状態の関数として、および／または調整デバイスの状態の関数として動作する。

ニューラル・ネットワーク用の特定の重みセットがそれぞれの状態もしくはそれぞれの状態の組み合わせに割り当てられていることから、電子フィルタを使用する必要がない。同時に、コントロール・デバイスの信頼性が増加する。

自動車ならびにそのコンポーネントの状態の特徴、たとえばそれに割り当てられているコントロール・デバイスおよび調整デバイス等の特徴には、特に、自動車の速度、自動車の移動方向と異なる、たとえば悪路部分の特徴である加速力、オンボード電気システムの電圧の変動、調整デバイスに割り当てられているモータの増速、カバーされる距離または時間にわたる電力ドレイン内の特有の変化を通じて説明される調整デバイスの動きの非容易性、および自動車ドアが勢いよく閉じられることが含まれる。

特に、オンボード電気システムの電圧レベルの変動は、調整デバイスの供給電圧における時間経過に伴う変化を導く。これは、時間的なこれらの変化が、たとえば調整デバイスの電子的および／または機械的パラメータに関して評価エレクトロニクスによって不正確に解釈されるリスクをもたらす。

本発明は、コントロール・デバイスのニューラル・ネットワークのために、選択された状態もしくは状態の組み合わせについて特別に適合された割り当て済み重みセットを提供することを可能にする。これらの複数の重みセットは、電子デバイスに割り当てられたストレージ・ユニット内にストアされ、それぞれの状態もしくは状態の組み合わせが生じたとき、ニューラル・ネットワークが充分に迅速に利用することができる。

ニューラル・ネットワークは、自動車コンポーネントの調整動程内に挟み込まれている障害物について挟み込み防止手段が確保されるような態様で測定変量を評価するように好ましく構成され、設計される。言い換えると、コントロール・デバイスの電子デバイスは、自動車コンポーネントの調整動程内の障害物のための挟み込み防止システムを構成する。

異なる重みセットのそれぞれが、自動車コンポーネントの調整動程内に挟み込まれている障害物の検出に関して異なる調整デバイスの感度を実装していると有利である。その結果として挟み込み防止システムには、動かされる自動車コンポーネントの決定済みばね定数の関数として異なる応答スレッショルドが与えられる。たとえば、悪路部分を走行する自動車の状態または自動車ドアが勢いよく閉じられた自動車の状態においては、窓昇降機として構成された調整デバイス内において使用される重みセットが、２０Ｎ／ｍｍのスレッショルド値を超えて検出されたばね定数が排除されるように構成されると有利である。これは、たとえば、２０Ｎ／ｍｍを超えるばね定数について、挟み込み防止システムの応答スレッショルドを有意に増加させることによって実装することができる。

この方法によって達成される比較的高いばね定数の排除は、たとえば窓昇降機において誤って窓ガラスが停止または逆転されるケースが有意に低減される情況を導く。

当然のことながら、ニューラル・ネットワークの重みセットは、２０Ｎ／ｍｍと異なるばね定数スレッショルド値がセットされるように構成することもできる。このようにすれば、地域的に異なる、満たされるべきそれぞれの法的要件に対して適応させることが可能になる。

電子デバイスは、重みセットの容易な置き換えまたは修正が可能となる方法で好ましく構成される。重みセットを修正する１つの方法は、いわゆる『学習』である。この場合、特定の状態の入力測定変量、たとえば典型的な悪路部分の測定変量がニューラル・ネットワークに供給される。このプロセスにおいては、所望の出力信号が現れるまで重みが変更される。

コントロール・デバイスの１つの有利な実施態様は、自動車デバイスおよび／または調整デバイスの状態を決定するための少なくとも１つのインターフェースを伴った電子デバイスを包含する。これらのインターフェースは、通常、ＣＡＮ（コントローラ・エリア・ネットワーク）またはＬＩＮ（ローカル・インターコネクト・ネットワーク）バス・システムのバス・ノードとして構成される。

本発明のこのほかの特徴ならびに利点については、図面内に図示されている例示の実施態様を使用し、以下にさらに詳しく説明する。

図１は、自動車のドア１内のモータ駆動窓昇降機２のための開ループならびに閉ループ・コントロール・システムを例示した概略図である。窓昇降機２は、可調コンポーネントとして窓ガラス２２が取り付けられる昇降レール２１を有する。昇降レール２１は、昇降デバイス２３および窓昇降機２とともに駆動デバイスを形成する駆動モータ３によって動かすことが可能であり、その結果として窓ガラス２２の上昇および下降を行うことができる。駆動モータ３には、電圧源５から切り替えデバイス４を経由して給電され、それが駆動モータ３の回転速度ならびに回転方向の両方を決定する。

開ループならびに閉ループ電子コントロール・システムとして働くマイクロプロセッサ６０は、切り替えデバイス４に開ループならびに閉ループ・コントロール信号を供給し、オペレータ・コントロール・デバイス７、たとえば窓昇降機２を操作するための押しボタン・キーまたはスイッチに接続されている。マイクロプロセッサ６０の１ないしは複数の学習段階を実装するために、マイクロコンピュータ８に対して一時的な接続を行うことができる。

窓ガラス２２によって覆うことのできるドア開口が、窓ガラス２２の上昇の結果として閉じられるとき、窓ガラス２２の縁と自動車のドア１のドア・フレームの間に身体の部分もしくは物体が挟まれるリスクが存在することから、駆動モータによって駆動される窓昇降機内には挟み込み防止デバイスの設置が規定されており、このデバイスは、物体の挟み込みを検出し、駆動モータ３を停止させるか、あるいは逆転させ、その結果として窓昇降機２の動きを停止させるか、方向を逆転させる。

挟み込み防止手段は、窓ガラス２２の調整動程内にある身体の部分もしくは物体に作用する挟み込みの力が、法的に規定された限界値を超えないことを確保しなければならない。これに関連して、上側シーリング領域内において、一方では窓ガラス２２が信頼性をもって閉じることが保証される必要があり、その目的から窓のシールによって提供される抵抗を克服するために増加された調整力が印加されなければならず、他方ではこの調整力が、安全理由から、４ｍｍのロッドが検出されて挟み込み防止手段が窓昇降機２をスイッチ−オフするか、逆転する方法で必要な大きさに設定されなければならない。このことは、挟み込み防止手段の異常動作を除外するために、悪路部分等の外部的な影響に帰する加速力さえも、結果としてもたらされる乗り物の進行方向に垂直な加速度とともに信頼性をもって検出されることを意味する。

この目的のために、逆転力と呼ばれる力が、実際に窓ガラス２２の直進調整だけのために必要な力に印加されるが、逆転力の大きさは制限される。２つの力の合計は、駆動デバイスによって出力される調整力に等しく、窓ガラス２２の調整に使用される。したがって逆転力は、追加の対抗する力を克服するために予約された力を構成する。それが窓ガラス２２の全調整動程の範囲の種々の部分において異なる境界を有することが可能であり、この境界について言えば、たとえば、ドア・シール内に窓ガラス２２が入る調整動程の上側の領域では、窓シールの高い抵抗に起因してその下の調整領域内より高い値が選択され、その結果、窓ガラスがシール領域内に移動することが信頼性をもって保証される。

本発明によれば、駆動デバイスの駆動モータ３を動作させるための切り替えデバイス４の開ループならびに閉ループ・コントロールが、マイクロプロセッサ６０によって具体化されるニューラル・ネットワーク６によって実行され、その構造が略図的に図２に示されている。

図２に示されているニューラル・ネットワーク６のコンポーネントは、入力ベクトル、重み付けベクトル、および賦活関数ならびに出力関数を伴う伝達関数からなるニューロン１０、１１、１２である。このようにニューラル・ネットワーク６は、レイヤ６１、６２、６３、６４内に配列されたニューロン１０、１１、１２のセット、および重み付け接続１４、１５、１６からなり、次の制限ならびに補足が適用される方向性グラフの構造を有する。
− ニューラル・ネットワークのノードは、ニューロン１０、１１、１２によって形成される；
− ニューラル・ネットワークの辺は、接続と呼ばれる；
− 隣接するレイヤ６１、６２、６３、６４のニューロン間に重み付け接続が存在する；
− 入力レイヤ６１は、入力信号を拾うために使用される；
− １ないしは複数の隠れレイヤ６２、６３は、入力レイヤ６１の入力ニューロン１０によって出力される信号の処理を提供し、複雑な関数のモデリングを可能にする；
− 出力レイヤ６４は、処理済みの入力信号から決定された結果を出力する。

ニューラル・ネットワーク６が学習できるように、ニューロン１０、１１、１２の個別の入力に異なる重みを与えることができなければならない。重み付けは、個別のレイヤ６１、６２、６３、６４の間における接続に異なる強さを持たせ、その結果、入力レイヤ９１および出力レイヤ９４が、入力信号によって入力される情報を必ずしも最大限度まで伝達せず、むしろ：
− 接続の重みが０の場合にはまったく伝達せず、したがって接続なしになる；
− 重みが負の場合には接続を禁止する；
− 重みがゼロより大きい場合には接続を開始する。

挟み込み状態を検知するために、駆動デバイスのブレーキングが、駆動デバイスの駆動モータの周期長および／または電力ドレインにおける増加によって決定される。駆動モータの電力ドレイン、たとえばモータ電力ドレインの最後の１２の電流値がこの間接検出の間に決定される場合には、たとえば１３Ｖとするモータ電圧に対するモータ・トルクを反映する調整電流、および最後の３つの電圧値が入力値として検知される。周期の評価の間においては、たとえば最後のいくつかの周期の値、たとえば１２周期の値、たとえば１３Ｖの標準電圧において測定される適応周期、および最後の３つの電圧値が検知される。学習段階では、このような関係において学習が、２Ｎ／ｍｍおよび２０Ｎ／ｍｍの値を伴うクリップ−オン力測定計器を用いて行われ、適用においてニューラル・ネットワークがシフトする力の一部を出力し、挟み込みが生じているときには増加する力を出力するような入力信号と類似の態様で、この計器が、たとえば０〜１６０Ｎの測定出力値を出力する。

図２に例示されているニューラル・ネットワーク６は、入力レイヤ６１内に２４個の入力ニューロン１０を有し、そこには異なる重みを伴った種々の入力信号、たとえば図１に従った駆動モータ３の周期長および／または電力ドレイン、電圧値、駆動モータ３の増速を示す増速フラグをはじめ、あらかじめ定義済みの基準電圧について学習段階の中で行われ、かつストアされる基準の移動動作のそれぞれのポジジョンに関連付けされた周期を指定する適応周期等の入力信号が存在する。適応周期は、より詳細については図１３〜１５を参照して後述するが、適用の中で使用されるより小さいニューラル適応ネットワーク内において計算され、かつ平均され、言い換えるとニューラル・ネットワークが、駆動モータの完全な回転（４つの四半周期）のそれぞれにおいて次の窓昇降機の移動動作内の適応周期として利用できる新しい適応周期を計算する。値の範囲は、主として、発生する最小値および最大値によって決定され、同時に、可能な限り０と１の間で入力の入力パターンの位置決めが試みられる。

入力レイヤ６１の各入力ニューロン１０は、異なる正または負の重みが割り当てられた複数の接続１４によって第１の隠れレイヤ６の隠れニューロン１１に接続される。第１の隠れレイヤ６２の隠れニューロン１１は異なる正および負の重みを有し、同様に正または負の重みが割り当てられた複数の接続１５によって第２の隠れレイヤ６３の隠れニューロン１１に接続されており、それらにもまた、異なる正または負の重みが与えられている。最終的に第２の隠れレイヤ６３の隠れニューロン１１は、同様に正または負の重みが割り当てられた複数の接続１６を介して出力レイヤ６４の出力ニューロン１２に接続され、そのニューロンに、入力値から決定された出力値が現れる。

図２に例示されている多段ニューラル・ネットワーク６のニューロンの入力および接続の重み付けは、学習段階の第１の経験的な事前定義の後に行われ、それにおいて新しい接続が開発され、既存の接続が削除され、接続の強さが重みの変更によって修正され、スレッショルド値ならびに伝達関数が修正され、新しいニューロンが開発され、既存のニューロンが削除される。本発明に従って使用されるニューラル・ネットワーク６においては、学習段階におけるこれらの学習の可能性、特に重みの変更による接続の強さの修正、スレッショルド値の修正、および伝達関数の修正が使用される。

学習段階の学習されていない状態においては、最初に値がランダムにあらかじめ定義される。その後に続いて監視付き学習の原理に従って種々の入力パターンが指定され、関連する出力値が計算される。その後、計算された出力値と指定されたセットポイント出力値の間の差が決定されて、その差から学習規則によってニューラル・ネットワーク６が修正される。

計算による出力値とあらかじめ定義済みのセットポイント出力値の間の差が大きいほどより多くの重みが変更され、その結果、出力レイヤ６４における計算による出力値の誤りまたはあらかじめ定義済みのセットポイント出力値からの偏差が、隠れレイヤ６３、６２、および入力レイヤ６１に対して逆計算される。

学習段階を終了した後、ニューラル・ネットワーク６は、学習されていない類似の入力パターンから正しい出力値を計算することが可能になる。ここでニューラル・ネットワーク６の関数内における弱点を、特定のあらかじめ定義済みの情況の更新された学習によって排除することができる。これは、調整力、挟み込み力、あるいは逆転力を決定するための周知の方法と比較すると、これまでのアルゴリズムが適用されるときのような入力信号の個別の評価が存在せず、それに代えてすべての入力が解釈されるという利点を提供する。さらにまた、図１に従った駆動モータ３の振る舞い等の非線形関係のモデリングが可能であり、以前のアルゴリズムを用いた場合には評価が不可能か、もしくは制限付きでのみ評価が可能であった信号プロファイルが正確に解釈されるか、あるいは計算され、その結果、信頼性のある挟み込み防止手段のために不可欠な瞬時力の出力値が決定される。この機能については、図３〜６に例示されている種々の信号プロファイルを参照してより詳細に述べる。

図３は、窓ガラスが、その下端ポジションからその上端ポジションまで、すなわち窓ガラスが自動車のドアのドア開口を完全に覆うまで上昇する間における駆動デバイスの駆動モータの周期長のプロファイルを時間ｔに関してプロットした簡単な例示である。

増速段階Ａにおいては、最初に周期長が強く低下し、最小値の後に強く上昇する。周期長の低下は、増速段階Ａにおける駆動モータの加速に等しく、対応する力の増加に関連付けされる。増速段階Ａの終了後は周期長が実質的に一定もしくはわずかに上昇するが、これは窓シール内の窓の案内に起因して覆われる距離とともに摩擦が増加することによる。プロセスＥにおいて窓ガラスが上側の窓ガラス・シール内に入る間は、摩擦が大きく増加することから、周期長が急激に上昇し、その後、急峻に増加して上側ストップに到達するまで実質的に直線に、あるいはわずかに増加する態様で延びる。

この、窓ガラスが閉じるときの周期長の特性プロファイルは、周知の挟み込み防止方法ならびに挟み込み防止デバイスを伴う増速段階Ａに大きな力を生じさせる。窓ガラスによって覆われる距離に関する変化は、パラメータの変更によってのみ補償可能であり、その結果、たとえばシール内に入るとき、窓ガラスは、増加する摩擦のために静止しないか、あるいは挟み込み防止手段の応答のために逆転する。

図４ａおよび４ｂは、挟み込みプロセスを検知するための２つの異なる方法を、時間軸ｔに対してプロットされた周期長のプロファイルによって示している。

図４ａは、時間ｔに対してプロットされた周期長の純粋に相対的な位置合わせを、対応する力の増加に関連付けされる周期長における増加によって挟み込みが検出される場合について示している。純粋に相対的な位置合わせの場合には、窓ガラスの調整の間に時間に関する周期長の変化だけが監視され、トリガ・スレッショルドＡＳを超えたときに窓ガラスが停止されるか、逆転されるが、いずれの絶対値も登録されないか、あるいは監視されない。

図４ｂは、時間ｔに対してプロットされた周期長を、純粋に絶対的な位置合わせシステムについて示しており、これにおいても周期の上昇が対応する力の増加に関連付けされる。挟み込み防止手段は、あらかじめプログラム済みの基準曲線Ｒに対して周期長の所定の絶対値ＡＷを超えるとトリガされる。

図５は、調整システムのばね定数が低い場合、言い換えるとばね定数ＦＲが、たとえば２Ｎ／ｍｍの場合について時間ｔに対してプロットされた周期長の略図的なプロファイルを示している。時間に対してプロットされたプロファイルは、増速段階終了後の調整動程にわたる周期長のわずかな増加に起因して力の増加が緩やかであるが、スイッチ−オフ判断基準に到達するまでに、たとえば相対検出システムが適用されたときには、このわずかな上昇のために大きな力の増加が可能になり、絶対検出システムが適用されたときには、時間的に長い周期のために大きな力の増加が可能になる。

図６は、外部加速が、たとえば悪路部分の走行時、あるいは調整動程内における局所ベースおよび／または時間的に限られた動きの抑止からの緩和の結果として発生するときの周期長Ｔ、ポジションＰ、および（調整）力を時間軸ｔに対してプロットしたプロファイルの概略図である。窓ガラスの移動の間における加速力または摩擦力の低減または除去に支えられた効果に起因して、周期長Ｔが一時的に降下し、言い換えると窓ガラスが一時的に加速される。加速値域Ｂ内における調整力が、それに重畳される力を有するとき、力の急激な増加Ｋが生じるが、これは、周知の挟み込み防止方法においては周期内の正の変化だけが検出されることから、それよって検出されない。図６にダッシュ付きラインによって例示されている加速値域Ｂ内においては、このために周知の挟み込み防止コントローラが機能できない。

図３〜６に示されている時間にわたってプロットされた周期長の例示を参照すると、周知の挟み込み防止方法が適用された場合に次に示す問題および欠点を生じる：
（ａ）低いばね定数で大きな力が発生し、全方向においては４ｍｍのロッドでは不充分である；
（ｂ）電圧のジャンプおよび悪路部分が存在するときに過補償を生じて非常に大きな力を伴う大きなオフセットをもたらし、その結果、たとえばオンボード電源システムに電圧の落ち込みが生じると、この落ち込みが周期長の増加に関連付けされ、オフセットによって補償され、結果として調和ならびに関連する大きな挟み込み力をもたらす；
（ｃ）周期長の増加によってのみ力の検出が可能であり、周期長の減少があるときには（図６）大きな力が生じ得る；
（ｄ）可調コンポーネントの調整動程のプロファイルに生じる変化、すなわち経時劣化、シールの摩損、および窓昇降機の慣らし運転等の漸進的変化に関連付けされる変化をはじめ常に同一ポジションをポイントするモータの不整がパラメータの変更によって補償されなければならない；
（ｅ）増速段階に大きな力が生じる。

周知の挟み込み防止方法においては、周期および電圧入力信号が別々に考慮されている。応答スレッショルドから開始すると、電圧フィルタが、ここでは１つの方向においてのみ作用し、力検出プロセスが、モータ周期の増加を検知することによってのみ可能になる。これに対して、周知の挟み込み防止方法とは対照的に本発明のニューラル・ネットワークの適用においては、周期および電圧入力信号が論理的に互いに結合され、その結果、電圧フィルタが不用になり、周期内の変化が各方向において検出される。さらに、周知の方法とは対照的に、駆動モータの周期長がオフセットされるのではなく、適応される。

前述の図３〜６に例示されている問題の原因に関して言えば、学習段階が終了した後に正しい検出が生じ、挟み込み防止方法がトリガされると、ニューラル・ネットワークの使用が以下に示す結果をもたらす。
１． 設定可能な態様で低いばね定数が検出され、言い換えると学習データを選択し、セットポイント出力値または力の値を指定することによって、低いばね定数においてシステムがどの程度敏感であるべきかを定義することが可能になる。これは、図４ａならびに４ｂに例示されている相対と絶対の動作方法の間に動作ポイントを定義することによって学習され、この動作ポイントは無限に多様な態様で設定することができる。この混合動作方法は、絶対成分の立ち上がりからの大きな逸脱に起因して、低いばね定数の、したがって周期長の遅い増加の検出を可能にする。
２． 周知の挟み込み防止方法においては、電圧の落ち込みが補償され、それがスイッチ−オフ値に対するオフセットによって補償されるシステムのスロー・ダウンをもたらしていた。これに対してニューラル・ネットワークは、電圧の落ち込みの情報を周期長のスロー・ダウンとして受け入れ、その場合においては、すべての情報が等しい優先度の情報として扱われる。その結果、電圧の落ち込みが学習され、言い換えるとシステムが駆動モータの複雑な非線形の動的な振る舞いを学習する。したがって、たとえば電圧傾斜の形式の電圧の上昇が大きな力を導くことはなく、その結果、たとえば正弦波電圧が印加されるとき、力の大きな変動が生じない。混合動作方法において検知される絶対成分が、自動車が悪路部分を走行しているときの、周期長がまだ有効な値域内にあるか否かの検出を可能にする。
３． 混合動作方法において絶対成分が検知される結果として、加速が生じているときであっても力の増加（図６）の重合が適時に信頼性をもって検出されることも保証されるが、周知の挟み込み防止方法を用いた場合には、力の増加を検出するために周期長内の増加が必ず存在しなければならないことから、これが不可能になる。
４． 調節可能なコンポーネントの調整動程に対する変化が適応的に学習され、その結果、経時劣化、シールの摩損、および窓昇降機の慣らし運転等の漸進的変化をはじめ、常に同一ポジションで生じるモータの不整が適応によって保証され、力の増加または不正なスイッチ−オフ、あるいは不正な逆転が生じない。
５． 相対検出システムが周知の挟み込み防止方法とともに使用されるときは、駆動デバイスが増速する振る舞いを、かろうじて挟み込みの事実と区別することができる。ニューラル・ネットワークが使用される場合には、このプロセスが学習され、適切であれば増速フラグによってマークされる。
６． 周知の挟み込み防止方法においては、挟み込みの事実の検知に異なるパラメータが使用され、充分に正確な力の検知は、種々のパラメータ間の適切な相互作用の結果としてのみ生じる。これに対してニューラル・ネットワークが使用される場合には、駆動デバイスのスイッチ−オフまたは逆転についての決定を可能にする個別の値だけ、より詳細には出力レイヤの出力値が決定的となり、その結果、挟み込み防止をトリガするスイッチ−オフの力の連続調整が可能になる。

逆進ネットワークを図７〜１２に略図的に簡略化して例示するが、このネットワークは、駆動デバイスが窓昇降機を用いて可調コンポーネントとして窓ガラスを調整する力、あるいは窓ガラスの調整動程内にある物体を挟み込み、その結果としてスイッチ−オフまたは逆転値を出力する力を決定するために使用できる。

図７は、３つのレイヤ、より詳細には入力レイヤ６１、隠れレイヤ６２、および出力レイヤ６４を伴う逆進ネットワークの第１の入力パターンを示している。入力レイヤ６１および隠れレイヤ６２に配列されたニューロン１０１、１０２、１０３、１１１、１１２は、辺によって、それぞれの上にあるレイヤ６２または６４に接続されており、それぞれの辺は、それぞれのニューロンに属する重み値を記号化している。

入力ニューロン１０１、１０２、１０３に適した値域内に置かれる周期長、モータ電圧、および適応周期についての入力値が入力レイヤ６１に印加される。周期長が印加される第１の入力ニューロン１０１は０．４２３の重みを有しており、モータ電圧が印加される第２のニューロン１０２は０．５２４の重みを有しており、適応周期が印加される第３のニューロン１０３は０．２７９の重みを有している。

隠れレイヤ６２は、２つの隠れニューロン１１１、１１２を有し、それらには、入力端において入力ニューロン１０１、１０２、１０３の出力が接続されている。第１の隠れニューロン１１１は、入力ニューロン１０１、１０２、１０３の出力に、接続重み−０．８９３、−３．４４６、および３．３７６を伴う接続を用いて接続されている。第２の隠れニューロン１１２は、入力ニューロン１０１、１０２、１０３の出力に、接続重み３．８６９、３．３７６、および−０．５１４を伴う接続を経由して接続されている。

出力レイヤ６４は、出力ニューロン１２によって例示されている。この出力値のレベルは、窓昇降機の逆転または動作の継続によるスイッチ−オフ値のために後に決定的となり、その値は、それぞれの電圧について設定される。

それに加えて、より高いレベルにおける隠れレイヤ６２および出力レイヤ６４のニューロン１１１、１１２、および１２は、スレッショルド値またはバイアス値を有しており、それが伝達関数の出力を一定の領域内にシフトする。バイアス値および重みは、適用あるいは一連の使用において変更ないしは再学習されない定数である。それらは、一連の使用の前に一度決定され、たとえば、ＥＥＰＲＯＭ内にストアされる。アルゴリズム内に弱点が明らかになった場合には、新しいパラメータを設定すること、すなわち再学習によってそれを改善することができる。しかしながら適用においては、これらの重みが残存する。

学習段階においては、ニューラル・ネットワークに入力パターンが示され、関連する定義済み出力値があらかじめ定められる。この所定の出力が、それぞれの重みならびにバイアス値を伴うニューラル・ネットワークによって計算された出力値と異なるほど、重みおよびバイアス値が変化する。これに関連して、たとえば次に示す特定のパラメータが選択される：
− 増加する周期を伴う窓昇降機の動作間の電圧のジャンプ、落ち込み電圧、および適応周期の決定であり、ニューラル・ネットワークがこの場合に力を検出できないことから０の関連出力値を伴う；
− クリップ−オン力測定計器を用いた、ニューラル・ネットワークのための出力値としてクリップ−オン力測定計器からのフィードバック力を伴うクリップ動作であり、増加する周期長、落ち込み電圧、および適応周期を伴う；
− 種々のばね定数の学習、たとえば２０Ｎ／ｍｍおよび２Ｎ／ｍｍ等。

それぞれの入力パターンに関連付けされる出力値は、図８に例示されており、ニューロン１１１、１１２、および１２に書き込まれている第１の隠れニューロン１１１用のバイアス値２．５３６、第２の隠れニューロン１１２用の−０．３８９をはじめ、出力ニューロン１２用の０．７７５、重み、伝達関数および入力値を用いて決定される。出力値は次のとおりに決定される：それぞれの計算された出力値は、図７、１０、１１、および１２の出力ニューロン１２または隠れニューロン１１１、１１２の下に示されている。

最初に、第１の隠れニューロン１１１の出力が次のとおりに決定される：
Σ＝バイアス（ｉ）＋ｗｉｊ×入力（ｊ）

ｉは次に高いレイヤ内のｉ番目のニューロンであり、ｗは重み、ｊは入力レイヤ６１についてのカウント変数である。重みは入力値に乗じられて合計され、それから第１の隠れニューロン１１１が次のとおりに得られる：
Σ_１１１＝０．４２３×（−０．８９３）＋０．５２４×（−３．４４６）＋０．２７９×３．３７６＋２．５３６＝１．２９４

この合計が、続いて伝達関数に挿入される。ここで使用される伝達関数は、ハイパボリック・タンジェントである。これが、第１の隠れニューロン１１１の出力値を提供する：
出力_１１１＝０．８５９

第２の隠れニューロン１１２の出力値は次のとおりに得られる：
Σ_１１２＝０．４２３×３．８６９＋０．５２４×（−０．１６４）＋０．２７９×（−０．５１４）−０．３８９＝１．０１８
出力_１１２＝ＴＡＮＨ（１．０１８）＝０．７７

出力ニューロン１２の出力値は次のとおりに得られる：
Σ_１２＝０．７７×２．０９４＋０．８５９×（−２．７３３）＋０．７７５＝０．０３７
または、出力＝ＴＡＮＨ（０．０３７）＝０．０３７

図７に例示されている最初の入力パターンにおいては、周期長についての値が０．４２３、電圧についての値が０．５２４であり、これは１０Ｖの電圧に対応する。適応周期は、より低い値であり、具体的には０．２７９である。

次に、図１０、１１、および１２に略図的に例示されている３つの追加の入力パターンについて考察する。

図９に例示されている第２の入力パターンは、図７に例示されている入力パターンと、大きくは０．４２３に対する１．００１の周期長によって異なり、電圧および適応周期は、ほぼ一定にとどまり、それぞれ０．４５６および０．２７７である。同様に、隠れニューロン１１１、１１２が入力ニューロン１０１、１０２、１０３の出力に接続される接続の重みをはじめ、隠れニューロン１１１、１１２、および出力ニューロン１２のバイアス値にも変更がない。

この結果は、図７を参照して説明したとおり、第１の隠れニューロン１１１についての出力値が０．７５、第２の隠れニューロン１１２について０．９９７、同様に出力ニューロン１２について０．６７となる。

図１０に例示されている第３の入力パターンは、電圧値が１６Ｖと仮定されており、０．８２４の入力値を伴う。周期長は０．２４５であり、適応周期は、わずかに修正されて０．２６１である。この結果として出力ニューロン１２の、この入力パターンから挟み込みが検出されない出力値は０．２４１となる。しかしながらこの種の入力パターンは、挟み込みパターンと区別が可能であり、図１２の逆進ネットワークの概略的な例示によって明らかにする。

図１１に従った入力パターンにおいては、モータ電圧がわずかに下がって値０．７７４になっているが、周期長は、対応する値と比較すると０．２４５から０．３８２に増加している。

図１２ａおよび１２ｂには２つのグラフが例示されているが、これらは、図７および９をはじめ１０および１１に例示されているニューラル・ネットワークの学習の成功を、図７および９はもとより１０および１１にあらかじめ定義された入力パターンをはじめ電圧値１０Ｖおよび１６Ｖについてグラフ的に例示している。図９および１１に従った逆進ネットワークから結果として得られるあらかじめ定義済みの学習値が、それぞれ太い連続線のあらかじめ定義済みの挟み込み力の形式で例示されており、図７および１０の逆進ネットワークに従ったそれぞれの入力パターンから結果として得られる出力値が、細い連続曲線表現によって示されている。

図１３は、図１に従った駆動モータ３の異なる端子電圧についてポジション依存適応値を決定するためのニューラル適応ネットワーク９の構造を示しており、出力レイヤ９４が図２に従ったニューラル・ネットワークの入力レイヤ６１に対する出力電圧基準値を出力する独立のニューラル・ネットワークとして考えられている。これは、特定の時間に駆動モータに印加される電圧が基準電圧から異なる場合であっても、瞬時の駆動モータの振る舞いに独特の基準電圧の参照曲線を決定する関数を有している。

図２に従ったニューラル・ネットワーク６の入力ニューロン１０は、駆動デバイスの調整力または過剰力に対応する出力値、または挟み込みありもしくは挟み込みなしの状態に対応する出力値を決定するために、ポジションの関数として、図１３に従ったニューラル適応ネットワーク９によって出力レイヤ９４内で出力される適応値を受け取り、その結果、図２に従ったニューラル・ネットワーク６のこの入力が、現在存在するシフト力、駆動システムの動きにくさ、または動き易さに関する情報としての要求を満たす。それに加えて、この情報は、図２に従った窓ガラス・シール内への窓ガラス２２の嵌り込みについて、全システムをより鋭敏でなくするためにも使用される。

それぞれの電圧値に対する適応のために、電圧Ｕ_１における回転速度に対応するｎ_１、電圧Ｕ_２における回転速度に対応するｎ_２を用いて式：
ｎ_１／ｎ_２＝Ｕ_１／Ｕ_２
が使用される場合には、基準電圧上に補間される結果が、絶対システムにとっては不正確に過ぎるものとなり、モータのタイプに非常に大きく依存することになる。したがって、ニューラル適応ネットワークは、特定の駆動モータに対してトレーニングされ、周期および現在電圧から、基準電圧におけるトルクについて定義される基準周期を計算する。この基準周期は、ポジション依存であり、上位となる図２に従ったニューラル・ネットワーク６によってそれぞれの次の調整動作のための、すなわち次の窓移動操作のための入力値として使用される。

上記の公式を用いた直接変換の間の誤りは１０〜１５％帯となるが、計算が適応ネットワークを用いて行われるときに生じる誤りは最大で４％であり、特性曲線が曲がっていないときには、最大でも２％帯になる。１２％帯の誤りが、全体としてシステム内に２Ｎ／ｍｍのばね定数が存在するときには４０Ｎの力の差を、１０Ｎ／ｍｍのばね定数が存在するとき１８Ｎの力の差をもたらすことから、この増加した精度は、図２に従ったニューラル・ネットワーク６による調整力の決定時における精度に利益を有する。この結果、ニューラル適応ネットワークが使用される場合には、低いばね定数についての力の変動が最大で７Ｎとなり、比較的高い１０Ｎ／ｍｍのばね定数についての力の変動が最大で３Ｎとなる。

図１３に一例として示されているニューラル適応ネットワーク９は、独立のニューラル・ネットワークを構成する。これは、ニューラル・ネットワーク６と同様に、レイヤ９１、９２、９４内に配列されたニューロン３０、３１、３２、３３、３４、３５のセット、および重み付き接続３６、３７から駆動デバイスの調整力もしくは過剰力、または挟み込みありもしくは挟み込みなしの状態に対応する出力値を決定するために存在し、図２に従ったニューラル・ネットワーク６に関して前述した制限および補足を適用するための方向性グラフの構造を有する。

最良の学習結果が得られるまで経験的に決定されるニューラル適応ネットワーク９は、最下位レイヤまたは入力レイヤ９１内に２つの入力ニューロン３０、３１を有し、これらのニューロン３０、３１は、異なる重みを伴って周期長および駆動モータ電圧の入力信号を指定する。周期長に対応する入力ニューロン３０は、随意的に４、８、１２周期からなる平均値を、たとえば、駆動モータの環状マグネットの非対称性を補償するために構成することが可能であり、駆動モータの電圧に対応する入力ニューロン３１は、現在のフィルタリング後の電圧値をそれぞれ表す。

駆動モータの各四半回転に対応する周期長および電圧の両方が常に存在することから、高いクロック周波数で動作する適応手段が必要な値を常に利用可能であり、これらの値は、駆動モータの完全な回転に同期される必要はない。ニューラル適合ネットワーク６の出力値は、調整されるべきコンポーネントのポジションが駆動モータの１回転によって変更されていない場合に使用される。

入力レイヤ９１の各入力ニューロン３０、３１は、隠れレイヤ９２の３つの隠れニューロン３２、３３、３４に、複数の接続３６によって接続されており、それらには異なる重みが割り当てられている。隠れレイヤ９２の３つの隠れニューロン３２、３３、３４は、異なる正および負の重みを有し、かつ出力レイヤ９４の出力ニューロン３５に、複数の正または負の重みを有する接続によって接続されており、適応周期は、入力値から決定され、出力レイヤ９４に存在する基準周波数に対して標準化される。

図１３に例示されている多段ニューラル適応ネットワーク９のニューロンの入力ならびに接続の重み付けは、学習段階において第１の値が経験的にあらかじめ定義された後に行われ、それにおいては新しい接続が開発され、既存の接続が削除され、接続の強さが重みの変更によって修正され、スレッショルド値ならびに伝達関数が修正され、新しいニューロンが開発され、既存のニューロンが削除される。重みおよびバイアスは、ニューラル適応ネットワークのインテリジェンスを構成し、２つの極端な電圧、たとえば９および１６Ｖの間の駆動モータの振る舞いをモデリングする。

ネットワークの重みを決定するためのすべての可能トルクにおいて最適な方法で駆動モータの振る舞いをトレーニングするために、駆動モータが、トルク用の信号を供給するエンジン・ブレーキにクランプされる。駆動モータは、電子システムを用いて動作され、電圧および周期が読み出される。この情報がトルクと同期されて記録され、各電圧における吸収作用が、駆動システムの遮断までアイドリング速度において行われる。駆動モータが再冷却されるように、より長い間隔が各測定間に挿入される。

異なる気候条件の下に精度の向上が求められるときには、同じ駆動モータが、モータ温度自体を一定に維持したまま異なる温度で動作される。それに代わる場合には、それがニューラル適応ネットワークのための追加の可能入力として役立つ。モータ温度は、ニューラル温度ネットワークを用いて、アイドリング速度および電圧によって決定することもできる。このようにして決定されるモータ温度は、乗り物の外側にマウントされる温度センサより高精度であることから、駆動モータの温度保護にも使用することが可能である。

図１３および１４は、ニューラル適応ネットワーク９の精度を立証するために、９Ｖおよび１６Ｖのモータ電圧について基準周期を決定する２つの例を示している。それぞれの場合に、各トルクにおいて、ニューラル適応ネットワークのポジション依存適応値が以下のとおりに計算される：
入力１＝周期 入力２＝電圧
場合１：９Ｖ ０．９４６０６５ ０．３７９６８４
場合２：１６Ｖ ０．４１５５５２ ０．６９１７９５
バイアス_１（接続ニューロン３２） １．１７７５２
バイアス_１（接続ニューロン３３） −２．３５３０８
バイアス_１（接続ニューロン３４） −０．０９４０５
バイアス_１（出力ニューロン） −３．１５０７３

たとえばロジスティック関数が伝達関数として使用される：
出力_ｉ＝１／（１＋ｅｘｐ（−（合計_ｉ＋バイアス_ｉ）））

第１の隠れニューロン３２の合計は：
合計_１＝入力１×重み_１１＋入力２×重み_１２＋バイアス_１＝０．９４６０６５×（−４．７６６）＋０．３７９６８４×０．００６＋１．１７７５２＝−３．３２９１

第１の隠れニューロン３２の出力値は、したがって次のとおりとなる：
出力_ｉ＝１／（１＋ｅｘｐ（−（−３．３２９１）））＝０．０３４５８６

この結果が、図１３に例示されているニューラル適応ネットワークの第１の隠れニューロン３２の下に、丸められた形式で与えられている。

この手順に従って、第２および第３の隠れニューロン３２、３４、および出力ニューロン３５の出力値を計算することができる：
合計_２＝−０．３０５５１０８
出力_２＝ ０．４２４２１０８８
合計_３＝ １．５６８９３０４４
出力_３＝ ０．８２７６３１０８
合計_４＝−０．９７８６２４２
出力_４＝ ０．２７３１６４８６＝９Ｖにおける結果

同じ方法において、このニューラル適応ネットワークを用いて１６Ｖのモータ電圧の場合の基準周期を次のとおりに計算することができる：
合計_１＝−０．７９８９７８９
出力_１＝ ０．３１０２４３９８
合計_２＝ ０．９３０６２２２５
出力_２＝ ０．７１７２０１５１
合計_３＝ ０．８１８２９０２６
出力_３＝ ０．６９３８７３２９
合計_４＝−０．９６８４９４７
出力_４＝ ０．２７５１８０６５＝１６Ｖにおける結果

上に示した外部電圧値に関する誤り率は、次のとおりとなる：
１−０．２７５１８０６５／０．２７３１６４８６＝０．７３％

近似ｎ_１／ｎ_２＝Ｕ_１／Ｕ_２を用いて生じる誤りは駆動モータに依存するが、後者になぞらえると１０から１５％までの間となる。

たとえば窓昇降システムの調整力における変化、あるいは駆動モータ内の変化に起因する駆動モータの不適切な逆転を避けるために、挟み込まれた物体のばね定数を、挟み込みプロセスの検出のための追加の判断基準として考慮に入れる。

駆動モータが、たとえば４極リング・マグネットを有している場合には、駆動モータの周期ゼロと周期４の間における回転速度の差が決定され、この値が図２に従って、駆動デバイスの調整力に対応するニューラル・ネットワーク６の出力値と論理的に結合される。この論理動作の方法について、図１５〜１７を参照してより詳細に説明する。

図１５は、４つの窓閉めプロセスａ〜ｄについて調整動程ｓに対してプロットしたトルクＭのプロファイルを示しており、図１６は、ばね定数Ｆｒのプロファイルおよび図１に従った窓ガラス２２の窓閉め動作（図１５に例示）について調整動程ｓにわたる２つの比較周期の回転速度における差のプロファイルを示している。回転速度における差のためのスレッショルド値ＳＦは、ここでは低いばね定数が開始する限界を定義し、たとえば２０Ｎ／ｍｍとする。

ニューラル・ネットワークの出力値の２つのスイッチ−オフ値スレッショルド値ＡＳＷ_１およびＡＳＷ_２および回転速度における差のためのスレッショルド値ＳＦをあらかじめ定義することは、以下に述べる逆転の場合の区別を可能にする。

ニューラル・ネットワークの出力値Ｍが、曲線ａに従って調整動程ｓ_１の後に第１のスイッチ−オフ・スレッショルド値ＡＳＷ_１を超え、かつ回転速度における差が、このポイントにおいて回転速度における差のためのあらかじめ定義済みのスレッショルド値ＳＦより小さい場合には、駆動モータは、その先の過程内で回転速度における差のためのあらかじめ定義済みのスレッショルド値ＳＦを、たとえば調整動程ｓ_７の後に超えることがあっても逆転されない。

この場合、その先の過程内で回転速度における差のためのスレッショルド値ＳＦを超えたときに、駆動モータを逆転することが可能でなくなるように、駆動モータの逆転がロックされるかブロックされる。その先の調整プロセスの間に第２のスイッチ−オフ・スレッショルド値Ｓ２を超えた場合に限り、駆動モータの即時の逆転が生じる。

このパスの間に、第１のスイッチ−オフ・スレッショルド値ＡＳＷ_１より大きい第２のスイッチ−オフ・スレッショルド値ＡＳＷ_２を超えた場合に限り、駆動モータが逆転される。

同一の判断基準が、調整動程ｓ_２の後に第１のスイッチ−オフ・スレッショルド値ＡＳＷ_１をわずかに超え、その後再び第１のスイッチ−オフ・スレッショルド値ＡＳＷ_１の下に下がる曲線ｂに適用される。

ニューラル・ネットワークの出力値Ｍが、曲線ｃに従って調整動程ｓ_３の間に第１のスイッチ−オフ・スレッショルド値ＡＳＷ_１を超え、その間、回転速度における差が同様に回転速度における差のためのスレッショルド値ＳＦより小さい場合には、ポイントｓ_５において第２のスイッチ−オフ・スレッショルド値ＡＳＷ_２を超えると直ちに駆動モータが逆転される。

ニューラル・ネットワークの出力値Ｍが、曲線ｄに従って調整動程ｓ_４の後に第１のスイッチ−オフ・スレッショルド値ＡＳＷ_１を超え、かつ回転速度における差が、このポイントにおいて回転速度における差のためのスレッショルド値ＳＦより大きい場合には、駆動モータが直ちに逆転される。

図１７は、上記のスイッチ−オの判断基準をフローチャートとして例示しており、プログラムの開始後に第１の判断ブロック４１において、ニューラル・ネットワークの出力値Ａ_Ｎと第１のスイッチ−オフ・スレッショルド値ＡＳＷ_１が比較され、ばね定数または回転速度における差と回転速度における差のためのスレッショルド値ＳＦが比較される。出力値Ａ_Ｎが第１のスイッチ−オフ・スレッショルド値ＡＳＷ_１より大きく、かつ回転速度における差が回転速度における差のためのスレッショルド値ＳＦより小さいときにはフラグ４４がセットされて第２の判断ブロック４２に渡されるが、この条件が満たされないときにはプログラムが直接判断ブロック４２に進む。

この第２の判断ブロック４２においては、フラグ４２がセットされているか否か、およびニューラル・ネットワークの出力値Ａ_Ｎが第２のスイッチ−オフ・スレッショルド値ＡＳＷ_２より大きいか否かについてテストされる。このアンド論理演算が当てはまる場合には、駆動モータが直ちに逆転される。その逆に、この条件が満たされない場合には、第３の判断ブロック４３において、ニューラル・ネットワークの出力値Ａ_Ｎが第１のスイッチ−オフ・スレッショルド値ＡＳＷ_１より大きいか否か、および回転速度における差が回転速度における差のためのスレッショルド値ＳＦより大きいか否かについてチェックされる。これが当てはまる場合においても駆動モータが直ちに逆転される。これが当てはまらない場合には、システムが再び第１の判断ブロック４１に戻る。

決定済みのばね定数とニューラル・ネットワークの出力値の論理的組み合わせは、ファジィ・システムによって、もしくは対応するアルゴリズムを伴う数学モデルによって、あるいは同様に、入力レイヤにおいて図２に従ったニューラル・ネットワークの調整力または調整トルクに対応する出力値が供給され、かつ回転速度における決定済みの差が供給されるニューラル・ネットワークであって、その出力レイヤにおいて挟み込みありもしくは挟み込みなしの状態に対応する値を出力するニューラル・ネットワークによって行われる。

図１８ａは、自動車コンポーネントの調整デバイスのためのニューラル・ネットワークを伴うコントロール・デバイスの第１の実施態様を示した略図的なブロック図である。

最初に例示のコントロール・デバイスの設計について説明する。このコントロール・デバイスは、電子デバイス１０００を包含する。電子デバイスは、マイクロコントローラ１１００、ニューラル・ネットワーク１２００を伴うコンポーネント、およびストレージ・エレメント１３００を有する。マイクロコントローラ１１００は、ニューラル・ネットワーク１２００ならびにストレージ・エレメント１３００の両方に接続されている。ストレージ・エレメント１３００は、ライン接続を介してニューラル・ネットワーク１２００とインタラクションする。

マイクロコントローラ１１００ならびにニューラル・ネットワーク１２００は、ともに複数のインターフェース１４００、１５００を有する。ニューラル・ネットワーク１２００のインターフェース１４００は、評価されることになる測定変量Ｓ’用の入力としての要求を満たす。インターフェース１４００は、測定変量Ｓをニューラル・ネットワーク１２００の入力レイヤに供給する。これらのインターフェース１３００のうちの１ないしは複数は、自動車のＣＡＮバス・システムまたはＬＩＮバス・システムに対する接続として具体化することができる。

特に、自動車もしくは自動車コンポーネント、たとえばドアまたはテールゲート等の移動の特性を記述する加速度センサは、測定変量Ｓ’として適している。これらの加速度信号を基礎として、たとえば自動車が悪路部分を走行する状態、あるいはドアまたはテールゲートが勢いよく閉じられる動きとして明確に識別することが可能になる。同様に、評価されるべき調整デバイスに割り当てられるモータＭ’の測定変調のための備えもある。電気モータの動作特性は、たとえばホール・センサによって監視することができる。それらの信号の評価は、動きの非容易性および挟み込みの場合について結論を引き出すことを可能にする。

マイクロコントローラ１１００のインターフェース１５００は、自動車ならびにそのコンポーネントの種々の状態を読み出すことのできる入力としての要求を満たす。これらは、同一の測定変量Ｓまたはインターフェース１４００を経由してニューラル・ネットワーク１２００に供給される測定変量のサブセットＳ’である。

マイクロコントローラ１１００は、ライン接続を介し、電力ドライバＨ’を使用してモータＭ’をコントロールする。モータＭ’は、この調整デバイスに割り当てられている自動車コンポーネントを動かす。

言うまでもないが電子デバイス１０００のエレメントとして例示されたマイクロコントローラ１１００、ニューラル・ネットワーク１２００、および／またはストレージ・エレメント１３００は、集積回路の形式の物理的ユニットとして構成することができる。ニューラル・ネットワーク１２００およびストレージ・エレメント１３００が集積化される変形については、図１８ｂにコントロール・デバイスの第２の実施態様の略図的な例示として示した。この例示内のそのほかのコンポーネントは、図１８ａのコンポーネントに対応し、したがって前述を参照されたい。

マイクロコントローラ内へのニューラル・ネットワークの組み込みの技術的な実装は、一方では、ソフトウエアとしてマイクロコントローラ内にニューラル・ネットワークが実装される形式を取ることができる。他方においては、マイクロコントローラがＡＳＩＣ（特定用途向け集積回路）構造の形式で実装されることも企図されている。当然のことながら、ストレージ・エレメント１３００もまた、図１８ｂに示されているとおり、マイクロコントローラ内に実装することができる。考えられる変形（図示せず）の１つでは、ニューラル・ネットワーク１２００だけがマイクロコントローラ内に集積化され、電子デバイスの別体のコンポーネントとしてストレージ・エレメントが実装される。

次に、図１８ａおよび１８ｂに例示されているコントロール・デバイスが機能する方法について考察する。マイクロコントローラ１１００は、インターフェース１４００、１５００を介して、自動車ならびにそのコンポーネントの、それぞれの状態についての情報を表す信号を受信する。マイクロコントローラ１１００内では、決定された状態のうちのいずれにおいて、いずれの重みのセットの重みを用いてニューラル・ネットワーク１２００が動作するべきかについての情報がストアされる。したがって、決定された自動車ならびにそのコンポーネントの状態が、ニューラル・ネットワーク１２００のために異なる重みのセットが必要となるような方法で変化した場合には、マイクロコントローラが、ニューラル・ネットワーク１２００がストレージ・エレメント１３００から対応する重みのセットを利用できるようにするプロセスを開始する。ニューラル・ネットワーク１２００は、その後、マイクロコントローラ１１００が再び自動車および／またはそのコンポーネントの状態の変化を登録し、その結果、ニューラル・ネットワークのための重みのセットの更新置換が必要となるまで、その新しい重みのセットを用いて動作する。

上記が機能する方法は、ニューラル・ネットワーク１２００がソフトウエアとして、もしくはマイクロコントローラ１１００内のＡＳＩＣ設計の集積化されたハードウエア・エレメントとして実装されているか否か、あるいは別体の電子コンポーネントとして備えられているか否かということとは独立している。

ニューラル・ネットワーク１２００は、自動車コンポーネントの調整動程内に挟み込まれた状態になる障害物のための挟み込み防止手段を、現在のアクティブな重みセットとは独立に提供している。

このようにすれば、特定の状態、たとえば自動車が悪路部分を移動するとき、あるいは自動車のドアが勢いよく閉じられた場合に、調整デバイスのニューラル・ネットワーク１２００が自動車の可調コンポーネントのばね定数の限定された範囲を主として検出するようにコントロール・システムを好ましく構成することができる。これは、ニューラル・ネットワーク１２００によって実装される挟み込み防止システムの応答スレッショルドの有意の増加が別のばね定数のために使用されることから達成可能となる。

これが略図的に図１９に示されている。この図には、ばね定数Ｆ’に対して調整デバイスの挟み込み防止システムの応答スレッショルドＡ’がプロットされている。

ニューラル・ネットワーク１２００の第１の重みセットＧ１’は、すべてのばね定数Ｆ’について同一の応答スレッショルドを有する。実線およびそれに続く鎖線は、これを示すことが意図されている。

第２の重みセットＧ２’は、約２０Ｎ／ｍｍのばね定数から応答スレッショルドに有意の増加を有する。このセットＧ２’は、たとえば悪路部分を移動するとき、あるいは自動車のドアが勢いよく閉じられるといった情況に使用されることになる。応答スレッショルドならびにばね定数のスレッショルド値における増加の絶対値が自在に調整可能なことは明らかであり、例示の矢印には、それを示すことが意図されている。

さらに、ニューラル・ネットワークを有する電子デバイスを伴った自動車コンポーネントの調整デバイスについて説明する。この方法は、次のステップを包含する：
− 自動車および／または調整デバイスの状態を決定するための、自動車および／または調整デバイスの測定変量の電子デバイスによる評価；
− 複数の重みセットからのニューラル・ネットワークのための、測定変量ならびに決定済みの状態の評価の関数としての重みセットの選択；および、
− 自動車コンポーネントの調整デバイスがコントロールされる間におけるニューラル・ネットワークを動作させるために選択した重みセットの使用。

これに関してニューラル・ネットワークは、自動車コンポーネントの調整動程内に挟み込まれた状態になる障害物のための挟み込み防止手段が利用可能となる態様で好ましくは動作される。

電子デバイスのマイクロコントローラは、自動車および／または自動車コンポーネントの状態を決定するために好ましく自動車の測定変量を評価する。決定された情況に応じて、マイクロコントローラは、その情況に割り当てられたニューラル・ネットワークのための重みセットをアクティブ化することになる。

駆動デバイスが窓ガラスを調整するために自動車ドアの窓昇降機を駆動する力を決定するためのシステムを示した概略図である。 図１に従ったシステムに使用することの可能なニューラル・ネットワークを示した概略図である。 図１に従った窓昇降機システムの調整の間における、時間に対する種々のパラメータのプロットを例示したグラフである。 逆進ネットワークの入力パターンを例示した説明図である。 図７に従ったネットワークのニューロンのバイアス電圧を例示した説明図である。 図７に従ったネットワークの逆進ネットワークの別の入力パターンを例示した説明図である。 図７、９、１０、および１１に従った、あらかじめ定義済みの入力パターンに対する学習プロセスを、２つの異なる電圧について時間的にプロットしたグラフである。 ９Ｖの駆動モータ電圧を伴う基準周期を決定するためのニューラル適応ネットワークを例示した説明図である。 １６Ｖの駆動モータ電圧を伴う基準周期を決定するための、図１３に従ったニューラル適応ネットワークを例示した説明図である。 駆動デバイスの異なるサンプル・パスについて調整動程にわたるトルク・プロファイルを例示した説明図である。 駆動デバイスの異なるサンプル・パスについて調整動程にわたる回転速度における差を例示した説明図である。 ニューラル・ネットワークの調整力に対応する出力と検知された回転速度における差の論理的な結合に関係するフローチャートである。 ニューラル・ネットワークを伴うコントロール・デバイスの第１の実施態様を示した概略のブロック回路図である。 ニューラル・ネットワークを伴うコントロール・デバイスの第２の実施態様を示した概略のブロック回路図である。 調整デバイスを用いて動かされる自動車コンポーネントの検出されたばね定数の関数として、図１８ａおよび１８ｂのコントロール・デバイスの可変応答スレッショルドを例示したグラフである。

符号の説明

１ 自動車のドア
２ 窓昇降機
３ 駆動モータ
４ 切り替えデバイス
５ 電圧源
６ ニューラル・ネットワーク（逆進ネットワーク）
７ オペレータ・コントロール・ユニット
８ マイクロコンピュータ
９ ニューラル適応ネットワーク
１０ 入力ニューロン
１１ 隠れニューロン
１２ 出力ニューロン
１４，１５，１６ 重み付き接続
２１ 昇降レール
２２ 窓ガラス
２３ 昇降デバイス
３０，３１ ニューラル適応ネットワークの入力ニューロン
３２，３３，３４ ニューラル適応ネットワークの隠れニューロン
３５ ニューラル適応ネットワークの出力ニューロン
３６，３７ ニューラル適応ネットワークの重み付き接続
６０ マイクロプロセッ
６１ 入力レイヤ
６２，６３ 隠れレイヤ
６４ 出力レイヤ
９１ ニューラル適応ネットワークの入力レイヤ
９２，９３ ニューラル適応ネットワークの隠れレイヤ
９４ ニューラル適応ネットワークの出力レイヤ
１０１〜１０３ 入力ニューロン
１１１，１１２ 隠れニューロン
１０００ 電子デバイス
１１００ マイクロコントローラ
１２００ ニューラル・ネットワーク
１３００ ストレージ・ユニット
１４００，１５００ インターフェース
Ａ’ 挟み込み防止手段の応答スレッショルド
Ｆ’ ばね定数
Ｇ１’ ニューラル・ネットワークに対する第１の重みセット
Ｇ２’ ニューラル・ネットワークに対する第２の重みセット
Ｈ’ 電力ドライバ
Ｍ’ モータ・デバイス
Ｓ’ 測定変量
ＡＳＷ_１，ＡＳＷ_２ スイッチ−オフ・スレッショルド値
ＳＦ 回転速度における差に対するスレッショルド値

Claims (27)

1. コンポーネント、特に駆動デバイスによって駆動されて直進もしくは回転式で調整可能な自動車の窓ガラスまたはサンルーフの調整動作を監視するための方法であって、前記駆動デバイス（２，３）から導くことが可能であり、かつ前記駆動デバイス（２，３）の前記調整動作の減速度を表す複数の入力信号が、隠れニューロン（１１；１１１，１１２）を有する少なくとも１つの隠れレイヤ（６２，６３）を持つニューラル・ネットワーク（６）の入力レイヤ（６１）の入力ニューロン（１０；１０１，１０２，１０３）に入力され、前記ネットワーク（６）が、出力レイヤ（６４）の少なくとも１つの出力ニューロン（１２）において、調整力に対応するか、あるいは挟み込みありの状態または挟み込みなしの状態に対応する出力値を出力することを特徴とする方法。
2. 前記駆動デバイス（２，３）から導くことが可能な前記入力信号が、前記駆動デバイス（２，３）の前記調整動作の減速度を間接的に表すことを特徴とする、請求項１に記載の方法。
3. 前記駆動デバイス（２，３）の前記調整動作の前記減速度が、前記駆動デバイス（２，３）の駆動モータ（３）の周期長および／またはモータ電流および／またはモータ電圧を変更することによって検出されることを特徴とする、請求項１または２に記載の方法。
4. 前記駆動デバイス（２，３）から導くことが可能な前記入力信号が、前記ニューラル・ネットワーク（６）の前記入力レイヤ（６１）の前記入力ニューロン（１０；１０１，１０２，１０３）に対して並列に、もしくは直列に出力されることを特徴とする、請求項１〜３の少なくとも１つに記載の方法。
5. 前記入力レイヤ（６１）、前記隠れレイヤ（６２，６３）、および前記出力レイヤ（６４）の入力さらには、前記少なくとも１つの隠れレイヤ（６２）に対する前記入力レイヤ（９１）の接続（１４）、前記複数の隠れレイヤ（６２，６３）の互いに対する接続（１５）、および前記出力レイヤ（６４）に対する隠れレイヤ（６３）の接続（１６）が異なる重みを有することを特徴とする、請求項１〜４の少なくとも１つに記載の方法。
6. 前記少なくとも１つの隠れレイヤ（６２，６３）の前記隠れニューロン（１１；１１１，１１２）および前記出力レイヤ（６４）の前記少なくとも１つの出力ニューロン（１２）が、一定のスレッショルド値もしくはバイアスを有し、それが前記ニューロン（１０，１１，１２；１０１，１０２，１０３；１１１，１１２）の伝達関数の出力を一定の領域内にシフトすることを特徴とする、請求項１〜５の少なくとも１つに記載の方法。
7. 学習段階では、前記ニューラル・ネットワーク（６）の前記入力ニューロン（１０；１０１，１０２，１０３）、隠れニューロン（１１；１１１，１１２）、および／または出力ニューロン（１２）において、
   − ランダムな重みが割り当てられること、
   − 前記入力ニューロン（１０；１０１，１０２，１０３）に印加される様々な入力パターンがあらかじめ定められており、関連する少なくとも１つの出力値が計算されること、および
   − 重みおよび／またはスレッショルド値が、前記少なくとも１つの出力値と少なくとも１つのセットポイント出力値との間の差の関数として変更されること、
   を特徴とする、請求項１〜６の少なくとも１つに記載の方法。
8. 前記重みにおける変更の程度が、前記少なくとも１つの出力値と前記少なくとも１つのセットポイント出力値との間の差の大きさに依存することを特徴とする、請求項７に記載の方法。
9. 前記出力値が、クリップ−オン力測定計器を用いて様々なばね定数において、または特に２Ｎ／ｍｍおよび２０Ｎ／ｍｍにおいて測定されること、および前記クリップ−オン力測定計器が前記入力値と類似の方法で測定出力値を出力することを特徴とする、請求項７もしくは８に記載の方法。
10. 前記駆動モータ（３）の前記モータ周期、前記モータ電流、および／または前記モータ電圧が入力信号として前記入力ニューロン（１０；１０１，１０２，１０３）に入力されることを特徴とする、請求項１〜９の少なくとも１つに記載の方法。
11. 所定の基準電圧において計算される周期を特定し、かつ学習段階において記憶された基準距離の位置に関連する適応周期が、追加の入力信号として前記入力ニューロン（１０；１０１，１０２，１０３）に入力されることを特徴とする、請求項１〜１０の少なくとも１つに記載の方法。
12. 前記ニューラル・ネットワークが前記駆動モータの完全な回転ごとに、または前記駆動モータの４つの四半周期において新しい適応周期を計算して前記適応周期が平均され、前記新しい適応周期が次の調整動作において適応周期として利用可能となることを特徴とする、請求項１１に記載の方法。
13. 前記入力ニューロン（１０；１０１，１０２，１０３）の前記入力値が、
    − 直進形式で調整可能な前記コンポーネントの適応プロファイルの値、
    − 直進形式で調整可能な前記コンポーネントが調整されるときの適応周期の値、
    − 増速フラグ、
    − 前記駆動モータの端子電圧のためのシフト・レジスタの出力値、
    − 周期値のためのシフト・レジスタの出力値、
    − 前記駆動モータの温度、
    − 周囲温度、
    − 速度信号、
    − 振動電圧、および
    − 先行する出力値、
    からなり、かつニューラル手段によって決定される力が、出力ニューロンの出力として出力されることを特徴とする、請求項１〜１２の少なくとも１つに記載の方法。
14. 前記ニューラル・ネットワーク（６）の前記学習段階において、前記入力ニューロン（１０；１０１，１０２，１０３）に印加される入力パターンおよび前記少なくとも１つの出力ニューロン（１２）によって出力される前記力の値が、低いばね定数における前記システムの所望感度の関数として選択および／またはあらかじめ定められることを特徴とする、請求項１〜１３の少なくとも１つに記載の方法。
15. 前記ニューラル・ネットワーク（６）の前記学習段階おける前記コンポーネントの学習が、各パスの後の適用において新規に決定された適応周期からなることを特徴とする、請求項１４に記載の方法。
16. 前記学習段階が、運用適用の前に乗り物内において生じることを特徴とする、請求項１４または１５に記載の方法。
17. 前記学習段階において定められる前記ニューラル・ネットワーク（６）の重みが、前記運用適用の間に定められることを特徴とする、請求項１６に記載の方法。
18. 基準値に対して標準化された前記駆動デバイス（２，３）の信号を決定するため、および前記ニューラル・ネットワーク（６）の前記入力レイヤ（６１）に対して適応値を出力するための適応デバイス（９）によって特徴付けられる、請求項１〜１７の少なくとも１つに記載の方法。
19. 前記適応デバイス（９）が、前記ニューラル・ネットワーク（６）の前記入力ニューロン（１０）に対し、位置の関数としての追加の入力信号として適応値を出力することを特徴とする、請求項１８に記載の方法。
20. 前記適応デバイスが、ニューラル適応ネットワーク（９）からなり、その入力ニューロン（３０，３１）に前記駆動デバイス（２，３）の少なくとも１つの信号が印加され、その少なくとも１つの出力ニューロン（３５）が前記ニューラル・ネットワーク（６）に対する前記位置依存の適応値を出力することを特徴とする、請求項１８または１９に記載の方法。
21. 周囲温度、気候データまたは温度および駆動デバイス（２，３）の駆動モータ（３）の冷却作用等の追加のパラメータが、前記ニューラル適応ネットワーク（９）の前記入力ニューロン（３０，３１）に印加されることを特徴とする、請求項２０に記載の方法。
22. 前記適応デバイスが、前記駆動デバイスのモデル、ファジィ・システム、または発生学的に生成されたアルゴリズムを伴う数学モデルを有することを特徴とする、請求項１１もしくは１２に記載の方法。
23. 前記駆動モータ（３）が、前記ニューラル・ネットワーク（６）の前記出力値および前記ばね定数の関数として停止または逆転されることを特徴とする、請求項１〜２２の少なくとも１つに記載の方法。
24. 前記駆動デバイス（２，３）の前記ばね定数と前記ニューラル・ネットワーク（６）の前記出力値の論理的な結合が、論理回路、アルゴリズムを伴う数学モデル、もしくはニューラル論理ネットワークによって実行されることを特徴とする、請求項２３に記載の方法。
25. 前記駆動モータ（３）の回転速度が検知され、２つの周期の間における回転速度の差が求められ、ニューラル・ネットワーク（６）の出力値と、
    − 前記ニューラル・ネットワーク（６）の前記出力値および回転速度における差に対する所定のスレッショルド値（ＳＦ）より小さい回転速度における差の第１のスイッチ−オフ・スレッショルド値（ＡＳＷ_１）が超えられたときに、前記駆動モータ（３）が停止されるか、あるいは前記ニューラル・ネットワーク（６）の出力値が前記第１のスイッチ−オフ・スレッショルド値（ＡＳＷ_１）より大きい第２のスイッチ−オフ・スレッショルド値（ＡＳＷ_２）を超えた場合に限り前記調整動作の終わりまで逆転され、
    − 前記ニューラル・ネットワーク（６）の前記出力値の第１のスイッチ−オフ・スレッショルド値（ＡＳＷ_１）および回転速度における差に対する所定のスレッショルド値（ＳＦ）より大きい回転速度における差が超えられたときに、前記駆動モータ（３）が停止されるか、あるいは逆転され、
    − 前記第２のスイッチ−オフ・スレッショルド値（ＡＳＷ_２）が超えられたときには前記回転速度における差に関係なく、前記駆動モータ（３）が停止されるか、あるいは逆転されるように論理的に結合されることを特徴とする、請求項２３もしくは２４に記載の方法。
26. 前記ニューラル・ネットワーク（６）の前記出力値の第１のスイッチ−オフ・スレッショルド値（ＡＳＷ_１）および回転速度における差に対する前記所定のスレッショルド値（ＳＦ）より小さい回転速度における差が超えられたときには、前記駆動デバイス（２，３）の追加の調整動作を保証する前記回転速度における差が、前記回転速度における差に対する前記所定のスレッショルド値（ＳＦ）より大きくなる場合であっても、前記駆動モータ（３）の停止または逆転が阻止されることを特徴とする、請求項２５に記載の方法。
27. 前記自動車の状態および／または前記調整デバイスの状態を決定するために前記ニューラル・ネットワークによって入力信号を評価するステップ；
    前記入力信号の評価および前記決定された状態とは関わりなく複数の重みセットから前記ニューラル・ネットワークのための重みセットを選択するステップ；および、
    前記選択した重みセットを使用して、前記調節可能なコンポーネントの前記駆動デバイスがコントロールされる際に前記ニューラル・ネットワークを作動させるステップ；
    を有する、請求項１〜２５の少なくとも１つに記載の方法。

Images