LU101181B1 - Verfahren zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs - Google Patents
Verfahren zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs Download PDFInfo
- Publication number
- LU101181B1 LU101181B1 LU101181A LU101181A LU101181B1 LU 101181 B1 LU101181 B1 LU 101181B1 LU 101181 A LU101181 A LU 101181A LU 101181 A LU101181 A LU 101181A LU 101181 B1 LU101181 B1 LU 101181B1
- Authority
- LU
- Luxembourg
- Prior art keywords
- training
- load
- data
- vehicle
- prediction
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M17/00—Testing of vehicles
- G01M17/007—Wheeled or endless-tracked vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Die Erfindung betrifft ein Verfahren (1) zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs. In einem Modellerstellungsvorgang (3) wird ausgehend von einem Trainingsfahrtdatenkollektiv, einem Trainingsfahrzeugdatenkollektiv, und einem Trainingsbelastungskollektiv ein Belastungsmodell mit einem Identifikationsverfahren erstellt. Das Trainingsfahrtdatenkollektiv beinhaltet eine Vielzahl von Trainingsfahrtdatensätzen, die jeweils für eine Trainingsfahrt eines Trainingskraftfahrzeugs auf einer Trainingsstrecke bestimmte Streckenverlaufsdaten und/oder Fahrtbegleitdaten beinhalten. Das Trainingsfahrzeugdatenkollektiv umfasst Fahrzeugdaten des bei der jeweiligen Trainingsfahrt verwendeten Trainingskraftfahrzeugs. Das Trainingsbelastungskollektiv weist Trainingsbelastungsdaten auf. Die Trainingsbelastungsdaten weisen jeweils eine zu einem Trainingsfahrtdatensatz korrespondierende messtechnisch erfasste oder auf Grundlage von Messgrößen berechnete Belastung des Bauteils auf. Das Belastungsmodell approximiert eine Wahrscheinlichkeitsverteilung der aufgetretenen Belastung bei einer vorgegebenen Trainingstrecke und/oder bei vorgegebenen Fahrtbegleitdaten und/oder in Abhängigkeit vorgegebener Fahrzeugdaten. In einem Modellauswertungsvorgang (4) wird die Belastungsvorhersage mit Hilfe des Belastungsmodells für eine vorgegebene Prädiktionsstrecke und/oder für vorgegebene Prädiktionsfahrtbegleitdaten und/oder in Abhängigkeit vorgegebener Prädiktionsfahrzeugdaten eines Prädiktionsfahrzeugs bestimmt.
Description
- 1 - CPR 9736 LU LU101181 Verfahren zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs Die Erfindung betrifft ein Verfahren zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs.
Bei der Auslegung von Kraftfahrzeugbauteilen wird üblicherweise eine über eine vorgegebene Lebensdauer zu erwartende Belastung für jedes Kraftfahrzeugbauteil ermittelt und das jeweilige Bauteil unter Berücksichtigung dieser Belastung ausgelegt.
Aus dem Stand der Technik ist es bekannt, die zu erwartende Belastung anhand von Trainingsfahrten mit Kraftfahrzeugen eines Kraftfahrzeugtyps zu ermitteln, wobei der Kraftfahrzeugtyp dem Typen entspricht, für den das neue Bauteil ausgelegt werden soll.
Zudem ist es aus der Druckschrift WO 2018/178 196 Al bekannt, die zur Ermittlung der Belastung erforderlichen Informationen während des Betriebs einer gesamten Kraftfahrzeugflotte zu ermitteln.
Insbesondere bei einem derartigen Vorgehen können für die Ermittlung der Belastung zahlreiche unterschiedliche Streckenverläufe mit variierenden Fahrbahneigenschaften und Wetterbedingungen sowie unterschiedlichen Fahrereigenschaften ermittelt und bei der Bestimmung der zu erwartenden Belastung berücksichtigt werden.
Die aus dem Stand der Technik bekannten Verfahren eignen sich grundsätzlich zur Ermittlung einer konkreten Belastung für ein bestimmtes Bauteil, sofern sämtliche Modelleingangsgrößen vorgegeben werden.
Um unterschiedliche Belastungen simulieren zu können, ist es erforderlich, Ce
- 2 - CPR 9736 LU LU101181 beispielsweise mehrere Geschwindigkeitsprofile für eine vorgegebene Strecke vorzugeben und auf dieser Grundlage mit den bekannten Belastungsmodellen entsprechende Belastungen zu bestimmen.
Zur Auslegung von Fahrzeugteilen ist es wünschenswert die Belastung des Bauteils bei einem typischen Fahrtverlauf zu ermitteln. Allerdings unterscheiden sich in der Realität Trainingsfahrten, auf deren Grundlage die Belastungsmodelle erstellt werden, auch wenn sie von einem professionellen Fahrer auf ein und derselben Trainingstrecke durchgeführt werden, leicht voneinander und führen zu unterschiedlichen Belastungsverläufen und, dementsprechend, Belastungen. Die Belastung und der Belastungsverlauf unterliegen in diesem Fall einer Wahrscheinlichkeitsverteilung, die die Wahrscheinlichkeit eines bestimmten Belastungszustandes in Abhängigkeit des verwendeten Trainingsfahrzeugs sowie des Streckenverlaufs der Trainingstrecke beschreibt. Derartige Einflüsse werden bei der Simulation von Belastungen und Belastunagsverläufen bei den aus dem Stand der Technik bekannten Verfahren nicht berücksichtigt. Bei der Belastung handelt es sich um die Gesamtbelastung wie z. B. ein Lastspektrum, die während einer Fahrt auf das Bauteil gewirkt hat, während es sich bei dem Belastungsverlauf um eine Zeitreihe einzelner Belastungswerte handelt, die während der Fahrt auf das Bauteil gewirkt haben. Aus dem Belastungsverlauf kann die Belastung bestimmt werden.
Im Sinne der nachfolgenden Beschreibung der Erfindung werden Daten, die für das Einlernen des Belastungsmodells
- 3 - CPR 9736 LU LU101181 verwendet werden, mit dem Präfix „Training“ bezeichnet. Daten, die mit dem Belastungsmodell erzeugt werden, tragen das Präfix „Prädiktion“.
Als Aufgabe der Erfindung wird es angesehen, die aus dem Stand der Technik bekannten Verfahren zur Ermittlung eines Belastungsverlaufs bzw. einer Belastung weiterzuentwickeln. Diese Aufgabe wird erfindungsgemäß durch ein Verfahren zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs gelöst, wobei in einem Modellerstellungsvorgang ausgehend von einem Trainingsfahrtdatenkollektiv, einem Trainingsfahrzeugdatenkollektiv, und einem Trainingsbelastungskollektiv ein Belastungsmodell mit einem Identifikationsverfahren erstellt wird, wobei das Trainingsfahrtdatenkollektiv eine Vielzahl von Trainingsfahrtdatensätzen beinhaltet, die jeweils für eine Trainingsfahrt eines Trainingskraftfahrzeugs auf einer Trainingsstrecke bestimmte Streckenverlaufsdaten und/oder Fahrtbegleitdaten beinhalten, wobei das Trainingsfahrzeugdatenkollektiv Fahrzeugdaten des bei der jeweiligen Trainingsfahrt verwendeten Trainingskraftfahrzeugs umfasst, wobei das Trainingsbelastungskollektiv Trainingsbelastungsdaten aufweist, wobei die Trainingsbelastungsdaten jeweils eine zu einem Trainingsfahrtdatensatz korrespondierende messtechnisch erfasste oder auf Grundlage von Messgrößen berechnete Belastung des Bauteils aufweisen, wobei das Belastungsmodell eine Wahrscheinlichkeitsverteilung der aufgetretenen Belastung bei einer vorgegebenen Trainingstrecke und/oder bei vorgegebenen Fahrtbegleitdaten Ce
- 4 - CPR 9736 LU LU101181 und/oder in Abhängigkeit vorgegebener Fahrzeugdaten approximiert, und wobei in einem Modellauswertungsvorgang die Belastungsvorhersage mit Hilfe des Belastungsmodells für eine vorgegebene Prädiktionsstrecke und/oder für vorgegebene Prädiktionsfahrtbegleitdaten und/oder in Abhängigkeit vorgegebener Prädiktionsfahrzeugdaten eines Prädiktionsfahrzeugs bestimmt wurde. Vorteilhafterweise werden in dem Modellauswertungsvorgang zahlreiche Simulationen des Belastungsmodells für ein Pradiktionsfahrzeug durchgeführt. Auf diese Weise kann man die streuenden Nutzungsbedingungen besser abdecken, sodass man am Ende ein besseres Bild der wahrscheinlich auftretenden minimalen und maximalen Belastungen erhält.
Erfindungsgemäß ist vorteilhafterweise vorgesehen, dass es sich bei der Belastungsvorhersage um eine Belastungsverlaufsvorhersage handelt, wobei das Trainingsbelastungskollektiv Trainingsbelastungszeitreihen aufweist, wobei die Trainingsbelastungszeitreihen jeweils einen zu einem Trainingsfahrtdatensatz korrespondierenden messtechnisch erfassten oder auf Grundlage von Messgrößen berechneten Belastungsverlauf des Bauteils aufweisen, wobei das Belastungsmodell die Wahrscheinlichkeitsverteilung des aufgetretenen Belastungsverlaufs approximiert, und wobei in dem Modellauswertungsvorgang die Belastungsverlaufsvorhersage bestimmt wird. Bei dem Modellauswertungsvorgang werden vorteilhafterweise eine Vielzahl von Prädiktionsbelastungszeitreihen ermittelt, wobei die bei den Prädiktionsbelastungszeitreihen jeweils berechneten einzelnen Belastungszustände wieder der Wahrscheinlichkeitsverteilung folgen. Auf diese können beispielsweise die sich leicht voneinander unterscheidenden
- 5 - CPR 9736 LU LU101181 Belastungsverläufe bei Trainingsfahrten eines Trainingsfahrers mit einem vorgegebenen Trainingsfahrzeug auf einer bestimmen Trainingstrecke simulieren. Bei den ermittelten Belastungsverläufen handelt es sich jeweils um Zeitreihen.
Die Trainingsfahrten werden vorteilhafterweise als geplante Versuchsfahrten durchgeführt. Es ist jedoch auch môglich und erfindungsgemäß vorgesehen, dass es sich bei den Trainingsfahrten um normale StraRenfahrten von beliebigen Kraftfahrzeugen handelt, wobei die für die Modellbildung erforderlichen Daten in den Kraftfahrzeugen erfasst und beispielsweise drahtlos an einen zentralen Server übertragen werden.
Vorteilhafterweise ist erfindungsgemäB vorgesehen, dass es sich bei den Trainingsfahrtdatensätzen um Trainingsfahrtzeitreihen handelt. Die verschiedenen Trainingsfahrtzeitreihen können erfindungsgemäß Zeitreihenabschnitte einer einzigen Trainingsfahrt darstellen.
Die Trainingsfahrtdatensätze können vorgegeben oder messtechnisch erfasst werden. So ist es beispielsweise möglich, den Streckenverlauf aus einer vorliegenden Karte der Trainingstrecke zu ermitteln und vorzugeben oder den Streckenverlauf bei der Trainingsfahrt beispielsweise per GPS zu ermitteln.
Erfindungsgemäß kann das Belastungsmodell auf Grundlage einer probabilistischen Modellstruktur bestimmt werden. Aus dem Stand der Technik sind verschiedene Modellstrukturen
- 6- CPR 9736 LU LU101181 bekannt, die die Approximation von Wahrscheinlichkeitsverteilungen erlauben. Vorteilhafterweise ist erfindungsgemäB vorgesehen, dass das Belastungsmodell auf Grundlage einer generativen Modellstruktur bestimmt wird. Auf diese Weise kann der Berechnungsaufwand zur Erstellung des Belastungsmodells erheblich verringert werden. Als Modellstruktur kommen vorteilhafterweise vollständig sichtbare Bayes-Netze oder ein gerichtetes Modell wie beispielsweise ein Variational Autoencoder. Bei einer besonders vorteilhaften Ausgestaltung des erfindungsgemäBen Verfahrens ist vorgesehen, dass als Modellstruktur für das Belastungsmodell ein Recurrent Conditional Generative Adverserial Network verwendet wird. Die Verwendung dieser Modellstrukturen für probabilistische Modelle sind dem Fachmann bekannt und werden beispielsweise in Ian Goodfellow, Yoshua Bengio, Aaron Courville: Deep Learning, mitp Verlag Frechen, ISBN: 9783958457003 beschrieben.
Das erfindungsgemäße Verfahren kann dazu verwendet werden, realistische Belastungen und Belastungsverläufe unter vorgegebenen Bedingungen, das heißt für einen Streckenverlauf sowie einen Fahrzeugtyp, zu ermitteln. Auf diese Weise kann beispielsweise die Wahrscheinlichkeitsverteilung, die auf das Fahrverhalten des Trainingsfahrers bzw. der Trainingsfahrer zurückzuführen ist, abgebildet werden.
Es ist aber auch möglich und erfindungsgemäß vorgesehen, dass unterschiedliche Trainingsfahrtdatensätze Streckenverlaufsdaten sowie Fahrtbegleitdaten beinhalten,
- 7 = CPR 9736 LU LU101181 die unter voneinander abweichenden Trainingsbedingungen durchgeführt wurden. So ist es vorteilhafterweise möglich, Trainingsfahrten mit unterschiedlichen Trainingsfahrzeugen desselben Fahrzeugtyps auf einer Trainingstrecke durchzuführen, um eine beispielsweise durch eine Fertigungsstreuung oder andere Einflüsse beeinflusste Wahrscheinlichkeitsverteilung für den Belastungsverlauf zu bestimmen.
Erfindungsgemäß ist vorgesehen, dass die unterschiedlichen Trainingsbedingungen darin bestehen, dass die Trainingsfahrten mit mindestens zwei verschiedenen Trainingskraftfahrzeugen durchgeführt wurden und/oder auf mindestens zwei unterschiedlichen Trainingstrecken durchgeführt wurden und/oder bei mindestens zwei verschiedenen Umgebungsbedingungen durchgeführt wurden. Es ist auch möglich und erfindungsgemäß vorgesehen, dass verschiedene Versuchsparameter variiert werden, um ein allgemein gültiges Modell für die Wahrscheinlichkeitsverteilung unter verschiedenen Bedingungen zu ermitteln.
Die Fahrzeugdaten beinhalten vorteilhafterweise eine Fahrzeugmasse, ein Luftwiderstandsbeiwert und ein Reifendurchmesser des Trainingskraftfahrzeugs. Bei den Fahrzeugdaten handelt es sich grundsätzlich um vorgegebene Parameter des Trainingskraftfahrzeugs. Bei den Fahrzeugdaten handelt es sich hingegen nicht um sich während des Betriebs des Kraftfahrzeugs ändernde Parameter wie beispielsweise eine Fahrzeuggeschwindigkeit.
Ce
- 8 - CPR 9736 LU LU101181 Vorteilhafterweise ist erfindungsgemäß vorgesehen, dass die Trainingskraftfahrzeuge von einem anderen Fahrzeugtyp sind als das Prädiktionsfahrzeug. Auf diese Weise kônnen mit Hilfe des Belastungsmodells unterschiedliche Belastungsverlaufe für verschiedene Fahrzeugtypen ermittelt werden, die einer realistischen Belastungsverteilung folgen. Um in dem Belastungsmodell eine Belastungsdynamik zu berücksichtigen, ist erfindungsgemäß auch vorgesehen, dass in dem Belastungsmodell eine Dynamik einer Bauteilbelastung über den gefahrenen oder vorgegebenen Streckenverlauf berücksichtigt wird.
Weitere vorteilhafte Ausgestaltungen des erfindungsgemäBen Verfahrens werden anhand eines in der Zeichnung dargestellten Ausführungsbeispiels näher erläutert.
Es zeigt: Figur 1 ein schematisch dargestelltes Ablaufdiagramm des erfindungsgemäßen Verfahrens, Figur 2 eine schematische Darstellung eines Belastungskollektivs bestehend aus Belastungszeitreihen und Figur 3 eine schematische Darstellung eines Belastungskollektivs aufgetragen über kumulierte Lastzyklen.
Bei dem in Figur 1 schematisch dargestellten Verfahren 1 wurden in einem Versuchsvorgang 2 zunächst eine Vielzahl
- 9 - CPR 9736 LU LU101181 von Trainingsfahrten von einem einzelnen Trainingsfahrer oder von verschiedenen Trainingsfahrern mit einem Traininaskraftfahrzeug oder mit verschiedenen Trainingskraftfahrzeugen auf einer einzigen Trainingstrecke oder auf verschiedenen Trainingsstrecken durchgeführt und die bei den verschiedenen Trainingsfahrten aufgetretenen Belastungszeitreihen ermittelt. Zudem wurden für jede Trainingsfahrt Streckenverlaufsdaten bestimmt.
Ausgehend von den aus diesen Zeitreihendaten gebildeten Belastungszeitreihenkollektiv und Trainingsfahrtdatenkollektiv sowie von Fahrzeugdaten des Trainingsfahrzeugs oder der Trainingskraftfahrzeuge umfassenden Trainingsfahrzeugdatenkollektivs werden in einem Modellerstellungsvorgang 3 ein Wahrscheinlichkeitsverteilungen der Belastungsverlaufe approximierendes Belastungsmodell bestimmt. Auf Grundlage dieses Modells können dann in einem Modellauswertungsvorgang 4 zahlreiche Belastungen bestimmt und fir eine Simulation beispielsweise einer Belastung eines bestimmten Bauteils eines sich noch in der Entwicklung befindlichen Kraftfahrzeugs verwendet werden. Die ermittelten Belastungsverläufe folgen dabei wiederum den mit dem Modell approximierten Wahrscheinlichkeitsverteilungen der bei den Trainingsfahrten ermittelten Trainingsdaten.
In Figur 2 ist schematisch ein Belastungskollektiv 5 dargestellt. Das Belastungskollektiv 5 besteht aus einer Vielzahl von Belastungszeitreihen, die einer Wahrscheinlichkeitsverteilung folgen. In der Zeichnung sind
- 10 - CPR 9736 LU LU101181 schematisch ein wahrscheinlichster Belastungsverlauf 6 sowie Streuungsbereichsgrenzen 7 dargestellt.
Figur 3 zeigt schematisch ein Belastungskollektiv 5. In der Darstellung sind Belastungen über kumulierte Lastzyklen aufgetragen. Bei der Darstellung treten grôBere Belastungen seltener auf als kleine Belastungen. Zudem ist eine durch die Streuungsbereichsgrenzen 7 gekennzeichnete Streuung der Ausprägungen großer Lasten größer als die kleinen Lasten.
Claims (9)
1. Verfahren (1) zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs, wobei in einem Modellerstellungsvorgang (3) ausgehend von einem Trainingsfahrtdatenkollektiv, einem Trainingsfahrzeugdatenkollektiv, und einem Trainingsbelastungskollektiv ein Belastungsmodell mit einem Identifikationsverfahren erstellt wird, wobei das Trainingsfahrtdatenkollektiv eine Vielzahl von Trainingsfahrtdatensätzen beinhaltet, die jeweils für eine Trainingsfahrt eines Trainingskraftfahrzeugs auf einer Trainingsstrecke bestimmte Streckenverlaufsdaten und/oder Fahrtbegleitdaten beinhalten, wobei das Trainingsfahrzeugdatenkollektiv Fahrzeugdaten des bei der jeweiligen Trainingsfahrt verwendeten Trainingskraftfahrzeugs umfasst, wobei das Trainingsbelastungskollektiv Trainingsbelastungsdaten aufweist, wobei die Trainingsbelastungsdaten jeweils eine zu einem Trainingsfahrtdatensatz korrespondierende messtechnisch erfasste oder auf Grundlage von Messgrößen berechnete Belastung des Bauteils aufweisen, wobei das Belastungsmodell eine Wahrscheinlichkeitsverteilung der aufgetretenen Belastung bei einer vorgegebenen Trainingstrecke und/oder bei vorgegebenen Fahrtbegleitdaten und/oder in Abhängigkeit vorgegebener Fahrzeugdaten approximiert, und wobei in einem Modellauswertungsvorgang (4) die Belastungsvorhersage mit Hilfe des Belastungsmodells für eine vorgegebene Prädiktionsstrecke und/oder für vorgegebene Prädiktionsfahrtbegleitdaten und/oder in Abhängigkeit vorgegebener =
- 12 - CPR 9736 LU LU101181 Prädiktionsfahrzeugdaten eines Prädiktionsfahrzeugs bestimmt wird.
2. Verfahren (1) gemäß Anspruch 1, dadurch gekennzeichnet, dass es sich bei der Belastungsvorhersage um eine Belastungsverlaufsvorhersage handelt, wobei das Trainingsbelastungskollektiv Trainingsbelastungszeitreihen aufweist, wobei die Trainingsbelastungszeitreihen jeweils einen zu einem Trainingsfahrtdatensatz korrespondierenden messtechnisch erfassten oder auf Grundlage von Messgrößen berechneten Belastungsverlauf (6) des Bauteils aufweisen, wobei das Belastungsmodell die Wahrscheinlichkeitsverteilung des aufgetretenen Belastungsverlaufs (6) approximiert, und wobei in dem Modellauswertungsvorgang (4) die Belastungsverlaufsvorhersage bestimmt wird.
3. Verfahren (1) gemäß Anspruch 1 oder Anspruch 2, dadurch gekennzeichnet, dass es sich bei den Trainingsfahrtdatensätzen um Trainingsfahrtzeitreihen handelt.
4. Verfahren (1) gemäß einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass das Belastungsmodell auf Grundlage einer generativen Modellstruktur bestimmt wird.
5. Verfahren (1) gemäß Anspruch 4, dadurch gekennzeichnet, dass als Modellstruktur für das Belastungsmodell ein Recurrent Conditional Generative Adverserial Network verwendet wird.
<<
- 13 - CPR 9736 LU LU101181
6. Verfahren (1) gemäß einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass unterschiedliche Trainingsfahrtdatensätze Streckenverlaufsdaten sowie Fahrtbegleitdaten beinhalten, die unter voneinander abweichenden Trainingsbedingungen durchgeführt wurden.
7. Verfahren (1) gemäß Anspruch 6, dadurch gekennzeichnet, dass die unterschiedlichen Trainingsbedingungen darin bestehen, dass die Trainingsfahrten mit mindestens zwei verschiedenen Trainingskraftfahrzeugen durchgeführt wurden und/oder auf mindestens zwei unterschiedlichen Trainingstrecken durchgeführt wurden und/oder bei mindestens zwei verschiedenen Umgebungsbedingungen durchgeführt wurden.
8. Verfahren (1) gemäß einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass die Fahrzeugdaten eine Fahrzeugmasse, einen Luftwiderstandsbeiwert und einen Reifendurchmesser des Trainingskraftfahrzeugs beinhalten.
9. Verfahren (1) gemäß einem der voranstehenden Ansprüche, dadurch gekennzeichnet, dass die Trainingskraftfahrzeuge von einem anderen Fahrzeugtyp sind als das Prädiktionsfahrzeug.
GE
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
LU101181A LU101181B1 (de) | 2019-04-12 | 2019-04-12 | Verfahren zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs |
EP20719969.6A EP3953908A1 (de) | 2019-04-12 | 2020-04-09 | Verfahren zur bestimmung einer belastungsvorhersage für ein bauteil eines kraftfahrzeugs |
CN202080028256.7A CN113785333A (zh) | 2019-04-12 | 2020-04-09 | 用于确定机动车的组件的负荷预测的方法 |
PCT/EP2020/060246 WO2020208182A1 (de) | 2019-04-12 | 2020-04-09 | Verfahren zur bestimmung einer belastungsvorhersage für ein bauteil eines kraftfahrzeugs |
US17/602,761 US12044598B2 (en) | 2019-04-12 | 2020-04-09 | Method for determining a load prediction for a component of a vehicle |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
LU101181A LU101181B1 (de) | 2019-04-12 | 2019-04-12 | Verfahren zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs |
Publications (1)
Publication Number | Publication Date |
---|---|
LU101181B1 true LU101181B1 (de) | 2020-10-12 |
Family
ID=66530391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
LU101181A LU101181B1 (de) | 2019-04-12 | 2019-04-12 | Verfahren zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs |
Country Status (5)
Country | Link |
---|---|
US (1) | US12044598B2 (de) |
EP (1) | EP3953908A1 (de) |
CN (1) | CN113785333A (de) |
LU (1) | LU101181B1 (de) |
WO (1) | WO2020208182A1 (de) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2947448A1 (de) * | 2014-05-20 | 2015-11-25 | HORIBA, Ltd. | Fahrzeugtestsystem |
WO2018178196A1 (de) | 2017-03-30 | 2018-10-04 | Technische Universität Darmstadt | Verfahren zur bestimmung einer schädigungsmassunsicherheit eines kraftfahrzeugs |
Family Cites Families (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6550320B1 (en) * | 2000-05-31 | 2003-04-22 | Continental Ag | System and method for predicting tire forces using tire deformation sensors |
AT500978B8 (de) * | 2003-05-13 | 2007-02-15 | Avl List Gmbh | Verfahren zur optimierung von fahrzeugen |
US7461556B2 (en) * | 2005-11-03 | 2008-12-09 | Chip Ganassi Racing Teams, Inc. | Test system for dynamically analyzing a vehicle under simulated road conditions |
US8972161B1 (en) * | 2005-11-17 | 2015-03-03 | Invent.Ly, Llc | Power management systems and devices |
US20080114506A1 (en) * | 2006-11-10 | 2008-05-15 | Davis Christopher L | Hard landing detection |
WO2010096783A1 (en) * | 2009-02-20 | 2010-08-26 | The Trustees Of Columbia University In The City Of New York | Dynamic contingency avoidance and mitigation system |
DE102010063358A1 (de) | 2010-12-17 | 2012-06-21 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Bestimmen einer Leistungsreserve eines elektrischen Antriebs |
US8731788B2 (en) * | 2010-12-23 | 2014-05-20 | Cummins Intellectual Property, Inc. | System and method of speed-based downspeed coasting management |
US9165477B2 (en) | 2013-12-06 | 2015-10-20 | Vehicle Data Science Corporation | Systems and methods for building road models, driver models, and vehicle models and making predictions therefrom |
EP3111190A4 (de) * | 2014-02-28 | 2017-11-15 | Sikorsky Aircraft Corporation | Anwendung von virtueller überwachung von lasten für wartungsnutzen |
GB2524745A (en) * | 2014-03-31 | 2015-10-07 | Jaguar Land Rover Ltd | Wading simulation method |
AT514144B1 (de) * | 2014-07-25 | 2016-01-15 | Avl List Gmbh | Verfahren und Prüfstand zum Testen eines Verbundes von Komponenten eines Fahrzeugs |
US9576245B2 (en) * | 2014-08-22 | 2017-02-21 | O Power, Inc. | Identifying electric vehicle owners |
EP3353511A4 (de) * | 2015-09-25 | 2019-05-01 | Sikorsky Aircraft Corporation | System und verfahren zur lastbasierten strukturellen integritätsüberwachung eines dynamischen systems |
DE102015120107A1 (de) | 2015-11-19 | 2017-05-24 | Technische Universität Darmstadt | Verfahren zur Auslegung und Dimensionierung eines Neuteils eines Kraftfahrzeugs |
US10467824B2 (en) * | 2016-04-26 | 2019-11-05 | Walter Steven Rosenbaum | Method for determining driving characteristics of a vehicle and vehicle analyzing system |
DE102016120052A1 (de) | 2016-10-20 | 2018-04-26 | Technische Universität Darmstadt | Verfahren zur Ermittlung von Stützpunkten eines Versuchsplans |
JP6673293B2 (ja) | 2017-05-24 | 2020-03-25 | トヨタ自動車株式会社 | 車両システム |
DE102017007136A1 (de) * | 2017-07-27 | 2019-01-31 | Opel Automobile Gmbh | Verfahren und Vorrichtung zum Trainieren selbstlernender Algorithmen für ein automatisiert fahrbares Fahrzeug |
US20190308624A1 (en) * | 2018-04-04 | 2019-10-10 | Cummins Inc. | Intelligent adaptive cruise control for platooning |
CN108830414B (zh) | 2018-06-12 | 2021-11-09 | 南京邮电大学 | 一种电动汽车商用充电区的负荷预测方法 |
US11829275B2 (en) * | 2018-10-17 | 2023-11-28 | Toyota Research Institute, Inc. | Systems and methods for automatic test generation |
DE102018130759A1 (de) * | 2018-12-04 | 2020-06-04 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Reproduktion eines im Fahrbetrieb eines Fahrzeugs auftreten-den Fehlers |
US20200310479A1 (en) * | 2019-03-28 | 2020-10-01 | PowerSecure Inc. | Systems and methods for controlling an energy supply system |
US11263363B2 (en) * | 2020-05-22 | 2022-03-01 | Angl Llc | Dynamic generation and modification of a design model of a building for a construction project |
-
2019
- 2019-04-12 LU LU101181A patent/LU101181B1/de active IP Right Grant
-
2020
- 2020-04-09 WO PCT/EP2020/060246 patent/WO2020208182A1/de unknown
- 2020-04-09 CN CN202080028256.7A patent/CN113785333A/zh active Pending
- 2020-04-09 US US17/602,761 patent/US12044598B2/en active Active
- 2020-04-09 EP EP20719969.6A patent/EP3953908A1/de active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2947448A1 (de) * | 2014-05-20 | 2015-11-25 | HORIBA, Ltd. | Fahrzeugtestsystem |
WO2018178196A1 (de) | 2017-03-30 | 2018-10-04 | Technische Universität Darmstadt | Verfahren zur bestimmung einer schädigungsmassunsicherheit eines kraftfahrzeugs |
Non-Patent Citations (1)
Title |
---|
IAN GOODFELLOWYOSHUA BENGIOAARON COURVILLE: "Deep Learning", ERLAG FRECHEN |
Also Published As
Publication number | Publication date |
---|---|
CN113785333A (zh) | 2021-12-10 |
WO2020208182A1 (de) | 2020-10-15 |
US12044598B2 (en) | 2024-07-23 |
EP3953908A1 (de) | 2022-02-16 |
US20220178789A1 (en) | 2022-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102018128290A1 (de) | Verfahren und vorrichtung zum erzeugen von szenarien und parametrischen sweeps für die entwicklung und bewertung von autonomen antriebssystemen | |
DE102012016768A1 (de) | Technik zum Verarbeiten kartographischer Daten für das Bestimmen energiesparender Routen | |
DE102016220913A1 (de) | Verfahren und Vorrichtung zur Generierung von Testfällen für autonome Fahrzeuge | |
AT520320A4 (de) | Verfahren und eine Vorrichtung zum Erzeugen eines dynamischen Geschwindigkeitsprofils eines Kraftfahrzeugs | |
DE102018215329A1 (de) | Computerimplementiertes Simulationsverfahren und Anordnung zum Testen von Steuergeräten | |
DE102019203712B4 (de) | Verfahren zum Trainieren wenigstens eines Algorithmus für ein Steuergerät eines Kraftfahrzeugs, Computerprogrammprodukt, Kraftfahrzeug sowie System | |
DE102016210453A1 (de) | Fahrzeug, System in Kommunikation mit einem Kommunikationsmodul des Fahrzeugs, und System in Kommunikation mit einer Gruppe von Fahrzeugen | |
EP1172631B1 (de) | Verfahren zur Fahrroutenberechnung in einem Navigationsgerät | |
DE102011056777A1 (de) | Schwerpunktermittlung | |
DE102016207276A1 (de) | Verfahren zur Freigabe einer Fahrfunktion in einem Fahrzeug | |
DE102019205519A1 (de) | Verfahren zum Ermitteln von Fahrverläufen | |
DE102019134053A1 (de) | Verfahren zur kontinuierlichen Absicherung im Fahrversuch applizierter automatisierter Fahrfunktionen | |
DE102013015145B4 (de) | Verfahren zum Testen und Bewerten der Qualität digitaler Karten | |
DE102019205520A1 (de) | Verfahren zum Ermitteln von Fahrverläufen | |
DE202022106107U1 (de) | System zur Prüfung von automatisierten Fahrsystemen der Stufe 3 (ADS) | |
LU101181B1 (de) | Verfahren zur Bestimmung einer Belastungsvorhersage für ein Bauteil eines Kraftfahrzeugs | |
EP3871052B1 (de) | Verfahren zur kalibirierung eines technischen systems | |
DE102008047958B4 (de) | Verfahren zur beanspruchungsabhängigen Auslegung eines Bauteils | |
WO2022184363A1 (de) | Computerimplementiertes verfahren zum trainieren wenigstens eines algorithmus für eine steuereinheit eines kraftfahrzeugs, computerprogrammprodukt, steuereinheit sowie kraftfahrzeug | |
DE102018217610A1 (de) | Verfahren zur Luftqualitätsoptimierung, Steuerung, Fahrzeug und System zur Durchführung des Verfahrens | |
DE102019002594A1 (de) | Verfahren zur Aktualisierung einer optimalen Routenführung | |
DE102021206944B4 (de) | Verfahren und System zum Bewerten eines Fahrverhaltens | |
DE102018207102A1 (de) | Verfahren zur Ermittlung der Trajektorienfolgegenauigkeit | |
DE10243536B4 (de) | Verfahren und Vorrichtung zur Auslegung von Fahrzeugen und/oder Fahrzeugbauteilen | |
DE102023000848A1 (de) | Verfahren zur Prognose einer Fahrreichweite eines batterieelektrisch betriebenen Fahrzeugs sowie System umfassend ein Fahrzeug-Backend und ein Fahrzeug |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
FG | Patent granted |
Effective date: 20201012 |